CN113918881A - 基于分层多项式模型的飞灰含碳量软测量方法及监测系统 - Google Patents
基于分层多项式模型的飞灰含碳量软测量方法及监测系统 Download PDFInfo
- Publication number
- CN113918881A CN113918881A CN202111228889.5A CN202111228889A CN113918881A CN 113918881 A CN113918881 A CN 113918881A CN 202111228889 A CN202111228889 A CN 202111228889A CN 113918881 A CN113918881 A CN 113918881A
- Authority
- CN
- China
- Prior art keywords
- fly ash
- carbon content
- measurement value
- working condition
- value
- 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.)
- Granted
Links
- 239000010881 fly ash Substances 0.000 title claims abstract description 420
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 title claims abstract description 419
- 229910052799 carbon Inorganic materials 0.000 title claims abstract description 419
- 238000012544 monitoring process Methods 0.000 title claims abstract description 23
- 238000000691 measurement method Methods 0.000 title claims abstract description 21
- 229910052760 oxygen Inorganic materials 0.000 claims abstract description 35
- 239000001301 oxygen Substances 0.000 claims abstract description 35
- QVGXLLKOCUKJST-UHFFFAOYSA-N atomic oxygen Chemical compound [O] QVGXLLKOCUKJST-UHFFFAOYSA-N 0.000 claims abstract description 29
- 230000008859 change Effects 0.000 claims abstract description 21
- 238000004364 calculation method Methods 0.000 claims abstract description 16
- 238000013507 mapping Methods 0.000 claims abstract description 6
- 238000005259 measurement Methods 0.000 claims description 219
- 238000001514 detection method Methods 0.000 claims description 93
- 238000000034 method Methods 0.000 claims description 55
- 238000012549 training Methods 0.000 claims description 22
- 238000005070 sampling Methods 0.000 claims description 15
- 238000012360 testing method Methods 0.000 claims description 11
- 238000012795 verification Methods 0.000 claims description 11
- 125000004122 cyclic group Chemical group 0.000 claims description 7
- 230000009467 reduction Effects 0.000 claims description 6
- 239000002956 ash Substances 0.000 claims description 5
- 150000001875 compounds Chemical class 0.000 claims description 5
- 238000012937 correction Methods 0.000 claims description 5
- 230000006870 function Effects 0.000 claims description 5
- 238000010801 machine learning Methods 0.000 claims description 5
- 238000011156 evaluation Methods 0.000 claims description 4
- 239000011159 matrix material Substances 0.000 claims description 4
- 238000004140 cleaning Methods 0.000 claims description 3
- 238000012952 Resampling Methods 0.000 claims description 2
- 230000000875 corresponding effect Effects 0.000 claims 10
- 230000002596 correlated effect Effects 0.000 claims 1
- 239000003245 coal Substances 0.000 description 38
- 238000002485 combustion reaction Methods 0.000 description 20
- 230000008569 process Effects 0.000 description 7
- 238000012545 processing Methods 0.000 description 5
- 238000010248 power generation Methods 0.000 description 4
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 4
- 230000002159 abnormal effect Effects 0.000 description 3
- 238000012423 maintenance Methods 0.000 description 3
- 238000013473 artificial intelligence Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000010219 correlation analysis Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000005684 electric field Effects 0.000 description 2
- 238000007542 hardness measurement Methods 0.000 description 2
- 238000007689 inspection Methods 0.000 description 2
- 230000008520 organization Effects 0.000 description 2
- 230000004044 response Effects 0.000 description 2
- 239000000779 smoke Substances 0.000 description 2
- 239000000126 substance Substances 0.000 description 2
- 238000011497 Univariate linear regression Methods 0.000 description 1
- 230000005856 abnormality Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000004380 ashing Methods 0.000 description 1
- 239000010883 coal ash Substances 0.000 description 1
- 230000003111 delayed effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000012850 discrimination method Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 239000007789 gas Substances 0.000 description 1
- 230000017525 heat dissipation Effects 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000005065 mining Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000010298 pulverizing process Methods 0.000 description 1
- 238000000611 regression analysis Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000010561 standard procedure Methods 0.000 description 1
- 239000013589 supplement Substances 0.000 description 1
- 230000001360 synchronised effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/16—Matrix or vector computation, e.g. matrix-matrix or matrix-vector multiplication, matrix factorization
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N33/00—Investigating or analysing materials by specific methods not covered by groups G01N1/00 - G01N31/00
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Mathematical Physics (AREA)
- Mathematical Optimization (AREA)
- Theoretical Computer Science (AREA)
- Mathematical Analysis (AREA)
- Pure & Applied Mathematics (AREA)
- Computational Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Software Systems (AREA)
- Algebra (AREA)
- Databases & Information Systems (AREA)
- Health & Medical Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Computing Systems (AREA)
- Pathology (AREA)
- Immunology (AREA)
- General Health & Medical Sciences (AREA)
- Biochemistry (AREA)
- Medicinal Chemistry (AREA)
- Food Science & Technology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Operations Research (AREA)
- Probability & Statistics with Applications (AREA)
- Regulation And Control Of Combustion (AREA)
Abstract
本发明提供基于分层多项式模型的飞灰含碳量软测量方法及监测系统，软测量方法包括：步骤1.获取与锅炉总体和每层燃烧器有关的多个工况测点历史实测参数值；分别计算每个相对工况测点对基准工况测点的变动时间；步骤2.将历史数据中各时刻的基准工况测点参数值与扣除相应变动时间后相应时刻的各个相对工况测点关联，得到各组工况测点参数；步骤3.以样本含氧量值作为分割点，把分组关联后的历史数据进一步划分为高含氧量样本和低含氧量样本；步骤4.采用适于复杂电厂的分层多项式模型作为预测模型，得到分别对应于低含氧量和高含氧量样本的两个反映飞灰含碳量与特征工况测点参数具体映射关系的飞灰含碳量计算公式；步骤5.飞灰含碳量计算。
Description
技术领域
本发明属于锅炉飞灰含碳量测量技术领域，具体涉及基于分层多项式模型的飞灰含碳量软测量方法及监测系统。
背景技术
火力发电是我国主要的发电方式，提高锅炉的燃烧热效率，减少热损失能够带来巨大的经济效益。锅炉的主要热损失包括排烟热损失、机械不完全燃烧热损失、化学不完全燃烧热损失、灰渣物理热损失、飞灰热损失及炉体散热损失。飞灰热损失作为仅次于排烟热损失的损失，是影响锅炉热效率的一个重要指标。在锅炉的实际运行中，很难依据有限的调试结果和经验将实炉燃烧工况调整到最佳工况，因此精确实时地获得飞灰含碳量对提高燃烧效率，指导安全高效清洁生产至关重要。
目前获取燃煤锅炉飞灰含碳量的方法主要分为3类：人工采样送检化验、在线测量仪器监测和基于人工智能的软测量。其中人工采样送检化验需要专人定期取样制样，耗费人力物力，同时也存在数据滞后、易发生错漏等问题。在线测量仪器监测可以连续实时获得飞灰含碳量的数据，然而复杂的运行条件和煤质，使得其很难长时间连续稳定运行，使用过程中硬件维护存在较大困难，同时由于设备故障易导致数据长时间缺失或错误，反而影响对锅炉运行的指导。而基于人工智能的软测量方法则是通过对历史数据的分析与挖掘，利用锅炉实时运行数据对燃煤锅炉运行过程中的飞灰含碳量进行计算和预测，成本低且维护量极小，因而获得了广泛关注。
目前已有一些现有技术针对飞灰含碳量进行软测量的方法进行了研究，然而，燃煤发电技术经过长时间的发展，已经形成了极为复杂的燃烧方案，多层燃烧器通常对应多台给煤制粉系统，而依据负荷及库存煤质往往采取多煤质分层燃烧的组织形式，大大增加了燃烧参数的复杂程度，这对飞灰含碳量的软测量提出了更大的挑战。而现有方案中都尚未针对目前复杂的燃烧组织方案提出行之有效的技术路线，所以有必要针对多燃烧层多台磨煤机的情况进行数据处理，并以此建立合适的模型，最终部署到燃烧现场，运用在实际燃烧系统中。
发明内容
本发明是为了解决上述问题而进行的，目的在于提供一种基于分层多项式模型的飞灰含碳量软测量方法及监测系统，适用于多层复杂燃烧情况下的实际电场运行状况，能够得到最接近实际燃烧系统的飞灰含碳量。
本发明为了实现上述目的，采用了以下方案：
<方法>
如图1所示，本发明提供一种基于分层多项式模型的飞灰含碳量软测量方法，其特征在于，包括：
步骤1.获取与锅炉总体和每层燃烧器有关的多个工况测点历史实测参数值，从这些工况测点中选取一个测点作为基准工况测点，其他作为相对工况测点；分别计算每个相对工况测点随基准工况测点的参数值变动而变动的延迟或者超前时间作为偏移时间；例如，将用于获取锅炉每层燃烧器入炉煤量的测点(各层燃烧器入炉煤量测点是同步的)作为基准工况测点，将与锅炉总体和每层燃烧器有关、且获取的数据与入炉煤量变化相关的多个其他工况测点作为相对工况测点；多个相对工况测点应包括飞灰含碳量测点、空预器出口含氧量测点、至少一个与锅炉总体燃烧有关的工况测点和多个与每层燃烧器燃烧有关的工况测点；然后分别计算每个相对工况测点随基准工况测点变动而变动的延迟或者超前时间作为偏移时间；
步骤2.获取一定时期内包含相对工况测点和基准工况测点的锅炉工况测点实测参数值的历史数据，将历史数据中第t个时刻的基准工况测点参数值与扣除相应偏移时间后相应时刻的各个相对工况测点关联，作为第t个时刻的一组飞灰含碳量硬测量值工况测点参数，得到不同时刻下的各组飞灰含碳量硬测量值工况测点参数；
步骤3.以样本含氧量(空预器出口含氧量测点的参数值)作为分割点，分割点阈值设为5％，把分组关联后的历史数据进一步划分为高含氧量样本(≥5％)和低含氧量样本(＜5％)；
步骤4.把每种含氧量样本都分为训练集、验证集和测试集，采用适于复杂电厂的分层多项式模型作为预测模型：
式中，
分别代表第j层燃烧器在第t时刻的入炉煤质测点的煤质灰分百分比值和入炉煤量测点参数值，
代表在时刻t由各种工况所决定的第j层燃烧器对应飞灰含碳量百分比，C表示0～T时间内测得的锅炉尾部飞灰含碳量；
为第j层燃烧器对第j+w层燃烧器的影响因子，j+w≤m；m表示燃烧器的总层数，为不小于3的自然数；
式中，n代表多项式的最高幂次，下标i代表飞灰含碳量硬测量值工况测点参数值的下标，
代表第j层燃烧器、第i个测点、幂次方为n的算式对应的待求解系数，bj代表第j层燃烧器对应函数中的待求解常数；
以均方误差作为模型误差的评价标准，对预测模型进行训练学习和验证，通过组合不同的飞灰含碳量硬测量值工况测点参数及最高幂次方，选择验证集样本的均方误差最小的最高幂次方n及工况测点参数组合方式，得到分别对应于低含氧量和高含氧量样本的两个反映飞灰含碳量与特征工况测点参数映射关系的飞灰含碳量计算公式；
步骤5.飞灰含碳量计算
对于待预测时刻的飞灰含碳量，基于偏移时间，获取实测特征工况测点参数值，根据含氧量范围带入相应的飞灰含碳量计算公式中，计算得到飞灰含碳量作为软测量值。
该方案的有益效果是：
本发明基于电厂燃煤锅炉实际工况数据，首先计算出了每个相对工况测点随基准工况测点变动而变动的延迟或者超前时间作为偏移时间，并在此分析基础上将历史数据中基准工况测点参数值与扣除相应偏移时间后相应时刻的各个相对工况测点关联，然后将这些数据基于不同氧含量分别代入复杂电厂的分层多项式模型进行训练学习、预测和验证，该分层多项式模型考虑了多层燃烧器、多台磨煤机的实际电厂内的复杂燃烧系统，不仅反映了每层燃烧器各自燃烧情况对锅炉燃烧的影响，还反映了相邻各层燃烧器的相互影响(例如，第七层对上层第八层的影响)，以及不相邻的下层燃烧器(例如，下面第一层至第六层对最上方第八层的影响)对上层燃烧器的影响，基于该模型得到不同含氧量下，反映飞灰含碳量与工况测点参数映射关系的飞灰含碳量计算公式(最终预测模型)，再根据偏移时间带入相应的工况测点实测参数值进行计算，能够得到真实、全面反映实际电场运行情况，并且最接近实际燃烧系统的飞灰含碳量，提升了软测量精度，确保了电厂飞灰含碳量软测量的可靠性和准确性。
优选地，本发明所涉及的基于分层多项式模型的飞灰含碳量软测量方法，还可以具有这样的特征：在步骤1中，设相邻时刻的间隔时间均为p分钟，采用如下方法计算每个相对工况测点的偏移时间为tc：
1)选取tc的待定范围[-q,q]，该范围表示tc的最大值选为q个p分钟时间点，最小值选为-q个p分钟时间点；p一般取5以内整数，p*q为120；例如，p＝5，q＝24，选取tc的待定范围[-24,24]，则tc的最大值选为正24个5分钟时间点，即往后延迟2个小时；最小值选为负24个5分钟时间点，即提前2个小时；
2)针对每一个tc＝c的选取值，对基准工况测点xt和相对工况测点yt-c进行时间的错位对应：
(xt,yt-c) t＝c+1,c+2,c+3,……
以此为数据点计算x与y的皮尔逊线性相关系数：
式中，
和
代表样本的平均值；
得出tc＝c(c∈[-q,q])各时间点对应的皮尔逊相关系数rc，选取rc绝对值最大时的c值作为相对工况测点的偏移时间tc。例如，得出tc＝c(c∈[-24,24])总共49个时间点对应的各自皮尔逊相关系数rc，选取其中绝对值最大时候的c值作为最终的偏移时间。通过该方法可以准确获取偏移时间。
优选地，在本发明所涉及的基于分层多项式模型的飞灰含碳量软测量方法，还可以具有这样的特征：在步骤2中，得到不同时刻下的各组飞灰含碳量硬测量值工况测点参数后，进一步基于机器学习的飞灰含碳量硬测量值降维方法对飞灰含碳量硬测量值工况测点进行飞灰含碳量硬测量值降维，挑选出多个重要飞灰含碳量硬测量值工况测点作为步骤4和步骤5所采用的飞灰含碳量硬测量值工况测点。
优选地，在本发明所涉及的基于分层多项式模型的飞灰含碳量软测量方法，还可以具有这样的特征：在步骤4中，对应验证集样本的均方误差最小的低含氧量和高含氧量样本的最优最高幂次方依次为n1＝3,n2＝2。
优选地，本发明所涉及的基于分层多项式模型的飞灰含碳量软测量方法，还可以具有这样的特征：在步骤4中，低含氧量样本均方误差最小的飞灰含碳量硬测量值工况测点参数为：对应各层燃烧器的磨煤机一次风量、磨煤机旁路风量、热值、挥发分、和对应锅炉的送风机总送风量；高含氧量样本均方误差最小的特征工况测点参数：对应各层燃烧器的全水、内水、磨煤机分离器电流、磨煤机一次风量、和对应锅炉的炉膛温度。将这些特征工况测点参数作为模型中的自变量。
进一步，本发明所涉及的基于分层多项式模型的飞灰含碳量软测量方法，还可以具有这样的特征：在步骤4中，
的取值形成上半三角区取值为0、行列数为m×m的矩阵，反映了每个上层燃烧器都受到位于其下层的所有燃烧器的影响：
矩阵中不同下标的A为不同的待求解系数，A1,m表示第1层燃烧器对第m层燃烧器的影响系数。
<系统>
进一步，本发明还提供一种飞灰含碳量在线监测系统，其特征在于，采用如下方法进行飞灰含碳量在线监测：
步骤I、系统投运初始期，通过飞灰含碳量在线检测装置对锅炉尾部灰管中的飞灰进行实时含碳量检测，得到飞灰含碳量实时实测值作为飞灰含碳量硬测量值，此时，采用飞灰含碳量硬测量值作为飞灰含碳量进行结果输出；
步骤II、通过计算机收集飞灰含碳量硬测量值和各工况测点参数值，建立包含各时刻飞灰含碳量与各工况测点参数值这些历史实测数据的数据库，对数据库进行数据清洗，剔除飞点和坏点；
步骤III、基于数据库中的历史实测数据，采用权利要求1至6中任意一项所述的飞灰含碳量软测量方法，构建基于锅炉特征参数(工况测点参数)的飞灰含碳软测量模型，采用飞灰含碳量计算公式计算得到飞灰含碳量软测值；
步骤IV、在飞灰含碳量在线检测装置的可能故障期，根据飞灰含碳软测量模型得到飞灰含碳量软测值，对一定时间内飞灰含碳量实时实测值和飞灰含碳量软测值进行置信度检验，若飞灰含碳量实时实测值偏差在一定范围内，采用软硬测量相互校正的方法获取飞灰含碳量进行结果输出和进一步循环训练的样本，若飞灰含碳量实时实测值偏差在一定范围外，判断为飞灰含碳量在线检测装置发生故障，采用飞灰含碳量软测值作为飞灰含碳量进行结果输出；
步骤V、在飞灰含碳量在线检测装置故障期，采用飞灰含碳量软测值作为飞灰含碳量进行结果输出；
步骤VI、当飞灰含碳量在线检测装置修好后，取消故障判断，跳转至步骤I，采用飞灰含碳量硬测量值进行结果输出，重复以上步骤对锅炉飞灰含碳量进行持续监测。
上述本发明所提供的飞灰含碳量在线监测方法，在系统投运初始期，采用飞灰含碳量在线检测装置获取飞灰含碳量，且使用飞灰含碳量在线检测装置获得的飞灰含碳量实时实测值数据库进行机器学习，结合锅炉特征参数，构建基于锅炉特征参数的飞灰含碳软测量模型；当飞灰含碳量在线检测装置可能出现故障时，采用软硬测量相互校正的方法获取飞灰含碳量，以消除可能存在的取样代表性问题；当飞灰含碳量在线检测装置出现故障或者数据长时间异常时，采用飞灰含碳量软测值作为飞灰含碳量，以在不停机状态满足燃煤电站对于飞灰含碳量实时在线监测的需求，直至飞灰含碳量在线检测装置恢复，继续采用飞灰含碳量在线检测装置获取飞灰含碳量。不仅可以解决飞灰含碳量在线检测装置发生故障时整套系统完全陷入停摆的问题，保障飞灰含碳量数据的不间断输出，还可以实时检验飞灰含碳量的结果，保障数据准确性。同时还无需进行系统投运初始期的历史数据调用和建模，在系统投运的过程中完成飞灰含碳软测量模型的建立和校正，大大减少了系统投运调试和校验的周期，使得整套系统具有更快的响应周期和更强的推广价值。动态优化的模型及数据库也为软硬测量的准确性和适用性提供了保障。该系统采用飞灰含碳量在线检测装置获取和飞灰含碳软测量模型结合，软硬测量结果较好的置信度也可以保障飞灰含碳量在线检测结果的正确性和准确性；不断通过飞灰含碳量在线检测装置获取的飞灰含碳量实时实测值和飞灰含碳软测量模型获取地飞灰含碳量软测值进行数据迭代，可以避免锅炉特征参数在使用过程中不断变化的情况，由于可以同时获得飞灰含碳量的准确结果，通过校验的飞灰含碳量实时实测值会再次进入飞灰含碳软测量模型的数据库进行迭代训练并对飞灰含碳软测量模型进行动态优化，从而保障飞灰含碳软测量模型获取地飞灰含碳量软测值保持高精度。
优选地，本发明所涉及的飞灰含碳量在线监测系统，还可以具有这样的特征：在步骤IV中，对一定时间T1内的飞灰含碳量硬测量值进行置信度检验，当飞灰含碳量硬测量值相对于飞灰含碳量软测值的偏差M在一定范围内，a≤M≤b，采用软硬测量相互校正的方法获取飞灰含碳量，飞灰含碳量的计算公式为：
式中，C为飞灰含碳量，C软为飞灰含碳量软测值，C硬为飞灰含碳量硬测量值，σ为标准差，σ硬和σ软分别代表当前检测前24小时飞灰含碳量软测值和飞灰含碳量硬测量值的标准差。
优选地，在本发明所涉及的飞灰含碳量在线监测系统，还可以具有这样的特征：其中，当飞灰含碳量硬测量值偏差M>a或M<b，即时重新取样检测得到第一新飞灰含碳量硬测量值，若第一新飞灰含碳量硬测量值偏差a≤M≤b，则再次即时取样检测，得到第二新飞灰含碳量硬测量值，输出第一新飞灰含碳量硬测量值和第二新飞灰含碳量硬测量值的均值作为飞灰含碳量实时实测值，采用软硬测量相互校正的方法获取飞灰含碳量进行结果输出和进一步循环训练的样本；
若第一新飞灰含碳量硬测量值偏差M>a或M<b，则输出提示监测员飞灰含碳量在线检测装置可能要发生故障的预警信息，再次即时取样检测，得到第二新飞灰含碳量硬测量值，若第二新飞灰含碳量硬测量值偏差a≤M≤b，则再次即时取样检测，得到第三新飞灰含碳量硬测量值，并输出第二新飞灰含碳量硬测量值和第三新飞灰含碳量硬测量值的均值作为飞灰含碳量硬测量值，采用软硬测量相互校正的方法获取飞灰含碳量进行结果输出和进一步循环训练的样本；
若第一新飞灰含碳量硬测量值和第二新飞灰含碳量硬测量值偏差M>a或M<b，则输出提示监测员飞灰含碳量在线检测装置已发生故障需要进行维修的警告信息，采用飞灰含碳量软测值作为飞灰含碳量进行结果输出。
优选地，在本发明所涉及的飞灰含碳量在线监测系统，还可以具有这样的特征：在步骤IV中，将一定时间范围T2内，飞灰含碳量在线检测装置测得的飞灰含碳量硬测量值的变化率与飞灰含碳软测量模型获得的飞灰含碳量软测值的变化率进行比较，设该时间范围内飞灰含碳量硬测量值的变化率最大值为c，若飞灰含碳量软测值的变化率不超过c’，则信任飞灰含碳量硬测量值；若仅在一小部分时间范围T3以内(T3＜T2)，飞灰含碳量软测值的变化率超过c’，则输出提示监测员飞灰含碳量在线检测装置可能要发生故障的预警信息，获取第一新飞灰含碳量硬测量值和第二新飞灰含碳量硬测量值，以第一新飞灰含碳量硬测量值和第二新飞灰含碳量硬测量值的均值作为飞灰含碳量硬测量值，采用软硬测量相互校正的方法获取飞灰含碳量进行结果输出和进一步循环训练的样本；若在大于T3的时间范围内，飞灰含碳量软测值的变化率都超过c’，则输出提示监测员飞灰含碳量在线检测装置已发生故障需要进行维修的警告信息，采用飞灰含碳量软测值作为飞灰含碳量进行结果输出。c’＝5％～10％，T2＝24～48小时，T3＝2～4小时。
优选地，本发明所涉及的飞灰含碳量在线监测系统，还可以具有这样的特征：若飞灰含碳量在线检测装置测得的飞灰含碳量硬测量值在一定时间T4内相对偏差大于等于d；若下一个一定时间T4内相对偏差小于d，则输出提示监测员飞灰含碳量在线检测装置可能要发生故障的预警信息，采用软硬测量相互校正的方法获取飞灰含碳量进行结果输出和进一步循环训练的样本；若下一个一定时间T4内相对偏差大于等于d，采用飞灰含碳量软测值作为飞灰含碳量进行结果输出，则输出提示监测员飞灰含碳量在线检测装置已发生故障需要进行维修的警告信息。
优选地，本发明所涉及的飞灰含碳量在线监测系统，还可以具有这样的特征：若飞灰含碳量在线检测装置使用时间超过重置周期e，则输出提示监测员飞灰含碳量在线检测装置已发生故障需要进行维修的警告信息。
附图说明
图1是本发明涉及的基于分层多项式模型的飞灰含碳量软测量方法的流程图。
具体实施方式
下文对本发明所涉及的基于分层多项式模型的飞灰含碳量软测量方法及监测系统作详细阐述。
<实施例一>
本实施例一中，采用基于分层多项式模型的飞灰含碳量软测量方法获得最终飞灰含碳量预测模型并采用该模型计算得到飞灰含碳量软测量值，具体包括如下步骤：
步骤一.获取一段时间内(例如，90天)的所有电厂工况历史数据，其中获取的工况测量点包括每台磨煤机的给煤量，磨煤机的一次风压、风温、风量、分离器出口温度和电流等，每一层的二次风门开度、空预器相关的一次风及二次风的温度、压力、风量及含氧量，送风机的送风温度、压力、风量，尾部烟道的含氧量、排烟温度，还有一些总体的参数如发电功率、总一次风量、总二次风量、炉膛压力、炉膛温度等，一共640个左右；
步骤二.以5分钟作为平均值间隔，计算出随着时间变化的工况参数值V(t)，这里t以离散值表示，t＝1,2,3,...；V代表对应的工况值。
步骤三.以步骤I中的给煤机给煤量测点作为基准时间点，计算其他测点的时间延迟性；本实施例中选择如下四个典型测点进行说明：给煤机给煤量测点，发电功率测点，飞灰含碳量测点，入炉煤质测点，并以给煤机给煤量测点作为基准时间点，计算其他测点的时间延迟性；具体的设给煤机给煤量测点历史数据为y(t)，其他测点历史数据为x(t)，假设c为时间错位点，进行x与y的错位对应即：
(xt,yt-c) t＝c+1,c+2,
以此为数据点计算x与y的皮尔逊线性相关系数，通过循环选择c的值选择皮尔逊线性相关系数最大时候的c作为对应的时间延迟值。
本实施例中，线性相关性分析的假设源于，假设下述公式：
y(t)＝x(t-tb)·w+b (1)
式中，w与b分别为斜率与截距，tb代表x与y的时间差。假设时间是离散的，可以用如下离散的公式表示上式：
式中，tc为整数，代表时刻差(偏移时间)。
本实施例中，其在某一实际电厂中的典型值如下：以给煤机给煤量测点为0时间点，5分钟为时间单元，发电功率测点拥有五分钟的往后延迟，飞灰含碳量测点拥有往后60分钟的延迟时间(取灰化验等延迟综合考虑)，入炉煤质测点拥有50分钟的超前时间(即给煤量相对于煤质信息拥有50分钟的时间延迟)。其他测点同理计算得到对应的延迟时间或超前时间作为偏移时间。
步骤四.基于上一步骤计算的时间延迟性，针对于不同测点对应的偏移时间，并把所有结果样本关联分组。
步骤五.机器学习的特征降维方法进行了进一步的特征降维。包括线性相关性分析、Lasso回归分析、单变量线性回归模型预测效果评估挑选特征等等。该步骤把潜在相关特征数降到50条左右。
步骤六.以含氧量5％为阈值，把所有样本分为高含氧量和低含氧量的两类样本，并把两类样本各自按照4:1:1分为训练+验证+测试集；验证采用5折交叉验证。
步骤七.基于本发明提出的预测模型，以均方误差作为模型误差的评价标准，通过组合不同的特征参数及最高幂次方，选择验证集样本的均方误差最小的最高幂次方n及特征组合方式。对于低含氧量和高含氧量样本，各自最优最高幂次方n1＝3,n2＝2。对于低含氧量，挑选的特征为：各层的磨煤机一次风量，各层的磨煤机旁路风量，各层的热值，各层的挥发分，送风机总送风量。对于高含氧量，挑选出的特征为：各层的全水，各层的内水，各层的磨煤机分离器电流，各层的磨煤机一次风量，炉膛温度。
本实施例中，预测模型公式如下式所示：
式中，
分别代表第j个磨煤机时刻t时候的煤质的灰分百分比和入炉煤量。
代表在时刻t由各种工况所决定的第j层燃烧器对应飞灰含碳量百分比，C表示0～T时间内测得的飞灰含碳量。具体的
为如下公式：
式中，n代表多项式的最高幂次，下标i代表特征的下标，
代表第j层燃烧器、第i个测点、幂次方为n的算式对应的待求解系数bj代表第j层燃烧器对应函数中的待求解常数。
步骤八.基于步骤七确定的最终模型超参数，以所有样本作为训练样本，训练出最终的预测模型(飞灰含碳量计算公式)。
本实施例中，实际电厂运行样本一共拥有1220组，在200组预测样本集上，对于低含氧量，其平均绝对误差为0.575％。对于高含氧量，平均绝对误差为0.324％。
<实施例二>
本实施例二为采用实施例一基于分层多项式模型的飞灰含碳量软测量方法进行飞灰含碳量在线监测的系统，该系统的具体监测方法为：
步骤I、系统投运初始期，通过飞灰含碳量在线检测装置对燃煤电站灰管中的飞灰进行实时含碳量检测，得到飞灰含碳量实时实测值作为飞灰含碳量硬测量值，此时，采用飞灰含碳量硬测量值作为飞灰含碳量进行结果输出。
在步骤I中，通常使用基于灼烧法的飞灰含碳量在线检测装置，灼烧法的飞灰含碳量在线检测方法基本采用国标方法进行，具有较高的检测精度和可靠性，且无需进行建模和回归，可直接获得准确的飞灰含碳量实时值，有利于构建准确的飞灰含碳量软测量模型，飞灰含碳量在线硬测量装置在系统投运初始期往往有着很好的可靠度和检测精度，其测得的实时飞灰含碳量可直接匹配实时锅炉运行特征参数，无需进行人工匹配，省去了复杂的数据处理和可能存在的错漏。
步骤II、通过计算机收集飞灰含碳量硬测量值和各工况测点参数值，建立包含各时刻飞灰含碳量与各工况测点参数值这些历史实测数据的数据库，对数据库进行数据清洗，剔除飞点和坏点。
步骤III、基于数据库中的历史实测数据，采用实施例一描述的飞灰含碳量软测量方法，构建基于工况测点参数的飞灰含碳软测量模型，将分层多项式模型作为飞灰含碳软测量模型，采用基于模型确定的飞灰含碳量计算公式计算得到飞灰含碳量软测值。
步骤IV、在飞灰含碳量在线检测装置的可能故障期，根据飞灰含碳软测量模型得到飞灰含碳量软测值，对一定时间内飞灰含碳量硬测量值和飞灰含碳量软测值进行置信度检验，若飞灰含碳量硬测量值偏差在一定范围内，采用软硬测量相互校正的方法获取飞灰含碳量进行结果输出和进一步循环训练的样本，若飞灰含碳量硬测量值偏差在一定范围外，判断飞灰含碳量在线检测装置故障，采用飞灰含碳量软测值作为飞灰含碳量进行结果输出。
在步骤IV中，对一定时间T1内的飞灰含碳量硬测量值和飞灰含碳量软测值进行置信度检验，T1为24～36小时，当飞灰含碳量硬测量值相对于飞灰含碳量软测值的偏差M在一定范围内，a≤M≤b，a取1％～2％，b取15％～20％，采用软硬测量相互校正的方法获取飞灰含碳量，飞灰含碳量的计算公式为：
其中：C为飞灰含碳量，C软为飞灰含碳量软测值，C硬为飞灰含碳量硬测量值，σ为标准差，σ硬和σ软分别代表当前检测前24小时飞灰含碳量软测值和飞灰含碳量硬测量值的标准差。
标准差可以反应一组数据的离散程度，这样计算的目的是尽可能剔除飞灰含碳量软测值和飞灰含碳量硬测量值的波动引起的数据偏差，飞灰含碳量硬测量值可能由于采样代表性或长时间运行时的细微故障等导致单次检测偏差较大，而飞灰含碳量软测值则可能由于模型完善程度不足或系统实时锅炉特征参数异常等造成单次检测偏差较大，将两种检测在当次检测前24h内数据的标准差作为修正系数，当波动较大及相对标准偏差较大时，表明该数据可能存在异常的可能性更大，因此在实际输出的飞灰含碳量中其所占加权相应较小，反之则加权较大，从而保障飞灰含碳量检测的准确性。
上述步骤IV中，当飞灰含碳量硬测量值不在正常区间，即飞灰含碳量硬测量值偏差M>a或M<b，即时重新取样检测得到第一新飞灰含碳量硬测量值，若第一新飞灰含碳量硬测量值在正常区间，即第一新飞灰含碳量硬测量值偏差a≤M≤b，则再次即时取样检测，得到第二新飞灰含碳量硬测量值，输出第一新飞灰含碳量硬测量值和第二新飞灰含碳量硬测量值的均值作为飞灰含碳量硬测量值，采用软硬测量相互校正的方法获取飞灰含碳量进行结果输出和进一步循环训练的样本，即飞灰含碳量通过公式
获得。
若第一新飞灰含碳量硬测量值不在正常区间，即第一新飞灰含碳量硬测量值偏差M>a或M<b，则输出提示监测员飞灰含碳量在线检测装置可能要发生故障的预警信息，再次即时取样检测，得到第二新飞灰含碳量硬测量值，若第二新飞灰含碳量硬测量值在正常区间，即第二新飞灰含碳量硬测量值偏差a≤M≤b，则再次即时取样检测，得到第三新飞灰含碳量硬测量值，并输出第二新飞灰含碳量硬测量值和第三新飞灰含碳量硬测量值的均值作为飞灰含碳量硬测量值，采用软硬测量相互校正的方法获取飞灰含碳量进行结果输出和进一步循环训练的样本，即飞灰含碳量通过公式
获得。若第一新飞灰含碳量硬测量值和第二新飞灰含碳量硬测量值均不在正常区间，即第一新飞灰含碳量硬测量值偏差M>a或M<b且第二新飞灰含碳量硬测量值偏差M>a或M<b，则输出提示监测员飞灰含碳量在线检测装置已发生故障需要进行维修的警告信息，采用飞灰含碳量软测值作为飞灰含碳量进行结果输出，需要对飞灰含碳量在线检测装置进行维修。
在步骤IV中，将一定时间范围T2内，飞灰含碳量在线检测装置测得的飞灰含碳量硬测量值的变化率与飞灰含碳软测量模型获得的飞灰含碳量软测值的变化率进行比较，设该时间范围内飞灰含碳量硬测量值的变化率最大值为c，若飞灰含碳量软测值的变化率不超过c’，则信任飞灰含碳量硬测量值；若仅在一小部分时间范围T3以内(T3＜T2)，飞灰含碳量软测值的变化率超过c’，则输出提示监测员飞灰含碳量在线检测装置可能要发生故障的预警信息，获取第一新飞灰含碳量硬测量值和第二新飞灰含碳量硬测量值，以第一新飞灰含碳量硬测量值和第二新飞灰含碳量硬测量值的均值作为飞灰含碳量硬测量值，采用软硬测量相互校正的方法获取飞灰含碳量进行结果输出和进一步循环训练的样本，即飞灰含碳量通过公式
获得；若在大于T3的时间范围内，飞灰含碳量软测值的变化率都超过c’，则输出提示监测员飞灰含碳量在线检测装置已发生故障需要进行维修的警告信息，采用飞灰含碳量软测值作为飞灰含碳量进行结果输出。本实施例中，c’＝5％，T2＝24小时，T3＝4小时。
在步骤IV中，若飞灰含碳量在线检测装置测得的飞灰含碳量硬测量值在一定时间T4内相对偏差大于等于d，T4一般取值为2小时，d一般取值10％。若下一个一定时间T4内相对偏差小于d，则输出提示监测员飞灰含碳量在线检测装置可能要发生故障的预警信息，采用软硬测量相互校正的方法获取飞灰含碳量进行结果输出和进一步循环训练的样本，即飞灰含碳量通过公式
获得。若下一个一定时间T4内相对偏差大于等于d，则输出提示监测员飞灰含碳量在线检测装置已发生故障需要进行维修的警告信息，采用飞灰含碳量软测值作为飞灰含碳量进行结果输出，对飞灰含碳量在线检测装置进行维修。
在步骤IV中，若飞灰含碳量在线检测装置使用时间超过重置周期e，则输出提示监测员飞灰含碳量在线检测装置可能要发生故障的预警信息，e一般取值6个月，采用上述方法判别飞灰含碳量硬测量值。
以上各类判别方法可以单独采用也可以结合采用，结合采用效果更好、精度更高。
步骤V、在飞灰含碳量在线检测装置维修期，通过飞灰含碳软测量模型得到飞灰含碳量软测值，此时，采用飞灰含碳量软测值作为飞灰含碳量进行结果输出。
步骤VI、当飞灰含碳量在线检测装置修好后，跳转步骤I，采用飞灰含碳量硬测量值作为飞灰含碳量进行结果输出，重复以上步骤。
本发明中，将飞灰含碳量在线检测装置和飞灰含碳软测量模型相结合，飞灰含碳量在线检测装置在系统投运初始期往往有着很好的可靠度和检测精度，其测得的实时飞灰含碳量可直接匹配实时锅炉运行特征参数，无需进行人工匹配，省去了复杂的数据处理和可能存在的错漏，但是飞灰含碳量在线检测装置在使用一段时间后容易出现故障或偏差，使得飞灰含碳量在线检测装置输出的飞灰含碳量硬测量值不准确，需要飞灰含碳量在线检测装置进行维修。
在系统投运初始期，采用飞灰含碳量在线检测装置获取飞灰含碳量，且使用飞灰含碳量在线检测装置获得的飞灰含碳量硬测量值建立数据库进行机器学习，结合锅炉特征参数，构建基于锅炉特征参数的飞灰含碳软测量模型；当飞灰含碳量在线检测装置可能出现故障时，采用软硬测量相互校正的方法获取飞灰含碳量，以消除可能存在的取样代表性问题；当飞灰含碳量在线检测装置出现故障或者数据长时间异常时，采用飞灰含碳量软测值作为飞灰含碳量，以在不停机状态满足燃煤电站对于飞灰含碳量实时在线监测的需求，直至飞灰含碳量在线检测装置恢复，继续采用飞灰含碳量在线检测装置获取飞灰含碳量，重复以上步骤。
本发明不仅可以解决飞灰含碳量在线检测装置发生故障时整套系统完全陷入停摆的问题，保障飞灰含碳量数据的不间断输出，还可以实时检验飞灰含碳量的结果，保障数据准确性。同时还无需进行系统投运初始期的历史数据调用和建模，在系统投运的过程中完成飞灰含碳软测量模型的建立和校正，大大减少了系统投运调试和校验的周期，使得整套系统具有更快的响应周期和更强的推广价值。动态优化的模型及数据库也为软硬测量的准确性和适用性提供了保障。
本发明采用飞灰含碳量在线检测装置获取和飞灰含碳软测量模型结合，软硬测量结果较好的置信度也可以保障飞灰含碳量在线检测结果的正确性和准确性；不断通过飞灰含碳量在线检测装置获取的飞灰含碳量硬测量值和飞灰含碳软测量模型获取地飞灰含碳量软测值进行数据迭代，可以避免锅炉特征参数在使用过程中不断变化的情况，由于可以同时获得飞灰含碳量的准确结果，通过校验的飞灰含碳量硬测量值会再次进入飞灰含碳软测量模型的数据库进行迭代训练并对飞灰含碳软测量模型进行动态优化，从而保障飞灰含碳软测量模型获取地飞灰含碳量软测值保持高精度。
以上实施例仅仅是对本发明技术方案所做的举例说明。本发明所涉及的基于分层多项式模型的飞灰含碳量软测量方法及监测系统并不仅仅限定于在以上实施例中所描述的结构，而是以权利要求所限定的范围为准。本发明所属领域技术人员在该的基础上所做的任何修改或补充或等效替换，都在本发明的权利要求所要求保护的范围内。
Claims (10)
1.一种基于分层多项式模型的飞灰含碳量软测量方法，其特征在于，包括：
步骤1.获取与锅炉总体和每层燃烧器有关的多个工况测点历史实测参数值，从这些工况测点中选取一个测点作为基准工况测点，其他作为相对工况测点；分别计算每个相对工况测点随基准工况测点的参数值变动而变动的延迟或者超前时间作为偏移时间；
步骤2.获取一定时期内包含相对工况测点和基准工况测点的锅炉工况测点实测参数值的历史数据，将历史数据中第t个时刻的基准工况测点参数值与扣除相应偏移时间后相应时刻的各个相对工况测点关联，作为第t个时刻的一组工况测点参数，得到不同时刻下的各组工况测点参数；
步骤3.以样本含氧量值作为分割点，分割点阈值设为5％，把分组关联后的历史数据进一步划分为高含氧量样本和低含氧量样本；
步骤4.把每种含氧量样本都分为训练集、验证集和测试集，采用适于复杂电厂的分层多项式模型作为预测模型：
式中，
分别代表第j层燃烧器在第t时刻的入炉煤质测点参数值和入炉煤量测点参数值，
代表在时刻t由各种工况所决定的第j层燃烧器对应飞灰含碳量百分比，C表示0～T时间内测得的锅炉尾部飞灰含碳量；
为第j层燃烧器对第j+w层燃烧器的影响因子，j+w≤m；m表示燃烧器的总层数；
式中，n代表多项式的最高幂次，下标i代表工况测点参数值的下标，
代表第j层燃烧器、第i个测点、幂次方为n的算式对应的待求解系数，bj代表第j层燃烧器对应函数中的待求解常数；
以均方误差作为模型误差的评价标准，对预测模型进行训练学习和验证，通过组合不同的工况测点参数及最高幂次方，选择验证集样本的均方误差最小的最高幂次方n及工况测点参数组合方式，得到分别对应于低含氧量和高含氧量样本的两个反映飞灰含碳量与特征工况测点参数具体映射关系的飞灰含碳量计算公式；
步骤5.飞灰含碳量计算
对于待预测时刻的飞灰含碳量，基于偏移时间，获取实测特征工况测点参数值，根据含氧量范围带入相应的飞灰含碳量计算公式中，计算得到飞灰含碳量作为软测量值。
2.根据权利要求1所述的基于分层多项式模型的飞灰含碳量软测量方法，其特征在于：
其中，在步骤1中，设相邻时刻的间隔时间均为p分钟，采用如下方法计算每个相对工况测点的偏移时间tc：
1)选取tc的待定范围[-q,q]，该范围表示tc的最大值选为q个p分钟时间点，最小值选为-q个p分钟时间点；
2)针对每一个tc＝c的选取值，对基准工况测点xt和相对工况测点yt-c进行时间的错位对应：
(xt,yt-c)t＝c+1,c+2,c+3,……
以此为数据点计算x与y的皮尔逊线性相关系数：
式中，
和
代表样本的平均值；
3)得出tc＝c(c∈[-q,q])各时间点对应的皮尔逊相关系数rc，选取rc绝对值最大时的c值作为相对工况测点的变动时间tc。
3.根据权利要求1所述的基于分层多项式模型的飞灰含碳量软测量方法，其特征在于：
其中，在步骤2中，得到不同时刻下的各组工况测点参数后，进一步基于机器学习的降维方法对工况测点进行特征降维，挑选出多个重要工况测点作为步骤4和步骤5所采用的工况测点。
4.根据权利要求1所述的基于分层多项式模型的飞灰含碳量软测量方法，其特征在于：
其中，在步骤4中，对应验证集样本的均方误差最小的低含氧量和高含氧量样本的最优最高幂次方依次为n1＝3,n2＝2。
5.根据权利要求1所述的基于分层多项式模型的飞灰含碳量软测量方法，其特征在于：
其中，在步骤4中，
的取值形成上半三角区取值为0、行列数为m×m的矩阵，反映了每个上层燃烧器都受到位于其下层的所有燃烧器的影响：
矩阵中不同下标的A为不同的待求解系数，A1,m表示第1层燃烧器对第m层燃烧器的影响系数。
6.根据权利要求1所述的基于分层多项式模型的飞灰含碳量软测量方法，其特征在于：
其中，在步骤5中，是基于变动时间根据步骤2中同样的关联方法，将扣除变动时间后相应时刻的特征工况测点的参数值进行关联。
7.一种飞灰含碳量在线监测系统，其特征在于，采用如下方法进行飞灰含碳量在线监测：
步骤I、系统投运初始期，通过飞灰含碳量在线检测装置对锅炉尾部灰管中的飞灰进行实时含碳量检测，得到飞灰含碳量实时实测值作为飞灰含碳量硬测量值，此时，采用飞灰含碳量硬测量值作为飞灰含碳量进行结果输出；
步骤II、通过计算机收集飞灰含碳量硬测量值和各工况测点参数值，建立包含各时刻飞灰含碳量与各工况测点参数值这些历史实测数据的数据库，对数据库进行数据清洗，剔除飞点和坏点；
步骤III、基于数据库中的历史实测数据，采用权利要求1至6中任意一项所述的飞灰含碳量软测量方法，构建基于工况测点参数的飞灰含碳软测量模型，将分层多项式模型作为飞灰含碳软测量模型，采用基于模型确定的飞灰含碳量计算公式计算得到飞灰含碳量软测值；
步骤IV、在飞灰含碳量在线检测装置的可能故障期，根据飞灰含碳软测量模型得到飞灰含碳量软测值，对一定时间内飞灰含碳量实时实测值和飞灰含碳量软测值进行置信度检验，若飞灰含碳量实时实测值偏差在一定范围内，采用软硬测量相互校正的方法获取飞灰含碳量进行结果输出和进一步循环训练的样本，若飞灰含碳量实时实测值偏差在一定范围外，判断为飞灰含碳量在线检测装置发生故障，采用飞灰含碳量软测值作为飞灰含碳量进行结果输出；
步骤V、在飞灰含碳量在线检测装置故障期，采用飞灰含碳量软测值作为飞灰含碳量进行结果输出；
步骤VI、当飞灰含碳量在线检测装置修好后，取消故障判断，跳转至步骤I，采用飞灰含碳量硬测量值进行结果输出，重复以上步骤对锅炉飞灰含碳量进行持续监测。
8.根据权利要求7所述的飞灰含碳量在线监测系统，其特征在于：
其中，在步骤IV中，对一定时间T1内的飞灰含碳量硬测量值进行置信度检验，当飞灰含碳量硬测量值相对于飞灰含碳量软测值的偏差M在一定范围内，a≤M≤b，采用软硬测量相互校正的方法获取飞灰含碳量，飞灰含碳量的计算公式为：
式中，C为飞灰含碳量，C软为飞灰含碳量软测值，C硬为飞灰含碳量硬测量值，σ为标准差，σ硬和σ软分别代表当前检测前24小时飞灰含碳量软测值和飞灰含碳量硬测量值的标准差。
9.根据权利要求8所述的飞灰含碳量在线监测系统，其特征在于：
其中，在飞灰含碳量硬测量值在一定时间T4内相对偏差大于等于d的情况下：若下一个一定时间T4内相对偏差小于d，则输出提示监测员飞灰含碳量在线检测装置可能要发生故障的预警信息，采用软硬测量相互校正的方法获取飞灰含碳量进行结果输出和进一步循环训练的样本；若下一个一定时间T4内相对偏差大于等于d，判断飞灰含碳量在线检测装置已经发生故障，输出提示监测员飞灰含碳量在线检测装置已发生故障需要进行维修的警告信息，采用飞灰含碳量软测值作为飞灰含碳量进行结果输出。
10.根据权利要求8所述的飞灰含碳量在线监测方法，其特征在于：
其中，当飞灰含碳量硬测量值偏差M>a或M<b，即时重新取样检测得到第一新飞灰含碳量硬测量值，若第一新飞灰含碳量硬测量值偏差a≤M≤b，则再次即时取样检测，得到第二新飞灰含碳量硬测量值，输出第一新飞灰含碳量硬测量值和第二新飞灰含碳量硬测量值的均值作为飞灰含碳量实时实测值，采用软硬测量相互校正的方法获取飞灰含碳量进行结果输出和进一步循环训练的样本；
若第一新飞灰含碳量硬测量值偏差M>a或M<b，则输出提示监测员飞灰含碳量在线检测装置可能要发生故障的预警信息，再次即时取样检测，得到第二新飞灰含碳量硬测量值，若第二新飞灰含碳量硬测量值偏差a≤M≤b，则再次即时取样检测，得到第三新飞灰含碳量硬测量值，并输出第二新飞灰含碳量硬测量值和第三新飞灰含碳量硬测量值的均值作为飞灰含碳量硬测量值，采用软硬测量相互校正的方法获取飞灰含碳量进行结果输出和进一步循环训练的样本；
若第一新飞灰含碳量硬测量值和第二新飞灰含碳量硬测量值偏差M>a或M<b，则输出提示监测员飞灰含碳量在线检测装置已发生故障需要进行维修的警告信息，采用飞灰含碳量软测值作为飞灰含碳量进行结果输出。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111228889.5A CN113918881B (zh) | 2021-10-21 | 基于分层多项式模型的飞灰含碳量软测量方法及监测系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111228889.5A CN113918881B (zh) | 2021-10-21 | 基于分层多项式模型的飞灰含碳量软测量方法及监测系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN113918881A true CN113918881A (zh) | 2022-01-11 |
| CN113918881B CN113918881B (zh) | 2024-10-22 |
Family
ID=
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114896860A (zh) * | 2022-03-29 | 2022-08-12 | 武汉纺织大学 | 基于LightGBM和XGBoost组合模型的飞灰含碳量软测量方法 |
| CN114965164A (zh) * | 2022-06-02 | 2022-08-30 | 连云港同顺电力节能设备有限公司 | 一种电力生产飞灰监测系统、方法及存储介质 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20070184556A1 (en) * | 2004-02-27 | 2007-08-09 | Zhen Wang | On-line monitoring method and device for a fossil fuel converter apparatus |
| US20170061305A1 (en) * | 2015-08-28 | 2017-03-02 | Jiangnan University | Fuzzy curve analysis based soft sensor modeling method using time difference Gaussian process regression |
| CN107133460A (zh) * | 2017-04-26 | 2017-09-05 | 中国能源建设集团广东省电力设计研究院有限公司 | 一种锅炉飞灰含碳量在线动态预测方法 |
| CN113283052A (zh) * | 2021-04-15 | 2021-08-20 | 华中科技大学 | 飞灰含碳量软测量方法及燃煤锅炉燃烧优化方法和系统 |
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20070184556A1 (en) * | 2004-02-27 | 2007-08-09 | Zhen Wang | On-line monitoring method and device for a fossil fuel converter apparatus |
| US20170061305A1 (en) * | 2015-08-28 | 2017-03-02 | Jiangnan University | Fuzzy curve analysis based soft sensor modeling method using time difference Gaussian process regression |
| CN107133460A (zh) * | 2017-04-26 | 2017-09-05 | 中国能源建设集团广东省电力设计研究院有限公司 | 一种锅炉飞灰含碳量在线动态预测方法 |
| CN113283052A (zh) * | 2021-04-15 | 2021-08-20 | 华中科技大学 | 飞灰含碳量软测量方法及燃煤锅炉燃烧优化方法和系统 |
Non-Patent Citations (1)
| Title |
|---|
| 李佳东;宋志强;吴宇;: "基于多元线性回归分析的大型电站锅炉飞灰含碳量在线软测量模型的应用研究", 工业控制计算机, no. 12, 25 December 2016 (2016-12-25) * |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114896860A (zh) * | 2022-03-29 | 2022-08-12 | 武汉纺织大学 | 基于LightGBM和XGBoost组合模型的飞灰含碳量软测量方法 |
| CN114896860B (zh) * | 2022-03-29 | 2024-05-14 | 武汉纺织大学 | 基于LightGBM和XGBoost组合模型的飞灰含碳量软测量方法 |
| CN114965164A (zh) * | 2022-06-02 | 2022-08-30 | 连云港同顺电力节能设备有限公司 | 一种电力生产飞灰监测系统、方法及存储介质 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN104391189B (zh) | 基于三级诊断的大型光伏阵列故障诊断定位方法 | |
| CN112232571B (zh) | 一种废气主要污染物浓度的预测方法 | |
| CN109557869A (zh) | 一种火电机组碳排放在线监测管理系统 | |
| US20010034582A1 (en) | Thermal efficiency diagnostic method and apparatus of a combined power generation plant | |
| CN109253870B (zh) | 生物质燃料锅炉热交换管寿命的评估装置及方法 | |
| CN111753389B (zh) | 一种燃煤锅炉入炉原煤热值在线软测量方法和装置 | |
| CN101858591B (zh) | 锅炉水冷壁高温腐蚀状态诊断及预防系统及方法 | |
| CN106649919A (zh) | 燃煤电站锅炉飞灰含碳量预测模型构建方法及系统 | |
| CN102645523B (zh) | 基于制粉系统热平衡的入炉煤收到基水分在线辨识方法 | |
| CN111581597A (zh) | 基于自组织核回归模型的风电机组齿轮箱轴承温度状态监测方法 | |
| CN104331736A (zh) | 基于RBF神经网络的超超临界锅炉NOx排放动态预测方法 | |
| CN107516174A (zh) | 电厂技术监督策略库的生成方法 | |
| CN110532681A (zh) | 基于narx网络-箱线图和常模式提取的燃机异常检测方法 | |
| CN108197723B (zh) | 煤电机组供电煤耗与污染物排放的优化节能调度方法 | |
| CN113918881A (zh) | 基于分层多项式模型的飞灰含碳量软测量方法及监测系统 | |
| CN113836794B (zh) | 一种软硬结合的飞灰含碳量在线监测方法 | |
| CN113918881B (zh) | 基于分层多项式模型的飞灰含碳量软测量方法及监测系统 | |
| CN110458480B (zh) | 一种发电厂化学仪表准确性在线评价系统 | |
| EP4352339B1 (en) | A method and a system for monitoring and on-line determining of a calorific value of solid fuel that is currently combusted in a boiler | |
| CN114187976B (zh) | 一种基于实时测量数据的氧量预测方法 | |
| CN112504389B (zh) | 电接点水位计测量系统及其测量方法和诊断方法 | |
| CN207112772U (zh) | 基于核偏最小二乘的锅炉炉膛温度在线预测系统 | |
| CN115688567A (zh) | 一种火电厂磨煤机煤种实时在线检测方法及系统 | |
| CN110647560B (zh) | 一种机理与类脑智能结合的电厂入炉煤质在线软测量方法 | |
| CN112051839A (zh) | 一种基于树结构稀疏的过程监测和故障诊断方法 |
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 | ||
| GR01 | Patent grant |