CN113742989A - 燃烧优化控制方法、装置、存储介质及电子设备 - Google Patents
燃烧优化控制方法、装置、存储介质及电子设备 Download PDFInfo
- Publication number
- CN113742989A CN113742989A CN202010463920.2A CN202010463920A CN113742989A CN 113742989 A CN113742989 A CN 113742989A CN 202010463920 A CN202010463920 A CN 202010463920A CN 113742989 A CN113742989 A CN 113742989A
- Authority
- CN
- China
- Prior art keywords
- data set
- hyper
- machine learning
- learning algorithm
- parameters
- 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 84
- 238000000034 method Methods 0.000 title claims abstract description 66
- 238000005457 optimization Methods 0.000 title claims abstract description 61
- 238000003860 storage Methods 0.000 title claims abstract description 11
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 117
- 238000010801 machine learning Methods 0.000 claims abstract description 74
- 238000012545 processing Methods 0.000 claims abstract description 32
- 238000004458 analytical method Methods 0.000 claims description 27
- 238000001914 filtration Methods 0.000 claims description 19
- 238000000605 extraction Methods 0.000 claims description 16
- 239000011159 matrix material Substances 0.000 claims description 16
- 239000013598 vector Substances 0.000 claims description 12
- 238000004590 computer program Methods 0.000 claims description 10
- 239000002245 particle Substances 0.000 claims description 10
- 238000000513 principal component analysis Methods 0.000 claims description 10
- 230000008569 process Effects 0.000 claims description 10
- 239000003245 coal Substances 0.000 claims description 9
- UGFAIRIUMAVXCW-UHFFFAOYSA-N Carbon monoxide Chemical compound [O+]#[C-] UGFAIRIUMAVXCW-UHFFFAOYSA-N 0.000 claims description 3
- 239000003546 flue gas Substances 0.000 claims description 3
- 230000009466 transformation Effects 0.000 claims description 3
- 238000007418 data mining Methods 0.000 description 11
- 238000004364 calculation method Methods 0.000 description 8
- 238000010586 diagram Methods 0.000 description 7
- 238000005516 engineering process Methods 0.000 description 7
- MWUXSHHQAYIFBG-UHFFFAOYSA-N nitrogen oxide Inorganic materials O=[N] MWUXSHHQAYIFBG-UHFFFAOYSA-N 0.000 description 6
- 238000010248 power generation Methods 0.000 description 6
- 230000000694 effects Effects 0.000 description 4
- 238000011156 evaluation Methods 0.000 description 4
- 238000012360 testing method Methods 0.000 description 3
- QVGXLLKOCUKJST-UHFFFAOYSA-N atomic oxygen Chemical compound [O] QVGXLLKOCUKJST-UHFFFAOYSA-N 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000010276 construction Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 239000003344 environmental pollutant Substances 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 239000001301 oxygen Substances 0.000 description 2
- 229910052760 oxygen Inorganic materials 0.000 description 2
- 231100000719 pollutant Toxicity 0.000 description 2
- 238000007781 pre-processing Methods 0.000 description 2
- 230000009467 reduction Effects 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 239000006185 dispersion Substances 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 238000009499 grossing Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 230000035772 mutation Effects 0.000 description 1
- 238000012549 training Methods 0.000 description 1
- 230000007704 transition Effects 0.000 description 1
- 238000013519 translation Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
- G06F18/2135—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods based on approximation criteria, e.g. principal component analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2413—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on distances to training or reference patterns
- G06F18/24147—Distances to closest patterns, e.g. nearest neighbour classification
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/243—Classification techniques relating to the number of classes
- G06F18/24323—Tree-organised classifiers
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/06—Energy or water supply
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Business, Economics & Management (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Economics (AREA)
- Health & Medical Sciences (AREA)
- Software Systems (AREA)
- Geometry (AREA)
- Computer Hardware Design (AREA)
- Medical Informatics (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- General Health & Medical Sciences (AREA)
- Human Resources & Organizations (AREA)
- Marketing (AREA)
- Primary Health Care (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Feedback Control In General (AREA)
Abstract
本申请涉及信息与控制技术领域,具体涉及一种燃烧优化控制方法、装置、存储介质及电子设备,解决了相关技术中无法对燃烧数据进行有效优化的技术问题。该方法包括:步骤S110:获取燃烧原始数据集;步骤S120:通过机器学习算法对原始数据集进行处理,得到目标数据集;步骤S130:获取机器学习算法的最优超参数,将机器学习算法的原始超参数替换为最优超参数,完成对超参数的更新;步骤S140:判断超参数的更新次数是否达到预设次数,当超参数的更新次数未达到预设次数时,基于更新的超参数返回执行步骤S120,S130和S140;当超参数的更新次数达到预设次数时,执行步骤S150;步骤S150:基于更新后的超参数和机器学习算法对目标数据集进行处理,从而对燃烧进行优化。
Description
技术领域
本申请涉及信息与控制技术领域,特别地涉及一种燃烧优化控制方法、装置、存储介质及电子设备。
背景技术
由于我国新能源发电技术的迅猛发展,以及煤电产能的过剩,燃煤机组在电网中的使用越来越广泛,而目前燃煤机组在电网中主要起到调峰作用。因为燃煤机组运行工况多变,使得燃煤机组运行数据在采集和传输过程中存在数据失真、缺失、受噪声干扰等问题,此外,燃煤机组DCS***(Distributed Control System,分散控制***)采集燃烧数据量较大,且燃烧数据是以模拟量为主的连续数据。
而传统预处理主要采用(高频、卡尔曼等)滤波和平滑等方法去除燃烧数据中缺失、超限和突变数据,存在维度灾难和过拟合的问题。而随着机器学习技术的发展,机器学习算法在解决传统方法无法解决的工业问题中发挥越来越重要的作用,如通过建立机器学习模型表征难以用机理模型解释的燃烧过程,而工业数据库中的数据不能直接应用于建立燃烧模型,缺少燃烧优化建模数据获取方法,无法对燃烧数据进行有效优化。
发明内容
针对上述问题,本申请提供一种燃烧优化控制方法、装置、存储介质及电子设备,解决了相关技术中无法对燃烧数据进行有效优化的技术问题。
第一方面,本申请提供了一种燃烧优化控制方法,所述方法包括:
步骤S110:获取燃烧原始数据集;
步骤S120:通过机器学习算法对所述原始数据集进行处理,得到目标数据集;
步骤S130:获取所述机器学习算法的最优超参数,将所述机器学习算法的原始超参数替换为所述最优超参数,完成对超参数的更新;
步骤S140:判断所述超参数的更新次数是否达到预设次数,当所述超参数的更新次数未达到预设次数时,基于更新的所述超参数返回执行步骤S120,S130和S140;
当所述超参数的更新次数达到预设次数时,执行步骤S150;
步骤S150:基于更新后的超参数和所述机器学习算法对所述目标数据集进行处理,从而对燃烧进行优化。
根据本申请的实施例,可选的,所述原始数据集包括:燃煤机组的负荷、烟气量、煤量、一次风量、二次风量。
根据本申请的实施例,可选的,上述燃烧优化控制方法中,所述步骤S120:通过机器学习算法对所述原始数据集进行处理,得到目标数据集,包括:
通过机器学习算法对所述原始数据集进行缺失数据填补、稳态分析、特征提取以及噪声过滤,得到目标数据集。
根据本申请的实施例,可选的,上述燃烧优化控制方法中,所述通过机器学习算法对所述原始数据集进行缺失数据填补,包括:
通过KNNI算法确定所述原始数据集中的缺失和失真数据,并利用相似工况数据填充所述缺失数据和失真数据。
根据本申请的实施例,可选的,上述燃烧优化控制方法中,所述通过机器学习算法对所述原始数据集进行稳态分析,包括:
计算在预设长度的滑动窗口内所述原始数据集的时域信号的均值和方差,判断所述均值是否小于预设均值以及所述方差是否小于预设方差;
当所述均值小于预设均值且所述方差小于预设方差时,通过小波变换对所述窗口内的所述原始数据集进行频域分析,去除突变的非稳态数据。
根据本申请的实施例,可选的,上述燃烧优化控制方法中,所述通过机器学习算法对所述原始数据集进行特征提取,包括:
基于主成分分析算法和协方差矩阵对所述原始数据集进行处理,获取所述原始数据集的特征向量。
根据本申请的实施例,可选的,上述燃烧优化控制方法中,所述通过机器学习算法对所述原始数据集进行特征提取,包括:
基于线性判别分析算法和散度矩阵对所述原始数据集进行处理,获取所述原始数据集的特征向量。
根据本申请的实施例,可选的,上述燃烧优化控制方法中,所述通过机器学习算法对所述原始数据集进行噪声过滤,包括:
通过噪声过滤算法和回归树的模型对所述原始数据集进行噪声过滤。
根据本申请的实施例,可选的,上述燃烧优化控制方法中,所述获取所述机器学习算法的最优超参数,包括:
生成机器学习算法的超参数的粒子群;
通过适应度方程对粒子群进行处理,得到最优超参数。
第二方面,本申请提供了一种燃烧优化控制装置,该装置包括:
数据获取模块,用于获取燃烧原始数据集;
处理模块,用于通过机器学习算法对所述原始数据集进行处理,得到目标数据集;
更新模块,用于获取所述机器学习算法的最优超参数,将所述机器学习算法的原始超参数替换为所述最优超参数,完成对超参数的更新;
判断模块,用于判断所述超参数的更新次数是否达到预设次数,当所述超参数的更新次数未达到预设次数时,发送更新指令给所述更新模块;
当所述超参数的更新次数达到预设次数时,发送优化指令给所述优化模块;
优化模块,用于基于更新后的超参数和所述机器学习算法对所述目标数据集进行处理,从而对燃烧进行优化。
第三方面,本申请提供了一种存储介质,该存储介质存储的计算机程序,可被一个或多个处理器执行,可用来实现如上述的燃烧优化控制方法。
第四方面,本申请提供了一种电子设备,包括存储器和处理器,所述存储器上存储有计算机程序,所述存储器和所述处理器之间互相通信连接,该计算机程序被所述处理器执行时,执行上述的燃烧优化控制方法。
本申请提供的一种燃烧优化控制方法、装置、存储介质及电子设备,相交于现有技术存在有益效果包括:
本申请采用机器学习算法,针对燃煤机组的运行数据特点,对数据进行缺失数据填补,准确填补缺失数据;针对燃煤机组调峰问题,通过稳态分析得到稳定工况数据;对数据进行特征提取和噪声过滤,将原始数据转换为稳定、低维度、低噪音的数据。本申请公开的燃烧优化控制方法优化速度快,优化效率高,解决了机器学习算法在应用中可能存在的维度灾难和过拟合的问题。避免了燃煤机组运行参数在采集和传输过程中存在数据失真、缺失、受噪声干扰等问题,提高了数据质量,提高了燃烧机组的燃烧效率,为燃煤机组的节能优化运行提供了依据,提供满足数据挖掘需求的可靠数据,从而能够提高发电***燃烧优化控制。
附图说明
在下文中将基于实施例并参考附图来对本申请进行更详细的描述:
图1为本申请实施例提供的一种燃烧优化控制方法的流程示意图;
图2为本申请实施例提供的SOFA第一层风门#4位置反馈值的示意图;
图3为本申请实施例提供的燃烧优化模型和MLP算法部分输出结果的对比示意图;
图4为本申请实施例提供的MLP算法部分输出结果的示意图;
图5为本申请实施例提供的根据目标数据通过不同算法计算结果的折线图;
图6为本申请实施例提供的一种燃烧优化控制装置的连接框图。
在附图中,相同的部件使用相同的附图标记,附图并未按照实际的比例绘制。
具体实施方式
以下将结合附图及实施例来详细说明本申请的实施方式,借此对本申请如何应用技术手段来解决技术问题,并达到相应技术效果的实现过程能充分理解并据以实施。本申请实施例以及实施例中的各个特征,在不相冲突前提下可以相互结合,所形成的技术方案均在本申请的保护范围之内。
本公开提供一种燃烧优化控制方法、装置、存储介质及电子设备,可解决相关技术中燃煤机组运行参数在采集和传输过程中存在数据失真、缺失、受噪声干扰等问题。
实施例一
图1为本申请实施例提供的一种燃烧优化控制方法的流程示意图,如图1所示,本方法包括:
步骤S110:获取燃烧原始数据集;
步骤S120:通过机器学习算法对所述原始数据集进行处理,得到目标数据集;
步骤S130:获取所述机器学习算法的最优超参数,将所述机器学习算法的原始超参数替换为所述最优超参数,完成对超参数的更新;
步骤S140:判断所述超参数的更新次数是否达到预设次数,当所述超参数的更新次数未达到预设次数时,基于更新的所述超参数返回执行步骤S120,S130和S140;
当所述超参数的更新次数达到预设次数时,执行步骤S150;
步骤S150:基于更新后的超参数和所述机器学习算法对所述目标数据集进行处理,从而对燃烧进行优化。
具体的,步骤S110:获取燃烧原始数据集,包括:可通过燃煤机组的数据DCS(Distributed Control System,分散控制***)、SIS(Strategic Information System,战略信息***)或其它数采***采集燃煤机组的历史数据,得到燃烧原始数据集
进一步的,所述原始数据集包括:燃煤机组的负荷、烟气量、煤量、一次风量、二次风量。
进一步的,步骤S120:通过机器学习算法对所述原始数据集进行处理,得到目标数据集,包括:通过机器学习算法对所述原始数据集进行缺失数据填补、稳态分析、特征提取以及噪声过滤,得到目标数据集。
进一步的,所述通过机器学习算法对所述原始数据集进行缺失数据填补,包括:通过KNNI(K-Nearest Neighbor Imputation,K近邻插补)算法确定所述原始数据集中的缺失和失真数据,并利用相似工况数据填充所述缺失数据和失真数据。
由于燃煤机组在电网中主要起到调峰作用,运行工况多变,而过度工况的数据可靠性较低,且部分测点受测量方法限制,测量数据有时滞,如氮氧化物浓度测量等,非稳态数据失真严重,可采用稳态分析方法保留稳态工况数据。
进一步的,所述通过机器学习算法对所述原始数据集进行稳态分析,包括:计算在预设长度的滑动窗口内所述原始数据集的时域信号的均值和方差,判断所述均值是否小于预设均值以及所述方差是否小于预设方差;当所述均值小于预设均值且所述方差小于预设方差时,通过小波变换对所述滑动窗口内的所述原始数据集进行频域分析,去除突变的非稳态数据。
具体的,通过计算式计算原始数据集在长度为M的滑动窗口内的时域信号的均值和方差,判断得到的均值是否小于预设均值以及得到的方差是否小于预设方差,当所述均值小于预设均值且所述方差小于预设方差时,通过小波变换(wavelet transform,WT)对原始数据集在所述窗口内的数据进行频域分析,去除突变的非稳态数据,从而实现通过判断原始数据集在滑动窗口内数据的波动范围,去除原始数据集中突变的非稳态数据。
其中,通过下述计算式计算时域信号的均值,计算式包括:
mean(xi=m,m+1,......,m+M) (2)
其中,通过下述计算式计算时域信号的方差,计算式包括:
var(xi=m,m+1,......,m+M) (3)
其中,小波变换对所述窗口内的数据进行分析涉及到的计算式包括:
其中,α为尺度,τ为平移量,t表示时域分量。
其中,预设方差和预设均值可以根据燃煤机组的运行状况确定。
而由于燃烧模型输入包括负荷、一次、二次风量、煤量、一次、二次风门运行参数等,属于高维度模型,应用特征提取方法可有效降低模型复杂度。
进一步的,所述通过机器学习算法对所述原始数据集进行特征提取,包括:基于PCA算法(Principal Component Analysis,主成分分析)和协方差矩阵对所述原始数据集进行处理,获取所述原始数据集的特征向量。
具体的,当原始数据集中数据间相关性属于回归问题时,通过PCA算法计算所述目标数据集的去中心化后样本的协方差矩阵S,得到,d×d维矩阵,保留所需的d′的特征向量,将原有数据维度m×d降为m×d′实现对所述协方差矩阵S降维处理,从而保留了原始数据集中信息含量较高的特征向量,实现了原始数据集的特征提取。
具体的,协方差矩阵S可以是cov(Xi,Xj)。
进一步的,通过机器学习算法对所述原始数据集进行特征提取,包括:基于LDA算法(Linear Discriminate Analysis,线性判别分析)和散度矩阵对所述原始数据集进行处理,获取所述原始数据集的特征向量。
具体的,当原始数据集中数据间相关性属于分类问题时,通过LDA算法计算每一类被d维的均值向量,构造类间散度矩阵SB以及类内散度矩阵SW,然后计算矩阵的特征值以及对应该特征值的特征向量,选取前d′个特征值所对应的特征向量,将原有数据维度m×d降为m×d′实现对所述散度矩阵降维处理,从而保留了原始数据集中信息含量较高的特征向量,实现了原始数据集的特征提取。
其中,类间散度矩阵SB的构造涉及下述计算式:
其中,Ni表示原始数据在第i类中的数量,mi为第i类数据的均值,c表示原始数据集中的数据类别,i的取值范围1~c。
类内散度矩阵SW的构造涉及下述计算式:
其中,Ni表示原始数据在第i类中的数量,mi为第i类数据的均值,c表示原始数据集中的数据类别,Di表示第i类数据的集合,i的取值范围1~c。
燃煤机组的测量数据与真实数据的偏差会带来的过拟合问题,需应用噪声过滤算法,去除测量数据与真实数据的偏差带来的过拟合问题,其中原始数据集由多组测量数据得到。
进一步的,所述通过机器学习算法对所述原始数据集进行噪声过滤,包括:通过IPF(iterative partitioning filter,噪声过滤)算法和回归树的模型对所述原始数据集进行噪声过滤。
具体的,回归树的模型包括GBRT(Gradient Boost Regression Tree,梯度提升回归树)模型,CART(Classification And Regression Trees,分类回归树)模型等等,在本实施例中以GBRT模型为例进行说明。
具体的,IPF将原始数据集划分为L等分的子数据集Di,i=1,2,......,L;应用数据集Dj,j=1,2,......,L,(j≠i)训练GBRT模型,得到L-1个模型,通过绝对值求取函数去除L-1个模型中预测Di偏差大于阈值或错误分类的数据,解决了由于测量数据和真实数据的偏差带来的过度拟合问题。
其中,绝对值求取函数包括:
或,
进一步的,所述获取机器学习算法的最优超参数,包括:生成机器学习算法的超参数的粒子群;通过适应度方程对粒子群进行处理,得到最优超参数。
其中,其中ω1,ω2分别为r2_score和MSE的权重。
其中,评价***标准还包括分类准确率和本领域技术人员熟知的相关发电专业知识制定的规则。该专业知识规则包括:负荷与一次风量、二次风量、煤量等之间的正相关关系,负荷、一次风量、二次风量与NOx浓度之间的负相关关系以及负荷与省煤器氧含量的负相关关系。通过下述关系式表示:
具体的,缺失和失真数据填补涉及到的K值、稳态分析涉及到的阈值、特征提取涉及到的d′和噪声过滤涉及到的L和th为超参数。
采用某300MW燃煤机组3个月的运行数据,建立基于机器学习算法的燃烧模型,对本方法进行说明。
通过电厂SIS***采用300MW燃煤机组3个月的运行数据为燃烧原始数据,该数据包括负荷、总风量、总二次风量、磨煤机以及风门等,模型输出变量为脱硝***B侧入口NOx浓度。
图2为本申请实施例提供的SOFA(Separated Over Fire Air,隔火空气)第一层风门#4位置反馈值的示意图,如图2所示,当前SOFA第一层风与输出变量的关系受传感器的精度和量程计算的影响,风门开度反馈值超过100%,需要剔除该部分数据,并采用KNNI实现该部分数据的剔除。
在未通过机器学习算法对所述原始数据集进行缺失数据填补、稳态分析、特征提取以及噪声过滤时,当前燃煤机组处于非稳定工况状态,即负荷剧烈变动时,NOx浓度变化较大,由于该部分数据存在明显噪声,影响最终模型精度,需要通过稳态分析去除该部分数据。
通过机器学习算法对所述原始数据集进行缺失数据填补、稳态分析、特征提取以及噪声过滤,得到目标数据集。基于应用评价***和粒子群算法获取机器学习算法的最优超参数,将机器学习算法的原始超参数替换为所述最优超参数,完成对超参数的更新。
判断所述超参数的更新次数是否达到预设次数,其中预设次数可以是根据燃烧机组的运行状况预设,在本实施例中设置为20次,即判断超参数的更新次数是否达到20次。
当所述超参数的更新次数未达到20次时,基于更新的所述超参数再次通过机器学习算法对原始数据集进行处理,得到目标数据集,再次获取机器学习算法的最优超参数,实现对超参数的更新。
当所述超参数的更新次数达到20次时,基于更新后的超参数和所述机器学习算法对所述目标数据集进行处理,从而对燃烧进行优化。
图3为本申请实施例提供的燃烧优化模型和MLP(Multilayer Perceptron,多层感知机)算法部分输出结果的对比示意图,如图3所示,从左至右第一列数据,8.1/88.1是数据data经KNNI算法、稳态分析和IPF算法得到的均方误差和r2_score。
从左至右第二列数据,7.76/88.3是数据data经KNNI算法、稳态分析、IPF算法和PCA算法得到的均方误差和r2_score。
从左至右第三列数据,7.7/92是数据data经KNNI算法、稳态分析、PCA算法和IPF算法得到的均方误差和r2_score。
从左至右第四列数据,12.70/88.25是数据data未处理时的均方误差和r2_score;12.15/83.4是数据data经KNNI算法得到的均方误差和r2_score;9.5/83.6是数据data经KNNI算法和稳态分析后得到的均方误差和r2_score;9.05/87是数据data经KNNI算法、稳态分析和PCA算法得到的均方误差和r2_score;;7.7/92是数据data经KNNI算法、稳态分析、PCA算法和IPF算法得到的均方误差和r2_score;
图4为本申请实施例提供MLP算法部分输出结果的示意图,图4(1)中10.53/83是数据date经稳态分析得到的均方误差和r2_score;图4(2)中11.66/88.5是数据date经PCA算法得到的均方误差和r2_score;图4(3)中8.07/90.2是数据date经IPF算法得到的均方误差和r2_score。
图5为本申请实施例提供的根据目标数据通过不同算法计算结果的折线图,如图5所示,MLP算法得到的NOx的折线图、GBRT模型得到的NOx的折线图与测试结果生成的折线图相比较,GBRT模型得到的NOx的折线图与test(测试结果)生成的折线图的重合度更高。MLP算法得到的均方误差(mean-square error,MSE)折线图与GBRT模型得到的均方误差折线图相比较,MLP算法得到的均方误差大于GBRT模型得到的均方误差。
结合图3图4和图5可以得到,燃烧优化模型可将原始数据集中的数据转换为稳定、低维度、低噪音的数据,通过本申请公开的燃烧优化控制方法优化后的数据集建立的燃烧优化模型具有良好的预测能力,并能够找到客观条件下的燃煤机组的最优运行状况,实现高效率低NOx排放,燃烧优化模型可以用来指导燃煤机组的实际操作运行。
本申请提供的燃烧优化控制方法对原始数据集进行缺失数据填补、稳态分析、特征提取以及噪声过滤,得到了适用于数据挖掘的数据集,提高了燃煤机组燃烧数据的质量,解决了数据挖掘算法在应用中可能存在维度灾难和过拟合的问题,有效提高了数据挖掘技术在燃煤机组的应用的效果,可直接根据机器学习算法处理后的数据进行燃烧优化建模。通过燃烧优化实现了燃烧机组提高效率和降低污染物排放的总和优化目标,为燃煤机组的节能优化运行提供了依据,提供满足数据挖掘需求的可靠数据,可保证燃煤机组能尽量运行在最佳状态,从而能够提高发电***燃烧优化控制。
实施例二
图6为本申请实施例提供的一种燃烧优化控制装置200的连接框图,如图6所示,该装置200包括:
数据获取模块201,用于获取燃烧原始数据集;
处理模块202,用于通过机器学习算法对所述原始数据集进行处理,得到目标数据集;
更新模块203,用于获取所述机器学习算法的最优超参数,将所述机器学习算法的原始超参数替换为所述最优超参数,完成对超参数的更新;
判断模块204,用于判断所述超参数的更新次数是否达到预设次数,当所述超参数的更新次数未达到预设次数时,发送更新指令给所述更新模块;
当所述超参数的更新次数达到预设次数时,发送优化指令给所述优化模块;
优化模块205,用于基于更新后的超参数和所述机器学习算法对所述目标数据集进行处理,从而对燃烧进行优化。
上述方法步骤的具体实施例过程可参见实施例一,本实施例在此不再重复赘述。
实施例三
本实施例还提供一种计算机可读存储介质,如闪存、硬盘、多媒体卡、卡型存储器(例如,SD或DX存储器等)、随机访问存储器(RAM)、静态随机访问存储器(SRAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、可编程只读存储器(PROM)、磁性存储器、磁盘、光盘、服务器、App应用商城等等,其上存储有计算机程序,该计算机程序被处理器执行时可以实现如实施例一的方法步骤,本实施例在此不再重复赘述。
实施例四
本实施例提供一种电子设备,包括:处理器,存储器,所述存储器和所述处理器之间互相通信连接,所述存储器上存储有计算机程序,该计算机程序被所述处理器执行是,执行如实施例一中的燃烧优化控制方法中的全部或部分步骤。
处理器可以是专用集成电路(Application Specific Integrated Circuit,简称ASIC)、中央处理器(central processing unit,简称CPU)、数字信号处理器(DigitalSignal Processor,简称DSP)、数字信号处理设备(Digital Signal Processing Device,简称DSPD)或其他电子元件实现,用于执行上述实施例一中的燃烧优化控制方法。
存储器可以由任何类型的易失性或非易失性存储设备或者它们的组合实现,例如静态随机存取存储器(Static Random Access Memory,简称SRAM),电可擦除可编程只读存储器(Electrically Erasable Programmable Read-Only Memory,简称EEPROM),可擦除可编程只读存储器(Erasable Programmable Read-Only Memory,简称EPROM),可编程只读存储器(Programmable Read-Only Memory,简称PROM),只读存储器(Read-Only Memory,简称ROM),磁存储器,快闪存储器,磁盘或光盘。
综上,本申请提供的一种燃烧优化控制方法、装置、存储介质及电子设备,该方法包括:步骤S110:获取燃烧原始数据集;步骤S120:通过机器学习算法对所述原始数据集进行处理,得到目标数据集;步骤S130:获取机器学习算法的最优超参数,将所述机器学习算法的原始超参数替换为所述最优超参数,完成对超参数的更新;步骤S140:判断所述超参数的更新次数是否达到预设次数;步骤S150:当所述超参数的更新次数未达到预设次数时,返回执行步骤S120;步骤S160:当所述超参数的更新次数达到预设次数时,通过所述目标数据集进行燃烧优化建模。本申请是针对燃煤机组的运行数据特点,提出的适用于燃煤机组燃烧部分数据的预处理方法,采用机器学习算法,准确填补缺失数据,并针对燃煤机组调峰问题,通过稳态判断得到稳定工况数据。最后,应用特征提取和噪声过滤算法,解决数据挖掘算法在应用中可能存在维度灾难和过拟合的问题。有效提高数据挖掘技术在燃煤机组的应用效果。
本申请解决相关技术中燃煤机组运行参数在采集和传输过程中存在数据失真、缺失、受噪声干扰,受燃煤机组调峰影响以及数据挖掘算法在应用中可能存在维度灾难和过拟合等问题,得到了适用于数据挖掘的数据集,有效提高了数据挖掘技术在燃煤机组的应用的效果,可直接根据机器学习算法处理后的数据集建立的燃烧优化模型具有良好的预测能力,并能够找到客观条件下的燃煤机组的最优运行状况,实现高效率低NOx排放,燃烧优化模型可以用来指导燃煤机组的实际操作运行。通过燃烧优化实现了燃烧机组提高效率和降低污染物排放的总和优化目标,为燃煤机组的节能优化运行提供了依据,提供满足数据挖掘需求的可靠数据,可保证燃煤机组能尽量运行在最佳状态,从而能够提高发电***燃烧优化控制。
在本申请实施例所提供的几个实施例中,应该理解到,所揭露的方法,也可以通过其它的方式实现。以上所描述的方法实施例仅仅是示意性的。
需要说明的是,在本文中,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。在没有更多限制的情况下,由语句“包括一个......”限定的要素,并不排除在包括要素的过程、方法、物品或者设备中还存在另外的相同要素。
虽然本申请所揭露的实施方式如上,但上述的内容只是为了便于理解本申请而采用的实施方式,并非用以限定本申请。任何本申请所属技术领域内的技术人员,在不脱离本申请所揭露的精神和范围的前提下,可以在实施的形式上及细节上作任何的修改与变化,但本申请的专利保护范围,仍须以所附的权利要求书所界定的范围为准。
Claims (12)
1.一种燃烧优化控制方法,其特征在于,所述方法包括:
步骤S110:获取燃烧原始数据集;
步骤S120:通过机器学习算法对所述原始数据集进行处理,得到目标数据集;
步骤S130:获取所述机器学习算法的最优超参数,将所述机器学习算法的原始超参数替换为所述最优超参数,完成对超参数的更新;
步骤S140:判断所述超参数的更新次数是否达到预设次数,当所述超参数的更新次数未达到预设次数时,基于更新的所述超参数返回执行步骤S120,S130和S140;
当所述超参数的更新次数达到预设次数时,执行步骤S150;
步骤S150:基于更新后的超参数和所述机器学习算法对所述目标数据集进行处理,从而对燃烧进行优化。
2.根据权利要求1所述的方法,其特征在于,所述原始数据集包括:燃煤机组的负荷、烟气量、煤量、一次风量、二次风量。
3.根据权利要求1所述的方法,其特征在于,所述步骤S120:通过机器学习算法对所述原始数据集进行处理,得到目标数据集,包括:
通过机器学习算法对所述原始数据集进行缺失数据填补、稳态分析、特征提取以及噪声过滤,得到目标数据集。
4.根据权利要求3所述的方法,其特征在于,所述通过机器学习算法对所述原始数据集进行缺失数据填补,包括:
通过KNNI算法确定所述原始数据集中的缺失和失真数据,并利用相似工况数据填充所述缺失和失真数据。
5.根据权利要求3所述的方法,其特征在于,所述通过机器学习算法对所述原始数据集进行稳态分析,包括:
计算在预设长度的滑动窗口内所述原始数据集的时域信号的均值和方差,判断所述均值是否小于预设均值以及所述方差是否小于预设方差;
当所述均值小于预设均值且所述方差小于预设方差时,通过小波变换对所述滑动窗口内的所述原始数据集进行频域分析,去除突变的非稳态数据。
6.根据权利要求3所述的方法,其特征在于,所述通过机器学习算法对所述原始数据集进行特征提取,包括:
基于主成分分析算法和协方差矩阵对所述原始数据集进行处理,获取所述原始数据集的特征向量。
7.根据权利要求3所述的方法,其特征在于,所述通过机器学习算法对所述原始数据集进行特征提取,包括:
基于线性判别分析算法和散度矩阵对所述原始数据集进行处理,获取所述原始数据集的特征向量。
8.根据权利要求3所述的方法,其特征在于,所述通过机器学习算法对所述原始数据集进行噪声过滤,包括:
通过噪声过滤算法和回归树的模型对所述原始数据集进行噪声过滤。
9.根据权利要求1所述的方法,其特征在于,所述获取所述机器学习算法的最优超参数,包括:
生成机器学习算法的超参数的粒子群;
通过适应度方程对粒子群进行处理,得到最优超参数。
10.一种燃烧优化控制装置,其特征在于,包括:
数据获取模块,用于获取燃烧原始数据集;
处理模块,用于通过机器学习算法对所述原始数据集进行处理,得到目标数据集;
更新模块,用于获取所述机器学习算法的最优超参数,将所述机器学习算法的原始超参数替换为所述最优超参数,完成对超参数的更新;
判断模块,用于判断所述超参数的更新次数是否达到预设次数,当所述超参数的更新次数未达到预设次数时,发送更新指令给所述更新模块;
当所述超参数的更新次数达到预设次数时,发送优化指令给所述优化模块;
优化模块,用于基于更新后的超参数和所述机器学习算法对所述目标数据集进行处理,从而对燃烧进行优化。
11.一种存储介质,其特征在于,该存储介质存储的计算机程序,可被一个或多个处理器执行,可用来实现如权利要求1~9任意一项所述的燃烧优化控制方法。
12.一种电子设备,其特征在于,包括存储器和处理器,所述存储器上存储有计算机程序,所述存储器和所述处理器之间互相通信连接,该计算机程序被所述处理器执行时,执行如权利要求1~9任意一项所述的燃烧优化控制方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010463920.2A CN113742989B (zh) | 2020-05-27 | 燃烧优化控制方法、装置、存储介质及电子设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010463920.2A CN113742989B (zh) | 2020-05-27 | 燃烧优化控制方法、装置、存储介质及电子设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113742989A true CN113742989A (zh) | 2021-12-03 |
CN113742989B CN113742989B (zh) | 2024-07-26 |
Family
ID=
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117993667A (zh) * | 2024-02-07 | 2024-05-07 | 中国电力工程顾问集团有限公司 | 基于多元信息融合的发电机组燃烧优化***及方法 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102194057A (zh) * | 2011-05-05 | 2011-09-21 | 浙江宜景环保科技有限公司 | 一种废塑料炼油燃烧优化的模型更新方法 |
CN102842066A (zh) * | 2012-07-16 | 2012-12-26 | 杭州电子科技大学 | 一种生物质炉燃烧优化的建模方法 |
CN103778324A (zh) * | 2014-01-02 | 2014-05-07 | 浙江大学 | 基于负荷重采样的电厂燃烧过程机器学习建模方法 |
CN107016176A (zh) * | 2017-03-24 | 2017-08-04 | 杭州电子科技大学 | 一种混合智能锅炉综合燃烧优化方法 |
US20180284737A1 (en) * | 2016-05-09 | 2018-10-04 | StrongForce IoT Portfolio 2016, LLC | Methods and systems for detection in an industrial internet of things data collection environment with large data sets |
CN109359428A (zh) * | 2018-11-27 | 2019-02-19 | 上海海事大学 | 一种锅炉燃烧效率和氮氧化合物排放量的建模方法 |
CN109657805A (zh) * | 2018-12-07 | 2019-04-19 | 泰康保险集团股份有限公司 | 超参数确定方法、装置、电子设备及计算机可读介质 |
WO2020052413A1 (zh) * | 2018-09-11 | 2020-03-19 | 京东数字科技控股有限公司 | 火力发电机组燃烧控制优化方法、装置及可读存储介质 |
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102194057A (zh) * | 2011-05-05 | 2011-09-21 | 浙江宜景环保科技有限公司 | 一种废塑料炼油燃烧优化的模型更新方法 |
CN102842066A (zh) * | 2012-07-16 | 2012-12-26 | 杭州电子科技大学 | 一种生物质炉燃烧优化的建模方法 |
CN103778324A (zh) * | 2014-01-02 | 2014-05-07 | 浙江大学 | 基于负荷重采样的电厂燃烧过程机器学习建模方法 |
US20180284737A1 (en) * | 2016-05-09 | 2018-10-04 | StrongForce IoT Portfolio 2016, LLC | Methods and systems for detection in an industrial internet of things data collection environment with large data sets |
CN107016176A (zh) * | 2017-03-24 | 2017-08-04 | 杭州电子科技大学 | 一种混合智能锅炉综合燃烧优化方法 |
WO2020052413A1 (zh) * | 2018-09-11 | 2020-03-19 | 京东数字科技控股有限公司 | 火力发电机组燃烧控制优化方法、装置及可读存储介质 |
CN109359428A (zh) * | 2018-11-27 | 2019-02-19 | 上海海事大学 | 一种锅炉燃烧效率和氮氧化合物排放量的建模方法 |
CN109657805A (zh) * | 2018-12-07 | 2019-04-19 | 泰康保险集团股份有限公司 | 超参数确定方法、装置、电子设备及计算机可读介质 |
Non-Patent Citations (3)
Title |
---|
付忠广等: "基于改进模糊聚类与IPSO-SVM的燃煤电站NO_x排放多模型预", 动力工程学报, vol. 39, no. 5, pages 387 - 392 * |
何龙: "深入理解XGBOOST 高效机器学习算法与进阶", 31 January 2020, 机械工程出版社, pages: 149 - 152 * |
孔钦等: "大数据下数据预处理方法研究", 计算机技术与发展, vol. 28, no. 5, pages 1 - 4 * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117993667A (zh) * | 2024-02-07 | 2024-05-07 | 中国电力工程顾问集团有限公司 | 基于多元信息融合的发电机组燃烧优化***及方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111754093B (zh) | 一种基于煤质预测和pso-svm的飞灰含碳量预测方法 | |
CN109670629B (zh) | 基于长短期记忆神经网络的燃煤锅炉热效率预测方法 | |
CN108985381B (zh) | 氮氧化物排放量预测模型的确定方法、装置及设备 | |
CN111006240B (zh) | 一种生物质锅炉炉膛温度和负荷预测方法 | |
CN110598929B (zh) | 一种风电功率非参数概率区间超短期预测方法 | |
Tang et al. | A deep learning model for measuring oxygen content of boiler flue gas | |
CN112270449B (zh) | 基于时间相关性的工业***时延确定及受控量预测方法 | |
CN114528921A (zh) | 一种基于lof算法与混合采样的变压器故障诊断方法 | |
CN113440990A (zh) | 基于emd-lstm的出口so2浓度预测方法 | |
CN114186476A (zh) | 基于历史工况的锅炉燃烧在线优化方法 | |
US11526687B2 (en) | Apparatus for generating learning data for combustion optimization and method therefor | |
CN102680646A (zh) | 一种不饱和聚酯树脂反应釜中反应物浓度软测量方法 | |
CN110084301B (zh) | 一种基于隐马尔可夫模型的多工况过程工况辨识方法 | |
CN114565209A (zh) | 一种基于聚类的流程工业能耗状态评估方法 | |
CN114357870A (zh) | 基于局部加权偏最小二乘的计量设备运行性能预测分析方法 | |
CN113742989A (zh) | 燃烧优化控制方法、装置、存储介质及电子设备 | |
CN117290752A (zh) | 一种磨煤机煤粉细度的预测方法 | |
CN111444963A (zh) | 一种基于ssa-svr模型的高炉铁水硅含量预测方法 | |
CN113742989B (zh) | 燃烧优化控制方法、装置、存储介质及电子设备 | |
CN116522121A (zh) | 一种不平衡小样本条件下的变压器在线故障诊断方法 | |
CN115526433A (zh) | 一种基于集成混合模型的电厂再热烟气挡板操作预测方法 | |
CN114896895A (zh) | 基于门控循环神经网络的脱硝***入口氮氧化物排放预测方法及*** | |
CN114113868A (zh) | 一种变压器故障诊断方法 | |
CN114384870B (zh) | 基于核局部线性嵌入pls的复杂工业过程运行状态评价方法 | |
Zhao et al. | Industrial fault diagnosis based on few shot learning |
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 |