CN116300666A - 基于XGBoost优化的电厂锅炉运行控制方法 - Google Patents
基于XGBoost优化的电厂锅炉运行控制方法 Download PDFInfo
- Publication number
- CN116300666A CN116300666A CN202310590320.6A CN202310590320A CN116300666A CN 116300666 A CN116300666 A CN 116300666A CN 202310590320 A CN202310590320 A CN 202310590320A CN 116300666 A CN116300666 A CN 116300666A
- Authority
- CN
- China
- Prior art keywords
- data
- model
- xgboost
- power plant
- optimization
- 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 44
- 238000005457 optimization Methods 0.000 title claims abstract description 24
- 239000000446 fuel Substances 0.000 claims abstract description 57
- 238000004519 manufacturing process Methods 0.000 claims abstract description 32
- 238000012549 training Methods 0.000 claims abstract description 24
- 238000002360 preparation method Methods 0.000 claims abstract description 10
- 239000007789 gas Substances 0.000 claims description 34
- UGFAIRIUMAVXCW-UHFFFAOYSA-N Carbon monoxide Chemical compound [O+]#[C-] UGFAIRIUMAVXCW-UHFFFAOYSA-N 0.000 claims description 23
- 239000003546 flue gas Substances 0.000 claims description 18
- 239000011159 matrix material Substances 0.000 claims description 14
- 238000012216 screening Methods 0.000 claims description 13
- CURLTUGMZLYLDI-UHFFFAOYSA-N Carbon dioxide Chemical compound O=C=O CURLTUGMZLYLDI-UHFFFAOYSA-N 0.000 claims description 10
- 239000013598 vector Substances 0.000 claims description 10
- UFHFLCQGNIYNRP-UHFFFAOYSA-N Hydrogen Chemical compound [H][H] UFHFLCQGNIYNRP-UHFFFAOYSA-N 0.000 claims description 5
- 229910002092 carbon dioxide Inorganic materials 0.000 claims description 5
- 239000001569 carbon dioxide Substances 0.000 claims description 5
- 229910002091 carbon monoxide Inorganic materials 0.000 claims description 5
- 229910052739 hydrogen Inorganic materials 0.000 claims description 5
- 239000001257 hydrogen Substances 0.000 claims description 5
- 238000002474 experimental method Methods 0.000 claims description 3
- 238000012545 processing Methods 0.000 claims description 2
- 238000006243 chemical reaction Methods 0.000 abstract description 7
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 abstract description 3
- 229910052799 carbon Inorganic materials 0.000 abstract description 3
- 230000000694 effects Effects 0.000 abstract description 3
- 239000002737 fuel gas Substances 0.000 description 10
- 238000002485 combustion reaction Methods 0.000 description 9
- 238000010248 power generation Methods 0.000 description 8
- 230000008569 process Effects 0.000 description 8
- 230000006872 improvement Effects 0.000 description 5
- 230000008859 change Effects 0.000 description 4
- 230000001276 controlling effect Effects 0.000 description 4
- 238000004458 analytical method Methods 0.000 description 3
- 238000013507 mapping Methods 0.000 description 3
- 238000005070 sampling Methods 0.000 description 3
- 230000009466 transformation Effects 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 2
- 238000010924 continuous production Methods 0.000 description 2
- 239000004973 liquid crystal related substance Substances 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- VNWKTOKETHGBQD-UHFFFAOYSA-N methane Chemical compound C VNWKTOKETHGBQD-UHFFFAOYSA-N 0.000 description 2
- 238000010606 normalization Methods 0.000 description 2
- 230000002159 abnormal effect Effects 0.000 description 1
- 239000003034 coal gas Substances 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000007599 discharging Methods 0.000 description 1
- 238000010438 heat treatment Methods 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 230000001788 irregular Effects 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012806 monitoring device Methods 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 239000003345 natural gas Substances 0.000 description 1
- 238000000513 principal component analysis Methods 0.000 description 1
- 238000003908 quality control method Methods 0.000 description 1
- 238000011002 quantification Methods 0.000 description 1
- 230000001105 regulatory effect Effects 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 238000003860 storage Methods 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Chemical compound O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B19/00—Programme-control systems
- G05B19/02—Programme-control systems electric
- G05B19/04—Programme control other than numerical control, i.e. in sequence controllers or logic controllers
- G05B19/042—Programme control other than numerical control, i.e. in sequence controllers or logic controllers using digital processors
- G05B19/0423—Input/output
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B2219/00—Program-control systems
- G05B2219/20—Pc systems
- G05B2219/25—Pc structure of the system
- G05B2219/25257—Microcontroller
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Automation & Control Theory (AREA)
- Regulation And Control Of Combustion (AREA)
Abstract
本发明涉及一种基于XGBoost优化的电厂锅炉运行控制方法，包括数据准备步骤，从历史数据中按预定的质量标准筛选状态数据并对状态数据做优化处理；模型训练步骤，使用经优化处理后的状态数据训练XGBoost模型；XGBoost模型中的单个样本中包括电厂锅炉一个连续时间段内的生产状态数据，XGBoost模型的训练目标为样本该连续时间段的下一时刻的燃料流量；优化控制步骤，使用训练好的模型预测下一时刻的预期燃料流量，并依据预期燃料流量调整阀门开度。本发明通过建立并训练基于历史数据的XGBoost模型可以挖掘历史数据中的规律，指导当下的锅炉生产控制。能够达到更好的预测效果，进而改善锅炉的燃料转化效率，降低能量损失，降低单位发电量的燃料消耗和碳排放。
Description
技术领域
本发明涉及火力发电的发电锅炉运行控制技术领域，具体涉及一种基于XGBoost优化的电厂锅炉运行控制方法。
背景技术
火力发电目前为止仍然是我国主要的发电方式，电厂锅炉是火力电站的三大主机设备之一。锅炉的燃料转换效率是影响火力发电的转换效率的重要因素之一。目前在锅炉结构上的改进已经非常成熟，进一步改进所带来的性能提升非常有限。然而，现阶段以及未来一段时间，火力发电作为我国以及世界的主要电力供应来源的趣趋势不会发生变化，因此如何在现有锅炉等生产设备的基础上进一步提升锅炉的燃料转化效率，降低能量损失，降低单位发电量的燃料消耗和碳排放是现阶段提高火力发电技术水平的重要问题。
现有的火力发电厂出于生产安全以及自动化控制等需求，已经具有成熟的生产过程监控与记录功能，因此在长期的生产运行中积累了丰富的历史运行数据。这些数据在行业中目前还没有得到充分重视。大多都是停留在存储设备上以供对历史生产情况的回访与检查。作为新的生产要素之一，这些历史数据中潜藏着丰富的利用价值，如果能对其进行合适的分析筛选找出数据的内在联系，可以帮助我们找到设备运行的最优工艺区间，指导后续的生产运营，从而实现生产经营目标的优化，充分体现数据中蕴含的经济价值。
发明内容
鉴于社会发展需求要求现有电厂锅炉的燃料转化效率进一步提高，而已有的优化方案带来的性能提升又极其有限，本发明提供一种基于XGBoost优化的电厂锅炉运行控制方法。
本发明的技术方案提供一种基于XGBoost优化的电厂锅炉运行控制方法，包括如下步骤：
S1、数据准备步骤，该步骤中从历史数据中按预定的质量标准筛选出符合要求的状态数据并对状态数据做优化处理；
S2、模型训练步骤，该步骤使用S1数据准备步骤中筛选出的经优化处理后的状态数据训练XGBoost模型；所述XGBoost模型中的单个样本中包括电厂锅炉在一个连续时间段内的生产状态数据，所述XGBoost模型的训练目标为电厂锅炉在样本所对应的连续时间段的下一时刻的燃料流量；
S3、优化控制步骤，该步骤包括：
S31、预测下一时刻的预期燃料流量，将锅炉运行时截至当前时刻的一定时间间隔内的状态数据输入S2模型训练步骤中所得的XGBoost模型得到预测的下一时刻的预期燃料流量；
S32、依据XGBoost模型预测的下一时刻的预期燃料流量控制调整燃料管道的阀门开度。
优选地，所述状态数据至少包括电厂锅炉的空气预热后温度、炉膛温度、烟气温度、燃气流量、空气流量以及燃气质量参考集。
优选地，所述燃气质量参考集包括燃气中的氢气含量、一氧化碳含量、二氧化碳含量以及燃气预热后温度。
优选地，所述S1数据准备步骤中从历史数据中按预定的质量标准筛选出符合要求的状态数据的方法为：以状态数据中炉膛温度达到第一标准且/或烟气温度达到第二标准作为筛选的标准。
优选地，所述S1数据准备步骤中从历史数据中按预定的质量标准筛选出符合要求的状态数据的方法为：取状态数据中炉膛温度由高至低排序的前40%的数据和/或烟气温度由高至低排序的前40%的数据。
优选地，所述状态数据至少包括电厂锅炉的空气预热后温度、炉膛温度、烟气温度、燃气流量、空气流量以及燃气质量参考集。
优选地，所述S1数据准备步骤中对状态数据做优化处理的方法为：使用Xi表示燃气质量参考集中每一个状态维度的值，i为维度的计数，总维数计为n；对于i从1到n，首先计算每一个维度Xi的样本均值；然后根据样本均值计算燃气质量参考集的特征协方差矩阵，基于特征协方差矩阵求解燃气质量参考集的特征值与特征值对应的特征向量，选择其中多个最大特征值对应的特征向量组合为投影矩阵，将样本数据中所有的燃气质量参考集乘投影矩阵得出变换后的燃气质量参考集。
优选地，所述S2模型训练步骤包括S21基础模型的建立步骤和S22模型参数的调整步骤；
S21、基础模型的建立步骤中，以历史数据中一段连续时间段内的状态数据为样本，以该连续时间段的下一时刻的燃料流量为目标建立并训练基础模型；
S22、模型参数的调整步骤中，基于S21基础模型的建立步骤所得到的基础模型通过调整其模型参数并进行交叉实验确定参数的最佳组合，其中待调整的模型参数包括模型粒度、模型树的最大深度、叶子树的宽度。
优选地，，所述S32依据XGBoost模型预测的下一时刻的预期燃料流量控制调整燃料管道的阀门开度中使用的调整方法为模糊PID控制方法。
本发明通过建立并训练基于历史数据的XGBoost模型可以挖掘历史数据中的规律，指导当下的锅炉生产控制。其大体基于建立在训练好的模型中所包含的良好的生产情况与燃料投入之间的关系，实现了通过生产运营中根据时序上在先的锅炉状态来预测下一阶段电厂锅炉的优化后的燃料投入。锅炉的生产运行中，连续的生产状态之间影响比较紧密，但目前尚不能有效量化，本控制方法可以较好地解决这一问题，因而能够达到更好的预测效果，进而改善锅炉的燃料转化效率，降低能量损失，降低单位发电量的燃料消耗和碳排放。考虑到适应本发明的基于XGBoost模型的按时序步长推进预测的技术方案对燃料流量的变化响应速度要求较高，为了满足这一点，本申请还优选使用了模糊PID控制方法来根据模型的预测结果调整燃料流量。使用模糊PID控制使得系统的燃料流量控制过程可以在两次预测推进的过程中完成，因而不会影响预测过程的连续进行，此外，由于模糊PID控制是根据论域对阀门开度进行控制，其可以在调教好后，保证系统在稳态具有更好的鲁棒性。
附图说明
图1为本发明的流程示意图；
图2为本发明的详细流程示意图。
具体实施方式
以下结合附图和具体实施例，对本发明进行详细说明，在本说明书中，附图尺寸比例并不代表实际尺寸比例，其只用于体现各部件之间的相对位置关系与连接关系，名称相同或标号相同的部件代表相似或相同的结构，且仅限于示意的目的。
目前的火力电厂一方面出于安全生产的要求，另一方面也是出于电网稳定性的要求在各设备系统上配备了大量的监控设备，采集了丰富的系统运行时状态数据。本发明的控制方法旨在基于这些丰富的历史数据优化电厂锅炉的运行状态。为了达成上述目的，本发明大体上包括S1.数据准备步骤；S2.模型训练步骤；S3.优化控制步骤。以下依次说明。
S1、数据准备步骤需要从历史数据中筛选出符合要求的生产状态数据集，并对其做优化处理。其包括以下步骤：
S11、数据筛选步骤。在电厂锅炉的生产运行当中，运行温度既部分反应了燃料的燃烧情况，这些燃料一般是煤气或者天然气等。也可以反映后续的蒸汽轮机以及发电机组可以获得的蒸汽能量。因此与锅炉相关的温度数据，应当作为训练数据的维度进行考虑。一般地，至少需要选择炉膛温度，预热后空气温度以及烟气温度，这基本上体现了进料、燃烧室、出料等燃烧系统各个主要位置的温度，因此可以作为对燃烧情况的一个比较全面的衡量。燃料质量显然也是影响锅炉燃烧的重要要素。通常这可以以通过实验测量得到的热值为判断标准，然而在实际的生产条件中，并不具备在线实验测量的条件，因此需要寻找相应的替代参数。对此，本发明拟将燃料的成分分析作为燃料热值的依据。另外还包括燃料与空气各自的投入量，也就是采集时刻的流量数据。可选地，选择的训练数据中还包括排放尾气的成分数据。综上，本发明所选取的历史数据的维度至少包括空气预热后温度、炉膛温度、烟气温度、燃气流量、空气流量以及燃气质量参考集。其中燃气质量参考集由于是以其成分含量表示的，其又可以包括燃气中的氢气含量、一氧化碳含量、二氧化碳含量以及燃气预热后温度等。可选地，历史数据中也可以包括烟气成分数据集，烟气成分数据集中的氢气含量、一氧化碳含量、二氧化碳含量以及水蒸气含量等。历史数据中以一定的采样周期记录了不同生产周期下不同时刻的以上数据以及大量的其他生产状态数据。为了使得后续的模型训练得到的模型有效反应预期的优化方向，需要从历史数据中筛选出体现了优化方向的数据。于是按事先设定的生产质量控制标准选择出符合要求的历史数据集。举例而言，在本申请的特定应用场景中，可以以炉膛温度与烟气温度达到事先标准作为筛选训练数据的标准，比如将炉膛温度达到第一标准且/或烟气温度达到第二标准作为筛选的标准，其中第一标准可以是某一温度阈值也可以是取排名靠前的一定范围的集合，比如取炉膛温度较高的前40%的数据。同样地，烟气温度的筛选标准也可以按照类似的方式确定。本发明后面的实施例中，筛选标准为同时满足炉膛温度由高至低排序的前40%与烟气温度由高至低排序的前40%的数据。这意味着后续以此筛选后的数据训练得到模型内含了优化约束，利用其获取的优化结果是自然符合上述生产质量要求的。实际的数据采集过程中，采样周期一般以分钟代表。结合现场工艺情况，因为温度的偏差和数据突变不具有偶发性，所以其筛选出的数据集一般不会大量损坏其时序性，这也为后续的模型训练提供了可能。
S12、燃气质量参考集的优化步骤。为了提升历史数据的精度，降低其中噪声的影响，可以对从属于燃气质量参考集的状态数据进行主成分分析，使之更具区别性，更易使用，降低算法开销，去除噪声，有利于模型训练过程中准确识别到数据的规律，避免模型欠拟合。如前所述燃气质量参考集中至少包括燃气中的氢气含量、一氧化碳含量、二氧化碳含量以及燃气预热后温度等。使用Xi表示燃气质量参考集中每一个状态维度的值，i为维度的计数，总维数计为n。该过程中，对于i从1到n，首先计算每一个维度Xi的样本均值。样本均值的公式为：
其中，j为样本数据量的计数，m为样本总数。
接下来计算燃气质量参考集的特征协方差矩阵，特征协方差矩阵为：
其中，
根据上述特征协方差矩阵求解燃气质量参考集的特征值与特征值对应的特征向量，将求解的特征向量按从大至小排序，并取前d’项特征向量(d’小于燃气质量参考集的总维数)，将其对应的特征向量组合成投影矩阵，最后将样本数据中所有的燃气质量参考集乘上投影矩阵以在特征向量轴上作投影，得出变换后的燃气质量参考数据。实际应用中，可以仅选择排在最前的第一个特征值所对应的特征向量为投影矩阵进行上述计算，即只考虑影响最显著的主成分分量。
优选地，在进行主成分分析之前可以首先对燃气质量参考集中的各维度的数据做归一化处理将数据的量纲进行统一，以便于表达各个特征之间的相关性，提高后续映射的效果。提高分类器的准确性，提高后续分类器的准确性。归一化处理过程中采用极差标准化方法将特征缩放到给定的最小值和最大值之间，相当于对原始数据的线性变换，即：
其中，Xi '为归一化后各维度数据，Xi,max为给定的最大值，Xi,min为给定的最小值，给定的最大值与最小值可以根据历史情况事先约定，以免去重复计算，也可以由样本数据计算得出，即：
S2、模型训练步骤包括S21基础模型的建立步骤以及S22模型参数的调整。
S21、基础模型的建立步骤。建立一个基础的XGBoost(极致梯度提升)模型并训练，训练的目标是t+1时刻的燃料流量，考虑到锅炉的燃烧过程是一个连续过程，时序上先后的状态之间存在影响，因此模型的变量是t到t-v时刻的状态数据样本，v是预定的影响时间范围。基于S1中的历史数据，t到t-v时刻的状态数据样本集的维度至少上包括了t到t-v间每一采样时刻的空气流量、燃料流量、预热后空气温度、炉膛温度、烟气温度以及t到t-v间的燃气质量参考集数据。由于其不单单只考虑变量之间的影响因素，还会考虑时间差、温度变化及其他数据变化之间的影响结果，更加贴合生产的实际情况，可以增加时序数据建立出来模型的精准度。
S22、模型参数的调整步骤。在S21预训练的模型的基础上，调整模型参数。首先调节最佳迭代次数：n_estimators，将模型粒度调整到一个比较接受的值。调整max_depth，代表树的最大深度，设定初始值5得到其误差，调整为8后误差降低，调整为7后，误差还是降低，最终选取为6作为最优参数。接着开始调整min_child_weight，代表叶子树的宽度，一般决定预测值的精确度，调节方法同上。通过交叉验证观察结果的变换，使用平均绝对误差来衡量。树的深度分别设置2、3、4情况下，通过调整迭代次数，观察其结果变换，根据画出的预测值值和真实值的偏差，以及结合现场师傅反馈的经验结果，比较该时间段误差是否允许存在是最好的结果。后通过调整L1、L2正则化参数,防止过拟合发生，将调整得到更为合适的模型，最后将训练好的模型进行保存。
S3、优化控制步骤。该步骤首先基于S2中得到的XGBoost模型预测下一时刻，也就是t+1时刻的燃料预期流量，然后控制阀门调整使燃料流量快速稳定在预期流量处。由于煤气管网煤气压力变化较大，空气输送由系统内的风机控制，因此空气管道的风量出口压力较稳定，生产运营中可以根据当前负荷以及生产需求，维持空气流量的操作易于达成，因此本发明的控制量主要是燃料流量。S2步骤中的XGBoost模型仅仅实现了根据t-m到t时间段内的生产情况预测下一时刻期待的最优燃料流量控制目标。然而，实际的生产控制中，燃料流量的控制主要是通过调整阀门开度实现，在燃料来料的管路压力变化不规律的情况下，为了实现对燃料流量的快速稳定控制，需要使用反馈调节机制。然而实际的生产实验表明通过PID控制修正燃料流量的控制方案不容易在两次燃料流量预测之间将系统调整到上一次计算的目标状态，存在时间上的滞后而无法满足本发明的控制需求，另外，当煤气管网的压力变化时，PID控制过程往往存在较长时间的稳态波动，进而影响前述系统预测结果的准确性。因此本发明的技术方案，最终采取了模糊PID控制，来保证在两次预测之间系统的燃料流量控制稳定，并在稳态较好的保持。
S31、预测下一时刻的预期燃料流量。将截至当前时刻的特定时间间隔的时间段内，锅炉系统的空气预热后温度、炉膛温度、烟气温度、燃气质量参考集以及空气流量、燃料流量等数据输入到S22步骤中训练并调整优化好的训练模型中，模型输出下一时刻的预期燃料流量。由于此前在训练模型时已经对历史数据做了针对性的筛选，因此模型应当训练到了优秀的燃烧条件所具备的规律，那么得到的预期燃料流量大概率可以达成下一时刻的符合标准的燃烧，即寻找到最佳燃烧点。
S32、调整流量阀开度步骤。通过模糊PID控制流量阀开度至燃料流量稳定至预期燃料流量。记预期燃料流量为Qt，与当前时刻的燃料流量Qn比较，可以得到偏差e和偏差率ec=de/dt。根据e和ec的值依据经验我们选择：负大[NB]、负中[NM]、负小[NS]、零[ZO]、正小[PS]、正中[PM]、正大[PB]等7个语言变量就能够有足够精度表达其模糊子集。所以我们定义e和ec的模糊子集均为{NB，NM，NS，ZO，PS，PM，PB}。确定了模糊子集后，引入e和ec的模糊集的论域，考虑到本发明的应用场景以及锅炉的生产运行过程，论域可以适当调整，这里取[-6,6]。后根据区间映射函数
, 将[Omin, Omax]上每个数映射到区间[Nmin, Nmax]上。[Nmin, Nmax]代表要映射的区间即[-6,6]。[Omin, Omax]代表实际要控制煤气量区间,区间范围预定或者依据模型预测出的一段数据重新确定，根据其百分位50%，75%以及最大值最小值，标准差设定合理的区间。
确定隶属度函数，分别计算e和ec的隶属度。先初步建立隶属度函数
偏小型:
偏大型:
中间型:
其中x代表煤气量，a、b、c、d代表每个区间内的特定值。先由专家经验以及根据25%分位值来指定初始值，后给出各个区间的两三个假想值，分别计算属于其的隶属度，以及确定k的值，k的值也是一般先给出1、1/2，比较两者隶属度的值是否合适。隶属度函数的值域为[0,1]。确定好隶属度函数后，建立KP,KI,KD的模糊推理表。模糊推理表的规则可由业务场景参考进行设计,一般采用IF…THEN…等的形式输出，由输入的e和ec得出输出变量u来确定。假设此刻的输入 e 为8，de/dt 为-12，而e的范围为[-10,10]，de/dt 的范围为[-20,20]。则通过模糊化得到 e 的隶属度为0.6(PM)与0.4(PB)，de/dt 的隶属度为0.8(NM)与0.2(NS)，然后，对 e 与 de/dt 的隶属度进行两两组合，查询模糊推理表得到kp，ki，kd与隶属度的关系表。接着计算出kp，ki，kd的隶属度。
A(x) 代表x为kp或其他的隶属度，O(x) 代表x为kp或其他的论域区间的值。把期望作为kp，ki、kd在论域的值，确定范围后，根据区间映射公式反求出kp，ki，kd的输出值。应用模糊pid的好处，其参数的设置不再趋于局限性，可实时进行调节，对控制的适应性更强。同时考虑模型预测的结果值有异常值，对预测值和最后调整值加入范围限制，一般询问现场工艺主任，结合当时炉况状态，给出一个适应性相对合适且结果偏差不多的区间，加入限制。后根据炉内炉膛温度以及烟气温度的偏差值，进行偏差修正，并合理增大空气过剩期数，对最终得出的空气煤气值再进行范围限制。最后，通过与阀门的转化关系，减少延迟带来的误差，控制输出在PLC上。具体实施例详细描述内容。
上述内容仅仅是对本发明的优选实施方式进行描述，并非对本发明的范围进行限定，在不脱离本发明设计精神的前提下，本领域普通技术人员对本发明的技术方案作出的各种变形和改进，均应落入本发明的权利要求书确定的保护范围内。
Claims (8)
1.一种基于XGBoost优化的电厂锅炉运行控制方法，其特征在于，包括如下步骤：
S1、数据准备步骤，该步骤从历史数据中按预定的质量标准筛选出符合要求的状态数据并对状态数据做优化处理；
S2、模型训练步骤，该步骤使用S1数据准备步骤中筛选出的经优化处理后的状态数据训练XGBoost模型；所述XGBoost模型中的单个样本中包括电厂锅炉在一个连续时间段内的生产状态数据，所述XGBoost模型的训练目标为电厂锅炉在样本所对应的连续时间段的下一时刻的燃料流量；
S3、优化控制步骤，该步骤包括：
S31、预测下一时刻的预期燃料流量步骤，将锅炉运行中截至当前时刻的一定时间间隔内的状态数据输入S2模型训练步骤中所得的XGBoost模型得到预测的下一时刻的预期燃料流量；
S32、调整流量阀开度步骤，依据XGBoost模型预测的下一时刻的预期燃料流量控制调整燃料管道的阀门开度。
2.如权利要求1所述的基于XGBoost优化的电厂锅炉运行控制方法，其特征在于，所述状态数据至少包括电厂锅炉的空气预热后温度、炉膛温度、烟气温度、燃气流量、空气流量以及燃气质量参考集。
3.如权利要求1所述的基于XGBoost优化的电厂锅炉运行控制方法，其特征在于，所述S2模型训练步骤包括S21基础模型的建立步骤和S22模型参数的调整步骤；
S21、基础模型的建立步骤中，以历史数据中一段连续时间段内的状态数据为样本，以该连续时间段的下一时刻的燃料流量为目标建立并训练基础模型；
S22、模型参数的调整步骤中，基于S21基础模型的建立步骤所得到的基础模型通过调整其模型参数并进行交叉实验确定参数的最佳组合，其中待调整的模型参数包括模型粒度、模型树的最大深度、叶子树的宽度。
4.如权利要求2所述的基于XGBoost优化的电厂锅炉运行控制方法，其特征在于，所述S1数据准备步骤中从历史数据中按预定的质量标准筛选出符合要求的状态数据的方法为：以状态数据中炉膛温度达到第一标准和/或烟气温度达到第二标准作为筛选的标准。
5.如权利要求4所述的基于XGBoost优化的电厂锅炉运行控制方法，其特征在于，所述S1数据准备步骤中从历史数据中按预定的质量标准筛选出符合要求的状态数据的方法为：取状态数据中炉膛温度由高至低排序的前40%的数据和/或烟气温度由高至低排序的前40%的数据。
6.如权利要求2所述的基于XGBoost优化的电厂锅炉运行控制方法，其特征在于，所述燃气质量参考集包括燃气中的氢气含量、一氧化碳含量、二氧化碳含量以及燃气预热后温度。
7.如权利要求6所述的基于XGBoost优化的电厂锅炉运行控制方法，其特征在于，所述S1数据准备步骤中对状态数据做优化处理的方法为：使用Xi表示燃气质量参考集中每一个状态维度的值，i为维度的计数，总维数计为n；对于i从1到n，首先计算每一个维度Xi的样本均值；然后根据样本均值计算燃气质量参考集的特征协方差矩阵，基于特征协方差矩阵求解燃气质量参考集的特征值与特征值对应的特征向量，选择其中多个最大特征值对应的特征向量组合为投影矩阵，将样本数据中所有的燃气质量参考集乘投影矩阵得出变换后的燃气质量参考集。
8.如权利要求1-7任一项所述的基于XGBoost优化的电厂锅炉运行控制方法，其特征在于，所述S32依据XGBoost模型预测下一时刻的预期燃料流量控制调整燃料管道的阀门开度中使用的调整方法为模糊PID控制方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310590320.6A CN116300666A (zh) | 2023-05-24 | 2023-05-24 | 基于XGBoost优化的电厂锅炉运行控制方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310590320.6A CN116300666A (zh) | 2023-05-24 | 2023-05-24 | 基于XGBoost优化的电厂锅炉运行控制方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN116300666A true CN116300666A (zh) | 2023-06-23 |
Family
ID=86794619
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310590320.6A Pending CN116300666A (zh) | 2023-05-24 | 2023-05-24 | 基于XGBoost优化的电厂锅炉运行控制方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116300666A (zh) |
Citations (12)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103017560A (zh) * | 2012-10-29 | 2013-04-03 | 中国石油化工股份有限公司 | 加热炉燃烧状态远程监测与调炉决策专家系统 |
| CN103499212A (zh) * | 2013-09-27 | 2014-01-08 | 中冶长天国际工程有限责任公司 | 一种二元点火炉炉膛温度调节方法及装置 |
| CN105928004A (zh) * | 2016-06-16 | 2016-09-07 | 河北工程大学 | 一种高温燃烧器的燃油流量控制方法及其系统 |
| CN111461466A (zh) * | 2020-05-18 | 2020-07-28 | 瑞纳智能设备股份有限公司 | 基于lstm时间序列的供暖户阀调节方法、系统及设备 |
| CN113205207A (zh) * | 2021-04-19 | 2021-08-03 | 深圳供电局有限公司 | 一种基于XGBoost算法的用电短期负荷波动预测方法及系统 |
| CN113657548A (zh) * | 2021-08-31 | 2021-11-16 | 平安医疗健康管理股份有限公司 | 医保异常检测方法、装置、计算机设备及存储介质 |
| CN114881154A (zh) * | 2022-05-13 | 2022-08-09 | 西安建筑科技大学 | 一种基于pca和深度森林的天然气场站故障检测方法及系统 |
| CN115186582A (zh) * | 2022-07-05 | 2022-10-14 | 科大智能物联技术股份有限公司 | 一种基于机器学习模型的轧钢加热炉控制方法 |
| CN115358465A (zh) * | 2022-08-19 | 2022-11-18 | 镇江市金舟软件有限责任公司 | 船舶焊接定额工时快速预测方法、系统及电子设备、存储介质 |
| CN115935784A (zh) * | 2022-09-30 | 2023-04-07 | 佛山众陶联供应链服务有限公司 | 一种建筑陶瓷窑炉燃烧系统中燃料数据的分析方法及系统 |
| CN115930594A (zh) * | 2023-02-20 | 2023-04-07 | 科大智能物联技术股份有限公司 | 一种竖炉生产控制方法 |
| WO2023063107A1 (ja) * | 2021-10-15 | 2023-04-20 | 三菱重工環境・化学エンジニアリング株式会社 | 制御装置 |
-
2023
- 2023-05-24 CN CN202310590320.6A patent/CN116300666A/zh active Pending
Patent Citations (12)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103017560A (zh) * | 2012-10-29 | 2013-04-03 | 中国石油化工股份有限公司 | 加热炉燃烧状态远程监测与调炉决策专家系统 |
| CN103499212A (zh) * | 2013-09-27 | 2014-01-08 | 中冶长天国际工程有限责任公司 | 一种二元点火炉炉膛温度调节方法及装置 |
| CN105928004A (zh) * | 2016-06-16 | 2016-09-07 | 河北工程大学 | 一种高温燃烧器的燃油流量控制方法及其系统 |
| CN111461466A (zh) * | 2020-05-18 | 2020-07-28 | 瑞纳智能设备股份有限公司 | 基于lstm时间序列的供暖户阀调节方法、系统及设备 |
| CN113205207A (zh) * | 2021-04-19 | 2021-08-03 | 深圳供电局有限公司 | 一种基于XGBoost算法的用电短期负荷波动预测方法及系统 |
| CN113657548A (zh) * | 2021-08-31 | 2021-11-16 | 平安医疗健康管理股份有限公司 | 医保异常检测方法、装置、计算机设备及存储介质 |
| WO2023063107A1 (ja) * | 2021-10-15 | 2023-04-20 | 三菱重工環境・化学エンジニアリング株式会社 | 制御装置 |
| CN114881154A (zh) * | 2022-05-13 | 2022-08-09 | 西安建筑科技大学 | 一种基于pca和深度森林的天然气场站故障检测方法及系统 |
| CN115186582A (zh) * | 2022-07-05 | 2022-10-14 | 科大智能物联技术股份有限公司 | 一种基于机器学习模型的轧钢加热炉控制方法 |
| CN115358465A (zh) * | 2022-08-19 | 2022-11-18 | 镇江市金舟软件有限责任公司 | 船舶焊接定额工时快速预测方法、系统及电子设备、存储介质 |
| CN115935784A (zh) * | 2022-09-30 | 2023-04-07 | 佛山众陶联供应链服务有限公司 | 一种建筑陶瓷窑炉燃烧系统中燃料数据的分析方法及系统 |
| CN115930594A (zh) * | 2023-02-20 | 2023-04-07 | 科大智能物联技术股份有限公司 | 一种竖炉生产控制方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110486749B (zh) | 一种火电机组锅炉燃烧优化控制方法及系统 | |
| EP1698956B1 (en) | Method for optimizing combined cycle/combined process facilities | |
| CN110263395A (zh) | 基于数值模拟和数据分析的电厂脱硝运行优化方法及系统 | |
| Yang et al. | Hybrid improved particle swarm optimization-cuckoo search optimized fuzzy PID controller for micro gas turbine | |
| CN110263452B (zh) | 一种烟道内烟气时间分布特性分析方法、系统及脱硝系统 | |
| US9952566B2 (en) | Method for controlling and/or regulating a technical system in a computer-assisted manner | |
| 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 | |
| CN111552175A (zh) | 一种超临界燃煤电站-化学吸附燃烧后碳捕集系统的整体优化调度和快速变负荷控制方法 | |
| CN112215464A (zh) | 一种多工况下高炉煤气的预测平衡调度系统 | |
| CN115685743A (zh) | 一种智能控制燃煤锅炉及其智能预测调控烟气排放方法 | |
| CN109375503B (zh) | 一种蒸汽余热梯级利用优化控制方法 | |
| CN116720446B (zh) | 一种锅炉水冷壁渣层厚度实时监测方法 | |
| CN112731873B (zh) | 高炉联合循环系统与燃烧后碳捕集系统的协调控制方法 | |
| CN108488831B (zh) | 锅炉燃烧控制系统和方法 | |
| CN111881120B (zh) | 一种锅炉智能运行优化方法 | |
| JPH08339204A (ja) | 火力発電プラント自律適応最適化制御システム | |
| CN103593578A (zh) | 焦炉加热燃烧过程烟道吸力反馈设定方法 | |
| CN115111601B (zh) | 多变负荷下内嵌算法融合的多目标锅炉燃烧优化控制方法 | |
| CN109882883B (zh) | 一种基于人工智能优化锅炉燃煤效率的方法及装置 | |
| CN116300666A (zh) | 基于XGBoost优化的电厂锅炉运行控制方法 | |
| CN113836819B (zh) | 一种基于时序关注的床温预测方法 | |
| CN112348696B (zh) | 基于bp神经网络的供热机组调峰上限评估方法及系统 | |
| CN114721253A (zh) | 基于人工蜂群算法的加热炉温度分数阶pid控制系统及方法 | |
| CN114779722B (zh) | 一种用于燃煤电站锅炉的智慧燃烧优化控制系统及方法 | |
| CN111852596B (zh) | 一种锅炉汽轮发电机组运行参数及相对发电煤耗率预测方法 |
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 | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20230623 |
|
| RJ01 | Rejection of invention patent application after publication |