CN113901719A - 一种锅炉蒸汽温度预测方法及装置 - Google Patents
一种锅炉蒸汽温度预测方法及装置 Download PDFInfo
- Publication number
- CN113901719A CN113901719A CN202111183153.0A CN202111183153A CN113901719A CN 113901719 A CN113901719 A CN 113901719A CN 202111183153 A CN202111183153 A CN 202111183153A CN 113901719 A CN113901719 A CN 113901719A
- Authority
- CN
- China
- Prior art keywords
- steam temperature
- boiler
- power generation
- training
- prediction model
- 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
- 238000000034 method Methods 0.000 title claims abstract description 64
- 238000010248 power generation Methods 0.000 claims abstract description 100
- 238000012549 training Methods 0.000 claims abstract description 95
- 238000012545 processing Methods 0.000 claims abstract description 14
- 238000012795 verification Methods 0.000 claims description 34
- 230000009466 transformation Effects 0.000 claims description 10
- 238000002790 cross-validation Methods 0.000 claims description 8
- 238000011156 evaluation Methods 0.000 claims description 5
- 238000010276 construction Methods 0.000 claims description 4
- 238000010200 validation analysis Methods 0.000 claims description 4
- 230000002035 prolonged effect Effects 0.000 abstract description 2
- 230000008569 process Effects 0.000 description 21
- 230000006870 function Effects 0.000 description 11
- 230000008859 change Effects 0.000 description 10
- 238000010586 diagram Methods 0.000 description 10
- 238000003860 storage Methods 0.000 description 6
- 125000004122 cyclic group Chemical group 0.000 description 5
- 238000012544 monitoring process Methods 0.000 description 5
- 238000004364 calculation method Methods 0.000 description 4
- 210000004027 cell Anatomy 0.000 description 4
- 238000013528 artificial neural network Methods 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000010606 normalization Methods 0.000 description 2
- 238000005070 sampling Methods 0.000 description 2
- 238000012216 screening Methods 0.000 description 2
- 230000002123 temporal effect Effects 0.000 description 2
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 description 1
- 229910000831 Steel Inorganic materials 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 210000002569 neuron Anatomy 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 239000010959 steel Substances 0.000 description 1
- 238000010977 unit operation Methods 0.000 description 1
Images
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
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- Computer Hardware Design (AREA)
- Geometry (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Control Of Turbines (AREA)
Abstract
本发明提供一种锅炉蒸汽温度预测方法及装置,包括从锅炉发电机组采集的发电锅炉运转参数中确定与目标变量蒸汽温度相关的目标运转参数;将目标运转参数作为蒸汽温度预测模型的输入,基于蒸汽温度预测模型对目标运转参数进行处理,输出预测的蒸汽温度值,蒸汽温度预测模型是基于历史发电锅炉运转参数集进行训练得到的。在本方案中,通过基于历史发电锅炉运转参数集训练得到的蒸汽温度预测模型对目标运转参数进行预测,可以预测出未来时间的蒸汽温度值,从而实现对蒸汽温度值的预测。通过上述方式不仅能够提高锅炉系统的使用寿命,且能够提高锅炉系统运转的可靠性及安全性。
Description
技术领域
本发明涉及发电处理技术领域,尤其涉及一种锅炉蒸汽温度预测方法及装置。
背景技术
目前,常通过发电锅炉系统中的过热器和再热器加热产生主蒸汽和再热蒸汽,以带动汽轮机做功,进行发电生产作业。由于主蒸汽和再热蒸汽温度表征过热器及再热器的工作运转情况,因此可通过主蒸汽和再热蒸汽温度确定发电锅炉系统的整体作业状态。
当前可由系统中的温服传感器实时采集发电作业中反映锅炉系统运转状态的蒸汽温度。由于温度传感器无法预知未来时段内蒸汽温度的变化情况,而且过热器和再热器结构件多采用低级别钢材构成,因此,当锅炉系统在蒸汽温度超出过热器和再热器的设计温度下进行工作,会导致热器和再热器管道的使用寿命减少;当蒸汽温度一下子过高或过低,会引起锅炉系统中的汽轮机的热应变增加,蠕变速度加快,紧固件发生松弛,从而导致锅炉系统的使用寿命降低,且易导致锅炉系统运转的可靠性及安全性下降。
发明内容
有鉴于此,本发明实施例提供种锅炉蒸汽温度预测方法及装置,以解决现有技术中出现的锅炉系统的使用寿命降低,且易锅炉系统运转的可靠性及安全性下降的问题。
为实现上述目的,本发明实施例提供如下技术方案:
本发明实施例第一方面示出了一种锅炉蒸汽温度预测方法,所述方法包括:
从锅炉发电机组采集的发电锅炉运转参数中确定与目标变量蒸汽温度相关的目标运转参数;
将所述目标运转参数作为蒸汽温度预测模型的输入,基于所述蒸汽温度预测模型对所述目标运转参数进行处理,输出预测的蒸汽温度值,所述蒸汽温度预测模型是基于历史发电锅炉运转参数集进行训练得到的。
可选的,所述从锅炉发电机组采集的发电锅炉运转参数中确定与目标变量蒸汽温度相关的目标运转参数,包括:
确定锅炉发电机组采集的发电锅炉运转参数分别与发电锅炉蒸汽温度的相关程度;
根据所述相关程度,选取与目标变量蒸汽温度相关的目标运转参数。
可选的,基于历史发电锅炉运转参数集进行训练得到蒸汽温度预测模型的过程,包括:
获取锅炉发电机组采集到的历史发电锅炉运转参数集;
对所述历史发电锅炉运转参数集进行时序变换,得到历史时序集;
基于预设比例将所述历史时序集划分为训练集和验证集;
确定初始LSTM回归模型,并基于所述训练集和验证集对所述初始LSTM回归模型进行训练,确定当前训练得到的LSTM回归模型为蒸汽温度预测模型。
可选的,所述基于所述训练集和验证集对所述初始LSTM回归模型进行训练,确定当前训练得到的LSTM回归模型为蒸汽温度预测模型,包括:
采用交叉验证法,在训练集上对所述初始LSTM回归模型进行训练,得到训练后的初始LSTM回归模型;
在所述验证集上对所述训练后的初始LSTM回归模型对发电锅炉蒸汽温度的拟合程度,得到最优模型参数;
对基于所述最优模型参数构建的初始蒸汽温度预测模型进行性能评估;
在确定所述基于所述最优模型参数构建的初始蒸汽温度预测模型符合预设条件时,确定所述初始蒸汽温度预测模型为最终的蒸汽温度预测模型。
可选的,还包括:
在确定所述基于所述最优模型参数构建的初始蒸汽温度预测模型不符合预设条件时,继续基于所述训练集和验证集对所述初始蒸汽温度预测模型进行训练。
可选的,还包括:
基于所述预测的蒸汽温度值绘制预测曲线,并显示。
本发明实施例第二方面示出了一种锅炉蒸汽温度预测装置,所述装置包括:
确定单元,用于从锅炉发电机组采集的发电锅炉运转参数中确定与目标变量蒸汽温度相关的目标运转参数;
蒸汽温度预测模型,用于将所述目标运转参数作为蒸汽温度预测模型的输入,基于所述蒸汽温度预测模型对所述目标运转参数进行处理,输出预测的蒸汽温度值,所述蒸汽温度预测模型是基于构建单元构建得到。
可选的,所述确定单元,具体用于:确定锅炉发电机组采集的发电锅炉运转参数分别与发电锅炉蒸汽温度的相关程度;根据所述相关程度,选取与目标变量蒸汽温度相关的目标运转参数。
可选的,所述构建单元,包括:
获取子单元,用于获取锅炉发电机组采集到的历史发电锅炉运转参数集;
变换子单元,用于对所述历史发电锅炉运转参数集进行时序变换,得到历史时序集;
划分子单元,用于基于预设比例将所述历史时序集划分为训练集和验证集;
训练子单元,用于确定初始LSTM网络模型,并基于所述训练集和验证集对所述初始LSTM回归模型进行训练,确定当前训练得到的LSTM回归模型为蒸汽温度预测模型。
可选的,还包括:
绘制单元,用于基于所述预测的蒸汽温度值绘制预测曲线,并显示。
基于上述本发明实施例提供的一种锅炉蒸汽温度预测方法及装置,所述方法包括:从锅炉发电机组采集的发电锅炉运转参数中确定与目标变量蒸汽温度相关的目标运转参数;将所述目标运转参数作为蒸汽温度预测模型的输入,基于所述蒸汽温度预测模型对所述目标运转参数进行处理,输出预测的蒸汽温度值,所述蒸汽温度预测模型是基于历史发电锅炉运转参数集进行训练得到的。在本发明实施例中,通过基于历史发电锅炉运转参数集训练得到的蒸汽温度预测模型对目标运转参数进行预测,可以预测出未来时间的蒸汽温度值,从而实现对蒸汽温度值的预测。通过上述方式不仅能够提高锅炉系统的使用寿命,且使发电锅炉操控的监控人员可以提前知晓发电作业中系统蒸汽温度的变化情况,进而对可能存在的蒸汽温度异常做出合理、及时的处置,以保证锅炉发电作业可靠、安全地进行,即提高锅炉系统运转的可靠性及安全性。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据提供的附图获得其他的附图。
图1为本发明实施例提供的一种锅炉蒸汽温度预测方法的流程示意图;
图2为本发明实施例提供的训练蒸汽温度预测模型的流程示意图;
图3为本发明实施例提供的构造时序数据集的示意图;
图4为本发明实施例提供的设置交叉验证数据集的示意图;
图5为本发明实施例提供的另一种锅炉蒸汽温度预测方法的流程示意图;
图6为本发明实施例提供的分别绘制预测蒸汽温度和真实蒸汽曲线的示意图;
图7为本发明实施例提供的一种重叠绘制预测蒸汽温度和真实蒸汽曲线的示意图;
图8为本发明实施例提供的一种锅炉蒸汽温度预测装置的结构示意图;
图9为本发明实施例提供的另一种锅炉蒸汽温度预测装置的结构示意图。
具体实施方式
下面将结合本发明实施例中的附图,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做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
在本申请中,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
在本发明实施例中,通过基于历史发电锅炉运转参数集训练得到的蒸汽温度预测模型对目标运转参数进行预测,可以预测出未来时间的蒸汽温度值,从而实现对蒸汽温度值的预测,通过上述方式不仅能够提高锅炉系统的使用寿命,且使发电锅炉操控的监控人员可以提前知晓发电作业中系统蒸汽温度的变化情况,进而对可能存在的蒸汽温度异常做出合理、及时的处置,以保证锅炉发电作业可靠、安全地进行,即提高锅炉系统运转的可靠性及安全性。
参见图1,为本发明实施例提供的一种锅炉蒸汽温度预测方法的流程示意图,该方法包括:
步骤S101:从锅炉发电机组采集的发电锅炉运转参数中确定与目标变量蒸汽温度相关的目标运转参数。
可选的,在每一个数据采集时间点,通过可编程逻辑控制器PLC读取到锅炉发电机组所有传感器的(压力、温度等等)数值,形成一条数据样本,即发电锅炉运转参数。
在本发明实施例中,由于锅炉发电机组内布设的传感器繁多,所采集的机组运转状态参量种类也极多,在具体实现步骤S101的过程中,通过分布式梯度增强库XGBoost算法,筛选出与锅炉蒸汽温度变化显著关联的特征变量,以保证回归预测模型的拟合效果,同时减少预测模型训练耗时。
需要说明的是,并非所有的传感器数值都会被用到,因此需要进行数据筛选。
步骤S102:将所述目标运转参数作为蒸汽温度预测模型的输入,基于所述蒸汽温度预测模型对所述目标运转参数进行处理,输出预测蒸汽温度值。
在步骤S102中,所述蒸汽温度预测模型是基于历史发电锅炉运转参数集进行训练得到的。
需要说明的是,基于历史发电锅炉运转参数集进行训练得到蒸汽温度预测模型的过程,如图2所示,包括以下步骤:
步骤S11:获取锅炉发电机组采集到的历史发电锅炉运转参数集。
在具体实现步骤S11的过程中,获取通过锅炉发电机组的每一锅炉传感器采集到预设历史时间段内的历史发电锅炉运转参数集。
需要说明的是,历史发电锅炉运转参数集的特征变量,均对应本采样时间点的蒸汽温度值。
预设历史时间段是根据多次经验进行设置的,比如可设置为过去一年。
步骤S12:对所述历史发电锅炉运转参数集进行时序变换,得到变换后的历史发电锅炉运转参数集。
S12的具体内容:先利用XGBoost算法,筛选出与发电锅炉蒸汽温度变化显著关联的历史目标运转参数;将历史目标运转参数中的第一个目标运转参数的向量沿水平方向方向复制扩展n次,构造时间步长为t0,t1,…,tn的特征序列;第二个至最后一个向量,令其所有特征属性列整体依次上移1至n行;添加发电锅炉蒸汽温度列(Label),将该列上移m(m>n)行;删除构造时序集最后的m行,得到变换后的历史时序集。
需要说明的是,由于上移操作使时序集最后m行出现了空白标记,故需删除整体时序集的最后m行。
例如:如图3所示,原始特征向量按照0,1,2,...,N-2,N-1,N的样本序号对应的特征a,e,i,...m,q,u,将原始特征向量中的第一个目标运转参数的向量沿水平方向方向复制扩展n次,构造时间步长为t0,t1,…,tn的特征序列;第二个至最后一个向量,令其所有特征属性列整体依次上移1至n行;添加发电锅炉蒸汽温度列(Label),将该列上移m(m>n)行;此时N-1和N行中出现的空白nan标记,需要删除构造时序集最后含有nan的那两行,得到变换后的历史时序集。
步骤S13:基于预设比例将所述历史时序集划分为训练集和验证集。
需要说明的是,预设比例可设置为4:1,对此可根据实际情况设定,本申请不加以限制。
训练集用于回归模型的训练,验证集用于模型拟合度调优的验证集。
在本发明实施例中,为避免训练的回归模型出现过拟合Overfitting的情况,采用交叉验证Cross Validation的方式,将所述历史时序集,即历史验证集分成N份。1份历史时序集作为验证数据,其他N-1份历史时序集作为训练数据用于模型验证。
比如:当N等于5时,可将验证集分成5份,包括A部分、B部分、C部分、D部分和E部分。先将E部分作为验证数据,B部分、C部分、D部分和A部分验证集作为训练数据用于模型验证,以保证了训练集与验证集的比例为4:1。由第一轮至第五轮训练,依次将E、D、C、B和A部分的验证集数据依次作为验证数据Validation Set,如图4所示。
步骤S14:确定初始LSTM回归模型,并基于所述训练集和验证集对所述初始LSTM回归模型进行训练,确定当前训练得到的LSTM回归模型为蒸汽温度预测模型。
可选的,基于上述示出的预测模型的预先构建过程,在执行步骤S14基于所述训练集和验证集对所述初始LSTM回归模型进行训练,确定当前训练得到的LSTM回归模型为蒸汽温度预测模型的过程中,包括以下步骤:
步骤S21:采用交叉验证法,利用训练集对所述初始LSTM回归模型进行训练,得到训练后的初始LSTM回归模型。
需要说明的是,LSTM循环结构由输入门、遗忘门及输出门组成。
初始LSTM回归模型由两个连续循环结构(LSTM细胞)组成,每个循环结构会将本单元状态传递至下一个循环结构。
其中,输入门决定本循环单元对应的时序数据有多少被存为本单元状态;遗忘门决定上一循环单元对应的状态有多少被引入至本循环单元;输出门控制本循环单元状态有多少传递至下一个循环单元。
在具体实现步骤S21的过程中,将训练集的个数作为初始LSTM回归模型输入门的输入节点个数,在每一时刻从输入层输入的训练集会首先经过输入门,输入门的开关会决定这一时刻是否会有信息输入到存储单元。遗忘门在每一时刻存储单元里的数据都会经历一个是否被遗忘的过程,如果打卡,那么将会把存储单元里的值清除,也就是遗忘掉;最后输出门确定在每一时刻是否有数据从存储单元输出。
在本发明实施例中,在对训练集进行训练时,首先,将上一循环单元的输出ht-1和本单元的时序数据,即训练集输入xt,通过输入门(Sigmoid函数,σ)得到it,通过双曲正切函数tanh得到本单元暂存状态
具体的,可将上一循环单元的输出ht-1和本单元的时序数据,即训练集输入xt,代入公式(1),得到输入门输出it;在将上一循环单元的输出ht-1和本单元的时序数据输入xt输入公式(2),得到本单元暂存状态
公式(1):
it=σ(ωi·[ht-1,xt]+bi) (1)
其中,ht-1为上一循环单元的输出,xt为本单元的时序数据,即训练集输入,σ为输入门Sigmoid函数对应的常数值,ωi为输入门的权重系数,bi为输入门的偏置量。
需要说明的是,ωi和bi是根据实际情况设置的系数。
公式(2)
其中,ht-1为上一循环单元的输出,xt为本单元的时序数据,即训练集输入,ωc为计算暂存状态时使用的权重系数,bC为计算暂存状态时使用的偏置量。
接着,上一循环单元的输出ht-1和本单元的时序数据输入xt,通过遗忘门(Sigmoid函数,σ)得到遗忘门输出ft。
具体的,将上一循环单元的输出ht-1和本单元的时序数据输入xt输入公式(3),得到遗忘门输出ft。
公式(3):
ft=σ(ωf·[ht-1,xt]+bf) (3)
其中,ht-1为上一循环单元的输出,xt为本单元的时序数据,即训练集输入,ωf为遗忘门的权重系数,bf为遗忘门的偏置量。
继续,将上一循环单元的输出ht-1和本单元的时序数据输入xt,通过输出门(Sigmoid函数,σ)得到输出门输出ot,并结合本单元状态Ct得到最终的本单元输出ht。
具体的,将上一循环单元的输出ht-1和本单元的时序数据输入xt代入公式(5)进行计算,确定输出门输出ot,并将其和本单元状态Ct输入公式(6)进行计算,得到本单元输出ht。
公式(5):
ot=σ(ωo·[ht-1,xt]+bo) (5)
其中,ωo和bo为输出门的权重系数和偏置量,ht-1为上一循环单元的输出,xt为本单元的时序数据。
公式(6):
ht=ot*tanh(Ct) (6)
其中,ot为输出门输出,tanh()为双曲正切函数。
最后,可根据本单元输出ht构建初始LSTM回归模型。
可选的,利用L2平方误差作为LSTM回归模型的损失函数。
实施中,损失函数DL2可通过LSTM回归模型对数据样本的预估值,以及数据样本对应的真实值代入公式(7)进行计算得到。
公式(7):
需要说明的是,当上述循环结构中的权重系数和偏置量取值令DL2损失函数取值最小时,即可确定最优的LSTM神经网络模型。
步骤S22:采用交叉验证法,在所述验证集上对所述训练后的初始LSTM回归模型对发电锅炉蒸汽温度的拟合程度,得到最优模型参数。
在具体实现步骤S22的过程中,在验证集中基于训练数据训练LSTM回归模型,验证数据利用训练数据训练LSTM回归模型进行预测,确定预测结构,并返回执行步骤S21,直至进行N次交叉验证。在每次验证集验证后,均需要对训练的LSTM回归模型的模型参数进行验证,进而确定优化后的最优模型参数。
可选的,在训练和验证LSTM回归模型时,设置每个LSTM循环结构中的神经元结点数量为50,采用反向传播BP梯度调整的方式不断迭代优化LSTM神经网络参数。设定初始学习率(Learning Rate)为0.02,使用Adam函数作为训练LSTM回归模型的优化算法,为不同网络参数进行调整,以在训练迭代时的变更幅度。在第一个LSTM循环结构之后,加入Dropout层,正则化神经网络结构,设置LSTM结点的舍弃比例为0.02;在第二个LSTM循环结构之前,引入批量归一化(BatchNormalization),使模型训练梯度稳定加速收敛。
步骤S23:对基于所述最优模型参数构建的初始蒸汽温度预测模型进行性能评估,在确定所述基于所述最优模型参数构建的初始蒸汽温度预测模型符合预设条件时,执行步骤S24,在确定所述基于所述最优模型参数构建的初始蒸汽温度预测模型不符合预设条件时,执行步骤S25。
步骤S24:确定所述初始蒸汽温度预测模型为最终的蒸汽温度预测模型。
在具体实现步骤S23至步骤S25的过程中,可根据方根误差(RMSE)和决定系数(R2Score)确定初始蒸汽温度预测模型进行性能评估效果。
公式(8):
接着,由于每次预测均会出现数值偏差,因此可通过公式(9)进行计算,确定平均每一次预测的数值偏差,即决定系数(R2 Score)。
公式(9):
其中,LSTM回归模型对r条训练集中的数据样本(特征序列),进行预测,yi表示第i条数据样本对应的真实蒸汽温度值,是第i条数据样本的预测蒸汽温度值,为r条数据样本的真实蒸汽温度平均值。R2Score反映未来时段发电锅炉蒸汽温度的变化情况能通过LSTM回归模型被特征变量解释的比例。
需要说明的是,R2 Score为百分数形式,最大可为100%。
在本发明实施例中,当R2 Score越高,LSTM回归模型对蒸汽温度值的预测结果就越接近真实情况。对蒸汽温度值的预测精度达到量级。比如:RMSE,5(摄氏度,℃);R2Score,90%以上。
最后,在确定R2 Score的值大于或等于预设条件中的数值时,确定所述初始蒸汽温度预测模型为最终的蒸汽温度预测模型。在确定R2 Score的值小于预设条件中的数值时,可继续基于所述训练集和验证集对所述初始蒸汽温度预测模型进行训练。
可选的,在构建完成最终的蒸汽温度预测模型之后,可在Python语言环境下,以h5文件的形式保存获得的LSTM回归模型。
具体的,载入保存的最终的蒸汽温度预测模型并得到回归器regressor。
在具体实现步骤S102的过程中,可通过反复调用该回归器,处理锅炉发电机组采集到的发电锅炉运转参数,即predic_value=regressor.predict(sampling_data),以预测未来时段的蒸汽温度值。
其中,sampling_data是使用实际采集的数据,经特征提取(步骤一中所述方法确定)后形成的特征向量,predic_value为LSTM回归模型输出的预测蒸汽温度值。
需要说明的是,预测未来时段可为10秒后,对此可根据实际情况进行设置,本发明实施例不加限制。
在本发明实施例中,从锅炉发电机组采集的发电锅炉运转参数中确定与目标变量蒸汽温度相关的目标运转参数;将目标运转参数作为蒸汽温度预测模型的输入,基于蒸汽温度预测模型对所述目标运转参数进行处理,输出预测的蒸汽温度值,蒸汽温度预测模型是基于历史发电锅炉运转参数集进行训练得到的。可以看出,通过基于历史发电锅炉运转参数集训练得到的蒸汽温度预测模型对目标运转参数进行预测,可以预测出未来时间的蒸汽温度值,从而实现对蒸汽温度值的预测。通过上述方式不仅能够提高锅炉系统的使用寿命,且使发电锅炉操控的监控人员可以提前知晓发电作业中系统蒸汽温度的变化情况,进而对可能存在的蒸汽温度异常做出合理、及时的处置,以保证锅炉发电作业可靠、安全地进行,即提高锅炉系统运转的可靠性及安全性。
基于上述本发明实施例示出的锅炉蒸汽温度预测方法,在具体实现步骤S101从锅炉发电机组采集的发电锅炉运转参数中确定与目标变量蒸汽温度相关的目标运转参数的过程中,包括以下步骤:
步骤S31:确定锅炉发电机组采集的发电锅炉运转参数分别与发电锅炉蒸汽温度的相关程度。
在具体实现步骤S31的过程中,比较发电锅炉运转参数的预测蒸汽温度值与实际值(GroundTruth)的误差,再根据误差大小判断不同的发电锅炉运转参数与发电锅炉蒸汽温度的相关程度。
需要说明的是,误差越小说明发电锅炉运转参数与发电锅炉蒸汽温度的相关程度也就越高,进而可根据相关程度选取目标运转参数。
步骤S32:根据所述相关程度,选取与目标变量蒸汽温度相关的目标运转参数。
在具体实现步骤S32的过程中,优先选取误差值低的发电锅炉运转参量作为目标运转参数,也就是说,选取相关程度高的发电锅炉运转参量作为目标运转参数,即特征数据。
在本发明实施例中,确定锅炉发电机组采集的发电锅炉运转参数分别与发电锅炉蒸汽温度的相关程度。根据所述相关程度,选取与目标变量蒸汽温度相关的目标运转参数。以通过基于历史发电锅炉运转参数集训练得到的蒸汽温度预测模型对目标运转参数进行预测,可以预测出未来时间的蒸汽温度值,从而实现对蒸汽温度值的预测。通过上述方式不仅能够提高锅炉系统的使用寿命,且使发电锅炉操控的监控人员可以提前知晓发电作业中系统蒸汽温度的变化情况,进而对可能存在的蒸汽温度异常做出合理、及时的处置,以保证锅炉发电作业可靠、安全地进行,即提高锅炉系统运转的可靠性及安全性。
基于上述本发明实施例示出的锅炉蒸汽温度预测方法,结合图1,参见图5,还包括:
步骤S103:在执行步骤S102得到预测的蒸汽温度值后,基于所述预测的蒸汽温度值绘制预测曲线,并显示。
在具体实现步骤S103的过程中,利用Python中的绘图库matplotlib进行锅炉蒸汽温度预测的结果可视化呈现。具体的,分别绘制蒸汽温度真实情况和预测情况,以呈现LSTM回归模型批量预测温度值,并与真实情况进行对照的场景。或是根据重叠绘制的方式呈现真实和预测情况,快速确定预测情况与真实情况的偏差。
基于上述示出的锅炉蒸汽温度预测方法,利用Python中的绘图库matplotlib进行锅炉蒸汽温度预测的结果,并可视化呈现的示意图,如图6所示。
图6,通过分别绘制的方式表达发电锅炉蒸汽温度真实和预测情况,以呈现LSTM回归模型批量预测温度值,与真实情况进行对照的场景图。
在本发明实施例中,不仅可以通过图6分别绘制的方式显示预测,还可以通过重叠绘制蒸汽温度真实和预测情况,如图7所示。
图7,通过重叠绘制的方式表达发电锅炉蒸汽温度真实和预测情况,能够明晰地对照出预测情况与真实情况的偏差。
在本发明实施例中,通过基于历史发电锅炉运转参数集训练得到的蒸汽温度预测模型对目标运转参数进行预测,可以预测出未来时间的蒸汽温度值,从而实现对蒸汽温度值的预测。再分别绘制蒸汽温度真实情况和预测情况,以呈现LSTM回归模型批量预测温度值,并与真实情况进行对照的场景。或是根据重叠绘制的方式呈现真实和预测情况,快速确定预测情况与真实情况的偏差。
基于上述本发明实施例示出的锅炉蒸汽温度预测装置,本发明实施例还对应公开了一种锅炉蒸汽温度预测装置的结构示意图,如图8所示,该装置包括:
确定单元801,用于从锅炉发电机组采集的发电锅炉运转参数中确定与目标变量蒸汽温度相关的目标运转参数。
蒸汽温度预测模型802,用于将所述目标运转参数作为蒸汽温度预测模型的输入,基于所述蒸汽温度预测模型对所述目标运转参数进行处理,输出预测的蒸汽温度值,所述蒸汽温度预测模型是基于构建单元803构建得到。
需要说明的是,上述本申请实施例公开的锅炉蒸汽温度预测装置中的各个单元具体的原理和执行过程,与上述本申请实施示出的锅炉蒸汽温度预测方法相同,可参见上述本申请实施例公开的锅炉蒸汽温度预测方法中相应的部分,这里不再进行赘述。
在本发明实施例中,从锅炉发电机组采集的发电锅炉运转参数中确定与目标变量蒸汽温度相关的目标运转参数;将目标运转参数作为蒸汽温度预测模型的输入,基于蒸汽温度预测模型对所述目标运转参数进行处理,输出预测的蒸汽温度值,蒸汽温度预测模型是基于历史发电锅炉运转参数集进行训练得到的。可以看出,通过基于历史发电锅炉运转参数集训练得到的蒸汽温度预测模型对目标运转参数进行预测,可以预测出未来时间的蒸汽温度值,从而实现对蒸汽温度值的预测。通过上述方式不仅能够提高锅炉系统的使用寿命,且使发电锅炉操控的监控人员可以提前知晓发电作业中系统蒸汽温度的变化情况,进而对可能存在的蒸汽温度异常做出合理、及时的处置,以保证锅炉发电作业可靠、安全地进行,即提高锅炉系统运转的可靠性及安全性。
可选的,基于上述本发明实施例示出的锅炉蒸汽温度预测装置,所述确定单元801,具体用于:确定锅炉发电机组采集的发电锅炉运转参数分别与发电锅炉蒸汽温度的相关程度;根据所述相关程度,选取与目标变量蒸汽温度相关的目标运转参数。
在本发明实施例中,确定锅炉发电机组采集的发电锅炉运转参数分别与发电锅炉蒸汽温度的相关程度。根据所述相关程度,选取与目标变量蒸汽温度相关的目标运转参数。以通过基于历史发电锅炉运转参数集训练得到的蒸汽温度预测模型对目标运转参数进行预测,可以预测出未来时间的蒸汽温度值,从而实现对蒸汽温度值的预测。通过上述方式不仅能够提高锅炉系统的使用寿命,且使发电锅炉操控的监控人员可以提前知晓发电作业中系统蒸汽温度的变化情况,进而对可能存在的蒸汽温度异常做出合理、及时的处置,以保证锅炉发电作业可靠、安全地进行,即提高锅炉系统运转的可靠性及安全性。
可选的,基于上述本发明实施例示出的锅炉蒸汽温度预测装置,构建单元803,包括:
获取子单元,用于获取锅炉发电机组采集到的历史发电锅炉运转参数集。
变换子单元,用于对所述历史发电锅炉运转参数集进行时序变换,得到历史时序集。
划分子单元,用于基于预设比例将所述历史时序集划分为训练集和验证集。
训练子单元,用于确定初始LSTM网络模型,并基于所述训练集和验证集对所述初始LSTM回归模型进行训练,确定当前训练得到的LSTM回归模型为蒸汽温度预测模型。
可选的,训练子单元,用于:采用交叉验证法,在训练集上对所述初始LSTM回归模型进行训练,得到训练后的初始LSTM回归模型;在所述验证集上对所述训练后的初始LSTM回归模型对发电锅炉蒸汽温度的拟合程度,得到最优模型参数;对基于所述最优模型参数构建的初始蒸汽温度预测模型进行性能评估;在确定所述基于所述最优模型参数构建的初始蒸汽温度预测模型符合预设条件时,确定所述初始蒸汽温度预测模型为最终的蒸汽温度预测模型。
可选的,训练子单元,还用于:在确定所述基于所述最优模型参数构建的初始蒸汽温度预测模型不符合预设条件时,继续基于所述训练集和验证集对所述初始蒸汽温度预测模型进行训练。
在本发明实施例中,获取锅炉发电机组采集到的历史发电锅炉运转参数集,并进行时序变换,得到历史时序集。再采用交叉验证法,在训练集上对所述初始LSTM回归模型进行训练,得到训练后的初始LSTM回归模型;在所述验证集上对所述训练后的初始LSTM回归模型对发电锅炉蒸汽温度的拟合程度,得到最优模型参数;进而确定评估后的蒸汽温度预测模型。以便后续基于训练好的蒸汽温度预测模型对目标运转参数进行预测,可以预测出未来时间的蒸汽温度值,从而实现对蒸汽温度值的预测,能够提高锅炉系统的使用寿命,且提高锅炉系统运转的可靠性及安全性。
可选的,基于上述本发明实施例示出的锅炉蒸汽温度预测装置,结合图8,参见图9,锅炉蒸汽温度预测装置进一步还设置有绘制单元804。
绘制单元804,用于基于所述预测的蒸汽温度值绘制预测曲线,并显示。
在本发明实施例中,通过基于历史发电锅炉运转参数集训练得到的蒸汽温度预测模型对目标运转参数进行预测,可以预测出未来时间的蒸汽温度值,从而实现对蒸汽温度值的预测。再分别绘制蒸汽温度真实情况和预测情况,以呈现LSTM回归模型批量预测温度值,并与真实情况进行对照的场景。或是根据重叠绘制的方式呈现真实和预测情况,快速确定预测情况与真实情况的偏差。
本说明书中的各个实施例均采用递进的方式描述,各个实施例之间相同相似的部分互相参见即可,每个实施例重点说明的都是与其他实施例的不同之处。尤其,对于系统或系统实施例而言,由于其基本相似于方法实施例,所以描述得比较简单,相关之处参见方法实施例的部分说明即可。以上所描述的系统及系统实施例仅仅是示意性的,其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性劳动的情况下,即可以理解并实施。
专业人员还可以进一步意识到,结合本文中所公开的实施例描述的各示例的单元及算法步骤,能够以电子硬件、计算机软件或者二者的结合来实现,为了清楚地说明硬件和软件的可互换性,在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。这些功能究竟以硬件还是软件方式来执行,取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能,但是这种实现不应认为超出本发明的范围。
对所公开的实施例的上述说明,使本领域专业技术人员能够实现或使用本发明。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的,本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下,在其它实施例中实现。因此,本发明将不会被限制于本文所示的这些实施例,而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。
Claims (10)
1.一种锅炉蒸汽温度预测方法,其特征在于,所述方法包括:
从锅炉发电机组采集的发电锅炉运转参数中确定与目标变量蒸汽温度相关的目标运转参数;
将所述目标运转参数作为蒸汽温度预测模型的输入,基于所述蒸汽温度预测模型对所述目标运转参数进行处理,输出预测的蒸汽温度值,所述蒸汽温度预测模型是基于历史发电锅炉运转参数集进行训练得到的。
2.根据权利1所述的方法,其特征在于,所述从锅炉发电机组采集的发电锅炉运转参数中确定与目标变量蒸汽温度相关的目标运转参数,包括:
确定锅炉发电机组采集的发电锅炉运转参数分别与发电锅炉蒸汽温度的相关程度;
根据所述相关程度,选取与目标变量蒸汽温度相关的目标运转参数。
3.根据权利要求1所述的方法,其特征在于,基于历史发电锅炉运转参数集进行训练得到蒸汽温度预测模型的过程,包括:
获取锅炉发电机组采集到的历史发电锅炉运转参数集;
对所述历史发电锅炉运转参数集进行时序变换,得到历史时序集;
基于预设比例将所述历史时序集划分为训练集和验证集;
确定初始LSTM回归模型,并基于所述训练集和验证集对所述初始LSTM回归模型进行训练,确定当前训练得到的LSTM回归模型为蒸汽温度预测模型。
4.根据权利要求3所述的方法,其特征在于,所述基于所述训练集和验证集对所述初始LSTM回归模型进行训练,确定当前训练得到的LSTM回归模型为蒸汽温度预测模型,包括:
采用交叉验证法,在训练集上对所述初始LSTM回归模型进行训练,得到训练后的初始LSTM回归模型;
在所述验证集上对所述训练后的初始LSTM回归模型对发电锅炉蒸汽温度的拟合程度,得到最优模型参数;
对基于所述最优模型参数构建的初始蒸汽温度预测模型进行性能评估;
在确定所述基于所述最优模型参数构建的初始蒸汽温度预测模型符合预设条件时,确定所述初始蒸汽温度预测模型为最终的蒸汽温度预测模型。
5.根据权利要求4所述的方法,其特征在于,还包括:
在确定所述基于所述最优模型参数构建的初始蒸汽温度预测模型不符合预设条件时,继续基于所述训练集和验证集对所述初始蒸汽温度预测模型进行训练。
6.根据权利要求1所述的方法,其特征在于,还包括:
基于所述预测的蒸汽温度值绘制预测曲线,并显示。
7.一种锅炉蒸汽温度预测装置,其特征在于,所述装置包括:
确定单元,用于从锅炉发电机组采集的发电锅炉运转参数中确定与目标变量蒸汽温度相关的目标运转参数;
蒸汽温度预测模型,用于将所述目标运转参数作为蒸汽温度预测模型的输入,基于所述蒸汽温度预测模型对所述目标运转参数进行处理,输出预测的蒸汽温度值,所述蒸汽温度预测模型是基于构建单元构建得到。
8.根据权利要求7所述的装置,其特征在于,所述确定单元,具体用于:确定锅炉发电机组采集的发电锅炉运转参数分别与发电锅炉蒸汽温度的相关程度;根据所述相关程度,选取与目标变量蒸汽温度相关的目标运转参数。
9.根据权利要求7所述的装置,其特征在于,所述构建单元,包括:
获取子单元,用于获取锅炉发电机组采集到的历史发电锅炉运转参数集;
变换子单元,用于对所述历史发电锅炉运转参数集进行时序变换,得到历史时序集;
划分子单元,用于基于预设比例将所述历史时序集划分为训练集和验证集;
训练子单元,用于确定初始LSTM网络模型,并基于所述训练集和验证集对所述初始LSTM回归模型进行训练,确定当前训练得到的LSTM回归模型为蒸汽温度预测模型。
10.根据权利要求7所述的装置,其特征在于,还包括:
绘制单元,用于基于所述预测的蒸汽温度值绘制预测曲线,并显示。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111183153.0A CN113901719A (zh) | 2021-10-11 | 2021-10-11 | 一种锅炉蒸汽温度预测方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111183153.0A CN113901719A (zh) | 2021-10-11 | 2021-10-11 | 一种锅炉蒸汽温度预测方法及装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113901719A true CN113901719A (zh) | 2022-01-07 |
Family
ID=79191456
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111183153.0A Pending CN113901719A (zh) | 2021-10-11 | 2021-10-11 | 一种锅炉蒸汽温度预测方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113901719A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114580761A (zh) * | 2022-03-10 | 2022-06-03 | 中国电信股份有限公司 | 蒸汽量异常确定方法、装置、电子设备和可读存储介质 |
CN114818127A (zh) * | 2022-04-18 | 2022-07-29 | 中节能工业节能有限公司 | 一种汽轮机劣化程度的量化方法 |
WO2024130864A1 (zh) * | 2022-12-19 | 2024-06-27 | 广东邦普循环科技有限公司 | 窑炉温度预测方法、系统、设备及介质 |
-
2021
- 2021-10-11 CN CN202111183153.0A patent/CN113901719A/zh active Pending
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114580761A (zh) * | 2022-03-10 | 2022-06-03 | 中国电信股份有限公司 | 蒸汽量异常确定方法、装置、电子设备和可读存储介质 |
CN114818127A (zh) * | 2022-04-18 | 2022-07-29 | 中节能工业节能有限公司 | 一种汽轮机劣化程度的量化方法 |
WO2024130864A1 (zh) * | 2022-12-19 | 2024-06-27 | 广东邦普循环科技有限公司 | 窑炉温度预测方法、系统、设备及介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113901719A (zh) | 一种锅炉蒸汽温度预测方法及装置 | |
US11543787B2 (en) | Networked control system time-delay compensation method based on predictive control | |
Li et al. | A new safety assessment model for complex system based on the conditional generalized minimum variance and the belief rule base | |
Gao et al. | A neural network-based joint prognostic model for data fusion and remaining useful life prediction | |
Sedano et al. | A soft computing method for detecting lifetime building thermal insulation failures | |
CN103974311B (zh) | 基于改进高斯过程回归模型的状态监测数据流异常检测方法 | |
Evsukoff et al. | Recurrent neuro-fuzzy system for fault detection and isolation in nuclear reactors | |
Fischer et al. | Predictive control based on local linear fuzzy models | |
CN111258297A (zh) | 基于数据融合网络的设备健康指标构建及寿命预测方法 | |
CN110285403A (zh) | 基于被控参数预估的主蒸汽温度控制方法 | |
Deng et al. | A deep learning methodology based on bidirectional gated recurrent unit for wind power prediction | |
CN109992921A (zh) | 一种燃煤电厂锅炉热效率的在线软测量方法及系统 | |
CN109670629A (zh) | 基于长短期记忆神经网络的燃煤锅炉热效率预测方法 | |
CN113869563A (zh) | 一种基于故障特征迁移的航空涡扇发动机剩余寿命预测方法 | |
CN112180739A (zh) | 一种针对过热汽温控制系统的参数优化方法 | |
Jiang et al. | Model correction and updating of a stochastic degradation model for failure prognostics of miter gates | |
Boujamza et al. | Attention-based LSTM for remaining useful life estimation of aircraft engines | |
CN113156822A (zh) | 基于Mist-边缘-雾-云计算的热误差预测系统及热误差补偿系统 | |
Rivas et al. | Predictions of component remaining useful lifetime using Bayesian neural network | |
Kelley et al. | Comparison of neural network NARX and NARMAX models for multi-step prediction using simulated and experimental data | |
Pérez-Pérez et al. | Fault detection and isolation in wind turbines based on neuro-fuzzy qLPV zonotopic observers | |
Witczak | Toward the training of feed-forward neural networks with the D-optimum input sequence | |
CN111695300A (zh) | 一种汽轮机阀门流量拟合方法及系统 | |
CN117371567A (zh) | 基于频繁共现模式挖掘的服务事件关联分析方法与装置 | |
Kumar et al. | Recurrent neural network based sensor fault detection and isolation for nonlinear systems: Application in PWR |
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 |