CN116186624A - 一种基于人工智能的锅炉评估方法及系统 - Google Patents

一种基于人工智能的锅炉评估方法及系统 Download PDF

Info

Publication number
CN116186624A
CN116186624A CN202310097067.0A CN202310097067A CN116186624A CN 116186624 A CN116186624 A CN 116186624A CN 202310097067 A CN202310097067 A CN 202310097067A CN 116186624 A CN116186624 A CN 116186624A
Authority
CN
China
Prior art keywords
boiler
data
boiler efficiency
artificial intelligence
efficiency
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
Application number
CN202310097067.0A
Other languages
English (en)
Inventor
张勤
刘曙元
吉云
吴娜
孙娜
谷薇
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.)
Guoneng Xinkong Internet Technology Co Ltd
Original Assignee
Guoneng Xinkong Internet Technology 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 Guoneng Xinkong Internet Technology Co Ltd filed Critical Guoneng Xinkong Internet Technology Co Ltd
Priority to CN202310097067.0A priority Critical patent/CN116186624A/zh
Publication of CN116186624A publication Critical patent/CN116186624A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G06N20/20—Ensemble learning
    • 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

Abstract

一种基于人工智能的锅炉效率异常检测方法及系统，首先，根据反平衡计算相关测点，采集锅炉运行数据。再对锅炉运行数据进行数据预处理并根据数据特征维度对预处理后的数据进行特征计算，得到训练数据。然后构建锅炉效率评估模型并将训练数据输入到锅炉效率评估模型进行训练，最后，利用训练完成的锅炉效率评估模型检测锅炉效率是否异常。本发明在电站锅炉燃烧系统中利用人工智能技术，通过构建锅炉效率预测模型来预测锅炉效率，从而可以有效保留参数之间的复杂非线性关系，因此可以通过调整燃烧工况，提高锅炉燃烧效率。

Description

一种基于人工智能的锅炉评估方法及系统
技术领域
本发明涉及火力发电领域，具体涉及一种基于人工智能的锅炉评估方法及系统。
背景技术
锅炉热效率是反映锅炉运行经济性的一项非常重要的技术经济指标。在电站锅炉性能鉴定、日常运行方式评价、燃烧工况调整等情况下，都需要对电站锅炉设备进行不同运行工况的热效率检测试验。按国家有关规定，新机组在投运后都要进行一系列性能测试，以考核新机组的性能。在机组大修及老机组改造前后，通常也要进行性能试验，以确定机组大修或改造后的节能效果。通过这些试验，可确定锅炉运行的经济性、查找锅炉的节能潜力、分析影响锅炉运行经济性的主要因素，为电厂改进运行管理、提高能源利用率提供科学的依据。锅炉异常运行时，常需了解掌握锅炉的各项热损失、热效率和煤耗等参数，以便及时进行燃烧调整，使锅炉保持在最佳工况下运行，获得最高的经济性。
目前，国内有不少电厂仍采用人工方式进行热力试验和机组性能的计算工作，这不但需要大量的人力物力，而且由于试验周期长，往往不能及时为运行管理人员提供机组当前的运行性能指标和可以改进的方向，同时对节能措施的新技术新方法也难以及时验证。这种局面既不能鼓励运行人员对机组的运行工况进行优化，也在一定程度上挫伤了挖掘设备节能潜力的积极性。即使有些电厂采用了计算机管理和计算，对锅炉热力试验和效率采用离线的方式计算，这对于实时监控、考量锅炉的日常运行情况仍将导致锅炉效率计算不及时，无法及时反映出锅炉的运行工况和热量的产生和散失。
发明内容
为解决现有技术中存在的不足，本发明的目的在于，提供一种基于人工智能的锅炉评估方法及系统。
本发明采用如下的技术方案：
本发明的第一方面提供了一种基于人工智能的锅炉评估方法，包括以下步骤：
步骤1，采集锅炉运行数据；
步骤2，对锅炉运行数据进行数据预处理，得到预处理后的数据；
步骤3，根据数据特征维度对预处理后的数据进行特征计算，得到特征数据；
步骤4，构建锅炉效率评估模型并将特征数据输入锅炉效率评估模型内进行训练；
步骤5，利用训练完的锅炉效率评估模型对锅炉运行进行效率评估。
优选地，在基于人工智能的锅炉评估方法是基于人工智能的锅炉效率预测方法的条件下，所述步骤1中的采集锅炉运行数据，具体包括：
根据反平衡计算相关测点，采集锅炉运行数据；
在基于人工智能的锅炉评估方法是基于人工智能的锅炉效率异常检测方法的条件下，所述步骤1中的采集锅炉运行数据，具体包括：
采集锅炉效率相关测点变量的历史数据；
在基于人工智能的锅炉评估方法是基于人工智能的锅炉效率运行指标异常检测方法的条件下，所述步骤1中的采集锅炉运行数据，具体包括：
根据反平衡计算相关测点，采集锅炉运行相关测点变量的历史数据。
优选地，反平衡计算的具体表达式为：
η＝100-(q2+q3+q4+q5+q6)
式中，η为锅炉效率，q2为排烟热损失，q3为化学不完全燃烧损失，q4为机械不完全燃烧损失，q5为散热损失，q6为灰渣物理热损失。
优先地，基于人工智能的锅炉效率预测方法的条件下，所述步骤1中的采集锅炉运行数据包括实时测点数据和人工录入测点数据，
实时测点数据包括空预器出口排烟含氧量、排烟温度、送风温度和主蒸汽流量测量值，
人工录入测点数据包括飞灰含碳量、燃料收到基水分含量全水分、空气干燥基水分、空气干燥基灰分、炉渣占燃煤总灰量的质量含量百分比、炉渣中含碳量、飞灰灰量占燃煤总灰量的质量含量百分比、燃料收到基低位发热量、空气干燥基挥发分、空气绝对湿度、锅炉额定蒸发量以及炉渣温度。
基于人工智能的锅炉效率异常检测方法的条件下，所述步骤1中的采集锅炉效率相关测点变量的历史数据包括包括DCS原始测点数据以及手工录入相关测点数据。
在基于人工智能的锅炉评估方法是基于人工智能的锅炉效率运行指标异常检测方法的条件下，所述步骤1中的采集锅炉运行相关测点变量的历史数据是根据反平衡计算相关测点，从实时数据库中按照时间间隔t采集锅炉运行相关测点变量的历史数据，包括预处理后数据和人工录入测点数据，
预处理后数据包括空预器出口排烟含氧量、排烟温度、送风温度和主蒸汽流量测量值，
人工录入测点数据包括飞灰含碳量、燃料收到基水分含量全水分、空气干燥基水分、空气干燥基灰分、炉渣占燃煤总灰量的质量含量百分比、炉渣中含碳量、飞灰灰量占燃煤总灰量的质量含量百分比、燃料收到基低位发热量、空气干燥基挥发分、空气绝对湿度、锅炉额定蒸发量、炉渣温度。
优选地，所述步骤2中的数据预处理包括数据清洗、数据归一化处理和数据格式处理，
数据清洗是对锅炉运行数据中的缺失值进行删除或插值，以及对异常值进行替补，
数据归一化处理是将锅炉运行数据进行归一化成统一的度量尺度，
数据格式处理是将锅炉运行数据处理成后续模型训练所需的格式。
优选地，所述步骤3包括以下步骤：
步骤3.1，设置数据特征维度；
步骤3.2设置计算步长，并根据数据特征维度对预处理后的数据进行特征计算，得到特征计算数据；
步骤3.3，根据与锅炉效率的相关性程度，对特征计算数据进行特征选择，得到训练数据。
优先地，所述步骤3.1中的数据特征维度包括六列信息，分别为id、特征名称、参数设置、特征描述和是否计算该特征。
优选地，在基于人工智能的锅炉评估方法是基于人工智能的锅炉效率预测方法的条件下，所述步骤4中锅炉评估模型，是基于ARIMA算法构建的锅炉异常检测模型，用于预测锅炉效率并检测锅炉效率是否异常；
在基于人工智能的锅炉评估方法是基于人工智能的锅炉效率异常检测方法的条件下，所述步骤4中的锅炉评估模型是基于孤立森林算法构建的锅炉异常检测模型，用于检测锅炉是否异常。
在基于人工智能的锅炉评估方法是基于人工智能的锅炉效率运行指标异常检测方法的条件下，所述步骤4中的锅炉评估模型是基于GBDT算法构建的锅炉效率评估模型，用于预测锅炉效率。
优先地，在基于人工智能的锅炉评估方法是基于人工智能的锅炉效率预测方法的条件下，所述步骤4包括以下步骤：
步骤4.1，基于ARIMA算法，构建锅炉异常检测模型；
步骤4.2，将特征数据输入到锅炉异常检测模型一进行训练，
在基于人工智能的锅炉评估方法是基于人工智能的锅炉效率异常检测方法的条件下，所述步骤4包括以下步骤：
步骤4.1，运用K-Means聚类算法对特征数据进行聚类；
步骤4.2，利用孤立森林算法构建锅炉效率评估模型；
步骤4.3，将训练数据输入到锅炉效率评估模型进行训练，得到训练完成的锅炉效率评估模型，
在基于人工智能的锅炉评估方法是基于人工智能的锅炉效率运行指标异常检测方法的条件下，所述步骤4包括：
步骤4.1，构建锅炉效率预模型；
步骤4.2，将特征数据输入到锅炉效率预测模型进行训练，得到训练完成的锅炉效率预测模型。
优先地，在基于人工智能的锅炉评估方法是基于人工智能的锅炉效率预测方法的条件下，所述步骤4.1中的构建的锅炉异常检测模型是ARIMA预测模型，ARIMA预测模型包括自回归子模块AR、差分子模块和移动平均子模块MA。
优先地，自回归子模块AR的具体表达式为：
Figure BDA0004071983070000041
yt为t时刻的值，yt-i为t-i时刻的值，μ为常数项，p为阶数，γi为自相关系数，εt为t时刻的误差。
优先地，移动平均子模块MA的具体表达式为：
Figure BDA0004071983070000051
式中，yt为t时刻的值，μ为常数项，q为阶数，θi为自相关系数，εt为t时刻的误差，εt-i为t-i时刻的误差。
优先地，在基于人工智能的锅炉评估方法是基于人工智能的锅炉效率异常检测方法的条件下，所述步骤4.1包括以下步骤：
步骤4.1.1，设置聚类参数K；
步骤4.1.2，随机在训练数据集中选取K个点，作为簇质心；
步骤4.1.3，计算训练数据集中每个点与质心之间的欧式距离平方和，根据最近原则将其分配给距离最近的质心所对应的簇中；
步骤4.1.4，更新簇的质心。每个簇的质心更新为该簇所有点的平均值；
步骤4.1.5，判断k个聚类中心是否都不再改变，如果是则算法结束，输出聚类结果；否则，转至步骤4.1.3继续执行，直至达到算法结束条件。
优先地，所述步骤4.1.3中的欧式距离平方和的计算表达式为：
Figure BDA0004071983070000052
式中，p是数据集中的一个数据对象；ci是某一个聚类中心点；dist(p,ci)代表p点与聚类中心点ci之间的欧式距离；E代表所有累次的欧氏距离平方和。
优先地，所述步骤4.1.4中的某簇所有点的平均值mi(ci)的计算表达式为：
Figure BDA0004071983070000053
式中，pj为某簇中某一点的值。
优先地，在基于人工智能的锅炉评估方法是基于人工智能的锅炉效率异常检测方法的条件下，所述步骤4.2包括以下步骤：
步骤4.2.1，设定锅炉异常检测模型中的每个孤立树iTree的样本数据集的大小n、孤立树iTree数量m和限制高度；
步骤4.2.2，构建某一个孤立树iTree，并从训练数据集中随机抽样出n个特征数据放入该孤立树iTree的根节点中，作为该孤立树iTree的样本数据集；
步骤4.2.3，随机选择该样本数据集中的某一个特征q，计算该样本数据集中的所有特征数据在该特征q维度中的最大值和最小值；
步骤4.2.4，在计算出的最大值和最小值之间随机选出一个数据p作为划分阈值；
步骤4.2.5，将特征值小于等于p的特征数据放到孤立树iTree的左子树中，大于p的特征数据放到孤立树iTree的右子树；
步骤4.2.6，对孤立树iTree的左子树和右子树分别重复步骤4.2.3至步骤4.2.5，直到该孤立树iTree中的孩子节点中的只有一个数据达到了限制高度，该孤立树iTree构建完成；
步骤4.2.7，重复步骤4.2.2至步骤4.2.6，生成m个孤立树iTree；
步骤4.2.8，由m个孤立树iTree组合成一个孤立树林iForest，该孤立树林iForest为锅炉异常检测模型。
优先地，在基于人工智能的锅炉评估方法是基于人工智能的锅炉效率运行指标异常检测方法的条件下，所述步骤4中的锅炉效率评估模型包括基于GBDT算法构建的锅炉效率评估模型，用于检测锅炉效率是否异常。
优先地，基于GBDT算法构建的锅炉效率评估模型包括双层LSTM模块、GBDT模块以及选择模块，
其中，双层LSTM模块包括输入层、两个LSTM层和输出层。
优先地，GBDT模块为提升树结构，具体运行过程为：
第一步，将前一时段的锅炉运行数据以及对应的前一时段锅炉效率输入到GBDT模块内；
第二步，利用GBDT模块内的第一棵回归树计算下一时段的锅炉效率，计算出预测结果t与预定阈值a进行比较，若预测结果t达到预定阈值a，则输出预测结果t，若预测结果t未达到预定阈值a，则转至第三步；
第三步，在残差减少的梯度方向上构建第二棵回归树，训练第二棵树回归树并计算出预测结果t与真实值的残差b1，若预测结果t+b1满足预定阈值a，则输出t+b1，若t+b1仍未满足预定阈值a，则转至第四步；
第四步，在残差减少的梯度方向上构建第三棵回归树，训练第三棵回归树进行计算出预测结果t与真实值的残差b2，若预测结果t+b2满足预定阈值a，则输出t+b1+b2，若预测结果t+b2不满足预定阈值a，则转至第五步；
第五步，以此类推，直至满足阈值，输出计算预测结果t和每一棵回归树的残差的和。
优先地，所述选择模块是根据对称平均绝对百分比误差对训练完成的双层LSTM模块和GBDT模块进行评估，选择对称平均绝对百分比误差误差较小的模型作为锅炉效率评估模型进行预测。
优先地，对称平均绝对百分比误差的具体表达式为：
Figure BDA0004071983070000071
式中，sMAPE是对称平均绝对百分比误差，yi是锅炉效率真实值，
Figure BDA0004071983070000072
是锅炉效率预测值，n是训练数据集中的训练数据个数。
优先地，所述选择模块是利用训练完成的双层LSTM模块和GBDT模块分别进行预测，再将两个模块的预测值的进行平均运算，所得到的平均值作为锅炉效率评估模型的锅炉效率预测值。
优先地，在基于人工智能的锅炉评估方法是基于人工智能的锅炉效率异常检测方法的条件下，所述步骤5包括以下步骤：
步骤5.1，计算待测数据x在锅炉效率评估模型中每一个孤立树iTree的路径高度h(x)；
步骤5.2，对m个路径高度h(x)进行平均，得到待测数据x在整个iForest中平均路径高度E(h(x))；
步骤5.3，根据平均路径高度E(h(x))计算出异常分数s(x,n)；
步骤5.4，根据异常分数s(x,n)与设定的异常阈值大小，判断待测数据x是否异常。
在基于人工智能的锅炉评估方法是基于人工智能的锅炉效率运行指标异常检测方法的条件下，所述步骤5包括以下步骤：
步骤5.1，将待测数据输入到训练完成的锅炉效率评估模型，得到锅炉效率预测值；
步骤5.2，计算锅炉效率预测值与真实值之间残差，得到真实值与预测值绝对误差，具体表达式为：
Figure BDA0004071983070000081
式中，εt为t时刻锅炉效率残差值，yt为t时刻锅炉效率真实值，
Figure BDA0004071983070000082
为t时刻锅炉效率预测值；
步骤5.3，利用泊松分布检测算法对锅炉效率残差进行建模，泊松分布概率函数
Figure BDA0004071983070000083
为：
Figure BDA0004071983070000084
式中，yt为t时刻锅炉效率真实值，
Figure BDA0004071983070000085
为t时刻锅炉效率预测值；
步骤5.4，利用正态分布N(yt,μ,σ2)近似表示泊松分布，其中
Figure BDA0004071983070000086
简化为：
Figure BDA0004071983070000087
式中，σ为标准差；
步骤5.5，对
Figure BDA0004071983070000088
与设定的阈值m比较，若大于设定的阈值m，则锅炉效率异常，若小于等于设定的阈值m，则锅炉效率正常。
优先地，在基于人工智能的锅炉评估方法是基于人工智能的锅炉效率异常检测方法的条件下，所述步骤5.1包括以下步骤：
步骤5.1.1，设定待测数据x初始高度为0，将待测数据x送入某一个iTree；
步骤5.1.2，根据该iTree的各个节点的划分特征和特征值的条件，向下寻找待测数据x，每经过一个节点，路径高度加1；
步骤5.1.3，找到待测数据x后，计算出待测数据x的路径高度h(x)。
优先地，在基于人工智能的锅炉评估方法是基于人工智能的锅炉效率异常检测方法的条件下，所述步骤5.3中的异常分数s(x,n)的计算表达式为：
Figure BDA0004071983070000091
Figure BDA0004071983070000092
H(n-1)＝ln(n-1)+ξ
式中，h(x)表示待测数据x在某一棵孤立树iTree中的路径高度，E(h(x))表示待测数据x在整个孤立森林中的平均路径高度，c(n)表示所有孤立树的平均路径高度，H(n-1)为调和数，ζ是欧拉系数。
优先地，在基于人工智能的锅炉评估方法是基于人工智能的锅炉效率异常检测方法的条件下，所述步骤5.4中若异常分数s(x,n)大于等于设定的异常阈值，则判定锅炉效率异常，若异常分数s(x,n)小于设定的异常阈值，则判定锅炉效率正常。
本发明另一方面还提供了一种基于人工智能的锅炉效率评估系统，包括以下模块：
数据采集模块，用于采集锅炉运行数据；
数据预处理模块，用于对锅炉运行数据进行数据预处理，得到预处理后的数据；
特征计算模块，用于根据数据特征维度对预处理后的数据进行特征计算，得到特征数据；
模型训练模块，用于构建锅炉效率评估模型并将特征数据输入锅炉效率评估模型内进行训练；
模型评估模块，用于利用训练完的锅炉效率评估模型对锅炉运行进行效率评估。
本发明的有益效果在于，与现有技术相比，首先是对锅炉燃烧历史数据进行预处理和特征计算，简化额锅炉效率计算量，提高数据的准确性。其次可根据不同火力发电机组的历史数据训练相应的预测锅炉效率及异常检测模型，因此具有更好的灵活性和普适性。再次是选用泊松分布算法检测锅炉效率异常，从概率的角度对锅炉效率残差进行建模分析，使用简单的恒定阈值来精准地检测锅炉效率异常，克服了单纯使用传统机理方法对锅炉效率进行异常检测造成的模型过度简化及理想化，以及其导致的失准情况。最后模型可根据实时数据进行模型更新，保证模型对新工况的适应性。
附图说明
图1是基于人工智能的锅炉评估方法流程图；
图2是锅炉效率采样结果示意图；
图3(a)～图3(d)是特征提取模板示意图；
图4是特征提取文件示意图；
图5是配置文件示意图；
图6是基于人工智能的锅炉评估系统示意图。
具体实施方式
下面结合附图对本申请作进一步描述。以下实施例仅用于更加清楚地说明本发明的技术方案，而不能以此来限制本申请的保护范围。
实施例1
图1是基于人工智能的锅炉评估方法流程图。
如图1所示，实施例1提供了一种基于人工智能的锅炉效率异常检测方法。具体包括以下步骤：
步骤1，根据反平衡计算相关测点，采集锅炉运行数据。
反平衡计算法计算锅炉效率的具体表达式为：
η＝100-(q2+q3+q4+q5+q6)
式中，η为锅炉效率，q2为排烟热损失，q3为化学不完全燃烧损失，q4为机械不完全燃烧损失，q5为散热损失，q6为灰渣物理热损失。
根据反平衡计算相关测点，采集锅炉效率相关测点变量的历史数据。测点变量的选择主要依据锅炉效率反平衡计算中涉及的相关测点，历史数据来源包括DCS原始测点数据以及手工录入相关测点数据。
表1锅炉效率相关测点指标
Figure BDA0004071983070000111
如表1所示，将锅炉效率反平衡计算涉及相关测点指标作为锅炉效率指标的影响因素。
步骤2，对锅炉运行数据进行数据预处理，得到预处理后的数据。
数据预处理包括数据清洗、数据归一化处理和数据格式处理，
数据清洗是对锅炉运行数据中的缺失值进行删除或插值，以及对异常值进行替补。对锅炉运行数据数据进行数据清洗处理，首先根据安全操作规范预先定好各个测点变量的高低阈值，若某条数据的某个测点超出了高低阈值的范围，则去掉该条数据该测点的值，使用插值法补全该数据，并对数据进行重采样等操作处理。对于时序数据，需要保证每一个采样点获取的各维特征都应是同一个时刻的结果值。
数据归一化处理是将锅炉运行数据进行归一化成统一的度量尺度。
数据格式处理是将锅炉运行数据处理成后续模型训练所需的格式。
图2为锅炉效率采样结果示意图。
如图2所示，实际的锅炉效率采样结果大概每2分钟计算一次，所以会出现一段时间内，锅炉效率值均为同一个值的情况。因此在实际使用时，需要对上述数据进行重新采样，得到正确对应的锅炉效率点。
如图2所示，A、B两个采样点，因为锅炉效率的计算有一定延时，所以采样点B的结果，实际应为A点的结果，因此我们可以用A点时刻和B点锅炉效率值得到新采样点(A点时刻，B点锅炉效率)。
对于存在延时计算，周期计算的测点，包括排烟含氧量、飞灰含碳量、炉渣占燃煤总灰量的百分比、炉渣含碳量、飞灰灰量占燃煤总灰量的百分比等均需使用重新采样重新生成正确对应的数据。
根据业务规则和安全操作规范，对于统一格式的数据进行数据预处理，包括数据清洗，即对缺失值进行删除或插值，对异常值进行替补；将数据进行规范化(或归一化)至统一的度量尺度；将数据处理成后续模型训练所需的格式。
步骤3，根据数据特征维度对预处理后的数据进行特征计算，得到训练数据。
步骤3具体包括以下步骤：
步骤3.1，设置数据特征维度。根据需要设置配置文件(.csv)中的信息。
数据特征维度包括六列信息，分别为id、特征名称、参数设置、特征描述以及是否计算该特征。
步骤3.2设置计算步长，并根据数据特征维度对步骤2得到的预处理后的数据进行特征计算，得到特征计算数据并进行保存。
步长是经过多长时间计算一次特征，也就是间隔的时间。
步骤3.3，利用假设检验法，计算特征数据与锅炉效率的相关系数，并设置阈值，对特征计算数据进行特征选择，得到强相关性的训练数据。
步骤4，构建锅炉效率评估模型并将特征数据输入锅炉效率评估模型内进行训练，包括以下步骤：
步骤4.1，构建锅炉效率评估模型。
基于ARIMA算法构建锅炉效率评估模型，包括自回归子模块AR、差分子模块和移动平均子模块MA。
AR：自回归模型，自回归模型首先需要确定一个阶数p，表示用多长时间的历史值来预测当前值。
Figure BDA0004071983070000121
式中，yt为t时刻的值，yt-i为t-i时刻的值，μ为常数项，p为阶数，γi为自相关系数，εt为t时刻误差。
差分模型主要是为了对原始数据进行不同数目阶次的差分处理，使得原始数据转变为时间维度上的平稳序列。
移动平均模型MA是自回归模型中的误差项的累加，能有效地消除预测中的随机波动。
Figure BDA0004071983070000131
式中，yt为t时刻的值，yt-i为t-i时刻的值，μ为常数项，q为阶数，θi为自相关系数，εt为t时刻误差，εt-i为t-i时刻的误差。
步骤4.2，将预处理后的数据输入到锅炉效率评估模型进行训练，得到训练完成的锅炉效率评估模型。
首先，将特征数据按照一定比例划分训练集和测试集。
将预处理后的数据作为特征数据，包括步骤1中测点变量数据以及对应时刻锅炉效率值，按照一定比例划分为训练集及测试集。
其次，将训练集输入到ARIMA算法模型进行训练。
将预处理后的训练集数据使用ARIMA模型进行锅炉效率预测训练，同时进行模型参数自动调整。模型输入为一段时间内的数据，包括从数据库中提取的锅炉热效率影响指标数据以及对应时刻的锅炉效率值，输出为下一时刻的锅炉效率。
最后，得到模型训练完成后得到锅炉效率评估模型。
步骤5，使用训练完成的锅炉效率评估模型进行当前时刻锅炉效率预测，并对比当前时刻真实数据，求出残差，评估锅炉效率是否异常。包括以下步骤：
步骤5.1，将待测数据输入到训练完成的锅炉效率评估模型，得到锅炉效率预测值。
步骤5.2，计算锅炉效率预测值与真实值之间残差，得到真实值与预测值绝对误差，具体表达式为：
Figure BDA0004071983070000132
式中，εt为t时刻锅炉效率残差值，yt为t时刻锅炉效率真实值，
Figure BDA0004071983070000133
为t时刻锅炉效率预测值。
步骤5.3，利用泊松分布检测算法对锅炉效率残差进行建模，泊松分布概率函数
Figure BDA0004071983070000134
为：
Figure BDA0004071983070000141
式中，yt为t时刻锅炉效率真实值，
Figure BDA0004071983070000142
为t时刻锅炉效率预测值。
步骤5.4，利用正态分布N(yt,μ,σ2)近似表示泊松分布，其中
Figure BDA0004071983070000143
简化为：
Figure BDA0004071983070000144
式中，σ为标准差。
步骤5.5，对
Figure BDA0004071983070000145
与设定的阈值m比较，若大于设定的阈值m，则锅炉效率异常，若小于等于设定的阈值m，则锅炉效率正常。
由于工况的不断变化以及实时数据的不断更新，需要对模型进行及时更新，可设定模型重新训练和更新的时间间隔。
实施例2
步骤1，根据反平衡计算相关测点，由电厂专工提供与锅炉效率相关测点，采集锅炉运行相关测点变量的历史数据。
参考反平衡计算相关测点，从实时数据库中按照时间间隔t获取锅炉运行相关测点变量历史数据，包括：预处理后数据(空预器出口排烟含氧量、排烟温度、送风温度和主蒸汽流量测量值)和人工录入测点(飞灰含碳量、燃料收到基水分含量全水分、空气干燥基水分、空气干燥基灰分、炉渣占燃煤总灰量的质量含量百分比、炉渣中含碳量、飞灰灰量占燃煤总灰量的质量含量百分比、燃料收到基低位发热量、空气干燥基挥发分、空气绝对湿度、锅炉额定蒸发量、炉渣温度)。
步骤2，对历史数据进行数据清洗处理并调整为后续模型训练所需的格式，得到清洗后的数据。
步骤3，对清洗后的数据进行特征计算，得到特征数据，作为训练数据集。
图3为步骤3中的对清洗后的数据进行特征提取和选择的流程图。
如图3所示，步骤3包括以下步骤：
首先，构建特征提取模块，并配置需要计算特征的参数类型。本实施例采用的是Tsfresh库。
图3(a)～图3(d)为特征提取模板示意图。
如图3(a)～图3(d)所示，Tsfresh是处理时间序列的关系数据库的特征工程工具，能自动从时间序列中提取100多个特征。根据需要，为用户提供配置文件，便于进行特征参数设置，提供特征提取模板，用户可根据该模板选择需要计算的特征函数及参数；模板一共包含6列:(特征名称、参数设置、参数配置举例、参数类型、结果类型、特征描述)。
其次，读取文件中的特征名称和输入参数，并根据是否输入参数进行特征计算，若无输入参数，则对清洗后的数据输入到特征提取模块，直接计算特征值并保存，若有输入参数，则对含有额外参数的特征进行参数解析，同时计算特征值并保存。
图4为特征提取文件示意图。
如图4所示，用户依据特征提取模板(.csv)，组建特征提取文件(.csv文件)，包括：需要计算的特征及配置参数。
图5为配置文件示意图。
如图5所示，在配置文件(comp_feature.ini)中，配置数据地址和需要计算的特征文件地址。然后读取步骤2中处理后的数据，依据特征提取文件和配置文件进行特征提取并保存；再进行特征选择和过滤，对每一个计算的特征进行假设检验，以检查它是否与锅炉效率相关，保留和锅炉效率足够相关的特征，其它过滤掉。
最后，将特征名称与计算好的特征值合并，得到特征数据，并由特征数据构成训练数据集。
步骤4，基于孤立森林算法构建锅炉效率评估模型。
异常检测主要包括两个阶段，分别是训练阶段和评估阶段。
训练阶段主要是先通过K-Means聚类算法对特征数据进行聚类，再基于聚类后的特征数据来建立孤立树，评估阶段主要是用孤立树为每一个测试样本计算异常分数。
K-Means聚类算法的基本原理是从数据集中随机选择k个样本对象，作为初始聚类中心，通过迭代过程逐次更新聚类中心的值，最终将数据集划分成k个不同的聚类，使得聚类准则函数能够取得最优值。
孤立森林算法的基本原理是通过随机切割数据集来寻找异常点，但由于每次切割的规则都是随机选择的，仅用一棵孤立树作为最终结果准确率较低。因此孤立森林算法引入了集成学习方法，即对同一数据集反复从头进行切割，来构建出多棵切割结构完全不同的孤立树。再对所有孤立树的检测结果计算均值，得到的便是高精度的收敛结果。
步骤4包括以下步骤：
步骤4.1，运用K-Means聚类算法对特征数据进行聚类。包括以下步骤：
步骤4.1.1，设置聚类参数K。
步骤4.1.2，随机在训练数据集中选取K个点，作为簇质心。
步骤4.1.3，计算训练数据集中每个点与质心之间的欧式距离平方和，根据最近原则将其分配给距离最近的质心所对应的簇中。
步骤4.1.3中的欧式距离平方和的计算表达式为：
Figure BDA0004071983070000161
式中，pi是数据集中的一个数据对象；ci是某一个聚类中心点；dist(pi,ci)代表pi点与聚类中心之间的欧式距离；E代表所有累次的欧氏距离平方和。
步骤4.1.4，更新簇的质心。每个簇的质心更新为该簇所有点的平均值。
步骤4.1.4中的某簇所有点的平均值mi(ci)的计算表达式为：
Figure BDA0004071983070000162
式中，p′j是某簇中的某一个点的值，n为某簇所有点的个数。
步骤4.1.5，判断是否满足算法结束条件k个聚类中心都不再改变，如果满足则算法结束，输出聚类结果；否则，转至步骤4.1.3继续执行，直至达到算法结束条件。
步骤4.2包括以下步骤：
步骤4.2.1，设定锅炉效率评估模型中的每个孤立树iTree的样本数据集的大小n、孤立树iTree数量m和限制高度。
步骤4.2.2，构建某一个孤立树iTree，并从训练数据集中随机抽样出n个特征数据放入该孤立树iTree的根节点中，作为该孤立树iTree的样本数据集。
步骤4.2.3，随机选择该样本数据集中的某一个特征q，计算该样本数据集中的所有特征数据在该特征q维度中的最大值和最小值。
步骤4.2.4，在计算出的最大值和最小值之间随机选出一个数据p作为划分阈值。
步骤4.2.5，将特征值小于等于p的特征数据放到孤立树iTree的左子树中，大于p的特征数据放到孤立树iTree的右子树。
步骤4.2.6，对孤立树iTree的左子树和右子树分别重复步骤4.2.3至步骤4.2.5，直到该孤立树iTree中的孩子节点中的只有一个数据达到了限制高度，该孤立树iTree构建完成。
步骤4.2.7，重复步骤4.2.2至步骤4.2.6，生成m个孤立树iTree。
步骤4.2.8，由m个孤立树iTree组合成一个孤立树林iForest，该孤立树林iForest为锅炉效率评估模型。
步骤4.3，将训练数据输入到锅炉效率评估模型进行训练，得到训练完成的锅炉效率评估模型。
步骤5，利用训练完成的锅炉效率评估模型预测锅炉效率是否异常。
在孤立森林算法进行异常检测时，需要符合以下条件：
(1)树高不能超出步骤2所设定的高低阈值；
(2)数据都被单独划分；
(3)孤立森林中的所有节点上的数据特征全部相同。
调用孤立森林算法时，需配置以下两个参数：
max_samples：二叉树的个数，本实施例中设定参数为100棵树。
random_state：训练单棵iTree时候抽取样本的数目。实验表明，抽样样本数为256条时候，在大多数情况下就已经可以取得不错的效果。
步骤5包括以下步骤：
步骤5.1，计算待测数据x在锅炉效率评估模型中每一个孤立树iTree的路径高度h(x)。包括以下步骤：
步骤5.1.1，设定待测数据x初始高度为0，将待测数据x送入某一个iTree。
步骤5.1.2，根据该iTree的各个节点的划分特征和特征值的条件，向下寻找待测数据x，每经过一个节点，路径高度加1。
步骤5.1.3，找到待测数据x后，计算出待测数据x的路径高度h(x)。
步骤5.2，对m个路径高度h(x)进行平均，得到待测数据x在整个孤立森林iForest中平均路径高度E(h(x))。
步骤5.3，根据平均路径高度E(h(x))计算出异常分数s(x,n)。
异常分数s(x,n)的计算表达式为：
Figure BDA0004071983070000181
Figure BDA0004071983070000182
H(n-1)＝ln(n-1)+ξ
式中，h(x)表示待测数据x在某一棵孤立树iTree中的路径高度，E(h(x))表示待测数据x在整个孤立森林iForest中的平均路径高度，c(n)表示所有孤立树的平均路径高度，H(n-1)为调和数，ζ是欧拉系数。
由于整个孤立森林iForest的c(n)是固定的，因此异常分数s(x,n)与待测数据的平均路径高度E(h(x))成反比。E(h(x))越小，s(x,n)越大，待测数据的异常分数s(x,n)越高。异常分数s(x,n)的取值范围是[0,1]，正常情况下集中在0.5左右。具体表达式为：
E(h(x))→0,s(x,n)→1
E(h(x))→n-1,s(x,n)→0
E(h(x))→c(n),s(x,n)→0.5
步骤5.4，根据异常分数s(x,n)与设定的异常阈值大小，判断待测数据x是否异常。若异常分数s(x,n)大于等于设定的异常阈值，则判定待测数据x为异常数据，若异常分数s(x,n)小于设定的异常阈值，则判定待测数据x为正常数据。
实施例3
步骤1，根据反平衡计算相关测点，采集锅炉运行数据。
根据反平衡计算相关测点，从实时数据库中按照时间间隔t获取锅炉运行相关测点变量历史数据，包括：空预器出口排烟含氧量、排烟温度、送风温度、主蒸汽流量测量值、飞灰含碳量、燃料收到基水分含量全水分、空气干燥基水分、空气干燥基灰分、炉渣占燃煤总灰量的质量含量百分比、炉渣中含碳量、飞灰灰量占燃煤总灰量的质量含量百分比、燃料收到基低位发热量、空气干燥基挥发分、空气绝对湿度、锅炉额定蒸发量、炉渣温度)。
步骤2，对锅炉运行数据进行数据预处理，得到预处理后的数据。
根据业务规则和安全操作规范，对于统一格式的数据进行数据预处理，包括数据清洗，即对缺失值进行删除或插值，对异常值进行替补；将数据进行规范化(或归一化)至统一的度量尺度；将数据处理成后续模型训练所需的格式。
步骤3，对预处理后的数据进行特征计算，得到特征数据，并构成训练数据集。
步骤4，构建锅炉效率评估模型。
锅炉效率评估模型包括双层LSTM模块、GBDT模块以及选择模块。
本步骤分别构建两种模型，依据模型选择和模型集成两种路径确定最终的模型，然后再根据不同工况下不同模型的预测效果，选择使用路径1或者路径2预测锅炉效率。
图4为双层LSTM模块结构示意图，
如图4所示，双层LSTM模块包括输入层、两个LSTM层和一个线性输出层。
图5为GBDT模块结构示意图。
如图5所示，GBDT模块采用的是提升树(Boosting Tree)结构。具体运行过程是指输入量为前一时段的测点时序数据以及相应时刻锅炉效率；经过回归树模型进行计算下一时刻或时段的锅炉效率，若计算结果未达到设定阈值，则将在残差减少的梯度方向上创建第二棵回归树。进一步训练第二棵树回归树预测该结果与真实值的残差，如果在首次计算结果的基础上加上该残差仍未满足阈值，则需继续训练第三课回归树进行计算。如此逐步提升训练，直至满足阈值，最后一棵树的训练结果基于前面所有树的训练，因此将利用最后一棵树进行计算。
选择模块包括两种路径，第一，取双层LSTM模块和GBDT模块的平均值为最终模型；第二，取两者较优者为最终模型。
将训练数据集输入到锅炉效率评估模型进行训练，得到训练完成的锅炉效率评估模型。
首先，将处理好的特征数据按照7：3的比例划分训练集和测试集。
其次，将训练集分别输入到双层LSTM模块、GBDT模块进行训练。
最后，利用选择模块对经过双层LSTM模块和GBDT模块的训练结果进行选择，得到训练完成的锅炉效率评估模型。
其中有两种选择结果方式：
第一，对双层LSTM模块和GBDT模块的预测结果取平均值，平均值为最终预测结果。这种方式被称为集成模型。
第二，对双层LSTM模块和GBDT模块的预测结果进行对称平均绝对百分比误差sMAPE(Symmetric Mean Absolute Percentage Error)计算，选择对称平均绝对百分比误差误差较小的模型为最终模型。这种方式被称为选择模型。
对称平均绝对百分比误差sMAPE的具体表达式为：
Figure BDA0004071983070000201
式中，yi是锅炉效率真实值，
Figure BDA0004071983070000202
是锅炉效率预测值，n是训练数据集中的训练数据个数。
步骤5，利用训练完成的锅炉效率评估模型评估锅炉效率。对于两种预测路径，需根据不同工况下的预测效果进行选择。
利用训练完成的锅炉效率评估模型进行预测，需设置以下三个参数：
horizon：指需要预测多久的锅炉效率，如3min或1min。
cadence：指需要利用现有多长时间的数据进行预测，如3min或1min。
retrain_freq：由于工况的不断变化、要对模型进行及时更新，因此利用该参数指定经过每多长时间进行模型的重新训练和更新，如1day或0.5day等。
将待测数据输入到锅炉效率评估模型中，最终根据当前时段的测点数据预测下一时段锅炉效率，并在系统界面显示真实值和预测值，并且实时更新模型
步骤5具体包括以下步骤：
步骤5.1，将待测数据输入到训练完成的锅炉效率评估模型，得到锅炉效率预测值。
步骤5.2，计算锅炉效率预测值与真实值之间残差，得到真实值与预测值绝对误差，具体表达式为：
Figure BDA0004071983070000211
式中，εt为t时刻锅炉效率残差值，yt为t时刻锅炉效率真实值，
Figure BDA0004071983070000212
为t时刻锅炉效率预测值。
步骤5.3，利用泊松分布检测算法对锅炉效率残差进行建模，泊松分布概率函数
Figure BDA0004071983070000213
为：
Figure BDA0004071983070000214
式中，yt为t时刻锅炉效率真实值，
Figure BDA0004071983070000215
为t时刻锅炉效率预测值。
步骤5.4，利用正态分布N(yt,μ,σ2)近似表示泊松分布，其中
Figure BDA0004071983070000216
简化为：
Figure BDA0004071983070000217
式中，σ为标准差。
步骤5.5，对
Figure BDA0004071983070000218
与设定的阈值m比较，若大于设定的阈值m，则锅炉效率异常，若小于等于设定的阈值m，则锅炉效率正常。
图6是基于人工智能的锅炉评估系统示意图。
如图6所示，本实施例还提供一种基于人工智能的锅炉效率异常检测系统，包括数据采集模块、数据预处理模块、特征计算模块、模型训练模块、模型评估模块。该系统可以通过相应的各个模块执行如上述步骤1～5的流程，来实现对锅炉效率的评估。
本发明的有益效果在于，与现有技术相比，本发明的有益效果在于，与现有技术相比，首先是对锅炉燃烧历史数据进行预处理和特征计算，简化额锅炉效率计算量，提高数据的准确性。其次可根据不同火力发电机组的历史数据训练相应的预测及评估模型，因此具有更好的灵活性和普适性。再次是选用泊松分布算法检测锅炉效率异常，从概率的角度对锅炉效率残差进行建模分析，使用简单的恒定阈值来精准地检测锅炉效率异常，克服了单纯使用传统机理方法对锅炉效率进行异常检测造成的模型过度简化及理想化，以及其导致的失准情况。最后模型可根据实时数据进行模型更新，保证模型对新工况的适应性。
本发明申请人结合说明书附图对本发明的实施示例做了详细的说明与描述，但是本领域技术人员应该理解，以上实施示例仅为本发明的优选实施方案，详尽的说明只是为了帮助读者更好地理解本发明精神，而并非对本发明保护范围的限制，相反，任何基于本发明的发明精神所作的任何改进或修饰都应当落在本发明的保护范围之内。

Claims (27)

1.一种基于人工智能的锅炉评估方法，其特征在于：
包括以下步骤：
步骤1，采集锅炉运行数据；
步骤2，对锅炉运行数据进行数据预处理，得到预处理后的数据；
步骤3，对预处理后的数据进行特征计算，得到特征数据；
步骤4，构建锅炉评估模型并将特征数据输入锅炉评估模型内进行训练；
步骤5，利用训练完的锅炉评估模型对锅炉运行进行评估。
2.根据权利要求1所述的一种基于人工智能的锅炉效率评估方法，其特征在于：
在基于人工智能的锅炉评估方法是基于人工智能的锅炉效率预测方法的条件下，所述步骤1中的采集锅炉运行数据，具体包括：
根据反平衡计算相关测点，采集锅炉运行数据；
在基于人工智能的锅炉评估方法是基于人工智能的锅炉效率异常检测方法的条件下，所述步骤1中的采集锅炉运行数据，具体包括：
采集锅炉效率相关测点变量的历史数据；
在基于人工智能的锅炉评估方法是基于人工智能的锅炉效率运行指标异常检测方法的条件下，所述步骤1中的采集锅炉运行数据，具体包括：
根据反平衡计算相关测点，采集锅炉运行相关测点变量的历史数据。
3.根据权利要求2所述的一种基于人工智能的锅炉效率评估方法，其特征在于：
反平衡计算的具体表达式为：
η＝100-(q2+q3+q4+q5+q6)
式中，η为锅炉效率，q2为排烟热损失，q3为化学不完全燃烧损失，q4为机械不完全燃烧损失，q5为散热损失，q6为灰渣物理热损失。
4.根据权利要求2所述的一种基于人工智能的锅炉效率评估方法，其特征在于：
基于人工智能的锅炉效率预测方法的条件下，所述步骤1中的采集锅炉运行数据包括实时测点数据和人工录入测点数据，
实时测点数据包括空预器出口排烟含氧量、排烟温度、送风温度和主蒸汽流量测量值，
人工录入测点数据包括飞灰含碳量、燃料收到基水分含量全水分、空气干燥基水分、空气干燥基灰分、炉渣占燃煤总灰量的质量含量百分比、炉渣中含碳量、飞灰灰量占燃煤总灰量的质量含量百分比、燃料收到基低位发热量、空气干燥基挥发分、空气绝对湿度、锅炉额定蒸发量以及炉渣温度。
基于人工智能的锅炉效率异常检测方法的条件下，所述步骤1中的采集锅炉效率相关测点变量的历史数据包括包括DCS原始测点数据以及手工录入相关测点数据。
在基于人工智能的锅炉评估方法是基于人工智能的锅炉效率运行指标异常检测方法的条件下，所述步骤1中的采集锅炉运行相关测点变量的历史数据是根据反平衡计算相关测点，从实时数据库中按照时间间隔t采集锅炉运行相关测点变量的历史数据，包括预处理后数据和人工录入测点数据，
预处理后数据包括空预器出口排烟含氧量、排烟温度、送风温度和主蒸汽流量测量值，
人工录入测点数据包括飞灰含碳量、燃料收到基水分含量全水分、空气干燥基水分、空气干燥基灰分、炉渣占燃煤总灰量的质量含量百分比、炉渣中含碳量、飞灰灰量占燃煤总灰量的质量含量百分比、燃料收到基低位发热量、空气干燥基挥发分、空气绝对湿度、锅炉额定蒸发量、炉渣温度。
5.根据权利要求1所述的一种基于人工智能的锅炉效率评估方法，其特征在于：
所述步骤2中的数据预处理包括数据清洗、数据归一化处理和数据格式处理，
数据清洗是对锅炉运行数据中的缺失值进行删除或插值，以及对异常值进行替补，
数据归一化处理是将锅炉运行数据进行归一化成统一的度量尺度，
数据格式处理是将锅炉运行数据处理成后续模型训练所需的格式。
6.根据权利要求1所述的一种基于人工智能的锅炉效率评估方法，其特征在于：
所述步骤3包括以下步骤：
步骤3.1，设置数据特征维度；
步骤3.2设置计算步长，并根据数据特征维度对预处理后的数据进行特征计算，得到特征计算数据；
步骤3.3，根据与锅炉效率的相关性程度，对特征计算数据进行特征选择，得到训练数据。
7.根据权利要求6所述的一种基于人工智能的锅炉效率评估方法，其特征在于：
所述步骤3.1中的数据特征维度包括六列信息，分别为id、特征名称、参数设置、特征描述和是否计算该特征。
8.根据权利要求1所述的一种基于人工智能的锅炉效率评估方法，其特征在于：
在基于人工智能的锅炉评估方法是基于人工智能的锅炉效率预测方法的条件下，所述步骤4中锅炉评估模型，是基于ARIMA算法构建的锅炉异常检测模型，用于预测锅炉效率并检测锅炉效率是否异常；
在基于人工智能的锅炉评估方法是基于人工智能的锅炉效率异常检测方法的条件下，所述步骤4中的锅炉评估模型是基于孤立森林算法构建的锅炉异常检测模型，用于检测锅炉是否异常。
在基于人工智能的锅炉评估方法是基于人工智能的锅炉效率运行指标异常检测方法的条件下，所述步骤4中的锅炉评估模型是基于GBDT算法构建的锅炉效率评估模型，用于预测锅炉效率。
9.根据权利要求1所述的一种基于人工智能的锅炉效率评估方法，其特征在于：
在基于人工智能的锅炉评估方法是基于人工智能的锅炉效率预测方法的条件下，所述步骤4包括以下步骤：
步骤4.1，基于ARIMA算法，构建锅炉异常检测模型；
步骤4.2，将特征数据输入到锅炉异常检测模型一进行训练，
在基于人工智能的锅炉评估方法是基于人工智能的锅炉效率异常检测方法的条件下，所述步骤4包括以下步骤：
步骤4.1，运用K-Means聚类算法对特征数据进行聚类；
步骤4.2，利用孤立森林算法构建锅炉效率评估模型；
步骤4.3，将训练数据输入到锅炉效率评估模型进行训练，得到训练完成的锅炉效率评估模型，
在基于人工智能的锅炉评估方法是基于人工智能的锅炉效率运行指标异常检测方法的条件下，所述步骤4包括：
步骤4.1，构建锅炉效率预模型；
步骤4.2，将特征数据输入到锅炉效率预测模型进行训练，得到训练完成的锅炉效率预测模型。
10.根据权利要求9所述的一种基于人工智能的锅炉效率评估方法，其特征在于：
在基于人工智能的锅炉评估方法是基于人工智能的锅炉效率预测方法的条件下，所述步骤4.1中的构建的锅炉异常检测模型是ARIMA预测模型，ARIMA预测模型包括自回归子模块AR、差分子模块和移动平均子模块MA。
11.根据权利要求10所述的一种基于人工智能的锅炉效率评估方法，其特征在于：
自回归子模块AR的具体表达式为：
Figure FDA0004071983060000041
yt为t时刻的值，yt-i为t-i时刻的值，μ为常数项，p为阶数，γi为自相关系数，εt为t时刻的误差。
12.根据权利要求10所述的一种基于人工智能的锅炉效率评估方法，其特征在于：
移动平均子模块MA的具体表达式为：
Figure FDA0004071983060000042
式中，yt为t时刻的值，μ为常数项，q为阶数，θi为自相关系数，εt为t时刻的误差，εt-i为t-i时刻的误差。
13.根据权利要求9所述的一种基于人工智能的锅炉效率评估方法，其特征在于：
在基于人工智能的锅炉评估方法是基于人工智能的锅炉效率异常检测方法的条件下，所述步骤4.1包括以下步骤：
步骤4.1.1，设置聚类参数K；
步骤4.1.2，随机在训练数据集中选取K个点，作为簇质心；
步骤4.1.3，计算训练数据集中每个点与质心之间的欧式距离平方和，根据最近原则将其分配给距离最近的质心所对应的簇中；
步骤4.1.4，更新簇的质心。每个簇的质心更新为该簇所有点的平均值；
步骤4.1.5，判断k个聚类中心是否都不再改变，如果是则算法结束，输出聚类结果；否则，转至步骤4.1.3继续执行，直至达到算法结束条件。
14.根据权利要求13所述的一种基于人工智能的锅炉效率评估方法，其特征在于：
所述步骤4.1.3中的欧式距离平方和的计算表达式为：
Figure FDA0004071983060000051
式中，p是数据集中的一个数据对象；ci是某一个聚类中心点；dist(p,ci)代表p点与聚类中心点ci之间的欧式距离；E代表所有累次的欧氏距离平方和。
15.根据权利要求14所述的一种基于人工智能的锅炉效率评估方法，其特征在于：
所述步骤4.1.4中的某簇所有点的平均值mi(ci)的计算表达式为：
Figure FDA0004071983060000052
/>
式中，pj为某簇中某一点的值。
16.根据权利要求9所述的一种基于人工智能的锅炉效率评估方法，其特征在于：
在基于人工智能的锅炉评估方法是基于人工智能的锅炉效率异常检测方法的条件下，所述步骤4.2包括以下步骤：
步骤4.2.1，设定锅炉异常检测模型中的每个孤立树iTree的样本数据集的大小n、孤立树iTree数量m和限制高度；
步骤4.2.2，构建某一个孤立树iTree，并从训练数据集中随机抽样出n个特征数据放入该孤立树iTree的根节点中，作为该孤立树iTree的样本数据集；
步骤4.2.3，随机选择该样本数据集中的某一个特征q，计算该样本数据集中的所有特征数据在该特征q维度中的最大值和最小值；
步骤4.2.4，在计算出的最大值和最小值之间随机选出一个数据p作为划分阈值；
步骤4.2.5，将特征值小于等于p的特征数据放到孤立树iTree的左子树中，大于p的特征数据放到孤立树iTree的右子树；
步骤4.2.6，对孤立树iTree的左子树和右子树分别重复步骤4.2.3至步骤4.2.5，直到该孤立树iTree中的孩子节点中的只有一个数据达到了限制高度，该孤立树iTree构建完成；
步骤4.2.7，重复步骤4.2.2至步骤4.2.6，生成m个孤立树iTree；
步骤4.2.8，由m个孤立树iTree组合成一个孤立树林iForest，该孤立树林iForest为锅炉异常检测模型。
17.根据权利要求9所述的一种基于人工智能的锅炉效率评估方法，其特征在于：
在基于人工智能的锅炉评估方法是基于人工智能的锅炉效率运行指标异常检测方法的条件下，所述步骤4中的锅炉效率评估模型包括基于GBDT算法构建的锅炉效率评估模型，用于检测锅炉效率是否异常。
18.根据权利要求17所述的一种基于人工智能的锅炉效率评估方法，其特征在于：
基于GBDT算法构建的锅炉效率评估模型包括双层LSTM模块、GBDT模块以及选择模块，
其中，双层LSTM模块包括输入层、两个LSTM层和输出层。
19.根据权利要求18所述的一种基于人工智能的锅炉效率评估方法，其特征在于：
GBDT模块为提升树结构，具体运行过程为：
第一步，将前一时段的锅炉运行数据以及对应的前一时段锅炉效率输入到GBDT模块内；
第二步，利用GBDT模块内的第一棵回归树计算下一时段的锅炉效率，计算出预测结果t与预定阈值a进行比较，若预测结果t达到预定阈值a，则输出预测结果t，若预测结果t未达到预定阈值a，则转至第三步；
第三步，在残差减少的梯度方向上构建第二棵回归树，训练第二棵树回归树并计算出预测结果t与真实值的残差b1，若预测结果t+b1满足预定阈值a，则输出t+b1，若t+b1仍未满足预定阈值a，则转至第四步；
第四步，在残差减少的梯度方向上构建第三棵回归树，训练第三棵回归树进行计算出预测结果t与真实值的残差b2，若预测结果t+b2满足预定阈值a，则输出t+b1+b2，若预测结果t+b2不满足预定阈值a，则转至第五步；
第五步，以此类推，直至满足阈值，输出计算预测结果t和每一棵回归树的残差的和。
20.根据权利要求19所述的一种基于人工智能的锅炉效率评估方法，其特征在于：
所述选择模块是根据对称平均绝对百分比误差对训练完成的双层LSTM模块和GBDT模块进行评估，选择对称平均绝对百分比误差误差较小的模型作为锅炉效率评估模型进行预测。
21.根据权利要求20所述的一种基于人工智能的锅炉效率评估方法，其特征在于：
对称平均绝对百分比误差的具体表达式为：
Figure FDA0004071983060000071
式中，sMAPE是对称平均绝对百分比误差，yi是锅炉效率真实值，
Figure FDA0004071983060000072
是锅炉效率预测值，n是训练数据集中的训练数据个数。
22.根据权利要求21所述的一种基于人工智能的锅炉效率评估方法，其特征在于：
所述选择模块是利用训练完成的双层LSTM模块和GBDT模块分别进行预测，再将两个模块的预测值的进行平均运算，所得到的平均值作为锅炉效率评估模型的锅炉效率预测值。
23.根据权利要求1所述的一种基于人工智能的锅炉效率评估方法，其特征在于：
在基于人工智能的锅炉评估方法是基于人工智能的锅炉效率异常检测方法的条件下，所述步骤5包括以下步骤：
步骤5.1，计算待测数据x在锅炉效率评估模型中每一个孤立树iTree的路径高度h(x)；
步骤5.2，对m个路径高度h(x)进行平均，得到待测数据x在整个iForest中平均路径高度E(h(x))；
步骤5.3，根据平均路径高度E(h(x))计算出异常分数s(x,n)；
步骤5.4，根据异常分数s(x,n)与设定的异常阈值大小，判断待测数据x是否异常。
在基于人工智能的锅炉评估方法是基于人工智能的锅炉效率运行指标异常检测方法的条件下，所述步骤5包括以下步骤：
步骤5.1，将待测数据输入到训练完成的锅炉效率评估模型，得到锅炉效率预测值；
步骤5.2，计算锅炉效率预测值与真实值之间残差，得到真实值与预测值绝对误差，具体表达式为：
Figure FDA0004071983060000081
式中，εt为t时刻锅炉效率残差值，yt为t时刻锅炉效率真实值，
Figure FDA0004071983060000082
为t时刻锅炉效率预测值；
步骤5.3，利用泊松分布检测算法对锅炉效率残差进行建模，泊松分布概率函数
Figure FDA0004071983060000083
为：
Figure FDA0004071983060000084
式中，yt为t时刻锅炉效率真实值，
Figure FDA0004071983060000085
为t时刻锅炉效率预测值；
步骤5.4，利用正态分布N(yt,μ,σ2)近似表示泊松分布，其中
Figure FDA0004071983060000086
简化为：/>
Figure FDA0004071983060000091
式中，σ为标准差；
步骤5.5，对
Figure FDA0004071983060000092
与设定的阈值m比较，若大于设定的阈值m，则锅炉效率异常，若小于等于设定的阈值m，则锅炉效率正常。
24.根据权利要求23所述的一种基于人工智能的锅炉效率评估方法，其特征在于：
在基于人工智能的锅炉评估方法是基于人工智能的锅炉效率异常检测方法的条件下，所述步骤5.1包括以下步骤：
步骤5.1.1，设定待测数据x初始高度为0，将待测数据x送入某一个iTree；
步骤5.1.2，根据该iTree的各个节点的划分特征和特征值的条件，向下寻找待测数据x，每经过一个节点，路径高度加1；
步骤5.1.3，找到待测数据x后，计算出待测数据x的路径高度h(x)。
25.根据权利要求23所述的一种基于人工智能的锅炉效率评估方法，其特征在于：
在基于人工智能的锅炉评估方法是基于人工智能的锅炉效率异常检测方法的条件下，所述步骤5.3中的异常分数s(x,n)的计算表达式为：
Figure FDA0004071983060000093
Figure FDA0004071983060000094
H(n-1)＝ln(n-1)+ξ
式中，h(x)表示待测数据x在某一棵孤立树iTree中的路径高度，E(h(x))表示待测数据x在整个孤立森林中的平均路径高度，c(n)表示所有孤立树的平均路径高度，H(n-1)为调和数，ζ是欧拉系数。
26.根据权利要求25所述的一种基于人工智能的锅炉效率评估方法，其特征在于：
在基于人工智能的锅炉评估方法是基于人工智能的锅炉效率异常检测方法的条件下，所述步骤5.4中若异常分数s(x,n)大于等于设定的异常阈值，则判定锅炉效率异常，若异常分数s(x,n)小于设定的异常阈值，则判定锅炉效率正常。
27.一种基于人工智能的锅炉效率评估系统，运行如权利要求1-26任一项所述基于人工智能的锅炉效率评估方法，其特征在于：
包括以下模块：
数据采集模块，用于采集锅炉运行数据；
数据预处理模块，用于对锅炉运行数据进行数据预处理，得到预处理后的数据；
特征计算模块，用于根据数据特征维度对预处理后的数据进行特征计算，得到特征数据；
模型训练模块，用于构建锅炉效率评估模型并将特征数据输入锅炉效率评估模型内进行训练；
模型评估模块，用于利用训练完的锅炉效率评估模型对锅炉运行进行效率评估。
CN202310097067.0A 2023-02-10 2023-02-10 一种基于人工智能的锅炉评估方法及系统 Pending CN116186624A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310097067.0A CN116186624A (zh) 2023-02-10 2023-02-10 一种基于人工智能的锅炉评估方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310097067.0A CN116186624A (zh) 2023-02-10 2023-02-10 一种基于人工智能的锅炉评估方法及系统

Publications (1)

Publication Number Publication Date
CN116186624A true CN116186624A (zh) 2023-05-30

Family

ID=86437867

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310097067.0A Pending CN116186624A (zh) 2023-02-10 2023-02-10 一种基于人工智能的锅炉评估方法及系统

Country Status (1)

Country Link
CN (1) CN116186624A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117150244A (zh) * 2023-10-30 2023-12-01 山东凯莱电气设备有限公司 基于电参数分析的智能配电柜状态监测方法及系统
CN117371561A (zh) * 2023-10-08 2024-01-09 杭州亚太化工设备有限公司 基于机器学习的工业生产人工智能系统

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117371561A (zh) * 2023-10-08 2024-01-09 杭州亚太化工设备有限公司 基于机器学习的工业生产人工智能系统
CN117150244A (zh) * 2023-10-30 2023-12-01 山东凯莱电气设备有限公司 基于电参数分析的智能配电柜状态监测方法及系统
CN117150244B (zh) * 2023-10-30 2024-01-26 山东凯莱电气设备有限公司 基于电参数分析的智能配电柜状态监测方法及系统

Similar Documents

Publication Publication Date Title
CN111539550B (zh) 光伏阵列工作状态的确定方法、装置、设备及存储介质
CN116186624A (zh) 一种基于人工智能的锅炉评估方法及系统
CN109308571B (zh) 配电线路线变关系检测方法
CN113011481B (zh) 一种基于决策树算法的电能表功能异常评估方法及系统
CN111027615B (zh) 基于机器学习的中间件故障预警方法和系统
CN111950585A (zh) 一种基于XGBoost的地下综合管廊安全状况评估方法
CN110750524A (zh) 一种有源配电网故障特征的确定方法及系统
CN111539553A (zh) 基于svr算法和偏峰度的风电机组发电机故障预警方法
CN112181706B (zh) 一种基于对数区间隔离的电力调度数据异常检测方法
CN108448625B (zh) 一种基于数据驱动的风机切入风速计算方法
CN113298297A (zh) 一种基于孤立森林与wgan网络的风电输出功率预测方法
CN113452018B (zh) 一种电力系统备用不足风险场景辨识方法
CN113641959B (zh) 一种高压电缆接头温度趋势预测方法
CN116432123A (zh) 一种基于cart决策树算法的电能表故障预警方法
CN116911806B (zh) 基于互联网+的电力企业能源信息管理系统
CN112417764A (zh) 一种面向锅炉特种设备蒸汽量预测的k近邻回归预测方法
CN116148753A (zh) 一种智能电能表运行误差监测系统
CN115409120A (zh) 一种基于数据驱动的用户窃电行为检测辅助方法
CN115758151A (zh) 联合诊断模型建立方法、光伏组件故障诊断方法
CN109299201B (zh) 基于两阶段聚类的电厂生产子系统异常监测方法及装置
CN109523077B (zh) 一种风电功率预测方法
CN113689079A (zh) 基于多元线性回归和聚类分析的台区线损预测方法及系统
CN112365082A (zh) 一种基于机器学习的公共能源消耗预测方法
CN116522111A (zh) 远程停复电故障自动诊断方法
CN113554079B (zh) 一种基于二次检测法的电力负荷异常数据检测方法及系统

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