CN113887130B - 一种基于集成学习的工业锅炉运行优化方法 - Google Patents
一种基于集成学习的工业锅炉运行优化方法 Download PDFInfo
- Publication number
- CN113887130B CN113887130B CN202111117868.6A CN202111117868A CN113887130B CN 113887130 B CN113887130 B CN 113887130B CN 202111117868 A CN202111117868 A CN 202111117868A CN 113887130 B CN113887130 B CN 113887130B
- Authority
- CN
- China
- Prior art keywords
- boiler
- parameters
- model
- vector
- 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 37
- 238000005457 optimization Methods 0.000 title claims abstract description 18
- 239000002245 particle Substances 0.000 claims abstract description 41
- 238000002485 combustion reaction Methods 0.000 claims abstract description 33
- 238000007781 pre-processing Methods 0.000 claims abstract description 5
- 230000006870 function Effects 0.000 claims description 11
- 230000008569 process Effects 0.000 claims description 11
- 238000012549 training Methods 0.000 claims description 11
- 239000003245 coal Substances 0.000 claims description 6
- 238000012417 linear regression Methods 0.000 claims description 6
- 210000002569 neuron Anatomy 0.000 claims description 6
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 6
- 238000013528 artificial neural network Methods 0.000 claims description 4
- UGFAIRIUMAVXCW-UHFFFAOYSA-N Carbon monoxide Chemical compound [O+]#[C-] UGFAIRIUMAVXCW-UHFFFAOYSA-N 0.000 claims description 3
- 230000002159 abnormal effect Effects 0.000 claims description 3
- 239000003546 flue gas Substances 0.000 claims description 3
- 230000005484 gravity Effects 0.000 claims description 3
- 238000013507 mapping Methods 0.000 claims description 3
- 210000004205 output neuron Anatomy 0.000 claims description 3
- 230000007613 environmental effect Effects 0.000 abstract description 4
- 230000008859 change Effects 0.000 abstract description 2
- 238000004134 energy conservation Methods 0.000 abstract description 2
- MWUXSHHQAYIFBG-UHFFFAOYSA-N nitrogen oxide Inorganic materials O=[N] MWUXSHHQAYIFBG-UHFFFAOYSA-N 0.000 description 53
- 230000008901 benefit Effects 0.000 description 3
- 239000003344 environmental pollutant Substances 0.000 description 3
- 238000010801 machine learning Methods 0.000 description 3
- 231100000719 pollutant Toxicity 0.000 description 3
- 230000006978 adaptation Effects 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000005265 energy consumption Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000008020 evaporation Effects 0.000 description 1
- 238000001704 evaporation Methods 0.000 description 1
- 238000010438 heat treatment Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
Classifications
-
- 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
- G06N20/00—Machine learning
- G06N20/20—Ensemble learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
- G06F2119/08—Thermal analysis or thermal optimisation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
- G06F2119/14—Force analysis or force optimisation, e.g. static or dynamic forces
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Evolutionary Computation (AREA)
- Software Systems (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- General Engineering & Computer Science (AREA)
- Geometry (AREA)
- Computer Hardware Design (AREA)
- Data Mining & Analysis (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Control Of Steam Boilers And Waste-Gas Boilers (AREA)
Abstract
本发明公开了一种基于集成学习的工业锅炉运行优化方法，属于工业锅炉控制技术领域，包括如下步骤：步骤1：获取锅炉历史运行数据；步骤2：对锅炉历史运行数据进行预处理，去除无效数据记录；步骤3：根据预处理后的锅炉运行数据，基于Stacking集成学习算法建立以锅炉操作参数和锅炉负荷参数为输入，以NOx排放浓度和热效率为输出的集成燃烧模型；步骤4：确定锅炉的工况参数，使用权重衰减的粒子群算法和建立好的集成燃烧模型，对锅炉的操作参数进行寻优；步骤5：输出步骤4中得到的最优锅炉操作向量。本发明能灵活适应锅炉燃烧工况变化，具有更高的模型精度和稳定性，使锅炉高效节能环保运行。
Description
技术领域
本发明属于工业锅炉控制技术领域，具体涉及一种基于集成学习的工业锅炉运行优化方法。
背景技术
锅炉作为一种重要的能源转换设备，在我国工业领域中扮演着重要角色。截至2020年，我国工业锅炉的污染物排放量和能源消耗量都仅次于电站锅炉，然而在工业锅炉的使用过程中存在以下问题：1、锅炉运行效率低，因为供暖锅炉司炉工多缺乏专业的操作知识，无法根据锅炉的运行及时调节锅炉的操作参数，使得锅炉长时间运行于低效状态。2、锅炉污染严重，煤粉在燃烧过程中会产生氮氧化物(NOx)等大气污染物。所以从经济性和环保性出发，如何提高锅炉的能源利用效率和降低污染物的排放量就至关重要。
为了实现以上需求，以锅炉的燃烧热效率和NOx排放浓度为优化目标进行锅炉操作参数的优化，并将优化结果反馈给司炉工指导操作是一种有效的手段。在锅炉的运行过程中，通过操作参数的调整可以改善锅炉的燃烧状况。
然而锅炉是典型的多输入/输出、强非线性的复杂系统，并且因为其输入煤质和负荷的差别，呈现多工况特性，难以利用传统的分析建模为其建立模型。而随着人工智能技术的发展，学者开始基于机器学习算法构建锅炉黑箱模型，并通过智能优化算法对锅炉参数进行优化。现有的锅炉建模方法多采用单一的机器学习算法，在进行过程应用时会出现稳定性差、建模精度低的问题。
发明内容
技术问题：针对现有技术中存在的上述问题，本发明所要解决的技术问题在于提供一种基于集成学习的工业锅炉运行优化方法建立稳定性和精度更高的模型改善锅炉的燃烧状况。
技术方案：为了解决上述技术问题，本发明采用的技术方案如下：
一种基于集成学习的工业锅炉运行优化方法，包括以下步骤：
步骤1：获取锅炉历史运行数据，包括状态参数、操作参数、工况参数和输出参数，所述工况参数包括锅炉负荷参数和燃煤煤质参数，所述输出参数包括NOx排放浓度和锅炉的燃烧热效率；
步骤2：对锅炉历史运行数据进行预处理，去除无效数据记录；
步骤3：根据预处理后的锅炉运行数据，基于Stacking集成学习算法建立以锅炉操作参数和锅炉负荷参数为输入，以NOx排放浓度和热效率为输出的集成燃烧模型；
步骤4：确定锅炉的工况参数，使用权重衰减的粒子群算法和建立好的集成燃烧模型，对锅炉的操作参数进行寻优；
步骤5：输出步骤4中得到的最优锅炉操作向量。
优选的，所述状态参数包括烟气温度、上水温度、上水压力、水流量、蒸汽压力、蒸汽温度和蒸汽量，所述操作参数包括一次风量、二次风量、燃尽风门开度和给煤量。
优选的，所述步骤2包括以下步骤：
步骤2.1：删除锅炉历史运行中包含缺失数据的数据记录；
步骤2.2：使用四分位极差法检测并清除异常数据记录；
步骤2.3：删除锅炉历史运行数据中的重复数据记录。
优选的，所述步骤2.2中四分位极差计算方法为：
IQR＝Q1-Q3
其中Q1是数据列的上四分位数，Q3是数据列的下四分位数，IQR是数据列的四分位极差，当数据列中的某个值小于Q3-1.5×IQR或者大于Q1+1.5×IQR时认为是异常值。
优选的，步骤3包括以下步骤：
步骤3.1：基于运行数据使用线性回归算法训练得到模型M1，并使用模型M1在运行数据的基础上获得NOx排放浓度和热效率的预测值y1；
步骤3.2：基于运行数据使用支持向量回归算法训练得到模型M2，支持向量回归模型使用RBF(径向基函数)核进行非线性映射，并使用模型M2在运行数据的基础上获得NOx排放浓度和热效率的预测值y2；
步骤3.3：基于运行数据使用神经网络算法训练得到模型M3，并使用模型M3在运行数据的基础上获得NOx排放浓度和热效率的预测值y3；
步骤3.4：基于运行数据使用XGBoost算法训练得到模型M4，XGBoost模型设置为最大树深15，并使用模型M4在运行数据的基础上获得NOx排放浓度和热效率的预测值y4；
步骤3.5：使用线性回归算法作为元学习器，以{y1，y2，y3，y4}为输入，锅炉的热效率和NOx排放浓度为输出，训练得到最终的集成燃烧模型。
优选的，所述步骤3.3中模型M3包括输入层、隐含层L1、隐含层L2和输出层；
所述输入层输入步骤2中预处理后数据中的锅炉操作参数和锅炉负荷参数；
所述隐含层L1包含多个神经元；
所述隐含层L2包含多个神经元；
所述输出层包含锅炉热效率和NOx排放浓度两个输出神经元。
优选的，步骤4包括以下步骤：
步骤4.1：确定粒子群的适应度函数；
步骤4.2：初始化N个种群，确定迭代次数P，为种群中的每个粒子初始化一个位置向量{x1，x2，…，xn}和一个速度向量{v1，v2，…，vn}，所述位置向量为种群中粒子代表的一组锅炉操作参数，所述速度向量为寻优过程中操作参数优化的方向；
步骤4.3：每一轮迭代中，针对每一个粒子，更新速度向量vnew：
步骤4.4：根据更新完的速度向量vnew，更新粒子的位置向量xnew为x+vnew；
步骤4.5：将更新后的锅炉操作参数向量xnew输入集成燃烧模型，并对集成燃烧模型的输出通过步骤4.1中的适应度函数进行评估，如果结果优于本粒子最优锅炉操作向量，则更新本粒子最优锅炉操作向量，如果过结果优于全局最优锅炉操作向量，则更新全局最优锅炉操作向量；
步骤4.6：重复步骤4.3-步骤4.5，直到达到最大迭代轮次P，得到全局最优锅炉操作向量g。
优选的，所述步骤4.1中确定粒子群的适应度函数如下式：
f＝α×η-β×CNOx
其中η是燃烧模型输出的热效率，CNOx是燃烧模型输出的NOx排放浓度，d和β分别是两者的优化权重，两权重的和为1。
优选的，所述步骤4.3中每一轮迭代中，针对每一个粒子，依下式更新速度向量vnew：
vnew＝w*v+c1*r1*(g-x)+c2*r2*(d-x)
其中g为迭代过程中的全局最优锅炉操作参数向量，x是粒子的位置向量，d为迭代过程中本粒子最优锅炉操作参数向量，c1、c2分别为全局和局部收敛比重，r1、r2为0到1之间的随机数，v为上一轮迭代中本粒子的速度向量，w为速度向量的更新速率，w采用微分衰减的形式：
其中为wmax最大权重值，wmin为最小权重值，p为最大迭代次数，t为当前迭代轮次。
有益效果：与现有技术相比，本发明具有以下优点：1、本发明将锅炉的工况参数作为建模输入，能灵活适应锅炉燃烧工况变化；2、通过Stacking集成学习方式，将多种机器学习算法模型结合在一起，获得了更高的模型精度和稳定性；3、通过权重衰减的方式对粒子群算法进行优化，使其相较于原始粒子群算法在进行锅炉操作参数优化时拥有更好的局部和全局收敛性；4、在提高锅炉的热效率的同时降低锅炉的氮氧化物排放浓度，使锅炉高效节能环保运行。
附图说明
图1是本发明方法流程图；
图2是神经网络算法模型M3示意图。
具体实施方式
下面结合具体实施例，进一步阐明本发明，实施例在以本发明技术方案为前提下进行实施，应理解这些实施例仅用于说明本发明而不用于限制本发明的范围。
如图1和2所示，一种基于集成学习的工业锅炉运行优化方法，包括以下步骤：
步骤1：锅炉数据采集：获取锅炉历史运行数据，包括状态参数、操作参数、工况参数和输出参数，状态参数包括烟气温度、上水温度、上水压力、水流量、蒸汽压力、蒸汽温度和蒸汽量，所述操作参数包括一次风量、二次风量、燃尽风门开度和给煤量，工况参数包括锅炉负荷参数和燃煤煤质参数，输出参数包括NOx排放浓度和锅炉的燃烧热效率。锅炉部分参数名称见表一：
表一
表一中，“个数”一列表示参数的数量，1个表示通过一个传感器采集一个参数，2个表示通过两个传感器采集两个参数，以此类推。
步骤2：数据预处理：对锅炉历史运行数据进行预处理，去除无效数据记录包括以下步骤：
步骤2.1：删除锅炉历史运行中包含缺失数据的数据记录。
步骤2.2：使用四分位极差法检测并清除异常数据记录，四分位极差计算方法为：
IQR＝Q1-Q3
其中Q1是数据列的上四分位数，Q3是数据列的下四分位数，IQR是数据列的四分位极差，当数据列中的某个值小于Q3-1.5×IQR或者大于Q1+1.5×IQR时认为是异常值。
步骤2.3：删除锅炉历史运行数据中的重复数据记录。
步骤3：根据预处理后的锅炉运行数据，基于Stacking集成学习算法建立以锅炉操作参数和锅炉负荷参数为输入，以NOx排放浓度和热效率为输出的集成燃烧模型，包括以下步骤：
步骤3.1：基于运行数据使用线性回归算法训练得到模型M1，并使用模型M1在运行数据的基础上获得NOx排放浓度和热效率的预测值y1。
步骤3.2：基于运行数据使用支持向量回归算法训练得到模型M2，支持向量回归模型使用RBF(径向基函数)核进行非线性映射，并使用模型M2在运行数据的基础上获得NOx排放浓度和热效率的预测值y2。
步骤3.3：基于运行数据使用神经网络算法训练得到模型M3，并使用模型M3在运行数据的基础上获得NOx排放浓度和热效率的预测值y3，模型M3包括输入层、隐含层L1、隐含层L2和输出层(如图2所示)图2中X1-Xn为锅炉操作参数和负荷参数；
输入层输入步骤2中预处理后数据中的锅炉操作参数和锅炉负荷参数；
隐含层L1包含20个神经元；
隐含层L2包含10个神经元；
输出层包含锅炉热效率和NOx排放浓度两个输出神经元。
步骤3.4：基于运行数据使用XGBoost算法训练得到模型M4，XGBoost模型设置为最大树深15，并使用模型M4在运行数据的基础上获得NOx排放浓度和热效率的预测值y4。
步骤3.5：使用线性回归算法作为元学习器，以{y1，y2，y3，y4}为输入，锅炉的热效率和NOx排放浓度为输出，采用Stacking集成学习算法结合四种锅炉燃烧模型，训练得到最终的集成燃烧模型。
步骤4：确定锅炉的工况参数，使用权重衰减的粒子群算法和建立好的集成燃烧模型，对锅炉的操作参数进行寻优，包括以下步骤：
步骤4.1：确定粒子群的适应度函数：
f＝α×η-β×CNOx
其中η是燃烧模型输出的热效率，CNOx是燃烧模型输出的NOx排放浓度，α和β分别是两者的优化权重，两权重的和为1，通过调整两个权重值可以调整两个优化目标的优化比例，本实施例将两权重分别固定为0.5。
步骤4.2：初始化N个种群，确定迭代次数p，为种群中的每个粒子初始化一个位置向量{x1，x2，…，xn}和一个速度向量{v1，v2，…，vn}，所述位置向量为种群中粒子代表的一组锅炉操作参数，所述速度向量为寻优过程中操作参数优化的方向。
步骤4.3：每一轮迭代中，针对每一个粒子，更新速度向量vnew：
vnew＝w*v+c1*r1*(g-x)+c2*r2*(d-x)
其中g为迭代过程中的全局最优锅炉操作参数向量，x是粒子的位置向量，d为迭代过程中本粒子最优锅炉操作参数向量，c1、c2分别为全局和局部收敛比重，本方法中均设为0.5，r1、r2为0到1之间的随机数，v为上一轮迭代中本粒子的速度向量，w为速度向量的更新速率，w采用微分衰减的形式：
其中为wmax最大权重值，本方法设为0.8，wmin为最小权重值，本方法设为0.3，p为最大迭代次数，t为当前迭代轮次。
步骤4.4：根据更新完的速度向量vnew，更新粒子的位置向量xnew为x+vnew。
步骤4.5：将更新后的锅炉操作参数向量xnew输入集成燃烧模型，并对集成燃烧模型的输出通过步骤4.1中的适应度函数进行评估，如果结果优于本粒子最优锅炉操作向量，则更新本粒子最优锅炉操作向量，如果过结果优于全局最优锅炉操作向量，则更新全局最优锅炉操作向量。
步骤4.6：重复步骤4.3-步骤4.5，直到达到最大迭代轮次P，得到全局最优锅炉操作向量g。
步骤5：输出步骤4中得到的最优锅炉操作向量g，为司炉工提供指导建议或者进行自动控制操作。
以额定蒸发量120t/h的燃煤循环流床锅炉为研究对象，选取该锅炉运行在额定负载60％-100％工况的运行数据作为实验数据。获得如下实验结果(见表二)：
表二
由上表可以看出三种优化算法的优化结果均优于实验工况下的历史最优值；同时对比三种智能优化算法的结果，本发明方法能同时降低锅炉的氮氧化物排放浓度、提高锅炉的热效率，以提高锅炉的经济效益和环境效益。
以上仅是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以作出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。
Claims (7)
1.一种基于集成学习的工业锅炉运行优化方法，其特征在于，包括以下步骤：
步骤1：获取锅炉历史运行数据，包括状态参数、操作参数、工况参数和输出参数，所述工况参数包括锅炉负荷参数和燃煤煤质参数，所述输出参数包括NOx排放浓度和锅炉的燃烧热效率；
步骤2：对锅炉历史运行数据进行预处理，去除无效数据记录；
步骤3：根据预处理后的锅炉运行数据，基于Stacking集成学习算法建立以锅炉操作参数和锅炉负荷参数为输入，以NOx排放浓度和热效率为输出的集成燃烧模型；
步骤4：确定锅炉的工况参数，使用权重衰减的粒子群算法和建立好的集成燃烧模型，对锅炉的操作参数进行寻优；
步骤5：输出步骤4中得到的最优锅炉操作向量；
所述步骤3包括以下步骤：
步骤3.1：基于运行数据使用线性回归算法训练得到模型M1，并使用模型M1在运行数据的基础上获得NOx排放浓度和热效率的预测值y1；
步骤3.2：基于运行数据使用支持向量回归算法训练得到模型M2，支持向量回归模型使用RBF(径向基函数)核进行非线性映射，并使用模型M2在运行数据的基础上获得NOx排放浓度和热效率的预测值y2；
步骤3.3：基于运行数据使用神经网络算法训练得到模型M3，并使用模型M3在运行数据的基础上获得NOx排放浓度和热效率的预测值y3；
步骤3.4：基于运行数据使用XGBoost算法训练得到模型M4，XGBoost模型设置为最大树深15，并使用模型M4在运行数据的基础上获得NOx排放浓度和热效率的预测值y4；
步骤3.5：使用线性回归算法作为元学习器，以{y1，y2，y3，y4}为输入，锅炉的热效率和NOx排放浓度为输出，训练得到最终的集成燃烧模型；
所述步骤4包括以下步骤：
步骤4.1：确定粒子群的适应度函数；
步骤4.2：初始化N个种群，确定迭代次数P，为种群中的每个粒子初始化一个位置向量{x1,x2,…,xn}和一个速度向量{v1,v2,…,vn}，所述位置向量为种群中粒子代表的一组锅炉操作参数，所述速度向量为寻优过程中操作参数优化的方向；
步骤4.3：每一轮迭代中，针对每一个粒子，更新速度向量vnew：
步骤4.4：根据更新完的速度向量vnew，更新粒子的位置向量xnew为x+vnew；
步骤4.5：将更新后的锅炉操作参数向量xnew输入集成燃烧模型，并对集成燃烧模型的输出通过步骤4.1中的适应度函数进行评估，如果结果优于本粒子最优锅炉操作向量，则更新本粒子最优锅炉操作向量，如果过结果优于全局最优锅炉操作向量，则更新全局最优锅炉操作向量；
步骤4.6：重复步骤4.3-步骤4.5，直到达到最大迭代轮次P，得到全局最优锅炉操作向量g。
2.根据权利要求1所述的基于集成学习的工业锅炉运行优化方法，其特征在于，所述状态参数包括烟气温度、上水温度、上水压力、水流量、蒸汽压力、蒸汽温度和蒸汽量，所述操作参数包括一次风量、二次风量、燃尽风门开度和给煤量。
3.根据权利要求1所述的基于集成学习的工业锅炉运行优化方法，其特征在于，所述步骤2包括以下步骤：
步骤2.1：删除锅炉历史运行中包含缺失数据的数据记录；
步骤2.2：使用四分位极差法检测并清除异常数据记录；
步骤2.3：删除锅炉历史运行数据中的重复数据记录。
4.根据权利要求3所述的基于集成学习的工业锅炉运行优化方法，其特征在于，所述步骤2.2中四分位极差计算方法为：
IQR＝Q1-Q3
其中Q1是数据列的上四分位数，Q3是数据列的下四分位数，IQR是数据列的四分位极差，当数据列中的某个值小于Q3-1.5×IQR或者大于Q1+1.5×IQR时认为是异常值。
5.根据权利要求1所述的基于集成学习的工业锅炉运行优化方法，其特征在于，所述步骤3.3中模型M3包括输入层、隐含层L1、隐含层L2和输出层；
所述输入层输入步骤2中预处理后数据中的锅炉操作参数和锅炉负荷参数；
所述隐含层L1包含多个神经元；
所述隐含层L2包含多个神经元；
所述输出层包含锅炉热效率和NOx排放浓度两个输出神经元。
6.根据权利要求1所述的基于集成学习的工业锅炉运行优化方法，其特征在于，所述步骤4.1中确定粒子群的适应度函数如下式：
f＝α×η-β×CNOx
其中η是燃烧模型输出的热效率，CNOx是燃烧模型输出的NOx排放浓度，α和β分别是两者的优化权重，两权重的和为1。
7.根据权利要求1所述的基于集成学习的工业锅炉运行优化方法，其特征在于，所述步骤4.3中每一轮迭代中，针对每一个粒子，依下式更新速度向量vnew：
vnew＝w*v+c1*r1*(g-x)+c2*r2*(d-x)
其中g为迭代过程中的全局最优锅炉操作参数向量，x是粒子的位置向量，d为迭代过程中本粒子最优锅炉操作参数向量，c1、c2分别为全局和局部收敛比重，r1、r2为0到1之间的随机数，v为上一轮迭代中本粒子的速度向量，w为速度向量的更新速率，w采用微分衰减的形式：
其中为wmax最大权重值，wmin为最小权重值，p为最大迭代次数，t为当前迭代轮次。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111117868.6A CN113887130B (zh) | 2021-09-23 | 2021-09-23 | 一种基于集成学习的工业锅炉运行优化方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111117868.6A CN113887130B (zh) | 2021-09-23 | 2021-09-23 | 一种基于集成学习的工业锅炉运行优化方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN113887130A CN113887130A (zh) | 2022-01-04 |
| CN113887130B true CN113887130B (zh) | 2024-06-11 |
Family
ID=79010477
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202111117868.6A Active CN113887130B (zh) | 2021-09-23 | 2021-09-23 | 一种基于集成学习的工业锅炉运行优化方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113887130B (zh) |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN118552063A (zh) * | 2024-07-30 | 2024-08-27 | 江苏南方科技有限公司 | 一种基于综合燃料消耗的加热炉节能效益管理方法 |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2018072351A1 (zh) * | 2016-10-20 | 2018-04-26 | 北京工业大学 | 一种基于粒子群优化算法对支持向量机的优化方法 |
| CN109492807A (zh) * | 2018-11-01 | 2019-03-19 | 大唐环境产业集团股份有限公司 | 基于改进量子粒子群算法的锅炉noｘ预测模型优化方法 |
| CN112330064A (zh) * | 2020-11-26 | 2021-02-05 | 中国石油大学(华东) | 一种基于集成学习的新钻井工作量预测方法 |
Family Cites Families (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US8331655B2 (en) * | 2008-06-30 | 2012-12-11 | Canon Kabushiki Kaisha | Learning apparatus for pattern detector, learning method and computer-readable storage medium |
| CN110784455B (zh) * | 2019-10-16 | 2021-09-07 | 国网湖北省电力有限公司电力科学研究院 | 基于线性递减权重粒子群算法优化Xgboost模型方法 |
-
2021
- 2021-09-23 CN CN202111117868.6A patent/CN113887130B/zh active Active
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2018072351A1 (zh) * | 2016-10-20 | 2018-04-26 | 北京工业大学 | 一种基于粒子群优化算法对支持向量机的优化方法 |
| CN109492807A (zh) * | 2018-11-01 | 2019-03-19 | 大唐环境产业集团股份有限公司 | 基于改进量子粒子群算法的锅炉noｘ预测模型优化方法 |
| CN112330064A (zh) * | 2020-11-26 | 2021-02-05 | 中国石油大学(华东) | 一种基于集成学习的新钻井工作量预测方法 |
Non-Patent Citations (2)
| Title |
|---|
| 基于佳点萤火虫算法与BP神经网络并行集成学习的旱情预测模型;李敬明;倪志伟;朱旭辉;许莹;;系统工程理论与实践;20180525(第05期);全文 * |
| 基于改进PSO和双隐层BP网络的锅炉氧量优化;马良玉;王永军;左晓桐;计算机仿真;20201231;第37卷(第011期);全文 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN113887130A (zh) | 2022-01-04 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN107726358B (zh) | 基于cfd数值模拟和智能建模的锅炉燃烧优化系统及方法 | |
| CN103576655B (zh) | 一种电站锅炉燃烧子空间建模及多目标优化方法和系统 | |
| CN112580250A (zh) | 基于深度学习的火电机组脱硝系统及优化控制方法 | |
| 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 | |
| CN109325313A (zh) | 基于改进量子粒子群优化电厂锅炉nox预测模型装置 | |
| CN106019935B (zh) | 基于约束模糊关联规则的多目标锅炉燃烧优化 | |
| CN104613468A (zh) | 基于模糊自适应推理的循环流化床锅炉燃烧优化控制方法 | |
| WO2020052413A1 (zh) | 火力发电机组燃烧控制优化方法、装置及可读存储介质 | |
| CN112628712A (zh) | 一种基于风门阻力系数的二次风闭环优化控制系统 | |
| CN113742997B (zh) | 城市固废焚烧过程风量智能优化设定方法 | |
| CN104715142A (zh) | 一种电站锅炉NOx排放动态软测量方法 | |
| CN113887130B (zh) | 一种基于集成学习的工业锅炉运行优化方法 | |
| CN115471014A (zh) | 一种基于深度神经网络的电网企业度电碳耗预测方法 | |
| Ma et al. | Three-objective optimization of boiler combustion process based on multi-objective teaching–learning based optimization algorithm and ameliorated extreme learning machine | |
| CN105823080B (zh) | 基于数值优化极值搜索的无模型锅炉燃烧优化控制方法 | |
| CN108734419B (zh) | 一种基于知识迁移的高炉煤气调度系统建模方法 | |
| CN108762086B (zh) | 基于模型预测控制的二次再热蒸汽温度控制装置及控制系统 | |
| Ding et al. | Event-triggered fuzzy neural multivariable control for a municipal solid waste incineration process | |
| CN113177352A (zh) | 一种基于数值模拟和人工智能的锅炉燃烧优化系统及方法 | |
| CN113824116B (zh) | 一种基于混合时间尺度drl的综合能源在线调度方法 | |
| CN115289450A (zh) | 全负荷动态调节的锅炉分级燃烧实时控制方法及系统 | |
| CN114723159A (zh) | 一种基于lle降维算法的锅炉燃烧效率预测方法和系统 | |
| CN113007691A (zh) | 余热锅炉控制方法及系统 | |
| Balamurugan et al. | ANN-SQP Approach for NOx emission reduction in coal fired Boilers |
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 |