DE102019127133A1

DE102019127133A1 - Vorrichtung zum Erzeugen von Lerndaten zur Verbrennungsoptimierung und Verfahren dafür

Info

Publication number: DE102019127133A1
Application number: DE102019127133.9A
Authority: DE
Inventors: Hyun Sik Kim; Sang Gun NA; Jee Hun Park
Original assignee: Doosan Heavy Industries and Construction Co Ltd
Current assignee: Doosan Enerbility Co Ltd
Priority date: 2018-11-26
Filing date: 2019-10-09
Publication date: 2020-05-28
Anticipated expiration: 2039-10-10
Also published as: CN111222625A; US11526687B2; DE102019127133B4; US20200167592A1; KR102176765B1; KR20200061931A; CN111222625B

Abstract

Es werden eine Vorrichtung und ein Verfahren zum Erzeugen von Lerndaten für die Verbrennungsoptimierung bereitgestellt. Die Vorrichtung enthält einen Datenvorprozessor zum Sammeln von Rohdaten, die die aktuell gemessenen Echtzeitdaten für die Kesselverbrennung und die vorher gemessenen Vergangenheitsdaten für die Kesselverbrennung enthalten, und zum Ausführen einer Vorverarbeitung für die gesammelten Rohdaten, und einen Datenanalysator zum Ableiten von Lerndaten aus den Rohdaten durch das Analysieren der Rohdaten. Eine Vorrichtung zur Verbrennungsoptimierung enthält eine Managementschicht zum Sammeln der aktuell gemessenen Echtzeitdaten für die Kesselverbrennung, zum Bestimmen, ob eine Verbrennungsoptimierung auszuführen ist, und zum Bestimmen, ob ein Verbrennungsmodell und ein Verbrennungs-Controller abzustimmen sind; eine Datenschicht zum Ableiten von Lerndaten aus den Rohdaten; eine Modellschicht zum Erzeugen des Verbrennungsmodells/Verbrennungs-Controllers durch die Lerndaten; und eine Optimalschicht zum Berechnen eines Sollwertes für die Verbrennungsoptimierung und zum Ausgeben eines Regelsignals gemäß dem berechneten Sollwert.

Description

HINTERGRUND
Gebiet
Vorrichtungen und Verfahren, die mit den beispielhaften Ausführungsformen konsistent sind, beziehen sich auf eine Lemdatenerzeugungstechnik und insbesondere auf eine Vorrichtung zum Erzeugen von für die Verbrennungsoptimierung erforderlichen Lerndaten und ein Verfahren dafür.
Beschreibung des Standes der Technik
Ein Kessel eines Kohlekraftwerks erwärmt Wasser unter Verwendung der exothermen Reaktion, die während der Kohleverbrennung stattfindet, und erzeugt den für die Leistungserzeugung benötigten Dampf. Dabei wird verunreinigtes Abgas, wie z. B. Stickstoffoxid, erzeugt. Wenn die Menge der erzeugten Verunreinigungen groß ist, steigen die Kosten für das Managen der Abgasbehandlung, wobei sich im Fall einer unvollständigen Verbrennung der Verbrennungswirkungsgrad verringert und die Leistungserzeugungs-/Betriebskosten steigen. Entsprechend ist es notwendig, eine Technik zum Verringern des Abgases zu entwickeln, während der Verbrennungswirkungsgrad erhöht wird. Zu diesem Zweck wird die Verbrennungsoptimierung ausgeführt, wobei es eine Unannehmlichkeit gibt, dass der Anwender die Daten beim Erzeugen der für das Lernen für die Verbrennungsoptimierung erforderlichen Daten durch mehrere Operationen verarbeiten sollte. Ferner gibt es eine Schwierigkeit beim Erzeugen der Daten, es sei denn, der Anwender ist ein sachkundiger Anwender.
ZUSAMMENFASSUNG
Die Aspekte einer oder mehrerer beispielhafter Ausführungsformen stellen eine Vorrichtung zum Erzeugen von Lerndaten, die für die Verbrennungsoptimierung erforderlich sind, und ein Verfahren dafür bereit.
Weitere Aspekte werden teilweise in der folgenden Beschreibung dargelegt und teilweise aus der Beschreibung offensichtlich oder können durch die Praxis der beispielhaften Ausführungsformen erlernt werden.
Gemäß einem Aspekt einer beispielhaften Ausführungsform wird eine Vorrichtung zum Erzeugen von Lerndaten bereitgestellt. Die Vorrichtung kann einen Datenvorprozessor, der konfiguriert ist, die Rohdaten zu sammeln, die die aktuell gemessenen Echtzeitdaten für die Kesselverbrennung und die vorher gemessenen Vergangenheitsdaten für die Kesselverbrennung umfassen, und eine Vorverarbeitung für die gesammelten Rohdaten auszuführen; und einen Datenanalysator, der konfiguriert ist, die Lerndaten durch das Analysieren der Rohdaten aus den Rohdaten abzuleiten, enthalten.
Der Datenvorprozessor kann eine Wiederherstellungseinrichtung, die konfiguriert ist, einen Abschnitt mit einem Anomaliesignal in den Rohdaten wiederherzustellen; ein Filter, das konfiguriert ist, die Rohdaten gemäß einer vorgegebenen Bedingung durch einen Basiswissensalgorithmus zu filtern; und eine Löscheinrichtung, die konfiguriert ist, die Ausreißer in den Rohdaten zu löschen, enthalten.
Der Datenanalysator kann einen Cluster, der konfiguriert ist, die Rohdaten durch das Ableiten einer Korrelation zwischen den Kennzeichen, die für das Lernen durch das Analysieren der Korrelation zwischen den Kennzeichen der Rohdaten erforderlich ist, in Clustern anzuordnen; und eine Abtasteinrichtung, die konfiguriert ist, die Lerndaten aus den Rohdaten zu extrahieren, die gemäß der Korrelation zwischen den Kennzeichen in Clustern angeordnet sind, enthalten. Hier kann die Abtasteinrichtung einen Musteranalysator, der konfiguriert ist, das Muster der Rohdaten durch das Analysieren der Rohdaten basierend auf der L2-Norm abzuleiten; und eine Datenabtasteinrichtung, die konfiguriert ist, die Lerndaten durch das Abtasten der Rohdaten basierend auf dem abgeleiteten Muster und einem Abtastalgorithmus abzuleiten, enthalten.
Die Rohdaten können die Eingangsdaten und die den Eingangsdaten entsprechenden Ausgangsdaten enthalten.
Die Lerndaten können die Eingangsdaten zum Lernen eines Modells eines neuronalen Netzes (NN) und die den Eingangsdaten entsprechenden Zieldaten enthalten.
Gemäß einem Aspekt einer weiteren beispielhaften Ausführungsform wird eine Vorrichtung zum Erzeugen von Lerndaten bereitgestellt. Die Vorrichtung kann eine Managementschicht, die konfiguriert ist, die aktuell gemessenen Echtzeitdaten für die Kesselverbrennung zu sammeln, um durch das Analysieren der gesammelten Echtzeitdaten zu bestimmen, ob eine Verbrennungsoptimierung auszuführen ist, und um zu bestimmen, ob ein Verbrennungsmodell und ein Verbrennungs-Controller abzustimmen sind; eine Datenschicht, die konfiguriert ist, die Lerndaten aus den Rohdaten, die die Echtzeitdaten und die vorher gemessenen Vergangenheitsdaten für die Kesselverbrennung umfassen, abzuleiten; eine Modellschicht, die konfiguriert ist, das Verbrennungsmodell und den Verbrennungs-Controller durch die Lerndaten zu erzeugen; und eine Optimalschicht, die konfiguriert ist, einen Sollwert für die Verbrennungsoptimierung unter Verwendung des Verbrennungsmodells und des Verbrennungs-Controllers zu berechnen und ein Regelsignal gemäß dem berechneten Sollwert auszugeben, enthalten.
Die Datenschicht kann einen Datenvorprozessor, der konfiguriert ist, die Rohdaten zu sammeln, die die aktuell gemessenen Echtzeitdaten für die Kesselverbrennung und die vorher gemessenen Vergangenheitsdaten für die Kesselverbrennung umfassen, und eine Vorverarbeitung für die gesammelten Rohdaten auszuführen; und einen Datenanalysator, der konfiguriert ist, die Lerndaten aus den Rohdaten durch das Analysieren der Rohdaten abzuleiten, enthalten.
Der Datenvorprozessor kann eine Wiederherstellungseinrichtung, die konfiguriert ist, einen Abschnitt mit einem Anomaliesignal in den Rohdaten wiederherzustellen; ein Filter, das konfiguriert ist, die Rohdaten gemäß einer vorgegebenen Bedingung durch einen Basiswissensalgorithmus zu filtern; und eine Löscheinrichtung, die konfiguriert ist, die Ausreißer in den Rohdaten zu löschen, enthalten.
Der Datenanalysator kann einen Cluster, der konfiguriert ist, die Rohdatendurch durch das Ableiten einer Korrelation zwischen den Kennzeichen, die für das Lernen durch das Analysieren der Korrelation zwischen den Kennzeichen der Rohdaten erforderlich ist, in Clustern anzuordnen; und eine Abtasteinrichtung, die konfiguriert ist, die Lerndaten aus den Rohdaten zu extrahieren, die gemäß der Korrelation zwischen den Kennzeichen in Clustern angeordnet sind, enthalten.
Die Abtasteinrichtung kann einen Musteranalysator, der konfiguriert ist, das Muster der Rohdaten durch das Analysieren der Rohdaten basierend auf der L2-Norm abzuleiten; und eine Datenabtasteinrichtung, die konfiguriert ist, die Lerndaten durch das Abtasten der Rohdaten basierend auf dem abgeleiteten Muster und einem Abtastalgorithmus abzuleiten, enthalten.
Die Rohdaten können für jedes Kennzeichen gesammelt und klassifiziert im Lauf der Zeit akkumuliert werden. Ferner können die Lerndaten die Eingangsdaten zum Lernen eines Modells eines neuronalen Netzes (NN) und die den Eingangsdaten entsprechenden Zieldaten enthalten.
Gemäß einem weiteren Aspekt der vorliegenden Offenbarung wird ein Verfahren zum Erzeugen von Lerndaten bereitgestellt. Das Verfahren kann die Schritte des Sammelns von Rohdaten, die die aktuell gemessenen Echtzeitdaten für die Kesselverbrennung und die vorher gemessenen Vergangenheitsdaten für die Kesselverbrennung umfassen, durch einen Datenvorprozessor, des Ausführens einer Vorverarbeitung für die gesammelten Rohdaten durch den Datenvorprozessor; und des Ableitens von Lerndaten aus den Rohdaten durch das Analysieren der Rohdaten durch einen Datenanalysator enthalten. Hier kann das Ausführen der Vorverarbeitung die Schritte des Wiederherstellens eines Abschnitts mit einem Anomaliesignal in den Rohdaten durch eine Wiederherstellungseinrichtung des Datenvorprozessors; des Filterns der Rohdaten gemäß einer vorgegebenen Bedingung durch einen Basiswissensalgorithmus durch ein Filter des Datenvorprozessors; und des Löschens der Ausreißer in den Rohdaten durch eine Löscheinrichtung des Datenvorprozessors enthalten. Ferner kann das Ableiten der Lerndaten die Schritte des Anordnens in Clustern der Rohdaten durch das Ableiten der Korrelation zwischen den Kennzeichen, die für das Lernen durch das Analysieren der Korrelation zwischen den Kennzeichen der Rohdaten erforderlich ist, durch einen Cluster des Datenanalysators; und des Extrahierens der Lerndaten aus den gemäß der Korrelation zwischen den Kennzeichen in Clustern angeordneten Rohdaten durch eine Abtasteinrichtung des Datenanalysators enthalten.
Das Extrahieren durch die Abtasteinrichtung des Datenanalysators kann Schritte des Ableitens des Musters der Rohdaten durch das Analysieren der Rohdaten basierend auf der L2-Norm durch einen Musteranalysator der Abtasteinrichtung; und des Extrahierens der Lerndaten durch das Abtasten der Rohdaten basierend auf dem abgeleiteten Muster und einem Abtastalgorithmus durch eine Datenabtasteinrichtung der Abtasteinrichtung enthalten.
Wie oben beschrieben worden ist, ist es gemäß einer oder mehreren beispielhaften Ausführungsformen möglich, durch das Erzeugen der für die Verbrennungsoptimierung erforderlichen Lerndaten bereitzustellen, wobei dadurch die Zweckmäßigkeit verbessert wird und ein Hochleistungs-Optimierungsergebnis bereitgestellt wird, wenn die Verbrennungsoptimierung unter Verwendung der entsprechenden Lerndaten ausgeführt wird.
Figurenliste
Die obigen und andere Aspekte werden aus der folgenden Beschreibung der beispielhaften Ausführungsformen bezüglich der beigefügten Zeichnungen offensichtlicher; es zeigen:

1 einen Blockschaltplan einer Vorrichtung zur Verbrennungsoptimierung gemäß einer beispielhaften Ausführungsform;
2 einen Ablaufplan eines Verfahrens zum Optimieren der Verbrennung gemäß einer beispielhaften Ausführungsform;
3 einen Blockschaltplan einer Vorrichtung zum Erzeugen von Lerndaten zur Verbrennungsoptimierung gemäß einer beispielhaften Ausführungsform;
4 einen Blockschaltplan eines Datenvorprozessors der Vorrichtung nach 3;
5 einen Blockschaltplan einer Abtasteinrichtung der Vorrichtung nach 3;
6 einen Ablaufplan des Betriebs zum Erzeugen von Lerndaten nach 2;
7 einen Ablaufplan des Betriebs zum Ausführen der Vorverarbeitung nach 6;
8 einen Ablaufplan des Betriebs zum Ausführen des Abtastens nach 6; und
9 eine graphische Darstellung, die eine Computervorrichtung gemäß einer beispielhaften Ausführungsform zeigt.

AUSFÜHRLICHE BESCHREIBUNG
Im Folgenden werden verschiedene Modifikationen und verschiedene Ausführungsformen bezüglich der beigefügten Zeichnungen ausführlich beschrieben, so dass die Fachleute auf dem Gebiet die Offenbarung leicht ausführen können. Es sollte jedoch selbstverständlich sein, dass die verschiedenen Ausführungsformen nicht dazu dienen, den Schutzumfang der Offenbarung auf die spezifische Ausführungsform einzuschränken, sondern sie so interpretiert werden sollten, dass sie alle Modifikationen, Äquivalente und Alternativen der Ausführungsformen enthalten, die innerhalb des Erfindungsgedankens und Schutzumfangs enthalten sind, die hier offenbart sind. Um die Offenbarung in den Zeichnungen deutlich zu veranschaulichen, können einige der Elemente, die für das vollständige Verständnis der Offenbarung nicht wesentlich sind, weggelassen werden, wobei sich gleiche Bezugszeichen überall in der Beschreibung auf gleiche Elemente beziehen. Die in der Offenbarung verwendete Terminologie dient nur dem Zweck des Beschreibens der spezifischen Ausführungsformen und ist nicht vorgesehen, um den Schutzumfang der Offenbarung einzuschränken. Es ist vorgesehen, dass die Ausdrücke „ein“, „eine“ und „der/die/das“ in der Einzahl die Ausdrücke in der Mehrzahl ebenso enthalten, wenn es der Kontext nicht deutlich anderweitig angibt. In der vorliegenden Offenbarung sollten Begriffe, wie z. B. „umfasst“, „enthält“ oder „weisen/weist auf“ so ausgelegt werden, dass sie benennen, dass es derartige Merkmale, ganze Zahlen, Schritte, Operationen, Komponenten, Teile und/oder Kombinationen daraus gibt, und das Vorhandensein oder die Möglichkeit des Hinzufügens eines oder mehrerer anderer Merkmale, ganzer Zahlen, Schritte, Operationen, Komponenten, Teile und/oder Kombinationen daraus nicht ausschließen.
Zuerst wird eine Konfiguration einer Vorrichtung zur Verbrennungsoptimierung gemäß einer beispielhaften Ausführungsform bezüglich 1 beschrieben.
In 1 enthält eine Verbrennungsoptimierungsvorrichtung 10 gemäß einer beispielhaften Ausführungsform eine Managementschicht 100, eine Datenschicht 200, eine Modellschicht 300 und eine Optimalschicht 400.
Die Managementschicht 100 ist konfiguriert, die Verbrennungsoptimierung, ein Verbrennungsmodell und einen Verbrennungs-Controller durch das Sammeln der aktuell gemessenen Echtzeitdaten für die Kesselverbrennung und das Analysieren der gesammelten Echtzeitdaten zu managen. Das heißt, die Managementschicht 100 managt durch das Analysieren der gemessenen Daten, ob die Verbrennungsoptimierung auszuführen ist und ob das Verbrennungsmodell und der Verbrennungs-Controller abzustimmen sind. Zu diesem Zweck enthält die Managementschicht 100 einen Verbrennungsmanager 110 und einen Selbstabstimmungsmanager (Modell/Controller) 120 für das Verbrennungsmodell und den Verbrennungs-Controller.
Der Verbrennungsmanager 110 ist konfiguriert, die Verbrennungsoptimierung zu managen. Ein Kesselsystem enthält einen (nicht gezeigten) Kessel und einen (nicht gezeigten) Verbrennungs-Controller zum Regeln der Verbrennung des Kessels. Der Verbrennungsmanager 110 bestimmt basierend auf den Echtzeitdaten, die die Daten sind, die in Echtzeit von dem Kesselsystem gemessen werden, ob die Verbrennungsoptimierung auszuführen ist. Hier enthalten die Echtzeitdaten die Betriebsdaten und den Zustandsbinärwert des Kessels. Die Betriebsdaten enthalten einen abgetasteten Wert, wie er durch mehrere Sensoren bezüglich des Kessels gemessen wird, und einen Regelwert zum Regeln des Kessels. Der Zustandsbinärwert ist ein Merkerwert, der angibt, ob sich eine Änderung des Zustands eines auf den Kessel bezogenen Parameters außerhalb eines vorgegebenen Bereichs befindet. Spezifischer besteht der Zustandsbinärwert aus Daten, die als ein Binärwert den Grad der Zustandsänderung anzeigen. Eine derartige Änderung kann eine Variation der Ausgabe des Kessels, eine Variation der verwendeten Brennstoffmenge, eine Variation der Brennstoffzufuhrmenge, eine Variation der Wasserzufuhrmenge, eine Variation der Verbrennungsluftzufuhrmenge, eine Variation der Kohlezufuhrmenge, ob ein Rußbläser zu betreiben ist und ob eine Kesselschutzlogik zu implementieren ist, enthalten. Unter Berücksichtigung z. B. des Kesselparameters, der die Verbrennungsluftzufuhrmenge ist, wird der Zustandsbinärwert der Verbrennungsluftzufuhrmenge solange als eine binäre „0“ aufrechterhalten, wie eine Menge der Verbrennungsluftzufuhr innerhalb eines vorgegebenen Bereichs von ihrem aktuellen Wert fluktuiert. In diesem Fall ändert sich der Zustandsbinärwert nur in eine binäre „1“, wenn die Fluktuation den vorgegebenen Bereich übersteigt.
Der Selbstabstimmungsmanager (Modell/Controller) 120 ist konfiguriert, das Verbrennungsmodell und den Verbrennungs-Controller zu managen. Der Selbstabstimmungsmanager 120 bestimmt basierend auf den in Echtzeit gemessenen Echtzeitdaten, ob das Verbrennungsmodell und der Verbrennungs-Controller abzustimmen sind und ob die Verbrennungsoptimierung auszuführen ist. Hier werden ein Verbrennungsmodell-Entwurfsalgorithmus 310 und ein Verbrennungs-Controller-Entwurfsalgorithmus 320, die im Folgenden beschrieben werden, nur implementiert (betrieben), wenn der Selbstabstimmungsmanager 120 bestimmt, ein Abstimmen auszuführen. Die Algorithmen arbeiten nicht, wenn der Selbstabstimmungsmanager 120 bestimmt, kein Abstimmen auszuführen.
Die Datenschicht 200 ist konfiguriert, um Daten vorzuverarbeiten und zu sortieren, um die Lerndaten zu erzeugen, die für den Entwurf des Verbrennungsmodells und des Verbrennungs-Controllers erforderlich sind. Das heißt, die Datenschicht 200 extrahiert die für den Entwurf des Verbrennungsmodells und des Verbrennungs-Controllers erforderlichen Lerndaten aus den aktuell gemessenen Echtzeitdaten für die Kesselverbrennung und den vorher gemessenen und gespeicherten Vergangenheitsdaten für die Kesselverbrennung. Die Datenschicht 200 enthält einen Datenvorprozessor 210 und einen Datenanalysator 220.
Der Datenvorprozessor 210 verarbeitet die Daten einschließlich der Echtzeitdaten und der Vergangenheitsdaten vor. Hier führt der Datenvorprozessor 210 wenigstens eine Vorverarbeitungsoperation unter einer Signalwiederherstellung, einer Filterung und einer Ausreißerverarbeitung aus. Hier stellt die Signalwiederherstellung fehlende Daten wieder her; filtert die Filterung für die Bedingung geeignete Daten auf der Grundlage des Basiswissens oder der Daten; und löscht die Ausreißerverarbeitung die Daten, die den oberen Grenzwert übersteigen oder den unteren Grenzwert unterschreiten. Diese Vorverarbeitung kann das Rauschen entfernen, das in den Kennzeichendaten vorhanden ist oder in den Daten vorhanden ist, die das Entwerfen oder das Abstimmen des Verbrennungsmodells und des Verbrennungs-Controllers ungünstig beeinflussen können.
Der Datenanalysator 220 leitet die Lerndaten durch das Analysieren der vorverarbeiteten Daten ab. Der Datenanalysator 220 analysiert die Korrelation zwischen den Daten basierend auf dem Kennzeichen der Daten, ordnet dann die Daten in Clustern an und wählt die Eingangsdaten, deren Korrelationsgrad einen vorgegebenen Wert erreicht, für den Entwurf des Verbrennungsmodells durch die Korrelationsanalyse für die Modellausgangsdaten aus. Entsprechend können sowohl die Eingangsdaten als auch die den Eingangsdaten entsprechenden Zieldaten abgeleitet werden. Ferner führt der Datenanalysator 220 durch eine Musteranalyse der Daten das Abtasten zum Sortieren der Daten im stationären Zustand aus, das für den Entwurf des Verbrennungsmodells und des Verbrennungs-Controllers erforderlich ist.
Die Modellschicht 300 ist konfiguriert, das Verbrennungsmodell und den Verbrennungs-Controller basierend auf den Lerndaten zu erzeugen. Zu diesem Zweck enthält die Modellschicht 300 den Verbrennungsmodell-Entwurfsalgorithmus 310 und den Verbrennungs-Controller-Entwurfsalgorithmus 320.
Der Verbrennungsmodell-Entwurfsalgorithmus 310 entwirft das Verbrennungsmodell, was ein Schlüsselfaktor beim Optimieren der Kesselverbrennung ist. Der Verbrennungsmodell-Entwurfsalgorithmus 310 erzeugt das Verbrennungsmodell basierend auf den Lerndaten. Das heißt, der Verbrennungsmodell-Entwurfsalgorithmus 310 bildet das Verbrennungsmodell zum Ausgeben von Vorhersagedaten, die Faktoren wie z. B. die Leistungserzeugungsausgabe, den Verbrennungszustand einschließlich der Temperatur des Dampfes und des Abgases, die Zusammensetzung des Abgases (Kohlenmonoxid, Stickstoffoxid) und die Restsauerstoffmenge nach der Verbrennung vorhersagen, die wichtige Variable für die Verbrennung sind, basierend auf den Eingangsdaten einschließlich der Echtzeitdaten und den Vergangenheitsdaten, wie z. B. der Kraftstoffeingangsmenge, der Lufteingangsmenge, der Wassereingangsmenge und der Lufttemperatur.

Das Verbrennungsmodell gemäß einer beispielhaften Ausführungsform wird basierend auf wenigstens einem von mehreren parametrischen Modellen, die ein Übertragungsfunktionsmodell und ein Zustandsraummodell enthalten, und mehreren nichtparametrischen Modellen erzeugt. Tabelle 1 im Folgenden zeigt ein Beispiel des parametrischen Modells und des nichtparametrischen Modells gemäß einer beispielhaften Ausführungsform. Tabelle 1

parametrisches Model	Übertragungsfunktion	Gleichungsfehler	autoregressiv exogen (ARX)
			nichtlinear autoregressiv exogen (NARX)
			endliche Impulsantwort (FIR)
			autoregressiv mit gleitendem Mittelwert exogen (ARMAX): pseudolineares Regressionsmodell
			autoregressiv (AR)
			autoregressiv mit gleitendem Mittelwert (ARMA)
			autoregressiv autoregressiv exogen (ARARX): verallgemeinertes Modell kleinster Quadrate
			autoregressiv autoregressiv mit gleitendem Mittelwert exogen (ARARMAX): erweitertes Matrixmodell
		Ausgangsfehler	Ausgangsfehler (OE)
			Box und Jenkins (BJ)
	Zustandsraum	linear zeitinvariant (LTI), linear zeitveränderlich (LTV)
		lineares Modell, nichtlineares Modell
		kontinuierliche Zeit, diskrete Zeit, Verzögerungszeit
		Eingrößensystem (SISO),
		Mehrgrößensystem (MIMO)
		stochastisches Modell, deterministisches Modell
		robust, offener Regelkreis, geschlossener Regelkreis
nichtparametrisches Modell	nichtparametrisch (Datensatztyp)
	Impulsantwort
	Sprungantwort
	Frequenzübertragungsfunktion
	Baum
	neuronales Netz (NN): FF, FB, radiale Basisfunktion, faltend, gepulst, tiefes NN (tiefes bayessches Netz), rekurrentes NN

Ferner kann das Verbrennungsmodell unter Verwendung wenigstens eines der in Tabelle 2 im Folgenden aufgelisteten Optimierungsalgorithmen abgeleitet werden. Tabelle 2

parametrisches Modell	Vorhersagefehlerverfahren (PEM)
	Verfahren der maximalen Wahrscheinlichkeit (MLM)
	Verfahren der kleinsten Quadrate (LSM)
		diskontinuierliches Verfahren der kleinsten Quadrate
		Offline-Verfahren der kleinsten Quadrate
	erweitertes Verfahren der kleinsten Quadrate (ELSM)
	verallgemeinertes Verfahren der kleinsten Quadrate (GLSM)
	rekursives Verfahren der kleinsten Quadrate (RLS)
	Verfahren der Instrumentvariable (IVM)
	Hauptkomponentenanalyse (PCA)
	dynamische Hauptkomponentenanalyse (DPCA)
	teilweise kleinste Quadrate (PLS)
	unterraumbasiertes Zustandsraummodell
	Identifikations- (4SID-) Verfahren
	(+ Singulärwertzerlegung (SVD))
	(+ QR-Zerlegung)
		N4SID- Verfahren
		Mehrvariable-Ausgangsfehler-Zustandsraum- (MOESP-) Verfahren
	Analyse kanonischer Zufallsvariable (CVA)
	Singulärwertzerlegung
	Verfahren der minimalen Verwirklichung (MRM)
nichtparametrisches Modell	Einschwingverhaltensverfahren
	Korrelationsanalyse
	Frequenzgangverfahren
	Spektralanalyseverfahren
	Verfahren der empirischen Schätzung der Übertragungsfunktion (ETFE)
	Lernen des einlagigen/mehrlagigen Perzeptrons, Backpropagation, Gradientenverfahren schichtenweises Vortraining: Auto-Codierer, Bolzmann-Maschine

Der Verbrennungs-Controller-Entwurfsalgorithmus 320 entwirft den Verbrennungs-Controller, was ein Schlüsselfaktor beim Optimieren der Kesselverbrennung ist, basierend auf den Lerndaten. Während das Verbrennungsmodell verwendet wird, um den optimalen Sollwert für eine optimale Verbrennungsregelung zu erzeugen, spielt der entworfene Verbrennungs-Controller eine Rolle bei seiner Erzeugung. Das heißt, der Verbrennungs-Controller leitet die Vorhersagedaten durch das Verbrennungsmodell ab, wobei die Vorhersagedaten basierend auf den Eingangsdaten (Eingabe in das Verbrennungsmodell?) einschließlich der Echtzeitdaten und der Vergangenheitsdaten abgeleitet werden. Der Verbrennungs-Controller leitet dann den optimalen Sollwert bezüglich der abgeleiteten Vorhersagedaten ab.
Die Optimalschicht 400 ist konfiguriert, das optimale Verbrennungsmodell und den optimalen Verbrennungs-Controller auszuwählen und den optimalen Sollwert für die Verbrennungsoptimierung unter Verwendung des ausgewählten Verbrennungsmodells und des ausgewählten Verbrennungs-Controllers zu berechnen. Zu diesem Zweck enthält die Optimalschicht 400 eine Auswahleinrichtung 410 für das optimale Modell/den optimalen Controller und einen Verbrennungsoptimierungsalgorithmus 420.
Die Auswahleinrichtung 410 für das optimale Modell/den optimalen Controller wird verwendet, um unter mehreren Verbrennungsmodellen und Verbrennungs-Controllern, die vorher basierend auf den Analyseergebnissen der Echtzeitdaten erzeugt worden sind, das optimale Verbrennungsmodell und den optimalen Verbrennungs-Controller auszuwählen.
Die Auswahleinrichtung 410 für das optimale Modell/den optimalen Controller analysiert die Echtzeitdaten und die Vergangenheitsdaten. Hier enthält die Analyse 1) die basiswissensbasierte Datenanalyse und 2) die datenbasierte Analyse. Im Ergebnis der Datenanalyse können die Informationen über ein Muster der Echtzeitdaten, eine Änderung der Leistungserzeugungsausgabe, eine Wirkungsgradbedingung und eine Ansteuerbedingung abgeleitet werden. Die Auswahleinrichtung 410 für das optimale Modell/den optimalen Controller wählt basierend auf den gemäß dem Ergebnis der oben beschriebenen Datenanalyse abgeleiteten Informationen ein optimales Verbrennungsmodell aus, das für die Verbrennungsregelung zu verwenden ist. Ferner wählt die Auswahleinrichtung 410 für das optimale Modell/den optimalen Controller unter Verwendung des Ergebnisses der Datenanalyse und des Verbrennungsmodells einen optimalen Verbrennungs-Controller für die Verbrennungsoptimierung aus.
Der Verbrennungsoptimierungsalgorithmus 420 berechnet den optimalen Sollwert für die Verbrennungsoptimierung durch das Eingeben der Echtzeitdaten in das Verbrennungsmodell und den Verbrennungs-Controller, die von der Auswahleinrichtung 410 für das optimale Modell/den optimalen Controller ausgewählt worden sind. Danach wird unter Verwendung der Sollwerte und des manuellen Bias im aktuellen DCS ein optimaler Regelsollwert oder ein dem optimalen Regelsollwert zugeordneter Hilfswert berechnet.
Als Nächstes wird ein Verfahren zum Optimieren der Verbrennung gemäß einer beispielhaften Ausführungsform bezüglich 2 beschrieben.
In 2 sammelt der Verbrennungsmanager 110 der Managementschicht 100 die aktuell gemessenen Echtzeitdaten für die Kesselverbrennung eines Kraftwerks (Operation S110). Diese Echtzeitdaten enthalten die Betriebsdaten und den Zustandsbinärwert des Kessels.
Die Betriebsdaten enthalten einen abgetasteten Wert, wie er durch mehrere Sensoren bezüglich des Kessels gemessen wird, und einen Regelwert zum Regeln des Kessels. Der Zustandsbinärwert ist ein Merkerwert, der angibt, ob sich eine Änderung des Zustands eines auf den Kessel bezogenen Parameters außerhalb eines vorgegebenen Bereichs befindet. Spezifischer besteht der Zustandsbinärwert aus Daten, die als ein Binärwert den Grad der Zustandsänderung anzeigen. Eine derartige Änderung kann eine Variation der Ausgabe des Kessels, eine Variation der verwendeten Brennstoffmenge, eine Variation der Brennstoffzufuhrmenge, eine Variation der Wasserzufuhrmenge, eine Variation der Verbrennungsluftzufuhrmenge, eine Variation der Kohlezufuhrmenge, ob ein Rußbläser zu betreiben ist und ob eine Kesselschutzlogik zu implementieren ist, enthalten. Unter Berücksichtigung z. B. des Kesselparameters, der die Verbrennungsluftzufuhrmenge ist, wird der Zustandsbinärwert der Verbrennungsluftzufuhrmenge solange als eine binäre „0“ aufrechterhalten, wie eine Menge der Verbrennungsluftzufuhr innerhalb eines vorgegebenen Bereichs von ihrem aktuellen Wert fluktuiert. In diesem Fall ändert sich der Zustandsbinärwert nur in eine binäre „1“, wenn die Fluktuation den vorgegebenen Bereich übersteigt.
Der Verbrennungsmanager 110 bestimmt basierend auf den gesammelten Daten, ob die Optimierung gemäß einer vorgegebenen Bedingung auszuführen ist, (Operation S120). Spezifischer kann der Verbrennungsmanager 110 durch die betriebsdatenbasierte Analyse, die zustandsbinärwertbasierte Analyse und die Analyse, die das Wissen und die Erfahrung des Experten widerspiegelt, bestimmen, ob die Optimierung auszuführen ist. Gemäß der Analyse, die das Wissen und die Erfahrung des Experten widerspiegelt, ist es z. B. möglich, gemäß dessen, ob der Bereich der spezifischen Betriebsdaten, wie z. B. des NOx, des CO und des Einheitslastbedarfs, und der Wert gemäß dem Einfluss zwischen den Daten normal sind, zu bestimmen, ob die Optimierung auszuführen ist. Insbesondere kann der Verbrennungsmanager 110 ableiten, ob die Optimierungsregelung des Kessels anwendbar ist und ob die Verbrennungsoptimierung ausgeführt werden kann, wobei er bestimmen kann, die Optimierung auszuführen, wenn zwei Werte wahr sind.
Falls als das Bestimmungsergebnis (Operation S120) bestimmt wird, die Optimierung auszuführen, bestimmt der Selbstabstimmungsmanager 120 der Managementschicht 100 basierend auf wenigstens einem der Echtzeitdaten, ob die Verbrennungsoptimierung auszuführen ist und ob das Lernen für das Abstimmen des Verbrennungsmodells und des Verbrennungs-Controllers auszuführen ist, ob das Verbrennungsmodell und der Verbrennungs-Controller abzustimmen sind, (Operation S130).
Falls bestimmt wird, das Abstimmen auszuführen, erzeugt die Datenschicht 200 zuerst durch das Vorverarbeiten und Sortieren der aktuell gemessenen Echtzeitdaten und der vorher gemessenen Vergangenheitsdaten die für den Entwurf des Verbrennungsmodells und des Verbrennungs-Controllers erforderlichen Lerndaten (Operation S140). Der Datenvorprozessor 210 der Datenschicht 200 führt zuerst die Vorverarbeitung für die aktuell gemessenen Echtzeitdaten und die vorher gemessenen Vergangenheitsdaten aus (Operation S140). Zu diesem Zeitpunkt kann der Datenvorprozessor 210 eine Vorverarbeitungsoperation von wenigstens einer von einer Signalwiederherstellung zum Wiederherstellen fehlender Daten, einer Filterung zum Filtern der Daten, die eine vorgegebene Bedingung erfüllen, basierend auf einem Basiswissen oder den Daten, und einer Ausreißerverarbeitung zum Löschen der Daten, die den oberen Grenzwert übersteigen oder den unteren Grenzwert unterschreiten, ausführen. Entsprechend werden die Daten usw., die das Entfernen des Rauschens in den Kennzeichendaten oder das Entwerfen des Verbrennungsmodells und des Verbrennungs-Controllers nachteilig beeinflussen können, im Voraus gelöscht. Ferner führt der Datenanalysator 220 der Datenschicht 200 das Abtasten des Sortierens nur der wichtigen Daten des stationären Zustands, die zum Entwerfen des Verbrennungsmodells und des Verbrennungs-Controllers erforderlich sind, durch die Musteranalyse der Daten aus, wobei er die Eingangsvariable, deren Korrelationsgrad einen vorgegebenen Wert erreicht, zum Entwerfen des Verbrennungsmodells durch die Korrelationsanalyse usw. für die Ausgangsvariable des Verbrennungsmodells und des Verbrennungs-Controllers auswählt (Operation S140). Das heißt, der Datenanalysator 220 erzeugt die Lerndaten durch das Abtasten und die Auswahl der Eingangsvariable.
Als Nächstes erzeugt der Verbrennungsmodell-Entwurfsalgorithmus 310 der Modellschicht 300 das Verbrennungsmodell basierend auf den Lerndaten (Operation S150). Das Verbrennungsmodell gemäß einer beispielhaften Ausführungsform kann basierend auf wenigstens einem des parametrischen Modells, das das Übertragungsfunktionsmodell und das Zustandsraummodell enthält, und des nichtparametrischen Modells wie in Tabelle 1 erzeugt werden. Der Verbrennungsmodell-Entwurfsalgorithmus 310 kann durch das Anwenden der Lerndaten auf wenigstens eines des parametrischen Modells und des nicht-parametrischen Modells wie in Tabelle 1 das Verbrennungsmodell unter Verwendung wenigstens eines der Optimierungsalgorithmen wie in Tabelle 2 ableiten. Dieses Verbrennungsmodell ist konfiguriert, Faktoren wie die Leistungserzeugungsausgabe, den Verbrennungszustand einschließlich der Temperatur des Dampfes und des Abgases, die Zusammensetzung des Abgases (Kohlenmonoxid, Stickstoffoxid) und die Restsauerstoffmenge nach der Verbrennung, die wichtige Variable für die Verbrennung sind, basierend auf der Eingabe, wie z. B. der Kraftstoffeingangsmenge, der Lufteingangsmenge, der Wassereingangsmenge und der Lufttemperatur, vorherzusagen.
Als Nächstes leitet der Verbrennungs-Controller-Entwurfsalgorithmus 320 der Modellschicht 300 den Verbrennungs-Controller basierend auf den Lerndaten ab (Operation S160). Der entworfene Verbrennungs-Controller spielt beim Erzeugen des Sollwerts für die optimale Verbrennungsregelung eine Rolle. Das Verbrennungsmodell wird verwendet, um den optimalen Sollwert zu erzeugen.
Als Nächstes wählt die Auswahleinrichtung 410 für das optimale Modell/den optimalen Controller der Optimalschicht 400 das optimale Verbrennungsmodell und den optimalen Verbrennungs-Controller basierend auf dem Analyseergebnis der aktuell gemessenen Echtzeitdaten aus den mehreren vorher erzeugten Verbrennungsmodellen und Verbrennungs-Controllern aus (Operation S170).
Die Auswahleinrichtung 410 für das optimale Modell/den optimalen Controller wählt zuerst das Verbrennungsmodell durch das Analysieren der Echtzeitdaten aus (Operation S170). Hier wählt die Auswahleinrichtung 410 für das optimale Modell/den optimalen Controller das Verbrennungsmodell mit dem kleinsten Rest, z. B. dem Unterschied zwischen den aktuell gemessenen Echtzeitdaten für die Kesselverbrennung und den durch das Verbrennungsmodell geschätzten Schätzdaten, unter den mehreren Verbrennungsmodellen aus. Danach wählt die Auswahleinrichtung 410 für das optimale Modell/den optimalen Controller den Verbrennungs-Controller basierend auf dem ausgewählten Verbrennungsmodell aus.
Ferner berechnet der Verbrennungsoptimierungsalgorithmus 420 der Optimalschicht 400 den optimalen Sollwert für die Verbrennungsoptimierung durch das Eingeben der aktuell gemessenen Echtzeitdaten in das vorher ausgewählte Verbrennungsmodell und den vorher ausgewählten Verbrennungs-Controller (Operation S180). Zu diesem Zeitpunkt kann der Verbrennungsoptimierungsalgorithmus 420 den Regelsollwert und den ihm zugeordneten Hilfswert berechnen.
Im Folgenden wird eine Konfiguration einer Vorrichtung zum Erzeugen von Lerndaten für die Verbrennungsoptimierung gemäß einer beispielhaften Ausführungsform bezüglich der 3-5 ausführlicher beschrieben.
In 3 sammelt die Datenschicht 200 gemäß einer beispielhaften Ausführungsform zuerst die Rohdaten (RD), wobei sie die Lerndaten (LD) durch das Verarbeiten der gesammelten Rohdaten ableitet.
Die Rohdaten (RD) enthalten die aktuell gemessenen Echtzeitdaten für die Kesselverbrennung und die vorher gemessenen Vergangenheitsdaten für die Kesselverbrennung. Die Rohdaten (RD) weisen die Eingangswerte für das System und die den Eingangswerten entsprechenden Ausgangswerte auf, die im Lauf der Zeit akkumuliert und dann für jedes Kennzeichen klassifiziert und gesammelt werden. Hier gibt das Kennzeichen den Typ oder das Attribut der Daten an. Ferner werden die Lerndaten (LD) als ein Eingangswert zum Lernen eines Modells eines neuronalen Netzes (NN) und als ein dem Eingangswert entsprechender Sollwert abgeleitet. Folglich werden ein Eingangswert und ein Sollwert miteinander paarweise angeordnet. Der Eingangswert ist ein Wert, der während des Lernens in das neuronale Netz (NN) eingegeben wird, während der Sollwert ein Wert zum Vergleichen des Eingangswertes mit dem Ausgangswert des neuronalen Netzes (NN) während des Lernens ist.
Die Datenschicht 200 enthält den Datenvorprozessor 210 und den Datenanalysator 220, wobei der Datenanalysator 220 einen Cluster 221 und eine Abtasteinrichtung 223 enthält.
Der Datenvorprozessor 210 ist konfiguriert, eine Vorverarbeitung für die Rohdaten (RD) auszuführen. In 4 enthält der Datenvorprozessor 210 eine Wiederherstellungseinrichtung 211, ein Filter 213 und eine Löscheinrichtung 215.
Die Wiederherstellungseinrichtung 211 stellt einen Abschnitt mit einem Anomaliesignal in den Daten wieder her.
Das Filter 213 filtert die Daten gemäß einer vorgegebenen Bedingung durch einen Basiswissensalgorithmus. Es ist z. B. möglich, die entsprechenden Daten durch das Erfüllen einer vorgegebenen Bedingung durch das Beobachten einer Änderung des ULD-Eingangswertes während eines vorgegebenen Zeitraums zu speichern. Als ein weiteres Beispiel, wenn die Zahlenwerte des ULD-Eingangswertes, des NOx, des CO usw. die vorgegebene Bedingung erfüllen, können die entsprechenden Daten gespeichert werden, können die nicht zufriedenstellenden Daten gelöscht werden oder kann der Wert geändert werden. Ferner können im Fall von anomalen Daten die Daten entfernt werden.
Die Löscheinrichtung 215 ist konfiguriert, die Ausreißer zu löschen. Das heißt, die Löscheinrichtung 215 legt für jedes Kennzeichen den oberen Grenzwert und den unteren Grenzwert der Daten fest und löscht die Daten, die den oberen Grenzwert übersteigen oder den unteren Grenzwert unterschreiten.
Der Cluster 221 ist konfiguriert, durch das Analysieren der Korrelation zwischen den Kennzeichen die für das Lernen erforderlichen Daten in Clustern anzuordnen und das unnötige Kennzeichen zu entfernen. Weil dieses Anordnen in Clustern die unnötigen Kennzeicheninformationen entfernt und die Daten basierend auf den relevanten Kennzeicheninformationen in Clustern anordnet, ist es möglich, effizientere Lerndaten zu erzeugen.
Der Cluster 221 gruppiert die Kennzeichen, deren Korrelation für jedes Kennzeichen gleich einem vorgegebenen Wert oder größer ist, basierend auf den Korrelationsinformationen durch das Analysieren der Korrelation zwischen den Kennzeichen der Daten und bildet nach dem Gruppieren der Kennzeichen mit einem ähnlichen Muster das dem Eingangswert entsprechende Kennzeichen und das dem Ausgangswert, der dem Eingangswert entspricht, entsprechende Kennzeichen ab.
In 5 ist die Abtasteinrichtung 223 konfiguriert, die Lerndaten durch das Abtasten der für jedes Kennzeichen gruppierten Daten abzuleiten. Zu diesem Zeitpunkt erzeugt die Abtasteinrichtung 223 die Lerndaten des Modells des neuronalen Netzes (NN) basierend auf einer Musteranalyse und einem Abtastalgorithmus. Zu diesem Zweck enthält die Abtasteinrichtung 223 einen Musteranalysator 223a und eine Datenabtasteinrichtung 223b.
Der Musteranalysator 223a leitet durch das Analysieren der Daten basierend auf der L2-Norm ein Muster der Daten ab. Danach erzeugt die Datenabtasteinrichtung 223b durch das Abtasten der Daten durch den Abtastalgorithmus basierend auf dem abgeleiteten Muster die Lerndaten (LD). Diese Lerndaten (LD) werden als der Eingangswert für das Lernen des Modells des neuronalen Netzes (NN) und als der dem Eingangswert entsprechende Sollwert abgeleitet.
Als Nächstes wird ein Verfahren zum Erzeugen von Lerndaten für die Verbrennungsoptimierung gemäß einer beispielhaften Ausführungsform bezüglich der 6-8 beschrieben.
In 6, die die Operation S140 nach 2 ausführlich beschreibt, verarbeitet der Datenvorprozessor 210 zuerst die Rohdaten (RD) vor (Operation S210). Die Rohdaten (RD) enthalten hier die aktuell gemessenen Echtzeitdaten für die Kesselverbrennung und die vorher gemessenen Vergangenheitsdaten für die Kesselverbrennung. Die Rohdaten (RD) weisen die Eingangswerte für das System und die den Eingangswerten entsprechenden Ausgangswerte, die im Laufe der Zeit akkumuliert und für jedes Kennzeichen klassifiziert und gesammelt werden, auf. Hier gibt das Kennzeichen den Typ oder das Attribut der Daten an. Die Operation S210 wird bezüglich 7 wie folgt ausführlicher beschrieben.
In 7 stellt die Wiederherstellungseinrichtung 211 einen Abschnitt mit einem Anomaliesignal in den Daten wieder her (Operation S310).
Ferner in der Operation S210 filtert das Filter 213 die Daten gemäß einer vorgegebenen Bedingung durch den Basiswissensalgorithmus (Operation S320). Es ist z. B. möglich, die entsprechenden Daten durch das Erfüllen der vorgegebenen Bedingung durch das Beobachten einer Änderung des ULD-Eingangswertes während eines vorgegebenen Zeitraums zu speichern. Als ein weiteres Beispiel, wenn die Zahlenwerte des ULD-Eingangswertes, des NOx, des CO usw. die vorgegebene Bedingung erfüllen, können die entsprechenden Daten gespeichert werden, können die nicht zufriedenstellenden Daten gelöscht werden oder kann der Wert geändert werden. Ferner können im Fall von anomalen Daten die Daten entfernt werden.
Ferner in der Operation S210 löscht die Löscheinrichtung 215 den Ausreißer (Operation S330). Zu diesem Zeitpunkt legt die Löscheinrichtung 215 für jedes Kennzeichen den oberen Grenzwert und den unteren Grenzwert der Daten fest, wobei sie die Daten, die den oberen Grenzwert übersteigen oder den unteren Grenzwert unterschreiten, löscht.
In 6 ordnet der Cluster 221 die für das Lernen erforderlichen Daten durch das Analysieren der Korrelation zwischen den Kennzeichen in Clustern an, wobei er die unnötigen Kennzeichen entfernt (Operation S220). Weil dieses Anordnen in Clustern die unnötigen Kennzeicheninformationen entfernt und die Daten basierend auf den relevanten Kennzeicheninformationen in Clustern anordnet, ist es möglich, effizientere Lerndaten zu erzeugen. Zu diesem Zeitpunkt gruppiert der Cluster 221 die Kennzeichen, deren Korrelation ein vorgegebener Wert oder größer für jedes Kennzeichen ist, durch das Analysieren der Korrelation zwischen den Kennzeichen der Daten basierend auf den Korrelationsinformationen, wobei er nach dem Gruppieren der Kennzeichen mit dem ähnlichen Muster das Kennzeichen der Eingangsdaten und das Kennzeichen der Ausgangsdaten, die den Eingangsdaten entsprechen, abbildet.
Als Nächstes leitet die Abtasteinrichtung 223 durch das Abtasten der jedes Kennzeichen in Clustern angeordneten Daten die Lerndaten ab (Operation S230). Zu diesem Zeitpunkt erzeugt die Abtasteinrichtung 223 die Lerndaten des Modells des neuronalen Netzes (NN) basierend auf der Musteranalyse und dem Abtastalgorithmus. Die Operation S230 wird bezüglich 8 wie folgt ausführlicher beschrieben.
In 8 leitet der Musteranalysator 223a der Abtasteinrichtung 223 ein Datenmuster durch das Analysieren der Daten basierend auf der L2-Norm ab (Operation S410).
Danach erzeugt die Datenabtasteinrichtung 223b der Abtasteinrichtung 223 durch das Abtasten der Daten durch den Abtastalgorithmus basierend auf dem abgeleiteten Muster die Lerndaten (LD) (Operation S420). Diese Lerndaten (LD) werden als der Eingangswert für das Lernen des Modells des neuronalen Netzes (NN) und als der dem Eingangswert entsprechende Sollwert abgeleitet. Der Eingangswert ist ein Wert, der während des Lernens in das neuronale Netz (NN) eingegeben wird, während der Sollwert ein Wert zum Vergleichen des Eingangswertes mit dem Ausgangswert des neuronalen Netzes (NN) während des Lernens ist.
9 zeigt eine Computervorrichtung gemäß einer beispielhaften Ausführungsform. Die Computervorrichtung (TN100) nach 9 kann eine in der vorliegenden Beschreibung beschriebene Vorrichtung sein und kann eine Vorrichtung zum Erzeugen von Lerndaten, eine Verbrennungsoptimierungsvorrichtung usw. enthalten.
In 9 kann die Computervorrichtung (TN100) wenigstens einen Prozessor (TN 110), einen Sender/Empfänger (TN 120) und einen Speicher (TN 130) enthalten, wobei sie ferner eine Speichervorrichtung (TN140), eine Eingangsschnittstellenvorrichtung (TN150), eine Ausgangsschnittstellenvorrichtung (TN160) usw. enthalten kann. Die in der Computervorrichtung (TN100) enthaltenen Komponenten können durch einen Bus (TN170) verbunden sein, um eine Kommunikation zwischen den Komponenten auszuführen.
Der Prozessor (TN110) kann einen Programmbefehl ausführen, der in wenigstens einem des Speichers (TN130) und der Speichervorrichtung (TN140) gespeichert ist. Der Prozessor (TN110) kann eine Zentraleinheit (CPU), eine Graphikverarbeitungseinheit (GPU) oder einen dedizierten Prozessor, in dem die Verarbeitung gemäß einer beispielhaften Ausführungsform ausgeführt werden kann, enthalten. Der Prozessor (TN110) kann konfiguriert sein, die Prozeduren, Funktionen, Verfahren usw., die im Zusammenhang mit einer beispielhaften Ausführungsform beschrieben sind, zu implementieren Der Prozessor (TN110) kann jede Komponente der Computervorrichtung (TN100) steuern.
Sowohl der Speicher (TN130) als auch die Speichervorrichtung (TN140) können verschiedene Informationen speichern, die auf den Betrieb des Prozessors (TN110) bezogen sind. Sowohl der Speicher (TN130) als auch die Speichervorrichtung (TN140) können aus wenigstens einem von einem flüchtigen Speichermedium und einem nichtflüchtigen Speichermedium bestehen. Der Speicher (TN130) kann z. B. aus wenigstens einem von einem Festwertspeicher (ROM) und einem Schreib-Lese-Speicher (RAM) bestehen.
Der Sender/Empfänger (TN120) kann ein verdrahtetes Signal oder ein drahtloses Signal senden und empfangen. Der Sender/Empfänger (TN120) kann mit einem Netz verbunden sein, um eine Kommunikation auszuführen.
Unterdessen können verschiedene Verfahren gemäß einer oben beschriebenen beispielhaften Ausführungsform in der Form des durch verschiedene Computermittel lesbaren Programms implementiert sein, um in einem computerlesbaren Aufzeichnungsmedium aufgezeichnet zu sein. Hier kann das Aufzeichnungsmedium Programmbefehle, Datendateien, Datenstrukturen usw. allein oder in Kombination enthalten. Die in dem Aufzeichnungsmedium aufgezeichneten Programmbefehle können jene sein, die für eine beispielhafte Ausführungsform speziell entworfen und konfiguriert worden sind, oder können außerdem den Fachleuten auf dem Gebiet der Computer-Software bekannt und für die Fachleute auf dem Gebiet der Computer-Software verfügbar sein. Das Aufzeichnungsmedium kann z. B. ein Magnetmedium, wie z. B. eine Festplatte, eine Diskette und ein Magnetband, ein optisches Medium, wie z. B. einen CD-ROM und eine DVD, ein magneto-optisches Medium, wie z. B. eine Floptical-Disk, und Hardware-Vorrichtungen, die speziell konfiguriert sind, den Programmbefehl zu speichern und auszuführen, wie z. B. ein ROM, ein RAM und ein Flash-Speicher, enthalten. Die Beispiele des Programmbefehls können nicht nur Drähte in einer Maschinensprache, wie z. B. jene, die durch einen Kompilierer erzeugt werden, sondern außerdem Drähte in einer höheren Programmiersprache, die durch einen Computer unter Verwendung eines Interpreters oder dergleichen ausgeführt werden können, enthalten. Eine derartige Hardware-Vorrichtung kann konfiguriert sein, als ein oder mehrere Software-Module zu arbeiten, um den Betrieb einer beispielhaften Ausführungsform auszuführen, und umgekehrt.
Während bezüglich der beigefügten Zeichnungen eine oder mehrere beispielhafte Ausführungsformen beschrieben worden sind, ist es für die Fachleute auf dem Gebiet selbstverständlich, dass verschiedene Modifikationen und Änderungen der Form und der Einzelheiten darin vorgenommen werden können, ohne vom Erfindungsgedanken und Schutzumfang abzuweichen, wie sie durch die beigefügten Ansprüche definiert sind. Entsprechend sollte die Beschreibung der beispielhaften Ausführungsformen nur in einem beschreibenden Sinn und nicht, um den Schutzumfang der Ansprüche einzuschränken, ausgelegt werden, wobei viele Alternativen, Modifikationen und Variationen für die Fachleute auf dem Gebiet offensichtlich sind.

Claims

Vorrichtung zum Erzeugen von Lerndaten, die umfasst: eine Managementschicht (100), die konfiguriert ist, die aktuell gemessenen Echtzeitdaten für die Kesselverbrennung zu sammeln, durch das Analysen der gesammelten Echtzeitdaten zu bestimmen, ob eine Verbrennungsoptimierung auszuführen ist, und zu bestimmen, ob ein Verbrennungsmodell und ein Verbrennungs-Controller abzustimmen sind; eine Datenschicht (200), die konfiguriert ist, die Lerndaten aus den Rohdaten abzuleiten, die die Echtzeitdaten und die vorher gemessenen Vergangenheitsdaten für die Kesselverbrennung umfassen; eine Modellschicht (300), die konfiguriert ist, das Verbrennungsmodell und den Verbrennungs-Controller durch die Lerndaten zu erzeugen; und eine Optimalschicht (400), die konfiguriert ist, einen Sollwert für die Verbrennungsoptimierung unter Verwendung des Verbrennungsmodells und des Verbrennungs-Controllers zu berechnen und ein Regelsignal gemäß dem berechneten Sollwert auszugeben.
Vorrichtung zum Erzeugen von Lerndaten nach Anspruch 1, wobei die Datenschicht (200) wenigstens eines des Folgenden umfasst: einen Datenvorprozessor (210), der konfiguriert ist, die Rohdaten zu sammeln, die die aktuell gemessenen Echtzeitdaten für die Kesselverbrennung und die vorher gemessenen Vergangenheitsdaten für die Kesselverbrennung umfassen, und eine Vorverarbeitung für die gesammelten Rohdaten auszuführen; und einen Datenanalysator (220), der konfiguriert ist, durch das Analysieren der Rohdaten die Lerndaten aus den Rohdaten abzuleiten.
Vorrichtung zum Erzeugen von Lerndaten nach Anspruch 2, wobei der Datenvorprozessor (210) wenigstens eines des Folgenden umfasst: eine Wiederherstellungseinrichtung (211), die konfiguriert ist, einen Abschnitt mit einem Anomaliesignal in den Rohdaten wiederherzustellen; ein Filter (213), das konfiguriert ist, die Rohdaten gemäß einer vorgegebenen Bedingung durch einen Basiswissensalgorithmus zu filtern; und eine Löscheinrichtung (215), die konfiguriert ist, die Ausreißer in den Rohdaten zu löschen.
Vorrichtung zum Erzeugen von Lerndaten nach Anspruch 2 oder 3, wobei der Datenanalysator (220) wenigstens eines des Folgenden umfasst: einen Cluster (221), der konfiguriert ist, die Rohdaten durch das Ableiten einer Korrelation zwischen den Kennzeichen, die für das Lernen durch das Analysieren der Korrelation zwischen den Kennzeichen der Rohdaten erforderlich ist, in Clustern anzuordnen; und eine Abtasteinrichtung (223), die konfiguriert ist, die Lerndaten aus den Rohdaten zu extrahieren, die gemäß der Korrelation zwischen den Kennzeichen in Clustern angeordnet sind.
Vorrichtung zum Erzeugen von Lerndaten nach Anspruch 4, wobei die Abtasteinrichtung (223) wenigstens eines des Folgenden umfasst: einen Musteranalysator (223a), der konfiguriert ist, das Muster der Rohdaten durch das Analysieren der Rohdaten basierend auf einer L2-Norm abzuleiten; und eine Datenabtasteinrichtung (223b), die konfiguriert ist, die Lerndaten durch das Abtasten der Rohdaten basierend auf dem abgeleiteten Muster und einem Abtastalgorithmus abzuleiten.
Vorrichtung zum Erzeugen von Lerndaten nach einem der vorhergehenden Ansprüche, wobei die Modellschicht (300) wenigstens eines des Folgenden umfasst: einen Verbrennungsmodell-Entwurfsalgorithmus (310), der konfiguriert ist, das Verbrennungsmodell basierend auf den Lerndaten zu erzeugen; und einen Verbrennungs-Controller-Entwurfsalgorithmus (320), der konfiguriert ist, den Verbrennungs-Controller basierend auf den Lerndaten zu erzeugen.
Verfahren zum Erzeugen von Lerndaten, das wenigstens eines des Folgenden umfasst: Sammeln von Rohdaten, die die aktuell gemessenen Echtzeitdaten für die Kesselverbrennung und die vorher gemessenen Vergangenheitsdaten für die Kesselverbrennung umfassen, durch einen Datenvorprozessor (210); Ausführen einer Vorverarbeitung für die gesammelten Rohdaten durch den Datenvorprozessor (210); und Ableiten von Lerndaten aus den Rohdaten durch das Analysieren der Rohdaten durch einen Datenanalysator (220).
Verfahren zum Erzeugen von Lerndaten nach Anspruch 7, wobei das Ausführen der Vorverarbeitung wenigstens eines des Folgenden umfasst: Wiederherstellen eines Abschnitts mit einem Anomaliesignal in den Rohdaten durch eine Wiederherstellungseinrichtung (211) des Datenvorprozessors (210); Filtern der Rohdaten gemäß einer vorgegebenen Bedingung durch einen Basiswissensalgorithmus durch ein Filter (213) des Datenvorprozessors (210); und Löschen der Ausreißer in den Rohdaten durch eine Löscheinrichtung (215) des Datenvorprozessors (210).
Verfahren zum Erzeugen von Lerndaten nach Anspruch 7 oder 8, wobei das Ableiten der Lerndaten umfasst: Anordnen in Clustern der Rohdaten durch das Ableiten der Korrelation zwischen den Kennzeichen, die für das Lernen durch das Analysieren der Korrelation zwischen den Kennzeichen der Rohdaten erforderlich ist, durch einen Cluster (221) des Datenanalysators (220); und Extrahieren der Lerndaten aus den gemäß der Korrelation zwischen den Kennzeichen in Clustern angeordneten Rohdaten durch eine Abtasteinrichtung 223 des Datenanalysators (220).
Verfahren zum Erzeugen von Lerndaten nach Anspruch 9, wobei das Extrahieren der Lerndaten aus den gemäß der Korrelation zwischen den Kennzeichen in Clustern angeordneten Rohdaten durch die Abtasteinrichtung (223) des Datenanalysators (220) umfasst: Ableiten des Musters der Rohdaten durch das Analysieren der Rohdaten basierend auf einer L2-Norm durch einen Musteranalysator (223a) der Abtasteinrichtung (223); und Extrahieren der Lerndaten durch das Abtasten der Rohdaten basierend auf dem abgeleiteten Muster und einem Abtastalgorithmus durch eine Datenabtasteinrichtung (223b) der Abtasteinrichtung (223).
Vorrichtung oder Verfahren zum Erzeugen von Lerndaten nach einem der vorhergehenden Ansprüche, wobei die Rohdaten die Eingangsdaten und die den Eingangsdaten entsprechenden Ausgangsdaten umfassen.
Vorrichtung oder Verfahren zum Erzeugen von Lerndaten nach einem der vorhergehenden Ansprüche, wobei die Rohdaten im Lauf der Zeit akkumuliert und für jedes Kennzeichen gesammelt und klassifiziert werden.
Vorrichtung oder Verfahren zum Erzeugen von Lerndaten nach einem der vorhergehenden Ansprüche, wobei die Lerndaten die Eingangsdaten zum Lernen eines Modells eines neuronalen Netzes (NN) und die den Eingangsdaten entsprechenden Zieldaten umfassen.