CN115221791A - 一种超临界锅炉壁温在线预测方法及*** - Google Patents
一种超临界锅炉壁温在线预测方法及*** Download PDFInfo
- Publication number
- CN115221791A CN115221791A CN202210893270.4A CN202210893270A CN115221791A CN 115221791 A CN115221791 A CN 115221791A CN 202210893270 A CN202210893270 A CN 202210893270A CN 115221791 A CN115221791 A CN 115221791A
- Authority
- CN
- China
- Prior art keywords
- wall temperature
- boiler
- firework
- supercritical boiler
- supercritical
- 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 58
- 238000004880 explosion Methods 0.000 claims abstract description 83
- 230000000739 chaotic effect Effects 0.000 claims abstract description 59
- 238000013528 artificial neural network Methods 0.000 claims abstract description 55
- 230000003247 decreasing effect Effects 0.000 claims abstract description 8
- 238000012549 training Methods 0.000 claims description 41
- 238000013507 mapping Methods 0.000 claims description 28
- 230000008569 process Effects 0.000 claims description 22
- 238000004364 calculation method Methods 0.000 claims description 9
- 239000003245 coal Substances 0.000 claims description 6
- 238000012800 visualization Methods 0.000 claims description 5
- 238000005457 optimization Methods 0.000 description 13
- 230000008859 change Effects 0.000 description 8
- 230000006870 function Effects 0.000 description 7
- 238000003062 neural network model Methods 0.000 description 7
- 239000000126 substance Substances 0.000 description 7
- 230000009286 beneficial effect Effects 0.000 description 3
- 238000005259 measurement Methods 0.000 description 3
- 230000007246 mechanism Effects 0.000 description 3
- 238000005065 mining Methods 0.000 description 3
- 238000010248 power generation Methods 0.000 description 3
- 238000012545 processing Methods 0.000 description 3
- 238000011160 research Methods 0.000 description 3
- 238000009412 basement excavation Methods 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 238000005474 detonation Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000009826 distribution Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000006386 memory function Effects 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 230000035772 mutation Effects 0.000 description 2
- 210000002569 neuron Anatomy 0.000 description 2
- 239000002245 particle Substances 0.000 description 2
- 230000003044 adaptive effect Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000004140 cleaning Methods 0.000 description 1
- 238000001816 cooling Methods 0.000 description 1
- 230000007797 corrosion Effects 0.000 description 1
- 238000005260 corrosion Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000010438 heat treatment Methods 0.000 description 1
- 210000002364 input neuron Anatomy 0.000 description 1
- 230000002452 interceptive effect Effects 0.000 description 1
- 230000009191 jumping Effects 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000000691 measurement method Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 210000004205 output neuron Anatomy 0.000 description 1
- 230000000737 periodic effect Effects 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 238000010845 search algorithm Methods 0.000 description 1
- 230000006403 short-term memory Effects 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 230000009466 transformation Effects 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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/004—Artificial life, i.e. computing arrangements simulating life
- G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N7/00—Computing arrangements based on specific mathematical models
- G06N7/08—Computing arrangements based on specific mathematical models using chaos models or non-linear system models
-
- 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
- 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
- G06Q50/04—Manufacturing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
- G06F2119/08—Thermal analysis or thermal optimisation
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Software Systems (AREA)
- Business, Economics & Management (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- Mathematical Physics (AREA)
- Computing Systems (AREA)
- Data Mining & Analysis (AREA)
- Health & Medical Sciences (AREA)
- Strategic Management (AREA)
- Human Resources & Organizations (AREA)
- Molecular Biology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Economics (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Tourism & Hospitality (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Nonlinear Science (AREA)
- Algebra (AREA)
- Computational Mathematics (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Pure & Applied Mathematics (AREA)
- Primary Health Care (AREA)
- Manufacturing & Machinery (AREA)
- Computer Hardware Design (AREA)
- Geometry (AREA)
- Development Economics (AREA)
- Game Theory and Decision Science (AREA)
- Entrepreneurship & Innovation (AREA)
Abstract
本发明公开了一种超临界锅炉壁温在线预测方法及***。本发明在分析影响壁温外部因素的基础上,同时考虑壁温的历史数据对壁温预测的影响,建立了具有时间序列的非线性自回归NARX神经网络预测模型,从而实现对超临界锅炉更加精确的壁温超前动态预测与超温预警。本发明通过混沌自适应烟花算法对NARX神经网络的可学习参数进行初始化,同时将烟花***半径限制为随迭代次数增加而线性递减,从而避免陷入局部极值,提升了模型对全局最优解的搜索能力。另外,本发明还可以进一步结合超临界锅炉壁温的超前动态预测结果,通过预警模块实现超温预警,为运行人员对超温进行处置提供了时间,避免计划外停机,减少对电网造成损害。
Description
技术领域
本发明属于深度学习预测领域,具体涉及一种超临界锅炉壁温在线预测方法及***。
背景技术
锅炉是发电、石油化工等工业过程中必不可少的重要动力设备。随着电力需求的增长,工厂发电设备向着大容量、高参数的超临界机组发展,此时对于发电设备的技术要求以及安全性有了更高的要求。目前超临界机组中普遍面临的问题是锅炉壁面的超温和高温腐蚀,导致爆管事故频发,造成计划外停机,给电力***造成损害。
目前,现有技术中对超临界锅炉壁温通常采用监控***对锅炉壁局部范围直接进行监控监视,选择局部有代表性的位置安装壁温测点,来减少超温的发生。该方法对测点周围的环境要求较高,而炉内环境往往较恶劣,对测量的精度和准确性有一定的影响。因此,此类直接测量方法并不能对高温受热面进行有效监控,运行中存在长期超温的管子,往往直至最后爆管才发现,仅能实现超温发生后再进行处理,有一定的滞后性。
因此,需要一种能够实现非直接测量方式预测超临界锅炉壁温的方法,实现对壁温超前动态预测,降低管壁超温的可能性,避免计划外停机,减少对电网的损害。
发明内容
本发明的目的在于解决现有技术中无法通过非直接测量方式预测超临界锅炉壁温的缺陷,并提供一种超临界锅炉壁温在线预测方法及***。本发明通过超临界锅炉中其他便于监测的参数实现对锅炉壁温的预测,提前进行锅炉故障诊断和降温处理,防止锅炉超温。
为实现上述发明目的,本发明所采用的具体技术方案如下:
第一方面,本发明提供了一种超临界锅炉壁温在线预测方法,其包括:
S1、获取训练NARX神经网络的训练数据集,所述NARX神经网络的输入为锅炉特征参数和超临界锅炉壁温各自的历史序列以及当前时刻的锅炉特征参数,输出为当前时刻的超临界锅炉壁温;所述锅炉特征参数为超临界锅炉壁温的影响参数集合;
S2、利用所述训练数据集训练NARX神经网络,形成超临界锅炉壁温预测模型;其中,NARX神经网络的可学习参数通过烟花算法生成的最优解进行初始化;所述烟花算法进行种群初始化时,先通过混沌映射产生混沌序列,再结合烟花个体解空间的上下限将混沌序列中的所有混沌值映射到解空间中得到一组构成初始烟花种群的烟花个体;同时所述烟花算法在迭代求解过程中,***算子内的***半径被限制为随迭代次数增加而线性递减;
S3、在线获取超临界锅炉的实时锅炉特征参数,并利用所述超临界锅炉壁温预测模型对超临界锅炉壁温进行在线预测。
作为上述第一方面的优选,所述混沌映射采用帐篷映射,且将混沌序列中的一个混沌值映射到解空间时,先计算解空间的上限与下限之差再乘上当前映射的混沌值,再将得到的乘积与解空间的下限相加,得到当前映射的混沌值对应的初始烟花个体。
作为上述第一方面的优选,所述烟花算法在迭代求解过程中,任意一次迭代时***算子内的***半径计算方法为:先将最大***半径与最小***半径之差乘上当前迭代次数与最大迭代次数之比,得到乘积,然后将最大***半径减去所述乘积,得到当前迭代次数对应的***半径。
作为上述第一方面的优选,所述锅炉特征参数一共9维,包括锅炉负荷、水煤比、燃烧器摆角、主蒸汽流量、主蒸汽温度、一次风量、二次风量、燃尽风量和总风量。
作为上述第一方面的优选,对于在线预测得到的超临界锅炉壁温,需进行可视化显示,同时需通过预设的预警规则进行实时预警。
第二方面,本发明提供了一种超临界锅炉壁温在线预测***,其包括:
数据获取模块,用于获取训练NARX神经网络的训练数据集,所述NARX神经网络的输入为锅炉特征参数和超临界锅炉壁温各自的历史序列以及当前时刻的锅炉特征参数,输出为当前时刻的超临界锅炉壁温;
训练模块,用于利用所述训练数据集训练NARX神经网络,形成超临界锅炉壁温预测模型;其中,NARX神经网络的可学习参数通过烟花算法生成的最优解进行初始化;所述烟花算法进行种群初始化时,先通过混沌映射产生混沌序列,再结合烟花个体解空间的上下限将混沌序列中的所有混沌值映射到解空间中得到一组构成初始烟花种群的烟花个体;同时所述烟花算法在迭代求解过程中,***算子内的***半径被限制为随迭代次数增加而线性递减;
预测模块,用于在线获取超临界锅炉的实时锅炉特征参数,并利用所述超临界锅炉壁温预测模型对超临界锅炉壁温进行在线预测。
作为上述第二方面的优选,所述混沌映射采用帐篷映射,且将混沌序列中的一个混沌值映射到解空间时,先计算解空间的上限与下限之差再乘上当前映射的混沌值,再将得到的乘积与解空间的下限相加,得到当前映射的混沌值对应的初始烟花个体。
作为上述第二方面的优选,所述烟花算法在迭代求解过程中,任意一次迭代时***算子内的***半径计算方法为:先将最大***半径与最小***半径之差乘上当前迭代次数与最大迭代次数之比,得到乘积,然后将最大***半径减去所述乘积,得到当前迭代次数对应的***半径。
作为上述第二方面的优选,所述锅炉特征参数一共9维,包括锅炉负荷、水煤比、燃烧器摆角、主蒸汽流量、主蒸汽温度、一次风量、二次风量、燃尽风量和总风量。
作为上述第二方面的优选,还包括可视化及预警报警模块,用于对于在线预测得到的超临界锅炉壁温进行可视化显示,同时通过预设的预警规则进行实时预警。
本发明相对于现有技术而言,具有以下有益效果:
本发明提供的超临界锅炉壁温在线预测方法,在分析影响壁温外部因素的基础上,同时考虑壁温的历史数据对壁温预测的影响,建立了具有时间序列的非线性自回归NARX神经网络预测模型,从而实现对超临界锅炉更加精确的壁温超前动态预测与超温预警。且本发明通过混沌自适应烟花算法对NARX神经网络权重和阈值进行初始化,从而优化和改进了参数预测模型,缩短模型训练时间,避免陷入局部极值,提升其针对复杂***的预测能力,有效提高了数据预测的鲁棒性、精确度和计算效率。另外,本发明还可以进一步结合超临界锅炉壁温的超前动态预测结果,通过预警模块实现超温预警,为运行人员对超温进行处置提供了时间,避免计划外停机,减少对电网造成损害。本发明的应用,可保证锅炉高效、安全地运行和工作。
附图说明
图1为一种超临界锅炉壁温在线预测方法的步骤示意图;
图2为一种超临界锅炉壁温在线预测***的模块示意图;
图3为实施例中超临界锅炉壁温在线预测方法的流程图。
具体实施方式
为使本发明的上述目的、特征和优点能够更加明显易懂,下面结合附图对本发明的具体实施方式做详细的说明。在下面的描述中阐述了很多具体细节以便于充分理解本发明。但是本发明能够以很多不同于在此描述的其它方式来实施,本领域技术人员可以在不违背本发明内涵的情况下做类似改进,因此本发明不受下面公开的具体实施例的限制。本发明各个实施例中的技术特征在没有相互冲突的前提下,均可进行相应组合。
在叙述本发明的具体实现方案之前,先对本发明中的部分技术名词进行解释和定义。
本发明中所说的超临界锅炉,是指锅炉内工质的压力在临界点以上的锅炉。
本发明中所说的NARX神经网络是一种现有的神经网络模型,其全称是带有外部输入的非线性自回归神经网络(Nonlinear Auto-Regressivemodelwith ExogenousInputs)。
本发明中所说的烟花算法(Fireworks Algorithm,FWA),是一种已有的群体智能算法,现有技术中也别称为烟花优化算法、烟花***算法、烟花***优化算法、烟花***搜索算法。
为了实现对超临界锅炉壁温的非直接测量,本发明的构思是通过建立神经网络预测模型对超临界锅炉壁温进行预测,其输入为锅炉中其他便于测量的特征参数。为了处理锅炉的时序数据并利用其历史信息,需要让神经网络具有短期记忆能力,因此本发明针对超临界锅炉的运行状态建立了具有时间序列的非线性自回归NARX神经网络模型来预测锅炉壁温,具有记忆功能且可以保留上一时刻的信息,不仅使得网络具备完整信息且提高了处理复杂问题的能力。与传统的BP神经网络相比,NARX神经网络模型不仅增添了输出量到输入量的反馈过程,还加入了输入的时间延迟和输出的时间延迟,充分考虑了历史数据对当前状态的影响,对时间序列数据的预测具有更好的适应性。
而且,为了适应于超临界锅炉壁温预测,本发明在传统的NARX神经网络模型基础上,通过混沌自适应优化的烟花算法(Fireworks Algorithm,FWA)对NARX神经网络权重和阈值进行初始化,从而优化和改进了参数预测模型,避免陷入局部极值,提升其针对复杂***的预测能力,提升数据预测的精确度和运行效率。烟花算法是模拟烟花***过程的一种进化算法,烟花的每一次***相当于在可行解空间内的一次寻优过程,通过多次迭代中对烟花火花质量进行筛选,可较快地找到所设问题的最优解。混沌是非线性***所特有的一种非周期现象。混沌搜索的遍历性与随机性等特点有利于增强智能算法全局搜索能力。在烟花算法中加入混沌后,种群相对更加多样,跳出局部极值点的可能性相对更大,进而可使算法以相对更快的速度进行搜索。同时面对NARX神经网络模型中大量的可学习参数对应的高维解空间,本发明还对烟花的***半径进行了优化,使其能够尽快收敛至接近全局最优解。
下面结合实施例对本发明中的超临界锅炉壁温在线预测方法的具体实现方式进行展开描述。
在本发明的一个较佳实施例中,提供了一种超临界锅炉壁温在线预测方法,该方法用于通过超临界锅炉中其他便于监测的参数对锅炉壁温进行实时预测。如图1所示,该超临界锅炉壁温在线预测方法具体包括S1~S3步骤,下面对各步骤的实现方式进行展开描述:
S1、获取训练NARX神经网络的训练数据集,所述NARX神经网络的输入为锅炉特征参数和超临界锅炉壁温各自的历史序列以及当前时刻的锅炉特征参数,输出为当前时刻的超临界锅炉壁温;所述锅炉特征参数为超临界锅炉壁温的影响参数集合。
需要说明的是,本发明中上述训练NARX神经网络的训练数据集,可以直接调取已有数据,也可以通过获取实测数据并通过数据处理构建为训练样本。因此,获取训练数据集的方式应当广义理解。
需要说明的是,本发明中锅炉特征参数是指能够影响超临界锅炉壁温的关键参数,具体的参数组合选择,需要根据对超临界锅炉壁温变化机制的研究确定。
作为本发明实施例的一种较佳实现方式,锅炉特征参数一共9维,包括锅炉负荷、水煤比、燃烧器摆角、主蒸汽流量、主蒸汽温度、一次风量、二次风量、燃尽风量和总风量。该组锅炉特征参数是经过对超临界锅炉壁温变化机制进行深入研究确定的,其能够较好地配合NARX神经网络实现对超临界锅炉壁温的预测。
本发明中的NARX神经网络的具体模型结构属于现有技术,不再展开赘述,可以将NARX神经网络模型视为一个非线性函数f (),模型的数学结构表达式为:
y(t) = f (y(t-1), y(t-2),…, y(t-n y ), x(t), x(t-1), x(t-2),…, x(t-n x ))
式中:y(t) 是在t时刻的超临界锅炉壁温预测输出,x(t) 是在t时刻的锅炉特征参数输入,y(t-p)表示在t-p时刻的超临界锅炉壁温预测输出,x(t-q)表示在t- q时刻的锅炉特征参数输入,p=1,2,…, n y ,q=1,2,…, n x ;n x 是模型的输入时间延迟,n y 是模型的输出时间延迟,两个时间延迟均为可根据实际数据进行优化的超参数,以使得NARX神经网络的预测准确性最佳为准。
由此可见,本发明选择的NARX神经网络具有时序的记忆功能,其一方面增加了输出量到输入量的反馈过程,即将历史时刻的输出y(t-p) 作为当前时刻的输入,另一方面设置了输入的时间延迟和输出的时间延迟,从而将历史一段时间的输入序列[x(t-1), x(t-2),…, x(t-n x )]和历史一段时间的输出序列[y(t-1), y(t-2),…, y(t-n y )]与当前时刻的输入序列x(t)结合,充分考虑了历史数据对当前状态的影响,模拟了锅炉壁温变化的时间连续性。
需要说明的是,由于NARX神经网络的输入和输出形式是固定的,因此训练数据集中的训练样本形式也可以按照该输入输出进行构建,这属于现有技术,对此不再赘述。
S2、利用所述训练数据集训练NARX神经网络,形成超临界锅炉壁温预测模型。其中,在训练NARX神经网络时,NARX神经网络的可学习参数是通过烟花算法生成的最优解进行初始化。而烟花算法进行种群初始化时,先通过混沌映射产生混沌序列,再结合烟花个体解空间的上下限将混沌序列中的所有混沌值映射到解空间中得到一组构成初始烟花种群的烟花个体;同时所述烟花算法在迭代求解过程中,***算子内的***半径被限制为随迭代次数增加而线性递减。
需要说明的是,烟花算法作为一类群体智能优化方法,其核心是求解烟花种群的最优解。烟花算法由***算子(explosive operator)、变异操作(mutation operation)、映射规则(mapping rule) 和选择策略(selection strategy) 四大部分组成,每部分的具体实现均可参见现有技术中烟花算法的实现过程,此处不进行展开介绍。本发明中,烟花算法用于初始化NARX神经网络的可学习参数,因此一个烟花个体代表了一组可学习参数的可行解,通过最优解的搜索得到的烟花种群最优解对应的这组可学习参数即可用于作为NARX神经网络中可学习参数的初始值,后续即可利用训练数据集在该初始的可学习参数基础上进一步通过损失函数对可学习参数进行优化。因此,烟花算法的最优解仅用于初始化NARX神经网络的可学习参数,但NARX神经网络的最优可学习参数需要通过神经网络的训练进行优化。
由于NARX神经网络的可学习参数众多,每个参数均具有对应的参数解搜索空间,因此整个烟花算法具有一个高维的解空间,搜索到全局最优解的难度较大,容易陷入局部极值中。本发明中,为了加快高维解空间中全局最优解的搜索能力和效率,对烟花算法的烟花种群初始化和***算子内直接影响搜索范围的***半径均进行了优化。
在针对烟花种群初始化的优化中,主要引入了混沌优化策略,该策略的主要思路是:首先将烟花向量序列通过混沌映射规则转化为混沌搜索空间内的混沌变量,然后通过混沌变量进行遍历性寻优搜索形成混沌序列,再将遍历到的混沌序列转回烟花向量序列,即结合烟花个体解空间的上下限将混沌序列中的所有混沌值映射到解空间中,每一个混沌值在解空间中都对应了一个用于构成初始烟花种群的烟花个体。若通过适应度评估函数计算发现此次混沌搜索后得到了更优的烟花个体,则更新混沌搜索前的烟花个体。
作为本发明实施例的一种较佳实现方式,上述混沌映射采用帐篷映射(tentmap)。 帐篷映射是一个带有混沌参数的函数,是一种分段的线性映射。初始化的烟花种群在搜索空间内分布的越均匀,越有利于提高算法的寻优效率和求解精度。而由帐篷映射产生的混沌序列具有良好的分布性和随机性。进一步的,在将混沌序列中的一个混沌值映射到解空间时,可先计算解空间的上限与下限之差再乘上当前映射的混沌值,得到乘积O1,再将得到的乘积O1与解空间的下限相加,得到当前映射的混沌值对应的初始烟花个体。
在针对***算子中***半径的优化中,采用优化的***半径计算公式对传统烟花算法中的***半径计算公式进行了替换。传统烟花算法中的***半径主要是由适应度值决定的,但适应度值最优的个体***半径非常小,不仅没有起到局部挖掘作用,并且会在其他烟花没有找到更优点的情况下陷入局部极值。因此,本发明中强制将***算子内的***半径被限制为随迭代次数增加而线性递减,使得在搜索前期核心烟花的***半径足够大,以便于快速锁定全局最优值的范围,搜索后期***半径在全局最优值范围内逐渐减小,充分发挥了其局部挖掘的能力。
作为本发明实施例的一种较佳实现方式,上述烟花算法在迭代求解过程中,任意一次迭代时***算子内优化的***半径计算方法为:先将最大***半径与最小***半径之差乘上当前迭代次数与最大迭代次数之比,得到乘积O2,然后将最大***半径减去乘积O2,得到当前迭代次数对应的***半径。
需说明的是,此处的最大***半径与最小***半径均是可以根据实际进行优化的超参数。
另外需要说明的是,上述利用训练数据集训练NARX神经网络的流程,可参见NARX神经网络本身的训练框架,对此不再展开描述。NARX神经网络训练至满足精度要求后,即可形成超临界锅炉壁温预测模型。
S3、在线获取超临界锅炉的实时锅炉特征参数,并利用所述超临界锅炉壁温预测模型对超临界锅炉壁温进行在线预测。
需要说明的是,超临界锅炉壁温预测模型的输入和输出依然可参见前述的数学结构表达式,因此在线获取的超临界锅炉的实时锅炉特征参数可作为当前的锅炉特征参数输入x(t),同时模型中还需要输入历史一段时间的输入序列[x(t-1), x(t-2),…, x(t-n x )]和历史一段时间的输出序列[y(t-1), y(t-2),…, y(t-n y )],其中历史一段时间的输入序列也是通过对超临界锅炉进行在线数据采集获得的,而历史一段时间的输出序列则是利用本发明的超临界锅炉壁温预测模型预测的。
需要说明的是,超临界锅炉的实时锅炉特征参数是在线获取的,其获取方式可以直接在线读取安装在超临界锅炉不同位置的传感器数据得到,也可以从超临界锅炉上传感器的中心数据存储装置(如PLC、中央控制器等)上读取。因此,超临界锅炉实时锅炉特征参数的在线获取方式应当广义理解。
另外,作为本发明实施例的一种较佳实现方式,对于在线预测得到的超临界锅炉壁温,还可以延伸设置相应的监控报警功能。例如,可将超临界锅炉壁温的时间变化曲线进行可视化显示,同时可以通过预设的预警规则进行实时预警,当实时预测得到的超临界锅炉壁温满足预警条件时可以发出警报。具体的可视化方式和预警规则,可根据实际情况进行设计调整,对此可不做限定。
另外,基于与上述实施例中提供的一种超临界锅炉壁温在线预测方法相同的发明构思,本发明的另一较佳实施例中提供了一种超临界锅炉壁温在线预测***,如图2所示,该预测***包括以下功能模块:
数据获取模块,用于获取训练NARX神经网络的训练数据集,所述NARX神经网络的输入为锅炉特征参数和超临界锅炉壁温各自的历史序列以及当前时刻的锅炉特征参数,输出为当前时刻的超临界锅炉壁温;
训练模块,用于利用所述训练数据集训练NARX神经网络,形成超临界锅炉壁温预测模型;其中,NARX神经网络的可学习参数通过烟花算法生成的最优解进行初始化;所述烟花算法进行种群初始化时,先通过混沌映射产生混沌序列,再结合烟花个体解空间的上下限将混沌序列中的所有混沌值映射到解空间中得到一组构成初始烟花种群的烟花个体;同时所述烟花算法在迭代求解过程中,***算子内的***半径被限制为随迭代次数增加而线性递减;
预测模块,用于在线获取超临界锅炉的实时锅炉特征参数,并利用所述超临界锅炉壁温预测模型对超临界锅炉壁温进行在线预测。
由于上述超临界锅炉壁温在线预测方法解决问题的原理与本发明上述实施例的超临界锅炉壁温在线预测***相似,因此该实施例中***的各模块具体实现形式未尽之处亦可参见上述S1~S3所示方法部分的具体实现形式,重复之处不再赘述。
另外需要说明的是,上述实施例提供的***中,各模块在被执行时相当于是按序执行的程序模块,因此其本质上是执行了一种数据处理的流程。且所属领域的技术人员可以清楚地了解到,为描述的方便和简洁,上述描述的***的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。在本申请所提供的各实施例中,所述方法和***中对于步骤或者模块的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,例如多个模块或步骤可以结合或者可以集成到一起,一个模块或者步骤亦可进行拆分。
下面本发明将进一步通过一个具体实例,来展示上述实施例中超临界锅炉壁温在线预测方法在具体实例上的详细实现过程,以便于理解本发明的实质。
实施例
在本实例中,超临界锅炉壁温在线预测方法的流程图如图3所示,具体过程如下:
步骤1:对于超临界锅炉壁温的预测,根据对超临界锅炉壁温变化的相关机理研究及现场运行经验,选取锅炉负荷、水煤比、燃烧器摆角、主蒸汽流量、主蒸汽温度、一次风量、二次风量、燃尽风量、总风量这9个特征向量的历史序列数据、超临界锅炉壁温历史序列数据以及9个特征向量的当前数据作为输入,预测的超临界锅炉壁温作为输出,由此构建NARX神经网络中的输入神经元和输出神经元。
步骤2:数据的预处理。对所有数据进行数据清洗预处理,从预处理过的数据集样本中选择80%的数据集作为训练数据集,剩余20%的数据集作为测试数据集。
步骤3:NARX神经网络参数初始化:根据训练样本集的维数M确定输入层神经元的数目Ni=10;根据要预测的数据的维数确定输出层神经元的数目No=1;隐含层节点数由经验公式n=(Ni+No)0.5+a确定,其中a为1~10之间的常数,n应为正整数。后续可通过烟花算法确定初始的可学习参数,包括隐含层的权重和阈值。
步骤 4:烟花算法初始化,在可行域Ω内初始化一定数量烟花x i 。为了保证烟花个体种群的多样性与随机性,本实例在烟花算法初始化烟花个体时采用混沌生成策略,其主要思路为通过混沌映射产生混沌序列,再结合搜索空间的上下限转化到烟花个体的搜索空间中,完成对烟花种群的初始化。
此处混沌映射采用帐篷映射,用于产生混沌序列。帐篷映射的函数表达式为:
分布在解空间的初始化烟花个体x i 表示为:
x i = x min + z i* (x max - x min )
步骤 5:通过***产生火花粒子,以烟花粒子为中心,加上随机的偏置生成一定数量的火花。对于烟花x i ,其***产生的火花数量S i 为:
其中,S i 是第i个烟花产生的火花数量;m是用于限制产生的火花总数的常数;f(x i )是第i个烟花个体的适应值;ε是一个极小的常数,用于避免除零操作;min f(x i ) 和max f (x i ) 分别表示当前烟花种群中适应度最小值和最大值,N 为烟花总数。
为了控制烟花***时在较小范围内不至于产生过多的火花和在较大范围内产生过少的火花,对火花的数量做如下式所示的限制。
其中,round(∙)为取整函数;a,b为设定常量,与m一起确定火花个数的范围。
在传统烟花算法中,烟花x i 的***半径A i 由下式计算:
通过对上式的分析可知,当烟花***时,以烟花个体为中心的周围区域会产生一定量的火花,适应度值小的烟花可以在小的半径范围内产生多的火花,提供强大的勘探功能,适应度值大的烟花在大的半径范围内产生少的火花,具有一定的开采能力。但是,使用上式计算烟花***半径的时候会发现适应度值最优的个体***半径非常小,几乎接近于零,这样不仅没有起到局部挖掘作用,并且会在其他烟花没有找到更优点的情况下陷入局部极值。为了解决这一缺陷,将传统烟花算法中烟花x i 的***半径计算公式改为按照下式产生***半径A i :
其中,A min 为烟花的最小***半径,T为烟花算法的最大迭代次数,t为当前迭代次数。
该方式获得的***半径整体呈现线性递减的趋势,在搜索前期,核心烟花的***半径足够大,可以快速锁定全局最优值的范围,而搜索后期***半径在合理的范围内又足够小,充分发挥了其局部挖掘的能力。根据迭代次数的改变,自适应地选取***半径,合理地在全局进行搜索,使计算过程快速收敛,并避免陷入局部极值。
步骤 6:在烟花个体的位置上加上偏置产生***火花,种群多样性受到限制,为了维持算法种群的多样性,执行高斯变异操作获得变异火花,使得改进烟花算法的全局搜索能力得到增强,提高其运算结果。烟花算法中高斯变异火花的引入增强了种群多样性,避免算法陷入局部最优。随机挑选一个烟花个体x i ,对其中某些维度进行高斯变异操作,如下式所示:
x
k
i
= x
k
i
Gaussian(1,1)
其中,x k i 表示第i个火花的第k维坐标;Gaussian(1,1)表示均值为1,方差为1的高斯分布
在产生***火花和变异火花时,火花可能会超出可行域边界,为了充分利用火花资源,需要通过模运算的映射规则来修正,当火花超出取值范围时,映射到新位置:
x
k
i
= x
k
min
+|x
k
i
|mod(x
k
max
- x
k
min
)
其中,x k max 和x k min 分别为第i个火花的第k维取值范围的上边界和下边界;mod是取模符号。
步骤 7:为了传递优秀信息,算法采用精英保留策略,即保留适应度最优个体到下一代,其余个体通过轮盘赌的方式进行选择。个体x i 被选择的概率如下:
其中,R(x i )为x i 与其他个体距离之和,计算公式如下:
其中,d(x i -x j )为x i 、x j 之间的欧式距离;K为烟花和火花(包括***火花和高斯火花)数量之和。
步骤 8:判断是否达到最大迭代次数,若满足则计算当前烟花种群中的烟花个体的最小适应度值min(f(x i ))以及烟花个体间的最大距离max(R(x i )),并取当前的烟花种群为最优的烟花种群X best ,否则返回步骤3。
步骤 9:利用最优烟花种群X best 初始化NARX神经网络模的权重w和阈值b,优化完毕后将得到的NARX神经网络预测模型作为超临界锅炉壁温预测模型,该超临界锅炉壁温预测的输入和输出与NARX神经网络预测模型一致。
步骤 10:在实际应用时,可通过传感器在线获取超临界锅炉的实时锅炉特征参数(包括9个特征遍历),将其与历史序列信息一并输入建立好的超临界锅炉壁温预测模型中,对超临界锅炉壁温进行在线预测。
步骤 11:设置可视化模块,利用Python交互式可视化绘图工具Altair绘制步骤10中得到的超临界锅炉壁温预测结果的变化曲线,进行实时的可视化呈现,以便于直观了解超临界锅炉壁温变化情况。
步骤 12:设置可输入预警阈值和报警阈值(报警阈值高于预警阈值)的预警报警模块,当步骤10中得到的超临界锅炉壁温预测温度值大于或等于预警阈值时,发出预警信号;当预测温度值大于或等于报警阈值时,发出报警信号。
以上所述的实施例只是本发明的一种较佳的方案,然其并非用以限制本发明。有关技术领域的普通技术人员,在不脱离本发明的精神和范围的情况下,还可以做出各种变化和变型。因此凡采取等同替换或等效变换的方式所获得的技术方案,均落在本发明的保护范围内。
Claims (10)
1.一种超临界锅炉壁温在线预测方法,其特征在于,包括:
S1、获取训练NARX神经网络的训练数据集,所述NARX神经网络的输入为锅炉特征参数和超临界锅炉壁温各自的历史序列以及当前时刻的锅炉特征参数,输出为当前时刻的超临界锅炉壁温;所述锅炉特征参数为超临界锅炉壁温的影响参数集合;
S2、利用所述训练数据集训练NARX神经网络,形成超临界锅炉壁温预测模型;其中,NARX神经网络的可学习参数通过烟花算法生成的最优解进行初始化;所述烟花算法进行种群初始化时,先通过混沌映射产生混沌序列,再结合烟花个体解空间的上下限将混沌序列中的所有混沌值映射到解空间中得到一组构成初始烟花种群的烟花个体;同时所述烟花算法在迭代求解过程中,***算子内的***半径被限制为随迭代次数增加而线性递减;
S3、在线获取超临界锅炉的实时锅炉特征参数,并利用所述超临界锅炉壁温预测模型对超临界锅炉壁温进行在线预测。
2.如权利要求1所述的超临界锅炉壁温在线预测方法,其特征在于,所述混沌映射采用帐篷映射,且将混沌序列中的一个混沌值映射到解空间时,先计算解空间的上限与下限之差再乘上当前映射的混沌值,再将得到的乘积与解空间的下限相加,得到当前映射的混沌值对应的初始烟花个体。
3.如权利要求1所述的超临界锅炉壁温在线预测方法,其特征在于,所述烟花算法在迭代求解过程中,任意一次迭代时***算子内的***半径计算方法为:先将最大***半径与最小***半径之差乘上当前迭代次数与最大迭代次数之比,得到乘积,然后将最大***半径减去所述乘积,得到当前迭代次数对应的***半径。
4.如权利要求1所述的超临界锅炉壁温在线预测方法,其特征在于,所述锅炉特征参数一共9维,包括锅炉负荷、水煤比、燃烧器摆角、主蒸汽流量、主蒸汽温度、一次风量、二次风量、燃尽风量和总风量。
5.如权利要求1所述的超临界锅炉壁温在线预测方法,其特征在于,对于在线预测得到的超临界锅炉壁温,需进行可视化显示,同时需通过预设的预警规则进行实时预警。
6.一种超临界锅炉壁温在线预测***,其特征在于,包括:
数据获取模块,用于获取训练NARX神经网络的训练数据集,所述NARX神经网络的输入为锅炉特征参数和超临界锅炉壁温各自的历史序列以及当前时刻的锅炉特征参数,输出为当前时刻的超临界锅炉壁温;
训练模块,用于利用所述训练数据集训练NARX神经网络,形成超临界锅炉壁温预测模型;其中,NARX神经网络的可学习参数通过烟花算法生成的最优解进行初始化;所述烟花算法进行种群初始化时,先通过混沌映射产生混沌序列,再结合烟花个体解空间的上下限将混沌序列中的所有混沌值映射到解空间中得到一组构成初始烟花种群的烟花个体;同时所述烟花算法在迭代求解过程中,***算子内的***半径被限制为随迭代次数增加而线性递减;
预测模块,用于在线获取超临界锅炉的实时锅炉特征参数,并利用所述超临界锅炉壁温预测模型对超临界锅炉壁温进行在线预测。
7.如权利要求6所述的超临界锅炉壁温在线预测***,其特征在于,所述混沌映射采用帐篷映射,且将混沌序列中的一个混沌值映射到解空间时,先计算解空间的上限与下限之差再乘上当前映射的混沌值,再将得到的乘积与解空间的下限相加,得到当前映射的混沌值对应的初始烟花个体。
8.如权利要求6所述的超临界锅炉壁温在线预测***,其特征在于,所述烟花算法在迭代求解过程中,任意一次迭代时***算子内的***半径计算方法为:先将最大***半径与最小***半径之差乘上当前迭代次数与最大迭代次数之比,得到乘积,然后将最大***半径减去所述乘积,得到当前迭代次数对应的***半径。
9.如权利要求6所述的超临界锅炉壁温在线预测***,其特征在于,所述锅炉特征参数一共9维,包括锅炉负荷、水煤比、燃烧器摆角、主蒸汽流量、主蒸汽温度、一次风量、二次风量、燃尽风量和总风量。
10.如权利要求6所述的超临界锅炉壁温在线预测***,其特征在于,还包括可视化及预警报警模块,用于对于在线预测得到的超临界锅炉壁温进行可视化显示,同时通过预设的预警规则进行实时预警。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210893270.4A CN115221791A (zh) | 2022-07-27 | 2022-07-27 | 一种超临界锅炉壁温在线预测方法及*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210893270.4A CN115221791A (zh) | 2022-07-27 | 2022-07-27 | 一种超临界锅炉壁温在线预测方法及*** |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115221791A true CN115221791A (zh) | 2022-10-21 |
Family
ID=83613145
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210893270.4A Pending CN115221791A (zh) | 2022-07-27 | 2022-07-27 | 一种超临界锅炉壁温在线预测方法及*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115221791A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117077839A (zh) * | 2023-07-13 | 2023-11-17 | 华能国际电力股份有限公司上海石洞口第二电厂 | 一种基于am-boa-lstm的燃煤电厂过热器壁温预测方法及*** |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107169565A (zh) * | 2017-04-27 | 2017-09-15 | 西安工程大学 | 基于烟花算法改进bp神经网络的纺纱质量预测方法 |
CN109583585A (zh) * | 2018-11-22 | 2019-04-05 | 西安热工研究院有限公司 | 一种电站锅炉壁温预测神经网络模型 |
CN112765902A (zh) * | 2021-02-09 | 2021-05-07 | 嘉兴学院 | 基于TentFWA-GD的RBF神经网络软测量建模方法及其应用 |
EP3995747A1 (en) * | 2020-11-05 | 2022-05-11 | Midea Group Co., Ltd. | Method for setting temperature of water heater, water heater and non-transitorycomputer readable storage medium |
CN114757096A (zh) * | 2022-04-02 | 2022-07-15 | 华南理工大学 | 基于narx神经网络的桥梁温度预测方法、装置、设备和介质 |
-
2022
- 2022-07-27 CN CN202210893270.4A patent/CN115221791A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107169565A (zh) * | 2017-04-27 | 2017-09-15 | 西安工程大学 | 基于烟花算法改进bp神经网络的纺纱质量预测方法 |
CN109583585A (zh) * | 2018-11-22 | 2019-04-05 | 西安热工研究院有限公司 | 一种电站锅炉壁温预测神经网络模型 |
EP3995747A1 (en) * | 2020-11-05 | 2022-05-11 | Midea Group Co., Ltd. | Method for setting temperature of water heater, water heater and non-transitorycomputer readable storage medium |
CN112765902A (zh) * | 2021-02-09 | 2021-05-07 | 嘉兴学院 | 基于TentFWA-GD的RBF神经网络软测量建模方法及其应用 |
CN114757096A (zh) * | 2022-04-02 | 2022-07-15 | 华南理工大学 | 基于narx神经网络的桥梁温度预测方法、装置、设备和介质 |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117077839A (zh) * | 2023-07-13 | 2023-11-17 | 华能国际电力股份有限公司上海石洞口第二电厂 | 一种基于am-boa-lstm的燃煤电厂过热器壁温预测方法及*** |
CN117077839B (zh) * | 2023-07-13 | 2024-04-12 | 华能国际电力股份有限公司上海石洞口第二电厂 | 一种基于am-boa-lstm的燃煤电厂过热器壁温预测方法及*** |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US8554706B2 (en) | Power plant control device which uses a model, a learning signal, a correction signal, and a manipulation signal | |
Zhao et al. | A novel hybrid method of parameters tuning in support vector regression for reliability prediction: particle swarm optimization combined with analytical selection | |
CN109583585A (zh) | 一种电站锅炉壁温预测神经网络模型 | |
CN105181744B (zh) | 一种煤堆发火期的计算方法和煤场防自燃监测*** | |
Jamali et al. | Reliability-based robust Pareto design of linear state feedback controllers using a multi-objective uniform-diversity genetic algorithm (MUGA) | |
CN111006240B (zh) | 一种生物质锅炉炉膛温度和负荷预测方法 | |
CN112307677A (zh) | 基于深度学习的电网振荡模态评估与安全主动预警方法 | |
CN111254243A (zh) | 一种高炉出铁过程堵铁口时间智能确定方法及*** | |
CN115221791A (zh) | 一种超临界锅炉壁温在线预测方法及*** | |
CN105678409A (zh) | 一种自适应且分布无关的时间序列异常点检测方法 | |
Sembodo et al. | Radial basis network estimator of oxygen content in the flue gas of debutanizer reboiler | |
CN115688581A (zh) | 油气集输站设备参数预警方法、***、电子设备及介质 | |
CN111931436A (zh) | 一种基于数值模拟与神经网络的燃烧器喷口风量预测方法 | |
CN111401652A (zh) | 一种基于co在线检测的锅炉优化方法及*** | |
Berenguel et al. | Modelling the free response of a solar plant for predictive control | |
CN111199304A (zh) | 基于数据驱动融合策略的多目标燃烧优化方法 | |
CN115437245A (zh) | 一种基于燃烧状态预测模型的锅炉优化控制方法 | |
CN116861256A (zh) | 一种固废焚烧过程的炉温预测方法、***、设备及介质 | |
CN115938496A (zh) | 基于XGBoost算法的质量预估方法 | |
Wang et al. | Application research based on GA-FWA in prediction of sintering burning through point | |
CN115290218A (zh) | 一种火力发电机组锅炉水冷壁壁温的软测量方法与*** | |
CN114971024A (zh) | 风机状态预测方法及装置 | |
CN114038513A (zh) | 燃煤锅炉内硫化氢的质量浓度预测方法、装置及终端 | |
Chen et al. | Optimization of turbine cold-end system based on BP neural network and genetic algorithm | |
Agrawal et al. | indian weather forecasting using ANFIS and ARIMA based interval type-2 fuzzy logic model |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20221021 |
|
RJ01 | Rejection of invention patent application after publication |