一种基于工况划分与神经网络的锅炉性能预测方法.pdf

(19)国家知识产权局(12)发明专利申请(10)申请公布号CN115034443A(43)申请公布日2022.09.09(21)申请号202210563794.7G06F17/18(2006.01)(22)申请日2022.05.23(71)申请人东南大学地址211100江苏省南京市江宁区东南大学路2号(72)发明人黄亚继曹歌瀚徐文韬王新宇杨晓域刘洋张臻荣李志远李雨欣(74)专利代理机构北京德崇智捷知识产权代理有限公司11467专利代理师曹婷(51)Int.Cl.G06Q10/04(2012.01)G06Q10/06(2012.01)G06K9/62(2022.01)权利要求书1页说明书3页附图3页(54)发明名称一种基于工况划分与神经网络的锅炉性能预测方法(57)摘要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。CN115034443ACN115034443A权利要求书1/1页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。3.如权利要求1所述的预测方法，其特征在于，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}。2CN115034443A说明书1/3页一种基于工况划分与神经网络的锅炉性能预测方法技术领域[0001]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[0002]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[0003]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。[0004]本申请的上述技术目的是通过以下技术方案得以实现的：[0005]一种基于工况划分与神经网络的锅炉性能预测方法，包括：[0006]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。[0007]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。[0008]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。[0009]S3：对不同数据池中的各工况分别建立BP神