一种基于卷积神经网络的锅炉出力预测方法.pdf

(19)国家知识产权局(12)发明专利申请(10)申请公布号CN115600489A(43)申请公布日2023.01.13(21)申请号202211080905.5(22)申请日2022.09.05(71)申请人北京全应科技有限公司地址100088北京市海淀区上地信息路26号1层0106-510室(72)发明人南玉泽王栋党海峰夏建涛(74)专利代理机构北京易捷胜知识产权代理有限公司11613专利代理师薛晓萌齐云(51)Int.Cl.G06F30/27(2020.01)G06Q10/04(2023.01)G06Q50/04(2012.01)G01D21/02(2006.01)G06F119/08(2020.01)权利要求书5页说明书12页附图2页(54)发明名称一种基于卷积神经网络的锅炉出力预测方法(57)摘要本发明涉及一种基于卷积神经网络的锅炉出力预测方法，包括：将目标预测时刻前第一时间区间内的每一分钟的入炉煤量变化量、一次风量变化量、二次风量变化量、排烟氧含量变化量，输入训练的卷积神经网络模型M，输出目标预测时刻的主蒸汽压力变化量；卷积神经网络模型M为根据第一时间段内的每一分钟的入炉煤量变化量、一次风量变化量、二次风量变化量、排烟氧含量变化量，预测第一时间段后一分钟的主蒸汽压力变化量的模型；基于传递系数coef与目标预测时刻的主蒸汽压力变化量，获取目标预测时刻的主蒸汽流量变化量；基于预先获取的目标预测时刻前一分钟的锅炉出力值以及目标预测时刻的主蒸汽流量变化量，得到目标预测时刻的锅炉出力的预测值。CN115600489ACN115600489A权利要求书1/5页1.一种基于卷积神经网络的锅炉出力预测方法，其特征在于，包括：S1、将目标预测时刻之前的第一时间区间内的每一分钟的入炉煤量变化量、一次风量变化量、二次风量变化量、排烟氧含量变化量，输入训练的卷积神经网络模型M中，输出得到目标预测时刻的主蒸汽压力变化量；其中，所述第一时间区间包含h分钟，h为预先设定值；其中，预先采用训练数据集对所述预先设定的卷积神经网络模型M进行训练以获取训练的卷积神经网络模型M；S2、基于预先获取的传递系数coef与所述目标预测时刻的主蒸汽压力变化量，获取目标预测时刻的主蒸汽流量变化量；S3、基于预先获取的目标预测时刻前一分钟的锅炉出力值以及所述目标预测时刻的主蒸汽流量变化量，得到目标预测时刻的锅炉出力的预测值。2.根据权利要求1所述的基于卷积神经网络的锅炉出力预测方法，其特征在于，所述S2具体包括：利用预先获取的传递系数coef与所述目标预测时刻的主蒸汽压力变化量，采用公式(1)计算得到目标预测时刻的主蒸汽流量变化量；其中，公式(1)为：目标预测时刻的主蒸汽流量变化量＝coef×目标预测时刻的主蒸汽压力变化量。3.根据权利要求2所述的基于卷积神经网络的锅炉出力预测方法，其特征在于，所述S3具体包括：基于目标预测时刻前一分钟的锅炉出力值以及所述目标预测时刻的主蒸汽流量变化量，采用公式(2)得到目标预测时刻的锅炉出力的预测值；所述公式(2)为：目标预测时刻的锅炉出力的预测值＝目标预测时刻前的一分钟的锅炉出力值+目标预测时刻的主蒸汽流量变化量×60。4.根据权利要求3所述的基于卷积神经网络的锅炉出力预测方法，其特征在于，在所述步骤S1之前还包括：A1、在第一预设时间段内，以第一预设采集频率采集所述锅炉运行数据，得到第一预先时间段的锅炉运行时序数据集，并根据所述第一预先时间段的锅炉运行时序数据集获取用于训练所述卷积神经网络模型M的训练数据集；A2、根据所述训练数据集训练所述卷积神经网络模型M，得到训练后的卷积神经网络模型M。5.根据权利要求4所述的基于卷积神经网络的锅炉出力预测方法，其特征在于，所述A1包括：A11、在第一预设时间段内，以第一预设采集频率采集所述锅炉运行数据，得到第一预先时间段的锅炉运行时序数据集；所述第一预设时间段大于等于1天；所述第一预设采集频率为1次/分钟；其中，所述第一预设时间段的锅炉运行时序数据集中的每一次所采集的锅炉运行数据均包括：入炉煤量、一次风量、二次风量、排烟氧含量、主蒸汽压力；2CN115600489A权利要求书2/5页A12、基于所述第一预先时间段的锅炉运行时序数据集，按照第一预设构建策略构建模型特征变量集；所述模型特征变量集包括：入炉煤量变化量集合、一次风量变化量集合、二次风量变化量集合、排烟氧含量变化量集合、主蒸汽压力变化量集合；所述入炉煤量变化量集合包括：第一预先时间段内每一分钟的入炉煤量变化量；其中，入炉煤量变化量集合中的第一预先时间段第i分钟的入炉煤量变化量为锅炉运行时序数据集中在第一预设时间段内第i+1次所采集的入炉煤量减去第一预设时间段内第i次所采集的入炉煤量的差值；所述一次风量变化量集合包括：第一预先时间