CN112862151A - 一种裤衩腿型循环流化床锅炉机组床压预测方法 - Google Patents

一种裤衩腿型循环流化床锅炉机组床压预测方法 Download PDF

Info

Publication number
CN112862151A
CN112862151A CN202011621100.8A CN202011621100A CN112862151A CN 112862151 A CN112862151 A CN 112862151A CN 202011621100 A CN202011621100 A CN 202011621100A CN 112862151 A CN112862151 A CN 112862151A
Authority
CN
China
Prior art keywords
data
clustering
circulating fluidized
model
fluidized bed
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
Application number
CN202011621100.8A
Other languages
English (en)
Inventor
胡益章
赵冰
马立新
高明明
刘恒
孔德文
王家林
李森
苏虎
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Tianjin Development Branch Of Huadian International Power Co ltd
Original Assignee
Tianjin Development Branch Of Huadian International Power Co ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Tianjin Development Branch Of Huadian International Power Co ltd filed Critical Tianjin Development Branch Of Huadian International Power Co ltd
Priority to CN202011621100.8A priority Critical patent/CN112862151A/zh
Publication of CN112862151A publication Critical patent/CN112862151A/zh
Pending legal-status Critical Current

Links

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
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
    • G06F16/21—Design, administration or maintenance of databases
    • G06F16/215—Improving data quality; Data cleansing, e.g. de-duplication, removing invalid entries or correcting typographical errors
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
    • G06F16/24—Querying
    • G06F16/245—Query processing
    • G06F16/2457—Query processing with adaptation to user needs
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
    • G06F16/24—Querying
    • G06F16/245—Query processing
    • G06F16/2458—Special types of queries, e.g. statistical queries, fuzzy queries or distributed queries
    • G06F16/2465—Query processing support for facilitating data mining operations in structured databases
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
    • G06F16/28—Databases characterised by their database models, e.g. relational or object models
    • G06F16/284—Relational databases
    • G06F16/285—Clustering or classification
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/22—Matching criteria, e.g. proximity measures
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/23—Clustering techniques
    • G06F18/232—Non-hierarchical techniques
    • G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
    • G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
    • 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
    • G06N3/045—Combinations of networks

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Databases & Information Systems (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Software Systems (AREA)
  • Computational Linguistics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Business, Economics & Management (AREA)
  • Mathematical Physics (AREA)
  • Computing Systems (AREA)
  • Strategic Management (AREA)
  • Biomedical Technology (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Health & Medical Sciences (AREA)
  • Probability & Statistics with Applications (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Economics (AREA)
  • Quality & Reliability (AREA)
  • Human Resources & Organizations (AREA)
  • Biophysics (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Marketing (AREA)
  • Operations Research (AREA)
  • Game Theory and Decision Science (AREA)
  • Tourism & Hospitality (AREA)
  • General Business, Economics & Management (AREA)
  • Development Economics (AREA)
  • Fuzzy Systems (AREA)
  • Medical Informatics (AREA)
  • Computer Hardware Design (AREA)
  • Geometry (AREA)

Abstract

本发明涉及一种裤衩腿型循环流化床锅炉机组床压预测方法，包括以下步骤S1数据清洗：对历史数据库进行数据清洗，保证数据的可靠性，利用神经网络插补法对缺值、坏点数据进行补全，并对数据进行归一化；S2数据分析筛选：利用输入变量进行数据相关性分析，然后根据机理分析及数据相关性系数进行筛选；S3聚类处理：设定欧氏距离权重对S2中筛选后的上述输入变量进行无监督聚类，形成划分数据库以及不同数据分类；S4模型训练：对S3中每一个分类中单独进行神经网络模型的训练，形成预测模型库；S5实时预测结果：实时数据通过聚类模型进行判别，根据判别结果选择预测模型进行预测。本发明能够提高对机组床压的预测，提高机组运行稳定性和安全性。

Description

一种裤衩腿型循环流化床锅炉机组床压预测方法
技术领域
本发明属于智能发电技术领域，特别涉及一种裤衩腿型循环流化床锅炉机组床压预测方法。
背景技术
近年来，随着社会对环保要求的提升。我国新能源电力发展迅速，风电装机超越美国，居世界第一位；2019年中国新增光伏装机容量30.1GW,连续 7年位居全球第一,光伏产业出货量占据全球70％以上的份额。截至2019年，全国风光装机量已达3.9亿千瓦，位居世界第一。
但是新能源发电机组的不稳定性、间歇性以及不确定性对于电网侧的稳定运行是非常不利的。如果无法解决好系能源的这些劣势，大容量的新能源机组将很难实现并网。针对新能源发电的问题，国家提出了调峰调频的策略，来加强新能源并网的稳定性。火力发电作为我国主要的发电方式，必须支撑起调峰调频的功能作用，弥补新能源电力并网所带来的不稳定性，保证电网稳定性。针对调峰调频，传统火力发电机组存在负荷调节能力差的问题，深度调峰下的传统火电机组必须通过投油辅助炉内燃烧。同时，机组在深度调峰状态下会产生大量的污染物，不利于环境保护和可持续发展。循环流化床锅炉是一种清洁煤燃烧技术，具有以下优点：燃烧效率高、燃料适应性广泛、污染物排放少、负荷调节性能较好以及可高效综合利用资源等，已广泛应用于国内外发电和供热等工业领域。
随着技术进步，大容量循环流化床机组不断发展。然而，循环流化床大型化带来了燃烧不充分的问题，传统炉型很难保证燃烧过程中二次风的穿透能力问题，导致炉内大部分处于负氧燃烧状态，造成经济损失。为了解决这个问题，裤衩腿型锅炉由此诞生。裤衩腿锅炉虽然解决了燃烧问题，但也带来了炉型两侧物料横向运输和波动的问题。当炉膛两侧物料出现大偏差时，物料的横向转移容易形成正反馈，导致出现其中一侧物料急剧升高的现象，严重时，会造成机组停机。
因此保证炉膛两侧物料的平衡是保证机组平稳安全运行的重要前提。在裤衩腿型循环流化床机组中，单侧床压可以直接反映出单侧物料的数量，通过对床压的预测可以很直观的表现出物料的浓度状态。
裤衩腿型循环流化床锅炉的床压主要受分布在炉膛内的物料所影响，保证炉膛两侧物料的平衡在机组运行过程中是非常重要的，目前所采用的控制方式主要是根据现场测点数据进行控制，当出现床压不稳定或者翻床事故时，传统控制方式不能很及时对床压进行控制。因此，床压的不稳定容易成为机组运行中的安全隐患。若能对床压进行预测，对于机组的安全稳定运行是非常有利的，同时这也是智能发电技术中非常重要的一个环节。
发明内容
本发明为解决公知技术中存在的技术问题提供一种裤衩腿型循环流化床锅炉机组床压预测方法，通过该方法对机组床压进行预测和监控，对现场人员的操作起到指导作用，从而提高机组运行的安全性和稳定性。
本发明包括如下技术方案：
一种裤衩腿型循环流化床锅炉机组床压预测方法，包括以下步骤：
S1数据清洗：对历史数据库进行数据清洗，保证数据的可靠性，利用神经网络插补法对缺值、坏点数据进行补全，并对数据进行归一化；
S2数据分析筛选：利用输入变量进行数据相关性分析，然后根据机理分析及数据相关性系数进行筛选；
S3聚类处理：设定欧氏距离权重对S2中筛选后的上述输入变量进行无监督聚类，形成划分数据库以及不同数据分类；
S4模型训练：对S3中每一个分类中单独进行神经网络模型的训练，形成预测模型库，根据不同类别构建单独的预测模型，提高了预测准确性，减少了不同数据分布对预测精度的影响；
S5实时预测结果：实时数据通过聚类模型进行判别，根据判别结果选择预测模型进行预测。
进一步的，所述步骤中的S1中，针对单值点，神经网络插补法主要采用正常数据作为训练，利用双向LSTM模型学习前后数据的变化对缺失值、坏点数据进行填补；针对连续多值点，采用其他变量预测的方式，对该段数据进行填补，若坏点的其他变量都为坏点或缺值，则删除该时间段数据。这种双向填补方式能够充分地收集数据前后的信息，由于工业过程是一个时间连续的过程，因此采用双向LSTM模型能很好的复原数据。这种填补方式能很好地根据数据分布形式进行填充，保证了数据分布的稳定性，有利于预测模型的训练。
进一步的，所述步骤中的S1中，归一化方式采用最大最小归一化方法。最大最小归一化方法为：
Figure RE-RE-GDA0002995067160000031
其中xmin和xmax数据中的最小值和最大值；yi代表标准化之后的数据； xi表述处理之前的数据。
进一步的，所述步骤中的S2中，所述输入变量包括AGC指令，一次风风量，二次风上部风量、二次风下部风量、总燃料量、排渣量以及回料阀开度。
进一步的，所述步骤中的S2中，通过床压变化机理分析对输入变量进行第一次筛选，采用动态时间规整方法(即DTW算法)对经过机理分析所得出的变量进行二次筛选。
进一步的，所述步骤中的S3中，根据专家经验、机理分析对每个变量的欧式距离赋予相应权重，使欧式距离能更好地体现不同运行状态之间的差异。 AGC指令权重K1＝0.1875，一次风风量权重K2＝0.2186，二次风上部风量权重 K3＝0.1562，二次风下部风量权重K4＝0.1250，总燃料量权重K5＝0.1562，排渣量权重K6＝0.0625，回料阀开度权重K7＝0.0938。权重需根据具体机组进行设定。其欧式距离公式为：
Figure RE-RE-GDA0002995067160000032
其中
Figure RE-RE-GDA0002995067160000033
表示K1所对应的AGC指令，
Figure RE-RE-GDA0002995067160000034
表示K2所对应的一次风风量，
Figure RE-RE-GDA0002995067160000035
表示K3所对应的二次风上部风量，
Figure RE-RE-GDA0002995067160000036
表示K4所对应的二次风下部风量，
Figure RE-RE-GDA0002995067160000037
表示K5所对应的总燃料量，
Figure RE-RE-GDA0002995067160000038
表示K6所对应的排渣量，
Figure RE-RE-GDA0002995067160000039
表示K7所对应的回料阀开度。
进一步的，所述步骤中的S3中，所述聚类采用K-means聚类方法且该方法中距离d采用带权重的欧氏距离。利用带权值的欧式距离公式能更好地展现出不同工况下的数据差异性，更符合实际工程应用。
进一步的，所述步骤中的S4中，采用LSTM算法模型对每一类数据进行预测模型的构建。
进一步的，所述步骤S3中用于聚类的数据采用大间隔数据。
进一步的，模型训练阶段采用30s作为间隔对历史数据进行聚类，选择一个完整工况周期作为聚类范围；实际进行预测时采用1s作为数据间隔，对实时数据采用在线输入的方式。
本发明具有的优点和积极效果：
(1)针对裤衩腿型循环流化床锅炉机组床压进行预测，起到对机组参数进行智能监测的目的，减少翻床事故的发生，为电厂智能监测技术、智能发电技术提供可能。
(2)通过机理分析及专家经验构建欧氏距离权重，利用构建的欧式距离对数据进行K-means聚类,将不同锅炉运行状态进行区别，针对不同机组设置不同的权重，具有更强的推广性和普适性。
(3)根据聚类结果，针对每一类数据建立预测模型，提高了预测精度，也减少了由于数据分布不同所导致的预测偏差。
(4)本发明采取外挂服务器的方式进行实现，不涉及原有控制系统改造，不会造成运行稳定性恶化的情况，安全性高。
(5)能有效对床压进行预测，实现对炉膛床压的智能监测，能够在一定时间范围内对运行人员操作进行反馈，有利于安全稳定运行。为后续智能监盘技术，智能预警技术奠定基础。
附图说明
图1是本发明的床压预测方法框架图。
图2是LSTM网络结构图。
具体实施方式
为能进一步公开本发明的发明内容、特点及功效，特例举以下实例并结合附图详细说明如下。
实施例：参阅附图1，一种裤衩腿型循环流化床锅炉机组床压预测方法，包括以下步骤：
S1数据清洗：对历史数据库进行数据清洗，保证数据的可靠性，利用神经网络插补法对缺值、坏点数据进行补全，并对数据进行归一化；归一化方式采用最大最小归一化方法。最大最小归一化方法为：
Figure RE-RE-GDA0002995067160000051
其中 xmin和xmax数据中的最小值和最大值；yi代表标准化之后的数据；xi表述处理之前的数据。
针对单值点，神经网络插补法主要采用正常数据作为训练，利用双向 LSTM模型学习前后数据的变化对缺失值、坏点数据进行填补；针对连续多值点，采用其他变量预测的方式，对该段数据进行填补，若坏点的其他变量都为坏点或缺值，则删除该时间段数据。这种填补方式能很好地根据数据分布形式进行填充，保证了数据分布的稳定性，有利于预测模型的训练。
双向LSTM模型本质上是由两个LSTM模型组成，一个模型处理正向数据，另一个模型处理逆向数据。针对本发明，当需要对单值数据进行填补时，使用数据前4组数据作为正向LSTM模型的输入，使用数据后4组最为逆行 LSTM模型的输入，最终结果为两个模型的平均值。这种双向填补方式能够充分地收集数据前后的信息，由于工业过程是一个时间连续的过程，因此采用双向LSTM模型能很好的复原数据。
S2数据分析筛选：利用输入变量进行数据相关性分析，然后根据机理分析及数据相关性系数进行筛选；所述输入变量包括AGC指令，一次风风量，二次风上部风量、二次风下部风量、总燃料量、排渣量以及回料阀开度。
床压变化可以直接反映炉膛内部物料的变化。以单侧物料变化为例，单侧物料受给煤，排渣，物料横向流动量，飞灰，回料量的影响，其中，飞灰主要受煤质影响。物料横向流动主要由密相区横向气体压力梯度推动乳化相产生；其次，在稀相区也受横向压差的影响。因此一次风，二次风上部、下部都是对横向物料流动有影响的变量。同时AGC指令决定了炉膛的负荷调度目标，能一定程度上表示未来时刻的信息。综上所述，经过机理分析，选择给煤量，排渣，回料量以及一次风，二次风上部及下部的相关测点作为候选变量。通过床压变化机理分析对输入变量进行第一次筛选，采用动态时间规整方法(即DTW算法)对经过机理分析所得出的变量进行二次筛选。
两个变量之间的相似度可以由DTW计算，DTW算法通过在距离矩阵Dn×m中找到最短距离路径。两个变量之间的相似性由路径上的距离之和来表征。 DTW致力于寻找一条连续的路径H＝{h1,h2,...,hs}，使得路径中所有元素的和最小，同时满足三个必要条件，包括边界限制、连续性和单调性。最优路径(H)是通过执行动态规划来搜索的，在距离矩阵Dn×m的基础上构造成本矩阵Dc(也称为累积矩阵)，以记录从起点到终点的最短路径，主要通过以下步骤获得:
1)路径的第一行第一列的元素是距离矩阵Dn×m第一行第一列的元素。
2)位于其他位置的元素的值(Dc(i,j))将通过以下公式逐步计算:
Dc(i,j)＝Min(Dc(i-1,j-1),Dc(i-1,j),Dc(i,j-1))+Dn×m(i,j)
DTW算法从距离矩阵的第一行第一列的元素开始，在距离矩阵的最后一行,最后一列结束。路径上最后一个变量的值即为两个变量之间的相似度。
为了在工业过程中实现DTW算法，本发明中利用趋势性将算法中的距离计算进行简化。步骤如下：
1)将数据变量进行趋势化，利用上升、稳定，下降来表征数据的变化，并用+1、0、-1表示。
2)用以下公式代替距离公式：
Figure RE-RE-GDA0002995067160000061
其中oi，oj分别表示两个变量的趋势值。
以某发电厂330MW循环流化床机组为例，对其变量进行DTW相关性分析，分析结果如表1所示。数据取自稳定状态下的1000组数据，根据现场专家经验设定阈值，对变量进行二次筛选。
S3聚类处理：设定欧氏距离权重对S2中筛选后的上述输入变量进行无监督聚类，形成划分数据库以及不同数据分类；所述聚类采用K-means聚类方法K-means聚类方法主要包含以下步骤：
1)聚类初始化k个不同的中心点{μ(1),μ(2),μ(3),…,μ(k),}
2)聚类，每个训练样本分配到最近的中心点μ(i)所代表的聚类i。
3)更新聚类中心，将每一个中心点μ(i)更新为聚类i中所有训练样本x(i)的平均值。
4)重复步骤2)到步骤3)直到所有中心点μ(i)不再更新。
在本方法中，距离d采用带权重的欧氏距离，其公式为：
Figure RE-RE-GDA0002995067160000071
其中
Figure RE-RE-GDA0002995067160000072
表示K1所对应的AGC指令，
Figure RE-RE-GDA0002995067160000073
表示K2所对应的一次风风量，
Figure RE-RE-GDA0002995067160000074
表示K3所对应的二次风上部风量，
Figure RE-RE-GDA0002995067160000075
表示K4所对应的二次风下部风量，
Figure RE-RE-GDA0002995067160000076
表示K5所对应的总燃料量，
Figure RE-RE-GDA0002995067160000077
表示K6所对应的排渣量，
Figure RE-RE-GDA0002995067160000078
表示K7所对应的回料阀开度。利用带权值的欧式距离公式能更好地展现出不同工况下的数据差异性，更符合实际工程应用。
根据专家经验、机理分析对每个变量的欧式距离赋予相应权重，使欧式距离能更好地体现不同运行状态之间的差异。AGC指令权重K1＝0.1875，一次风风量权重K2＝0.2186，二次风上部风量权重K3＝0.1562，二次风下部风量权重K4＝0.1250，总燃料量权重K5＝0.1562，排渣量权重K6＝0.0625，回料阀开度权重K7＝0.0938。权重需根据具体机组进行设定。
S4模型训练：对S3中每一个分类中单独进行神经网络模型的训练，形成预测模型库，根据不同类别构建单独的预测模型，提高了预测准确性，减少了不同数据分布对预测精度的影响；采用LSTM算法模型对每一类数据进行预测模型的构建。LSTM网络结构如图2所示。LSTM网络中的数据运算可以表达为如下公式：
it＝σ(Wixt+Uiht-1+bi)
ft＝σ(Wfxt+Ufht-1+bf)
ot＝σ(Woxt+Uoht-1+bo)
Figure RE-RE-GDA0002995067160000079
Figure RE-RE-GDA00029950671600000710
ht＝ot×tanh(ct)
其中xt表示网络输入；ht-1表示网络上一时刻的输出；ct表示当前时刻的细胞状态；ot表示当前时刻的输出门向量；ft表示遗忘门向量；it表示当前时刻的输入门向量；
Figure RE-RE-GDA00029950671600000711
表示新的候选细胞状态；W和U均为权值,b表示为偏置值；σ为sigmoid激活函数，表达式为
Figure RE-RE-GDA0002995067160000081
tanh激活函数表达式为
Figure RE-RE-GDA0002995067160000082
细胞状态ct是循环神经网络的核心，将细胞状态储存下来，这样一来模型的输出将考虑本身的状态及输入数据，而不是仅仅只考虑输入数据。遗忘门的设定避免了传统循环神经网络中出现的长期依赖的问题，神经网络模型往往会忽视比较远的数据。
S5实时预测结果：实时数据通过聚类模型进行判别，根据判别结果选择预测模型进行预测。
数据取样间隔选择：由于机组运行的状态转换不是瞬间进行的，因此所述步骤S3中用于聚类的数据采用大间隔数据。在本发明中，模型训练阶段采用30s作为间隔对历史数据进行聚类，选择一个完整工况周期作为聚类范围；实际进行预测时采用1s作为数据间隔，对实时数据采用在线输入的方式。
聚类时采用大间隔数据，减少了运算量，避免了短间隔的突变数据点对聚类效果的影响。实际实施时采用在线传输数据的方式，迅速的反映床压的变化趋势。
尽管上面对本发明的优选实施例进行了描述，但是本发明并不局限于上述的具体实施方式，上述的具体实施方式仅仅是示意性的，并不是限制性的，本领域的普通技术人员在本发明的启示下，在不脱离本发明宗旨和权利要求所保护的范围情况下，还可以作出很多形式。这些均属于本发明的保护范围之内。
表1是DTW相关系数表：
Figure RE-RE-GDA0002995067160000083
Figure RE-RE-GDA0002995067160000091
表1

Claims (10)

1.一种裤衩腿型循环流化床锅炉机组床压预测方法，其特征在于，包括以下步骤：
S1数据清洗：对历史数据库进行数据清洗，保证数据的可靠性，利用神经网络插补法对缺值、坏点数据进行补全，并对数据进行归一化；
S2数据分析筛选：利用输入变量进行数据相关性分析，然后根据机理分析及数据相关性系数进行筛选；
S3聚类处理：设定欧氏距离权重对S2中筛选后的上述输入变量进行无监督聚类，形成划分数据库以及不同数据分类；
S4模型训练：对S3中每一个分类中单独进行神经网络模型的训练，形成预测模型库；
S5实时预测结果：实时数据通过聚类模型进行判别，根据判别结果选择预测模型进行预测。
2.根据权利要求1所述的裤衩腿型循环流化床锅炉机组床压预测方法，其特征在于：所述步骤中的S1中，针对单值点，神经网络插补法主要采用正常数据作为训练，利用双向LSTM模型学习前后数据的变化对缺失值、坏点数据进行填补；针对连续多值点，采用其他变量预测的方式，对该段数据进行填补，若坏点的其他变量都为坏点或缺值，则删除该时间段数据。
3.根据权利要求1所述的裤衩腿型循环流化床锅炉机组床压预测方法，其特征在于：所述步骤中的S1中，归一化方式采用最大最小归一化方法。最大最小归一化方法为：
Figure FDA0002878391170000011
其中xmin和xmax数据中的最小值和最大值；yi代表标准化之后的数据；xi表述处理之前的数据。
4.根据权利要求1所述的裤衩腿型循环流化床锅炉机组床压预测方法，其特征在于：所述步骤中的S2中，所述输入变量包括AGC指令，一次风风量，二次风上部风量、二次风下部风量、总燃料量、排渣量以及回料阀开度。
5.根据权利要求1所述的裤衩腿型循环流化床锅炉机组床压预测方法，其特征在于：所述步骤中的S2中，通过床压变化机理分析对输入变量进行第一次筛选，采用动态时间规整方法(即DTW算法)对经过机理分析所得出的变量进行二次筛选。
6.根据权利要求1所述的裤衩腿型循环流化床锅炉机组床压预测方法，其特征在于：所述步骤中的S3中，根据专家经验、机理分析对每个变量的欧式距离赋予相应权重。
7.根据权利要求1所述的裤衩腿型循环流化床锅炉机组床压预测方法，其特征在于：所述步骤中的S3中，所述聚类采用K-means聚类方法且该方法中距离d采用带权重的欧氏距离。
8.根据权利要求1所述的裤衩腿型循环流化床锅炉机组床压预测方法，其特征在于：所述步骤中的S4中，采用LSTM算法模型对每一类数据进行预测模型的构建。
9.根据权利要求1-8任一所述的裤衩腿型循环流化床锅炉机组床压预测方法，其特征在于：所述步骤S3中用于聚类的数据采用大间隔数据。
10.根据权利要求9所述的裤衩腿型循环流化床锅炉机组床压预测方法，其特征在于：模型训练阶段采用30s作为间隔对历史数据进行聚类，选择一个完整工况周期作为聚类范围；实际进行预测时采用1s作为数据间隔，对实时数据采用在线输入的方式。
CN202011621100.8A 2020-12-31 2020-12-31 一种裤衩腿型循环流化床锅炉机组床压预测方法 Pending CN112862151A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011621100.8A CN112862151A (zh) 2020-12-31 2020-12-31 一种裤衩腿型循环流化床锅炉机组床压预测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011621100.8A CN112862151A (zh) 2020-12-31 2020-12-31 一种裤衩腿型循环流化床锅炉机组床压预测方法

Publications (1)

Publication Number Publication Date
CN112862151A true CN112862151A (zh) 2021-05-28

Family

ID=75999134

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011621100.8A Pending CN112862151A (zh) 2020-12-31 2020-12-31 一种裤衩腿型循环流化床锅炉机组床压预测方法

Country Status (1)

Country Link
CN (1) CN112862151A (zh)

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109814523A (zh) * 2018-12-04 2019-05-28 合肥工业大学 基于cnn-lstm深度学习方法及多属性时序数据的故障诊断方法
CN110263846A (zh) * 2019-06-18 2019-09-20 华北电力大学 基于故障数据深度挖掘及学习的故障诊断方法
CN112150209A (zh) * 2020-06-19 2020-12-29 南京理工大学 一种基于聚类中心的cnn-lstm时序预测模型的构建方法

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109814523A (zh) * 2018-12-04 2019-05-28 合肥工业大学 基于cnn-lstm深度学习方法及多属性时序数据的故障诊断方法
CN110263846A (zh) * 2019-06-18 2019-09-20 华北电力大学 基于故障数据深度挖掘及学习的故障诊断方法
CN112150209A (zh) * 2020-06-19 2020-12-29 南京理工大学 一种基于聚类中心的cnn-lstm时序预测模型的构建方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
FENG HONG ET.AL.: "Time Series Risk Prediction Based on LSTM and a Variant DTW Algorithm: Application of Bed Inventory Overturn Prevention in a Pant-Leg CFB Boiler", 《IEEE》 *
HTTPS://BLOG.CSDN.NET/OY_1024/ARTICLE/DETAILS/108132470: "分类、聚类模型", 《CSDN》 *

Similar Documents

Publication Publication Date Title
CN111353656B (zh) 一种基于生产计划的钢铁企业氧气负荷预测方法
CN107016455B (zh) 循环流化床生活垃圾焚烧锅炉炉膛出口烟气含氧量的预测系统及方法
CN105864797B (zh) 循环流化床生活垃圾焚烧锅炉入炉热值实时预测系统及方法
CN104534507B (zh) 一种锅炉燃烧优化控制方法
Lv et al. A dynamic model for the bed temperature prediction of circulating fluidized bed boilers based on least squares support vector machine with real operational data
CN106224939B (zh) 循环流化床生活垃圾焚烧锅炉床温预测方法及系统
CN112036633B (zh) 一种基于水库生态发电多目标中长期随机调度模型的优化调度方法
US20200219027A1 (en) Knowledge transfer-based modeling method for blast furnace gas scheduling systems
CN106650944B (zh) 一种基于知识的冶金企业转炉煤气调度方法
CN112947672B (zh) 一种光伏电池最大功率点跟踪方法及装置
CN110400018B (zh) 用于燃煤火力电厂制粉系统的运行控制方法、系统和装置
CN113408962A (zh) 一种电网多时间尺度多目标能量优化调度方法
CN112215464A (zh) 一种多工况下高炉煤气的预测平衡调度系统
CN115111601A (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
CN113255982A (zh) 一种风光水互补系统中长期优化调度方法
CN108734419B (zh) 一种基于知识迁移的高炉煤气调度系统建模方法
Zhang et al. Research on a TOPSIS energy efficiency evaluation system for crude oil gathering and transportation systems based on a GA-BP neural network
CN112862151A (zh) 一种裤衩腿型循环流化床锅炉机组床压预测方法
CN116127345B (zh) 基于深度聚类生成对抗网络的转炉炼钢工艺模式设计方法
CN113836819B (zh) 一种基于时序关注的床温预测方法
Fang et al. Data‐driven control for combustion process of circulating fluidised bed boiler
CN113887130B (zh) 一种基于集成学习的工业锅炉运行优化方法
Jin et al. A causal model-based scheduling approach for coke oven gas system in steel industry
Cai et al. Autonomous Decision Control of Start-Stop Timing for Coal Mills
CN118070713B (zh) 数值模拟与人工神经网络相耦合的焦化过程实时模拟方法

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
RJ01 Rejection of invention patent application after publication

Application publication date: 20210528

RJ01 Rejection of invention patent application after publication