CN103778324A - 基于负荷重采样的电厂燃烧过程机器学习建模方法 - Google Patents

Abstract

本发明提出了一种基于负荷重采样的电厂燃烧过程机器学习建模方法。本发明包括如下步骤：步骤(1).从实时运行数据中提取稳态样本；步骤(2).基于负荷将样本划分成训练子集和测试子集；步骤(3).利用所得训练样本对模型进行训练，并用测试样本对模型的泛化能力进行验证。本发明通过基于负荷划分样本子集，避免了现有的基于热态实验数据的电厂燃烧过程建模方法的不足，使得到的模型更能反映锅炉燃烧过程的特性；解决了电厂稳态样本在负荷上分布的不均衡性，保证了模型的泛化能力。

Description

基于负荷重采样的电厂燃烧过程机器学习建模方法

技术领域

本发明属于过程***建模与优化领域，具体涉及一种电厂稳态数据提取以及基于负荷重采样的电厂燃烧过程机器学习建模的方法。

背景技术

在机器学习建模的过程中，为了避免模型出现过拟合、验证模型的泛化能力，常常需要将已有的数据样本划分成两个或多个独立的样本子集,而在选择模型结构参数时也需要将样本划分成均等的几个子集。在划分样本子集的过程中，如果样本存在不均衡性(这里所说的不均衡性是指样本在负荷分布上的不一致：高、低负荷上样本多，中负荷则样本少)，所得到的样本子集在统计特征上容易出现显著的差异，进而造成模型泛化能力不足：在训练子集上表现很好，在测试子集上则误差较大。

目前，电厂的燃烧过程的模型大多基于现场热态实验的稳态工况数据，这种方法需要机组停运，往往需要消耗比较大的人力物力，而得到的稳态工况数据只是常见的几个负荷工况。对于竞价上网的火力电厂而言，需要不停跟踪电网的负荷指令，机组发电负荷波动频繁，几个典型的稳态负荷工况很难反映出锅炉燃烧过程的特性，难以适应电厂燃烧优化的实时需求。另一方面，利用电厂历史数据库中的运行数据进行建模，需要解决两个问题：一是如何从实时运行数据中提取稳态样本；二是当所得稳态样本在负荷工况上分布不均衡时，如何将样本划分成用于建模的训练样本以及用于模型验证的测试样本。

发明内容

本发明的目的是针对现有建模方法的不足，提供一种基于负荷重采样的电厂燃烧过程机器学习建模方法。

本发明解决其建模问题所采用的方案如下：

步骤(1).从实时运行数据中提取稳态样本。

依据以下条件来获取锅炉燃烧过程的稳态样本：

1-1.锅炉主蒸汽流量的波动范围不超过最大负荷对应的蒸汽流量的2.5%，且此状态保持在1个小时以上，则认为锅炉主蒸汽流量的波动很小，处于稳定状态；

1-2.锅炉的总煤量波动范围保持在最大负荷对应总煤量的2.5%，且此状态保持在1个小时以上，则认为锅炉的总给煤量波动很小，处于稳定状态；

1-3.在满足上述两个条件的基础上，机组运行的各台磨煤机的启停状态未发生变化；

设X₁(i),X₂(i)表示锅炉的主蒸汽流量、总煤量，Max_X₁,Max_X₂表示锅炉处于最大负荷对应的蒸汽流量和总煤量，winSize表示时间窗口的大小；state_no_change表示磨煤机状态，取值1或0：1表示磨煤机在winSize时间段内运行状态未变化，0表示磨煤机在winSize时间段内运行状态发生了变化;由此将上述三个条件写成数学表达式的形式：

$\left\{\begin{array}{c}{\stackrel{\‾}{X}}_1=\frac{1}{\mathrm{winSize}}\underset{j=1}{\overset{\mathrm{winSize}}{\mathrm{\Σ}}}{X}_1\left(j\right)\\ |X_1\left(i\right)-{\stackrel{\‾}{X}}_1|\≤2.5\mathrm{Max}\_X_1/100\end{array}\right.---\left(1\right)$

$\left\{\begin{array}{c}{\stackrel{\‾}{X}}_2=\frac{1}{\mathrm{winSize}}\underset{j=1}{\overset{\mathrm{winSize}}{\mathrm{\Σ}}}{X}_2\left(j\right)\\ |X_2\left(i\right)-{\stackrel{\‾}{X}}_2|\≤2.5\mathrm{Max}\_X_2/100\end{array}\right.---\left(2\right)$

state_no_change＝1  (3)

上述式子中i＝1,...,winSize，其中winSize表示时间窗口的大小。

步骤(2).基于负荷将样本划分成训练子集和测试子集。其具体方法如下：

2-1.通过步骤（1）获得稳态样本数据，将样本数据与变量的实际运行范围进行比较，删除样本数据中超出变量实际范围的异常值；

2-2.将机组负荷按照低到高的分成10个等距离的半闭负荷子区间。由于每一个样本都对应一个负荷值，则可根据稳态样本所对应的负荷，将所得稳态样本依次划入各个负荷子区间；

2-3.通过如下方式保证各个负荷子区间中样本数目大小保持一致：设样本总数为D，负荷子区间数为N，则每个负荷子区间的平均样本数为A=D/N，对于每个子区间中的样本数B，若A>B,则随机删除其中的B-A个样本；若B≤A则样本全部保留。

2-4.对每一个负荷子区间，随机的把其中15～25%（具体的比例依照实际的样本数而定）的稳态样本作为测试子集，余下的75～85%则作为训练子集。

步骤(3).利用所得训练样本对模型进行训练，并用测试样本对模型的泛化能力进行验证。

所述的训练样本为步骤（2）中所有各个负荷子区间训练子集的集合；

所述的测试样本为步骤（2）中所有各个负荷子区间测试子集的集合。

本发明有益效果如下：

本发明通过基于负荷划分样本子集，避免了现有的基于热态实验数据的电厂燃烧过程建模方法的不足，使得到的模型更能反映锅炉燃烧过程的特性；解决了电厂稳态样本在负荷上分布的不均衡性，保证了模型的泛化能力。

附图说明

图1为提取稳态样本的算法流程示意图。

图2为稳态样本在负荷上的分布。

图3为重采样均衡后稳态样本在负荷上的分布。

图4为锅炉效率模型结果。

具体实施方式

下面结合附图对本发明作进一步说明。

以基于贝叶斯正则化的神经网络建模方法为例，基于负荷重采样的电厂燃烧过程模型的具体建立步骤如图1所示：

步骤1.从电厂采集实时运行数据，对于火力发电厂采样时间一般为1分钟，并从中提取稳态样本。提取稳态样本前需要：

1-1.确定稳态样本提取的时间窗口长度winSize=60，表示1个小时；

1-2.对所在的稳态时间区间中变量的值进行平均，得到对应的稳态值；

步骤2.基于负荷将所得稳态样本划分成训练子集与测试子集：

2-1.依据模型各个输入输出变量的实际运行范围，删除变量值超出该范围的样本点，最后共得到402个稳态样点；

2-2.取样本对应负荷的最小值与最大值，并依次将其分成10个等距离的负荷子区间，并将所得稳态样本划入相应的子区间。如附图2所示实际电厂稳态样本在各个负荷子区间上的分布并不均衡，最高负荷和最低负荷区间中的样本数量明显高于其他子区间。因此为了保证模型的泛化性能需要进行负荷重采样处理。

2-3.针对样本在负荷分布上的不均衡，需要进行重采样处理。样本总数为D=402，负荷子区间数为N=10，则每个负荷子区间的平均样本数为A=D/N≈40，对于每个子区间中的样本数B>40,则随机删除其中的B-40个样本；若B<=40则样本全部保留。如附图3所示经过重采样后的样本在各个负荷上的分布趋于均衡。

2-4.对每个负荷子区间，随机的将其中20%的样本作为测试子集，余下80%作为训练子集，得到训练样本113个，测试样本28个；

2-5采用基于Bayesian Regularization的神经网络模型，包括一层中间层和一层输入层共两层的结构，建立锅炉燃烧效率的模型；

步骤3.利用训练样本对模型进行训练，并用测试样本对模型的泛化能力进行验证。如附图4所示经过负荷重采样后测试样本的模型输出与测量真值的误差被成功控制在理想范围之类。

Claims (4)

1.基于负荷重采样的电厂燃烧过程机器学习建模方法，其特征在于包括如下步骤：

步骤(1).从实时运行数据中提取稳态样本；

步骤(2).基于负荷将样本划分成训练子集和测试子集；

步骤(3).利用所得训练样本对模型进行训练，并用测试样本对模型的泛化能力进行验证。

2.如权利要求1所述的基于负荷重采样的电厂燃烧过程机器学习建模方法，其特征在于所述的步骤(1)依据以下条件来获取锅炉燃烧过程的稳态样本：

1-1.锅炉主蒸汽流量的波动范围不超过最大负荷对应的蒸汽流量的2.5%，且此状态保持在1个小时以上，则认为锅炉主蒸汽流量的波动很小，处于稳定状态；

1-2.锅炉的总煤量波动范围保持在最大负荷对应总煤量的2.5%，且此状态保持在1个小时以上，则认为锅炉的总给煤量波动很小，处于稳定状态；

1-3.在满足上述两个条件的基础上，机组运行的各台磨煤机的启停状态未发生变化；

设X₁(i),X₂(i)表示锅炉的主蒸汽流量、总煤量，Max_X₁,Max_X₂表示锅炉处于最大负荷对应的蒸汽流量和总煤量，winSize表示时间窗口的大小；state_no_change表示磨煤机状态，取值1或0：1表示磨煤机在winSize时间段内运行状态未变化，0表示磨煤机在winSize时间段内运行状态发生了变化;由此将上述三个条件写成数学表达式的形式：

$\left\{\begin{array}{c}{\stackrel{\&OverBar;}{X}}_1=\frac{1}{\mathrm{winSize}}\underset{j=1}{\overset{\mathrm{winSize}}{\mathrm{\&Sigma;}}}{X}_1\left(j\right)\\ |X_1\left(i\right)-{\stackrel{\&OverBar;}{X}}_1|\&le;2.5\mathrm{Max}\_X_1/100\end{array}\right.---\left(1\right)$

$\left\{\begin{array}{c}{\stackrel{\&OverBar;}{X}}_2=\frac{1}{\mathrm{winSize}}\underset{j=1}{\overset{\mathrm{winSize}}{\mathrm{\&Sigma;}}}{X}_2\left(j\right)\\ |X_2\left(i\right)-{\stackrel{\&OverBar;}{X}}_2|\&le;2.5\mathrm{Max}\_X_2/100\end{array}\right.---\left(2\right)$

state_no_change＝1  (3)

上述式子中i＝1,...,winSize，其中winSize表示时间窗口的大小。

3.如权利要求1所述的基于负荷重采样的电厂燃烧过程机器学习建模方法，其特征在于所述的步骤(2)所述的基于负荷将样本划分成训练子集和测试子集具体如下：

2-1.通过步骤（1）获得稳态样本数据，将样本数据与变量的实际运行范围进行比较，删除样本数据中超出变量实际范围的异常值；

2-2.将机组负荷按照低到高的分成10个等距离的半闭负荷子区间；由于每一个样本都对应一个负荷值，则可根据稳态样本所对应的负荷，将所得稳态样本依次划入各个负荷子区间；

2-3.通过如下方式保证各个负荷子区间中样本数目大小保持一致：设样本总数为D，负荷子区间数为N，则每个负荷子区间的平均样本数为A=D/N，对于每个子区间中的样本数B，若A>B,则随机删除其中的B-A个样本；若B≤A则样本全部保留；

2-4.对每一个负荷子区间，随机的把其中15～25%（具体的比例依照实际的样本数而定）的稳态样本作为测试子集，余下的75～85%则作为训练子集。

4.如权利要求1所述的基于负荷重采样的电厂燃烧过程机器学习建模方法，其特征在于步骤（3）中所述的训练样本为步骤（2）中所有各个负荷子区间训练子集的集合；测试样本为步骤（2）中所有各个负荷子区间测试子集的集合。

Images