CN113468738B - 基于knn的双重迭代燃煤热值修正算法 - Google Patents

Abstract

本发明公开了基于KNN的双重迭代燃煤热值修正算法，通过初次K近邻分类运算、第二次K近邻分类运算，结合最小二乘拟合曲线法，综合考虑燃煤的非自身特征，如机组运行的环境温度、湿度、背压等，计算得到热值衡量系数K_mn，并转换为热值修正系数Q，建立K临近分类优化模块与机组DCS系统建立的通讯，将热值修正系数Q返回至锅炉主控，实现对煤质的特征、规律地进行时域预测及修正。

Description

基于KNN的双重迭代燃煤热值修正算法

技术领域

本发明涉及燃煤技术领域，具体为基于KNN的双重迭代燃煤热值修正算法。

背景技术

当煤的热值偏离设计热值后，将实测煤量修正至对应设计热值的修正煤量即热值修正。传统热值修正以主蒸汽流量或机组负荷作为燃煤能量输出的表征信号，热值修正的判据为锅炉指令对应的理论主蒸汽流量或理论机组负荷与相应实际值的偏差，锅炉指令对应的理论值和实际值不匹配时，热值修正改变热值修正系数，间接改变了燃料量，直至两者相匹配。传统热值修正过程中只是单一通过锅炉指令对应的理论主蒸汽流量或理论机组负荷与相应实际值的偏差进行修正，存在以下问题：

1)无法基于大数据、统计学对系统进行全面、综合分析；

2)未对机组一年四季燃煤热值的变化规律进行综合考虑，修正不具备代表性、预测性；

3)传统采取的修正方法通过运行人员干预辅助实现，没有系统性的软件代码、优化模块从数据采集、数据分类、数据分析、数据计算、数据优化等自主、动态给出优化结果。

基于此，本发明设计了基于KNN的双重迭代燃煤热值修正算法，以解决上述提到的问题。

发明内容

本发明的目的在于提供基于KNN的双重迭代燃煤热值修正算法，通过初次K近邻分类运算、第二次K近邻分类运算，结合最小二乘拟合曲线法，综合考虑燃煤的非自身特征，如机组运行的环境温度、湿度、背压等，计算得到热值衡量系数K_mn，并转换为热值修正系数Q，建立K临近分类优化模块与机组DCS系统建立的通讯，将热值修正系数Q返回至锅炉主控，实现对煤质的特征、规律地进行时域预测及修正。

为实现上述目的，本发明提供如下技术方案：基于KNN的双重迭代燃煤热值修正算法，具体包括以下步骤：

S1：建立机组DCS系统数据库与K临近分类优化模块的数据通信通道，实现DCS实时数据与优化模块的双向通信功能；

S2：基于K临近分类算法原则，通过MATLAB编程第一次K分类算法，编译运行准确后进行封装，命名函数f₁(x)待后续进行函数调用；

S3：基于K临近分类算法原则，通过MATLAB编程第二次K分类算法，编译运行准确后进行封装，命名函数f₂(x)待后续进行函数调用；

S4：通过步骤S1建立的K临近分类优化模块与DCS系统数据库的双向通讯通道，基于大数据采集机组负荷、实际燃煤量、主蒸汽压力，编辑程序实现数据过滤与筛选，保留主蒸汽压力在±0.1MPa偏差内的机组负荷、实际燃煤量，供后续计算；

S5：将步骤S4中主蒸汽压力在±0.1MPa偏差内的机组负荷、实际燃煤量传递至第一次K分类算法、第二次K分类算法，调用函数f₁(x)、f₂(x)，计算当前热值衡量系数K_mn；

S6：根据步骤S5的热值衡量系数K_mn，换算热值修正系数Q；

S7：将基于KNN的双重迭代燃煤热值修正算法优化模块给出的当前机组热值修正系数Q返回至DCS锅炉主控当中，对机组热值修正系数进行在线、动态修正。

优选的，所述主蒸汽压力在±0.1MPa偏差内的机组负荷为P_mn、实际燃煤量C_mn，两者比值

量化反映机组目前热值水平，根据机组运行数据将δ₁至δ₉进行如下分段并分别在k₁至k₉9个系列区间内进行初次迭代运算，用集合关系表示为：

k₁＝{δ₁|0.6≤δ_mn＜0.9}

k₂＝{δ₂|0.9≤δ_mn＜1.1}

k₃＝{δ₃|1.1≤δ_mn＜1.3}

k₄＝{δ₄|1.3≤δ_mn＜1.5}

k₅＝{δ₅|1.5≤δ_mn＜1.7}

k₆＝{δ₆|1.7≤δ_mn＜1.9}

k₇＝{δ₇|1.9≤δ_mn＜2.1}

k₈＝{δ₈|2.1≤δ_mn＜2.3}

k₉＝{δ₉|2.3≤δ_mn＜2.6}。

优选的，在k₁至k₉9个系列区间基础上对每个区域内的热值系数k_i进行第二次迭代运算，函数关系记作f₂(x)，再将这9个系列分别分类划分10个标本点，进一步细化分类采集样本值，即，再次将每个区域的k_i分为k_i0、k_i1···k_i9；

对于k_i0、k_i1···k_i9用矩阵分别表示：

k_1i＝[k₁₀ k₁₁ k₁₂ k₁₃ k₁₄ k₁₅ k₁₆ k₁₇ k₁₈ k₁₉]

k_2i＝[k₂₀ k₂₁ k₂₂ k₂₃ k₂₄ k₂₅ k₂₆ k₂₇ k₂₈ k₂₉]

k_3i＝[k₃₀ k₃₁ k₃₂ k₃₃ k₃₄ k₃₅ k₃₆ k₃₇ k₃₈ k₃₉]

k_4i＝[k₄₀ k₄₁ k₄₂ k₄₃ k₄₄ k₄₅ k₄₆ k₄₇ k₄₈ k₄₉]

k_5i＝[k₅₀ k₅₁ k₅₂ k₅₃ k₅₄ k₅₅ k₅₆ k₅₇ k₅₈ k₅₉]

k_6i＝[k₆₀ k₆₁ k₆₂ k₆₃ k₆₄ k₆₅ k₆₆ k₆₇ k₆₈ k₆₉]

k_7i＝[k₇₀ k₇₁ k₇₂ k₇₃ k₇₄ k₇₅ k₇₆ k₇₇ k₇₈ k₇₉]

k_8i＝[k₈₀ k₈₁ k₈₂ k₈₃ k₈₄ k₈₅ k₈₆ k₈₇ k₈₈ k₈₉]

k_9i＝[k₉₀ k₉₁ k₉₂ k₉₃ k₉₄ k₉₅ k₉₆ k₉₇ k₉₈ k₉₉]；

则k_i0、k_i1···k_i9用一个矩阵K_mn表示为：

优选的，根据K临近分类原则，对采集样本进行分类，δ_mn用矩阵表示为：

由于

即：

优选的，将δ_mn输入K临近分类优化模块，通过函数f₁(x)、f₂(x)分别进行初次K临近分类迭代、二次K临近分类迭代，二重迭代完成后，K临近分类优化模块计算给出最终当前运行工况下机组最适宜的热值修正系数K_mn。

优选的，热值修正系数Q与热值衡量系数K_mn存在关系如下：

与现有技术相比，本发明的有益效果是：

a)基于大数据及统计学思想，通过初次K近邻分类运算、第二次K近邻分类运算，双重细化分类，对燃烧系统进行全面、综合分析；

b)考虑相同煤量下所带负荷能力为强、适中、弱三个等级，给出不同最小二乘法拟合曲线，区别给出不同区域、不同带负荷工况下的标本点；

c)综合考虑机组一年四季燃煤热值的变化规律，对煤质的特征、规律地进行时域预测，实现对煤质更精确、超前地预测控制；

d)克服传统修正方法通过运行人员干预辅助实现的缺点，经过系统性的软件代码、优化模块从数据采集、数据分类、数据分析、数据计算、数据优化等综合运算后自主、动态给出优化结果。

具体实施方式

下面对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其它实施例，都属于本发明保护的范围。

本发明提供一种技术方案：基于KNN的双重迭代燃煤热值修正算法，具体包括以下步骤：

S1：建立机组DCS系统数据库与K临近分类优化模块的数据通信通道，实现DCS实时数据与优化模块的双向通信功能；

S2：基于K临近分类算法原则，通过MATLAB编程第一次K分类算法，编译运行准确后进行封装，命名函数f₁(x)待后续进行函数调用；

S3：基于K临近分类算法原则，通过MATLAB编程第二次K分类算法，编译运行准确后进行封装，命名函数f₂(x)待后续进行函数调用；

S4：通过步骤S1建立的K临近分类优化模块与DCS系统数据库的双向通讯通道，基于大数据采集机组负荷、实际燃煤量、主蒸汽压力，编辑程序实现数据过滤与筛选，保留主蒸汽压力在±0.1MPa偏差内的机组负荷、实际燃煤量，供后续计算；

S5：将步骤S4中主蒸汽压力在±0.1MPa偏差内的机组负荷、实际燃煤量传递至第一次K分类算法、第二次K分类算法，调用函数f₁(x)、f₂(x)，计算当前热值衡量系数K_mn；

S6：根据步骤S5的热值衡量系数K_mn，换算热值修正系数Q；

S7：将基于KNN的双重迭代燃煤热值修正算法优化模块给出的当前机组热值修正系数Q返回至DCS锅炉主控当中，对机组热值修正系数进行在线、动态修正。

下面通过理论计算机分析介绍基于KNN的双重迭代燃煤热值修正算法：

1)初次K临近分类迭代。纵观机组燃烧特性发现，短时期内燃煤热值波动不明显，随着季节交替、是否处于供热期或负荷高峰期的变化才出现较大变化，一个周期内燃煤的热值必定在最小值与最大值之间进行波动，基于此进行第一次热值修正算法迭代，函数关系记作f₁(x)：

此处定义负荷为P_mn，煤量C_mn，选择稳定工况下，主蒸汽压力在±0.1MPa偏差内的机组负荷为P_mn、实际燃煤量C_mn，两者比值

量化反映机组目前热值水平，根据机组运行数据将δ₁至δ₉进行如下分段并分别在k₁至k₉9个系列区间内进行初次迭代运算，用集合关系表示为：

k₁＝{δ₁|0.6≤δ_mn＜0.9}

k₂＝{δ₂|0.9≤δ_mn＜1.1}

k₃＝{δ₃|1.1≤δ_mn＜1.3}

k₄＝{δ₄|1.3≤δ_mn＜1.5}

k₅＝{δ₅|1.5≤δ_mn＜1.7}

k₆＝{δ₆|1.7≤δ_mn＜1.9}

k₇＝{δ₇|1.9≤δ_mn＜2.1}

k₈＝{δ₈|2.1≤δ_mn＜2.3}

k₉＝{δ₉|2.3≤δ_mn＜2.6}。

2)二次K临近分类迭代。在初次K临近分类迭代运算中，分为k₁至k₉9个系列区间，为了进一步精确、更具代表性地对样本进行分类，在k₁至k₉9个系列区间基础上对每个区域内的热值系数k_i进行第二次迭代运算，函数关系记作f₂(x)，再将这9个系列分别分类划分10个标本点，进一步细化分类采集样本值，即，再次将每个区域的k_i分为k_i0、k_i1···k_i9；

对于k_i0、k_i1···k_i9用矩阵分别表示：

k_1i＝[k₁₀ k₁₁ k₁₂ k₁₃ k₁₄ k₁₅ k₁₆ k₁₇ k₁₈ k₁₉]

k_2i＝[k₂₀ k₂₁ k₂₂ k₂₃ k₂₄ k₂₅ k₂₆ k₂₇ k₂₈ k₂₉]

k_3i＝[k₃₀ k₃₁ k₃₂ k₃₃ k₃₄ k₃₅ k₃₆ k₃₇ k₃₈ k₃₉]

k_4i＝[k₄₀ k₄₁ k₄₂ k₄₃ k₄₄ k₄₅ k₄₆ k₄₇ k₄₈ k₄₉]

k_5i＝[k₅₀ k₅₁ k₅₂ k₅₃ k₅₄ k₅₅ k₅₆ k₅₇ k₅₈ k₅₉]

k_6i＝[k₆₀ k₆₁ k₆₂ k₆₃ k₆₄ k₆₅ k₆₆ k₆₇ k₆₈ k₆₉]

k_7i＝[k₇₀ k₇₁ k₇₂ k₇₃ k₇₄ k₇₅ k₇₆ k₇₇ k₇₈ k₇₉]

k_8i＝[k₈₀ k₈₁ k₈₂ k₈₃ k₈₄ k₈₅ k₈₆ k₈₇ k₈₈ k₈₉]

k_9i＝[k₉₀ k₉₁ k₉₂ k₉₃ k₉₄ k₉₅ k₉₆ k₉₇ k₉₈ k₉₉]；

则k_i0、k_i1···k_i9用一个矩阵K_mn表示为：

3)根据K临近分类原则，对采集样本进行分类。从DCS采集的功率P、煤量C样本点，表示为P_mn、C_mn，两者经过比值运算后赋予δ_mn，δ_mn用矩阵表示为：

由于

即：

将δ_mn输入K临近分类优化模块，通过函数f₁(x)、f₂(x)分别进行初次K临近分类迭代、二次K临近分类迭代，二重迭代完成后，K临近分类优化模块计算给出最终当前运行工况下机组最适宜的热值修正系数K_mn。

4)根据第三步的热值衡量系数，换算热值修正系数。对热值衡量系数分析可知，热值衡量系数越大说明相同煤量下所带负荷能力越强，相反则同煤量下所带负荷能力越弱。据此，经过数据仿真及拟合，可以得出热值修正系数Q与热值衡量系数K_mn存在关系如下：

5)通过K临近分类优化模块与机组DCS系统建立的通讯，将K临近分类优化模块给出的当前机组热值修正系数Q返回至DCS锅炉主控当中，对机组热值修正系数进行在线、动态修正。

基于KNN的双重迭代燃煤热值修正算法，通过初次K近邻分类运算、第二次K近邻分类运算，结合最小二乘拟合曲线法，综合考虑燃煤的非自身特征，如机组运行的环境温度、湿度、背压等，计算得到热值衡量系数K_mn，并转换为热值修正系数Q，建立K临近分类优化模块与机组DCS系统建立的通讯，将热值修正系数Q返回至锅炉主控，实现对煤质的特征、规律地进行时域预测及修正。

在本说明书的描述中，参考术语“一个实施例”、“示例”、“具体示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不一定指的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。

以上公开的本发明优选实施例只是用于帮助阐述本发明。优选实施例并没有详尽叙述所有的细节，也不限制该发明仅为所述的具体实施方式。显然，根据本说明书的内容，可作很多的修改和变化。本说明书选取并具体描述这些实施例，是为了更好地解释本发明的原理和实际应用，从而使所属技术领域技术人员能很好地理解和利用本发明。本发明仅受权利要求书及其全部范围和等效物的限制。

Claims (3)

1.基于KNN的双重迭代燃煤热值修正算法，其特征在于：具体包括以下步骤：

S1：建立机组DCS系统数据库与K临近分类优化模块的数据通信通道，实现DCS实时数据与优化模块的双向通信功能；

S2：基于K临近分类算法原则，通过MATLAB编程第一次K分类算法，编译运行准确后进行封装，命名函数f₁(x)待后续进行函数调用；

S3：基于K临近分类算法原则，通过MATLAB编程第二次K分类算法，编译运行准确后进行封装，命名函数f₂(x)待后续进行函数调用；

S4：通过步骤S1建立的K临近分类优化模块与DCS系统数据库的双向通讯通道，基于大数据采集机组负荷、实际燃煤量、主蒸汽压力，编辑程序实现数据过滤与筛选，保留主蒸汽压力在±0.1MPa偏差内的机组负荷、实际燃煤量，供后续计算；

S5：将步骤S4中主蒸汽压力在±0.1MPa偏差内的机组负荷、实际燃煤量传递至第一次K分类算法、第二次K分类算法，调用函数f₁(x)、f₂(x)，计算当前热值衡量系数K_mn；

S6：根据步骤S5的热值衡量系数K_mn，换算热值修正系数Q；

S7：将基于KNN的双重迭代燃煤热值修正算法优化模块给出的当前机组热值修正系数Q返回至DCS锅炉主控当中，对机组热值修正系数进行在线、动态修正；

所述主蒸汽压力在±0.1MPa偏差内的机组负荷为P_mn、实际燃煤量C_mn，两者比值

量化反映机组目前热值水平，根据机组运行数据将δ₁至δ₉进行如下分段并分别在k₁至k₉9个系列区间内进行初次迭代运算，用集合关系表示为：

k₁＝{δ₁|0.6≤δ_mn＜0.9}

k₂＝{δ₂|0.9≤δ_mn＜1.1}

k₃＝{δ₃|1.1≤δ_mn＜1.3}

k₄＝{δ₄|1.3≤δ_mn＜1.5}

k₅＝{δ₅|1.5≤δ_mn＜1.7}

k₆＝{δ₆|1.7≤δ_mn＜1.9}

k₇＝{δ₇|1.9≤δ_mn＜2.1}

k₈＝{δ₈|2.1≤δ_mn＜2.3}

k₉＝{δ₉|2.3≤δ_mn＜2.6}；

在k₁至k₉9个系列区间基础上对每个区域内的热值系数k_i进行第二次迭代运算，函数关系记作f₂(x)，再将这9个系列分别分类划分10个标本点，进一步细化分类采集样本值，即，再次将每个区域的k_i分为k_i0、k_i1···k_i9；

对于k_i0、k_i1···k_i9用矩阵分别表示：

k_1i＝[k₁₀ k₁₁ k₁₂ k₁₃ k₁₄ k₁₅ k₁₆ k₁₇ k₁₈ k₁₉]

k_2i＝[k₂₀ k₂₁ k₂₂ k₂₃ k₂₄ k₂₅ k₂₆ k₂₇ k₂₈ k₂₉]

k_3i＝[k₃₀ k₃₁ k₃₂ k₃₃ k₃₄ k₃₅ k₃₆ k₃₇ k₃₈ k₃₉]

k_4i＝[k₄₀ k₄₁ k₄₂ k₄₃ k₄₄ k₄₅ k₄₆ k₄₇ k₄₈ k₄₉]

k_5i＝[k₅₀ k₅₁ k₅₂ k₅₃ k₅₄ k₅₅ k₅₆ k₅₇ k₅₈ k₅₉]

k_6i＝[k₆₀ k₆₁ k₆₂ k₆₃ k₆₄ k₆₅ k₆₆ k₆₇ k₆₈ k₆₉]

k_7i＝[k₇₀ k₇₁ k₇₂ k₇₃ k₇₄ k₇₅ k₇₆ k₇₇ k₇₈ k₇₉]

k_8i＝[k₈₀ k₈₁ k₈₂ k₈₃ k₈₄ k₈₅ k₈₆ k₈₇ k₈₈ k₈₉]

k_9i＝[k₉₀ k₉₁ k₉₂ k₉₃ k₉₄ k₉₅ k₉₆ k₉₇ k₉₈ k₉₉]；

则k_i0、k_i1···k_i9用一个矩阵K_mn表示为：

根据K临近分类原则，对采集样本进行分类，δ_mn用矩阵表示为：

由于

即：

2.根据权利要求1所述的基于KNN的双重迭代燃煤热值修正算法，其特征在于：将δ_mn输入K临近分类优化模块，通过函数f₁(x)、f₂(x)分别进行初次K临近分类迭代、二次K临近分类迭代，二重迭代完成后，K临近分类优化模块计算给出最终当前运行工况下机组最适宜的热值衡量系数K_mn。

3.根据权利要求1所述的基于KNN的双重迭代燃煤热值修正算法，其特征在于：热值修正系数Q与热值衡量系数K_mn存在关系如下：