CN117490092A - 基于人工智能的生物质电厂燃烧控制决策优化方法及系统 - Google Patents
基于人工智能的生物质电厂燃烧控制决策优化方法及系统 Download PDFInfo
- Publication number
- CN117490092A CN117490092A CN202410001167.3A CN202410001167A CN117490092A CN 117490092 A CN117490092 A CN 117490092A CN 202410001167 A CN202410001167 A CN 202410001167A CN 117490092 A CN117490092 A CN 117490092A
- Authority
- CN
- China
- Prior art keywords
- data
- decision
- combustion
- vibration
- control decision
- 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
- 238000002485 combustion reaction Methods 0.000 title claims abstract description 200
- 239000002028 Biomass Substances 0.000 title claims abstract description 95
- 238000000034 method Methods 0.000 title claims abstract description 93
- 238000013473 artificial intelligence Methods 0.000 title claims abstract description 49
- 238000005457 optimization Methods 0.000 claims abstract description 122
- QVGXLLKOCUKJST-UHFFFAOYSA-N atomic oxygen Chemical compound [O] QVGXLLKOCUKJST-UHFFFAOYSA-N 0.000 claims abstract description 72
- 229910052760 oxygen Inorganic materials 0.000 claims abstract description 72
- 239000001301 oxygen Substances 0.000 claims abstract description 72
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 27
- 230000008859 change Effects 0.000 claims description 63
- 239000000446 fuel Substances 0.000 claims description 54
- 238000004364 calculation method Methods 0.000 claims description 46
- 238000004458 analytical method Methods 0.000 claims description 39
- 230000008569 process Effects 0.000 claims description 18
- 230000006870 function Effects 0.000 claims description 11
- 238000012549 training Methods 0.000 claims description 10
- 238000010276 construction Methods 0.000 claims description 9
- 238000010606 normalization Methods 0.000 claims description 9
- 239000013256 coordination polymer Substances 0.000 claims description 6
- 230000010355 oscillation Effects 0.000 claims description 6
- 238000007405 data analysis Methods 0.000 claims description 4
- 238000013499 data model Methods 0.000 claims description 4
- 238000012545 processing Methods 0.000 claims description 4
- 238000002372 labelling Methods 0.000 claims description 3
- 238000012806 monitoring device Methods 0.000 claims 1
- 239000000463 material Substances 0.000 abstract description 2
- 230000000694 effects Effects 0.000 description 4
- 238000010248 power generation Methods 0.000 description 4
- 230000009471 action Effects 0.000 description 3
- 238000004088 simulation Methods 0.000 description 3
- 238000004891 communication Methods 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 230000004075 alteration Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000004134 energy conservation Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
Classifications
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F23—COMBUSTION APPARATUS; COMBUSTION PROCESSES
- F23N—REGULATING OR CONTROLLING COMBUSTION
- F23N5/00—Systems for controlling combustion
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F23—COMBUSTION APPARATUS; COMBUSTION PROCESSES
- F23N—REGULATING OR CONTROLLING COMBUSTION
- F23N2223/00—Signal processing; Details thereof
- F23N2223/44—Optimum control
Landscapes
- Engineering & Computer Science (AREA)
- Chemical & Material Sciences (AREA)
- Combustion & Propulsion (AREA)
- Mechanical Engineering (AREA)
- General Engineering & Computer Science (AREA)
- Incineration Of Waste (AREA)
Abstract
本发明公开了基于人工智能的生物质电厂燃烧控制决策优化方法及系统，方法包括数据采集、锅炉燃烧特征选取、燃烧振动周期分析、控制决策建模预测、生物质电厂燃烧控制决策优化。本发明涉及生物质电厂燃烧控制决策自动化技术领域，具体是指基于人工智能的生物质电厂燃烧控制决策优化方法及系统，本发明选取料进料量、风量和炉膛含氧量作为锅炉燃烧特征数据，为后续的燃烧控制决策优化提供良好的数据基础；进行振动周期周期分析并构建人工智能学习数据样本，提升了数据的可靠性和可用性；采用K最近邻算法进行自动化的控制决策预测；采用通过将预测的控制决策信息反馈至DCS控制系统，并进一步为实现锅炉自动燃烧提供了可行方案。
Description
技术领域
本发明涉及生物质电厂燃烧控制决策自动化技术领域，具体是指基于人工智能的生物质电厂燃烧控制决策优化方法及系统。
背景技术
基于人工智能的生物质电厂燃烧控制决策优化方法是以人工智能分析手段结合各类分析、预测模型对数据进行预测推荐，进行燃烧过程实现自动控制的方法，这种方法高效准确，同时能够使得生物质锅炉一直处于稳定燃烧的良好工况，进一步实现节能减排。
但是，在已有的生物质电厂燃烧控制决策优化方法中，存在着锅炉燃烧特征数据多样，影响了锅炉燃烧控制决策的准确性和效率的技术问题；在已有的生物质电厂燃烧控制决策优化方法中，存在着生物质电厂燃烧控制决策的数据建构难度较大，缺少一种合理的构造燃烧振动周期数据，并进行燃烧振动周期分析的方法的技术问题；在已有的生物质电厂燃烧控制决策优化方法中，存在着人工进行生物质电厂燃烧控制决策的效率和准确性优先，亟待一种自动化的控制决策优化方法的技术问题；在已有的生物质电厂燃烧控制决策优化方法中，存在着人工误差或延迟效应影响生物质电厂燃烧控制的整体过程的技术问题。
发明内容
针对上述情况，为克服现有技术的缺陷，本发明提供了基于人工智能的生物质电厂燃烧控制决策优化方法及系统，针对在已有的生物质电厂燃烧控制决策优化方法中，存在着锅炉燃烧特征数据多样，影响了锅炉燃烧控制决策的准确性和效率的技术问题，本方案创造性地选取料进料量、风量和炉膛含氧量作为锅炉燃烧特征数据，通过特征选取进行数据规模抽象，为后续的燃烧控制决策优化提供良好的数据基础；针对在已有的生物质电厂燃烧控制决策优化方法中，存在着生物质电厂燃烧控制决策的数据建构难度较大，缺少一种合理的构造燃烧振动周期数据，并进行燃烧振动周期分析的方法的技术问题，本方案创造性地进行振动周期周期分析并通过人工决策分析构建人工智能学习数据样本，进一步提升了数据的可靠性和可用性；针对在已有的生物质电厂燃烧控制决策优化方法中，存在着人工进行生物质电厂燃烧控制决策的效率和准确性优先，亟待一种自动化的控制决策优化方法的技术问题，本方案创造性地采用K最近邻算法进行自动化的控制决策预测，通过人工智能方法进行预测，并进一步采用PLpython函数优化机器预测的结果，提升了方法整体的自动性、效率和准确性；针对在已有的生物质电厂燃烧控制决策优化方法中，存在着人工误差或延迟效应影响生物质电厂燃烧控制的整体过程的技术问题，本方案创造性地采用基于人工智能的生物质电厂燃烧控制决策优化方法，通过将机器预测的控制决策信息反馈至DCS控制系统，实现了模拟人工操作，并进一步为实现锅炉自动燃烧提供了可行方案。
本发明采取的技术方案如下：本发明提供的基于人工智能的生物质电厂燃烧控制决策优化方法，该方法包括以下步骤：
步骤S1：数据采集；
步骤S2：锅炉燃烧特征选取；
步骤S3：燃烧振动周期分析；
步骤S4：控制决策建模预测；
步骤S5：生物质电厂燃烧控制决策优化。
进一步地，在步骤S1中，所述数据采集，用于构建数据模型并进行实时数据采集，具体为通过工业采集设备、OPC协议和DCS系统，将生物质直燃发电机组锅炉燃烧数据实时存入采集数据库，得到决策优化原始数据，所述决策优化原始数据，具体指生物质直燃发电机组锅炉燃烧实时数据，包括燃料运料皮带传送速度、风机挡板开度、炉腔内含氧量和设备实时时间数据，其中，将所述设备实时时间数据存入PostgreSQL数据库。
进一步地，在步骤S2中，所述锅炉燃烧特征选取，用于选取进行生物质电厂燃烧控制决策优化所需的锅炉燃烧特征数据，具体为选取燃料进料量、风量和炉膛含氧量作为锅炉燃烧特征数据，将所述决策优化原始数据转化为锅炉燃烧特征数据，得到决策优化特征数据，包括以下步骤：
步骤S21：计算燃料进料量特征，计算公式为：
；
式中，FF是燃料进料量特征，VF是燃料运料皮带传送速度，WF是燃料进料口的有效宽度，KF是流量系数；
步骤S22：转化风量特征，具体为通过将所述风机挡板开度拟合转化，得到风量特征FW；
步骤S23：提取炉腔含氧量特征，具体为通过监测设备直接探测炉腔内含氧量数据，得到炉腔含氧量特征FO；
步骤S24：锅炉燃烧特征选取，具体为通过所述计算燃料进料量特征、所述转化风量特征和所述提取炉腔含氧量特征，构建得到决策优化特征数据，所述决策优化特征数据的计算公式为：
；
式中，FP是决策优化特征数据，FF是燃料进料量特征，FW是风量特征，FO是炉腔含氧量特征。
进一步地，在步骤S3中，所述燃烧振动周期分析，用于采用数据分析方法计算历史数据中每个振动周期的起始点和终点的时刻数据，具体为构造燃烧振动周期数据，并进行燃烧振动周期分析，得到燃烧振动标签数据，并构建决策优化人工智能学习数据样本，包括以下步骤：
步骤S31：构建时序数据，具体从PostgreSQL数据库中调用所述设备实时时间数据，得到时序数据；
步骤S32：计算振动周期时刻数据，计算公式为：
；
式中，是第c次振动周期的周期时刻数据，c是振动周期次数索引，/>是第c次振动周期的结束时刻数据，/>是第c次振动周期的起始时刻数据，/>是第c次振动周期时，炉排振动频率由正值降为0Hz的时刻，/>是第c-1次振动周期的结束时刻数据，用于表示前一次振动的结束时刻作为下一次振动的起始时刻，其中，第一次振动周期的振动起始时刻取值为0；
步骤S33：构建振动周期历史时刻数据，具体为通过所述计算振动周期时刻数据，构建振动周期历史时刻数据，计算公式为：
；
式中，是振动周期历史时刻数据，/>是第1次振动周期的振动周期历史时刻数据，包括第1次振动周期的振动起始时刻数据和第1次振动周期的振动结束时刻数据，c是振动周期次数索引，/>是第c次振动周期的振动周期历史时刻数据；
步骤S34：构建时序含氧量数据，具体包括以下步骤：
步骤S341：获取含氧量原始数据，具体为依据所述振动周期历史时刻数据和所述决策优化特征数据中的炉腔含氧量特征FO，得到含氧量原始数据；
步骤S342：计算平均含氧量数据，计算公式为：
；
式中，是平均含氧量数据，/>是第c次振动周期的平均含氧量，是在第c次振动周期中，时刻t含氧量的积分，其中，C(t)是时刻t的含氧量，c是振动周期次数索引，/>是第c次振动周期的结束时刻数据，/>是第c次振动周期的起始时刻数据，/>是第c次振动周期的周期时刻数据；
步骤S35：振动周期周期分析，具体为采用人工分析的方式，分析所述平均含氧量数据中的含氧量，并通过人工决策进行数据标记，依据所述含氧量数据/>进行人工数据标签，得到燃烧振动标签数据DT；
步骤S36：构建数据样本，具体位置构建决策优化人工智能学习数据样本，计算公式为：
Tr={,/>,DT,FP}；
式中，Tr是决策优化人工智能学习数据样本，是平均含氧量数据，/>是振动周期历史时刻数据，DT是燃烧振动标签数据，FP是决策优化特征数据。
进一步地，在步骤S4中，所述控制决策建模预测，用于构建模型并自动化预测生物质电厂燃烧控制决策，具体为依据所述决策优化人工智能学习数据样本Tr，采用K近邻算法进行控制决策建模预测，得到控制决策参考数据；
所述K近邻算法，用于进行燃料量和风量变化预测；
所述采用K近邻算法进行控制决策建模预测，得到控制决策参考数据的步骤，包括：
步骤S41：输入数据重构，具体为将所述决策优化人工智能学习数据样本Tr重构为K近邻计算原始数据集，所述K近邻计算原始数据集，包括炉排振动时间、燃料进料量、进风量、含氧量、人工决策燃料变化量、人工决策风量变化量；
步骤S42：特征归一化，具体为对所述K近邻计算原始数据集进行特征归一化处理，得到优化K近邻计算数据；
步骤S43：欧氏距离计算，具体为计算每个数据样本中的待预测样本和原始样本的欧氏距离，得到距离计算数据；
步骤S44：最近邻选择，具体为依据所述距离计算数据进行K近邻选择，并将所述K选取为3；
步骤S45：K近邻算法预测，具体为进行K近邻算法模型训练，并通过K近邻算法预测，得到预测决策变化数据，所述预测决策变化数据，包括3个最近邻的预测决策燃料量变化值和3个最近邻的预测决策风量变化值，所述预测决策变化数据的计算公式为：
；
式中，是预测决策变化数据，A是第一预测决策变化数据，B是第二预测决策变化数据，C是第三预测决策变化数据，X1是第一预测决策燃料量变化值，X2是第二预测决策燃料量变化值，X3是第三预测决策燃料量变化值，Y1是第一预测决策风量变化值，Y2是第二预测决策风量变化值，Y3是第三预测决策风量变化值；
步骤S46：预测数据优化，具体为将所述预测决策变化数据中的第一、第二和第三预测决策变化数据转化为三个对应坐标点，并采用PLpython函数，计算所述三个对应坐标点所构成的几何三角形ABC的几何中心P(X4,Y4)，所述几何中心P包括优化决策控制燃料量变化值X4和优化决策控制风量变化值Y4；
步骤S47：控制决策建模预测模型训练，具体为通过所述输入数据重构、所述特征归一化、所述欧氏距离计算、所述最近邻选择、所述K近邻算法预测和所述预测数据优化进行控制决策建模预测模型训练，得到控制决策建模预测模型ModelCP；
步骤S48：控制决策建模预测，具体为采用所述控制决策建模预测模型ModelCP，依据所述决策优化人工智能学习数据样本Tr进行控制决策建模预测，得到控制决策参考数据。
进一步地，在步骤S5中，所述生物质电厂燃烧控制决策优化，用于将模型预测得到的决策控制参考数据反馈给控制系统，具体为调用工控接口将所述决策控制参考数据反馈至DCS控制系统，得到生物质电厂燃烧控制决策优化反馈信息。
本发明提供的基于人工智能的生物质电厂燃烧控制决策优化系统，包括数据采集模块、锅炉燃烧特征选取模块、燃烧振动周期分析模块、控制决策建模预测模块、生物质电厂燃烧控制决策优化模块；
所述数据采集模块，用于数据采集，通过数据采集，得到决策优化原始数据，并将所述决策优化原始数据发送至锅炉燃烧特征选取模块和燃烧振动周期分析模块；
所述锅炉燃烧特征选取模块，用于锅炉燃烧特征选取，通过锅炉燃烧特征选取，得到决策优化特征数据，并将所述决策优化特征数据发送至燃烧振动周期分析模块；
所述燃烧振动周期分析模块，用于燃烧振动周期分析，通过燃烧振动周期分析，得到决策优化人工智能学习数据样本，并将所述决策优化人工智能学习数据样本发送至控制决策建模预测模块；
所述控制决策建模预测模块，用于控制决策建模预测，通过控制决策建模预测，得到控制决策参考数据，并将所述控制决策参考数据发送至生物质电厂燃烧控制决策优化模块；
所述生物质电厂燃烧控制决策优化模块，用于生物质电厂燃烧控制决策优化，通过生物质电厂燃烧控制决策优化，得到生物质电厂燃烧控制决策优化反馈信息。
采用上述方案本发明取得的有益效果如下：
（1）针对在已有的生物质电厂燃烧控制决策优化方法中，存在着锅炉燃烧特征数据多样，影响了锅炉燃烧控制决策的准确性和效率的技术问题，本方案创造性地选取料进料量、风量和炉膛含氧量作为锅炉燃烧特征数据，通过特征选取进行数据规模抽象，为后续的燃烧控制决策优化提供良好的数据基础；
（2）针对在已有的生物质电厂燃烧控制决策优化方法中，存在着生物质电厂燃烧控制决策的数据建构难度较大，缺少一种合理的构造燃烧振动周期数据，并进行燃烧振动周期分析的方法的技术问题，本方案创造性地进行振动周期周期分析并通过人工决策分析构建人工智能学习数据样本，进一步提升了数据的可靠性和可用性；
（3）针对在已有的生物质电厂燃烧控制决策优化方法中，存在着人工进行生物质电厂燃烧控制决策的效率和准确性优先，亟待一种自动化的控制决策优化方法的技术问题，本方案创造性地采用K最近邻算法进行自动化的控制决策预测，通过人工智能方法进行预测，并进一步采用PLpython函数优化机器预测的结果，提升了方法整体的自动性、效率和准确性；
（4）针对在已有的生物质电厂燃烧控制决策优化方法中，存在着人工误差或延迟效应影响生物质电厂燃烧控制的整体过程的技术问题，本方案创造性地采用基于人工智能的生物质电厂燃烧控制决策优化方法，通过将机器预测的控制决策信息反馈至DCS控制系统，实现了模拟人工操作，并进一步为实现锅炉自动燃烧提供了可行方案。
附图说明
图1为本发明提供的基于人工智能的生物质电厂燃烧控制决策优化方法的流程示意图；
图2为本发明提供的基于人工智能的生物质电厂燃烧控制决策优化系统的示意图；
图3为步骤S2锅炉燃烧特征选取的流程示意图；
图4为步骤S3燃烧振动周期分析的流程示意图；
图5为步骤S4控制决策建模预测的流程示意图。
附图用来提供对本发明的进一步理解，并且构成说明书的一部分，与本发明的实施例一起用于解释本发明，并不构成对本发明的限制。
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。
在本发明的描述中，需要理解的是，术语“上”、“下”、“前”、“后”、“左”、“右”、“顶”、“底”、“内”、“外”等指示方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。
实施例一，参阅图1，本发明提供的基于人工智能的生物质电厂燃烧控制决策优化方法，该方法包括以下步骤：
步骤S1：数据采集；
步骤S2：锅炉燃烧特征选取；
步骤S3：燃烧振动周期分析；
步骤S4：控制决策建模预测；
步骤S5：生物质电厂燃烧控制决策优化。
实施例二，参阅图1和图2，在步骤S1中，所述数据采集，用于构建数据模型并进行实时数据采集，具体为通过工业采集设备、OPC协议和DCS系统，将生物质直燃发电机组锅炉燃烧数据实时存入采集数据库，得到决策优化原始数据，所述决策优化原始数据，具体指生物质直燃发电机组锅炉燃烧实时数据，包括燃料运料皮带传送速度、风机挡板开度、炉腔内含氧量和设备实时时间数据，其中，将所述设备实时时间数据存入PostgreSQL数据库；
所述工业采集设备，具体包括温度传感器、氧气传感器和压力传感器；
所述OPC协议，具体指OPC标准通信协议，用于采用标准化接口进行采集设备和控制系统之间的数据通信，包括服务器和客户端，所述服务器用于读写并提供数据，所述客户端用于访问并查改数据；
所述DCS系统，具体指分布式控制系统，用于控制生物质电厂燃烧过程。
实施例三，参阅图1、图2和图3，该实施例基于上述实施例，在步骤S2中，所述锅炉燃烧特征选取，用于选取进行生物质电厂燃烧控制决策优化所需的锅炉燃烧特征数据，具体为选取燃料进料量、风量和炉膛含氧量作为锅炉燃烧特征数据，将所述决策优化原始数据转化为锅炉燃烧特征数据，得到决策优化特征数据，包括以下步骤：
步骤S21：计算燃料进料量特征，计算公式为：
；
式中，FF是燃料进料量特征，VF是燃料运料皮带传送速度，WF是燃料进料口的有效宽度，KF是流量系数；
步骤S22：转化风量特征，具体为通过将所述风机挡板开度拟合转化，得到风量特征FW；
所述拟合转化，具体为建立二次多项式回归模型进行数据拟合，计算公式为：
；
式中，FW是风量特征，是第一拟合参数，/>是所述风机挡板开度，/>是第二拟合参数，/>是第三拟合参数，其中，第一拟合参数/>、第二拟合参数/>和第三拟合参数/>通过最小二乘法算法确定；
步骤S23：提取炉腔含氧量特征，具体为通过监测设备直接探测炉腔内含氧量数据，得到炉腔含氧量特征FO；
步骤S24：锅炉燃烧特征选取，具体为通过所述计算燃料进料量特征、所述转化风量特征和所述提取炉腔含氧量特征，构建得到决策优化特征数据，所述决策优化特征数据的计算公式为：
；
式中，FP是决策优化特征数据，FF是燃料进料量特征，FW是风量特征，FO是炉腔含氧量特征。
通过执行上述操作，针对在已有的生物质电厂燃烧控制决策优化方法中，存在着锅炉燃烧特征数据多样，影响了锅炉燃烧控制决策的准确性和效率的技术问题，本方案创造性地选取料进料量、风量和炉膛含氧量作为锅炉燃烧特征数据，通过特征选取进行数据规模抽象，为后续的燃烧控制决策优化提供良好的数据基础。
实施例四，参阅图1、图2和图4，该实施例基于上述实施例，在步骤S3中，所述燃烧振动周期分析，用于采用数据分析方法计算历史数据中每个振动周期的起始点和终点的时刻数据，具体为构造燃烧振动周期数据，并进行燃烧振动周期分析，得到燃烧振动标签数据，并构建决策优化人工智能学习数据样本，包括以下步骤：
步骤S31：构建时序数据，具体从PostgreSQL数据库中调用所述设备实时时间数据，得到时序数据；
步骤S32：计算振动周期时刻数据，计算公式为：
；
式中，是第c次振动周期的周期时刻数据，c是振动周期次数索引，/>是第c次振动周期的结束时刻数据，/>是第c次振动周期的起始时刻数据，/>是第c次振动周期时，炉排振动频率由正值降为0Hz的时刻，/>是第c-1次振动周期的结束时刻数据，用于表示前一次振动的结束时刻作为下一次振动的起始时刻，其中，第一次振动周期的振动起始时刻取值为0；
步骤S33：构建振动周期历史时刻数据，具体为通过所述计算振动周期时刻数据，构建振动周期历史时刻数据，计算公式为：
；
式中，是振动周期历史时刻数据，/>是第1次振动周期的振动周期历史时刻数据，包括第1次振动周期的振动起始时刻数据和第1次振动周期的振动结束时刻数据，c是振动周期次数索引，/>是第c次振动周期的振动周期历史时刻数据；
步骤S34：构建时序含氧量数据，具体包括以下步骤：
步骤S341：获取含氧量原始数据，具体为依据所述振动周期历史时刻数据和所述决策优化特征数据中的炉腔含氧量特征FO，得到含氧量原始数据；
步骤S342：计算平均含氧量数据，计算公式为：
；
式中，是平均含氧量数据，/>是第c次振动周期的平均含氧量，是在第c次振动周期中，时刻t含氧量的积分，其中，C(t)是时刻t的含氧量，c是振动周期次数索引，/>是第c次振动周期的结束时刻数据，/>是第c次振动周期的起始时刻数据，/>是第c次振动周期的周期时刻数据；
步骤S35：振动周期周期分析，具体为采用人工分析的方式，分析所述平均含氧量数据中的含氧量，并通过人工决策进行数据标记，依据所述含氧量数据/>进行人工数据标签，得到燃烧振动标签数据DT；
所述人工数据标签的具体步骤，包括：
人工判断，具体为判断当前时刻的含氧量相对其他历史数据是否存在过高或过低的情况；
人工给出决策依据，具体为，若含氧量过高，则说明燃料燃烧旺盛，需要增加进料或者减小风量，用于防止新送入的燃料过快烧完；若含氧量过低，则说明燃料将来不能充分燃烧，需要增加风量，用于提高含氧量；
依据决策依据进行数据标记，具体为依据所述人工给出决策依据，进行燃料量和风量的调整情况标记；
步骤S36：构建数据样本，具体位置构建决策优化人工智能学习数据样本，计算公式为：
Tr={,/>,DT,FP}；
式中，Tr是决策优化人工智能学习数据样本，是平均含氧量数据，/>是振动周期历史时刻数据，DT是燃烧振动标签数据，FP是决策优化特征数据。
通过执行上述操作，针对在已有的生物质电厂燃烧控制决策优化方法中，存在着生物质电厂燃烧控制决策的数据建构难度较大，缺少一种合理的构造燃烧振动周期数据，并进行燃烧振动周期分析的方法的技术问题，本方案创造性地进行振动周期周期分析并通过人工决策分析构建人工智能学习数据样本，进一步提升了数据的可靠性和可用性。
实施例五，参阅图1、图2、图3和图5，该实施例基于上述实施例，在步骤S4中，所述控制决策建模预测，用于构建模型并自动化预测生物质电厂燃烧控制决策，具体为依据所述决策优化人工智能学习数据样本Tr，采用K近邻算法进行控制决策建模预测，得到控制决策参考数据；
所述K近邻算法，用于进行燃料量和风量变化预测；
所述采用K近邻算法进行控制决策建模预测，得到控制决策参考数据的步骤，包括：
步骤S41：输入数据重构，具体为将所述决策优化人工智能学习数据样本Tr重构为K近邻计算原始数据集，所述K近邻计算原始数据集，包括炉排振动时间、燃料进料量、进风量、含氧量、人工决策燃料变化量、人工决策风量变化量；
步骤S42：特征归一化，具体为对所述K近邻计算原始数据集进行特征归一化处理，得到优化K近邻计算数据；
步骤S43：欧氏距离计算，具体为计算每个数据样本中的待预测样本和原始样本的欧氏距离，得到距离计算数据，所述欧氏距离计算的计算公式为：
；
式中，d是距离计算数据，n是数据维度索引，xn 是第n维度的数据的水平方向坐标值索引，yn是第n维度的数据的垂直方向坐标值索引；
步骤S44：最近邻选择，具体为依据所述距离计算数据进行K近邻选择，并将所述K选取为3；
步骤S45：K近邻算法预测，具体为采用madlib进行K近邻算法模型训练，并通过K近邻算法预测，得到预测决策变化数据，所述预测决策变化数据，包括3个最近邻的预测决策燃料量变化值和3个最近邻的预测决策风量变化值，所述预测决策变化数据的计算公式为：
；
式中，是预测决策变化数据，A是第一预测决策变化数据，B是第二预测决策变化数据，C是第三预测决策变化数据，X1是第一预测决策燃料量变化值，X2是第二预测决策燃料量变化值，X3是第三预测决策燃料量变化值，Y1是第一预测决策风量变化值，Y2是第二预测决策风量变化值，Y3是第三预测决策风量变化值；
所述madlib，具体指开源数据分析工具Apache分布式计算库，依据所述PostgreSQL数据库中的数据，并采用SQL语言调用所述madlib中提供的KNN函数进行K近邻算法的模型训练和预测操作，所述madlib中提供的KNN函数，具体包括madlib.knn_train_binary函数、madlib.knn_train_multiclass函数和madlib.knn_train_regression函数；
步骤S46：预测数据优化，具体为将所述预测决策变化数据中的第一、第二和第三预测决策变化数据转化为三个对应坐标点，并采用PLpython函数，计算所述三个对应坐标点所构成的几何三角形ABC的几何中心P(X4,Y4)，所述几何中心P包括优化决策控制燃料量变化值X4和优化决策控制风量变化值Y4；
步骤S47：控制决策建模预测模型训练，具体为通过所述输入数据重构、所述特征归一化、所述欧氏距离计算、所述最近邻选择、所述K近邻算法预测和所述预测数据优化进行控制决策建模预测模型训练，得到控制决策建模预测模型ModelCP；
步骤S48：控制决策建模预测，具体为采用所述控制决策建模预测模型ModelCP，依据所述决策优化人工智能学习数据样本Tr进行控制决策建模预测，得到控制决策参考数据。
通过执行上述操作，针对在已有的生物质电厂燃烧控制决策优化方法中，存在着人工进行生物质电厂燃烧控制决策的效率和准确性优先，亟待一种自动化的控制决策优化方法的技术问题，本方案创造性地采用K最近邻算法进行自动化的控制决策预测，通过人工智能方法进行预测，并进一步采用PLpython函数优化机器预测的结果，提升了方法整体的自动性、效率和准确性。
实施例六，参阅图1和图2，该实施例基于上述实施例，在步骤S5中，所述生物质电厂燃烧控制决策优化，用于将模型预测得到的决策控制参考数据反馈给控制系统，具体为调用工控接口将所述决策控制参考数据反馈至DCS控制系统，得到生物质电厂燃烧控制决策优化反馈信息。
通过执行上述操作，针对在已有的生物质电厂燃烧控制决策优化方法中，存在着人工误差或延迟效应影响生物质电厂燃烧控制的整体过程的技术问题，本方案创造性地采用基于人工智能的生物质电厂燃烧控制决策优化方法，通过将机器预测的控制决策信息反馈至DCS控制系统，实现了模拟人工操作，并进一步为实现锅炉自动燃烧提供了可行方案。
实施例七，参阅图1和图2，该实施例基于上述实施例，本发明提供的基于人工智能的生物质电厂燃烧控制决策优化系统，包括数据采集模块、锅炉燃烧特征选取模块、燃烧振动周期分析模块、控制决策建模预测模块、生物质电厂燃烧控制决策优化模块；
所述数据采集模块，用于数据采集，通过数据采集，得到决策优化原始数据，并将所述决策优化原始数据发送至锅炉燃烧特征选取模块和燃烧振动周期分析模块；
所述锅炉燃烧特征选取模块，用于锅炉燃烧特征选取，通过锅炉燃烧特征选取，得到决策优化特征数据，并将所述决策优化特征数据发送至燃烧振动周期分析模块；
所述燃烧振动周期分析模块，用于燃烧振动周期分析，通过燃烧振动周期分析，得到决策优化人工智能学习数据样本，并将所述决策优化人工智能学习数据样本发送至控制决策建模预测模块；
所述控制决策建模预测模块，用于控制决策建模预测，通过控制决策建模预测，得到控制决策参考数据，并将所述控制决策参考数据发送至生物质电厂燃烧控制决策优化模块；
所述生物质电厂燃烧控制决策优化模块，用于生物质电厂燃烧控制决策优化，通过生物质电厂燃烧控制决策优化，得到生物质电厂燃烧控制决策优化反馈信息。
需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，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。
尽管已经示出和描述了本发明的实施例，对于本领域的普通技术人员而言，可以理解在不脱离本发明的原理和精神的情况下可以对这些实施例进行多种变化、修改、替换和变型，本发明的范围由所附权利要求及其等同物限定。
以上对本发明及其实施方式进行了描述，这种描述没有限制性，附图中所示的也只是本发明的实施方式之一，实际的结构并不局限于此。总而言之如果本领域的普通技术人员受其启示，在不脱离本发明创造宗旨的情况下，不经创造性的设计出与该技术方案相似的结构方式及实施例，均应属于本发明的保护范围。
Claims (9)
1.基于人工智能的生物质电厂燃烧控制决策优化方法，其特征在于：该方法包括以下步骤：
步骤S1：数据采集；
步骤S2：锅炉燃烧特征选取；
步骤S3：燃烧振动周期分析；
步骤S4：控制决策建模预测；
步骤S5：生物质电厂燃烧控制决策优化；
在步骤S1中，所述数据采集，用于构建数据模型并进行实时数据采集，具体为通过工业采集设备、OPC协议和DCS系统，进行数据采集，得到决策优化原始数据，所述决策优化原始数据，包括燃料运料皮带传送速度、风机挡板开度、炉腔内含氧量和设备实时时间数据；
在步骤S2中，所述锅炉燃烧特征选取，用于选取进行生物质电厂燃烧控制决策优化所需的锅炉燃烧特征数据，具体为选取燃料进料量、风量和炉膛含氧量作为锅炉燃烧特征数据，将所述决策优化原始数据转化为锅炉燃烧特征数据，得到决策优化特征数据；
在步骤S3中，所述燃烧振动周期分析，用于采用数据分析方法计算历史数据中每个振动周期的起始点和终点的时刻数据，具体为构造燃烧振动周期数据，并进行燃烧振动周期分析，得到燃烧振动标签数据，并构建决策优化人工智能学习数据样本；
在步骤S4中，所述控制决策建模预测，用于构建模型并自动化预测生物质电厂燃烧控制决策，具体为依据所述决策优化人工智能学习数据样本Tr，采用K近邻算法进行控制决策建模预测，得到控制决策参考数据；所述K近邻算法，用于进行燃料量和风量变化预测；
在步骤S5中，所述生物质电厂燃烧控制决策优化，用于将模型预测得到的决策控制参考数据反馈给控制系统，具体为调用工控接口将所述决策控制参考数据反馈至DCS控制系统，得到生物质电厂燃烧控制决策优化反馈信息。
2.根据权利要求1所述的基于人工智能的生物质电厂燃烧控制决策优化方法，其特征在于：在步骤S2中，所述锅炉燃烧特征选取，包括以下步骤：步骤S21：计算燃料进料量特征；步骤S22：转化风量特征；步骤S23：提取炉腔含氧量特征；步骤S24：锅炉燃烧特征选取；
在步骤S21中，所述计算燃料进料量特征，计算公式为：
；
式中，FF是燃料进料量特征，VF是燃料运料皮带传送速度，WF是燃料进料口的有效宽度，KF是流量系数；
在步骤S22中，所述转化风量特征，具体为通过将所述风机挡板开度拟合转化，得到风量特征FW；
在步骤S23中，所述提取炉腔含氧量特征，具体为通过监测设备直接探测炉腔内含氧量数据，得到炉腔含氧量特征FO；
在步骤S24中，所述锅炉燃烧特征选取，具体为通过所述计算燃料进料量特征、所述转化风量特征和所述提取炉腔含氧量特征，构建得到决策优化特征数据，所述决策优化特征数据的计算公式为：
；
式中，FP是决策优化特征数据，FF是燃料进料量特征，FW是风量特征，FO是炉腔含氧量特征。
3.根据权利要求2所述的基于人工智能的生物质电厂燃烧控制决策优化方法，其特征在于：在步骤S3中，所述燃烧振动周期分析，包括以下步骤：步骤S31：构建时序数据；步骤S32：计算振动周期时刻数据；步骤S33：构建振动周期历史时刻数据；步骤S34：构建时序含氧量数据；步骤S35：振动周期周期分析；步骤S36：构建数据样本；
在步骤S31中，所述构建时序数据，具体从PostgreSQL数据库中调用所述设备实时时间数据，得到时序数据；
在步骤S32中，所述计算振动周期时刻数据，计算公式为：
；
式中，是第c次振动周期的周期时刻数据，c是振动周期次数索引，/>是第c次振动周期的结束时刻数据，/>是第c次振动周期的起始时刻数据，/>是第c次振动周期时，炉排振动频率由正值降为0Hz的时刻，/>是第c-1次振动周期的结束时刻数据，用于表示前一次振动的结束时刻作为下一次振动的起始时刻，其中，第一次振动周期的振动起始时刻取值为0；
在步骤S33中，所述构建振动周期历史时刻数据，具体为通过所述计算振动周期时刻数据，构建振动周期历史时刻数据，计算公式为：
；
式中，是振动周期历史时刻数据，/>是第1次振动周期的振动周期历史时刻数据，包括第1次振动周期的振动起始时刻数据和第1次振动周期的振动结束时刻数据，c是振动周期次数索引，/>是第c次振动周期的振动周期历史时刻数据。
4.根据权利要求3所述的基于人工智能的生物质电厂燃烧控制决策优化方法，其特征在于：在步骤S34中，所述构建时序含氧量数据，具体包括以下步骤：
步骤S341：获取含氧量原始数据，具体为依据所述振动周期历史时刻数据和所述决策优化特征数据中的炉腔含氧量特征FO，得到含氧量原始数据；
步骤S342：计算平均含氧量数据，计算公式为：
；
式中，是平均含氧量数据，/>是第c次振动周期的平均含氧量，/>是在第c次振动周期中，时刻t含氧量的积分，其中，C(t)是时刻t的含氧量，c是振动周期次数索引，/>是第c次振动周期的结束时刻数据，/>是第c次振动周期的起始时刻数据，是第c次振动周期的周期时刻数据。
5.根据权利要求4所述的基于人工智能的生物质电厂燃烧控制决策优化方法，其特征在于：在步骤S35中，所述振动周期周期分析，具体为采用人工分析的方式，分析所述平均含氧量数据中的含氧量，并通过人工决策进行数据标记，依据所述含氧量数据/>进行人工数据标签，得到燃烧振动标签数据DT；
在步骤S36中，所述构建数据样本，具体位置构建决策优化人工智能学习数据样本，计算公式为：
Tr={,/>,DT,FP}；
式中，Tr是决策优化人工智能学习数据样本，是平均含氧量数据，/>是振动周期历史时刻数据，DT是燃烧振动标签数据，FP是决策优化特征数据。
6.根据权利要求5所述的基于人工智能的生物质电厂燃烧控制决策优化方法，其特征在于：在步骤S4中，所述采用K近邻算法进行控制决策建模预测，得到控制决策参考数据的步骤，包括：
步骤S41：输入数据重构，具体为将所述决策优化人工智能学习数据样本Tr重构为K近邻计算原始数据集，所述K近邻计算原始数据集，包括炉排振动时间、燃料进料量、进风量、含氧量、人工决策燃料变化量、人工决策风量变化量；
步骤S42：特征归一化，具体为对所述K近邻计算原始数据集进行特征归一化处理，得到优化K近邻计算数据；
步骤S43：欧氏距离计算，具体为计算每个数据样本中的待预测样本和原始样本的欧氏距离，得到距离计算数据；
步骤S44：最近邻选择，具体为依据所述距离计算数据进行K近邻选择，并将所述K选取为3；
步骤S45：K近邻算法预测，具体为进行K近邻算法模型训练，并通过K近邻算法预测，得到预测决策变化数据，所述预测决策变化数据，包括3个最近邻的预测决策燃料量变化值和3个最近邻的预测决策风量变化值，所述预测决策变化数据的计算公式为：
；
式中，是预测决策变化数据，A是第一预测决策变化数据，B是第二预测决策变化数据，C是第三预测决策变化数据，X1是第一预测决策燃料量变化值，X2是第二预测决策燃料量变化值，X3是第三预测决策燃料量变化值，Y1是第一预测决策风量变化值，Y2是第二预测决策风量变化值，Y3是第三预测决策风量变化值；
步骤S46：预测数据优化，具体为将所述预测决策变化数据中的第一、第二和第三预测决策变化数据转化为三个对应坐标点，并采用PLpython函数，计算所述三个对应坐标点所构成的几何三角形ABC的几何中心P(X4,Y4)，所述几何中心P包括优化决策控制燃料量变化值X4和优化决策控制风量变化值Y4；
步骤S47：控制决策建模预测模型训练，具体为通过所述输入数据重构、所述特征归一化、所述欧氏距离计算、所述最近邻选择、所述K近邻算法预测和所述预测数据优化进行控制决策建模预测模型训练，得到控制决策建模预测模型ModelCP；
步骤S48：控制决策建模预测，具体为采用所述控制决策建模预测模型ModelCP，依据所述决策优化人工智能学习数据样本Tr进行控制决策建模预测，得到控制决策参考数据。
7.根据权利要求6所述的基于人工智能的生物质电厂燃烧控制决策优化方法，其特征在于：在步骤S1中，所述数据采集，用于构建数据模型并进行实时数据采集，具体为通过工业采集设备、OPC协议和DCS系统，将生物质直燃发电机组锅炉燃烧数据实时存入采集数据库，得到决策优化原始数据，所述决策优化原始数据，具体指生物质直燃发电机组锅炉燃烧实时数据，包括燃料运料皮带传送速度、风机挡板开度、炉腔内含氧量和设备实时时间数据，其中，将所述设备实时时间数据存入PostgreSQL数据库。
8.基于人工智能的生物质电厂燃烧控制决策优化系统，用于实现如权利要求1-7中任一项所述的基于人工智能的生物质电厂燃烧控制决策优化方法，其特征在于：包括数据采集模块、锅炉燃烧特征选取模块、燃烧振动周期分析模块、控制决策建模预测模块、生物质电厂燃烧控制决策优化模块。
9.根据权利要求8所述的基于人工智能的生物质电厂燃烧控制决策优化系统，其特征在于：所述数据采集模块，用于数据采集，通过数据采集，得到决策优化原始数据，并将所述决策优化原始数据发送至锅炉燃烧特征选取模块和燃烧振动周期分析模块；
所述锅炉燃烧特征选取模块，用于锅炉燃烧特征选取，通过锅炉燃烧特征选取，得到决策优化特征数据，并将所述决策优化特征数据发送至燃烧振动周期分析模块；
所述燃烧振动周期分析模块，用于燃烧振动周期分析，通过燃烧振动周期分析，得到决策优化人工智能学习数据样本，并将所述决策优化人工智能学习数据样本发送至控制决策建模预测模块；
所述控制决策建模预测模块，用于控制决策建模预测，通过控制决策建模预测，得到控制决策参考数据，并将所述控制决策参考数据发送至生物质电厂燃烧控制决策优化模块；
所述生物质电厂燃烧控制决策优化模块，用于生物质电厂燃烧控制决策优化，通过生物质电厂燃烧控制决策优化，得到生物质电厂燃烧控制决策优化反馈信息。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410001167.3A CN117490092B (zh) | 2024-01-02 | 2024-01-02 | 基于人工智能的生物质电厂燃烧控制决策优化方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410001167.3A CN117490092B (zh) | 2024-01-02 | 2024-01-02 | 基于人工智能的生物质电厂燃烧控制决策优化方法及系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117490092A true CN117490092A (zh) | 2024-02-02 |
| CN117490092B CN117490092B (zh) | 2024-03-19 |
Family
ID=89685443
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202410001167.3A Active CN117490092B (zh) | 2024-01-02 | 2024-01-02 | 基于人工智能的生物质电厂燃烧控制决策优化方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117490092B (zh) |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN1841422A (zh) * | 2005-02-08 | 2006-10-04 | 神马科技公司 | 使用人工智能技术对发电厂的运行进行优化的方法和装置 |
| CN115495984A (zh) * | 2022-09-21 | 2022-12-20 | 浙江大学 | 一种基于深度循环神经网络和进化计算的工业锅炉燃烧优化方法 |
| CN116679562A (zh) * | 2023-06-08 | 2023-09-01 | 中电行唐生物质能热电有限公司 | 一种基于人工智能的生物质电厂燃烧自动控制的方法 |
| CN116910556A (zh) * | 2023-07-24 | 2023-10-20 | 润联智能科技股份有限公司 | 电厂设备异常检测方法、训练方法、装置、设备和介质 |
-
2024
- 2024-01-02 CN CN202410001167.3A patent/CN117490092B/zh active Active
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN1841422A (zh) * | 2005-02-08 | 2006-10-04 | 神马科技公司 | 使用人工智能技术对发电厂的运行进行优化的方法和装置 |
| CN115495984A (zh) * | 2022-09-21 | 2022-12-20 | 浙江大学 | 一种基于深度循环神经网络和进化计算的工业锅炉燃烧优化方法 |
| CN116679562A (zh) * | 2023-06-08 | 2023-09-01 | 中电行唐生物质能热电有限公司 | 一种基于人工智能的生物质电厂燃烧自动控制的方法 |
| CN116910556A (zh) * | 2023-07-24 | 2023-10-20 | 润联智能科技股份有限公司 | 电厂设备异常检测方法、训练方法、装置、设备和介质 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117490092B (zh) | 2024-03-19 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US20220350297A1 (en) | Heuristic method of automated and learning control, and building automation systems thereof | |
| CN105974793B (zh) | 一种电站锅炉燃烧智能控制方法 | |
| CN111144609A (zh) | 一种锅炉废气排放预测模型建立方法、预测方法及装置 | |
| CN114721263B (zh) | 基于机器学习和智能优化算法的水泥分解炉智慧调控方法 | |
| CN116755409B (zh) | 一种基于值分布ddpg算法的燃煤发电系统协调控制方法 | |
| CN110675920A (zh) | 一种基于MI-LSTM的锅炉NOx预测方法 | |
| CN105320114A (zh) | 基于数据挖掘的火力发电站锅炉燃烧调整模型获取方法 | |
| CN117592819B (zh) | 一种面向海洋牧场的陆海综合体的动态监管方法及装置 | |
| CN117314128B (zh) | 一种基于数字孪生技术的智慧城市能源管理方法及系统 | |
| CN112232373A (zh) | 一种锅炉飞灰含碳量预测方法及系统 | |
| CN117490092B (zh) | 基于人工智能的生物质电厂燃烧控制决策优化方法及系统 | |
| CN117666448B (zh) | 基于物联网能耗预测的节能方法、装置、设备及介质 | |
| JP4857228B2 (ja) | プラント運用適正化装置 | |
| JP5378288B2 (ja) | プラントの制御装置及び火力発電プラントの制御装置 | |
| CN116960983A (zh) | 光伏电站日前功率预测方法 | |
| CN117422167A (zh) | 一种基于树模型的电力碳排放预测分析方法 | |
| CN116679562A (zh) | 一种基于人工智能的生物质电厂燃烧自动控制的方法 | |
| CN116401948A (zh) | 基于lstm的电站锅炉灰渣生成量在线预测方法及系统 | |
| CN113887130B (zh) | 一种基于集成学习的工业锅炉运行优化方法 | |
| CN117991639B (zh) | 基于机器学习的燃煤电厂多目标燃烧优化控制方法及装置 | |
| CN117993667B (zh) | 基于多元信息融合的发电机组燃烧优化系统及方法 | |
| CN105528681B (zh) | 一种基于隐树模型的冶金企业副产能源系统实时调整方法 | |
| CN115146833B (zh) | 一种锅炉氮氧化物生成浓度的预测方法 | |
| 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 | |
| CN115435603B (zh) | 一种水泥烧成系统实时优化控制技术的实现方法 |
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 | ||
| GR01 | Patent grant |