CN115034443A - 一种基于工况划分与神经网络的锅炉性能预测方法 - Google Patents
一种基于工况划分与神经网络的锅炉性能预测方法 Download PDFInfo
- Publication number
- CN115034443A CN115034443A CN202210563794.7A CN202210563794A CN115034443A CN 115034443 A CN115034443 A CN 115034443A CN 202210563794 A CN202210563794 A CN 202210563794A CN 115034443 A CN115034443 A CN 115034443A
- Authority
- CN
- China
- Prior art keywords
- boiler
- data
- working condition
- neural network
- performance
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 37
- 238000013528 artificial neural network Methods 0.000 title claims abstract description 8
- 238000003062 neural network model Methods 0.000 claims abstract description 12
- 230000003068 static effect Effects 0.000 claims abstract description 11
- 230000002159 abnormal effect Effects 0.000 claims abstract description 8
- 238000003064 k means clustering Methods 0.000 claims abstract description 7
- 238000007781 pre-processing Methods 0.000 claims abstract description 6
- 238000012360 testing method Methods 0.000 claims description 8
- 238000012545 processing Methods 0.000 claims description 5
- 230000008030 elimination Effects 0.000 claims description 3
- 238000003379 elimination reaction Methods 0.000 claims description 3
- 238000012850 discrimination method Methods 0.000 claims description 2
- 238000011156 evaluation Methods 0.000 abstract 1
- 239000003245 coal Substances 0.000 description 10
- 238000012549 training Methods 0.000 description 10
- 238000002485 combustion reaction Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 238000000638 solvent extraction Methods 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- QVGXLLKOCUKJST-UHFFFAOYSA-N atomic oxygen Chemical compound [O] QVGXLLKOCUKJST-UHFFFAOYSA-N 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 210000002364 input neuron Anatomy 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 210000002569 neuron Anatomy 0.000 description 1
- 229910052760 oxygen Inorganic materials 0.000 description 1
- 239000001301 oxygen Substances 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 238000010977 unit operation Methods 0.000 description 1
Images
Classifications
-
- 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
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
-
- 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
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
- Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
- Y04S10/00—Systems supporting electrical power generation, transmission or distribution
- Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Physics & Mathematics (AREA)
- Human Resources & Organizations (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Entrepreneurship & Innovation (AREA)
- Data Mining & Analysis (AREA)
- Operations Research (AREA)
- Development Economics (AREA)
- Mathematical Optimization (AREA)
- Mathematical Physics (AREA)
- General Business, Economics & Management (AREA)
- Educational Administration (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- Pure & Applied Mathematics (AREA)
- Game Theory and Decision Science (AREA)
- Computational Mathematics (AREA)
- Marketing (AREA)
- Mathematical Analysis (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Probability & Statistics with Applications (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Algebra (AREA)
- Life Sciences & Earth Sciences (AREA)
- Databases & Information Systems (AREA)
- Software Systems (AREA)
- General Engineering & Computer Science (AREA)
- Feedback Control In General (AREA)
Abstract
本发明公开了一种基于工况划分与神经网络的锅炉性能预测方法,涉及燃煤锅炉性能在线预测方法,解决了非典型工况下对锅炉性能进行预测不够精准容易失真的技术问题,其技术方案要点是采集锅炉运行数据与锅炉性能指标获取原始数据集,锅炉性能指标包括锅炉效率与NOx排放浓度,锅炉效率通过预设的效率计算模块间接获得,NOx排放浓度由连续性排放检测仪获得;通过数据预处理剔除异常数据与非稳态数据获取静态数据集;其次,通过K均值聚类方法获取锅炉工况划分标准,以误差平方和为评价指标,评价聚类方法有效性;最后对锅炉各工况建立数据池,对各工况单独建立BP神经网络模型,实现准确预测锅炉性能的目的。
Description
技术领域
本申请涉及燃煤锅炉性能在线预测方法,尤其涉及一种基于工况划分与神经网络的锅炉性能预测方法。
背景技术
燃烧模型的精确建立是实现燃煤锅炉燃烧优化的重要步骤。因采用机理建模还存在许多困难,目前多采用智能算法如神经网络算法直接建立锅炉输入参数与输出参数之间的映射模型。对于从电厂采集的原始数据中建立模型所需要的数据集的处理一般包括异常值剔除和稳态检测。这样处理的目的是筛除仪器故障导致的异常数据和锅炉变工况时的不稳定数据。但是锅炉燃烧是一个多工况的复杂过程,上述数据处理方法在数据量较少时可以满足模型建立需求,但是当所需要预测的锅炉性能的时间跨度变大时,锅炉的典型工况的数据量会大大超过其他工况,使得模型在训练时为了满足精度要求而偏向典型工况,这样会导致模型在预测其他工况时失真,所以亟需对模型所用的数据集做进一步处理。
发明内容
本申请提供了一种基于工况划分与神经网络的锅炉性能预测方法,其技术目的是对锅炉各工况的数据进行划分,按工况建立神经网络模型,以实现对锅炉性能的精准预测。
本申请的上述技术目的是通过以下技术方案得以实现的:
一种基于工况划分与神经网络的锅炉性能预测方法,包括:
S1:获取锅炉运行数据和锅炉性能指标,对运行数据和性能指标进行预处理,得到用于建模的静态数据集,避免锅炉变工况数据的影响。
其中,锅炉性能指标包括锅炉效率与NOx排放浓度。锅炉效率通过预设的效率计算模块间接获得,NOx排放浓度由连续性排放检测仪获得。
S2:采用K均值聚类方法对所述静态数据集进行划分,得到划分结果,根据划分结果建立不同数据池。
S3:对不同数据池中的各工况分别建立BP神经网络模型,通过各BP神经网络模型对锅炉性能进行预测。
将各数据集分别按照7:3的比例划分训练集与测试集,训练集与测试集的选取采用随机抽取的方法,提高模型的泛化能力。
另外,可以判断各BP神经网络模型的输出是否达到精度要求,若未达到精度要求,则返回所述步骤S3对相应工况的BP神经网络模型进行调整。
进一步地,所述步骤S1中,所述预处理的方法包括剔除异常值法和稳态判别法;
所述剔除异常值法包括根据实践经验划定参数范围或通过3σ原则处理数据;
所述稳态判别法为滑动窗口法,通过判断窗口内数据的波动范围是否符合锅炉试验手册中的稳态工况的要求。
进一步地,所述步骤S2中,采用K均值聚类方法对所述静态数据集进行划分,包括:
根据距离最大化原则选取K个初始聚类中心;
计算t时刻采集到的数据Di与初始聚类中心的误差平方和,根据误差平方和得到划分结果,表示为:
其中,K表示聚类中心,Di=(d(1)t,…,d(m)t,…,d(M)t,P),d(m)t表示在t时刻采集到的第m个锅炉运行数据,P表示锅炉工况划分的指标,M表示运行数据总数;静态数据集S表示为S={D1,…,Di,…Dn}。
公式(1)的本质要求是求解聚类后的各类数据与聚类中心的误差平方和,在电厂的工况划分中是求性能指标与聚类中心的性能指标的误差平方和。为避免随机选取的初始聚类中心对聚类结果的影响,在初始化聚类中心时引入彼此距离最大化原则,通过该原则加上大量的电厂运行数据并经过多次迭代后可以获得稳定的聚类中心。
本申请的有益效果在于:通过采集锅炉运行数据与锅炉性能指标获取原始数据集,通过数据预处理剔除异常数据与非稳态数据获取静态数据集,通过K均值聚类方法获取锅炉工况划分标准,对锅炉各工况建立数据池,按工况建立神经网络模型,实现准确预测锅炉性能的目的。
本申请根据锅炉不同的运行工况进行单独建模,模型误差比整体建模的误差更小,精度更高;且使训练的网络更贴近工况运行实际,有利于后续对锅炉参数的寻优。
附图说明
图1为本申请所述方法的流程图;
图2为误差平方和随聚类数的变化示意图;
图3为BP神经网络模型的结构示意图;
图4为具体实施例的模型训练情况示意图。
具体实施方式
下面将结合附图对本申请技术方案进行详细说明。
图1为本申请所述方法的流程图,具体过程不再赘述。本文采用某电站1000MW机组运行数据,对该技术方案进行阐述。
(1)获取原始锅炉运行数据:提取机组连续运行46天的数据,采样频率为1分钟,共计66240条数据,通过参数范围划定与3σ原则剔除原始数据中的异常值,剔除后剩余 65299条数据;通过滑动窗口法判断稳态工况,共获得30720条数据。
(2)使用K均值聚类方法对静态数据集进行划分,例如选择锅炉负荷与相对煤质系数作为划分指标。由电厂DCS***获取的数据集为S={D1,…,Di,…Dn},其中,Di=(d(1)t,…,d(m)t,…,d(M)t,P),d(k)t表示在t时刻采集到的第m个锅炉运行参数,P 表示锅炉负荷与相对煤质系数。根据距离最大化原则选取K个聚类中心,计算各运行参数与聚类中心的距离,根据公式(1)计算整体数据集与聚类中心的误差平方和,图2为计算的误差平方和随负荷与相对煤质系数聚类数的变化示意图,对于负荷的聚类数的计算一开始将40%左右的负荷排除在外,因为该类负荷与其他负荷距离较远,可以明显归为一类,最终选取图2中椭圆中的点作为最终的聚类数,该点既考虑到了误差平方和较小的原则又会使划分不至于过细。
最终按照负荷将工况划分为4类,按照相对煤质系数将工况分为了3类,聚类过程如图2所示。最终,共将锅炉工况划分为12类,划分结果如表1所示,各工况所占数据样本的数量不一,数据样本集中分布于负荷与煤质相匹配的工况,例如40%负荷与低煤质的样本数在同负荷工况中的样本数是最多的,50%负荷与70%负荷中中高煤质的工况数据样本量较多,高工况低煤质的工况数据量为0。数据样本的分布情况与电厂的实际生产情况是一致的。
表1样本分类情况
数据集 | 负荷 | 煤质 | 样本数 |
1 | [376.77,412.54] | (2.23,2.52) | 745 |
2 | [376.77,412.54] | (2.52,3.07] | 328 |
3 | [376.77,412.54] | [1.88,2.23] | 6878 |
4 | [500.27,588.30] | (2.23,2.52) | 5978 |
5 | [500.27,588.30] | (2,52,3.07] | 1900 |
6 | [500.27,588.30] | [1.88,2.23] | 482 |
7 | [588.32,734.12] | (2.23,2.52) | 5571 |
8 | [588.32,734.12] | (2,52,3.07] | 3166 |
9 | [588.32,734.12] | [1.88,2.23] | 94 |
10 | [734.15,1015.90] | (2.23,2.52) | 1008 |
11 | [734.15,1015.90] | (2,52,3.07] | 4195 |
12 | [734.15,1015.90] | [1.88,2.23] | 0 |
(3)对各工况建立神经网络模型,模型的输入选取负荷、炉膛氧量、煤粉温度、一、二次风门开度共40个物理参数,输出选取NOx排放浓度,因此神经网络模型的输入神经元个数为40,输出为1,隐藏层神经元个数选取12,模型的结构如图3所示,训练结果如图4所示,横坐标1-11数据集为表1中各数据集单独训练后训练集均方误差与测试集均方误差,数据集12的柱状图表示的是分工况建模后数据集全局的训练集均方误差与测试集均方误差。圆点横线表示整体建模时的测试集均方误差,星号横线为整体建模时的训练集均方误差。可以看出,除部分数据集(1,2,9)因为样本数量较少的原因误差会高于整体建模时的误差,数据集9数据量稀少导致训练集误差与测试集误差相距较远,其他数据集(3,4,5,7,8,10,11)的误差都可与整体建模时的误差相近,甚至更低,分工况建模后的整体误差也小于整体建模时的误差。这是因为分工况建模后,数据样本之间联系更为紧密,有利于网络的训练与学习,因此生成的网络更能反映当前的工况。
以上为本申请示范性实施例,本申请的保护范围由权利要求书及其等效物限定。
Claims (3)
1.一种基于工况划分与神经网络的锅炉性能预测方法,其特征在于,包括:
S1:获取锅炉运行数据和锅炉性能指标,对运行数据和性能指标进行预处理,得到用于建模的静态数据集;其中,锅炉性能指标包括锅炉效率与NOx排放浓度;
S2:采用K均值聚类方法对所述静态数据集进行划分,得到划分结果,根据划分结果建立不同数据池;
S3:对不同数据池中的各工况分别建立BP神经网络模型,通过各BP神经网络模型对锅炉性能进行预测。
2.如权利要求1所述的预测方法,其特征在于,所述步骤S1中,所述预处理的方法包括剔除异常值法和稳态判别法;
所述剔除异常值法包括根据实践经验划定参数范围或通过3σ原则处理数据;
所述稳态判别法为滑动窗口法,通过判断窗口内数据的波动范围是否符合锅炉试验手册中的稳态工况的要求。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210563794.7A CN115034443A (zh) | 2022-05-23 | 2022-05-23 | 一种基于工况划分与神经网络的锅炉性能预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210563794.7A CN115034443A (zh) | 2022-05-23 | 2022-05-23 | 一种基于工况划分与神经网络的锅炉性能预测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115034443A true CN115034443A (zh) | 2022-09-09 |
Family
ID=83120795
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210563794.7A Pending CN115034443A (zh) | 2022-05-23 | 2022-05-23 | 一种基于工况划分与神经网络的锅炉性能预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115034443A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117809763A (zh) * | 2024-01-03 | 2024-04-02 | 南方电网电力科技股份有限公司 | 一种基于自适应更新策略的在线NOx预测方法和*** |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2018126984A2 (zh) * | 2017-01-06 | 2018-07-12 | 江南大学 | 一种基于mea-bp神经网络wsn异常检测方法 |
CN113504765A (zh) * | 2021-06-18 | 2021-10-15 | 汉谷云智(武汉)科技有限公司 | 一种电厂循环流化床锅炉操作优化方法 |
CN114186476A (zh) * | 2021-10-29 | 2022-03-15 | 江苏方天电力技术有限公司 | 基于历史工况的锅炉燃烧在线优化方法 |
WO2022083009A1 (zh) * | 2020-10-20 | 2022-04-28 | 浙江大学 | 一种基于异源数据差补融合的定制产品性能预测方法 |
-
2022
- 2022-05-23 CN CN202210563794.7A patent/CN115034443A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2018126984A2 (zh) * | 2017-01-06 | 2018-07-12 | 江南大学 | 一种基于mea-bp神经网络wsn异常检测方法 |
WO2022083009A1 (zh) * | 2020-10-20 | 2022-04-28 | 浙江大学 | 一种基于异源数据差补融合的定制产品性能预测方法 |
CN113504765A (zh) * | 2021-06-18 | 2021-10-15 | 汉谷云智(武汉)科技有限公司 | 一种电厂循环流化床锅炉操作优化方法 |
CN114186476A (zh) * | 2021-10-29 | 2022-03-15 | 江苏方天电力技术有限公司 | 基于历史工况的锅炉燃烧在线优化方法 |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117809763A (zh) * | 2024-01-03 | 2024-04-02 | 南方电网电力科技股份有限公司 | 一种基于自适应更新策略的在线NOx预测方法和*** |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110263846B (zh) | 基于故障数据深度挖掘及学习的故障诊断方法 | |
CN109597968B (zh) | 基于smt大数据的锡膏印刷性能影响因素分析方法 | |
CN112101480A (zh) | 一种多变量聚类与融合的时间序列组合预测方法 | |
CN111369070A (zh) | 一种基于包络线聚类的多模融合光伏功率预测方法 | |
CN109240276B (zh) | 基于故障敏感主元选择的多块pca故障监测方法 | |
CN112819107A (zh) | 基于人工智能的燃气调压设备故障预测方法 | |
CN112381965A (zh) | 一种基于数据挖掘的航空发动机健康状态识别***及方法 | |
CN110544047A (zh) | 一种不良数据辨识方法 | |
CN115034443A (zh) | 一种基于工况划分与神经网络的锅炉性能预测方法 | |
CN114764682B (zh) | 一种基于多机器学习算法融合的大米安全风险评估方法 | |
CN116739619A (zh) | 一种能源电力碳排放监测分析建模方法及装置 | |
CN106845825B (zh) | 一种基于改进pca的带钢冷轧质量问题溯源及控制方法 | |
CN110991689A (zh) | 基于LSTM-Morlet模型的分布式光伏发电***短期预测方法 | |
CN108537249B (zh) | 一种密度峰值聚类的工业过程数据聚类方法 | |
CN114200245A (zh) | 一种配电网的线损异常识别模型的构建方法 | |
CN113392877A (zh) | 一种基于蚁群算法与c-k算法的日负荷曲线聚类方法 | |
CN116976665A (zh) | 一种基于改进topsis模型的风险评估方法 | |
CN110648023A (zh) | 基于二次指数平滑改进gm(1,1)的数据预测模型的建立方法 | |
CN116365519A (zh) | 一种电力负荷预测方法、***、存储介质及设备 | |
CN115907178A (zh) | 一种净生态***co2交换量的预测方法 | |
CN115579876A (zh) | 一种风机功率特性曲线的辨识方法及*** | |
CN115407753A (zh) | 一种多变量加权集成学习的工业故障诊断方法 | |
CN115661498A (zh) | 一种自优化单细胞聚类方法 | |
CN115034005A (zh) | 一种面向构件剩余使用寿命预测的模型分析可视化方法 | |
CN114357886A (zh) | 一种基于多模型加权平均的酒醅近红外光谱建模方法 |
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 |