CN112232373A - 一种锅炉飞灰含碳量预测方法及系统 - Google Patents
一种锅炉飞灰含碳量预测方法及系统 Download PDFInfo
- Publication number
- CN112232373A CN112232373A CN202010991225.3A CN202010991225A CN112232373A CN 112232373 A CN112232373 A CN 112232373A CN 202010991225 A CN202010991225 A CN 202010991225A CN 112232373 A CN112232373 A CN 112232373A
- Authority
- CN
- China
- Prior art keywords
- boiler
- fly ash
- carbon content
- model
- 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.)
- Pending
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- 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
- G06N3/044—Recurrent networks, e.g. Hopfield 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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/049—Temporal neural networks, e.g. delay elements, oscillating neurons or pulsed inputs
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computational Linguistics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Evolutionary Biology (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Regulation And Control Of Combustion (AREA)
Abstract
本发明公开了一种锅炉飞灰含碳量预测方法及系统,包括:获取锅炉运行的历史数据集并标准化,将标准数据集作为样本点;将标准数据集输入线性回归模型,对应输出烟气飞灰含碳量,训练获得线性回归模型;将标准数据集与获取的烟气飞灰含碳量特征输入XGBoost模型,对应输出烟气飞灰含碳量,获得初始XGBoost预测模型,对初始XGBoost模型进行参数调优,获取最佳XGBoost预测模型;将标准数据集输入递归神经网络,对应输出烟气飞灰含碳量,训练获取初始神经网络模型,对初始神经网络进行参数优化,获取最佳递归神经网络。将得到三个模型的输出进行线性回归得到融合模型,用于对锅炉产生的烟气飞灰含碳量进行预测,提高了飞灰含碳量排放浓度的预测精度。
Description
技术领域
本发明属于锅炉飞灰含碳量控制技术领域,更具体地,涉及一种锅炉飞灰含碳量预测方法及系统。
背景技术
国家对于环境保护的要求日益提高,这种要求促进了对相关企业电厂锅炉烟气排放的要求不断提高,引发了针对锅炉氮氧化物和飞灰含碳量等排放物的相关技术研究。目前控制飞灰含碳量排放的技术核心在于关于锅炉出口飞灰含碳量的预测模型研究,相关建模方法已经进行了许多年,但是仍然只是对于负荷稳定的情况下,能够获得较佳的飞灰含碳量预测精确度,变工况情况下,对锅炉出口飞灰含碳量的预测精度仍然较低。
降低飞灰含碳量,不仅对控制锅炉煤粉气流的燃烧非常必要,且可大大提高锅炉机组的经济性,从而降低锅炉烟尘排放量,减少环境污染。由于锅炉复杂的运行情况,难以直接根据原理对锅炉进行建模,这些年,大量学者在统计学习理论和机器学习理论投入了大量的精力,这两门学科得到了飞速的发展。同时,开始有学者利用统计学习理论和机器学习理论来进行锅炉烟气排放物建模的研究。
发明内容
针对现有技术的缺陷,本发明的目的在于提供一种锅炉飞灰含碳量预测方法及系统,旨在解决现有技术对锅炉出口飞灰含碳量的预测精度仍然较低的技术问题。
为实现上述目的,第一方面,本发明提供一种锅炉飞灰含碳量预测方法,包括如下步骤:
基于锅炉运行的历史数据训练线性回归模型,所述线性回归模型用于预测锅炉飞灰的含碳量;所述锅炉运行的历史数据包括:各个时刻下锅炉机组历史负荷、锅炉燃烧的煤种、锅炉的给煤量、锅炉的氧含量、锅炉的温度以及锅炉的风量等;锅炉飞灰的含碳量由锅炉运行的数据决定;
基于所述锅炉运行的历史数据和训练好的线性回归模型预测的锅炉飞灰含碳量训练XGBoost模型;
基于所述锅炉运行的历史数据训练递归神经网络模型;所述XGBoost模型和递归神经网络模型均用于预测锅炉飞灰的含碳量;
将训练好的线性回归模型、训练好的XGBoost模型以及训练好的递归神经网络模型作为三个基模型,对三个模型分别基于锅炉运行的历史数据预测的锅炉飞灰含碳量进行Lasso回归得到最优的锅炉飞灰含碳量的预测结果,并基于最优的锅炉飞灰含碳量的预测结果对所述三个基模型进行优化整合,得到整合后的飞灰含碳量预测融合模型;
将当前时刻锅炉运行的数据输入到整合后的飞灰含碳量预测融合模型,以预测未来时刻的锅炉飞灰含碳量。
在一个可选的实施例中,所述锅炉运行的历史数据,具体通过如下步骤获取:
采集锅炉运行过程中的历史数据,得到无噪声且无异常点的锅炉运行数据集;其中,若有锅炉运行的数据丢失,则对缺失值进行处理,依据缺失值前后数据点的均值进行填充;若有锅炉运行的数据异常,则对异常值进行筛选和处理,依据箱线图法的准则对数据集进行筛选,将异常值利用缺失值的方式来处理,依据异常值前后数据点的均值来进行替换;对锅炉运行的历史数据进行小波软阈去噪,采用极大极小阈值作为估计阈值来对数据进行去噪;
对无噪声且无异常点的锅炉运行数据进行标准化处理,消除不同时刻的锅炉运行数据之间的量纲差别,得到量纲统一的锅炉运行数据,作为最终的锅炉运行的历史数据。
在一个可选的实施例中,所述基于锅炉运行的历史数据训练线性回归模型,具体包括:
将锅炉运行的历史数据输入到线性回归模型,使其预测锅炉飞灰含碳量;
基于锅炉运行的历史数据确定实际的锅炉飞灰含碳量;
通过对线性回归模型预测的锅炉飞灰含碳量和实际的锅炉飞灰含碳量交叉验证,优化所述线性回归模型,直至得到最佳的线性回归模型。
在一个可选的实施例中,所述基于所述锅炉运行的历史数据和训练好的线性回归模型预测的锅炉飞灰含碳量训练,具体包括:
将锅炉运行的历史数据和训练好的线性回归模型预测的锅炉烟气飞灰含碳量输入到XGBoost模型,使其预测锅炉飞灰含碳量;
通过对XGBoost模型预测的锅炉飞灰含碳量和实际的锅炉飞灰含碳量验证,优化所述XGBoost模型,直至得到最佳的XGBoost模型。
在一个可选的实施例中,所述基于所述锅炉运行的历史数据训练递归神经网络模型,具体包括:
将锅炉运行的历史数据输入到递归神经网络模型,使其预测锅炉飞灰含碳量;
根据不同的锅炉特性,测试确定合适的时间步长,以及每一次训练的样本量大小,来保证递归神经网络模型的性能最优;
通过对递归神经网络模型预测的锅炉飞灰含碳量和实际的锅炉飞灰含碳量验证,优化所述递归神经网络模型,直至得到最佳的递归神经网络模型。
第二方面,本发明提供一种锅炉飞灰含碳量预测系统,包括:
线性回归模型训练单元,用于基于锅炉运行的历史数据训练线性回归模型,所述线性回归模型用于预测锅炉飞灰的含碳量;所述锅炉运行的历史数据包括:各个时刻下锅炉机组历史负荷、锅炉燃烧的煤种、锅炉的给煤量、锅炉的氧含量、锅炉的温度以及锅炉的风量等51种参数;锅炉飞灰的含碳量由锅炉运行的数据决定;
XGBoost模型训练单元,用于基于所述锅炉运行的历史数据和训练好的线性回归模型预测的锅炉飞灰含碳量训练XGBoost模型;
递归神经网络模型训练单元,用于基于所述锅炉运行的历史数据训练递归神经网络模型;所述XGBoost模型和递归神经网络模型均用于预测锅炉飞灰的含碳量;
飞灰含碳量模型确定单元,用于将训练好的线性回归模型、训练好的XGBoost模型以及训练好的递归神经网络模型作为三个基模型,对三个模型分别基于锅炉运行的历史数据预测的锅炉飞灰含碳量进行Lasso回归得到最优的锅炉飞灰含碳量的预测结果,并基于最优的锅炉飞灰含碳量的预测结果对所述三个基模型进行优化整合,得到整合后的飞灰含碳量预测融合模型;
锅炉飞灰含碳量预测单元,用于将当前时刻锅炉运行的数据输入到整合后的飞灰含碳量预测融合模型,以预测未来时刻的锅炉飞灰含碳量。
在一个可选的实施例中,该锅炉飞灰含碳量预测系统还包括:
锅炉运行数据集采集单元,用于采集锅炉运行过程中的数据,得到无噪声且无异常点的锅炉运行数据,并形成标准数据集;其中,若有锅炉运行的数据丢失,则对缺失值进行处理,依据缺失值前后数据点的均值进行填充;若有锅炉运行的数据异常,则对异常值进行筛选和处理,依据箱线图法的准则对数据集进行筛选,将异常值利用缺失值的方式来处理,依据异常值前后数据点的均值来进行替换;对锅炉运行的历史数据进行小波软阈去噪,采用极大极小阈值作为估计阈值来对数据进行去噪;以及对无噪声且无异常点的锅炉运行数据进行标准化处理,消除不同时刻的锅炉运行数据之间的量纲差别,得到量纲统一的锅炉运行数据,作为最终的锅炉运行的历史数据。
在一个可选的实施例中,所述线性回归模型训练单元,用于将锅炉运行的历史数据输入到线性回归模型,使其预测锅炉飞灰含碳量;基于锅炉运行的历史数据确定实际的锅炉飞灰含碳量;以及通过对线性回归模型预测的锅炉飞灰含碳量和实际的锅炉飞灰含碳量交叉验证,优化所述线性回归模型,直至得到最佳的线性回归模型。
在一个可选的实施例中,所述XGBoost模型训练单元用于将锅炉运行的历史数据和训练好的线性回归模型预测的锅炉烟气飞灰含碳量输入到XGBoost模型,使其预测锅炉飞灰含碳量;以及通过对XGBoost模型预测的锅炉飞灰含碳量和实际的锅炉飞灰含碳量验证,优化所述XGBoost模型,直至得到最佳的XGBoost模型。
在一个可选的实施例中,所述递归神经网络模型训练单元用于将锅炉运行的历史数据输入到递归神经网络模型,使其预测锅炉飞灰含碳量;根据不同的锅炉特性,测试确定合适的时间步长,以及每一次训练的样本量大小,来保证递归神经网络模型的性能最优;以及通过对递归神经网络模型预测的锅炉飞灰含碳量和实际的锅炉飞灰含碳量验证,优化所述递归神经网络模型,直至得到最佳的递归神经网络模型。
总体而言,通过本发明所构思的以上技术方案与现有技术相比,具有以下有益效果:
本发明提供一种锅炉飞灰含碳量预测方法及系统,本发明采用机器学习、神经网络等人工智能技术进行锅炉飞灰含碳量的预测。针对目前电厂锅炉NOx和飞灰含碳量排放在变工况下预测精度不高的问题,采取了采用多个不同的模型进行融合的方法,设计了一种可以在变工况下预测精度较高的算法模型,能够满足工业上电厂的实际需求。
附图说明
图1是本发明实施例提供的锅炉飞灰含碳量预测方法流程图;
图2是本发明实施例提供的线性回归模型、XGBoost模型、神经网络模型以及Lasso模型的融合架构图;
图3是本发明实施例提供的锅炉飞灰含碳量预测系统架构图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本发明进行进一步详细说明。应当理解,此处所描述的具体实施例仅仅用以解释本发明,并不用于限定本发明。此外,下面所描述的本发明各个实施方式中所涉及到的技术特征只要彼此之间未构成冲突就可以相互组合。
本发明提供了一种基于多模型融合算法的飞灰含碳量预测方法。本发明技术方案针对目前的电厂锅炉飞灰含碳量在面对变工况情况下,飞灰含碳量预测准确率不高的情况,采用将线性回归模型、XGBoost模型、递归神经网络模型、Lasso模型进行模型融合的预测方式,并对单个模型进行优化,提高了飞灰含碳量预测的精度。
图1是本发明实施例提供的锅炉飞灰含碳量预测方法流程图;如图1所示,包括如下步骤:
S110,基于锅炉运行的历史数据训练线性回归模型,所述线性回归模型用于预测锅炉飞灰的含碳量;所述锅炉运行的历史数据包括:各个时刻下锅炉机组历史负荷、锅炉燃烧的煤种、锅炉的给煤量、锅炉的氧含量、锅炉的温度以及锅炉的风量等;锅炉飞灰的含碳量由锅炉运行的数据决定;
S120,基于所述锅炉运行的历史数据和训练好的线性回归模型预测的锅炉飞灰含碳量训练XGBoost模型;
S130,基于所述锅炉运行的历史数据训练递归神经网络模型;所述XGBoost模型和递归神经网络模型均用于预测锅炉飞灰的含碳量;
S140,将训练好的线性回归模型、训练好的XGBoost模型以及训练好的递归神经网络模型作为三个基模型,对三个模型分别基于锅炉运行的历史数据预测的锅炉飞灰含碳量进行Lasso回归得到最优的锅炉飞灰含碳量的预测结果,并基于最优的锅炉飞灰含碳量的预测结果对所述三个基模型进行优化整合,得到整合后的飞灰含碳量预测融合模型;
S150,将当前时刻锅炉运行的数据输入到整合后的飞灰含碳量预测融合模型,以预测未来时刻的锅炉飞灰含碳量。
在一个更具体的实施例中,为了实现上述目的,按照本发明的一个方面,提供了一种基于多模型融合的飞灰含碳量预测方法,包括:
S1、对电厂分散控制DCS系统采集到的原始数据进行处理,得到无噪声无异常点的初始数据集;
S2、对初始数据集中的数据进行标准化处理,消除不同数据之间的量纲差别,获取标准数据集作为样本点;
S3、将标准数据集输入线性回归模型,对应输出训练获得的线性回归预测结果P1,并对初始线性回归模型进行参数调优,获取最佳线性回归预测模型;
S4、将标准数据集与S3获取的烟气飞灰含碳量预测结果P1整体输入XGBoost模型,对应输出烟气飞灰含碳量预测结果P2,并对初始XGBoost模型进行参数调优,获取最佳XGBoost预测模型;
S5、将标准数据集输入递归神经网络,对应输出烟气飞灰含碳量预测结果P3,训练获取初始神经网络模型,对初始神经网络进行参数优化,获取最佳递归神经网络;
S6、将得到的线性回归模型、XGBoost模型、神经网络三者作为基模型,对其三者的输出结果P1、P2、P3进行Lasso回归得到最优预测结果,并优化整合获得融合模型,用于对锅炉飞灰含碳量进行预测。
具体地,步骤S1原始数据集的处理包括:
S11、对缺失值进行处理,依据缺失值前后数据点的均值进行填充;
S12、对异常值进行筛选和处理,依据箱线图法的准则对数据集进行筛选,将异常值利用缺失值的方式来处理,依据异常值前后数据点的均值来进行替换;
S13、进行小波软阈去噪,采用极大极小阈值作为阈值估计作为软阈值法的估计阈值来对数据进行去噪。
具体地,步骤S2中所述标准化处理包括:
S21、采用z-score对数据集中的特征数据进行标准化处理,消除数据之间的量纲差别,获取算法模型的输入特征数据;
S22、对于飞灰含碳量取对数,获取经过标准化处理的目标值,作为算法模型的输出特征数据。
具体地,步骤S3包括:
S31、将数据集的特征数据输入到线性回归模型,控制输出对应的烟气飞灰含碳量值;
S32、通过交叉验证来获取最佳的线性回归模型。
具体地,步骤S4包括:
S41、将数据集的特征数据输入到XGBoost模型,控制输出对应的烟气飞灰含碳量值;
S42、对XGBoost模型的参数进行调优,选取网格调参法,来选择最佳的XGBoost预测模型。
具体地,步骤S5包括:
S51、选取长短时记忆递归神经网络作为初始网络预测模型,将数据集特征输入神经网络,控制输出对应的烟气飞灰含碳量;
S52、根据不同的锅炉特性,测试确定合适的时间步长,以及每一次训练的Batch_Size大小,来保证神经网络模型具有较低的计算开销和预测精度。
具体地,步骤S6包括:
S61、将S3、S4、S5得到的算法模型进行融合,并保存其训练集的预测结果;
S62、将S61保存下来的结果作为特征数据,原始数据的飞灰含碳量作为目标值,输入Lasso模型中进行回归,得到最终的烟气飞灰含碳量预测值。
按照本发明的另一个方面,提供一种基于多模型融合的烟气飞灰含碳量预测系统,包括:
数据采集模块,用于对电厂DCS系统的采集数据进行预处理,包括对其异常值的处理,以及采用小波软阈去噪处理数据,生成高品质的初始数据集;
数据标准化模块,用于对初始数据集中的数据进行标准化处理,消除不同数据之间的量纲差别,形成标准数据集作为样本点;
训练模块,用于将数据集特征输入到不同的算法模型,对应输出烟气飞灰含碳量,训练获得3个不同的预测模型;
优化模块,用于对3个预测模型进行参数优化,分别得到各自的最优预测模型;
融合模块,将3个优化的预测模型进行融合,获得最佳的飞灰含碳量预测模型,实现电厂的飞灰含碳量预测。
本实施例对本发明技术方案中的飞灰含碳量预测方法进行了具体说明。本发明技术方案的方法,主要针对锅炉变工况下的锅炉出口飞灰含碳量的浓度预测。现有的许多研究方法只能针对稳态工况下,对于飞灰含碳量的预测精度较高,对于变工况下的,原本对于稳态工况下具有较好预测效果的模型误差就会发生较大的偏差。针对这个问题,本实施例中根据数据集特征采用多种原理相差较大的模型进行预测,最后将各自的预测结果进行融合建模,同时为了进一步提高预测结果的准确性,还对本实施例涉及到的算法模型进行了优化。
本实施例中的飞灰含碳量预测方法包括下列步骤:
第一步:在电厂锅炉运行过程中,对锅炉采集的原始数据进行预处理。由于锅炉燃烧波动且数据采集的环境差,原始数据及不可避免的存在误差或者不理想,需要对其进行预处理,以使得数据集符合模型训练的要求。本实施例中,原始数据集的预处理包括:数据集错误值、异常值的处理,以及利用小波软阈去噪来降低数据集中的噪声。
由于数据集中包括的特征属性多种多样,如广州某电厂数据集中的特征值达51种,每个特征属性表达的含义也各不相同,因此需要针对不同的特征属性做不同的处理。本实施例中,锅炉煤种名称就是以数值形式存在,但是这一类数据在进行异常值筛选的时候,将被过滤掉。这是由于本实施例采用的箱线图法在全局上对数据进行统计分析时,会导致这一特征值出现误删的情况。因此要单独对其进行处理。
上述处理将原始数据集转化为初始数据集,每个初始数据集的特征属性和数据格式都是一致的。
第二步:对初始数据集中的数据进行标准化处理,将初始数据集转化为标准数据集,来消除特征之间的量纲影响。数据的标准化包括了输入特征数据的标准化以及目标值的标准化。本实施例中,对原始数据进行标准化是为了有效提升模型训练的速度以及模型的预测精度。本实施例中选择z-score标准化方式,其标准化公式如下:
z=(x-μ)/σ (1)
其中μ为所有样本数据的均值,σ为所有样本数据的标准差,x为样本值。
本实施例中待预测目标值是烟气飞灰含碳量,优选采用log1p函数标准化方式,其公式如下:
y=log(x+1) (2)
其中,x为目标值,y为标准化后的目标值。
第三步:将标准数据集输入到线性回归模型,对应输出烟气飞灰含碳量,训练获得线性回归模型。
第四步:将标准数据集以及线性回归模型预测得到的烟气飞灰含碳量作为新的特征数据输入到XGBoost模型进行训练,由于XGBoost模型的参数较多,因此选择网格搜索(GridSearchCV)来进行自动调参,来选取出效果最好的参数。
第五步:将标准数据集的特征数据输入到递归神经网络中进行训练,本实施例中,选择使用长短时间记忆神经网络来进行训练。
进一步地,对长短时间记忆神经网络进行参数优化。本实施例中,优选进一步对神经网络的时间步长进行优化,由于变工况下,锅炉燃烧不具有周期性质的规律变化,因此,采用试凑法通过对比不同的时间步长来选出近似的最优时间步长。
结合以上步骤方法,如图2所示为本实施例中线性回归模型、XGBoost模型、神经网络模型、Lasso模型的融合架构图。
总而言之,本实施例中将锅炉DCS系统中的采集数据作为原始数据集,首先进行数据预处理,来得到去除噪声以及异常值的数据,将处理得到的标准数据集输入到本实施案例中的多模型融合方法中进行训练,从而实现变工况下的烟气飞灰含碳量预测。
图3是本发明实施例提供的锅炉飞灰含碳量预测系统架构图,如图3所示,包括:
线性回归模型训练单元310,用于基于锅炉运行的历史数据训练线性回归模型,所述线性回归模型用于预测锅炉飞灰的含碳量;所述锅炉运行的历史数据包括:各个时刻下锅炉机组历史负荷、锅炉燃烧的煤种、锅炉的给煤量、锅炉的氧含量、锅炉的温度以及锅炉的风量等;锅炉飞灰的含碳量由锅炉运行的数据决定;
XGBoost模型训练单元320,用于基于所述锅炉运行的历史数据和训练好的线性回归模型预测的锅炉飞灰含碳量训练XGBoost模型;
递归神经网络模型训练单元330,用于基于所述锅炉运行的历史数据训练递归神经网络模型;所述XGBoost模型和递归神经网络模型均用于预测锅炉飞灰的含碳量;
飞灰含碳量模型确定单元340,用于将训练好的线性回归模型、训练好的XGBoost模型以及训练好的递归神经网络模型作为三个基模型,对三个模型分别基于锅炉运行的历史数据预测的锅炉飞灰含碳量进行Lasso回归得到最优的锅炉飞灰含碳量的预测结果,并基于最优的锅炉飞灰含碳量的预测结果对所述三个基模型进行优化整合,得到整合后的飞灰含碳量预测融合模型;
锅炉飞灰含碳量预测单元350,用于将当前时刻锅炉运行的数据输入到整合后的飞灰含碳量预测模型,以预测未来时刻的锅炉飞灰含碳量。
锅炉运行数据集采集单元360,用于采集锅炉运行过程中的历史数据,得到无噪声且无异常点的锅炉运行数据;其中,若有锅炉运行的数据丢失,则对缺失值进行处理,依据缺失值前后数据点的均值进行填充;若有锅炉运行的数据异常,则对异常值进行筛选和处理,依据箱线图法的准则对数据集进行筛选,将异常值利用缺失值的方式来处理,依据异常值前后数据点的均值来进行替换;对锅炉运行的历史数据进行小波软阈去噪,采用极大极小阈值作为估计阈值来对数据进行去噪;以及对无噪声且无异常点的锅炉运行数据进行标准化处理,消除不同时刻的锅炉运行数据之间的量纲差别,得到量纲统一的锅炉运行数据,作为最终的锅炉运行的历史数据,用于对模型进行训练和测试。
可以理解的是,图3中各个单元的功能可参见前述方法实施例中的详细介绍,在此不做赘述。
本发明方法公开一种用于锅炉变工况下烟气飞灰含碳量的预测方法及系统,包括:对于电厂DCS系统采集到的原始数据进行处理,得到无噪声无异常点的初始数据集;对初始数据集中的数据进行标准化处理,消除不同数据之间的量纲差别,获取标准数据集作为样本点,并划分为训练集和测试集;将标准数据集输入线性回归模型,对应输出烟气飞灰含碳量,训练获得线性回归模型;将标准数据集与获取的烟气飞灰含碳量特征输入XGBoost模型,对应输出烟气飞灰含碳量,获得初始XGBoost预测模型,对初始XGBoost模型进行参数调优,获取最佳XGBoost预测模型;将标准数据集输入递归神经网络,对应输出烟气飞灰含碳量,训练获取初始神经网络模型,对初始神经网络进行参数优化,获取最佳递归神经网络。将得到的线性回归模型、XGBoost模型、神经网络三者的输出进行线性回归得到融合模型,用于对锅炉产生的烟气飞灰含碳量进行预测,提高了飞灰含碳量排放浓度的预测精度。
本领域的技术人员容易理解,以上所述仅为本发明的较佳实施例而已,并不用以限制本发明,凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等,均应包含在本发明的保护范围之内。
Claims (10)
1.一种锅炉飞灰含碳量预测方法,其特征在于,包括如下步骤:
基于锅炉运行的历史数据训练线性回归模型,所述线性回归模型用于预测锅炉飞灰的含碳量;所述锅炉运行的历史数据包括:各个时刻下锅炉机组历史负荷、锅炉燃烧的煤种、锅炉的给煤量、锅炉的氧含量、锅炉的温度以及锅炉的风量;锅炉飞灰的含碳量由锅炉运行的数据决定;
基于所述锅炉运行的历史数据和训练好的线性回归模型预测的锅炉飞灰含碳量训练XGBoost模型;
基于所述锅炉运行的历史数据训练递归神经网络模型;所述XGBoost模型和递归神经网络模型均用于预测锅炉飞灰的含碳量;
将训练好的线性回归模型、训练好的XGBoost模型以及训练好的递归神经网络模型作为三个基模型,对三个模型分别基于锅炉运行的历史数据预测的锅炉飞灰含碳量进行Lasso回归得到最优的锅炉飞灰含碳量的预测结果,并基于最优的锅炉飞灰含碳量的预测结果对所述三个基模型进行优化整合,得到整合后的飞灰含碳量预测融合模型;
将当前时刻锅炉运行的数据输入到整合后的飞灰含碳量预测融合模型,以预测未来时刻的锅炉飞灰含碳量。
2.根据权利要求1所述的锅炉飞灰含碳量预测方法,其特征在于,所述锅炉运行的历史数据,具体通过如下步骤获取:
采集锅炉运行过程中的历史数据,得到无噪声且无异常点的锅炉运行数据;其中,若有锅炉运行的数据丢失,则对缺失值进行处理,依据缺失值前后数据点的均值进行填充;若有锅炉运行的数据异常,则对异常值进行筛选和处理,依据箱线图法的准则对数据集进行筛选,将异常值利用缺失值的方式来处理,依据异常值前后数据点的均值来进行替换;对锅炉运行的历史数据进行小波软阈去噪,采用极大极小阈值作为估计阈值来对数据进行去噪;
对无噪声且无异常点的锅炉运行数据进行标准化处理,消除不同时刻的锅炉运行数据之间的量纲差别,得到量纲统一的锅炉运行数据,作为最终的锅炉运行的历史数据,即形成标准数据集。
3.根据权利要求1或2所述的锅炉飞灰含碳量预测方法,其特征在于,所述基于锅炉运行的历史数据训练线性回归模型,具体包括:
将锅炉运行的历史数据输入到线性回归模型,使其预测锅炉飞灰含碳量;
基于锅炉运行的历史数据确定实际的锅炉飞灰含碳量;
通过对线性回归模型预测的锅炉飞灰含碳量和实际的锅炉飞灰含碳量交叉验证,优化所述线性回归模型,直至得到最佳的线性回归模型。
4.根据权利要求1或2所述的锅炉飞灰含碳量预测方法,其特征在于,所述基于所述锅炉运行的历史数据和训练好的线性回归模型预测的锅炉飞灰含碳量训练,具体包括:
将锅炉运行的历史数据和训练好的线性回归模型预测的锅炉烟气飞灰含碳量输入到XGBoost模型,使其预测锅炉飞灰含碳量;
通过对XGBoost模型预测的锅炉飞灰含碳量和实际的锅炉飞灰含碳量验证,优化所述XGBoost模型,直至得到最佳的XGBoost模型。
5.根据权利要求1或2所述的锅炉飞灰含碳量预测方法,其特征在于,所述基于所述锅炉运行的历史数据训练递归神经网络模型,具体包括:
将锅炉运行的历史数据输入到递归神经网络模型,使其预测锅炉飞灰含碳量;
根据不同的锅炉特性,测试确定合适的时间步长,以及每一次训练的样本量大小,来保证递归神经网络模型的性能最优;
通过对递归神经网络模型预测的锅炉飞灰含碳量和实际的锅炉飞灰含碳量验证,优化所述递归神经网络模型,直至得到最佳的递归神经网络模型。
6.一种锅炉飞灰含碳量预测系统,其特征在于,包括:
线性回归模型训练单元,用于基于锅炉运行的历史数据训练线性回归模型,所述线性回归模型用于预测锅炉飞灰的含碳量;所述锅炉运行的历史数据包括:各个时刻下锅炉机组历史负荷、锅炉燃烧的煤种、锅炉的给煤量、锅炉的氧含量、锅炉的温度以及锅炉的风量;锅炉飞灰的含碳量由锅炉运行的数据决定;
XGBoost模型训练单元,用于基于所述锅炉运行的历史数据和训练好的线性回归模型预测的锅炉飞灰含碳量训练XGBoost模型;
递归神经网络模型训练单元,用于基于所述锅炉运行的历史数据训练递归神经网络模型;所述XGBoost模型和递归神经网络模型均用于预测锅炉飞灰的含碳量;
飞灰含碳量模型确定单元,用于将训练好的线性回归模型、训练好的XGBoost模型以及训练好的递归神经网络模型作为三个基模型,对三个模型分别基于锅炉运行的历史数据预测的锅炉飞灰含碳量进行Lasso回归得到最优的锅炉飞灰含碳量的预测结果,并基于最优的锅炉飞灰含碳量的预测结果对所述三个基模型进行优化整合,得到整合后的飞灰含碳量预测融合模型;
锅炉飞灰含碳量预测单元,用于将当前时刻锅炉运行的数据输入到整合后的飞灰含碳量预测融合模型,以预测未来时刻的锅炉飞灰含碳量。
7.根据权利要求6所述的锅炉飞灰含碳量预测系统,其特征在于,还包括:
锅炉运行数据集采集单元,用于采集锅炉运行过程中的数据,得到无噪声且无异常点的锅炉运行数据,并进行处理后形成标准数据集;其中,若有锅炉运行的数据丢失,则对缺失值进行处理,依据缺失值前后数据点的均值进行填充;若有锅炉运行的数据异常,则对异常值进行筛选和处理,依据箱线图法的准则对数据集进行筛选,将异常值利用缺失值的方式来处理,依据异常值前后数据点的均值来进行替换;对锅炉运行的历史数据进行小波软阈去噪,采用极大极小阈值作为估计阈值来对数据进行去噪;以及对无噪声且无异常点的锅炉运行数据进行标准化处理,消除不同时刻的锅炉运行数据之间的量纲差别,得到量纲统一的锅炉运行数据,作为最终的锅炉运行的历史数据。
8.根据权利要求6或7所述的锅炉飞灰含碳量预测系统,其特征在于,所述线性回归模型训练单元,用于将锅炉运行的历史数据输入到线性回归模型,使其预测锅炉飞灰含碳量;基于锅炉运行的历史数据确定实际的锅炉飞灰含碳量;以及通过对线性回归模型预测的锅炉飞灰含碳量和实际的锅炉飞灰含碳量交叉验证,优化所述线性回归模型,直至得到最佳的线性回归模型。
9.根据权利要求6或7所述的锅炉飞灰含碳量预测系统,其特征在于,所述XGBoost模型训练单元用于将锅炉运行的历史数据和训练好的线性回归模型预测的锅炉烟气飞灰含碳量输入到XGBoost模型,使其预测锅炉飞灰含碳量;以及通过对XGBoost模型预测的锅炉飞灰含碳量和实际的锅炉飞灰含碳量验证,优化所述XGBoost模型,直至得到最佳的XGBoost模型。
10.根据权利要求6或7所述的锅炉飞灰含碳量预测系统,其特征在于,所述递归神经网络模型训练单元用于将锅炉运行的历史数据输入到递归神经网络模型,使其预测锅炉飞灰含碳量;根据不同的锅炉特性,测试确定合适的时间步长,以及每一次训练的样本大小,来保证递归神经网络模型的性能最优;以及通过对递归神经网络模型预测的锅炉飞灰含碳量和实际的锅炉飞灰含碳量验证,优化所述递归神经网络模型,直至得到最佳的递归神经网络模型。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010991225.3A CN112232373A (zh) | 2020-09-20 | 2020-09-20 | 一种锅炉飞灰含碳量预测方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010991225.3A CN112232373A (zh) | 2020-09-20 | 2020-09-20 | 一种锅炉飞灰含碳量预测方法及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112232373A true CN112232373A (zh) | 2021-01-15 |
Family
ID=74107012
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010991225.3A Pending CN112232373A (zh) | 2020-09-20 | 2020-09-20 | 一种锅炉飞灰含碳量预测方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112232373A (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113506184A (zh) * | 2021-04-19 | 2021-10-15 | 国网河北省电力有限公司电力科学研究院 | 一种基于台区数据进行的配变负荷预测方法及系统 |
CN113743540A (zh) * | 2021-11-04 | 2021-12-03 | 华能(天津)煤气化发电有限公司 | 一种基于多模型融合Stacking算法的煤质熔点预测方法 |
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 |
CN115062834A (zh) * | 2022-06-09 | 2022-09-16 | 佛山众陶联供应链服务有限公司 | 基于正交试验筛选Lasso回归预测烧成曲线的方法 |
-
2020
- 2020-09-20 CN CN202010991225.3A patent/CN112232373A/zh active Pending
Non-Patent Citations (1)
Title |
---|
李元浩: "基于神经网络的电站锅炉NOx排放预测方法研究", 《CNKI硕士电子期刊》 * |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113506184A (zh) * | 2021-04-19 | 2021-10-15 | 国网河北省电力有限公司电力科学研究院 | 一种基于台区数据进行的配变负荷预测方法及系统 |
CN113743540A (zh) * | 2021-11-04 | 2021-12-03 | 华能(天津)煤气化发电有限公司 | 一种基于多模型融合Stacking算法的煤质熔点预测方法 |
CN113743540B (zh) * | 2021-11-04 | 2022-02-18 | 华能(天津)煤气化发电有限公司 | 一种基于多模型融合Stacking算法的煤质熔点预测方法 |
CN115062834A (zh) * | 2022-06-09 | 2022-09-16 | 佛山众陶联供应链服务有限公司 | 基于正交试验筛选Lasso回归预测烧成曲线的方法 |
CN115062834B (zh) * | 2022-06-09 | 2022-12-27 | 佛山众陶联供应链服务有限公司 | 基于正交试验筛选Lasso回归预测烧成曲线的方法 |
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 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112232373A (zh) | 一种锅炉飞灰含碳量预测方法及系统 | |
CN104534507B (zh) | 一种锅炉燃烧优化控制方法 | |
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 | |
CN111754093B (zh) | 一种基于煤质预测和pso-svm的飞灰含碳量预测方法 | |
CN113469449B (zh) | 脱硫系统的寻优控制方法及系统 | |
CN108985381B (zh) | 氮氧化物排放量预测模型的确定方法、装置及设备 | |
CN111077869A (zh) | 一种大数据智能控制布袋除尘器优化控制方法及系统 | |
CN113051744A (zh) | 一种区域大气污染调控方案的评估系统及其评估方法 | |
CN111476422A (zh) | 一种基于机器学习框架下LightGBM的建筑冷负荷预测方法 | |
CN111522290A (zh) | 一种基于深度学习方法的脱硝控制方法和系统 | |
CN106442470A (zh) | 一种基于激光诱导击穿光谱和遗传神经网络的煤质特性定量分析方法 | |
CN115111601B (zh) | 多变负荷下内嵌算法融合的多目标锅炉燃烧优化控制方法 | |
CN114721263B (zh) | 基于机器学习和智能优化算法的水泥分解炉智慧调控方法 | |
CN117150677A (zh) | 一种电除尘器选型参数的确定方法及装置 | |
CN117634678A (zh) | 基于实际运行场景的低碳园区碳排放预测方法 | |
CN117829342A (zh) | 基于改进随机森林算法的燃煤电厂氮氧化物排放预测方法 | |
CN114021819B (zh) | 基于分数阶灰色延时模型的火电厂氮氧化物含量预测方法 | |
CN113742989B (zh) | 燃烧优化控制方法、装置、存储介质及电子设备 | |
CN109506248B (zh) | 一种基于可在线寻优的案例推理锅炉燃烧优化方法 | |
CN112328707A (zh) | 基于电厂实时数据的运行操作动作识别方法 | |
CN112699600B (zh) | 火电运行参数与NOx排放浓度间的偏回分析方法 | |
CN110633917A (zh) | 基于电力大数据的新能源政策实施效果综合评价方法 | |
CN111860923A (zh) | 基于多模型聚类集成的锅炉烟气NOx排放量预测算法 | |
CN115146833B (zh) | 一种锅炉氮氧化物生成浓度的预测方法 | |
CN117809763B (zh) | 一种基于自适应更新策略的在线NOx预测方法和系统 |
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 | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20210115 |
|
WD01 | Invention patent application deemed withdrawn after publication |