CN111754093A - 一种基于煤质预测和pso-svm的飞灰含碳量预测方法 - Google Patents
一种基于煤质预测和pso-svm的飞灰含碳量预测方法 Download PDFInfo
- Publication number
- CN111754093A CN111754093A CN202010526989.5A CN202010526989A CN111754093A CN 111754093 A CN111754093 A CN 111754093A CN 202010526989 A CN202010526989 A CN 202010526989A CN 111754093 A CN111754093 A CN 111754093A
- Authority
- CN
- China
- Prior art keywords
- fly ash
- carbon content
- coal quality
- coal
- data
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 239000003245 coal Substances 0.000 title claims abstract description 161
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 title claims abstract description 127
- 229910052799 carbon Inorganic materials 0.000 title claims abstract description 127
- 239000010881 fly ash Substances 0.000 title claims abstract description 127
- 238000000034 method Methods 0.000 title claims abstract description 37
- 238000012706 support-vector machine Methods 0.000 claims abstract description 45
- 238000012360 testing method Methods 0.000 claims abstract description 28
- 238000005259 measurement Methods 0.000 claims abstract description 20
- 238000013528 artificial neural network Methods 0.000 claims abstract description 13
- 238000012549 training Methods 0.000 claims description 17
- 238000005457 optimization Methods 0.000 claims description 14
- 238000004422 calculation algorithm Methods 0.000 claims description 13
- 238000007781 pre-processing Methods 0.000 claims description 11
- 239000002245 particle Substances 0.000 claims description 9
- 238000002790 cross-validation Methods 0.000 claims description 8
- 239000000779 smoke Substances 0.000 claims description 8
- 238000012935 Averaging Methods 0.000 claims description 6
- 238000005065 mining Methods 0.000 claims description 6
- 230000009467 reduction Effects 0.000 claims description 6
- NINIDFKCEFEMDL-UHFFFAOYSA-N Sulfur Chemical compound [S] NINIDFKCEFEMDL-UHFFFAOYSA-N 0.000 claims description 5
- 239000002956 ash Substances 0.000 claims description 5
- 239000000428 dust Substances 0.000 claims description 5
- 239000000126 substance Substances 0.000 claims description 5
- 229910052717 sulfur Inorganic materials 0.000 claims description 5
- 239000011593 sulfur Substances 0.000 claims description 5
- 238000004458 analytical method Methods 0.000 claims description 4
- 238000013507 mapping Methods 0.000 claims description 4
- 230000007613 environmental effect Effects 0.000 claims description 3
- 238000011156 evaluation Methods 0.000 claims description 3
- 238000003064 k means clustering Methods 0.000 claims description 3
- 238000012216 screening Methods 0.000 claims description 3
- 238000012795 verification Methods 0.000 claims description 2
- 239000003039 volatile agent Substances 0.000 claims description 2
- 238000002485 combustion reaction Methods 0.000 abstract description 8
- 238000005516 engineering process Methods 0.000 abstract description 4
- 238000003062 neural network model Methods 0.000 abstract description 4
- 230000009286 beneficial effect Effects 0.000 abstract description 3
- 239000002585 base Substances 0.000 description 22
- UGFAIRIUMAVXCW-UHFFFAOYSA-N Carbon monoxide Chemical compound [O+]#[C-] UGFAIRIUMAVXCW-UHFFFAOYSA-N 0.000 description 9
- 239000003546 flue gas Substances 0.000 description 9
- 238000012372 quality testing Methods 0.000 description 8
- 230000000694 effects Effects 0.000 description 6
- 238000002474 experimental method Methods 0.000 description 6
- 238000005070 sampling Methods 0.000 description 6
- 238000004364 calculation method Methods 0.000 description 5
- 230000006870 function Effects 0.000 description 5
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 4
- 238000007605 air drying Methods 0.000 description 3
- QVGXLLKOCUKJST-UHFFFAOYSA-N atomic oxygen Chemical compound [O] QVGXLLKOCUKJST-UHFFFAOYSA-N 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 229910052760 oxygen Inorganic materials 0.000 description 3
- 239000001301 oxygen Substances 0.000 description 3
- 238000010248 power generation Methods 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 230000004913 activation Effects 0.000 description 2
- 239000002817 coal dust Substances 0.000 description 2
- 239000012458 free base Substances 0.000 description 2
- 238000009499 grossing Methods 0.000 description 2
- 238000010438 heat treatment Methods 0.000 description 2
- 238000000691 measurement method Methods 0.000 description 2
- 210000002569 neuron Anatomy 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 230000001105 regulatory effect Effects 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 230000008901 benefit Effects 0.000 description 1
- 238000012512 characterization method Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000013100 final test Methods 0.000 description 1
- 239000000446 fuel Substances 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000013178 mathematical model Methods 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 238000007637 random forest analysis Methods 0.000 description 1
- 238000010187 selection method Methods 0.000 description 1
- 239000002893 slag Substances 0.000 description 1
- 238000010998 test method Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0637—Strategic management or analysis, e.g. setting a goal or target of an organisation; Planning actions based on goals; Analysis or evaluation of effectiveness of goals
- G06Q10/06375—Prediction of business process outcome or impact based on a proposed change
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
- G06N20/10—Machine learning using kernel methods, e.g. support vector machines [SVM]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/06—Energy or water supply
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Human Resources & Organizations (AREA)
- General Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Economics (AREA)
- Software Systems (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Strategic Management (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Mathematical Physics (AREA)
- General Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Marketing (AREA)
- Biophysics (AREA)
- Educational Administration (AREA)
- General Business, Economics & Management (AREA)
- Computational Linguistics (AREA)
- Entrepreneurship & Innovation (AREA)
- Tourism & Hospitality (AREA)
- Molecular Biology (AREA)
- Biomedical Technology (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Game Theory and Decision Science (AREA)
- Development Economics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- Primary Health Care (AREA)
- Regulation And Control Of Combustion (AREA)
Abstract
本发明涉及一种基于煤质预测和PSO‑SVM的飞灰含碳量预测方法,包括步骤:步骤1、选取和构造合适的煤质影响参数和煤质特征参数,构建基于BP神经网络的煤质预测模型,通过煤种匹配来软测量入炉煤煤质;步骤2、构建基于支持向量机(SVM)的飞灰含碳量预测模型。本发明的有益效果是:本发明可用于飞灰含碳量的软测量,并对模型进行了优化,进一步提高了飞灰含碳量软测量模型的预测性能。本发明首先利用煤质影响参数构建煤质预测的BP神经网络模型,从而获得较为准确的煤质化验数据;本发明提出的飞灰含碳量预测模型融合了煤质预测和飞灰含碳量预测两种技术,实现飞灰含碳量的精准测量,对提高锅炉的燃烧经济性、减少燃煤消耗和改善环境具有重要意义。
Description
技术领域
本发明涉及燃煤机组发电过程优化控制领域,针对飞灰含碳软测量在线应用问题,尤其包括一种基于煤质预测和PSO-SVM的飞灰含碳量预测方法。
背景技术
飞灰含碳量是锅炉运行中的最重要、最基本的参数之一,它表征了锅炉的重要运行特征,是计算锅炉机械未完全燃烧热损失的重要指标。飞灰中未燃烧的可燃物能表征锅炉燃烧控制中风煤比是否合理,是影响锅炉热效率的重要损失项。准确有效地测量飞灰含碳量有利于调节锅炉燃烧中的工况,提高锅炉热效率,降低燃烧成本,扩大电厂经济效益。
传统的飞灰含碳在线测量方法主要包括以燃烧试验和人工取样为主的离线测量方法以及通过硬件仪器实时测量飞灰含碳量的方法。然而,传统的测量方法存在过程繁琐、检测结果不准确、机械故障或损坏等问题,导致飞灰含碳量可用性低。
为了解决以上问题,为了解决以上问题,近年来一些软测量方法被用于在线测量飞灰含碳量,此类方法通过对历史数据进行分析,构建飞灰含碳量和相关辅助计算参数的关联数学模型从而实现飞灰含碳量的预测,如支持向量机模型、随机森林算法、特征选择方法等。
飞灰含碳量的大小主要受锅炉运行参数以及煤粉元素等因素的影响,其中,入炉煤的固定碳比例对飞灰含碳量的影响至关重要,同一个煤种的煤粉进入锅炉燃烧,生成的炉渣、烟尘和烟气在成分上也存在相似性,不同的煤种则会存在差异,想要获得能用于实际生产应用的飞灰含碳量数据,必须依赖准确的入炉煤煤质数据。然而绝大多数电厂的煤质化验数据还是依赖人工化验方法,很难实现实时获取入炉煤煤质化验数据,且已有的研究基本没有考虑煤质无法在线实现计算问题。在实际应用中,亟须将入炉煤煤质数据计算和飞灰含碳量预测进行整合,以提高飞灰预测的可靠性。
发明内容
本发明的目的是克服现有技术中的不足,提供一种基于煤质预测和PSO-SVM的飞灰含碳量预测方法。
这种基于煤质预测和PSO-SVM的飞灰含碳量预测方法,包括以下步骤:
步骤1、选取和构造合适的煤质影响参数和煤质特征参数,以煤质影响参数数据作为输入,煤质特征参数数据作为输出,构建基于BP神经网络的煤质预测模型,构造出煤质特征参数和煤质影响参数的映射关系,通过煤种匹配来软测量入炉煤煤质;
步骤1.1、在锅炉运行参数中挑选出多个表征锅炉负荷、外部环境因素、烟尘和烟气主要成分的敏感参数作为煤质影响参数;
步骤1.2、以7种煤质化验数据作为煤质特征参数,采用K-means聚类算法对这7类煤质化验数据进行无监督聚类,将聚类后的每类煤质化验数据各个参数的平均值作为煤质特征来划分煤种,得到各煤种的识别特征即煤质特征;
步骤1.3、选取在指定时间区间的煤质化验数据集,对煤质化验数据集进行数据预处理操作;
步骤1.4、以煤质影响参数数据作为输入,煤质特征作为输出,训练基于BP神经网络的煤质预测模型,通过煤种匹配来软测量入炉煤煤质;
步骤2、将入炉煤煤质数据结合多个飞灰含碳量影响参数作为输入,飞灰含碳量作为输出,构建基于支持向量机(SVM)的飞灰含碳量预测模型;
步骤2.1、选取在指定时间区间内的飞灰含碳量数据集,对飞灰含碳量数据集进行数据预处理操作;
步骤2.2、对飞灰含碳量影响参数通过求平均值、求和值、三选和平滑优选方法进行特征处理,即根据飞灰含碳量影响参数特性采用不同方式进行特征处理,然后使用ReliefF方法对飞灰含碳量与飞灰含碳量影响参数进行特征关联性挖掘,通过关联性挖掘分析结果进行飞灰含碳量影响的重要性判定,并对飞灰含碳量数据集进行特征筛选;
步骤2.3、以筛选后的飞灰含碳量影响参数数据和入炉煤煤质数据作为输入,飞灰含碳量作为输出,训练基于支持向量机(SVM)的飞灰含碳量预测模型;
步骤3、利用粒子群优化算法(PSO)对基于支持向量机(SVM)的飞灰含碳量预测模型的模型参数进行优化;
步骤3.1、采用k折交叉验证的方式对基于支持向量机(SVM)的飞灰含碳量预测模型的预测精度进行评估:将数据样本集分割为k份,保留一份作为基于支持向量机(SVM)的飞灰含碳量预测模型的验证数据,用其他k-1份来训练基于支持向量机(SVM)的飞灰含碳量预测模型;重复交叉验证k次,每份数据样本集验证一次,将k次的平均预测结果作为基于支持向量机(SVM)的飞灰含碳量预测模型预测精度的评估值;
步骤3.2、将k折交叉验证输出指标的均方根误差值作为粒子群参数寻优的适应度指标,对步骤2中训练的基于支持向量机(SVM)的飞灰含碳量预测模型的惩罚因子C和核带宽因子g进行优化,进一步提高预测模型的准确度;
步骤4、每更新预定数量的煤质影响参数、煤质特征参数和飞灰含碳量影响参数后,重新构造并训练基于BP神经网络的煤质预测模型和基于支持向量机(SVM)的飞灰含碳量预测模型,以得到更准确的预测结果。
作为优选,所述步骤1.2中所述煤质化验数据包括:全水分、空气干燥基水分、收到基灰分、干燥无灰基挥发分、收到基低位发热量、收到基全硫和收到基固定碳质量分数。
作为优选,所述步骤1.3中数据预处理操作包括清除停机数据和对煤质影响参数数据进行降维处理;所述步骤2.1中数据预处理操作包括清除停机区间数据和对飞灰影响参数数据进行降维处理。
作为优选,所述步骤2中多个飞灰含碳量影响参数包括:发电机功率、省煤器入口给水流量、一级过热器减温水流量、二级过热器减温水流量、再热器减温水流量、总燃料量、总风量、给煤机煤量反馈、磨煤机进口风量、二次风母管流量、前墙燃尽风风量、前墙燃烧器风箱进口风量、前墙燃烧器风箱风量、后墙燃尽风风量、后墙燃烧器风箱进口风量、后墙燃烧器风箱风量、炉膛负压、一次风机出口一次风温、送风机出口二次风温度、空预器出口烟气温度、空预器出口二次风风温、空预器进口烟气温度、空预器出口烟气压力、送风机进口温度、脱硫原烟气O2含量、省煤器出口烟气氧量、氧量折算后标态原烟气SO2含量、氧量折算后干态原烟气含尘量、水煤比例、省煤器出口烟气调节挡板阀位、低再出口烟气电动调节挡板阀位、全水分、空气干燥基水分、收到基灰分、干燥无灰基挥发分、收到基低位发热量、收到基全硫和收到基固定碳质量分数。
本发明的有益效果是:本发明可用于飞灰含碳量的软测量,并对模型进行了优化,进一步提高了飞灰含碳量软测量模型的预测性能。本发明首先利用煤质影响参数构建煤质预测的BP神经网络模型,从而获得较为准确的煤质化验数据。随后采用SVM模型挖掘飞灰含碳量参数和相关影响参数的非线性回归关系,实现飞灰含碳量在线预测。同时采用PSO算法对SVM模型进行全局优化,以进一步提高飞灰含碳量软测量模型的预测性能。本发明提出的飞灰含碳量预测模型融合了煤质预测和飞灰含碳量预测两种技术,实现飞灰含碳量的精准测量,对提高锅炉的燃烧经济性、减少燃煤消耗和改善环境具有重要意义。
附图说明
图1为实施例中飞灰含碳量预测效果图。
具体实施方式
下面结合实施例对本发明做进一步描述。下述实施例的说明只是用于帮助理解本发明。应当指出,对于本技术领域的普通人员来说,在不脱离本发明原理的前提下,还可以对本发明进行若干修饰,这些改进和修饰也落入本发明权利要求的保护范围内。
本发明的目的是针对飞灰含碳量数据必须依赖准确的入炉煤煤质化验数据而其数据难以实现实时获取和在线计算的问题,提出一种基于煤质预测和PSO-SVM的飞灰含碳量预测方法,融合了煤质预测和飞灰含碳量预测两种技术,并通过PSO算法进行模型参数优化,实现飞灰含碳量的精准软测量。
本发明首先通过引入利用煤质影响参数构建煤质预测的BP神经网络模型实现煤质预测,以获得准确的煤质化验数据,并且经过特征处理、特征筛选方法,去除冗余变量,并构建SVM模型,挖掘出有效的影响变量与飞灰含碳量非线性关系回归关系,实现飞灰含碳量的在线预测。同时采用粒子群优化算法(PSO)对SVM模型进行全局优化,以进一步提高飞灰含碳量软测量模型的预测性能。
实施例:
下面结合附图及南方某1050MW超超临界燃煤机组具体实例,对本发明作进一步详细说明。
实验所用数据为该机组2017年8月1日至2019年9月1日历史数据。根据业务经验从锅炉运行参数集中挑选出对飞灰含碳量影响较大且能够获取实时数据的101个参数作为飞灰含碳影响参数即预测模型的自变量集合,飞灰含碳量参数为目标参数,飞灰含碳量预测模型的输入输出参数如下表1所示。
表1飞灰含碳量预测模型输入和输出参数表
所采集的数据均匀的覆盖了整个机组正常运行发电负荷的代表工况集合,全样本数据具有工况不相关性和充分性。本例选取前22个月数据作为飞灰含碳预测模型训练样本,剩余2个月数据作为测试样本用来验证预测模型的精度。另外,飞灰含碳量及7个煤质化验参数其数据取自该机组的每日化验结果,采样频率为1天,采样时间为2年,共计770组原始数据;21个煤质影响数据和101个飞灰含碳影响数据来自该机组的DCS数据库系统,采样频率为2min,采样时间为2年,共计约52万组原始数据;基于煤质预测和PSO-SVM的飞灰含碳量预测方法的具体过程如下:
步骤1、选取和构造合适的煤质影响参数和煤质特征参数,以煤质影响参数数据作为输入,煤质特征作为输出,构建基于BP神经网络的煤质预测模型,构造出煤质特征和煤质影响参数的映射关系,从而通过煤种匹配的方式实现入炉煤煤质的软测量。本步骤具体包含以下子步骤:
步骤1.1、在锅炉运行参数中挑选出多个能够表征锅炉负荷、外部环境因素以及烟尘、烟气主要成分的敏感参数作为煤质影响参数;在本例中,挑选出21个参数作为煤质影响参数,如下表2中影响变量所示;
步骤1.2、以煤种的主要表征参数全水分、空气干燥基水分、收到基灰分、干燥无灰基挥发分、收到基低位发热量、收到基全硫和收到基固定碳质量分数这7种煤质化验数据作为煤种划分的特征参数,采用K-means聚类算法对本例采集的770组煤质化验数据进行无监督聚类,聚类数目设置为7,聚类后的每类煤质化验数据各个参数平均值作为煤质特征;
步骤1.3、选取在指定时间区间的煤质化验数据集,对煤质化验数据集进行数据预处理操作。根据业务经验,研究范围定于发电负荷大于300MW的情况,不满足条件的数据默认为停机数据将被剔除,为此将负荷小于300MW的数据置为空;同时为了对齐数据以及保证工况稳定性,对采样周期为2min的煤质影响数据采用1天的时间窗计算平均值的方式进行数据降维;
步骤1.4、以煤质影响参数数据作为输入,煤质特征作为输出,煤质化验参数预测模型输入和输出参数表如下表2所示:
表2煤质化验参数预测模型输入和输出参数表
利用输入输出参数训练可进行煤质预测的BP神经网络模型,实现入炉煤煤质的软测量。本次实验采用4层神经网络进行预测模型的搭建。由于7个煤质化验参数(全水分、空气干燥基水分、收到基灰分、干燥无灰基挥发分、收到基低位发热量、收到基全硫和收到基固定碳质量分数)是模型的因变量,21个煤质化验影响参数是模型的自变量,为了提升网络的非线性映射能力,本次实验设置2个隐含层,神经网络的模型结构定为21:40:30:7(其中21为输入层结点个数,40和30为两个隐含层结点个数,7为输出层结点个数),网络隐含层神经元激活函数采用tansig,输出层神经元激活函数采用logsig,训练函数采用trainlm。其他网络参数设置情况为网络学习目标是损失函数均方根误差MSE目标值为0.002,网络迭代次数为200,网络学习率为0.1。从770组全部历史数据中抽取705组运行数据作为网络训练数据,剩余的65组数据作为测试数据,测试神经网络预测模型的整体性能;经过BP神经网络经过70次的迭代训练完成4层网络参数的优化,对65组数据进行煤质化验参数进行预测,预测结果如下表3所示:
表3 BP神经网络对煤质化验参数预测结果表
各个参数的预测拟合效果如图1所示。从拟合指标均方根误差和决定系数的结果来看,达到了实际应用的水准。
步骤2、以煤质数据结合其他飞灰含碳量影响参数作为输入,飞灰含碳量参数作为输出,构建基于支持向量机(SVM)的飞灰含碳量预测模型。本步骤具体包含以下子步骤:
步骤2.1、选取在指定时间区间的飞灰含碳量数据集,对飞灰含碳量数据集进行数据预处理操作,包括停机区间数据清除以及采用1天的时间窗求平均值方式进行数据降维;
步骤2.2、对飞灰影响参数通过求平均值、求和值、三选、平滑优选等方法对101个飞灰含碳影响参数进行特征处理,通过求平均、求和进行处理的参数如下表4所示:
表4求平均、求和计算参数表
通过三选及平滑优选进行处理的参数下表5所示:
表5三选及平滑选优计算参数表
表1中与飞灰含碳量关联密切的101个飞灰含碳影响参数经过上述特征处理操作后最终保留了下表6中58个参数用于后续预测建模;采用ReliefF算法对进行参数重要性判定,对770组样本进行飞灰含碳量与飞灰影响参数的特征关联性挖掘,ReliefF算法对特征关联性分析结果如下表6所示,最终选取跟飞灰含碳量参数关联重要性比较高的煤质化验参数、B送风机出口二次风温度选择值、A送风机出口二次风温度选择值、A一次风机出口一次风温选择值、A送风机进口温度、B一次风机出口一次风温选择值等35个测点(表6中打对号测点)作为飞灰含碳量SVM预测模型的输入自变量;
表6 ReliefF算法对特征关联性分析结果
步骤2.3、以筛选后飞灰含碳影响参数数据以及煤质数据作为输入,飞灰含碳量参数作为输出,训练用于飞灰含碳量预测的SVM模型。
步骤3、利用粒子群优化算法(PSO)对飞灰含碳量预测模型的模型参数进行优化。本步骤具体包含以下子步骤:
步骤3.1、采用3折交叉验证的方式对飞灰含碳量预测模型的预测精度进行评估;
步骤3.2、将交叉验证输出指标的均方根误差值作为粒子群参数寻优的适应度指标,对步骤2中训练的SVM预测模型的惩罚因子C和核带宽因子g进行优化,以进一步提高预测模型的准确度。本实验的粒子群优化算法迭代次数选定为100,最终获取最优化参数惩罚因子C为1.414,核函数带宽参数g为0.707。
本实验利用上述步骤构建的SVM模型对飞灰含碳量进行预测,使用705组训练数据进行模型训练,65组测试数据进行测试。最终的测试结果为:均方根误差为0.008,平方相关系数为0.791。预测效果如图1所示,可见获得了准确的预测结果。
另外,为表现本发明所提方法的优越性,本实验用相同的训练数据进行了无煤质化验参数的PSO-SVM模型以及采用固定模型参数C=2、g=1的SVM模型测试,将三者的飞灰含碳量预测效果进行了对比,比较结果如下表7所示。
表7不同预测模型的预测效果对比
BP-PSO-SVM | PSO-SVM | SVM | |
均方根误差 | 0.008 | 0.012 | 0.0345 |
平方相关系数 | 0.791 | 0.521 | 0.503 |
均方根误差(越小越好)显示BP-PSO-SVM比PSO-SVM小0.004,比SVM小0.0237;平方相关系数(越大越好)显示BP-PSO-SVM比PSO-SVM大0.27,比SVM大0.288。通过均方根误差和平方相关系数两个预测效果评价指标的比较,可以看出本发明所提出的BP-PSO-SVM飞灰含碳预测方法较无煤质化验参数的PSO-SVM以及采用固定模型参数的SVM这两种预测方法准确性更高,该方法对飞灰含碳量的预测值更接近于实际值,证明了该BP-PSO-SVM预测方法在飞灰含碳量预测的可行性。
本发明提出的飞灰含碳量预测模型融合了煤质预测和飞灰含碳量预测两种技术,实现飞灰含碳量的精准测量,对提高锅炉的燃烧经济性、减少燃煤消耗和改善环境具有重要意义。
Claims (3)
1.一种基于煤质预测和PSO-SVM的飞灰含碳量预测方法,其特征在于,包括以下步骤:
步骤1、选取和构造合适的煤质影响参数和煤质特征参数,以煤质影响参数数据作为输入,煤质特征参数数据作为输出,构建基于BP神经网络的煤质预测模型,构造出煤质特征参数和煤质影响参数的映射关系,通过煤种匹配来软测量入炉煤煤质;
步骤1.1、在锅炉运行参数中挑选出多个表征锅炉负荷、外部环境因素、烟尘和烟气主要成分的敏感参数作为煤质影响参数;
步骤1.2、以7种煤质化验数据作为煤质特征参数,采用K-means聚类算法对这7类煤质化验数据进行无监督聚类,将聚类后的每类煤质化验数据各个参数的平均值作为煤质特征来划分煤种,得到各煤种的煤质特征;
步骤1.3、选取在指定时间区间的煤质化验数据集,对煤质化验数据集进行数据预处理操作;
步骤1.4、以煤质影响参数数据作为输入,煤质特征作为输出,训练基于BP神经网络的煤质预测模型,通过煤种匹配来软测量入炉煤煤质;
步骤2、将入炉煤煤质数据结合多个飞灰含碳量影响参数作为输入,飞灰含碳量作为输出,构建基于支持向量机的飞灰含碳量预测模型;
步骤2.1、选取在指定时间区间内的飞灰含碳量数据集,对飞灰含碳量数据集进行数据预处理操作;
步骤2.2、对飞灰含碳量影响参数通过求平均值、求和值、三选和平滑优选方法进行特征处理,然后使用ReliefF方法对飞灰含碳量与飞灰含碳量影响参数进行特征关联性挖掘,通过关联性挖掘分析结果进行飞灰含碳量影响的重要性判定,并对飞灰含碳量数据集进行特征筛选;
步骤2.3、以筛选后的飞灰含碳量影响参数数据和入炉煤煤质数据作为输入,飞灰含碳量作为输出,训练基于支持向量机的飞灰含碳量预测模型;
步骤3、利用粒子群优化算法对基于支持向量机的飞灰含碳量预测模型的模型参数进行优化;
步骤3.1、采用k折交叉验证的方式对基于支持向量机的飞灰含碳量预测模型的预测精度进行评估:将数据样本集分割为k份,保留一份作为基于支持向量机的飞灰含碳量预测模型的验证数据,用其他k-1份来训练基于支持向量机的飞灰含碳量预测模型;重复交叉验证k次,每份数据样本集验证一次,将k次的平均预测结果作为基于支持向量机的飞灰含碳量预测模型预测精度的评估值;
步骤3.2、将k折交叉验证输出指标的均方根误差值作为粒子群参数寻优的适应度指标,对步骤2中训练的基于支持向量机的飞灰含碳量预测模型的惩罚因子C和核带宽因子g进行优化;
步骤4、每更新预定数量的煤质影响参数、煤质特征参数和飞灰含碳量影响参数后,重新构造并训练基于BP神经网络的煤质预测模型和基于支持向量机的飞灰含碳量预测模型。
2.根据权利要求1所述基于煤质预测和PSO-SVM的飞灰含碳量预测方法,其特征在于:所述步骤1.2中所述煤质化验数据包括:全水分、空气干燥基水分、收到基灰分、干燥无灰基挥发分、收到基低位发热量、收到基全硫和收到基固定碳质量分数。
3.根据权利要求1所述基于煤质预测和PSO-SVM的飞灰含碳量预测方法,其特征在于:所述步骤1.3中数据预处理操作包括清除停机数据和对煤质影响参数数据进行降维处理;所述步骤2.1中数据预处理操作包括清除停机区间数据和对飞灰影响参数数据进行降维处理。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010526989.5A CN111754093B (zh) | 2020-06-11 | 2020-06-11 | 一种基于煤质预测和pso-svm的飞灰含碳量预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010526989.5A CN111754093B (zh) | 2020-06-11 | 2020-06-11 | 一种基于煤质预测和pso-svm的飞灰含碳量预测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111754093A true CN111754093A (zh) | 2020-10-09 |
CN111754093B CN111754093B (zh) | 2023-09-22 |
Family
ID=72676464
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010526989.5A Active CN111754093B (zh) | 2020-06-11 | 2020-06-11 | 一种基于煤质预测和pso-svm的飞灰含碳量预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111754093B (zh) |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112465241A (zh) * | 2020-12-03 | 2021-03-09 | 华润电力技术研究院有限公司 | 火力发电燃煤热损失预测、装置、设备及存储介质 |
CN112686422A (zh) * | 2020-12-03 | 2021-04-20 | 华润电力技术研究院有限公司 | 一种火电厂入炉煤质信息确定方法、装置、设备及介质 |
CN112884214A (zh) * | 2021-02-03 | 2021-06-01 | 华北电力大学 | 基于神经网络的飞灰含碳量预测方法、系统和可读介质 |
CN113075913A (zh) * | 2021-03-29 | 2021-07-06 | 西安热工研究院有限公司 | 基于实际煤质参数的燃煤电厂输灰系统动态节能控制方法 |
CN113358811A (zh) * | 2021-05-26 | 2021-09-07 | 中电华创电力技术研究有限公司 | 一种基于灼烧法标定的飞灰含碳量软测量方法及装置 |
CN113533622A (zh) * | 2021-07-19 | 2021-10-22 | 华能国际电力股份有限公司上海石洞口第二电厂 | 一种基于神经网络的磨煤机煤质预测方法 |
CN113836794A (zh) * | 2021-09-06 | 2021-12-24 | 武汉深维鼎测科技有限公司 | 一种软硬结合的飞灰含碳量在线监测方法 |
CN114813635A (zh) * | 2022-06-28 | 2022-07-29 | 华谱智能科技(天津)有限公司 | 煤炉燃烧参数的优化方法及电子设备 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107238546A (zh) * | 2017-06-15 | 2017-10-10 | 浙江大学 | 基于射频技术的火电厂飞灰含碳量检测装置及方法 |
CN108073763A (zh) * | 2017-12-06 | 2018-05-25 | 重庆大唐国际石柱发电有限责任公司 | 一种电站锅炉飞灰含碳量的测量方法 |
CN108760592A (zh) * | 2018-04-23 | 2018-11-06 | 西安理工大学 | 一种基于bp神经网络的飞灰含碳量在线测量方法 |
CN109992844A (zh) * | 2019-03-13 | 2019-07-09 | 上海电力学院 | 一种基于adqpso-svr模型的锅炉飞灰含碳量预测方法 |
-
2020
- 2020-06-11 CN CN202010526989.5A patent/CN111754093B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107238546A (zh) * | 2017-06-15 | 2017-10-10 | 浙江大学 | 基于射频技术的火电厂飞灰含碳量检测装置及方法 |
CN108073763A (zh) * | 2017-12-06 | 2018-05-25 | 重庆大唐国际石柱发电有限责任公司 | 一种电站锅炉飞灰含碳量的测量方法 |
CN108760592A (zh) * | 2018-04-23 | 2018-11-06 | 西安理工大学 | 一种基于bp神经网络的飞灰含碳量在线测量方法 |
CN109992844A (zh) * | 2019-03-13 | 2019-07-09 | 上海电力学院 | 一种基于adqpso-svr模型的锅炉飞灰含碳量预测方法 |
Cited By (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112465241A (zh) * | 2020-12-03 | 2021-03-09 | 华润电力技术研究院有限公司 | 火力发电燃煤热损失预测、装置、设备及存储介质 |
CN112686422A (zh) * | 2020-12-03 | 2021-04-20 | 华润电力技术研究院有限公司 | 一种火电厂入炉煤质信息确定方法、装置、设备及介质 |
CN112884214A (zh) * | 2021-02-03 | 2021-06-01 | 华北电力大学 | 基于神经网络的飞灰含碳量预测方法、系统和可读介质 |
CN113075913A (zh) * | 2021-03-29 | 2021-07-06 | 西安热工研究院有限公司 | 基于实际煤质参数的燃煤电厂输灰系统动态节能控制方法 |
CN113075913B (zh) * | 2021-03-29 | 2022-06-07 | 西安热工研究院有限公司 | 基于实际煤质参数的燃煤电厂输灰系统动态节能控制方法 |
CN113358811A (zh) * | 2021-05-26 | 2021-09-07 | 中电华创电力技术研究有限公司 | 一种基于灼烧法标定的飞灰含碳量软测量方法及装置 |
CN113533622A (zh) * | 2021-07-19 | 2021-10-22 | 华能国际电力股份有限公司上海石洞口第二电厂 | 一种基于神经网络的磨煤机煤质预测方法 |
CN113836794A (zh) * | 2021-09-06 | 2021-12-24 | 武汉深维鼎测科技有限公司 | 一种软硬结合的飞灰含碳量在线监测方法 |
CN113836794B (zh) * | 2021-09-06 | 2024-01-30 | 武汉深维鼎测科技有限公司 | 一种软硬结合的飞灰含碳量在线监测方法 |
CN114813635A (zh) * | 2022-06-28 | 2022-07-29 | 华谱智能科技(天津)有限公司 | 煤炉燃烧参数的优化方法及电子设备 |
CN114813635B (zh) * | 2022-06-28 | 2022-10-04 | 华谱智能科技(天津)有限公司 | 煤炉燃烧参数的优化方法及电子设备 |
Also Published As
Publication number | Publication date |
---|---|
CN111754093B (zh) | 2023-09-22 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111754093B (zh) | 一种基于煤质预测和pso-svm的飞灰含碳量预测方法 | |
Shi et al. | Combustion optimization of ultra supercritical boiler based on artificial intelligence | |
CN111461355B (zh) | 基于随机森林的二噁英排放浓度迁移学习预测方法 | |
CN111144609A (zh) | 一种锅炉废气排放预测模型建立方法、预测方法及装置 | |
CN109492319B (zh) | 一种火电厂锅炉烟气含氧量软测量方法 | |
CN110597070B (zh) | 火电机组系统模型参数的辨识方法 | |
CN110207094B (zh) | 基于主成分分析的iqga-svr锅炉受热面沾污特性辨识方法 | |
CN108182553B (zh) | 一种燃煤锅炉燃烧效率在线测量方法 | |
CN113627071A (zh) | 一种基于鲸鱼算法优化长短时记忆网络的燃煤锅炉nox软测量方法 | |
CN111931436A (zh) | 一种基于数值模拟与神经网络的燃烧器喷口风量预测方法 | |
CN115510904A (zh) | 基于时序预测的锅炉受热面积灰监测方法 | |
Thota et al. | Analysis of feature selection techniques for prediction of boiler efficiency in case of coal based power plant using real time data | |
CN115526433A (zh) | 一种基于集成混合模型的电厂再热烟气挡板操作预测方法 | |
CN115656461A (zh) | 一种基于煤质软测量的煤电机组实时碳排放量监测方法 | |
CN110647560B (zh) | 一种机理与类脑智能结合的电厂入炉煤质在线软测量方法 | |
CN111428906B (zh) | 一种基于图像变换的工业锅炉蒸汽量预测方法 | |
CN111091251A (zh) | 一种基于大数据技术的锅炉操作优化方法及系统 | |
CN112949054A (zh) | 一种燃煤锅炉的入炉煤热值软测量方法及系统 | |
WO2019114402A1 (zh) | 一种秸秆直燃循环流化床锅炉变负荷蒸汽压跟踪控制方法 | |
Liangyu et al. | ANN-based soft sensing of oxygen content in boiler air-flue gas system | |
CN109344561A (zh) | 一种基于相似性原理实现软测量方法 | |
Hu et al. | Soft-sensing of NOx content in power Station based on BP Neural Network, RBF Neural Network and PCA-RBF Neural Network | |
CN111860923A (zh) | 基于多模型聚类集成的锅炉烟气NOx排放量预测算法 | |
CN113515042B (zh) | 一种多模式干熄焦烧损率实时计算系统及计算方法 | |
CN114692992A (zh) | 基于lstm的电站锅炉煤灰生成量在线预测方法及系统 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |