CN113987942A - 一种基于深度学习的火电厂锅炉蒸汽量预测方法 - Google Patents

一种基于深度学习的火电厂锅炉蒸汽量预测方法 Download PDF

Info

Publication number
CN113987942A
CN113987942A CN202111272383.4A CN202111272383A CN113987942A CN 113987942 A CN113987942 A CN 113987942A CN 202111272383 A CN202111272383 A CN 202111272383A CN 113987942 A CN113987942 A CN 113987942A
Authority
CN
China
Prior art keywords
data
group
characteristic data
variable
boiler
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.)
Withdrawn
Application number
CN202111272383.4A
Other languages
English (en)
Inventor
查玲
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.)
Xian Thermal Power Research Institute Co Ltd
Huaneng Qinmei Ruijin Power Generation Co Ltd
Original Assignee
Xian Thermal Power Research Institute Co Ltd
Huaneng Qinmei Ruijin Power Generation 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 Xian Thermal Power Research Institute Co Ltd, Huaneng Qinmei Ruijin Power Generation Co Ltd filed Critical Xian Thermal Power Research Institute Co Ltd
Priority to CN202111272383.4A priority Critical patent/CN113987942A/zh
Publication of CN113987942A publication Critical patent/CN113987942A/zh
Withdrawn legal-status Critical Current

Links

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
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
    • Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
    • Y04S10/00—Systems supporting electrical power generation, transmission or distribution
    • Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • Software Systems (AREA)
  • Artificial Intelligence (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computational Linguistics (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Data Mining & Analysis (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Medical Informatics (AREA)
  • Computer Hardware Design (AREA)
  • Geometry (AREA)
  • Control Of Steam Boilers And Waste-Gas Boilers (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明公开了一种基于深度学习的火电厂锅炉蒸汽量预测方法，以锅炉的工况数据作为特征数据，通过皮尔森相关系数找出特征数据中相关性高的特征，并且将这些相关度高的特征数据划分为一组，将每一组的特征数据进行线性组合，形成新的变量，将新的变量输入神经网络模型中进行回归，实现蒸汽量的回归预测；本发明不需要火电厂专业背景就可以完成工况数据的线性组合和蒸汽量预测，是大数据、深度学习、人工智能等技术在火电厂应用的一个典型案例。

Description

一种基于深度学习的火电厂锅炉蒸汽量预测方法
技术领域
本发明涉及火电厂锅炉蒸汽量预测技术领域，具体涉及一种基于深度学习的火电厂锅炉蒸汽量预测方法。
背景技术
火电厂在我国发电领域占据主要地位，占全国发电总量的70％。虽然各种清洁能源发电逐渐涌现，但是目前的清洁能源还存在局限性，难以满足大规模的用电需求，因此在很长一段时间内，火电厂的主体地位仍然不可动摇。火电厂实现了热能、动能和电能的转化，首先将煤燃烧产生热能，产生的热能加热水形成水蒸汽，水蒸汽推动发电机将动能转化为电能。在整个发电过程中，锅炉产生的蒸汽量是一个重要的指标，蒸汽量跟锅炉的燃烧效率有着紧密的关系，影响锅炉燃烧效率的特征因素包括炉膛温度、炉膛压力、过热器温度、给煤量、给水量和一二次风等。蒸汽量的预测对锅炉的生产效率和生产安全具有指导意义。随着大数据分析，人工智能，深度学习等技术的快速发展，大数据挖掘、机器学习等越来越多的应用到实际工程中，在蒸汽量预测方面，目前有支撑向量机回归、线性回归、随机森林等大数据分析方法，这些方法需要通过分析工况数据与蒸汽量之间的相关性来实现特征的选择，这种挑选特征的方式没有考虑到工况数据之间的多重共线性关系，使得模型的预测效果不理想。人工选择特征，预测精度很大程度上取决于人工设计，非常耗时耗力，周期较长，而且难以适应其他的工况数据。因此，利用数据分析和深度学习方法，分析特征数据之间的相关性，将相关性高的特征数据进行线性组合形成新变量有利于解决多重共线性问题对预测结果的影响，使用神经网络回归蒸汽量的预测值，提高了预测模型的精确度和泛化性。
目前的锅炉蒸汽量预测方法分为两大类：
1)传统的蒸汽量预测方法依赖专业人士通过人工选择特征，预测精度很大程度上取决于人工设计，非常耗时耗力，周期较长，而且难以适应其他的工况数据，预测的精确度不高。
2)目前的大数据分析和机器学习方法逐渐被应用到锅炉的蒸汽量预测，这类方法对数据进行特征工程完成特征选择，然后通过支撑向量机，随机森林，K近邻等算法进行回归预测。也有一些方法融合多种回归方法实现蒸汽量的预测。但这些方法没有考虑到工况数据之间的多重共线性，或者仅通过删除一些工况参数来削弱数据之间的多重共线性，但是这种方法可能消除了专家和传统意义上重要的特征，留下来的可能是比较冷门的特征，这使得模型的稳定性和解释性难以保证。
综上所述，现有的火电厂锅炉蒸汽量的预测方法无法有效的实现蒸汽量的预测，为解决这一问题，本发明提出了一种基于深度学习的火电厂锅炉蒸汽量的预测方法，实现了预测效果的稳定性以及模型的可解释性。
发明内容
为了克服上述现有技术存在的问题，本发明的目的在于提出一种基于深度学习的火电厂锅炉蒸汽量预测方法，通过分析工况数据之间的多重共线性，将相关性高的多个工况数据进行线性组合，形成新的变量，将经过线性组合的新变量放入神经网络模型进行回归，实现有效的火电厂锅炉蒸汽量预测。
为了达到上述目的，本发明采用以下技术方案：
一种基于深度学习的火电厂锅炉蒸汽量预测方法，以锅炉的工况数据作为特征数据，通过皮尔森相关系数找出特征数据中相关性高的特征，并且将这些相关度高的特征数据划分为一组，将每一组的特征数据进行线性组合，形成新的变量，将新的变量输入神经网络模型中进行回归，实现蒸汽量的回归预测；具体包括如下步骤：
步骤1：获取锅炉蒸汽量和锅炉传感器的特征数据，对得到的历史数据做数据预处理操作；将数据按照3：1划分训练集和测试集。
步骤2：将经过数据预处理的特征数据进行相关性分析，采用皮尔森相关系数法，将相关度高的特征数据划分为一组，变量X与变量Y的相关性系数ρX,Y的计算公式如下：
Figure BDA0003328348990000031
式1中cov(X,Y)为变量X与变量Y的协方差，σX，σY分别为变量X和变量Y的标准差；在分组过程中优先选择相关性系数大于0.8的进行分组，然后将相关性系数大于0.6的特征数据放入已经划好的分组，或形成新的分组，依次划分，直到所有相关性系数大于0.3的特征数据都完成分组，最后将不能划分到任何组的特征数据合并成一组。
步骤3：将每一组的特征数据进行线性组合形成一个新的变量，如下公式所示：
f(x)＝a0x0+a1x1+…aixi+b 式2
式2中f(x)f(x)为新变量，x0，x1，xi表示锅炉的工况数据，a0，a1，ai和b为系数。
步骤4：构建神经网络模型，神经网络的输入按照相关性进行特征分组，网络的第一层由n个带有线性整流函数的全连接层分支网络构成，然后将所有全连接层分支网络输出的隐含层进行合并，依次输入三层带有线性整流函数的全连接层网络，这三层全连接层的输出维度分别为64维、32维和10维，10维全连接层连接输出预测值的输出层；
步骤5：将通过线性组合得到的新变量输入神经网络模型，进行回归预测，神经网络模型结构采用分支网络分别对每个分组进行线性组合，每个分组分别通过一层全连接层网络，将输出的隐含层进行合并，然后输入具有三层全连接层的网络，最后通过回归预测输出一维的蒸汽量预测值。
本发明相比于现有技术具有如下特点：
目前的蒸汽预测方法大部分都是通过锅炉工况数据与蒸汽量的相关性，来剔除相关性小的特征数据，多重共线性关系在目前的蒸汽量预测算法中没有得到有效解决。此外手工构造特征数据之间的线性组合关系，需要专家和传统的先验知识，且构造出来的线性组合关系不一定具有适应其他数据的能力。本发明在火电厂锅炉蒸汽量预测的方法中，通过使用皮尔森相关系数法获取数据之间的相关性，利用相关性矩阵将锅炉工况的特征数据进行分组，使用深度学习方法，通过构造神经网络模型来学习各个分组之间的线性组合关系，然后通过回归实现蒸汽量的预测，本发明不需要火电厂专业背景就可以完成工况数据的线性组合和蒸汽量预测，是大数据、深度学习、人工智能等技术在火电厂应用的一个典型案例。
附图说明
图1为本发明的流程图。
图2为本发明实施例提供的锅炉工况数据的皮尔森相关系数矩阵图。
图3为本发明实施例的模型架构图。
具体实施方式
下面结合附图和具体实施例对本发明作进一步详细说明。
如图1所示，某火电厂，通过基于深度学习的火电厂锅炉蒸汽量预测方法预测锅炉产生的蒸汽量的具体步骤如下：
步骤1，获取锅炉蒸汽量target和锅炉传感器的特征数据{V0，V1，V2，V3，…，V37}，对得到的历史数据做数据预处理操作。将4000条数据按照3：1划分训练集和数据集。
步骤2，将经过数据预处理的特征数据进行相关性分析，采用皮尔森相关系数法，将相关度高的特征数据划分为一组，变量X与变量Y的相关性系数的ρX,Y计算公式如下：
Figure BDA0003328348990000061
式1中cov(X,Y)为变量X与变量Y的协方差，σX，σY分别为变量X和变量Y的标准差。根据计算的相关性系数大小，将特征数据划分如下几个分组{V0，V1，V3，V4，V8，V12，V20，V27，V31}，{V2，V6，V7，V16}，{V5，V11，V21，V37}，{V9，V23，V35}，{V13，V14，V17，V22}，{V18，V30，V32，V33，V34}，{V10，V36}，{V15，V29}，{19，26，28}，{24，25}。
步骤2.1，首先根据得到的图2所示的相关性矩阵，选择相关性系数大于0.8的特征数据进行分组。
步骤2.2，将相关性系数大于0.6的特征数据放入已经划好的分组，或形成新的分组。依次划分，直到所有相关性系数大于0.3的特征数据都完成分组。
步骤2.3，将不能划分到任何组的特征数据合并成一组。
步骤3，将每一组的特征数据进行线性组合形成一个新的变量，如下公式所示：
f(x)＝a0x0+a1x1+…aixi+b 式2
式2中f(x)f(x)为新变量，x0，x1，xi表示锅炉的工况数据，a0，a1，ai和b为系数。
步骤4：构建神经网络模型，如图3所示，神经网络的输入按照相关性进行特征分组，网络的第一层由n个带有线性整流函数的全连接层分支网络构成，然后将所有全连接层分支网络输出的隐含层进行合并，依次输入三层带有线性整流函数的全连接层网络，这三层全连接层的输出维度分别为64维、32维和10维，10维全连接层连接输出预测值的输出层；
步骤4，将通过线性组合得到的新变量输入神经网络模型，进行回归预测。如图3所示，神经网络模型结构采用分支网络分别对每个分组进行线性组合，每个分组分别通过一层全连接层网络，将输出的隐含层进行合并，然后输入具有三层全连接层的网络，最后通过回归预测输出一维的蒸汽量预测值。模型训练的迭代次数为700，损失函数为MSE函数。
本发明在火电厂锅炉蒸汽量预测的方法中，通过使用皮尔森相关系数法获取数据之间的相关性，利用相关性矩阵将锅炉工况的特征数据进行分组，使用深度学习方法，通过构造神经网络模型来学习各个分组之间的线性组合关系，然后通过回归实现蒸汽量的预测，本发明不需要火电厂专业背景就可以完成工况数据的线性组合和蒸汽量预测，是大数据、深度学习、等技术在火电厂应用的一个典型案例。

Claims (2)

1.一种基于深度学习的火电厂锅炉蒸汽量预测方法，其特征在于：以锅炉的工况数据作为特征数据，通过皮尔森相关系数找出特征数据中相关性高的特征，并且将这些相关度高的特征数据划分为一组，将每一组的特征数据进行线性组合，形成新的变量，将新的变量输入神经网络模型中进行回归，实现蒸汽量的回归预测；具体包括如下步骤：
步骤1：获取锅炉蒸汽量和锅炉传感器的特征数据，对得到的历史数据做数据预处理操作；将数据按照3：1划分训练集和测试集。
步骤2：将经过数据预处理的特征数据进行相关性分析，采用皮尔森相关系数法，将相关度高的特征数据划分为一组，变量X与变量Y的相关性系数ρX，Y的计算公式如下：
Figure FDA0003328348980000011
式1中cov(X，Y)为变量X与变量Y的协方差，σX，σY分别为变量X和变量Y的标准差；
步骤3：将每一组的特征数据进行线性组合形成一个新的变量，如下公式所示：
f(x)＝a0x0+a1x1+…aixi+b 式2
式2中f(x)f(x)为新变量，x0，x1，xi表示锅炉的工况数据，a0，a1，ai和b为系数。
步骤4：构建神经网络模型，神经网络的输入按照相关性进行特征分组，网络的第一层由n个带有线性整流函数的全连接层分支网络构成，然后将所有全连接层分支网络输出的隐含层进行合并，依次输入三层带有线性整流函数的全连接层网络，这三层全连接层的输出维度分别为64维、32维和10维，10维全连接层连接输出预测值的输出层；
步骤5：将通过线性组合得到的新变量输入神经网络模型，进行回归预测，神经网络模型结构采用分支网络分别对每个分组进行线性组合，每个分组分别通过一层全连接层网络，将输出的隐含层进行合并，然后输入具有三层全连接层的网络，最后通过回归预测输出一维的蒸汽量预测值。
2.根据权利要求1所述的一种基于深度学习的火电厂锅炉蒸汽量预测方法，其特征在于：步骤2所述的将相关度高的特征数据划分为一组具体为：在分组过程中优先选择相关性系数大于0.8的进行分组，然后将相关性系数大于0.6的特征数据放入已经划好的分组，或形成新的分组，依次划分，直到所有相关性系数大于0.3的特征数据都完成分组，最后将不能划分到任何组的特征数据合并成一组。
CN202111272383.4A 2021-10-29 2021-10-29 一种基于深度学习的火电厂锅炉蒸汽量预测方法 Withdrawn CN113987942A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111272383.4A CN113987942A (zh) 2021-10-29 2021-10-29 一种基于深度学习的火电厂锅炉蒸汽量预测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111272383.4A CN113987942A (zh) 2021-10-29 2021-10-29 一种基于深度学习的火电厂锅炉蒸汽量预测方法

Publications (1)

Publication Number Publication Date
CN113987942A true CN113987942A (zh) 2022-01-28

Family

ID=79744415

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111272383.4A Withdrawn CN113987942A (zh) 2021-10-29 2021-10-29 一种基于深度学习的火电厂锅炉蒸汽量预测方法

Country Status (1)

Country Link
CN (1) CN113987942A (zh)

Similar Documents

Publication Publication Date Title
Wang et al. Forecasting Chinese carbon emissions from fossil energy consumption using non-linear grey multivariable models
Cheng et al. ThermalNet: A deep reinforcement learning-based combustion optimization system for coal-fired boiler
CN112085277B (zh) 一种基于机器学习的scr脱硝系统预测模型优化方法
CN107609667B (zh) 基于Box_cox变换和UFCNN的供热负荷预测方法及系统
Seijo et al. Modeling and multi-objective optimization of a complex CHP process
CN111275367A (zh) 一种区域综合能源系统能效状态评价方法
CN112130538B (zh) 磨煤机的控制优化及模型训练的方法、装置、设备和介质
CN113837464A (zh) 一种基于CNN-LSTM-Attention的热电联产锅炉负荷预测方法
CN112052570A (zh) 一种基于灰狼算法的火电厂湿冷机组经济背压寻优方法
CN117031950A (zh) 深度调峰火电机组控制系统建模的方法及装置
CN112016754A (zh) 基于神经网络的电站锅炉排烟温度超前预测系统及方法
CN113536508A (zh) 一种制造网络节点分类方法及系统
CN113987942A (zh) 一种基于深度学习的火电厂锅炉蒸汽量预测方法
CN110674460B (zh) 基于E-Seq2Seq技术的数据驱动型机组组合智能决策方法
CN116862077A (zh) 基于多模态组合模型的电采暖运行成本预测方法和介质
Abdalisousan et al. Multi-objective thermoeconomic optimisation for combined-cycle power plant using particle swarm optimisation and compared with two approaches: an application
CN116843057A (zh) 基于LSTM-ViT的风电功率超短期预测方法
CN113836819B (zh) 一种基于时序关注的床温预测方法
CN111428906B (zh) 一种基于图像变换的工业锅炉蒸汽量预测方法
Uzoechi et al. Evaluation of optimal power dispatch of the Nigerian power system using Particle Swarm Technique
Wu et al. A hybrid least square support vector machine for boiler efficiency prediction
CN113191083A (zh) 考虑全工况外部参数变化的烟气余热回收系统优化设计方法
Das Biswas et al. Optimal operation of large power system by GA method
Serafino et al. Assessment of an Innovative Technique for the Robust Optimization of Organic Rankine Cycles
Shi et al. Clustering LS-SVM models for the prediction of unburned carbon content in fly ash

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
WW01 Invention patent application withdrawn after publication
WW01 Invention patent application withdrawn after publication

Application publication date: 20220128