一种锅炉飞灰含碳量预测方法及系统.pdf

(19)中华人民共和国国家知识产权局(12)发明专利申请(10)申请公布号CN112232373A(43)申请公布日2021.01.15(21)申请号202010991225.3(22)申请日2020.09.20(71)申请人华中师范大学地址430079湖北省武汉市珞喻路152号(72)发明人张玉琢郑世珏何婷婷(74)专利代理机构武汉华之喻知识产权代理有限公司42267代理人曹葆青廖盈春(51)Int.Cl.G06K9/62(2006.01)G06N3/04(2006.01)权利要求书3页说明书8页附图2页(54)发明名称一种锅炉飞灰含碳量预测方法及系统(57)摘要本发明公开了一种锅炉飞灰含碳量预测方法及系统，包括：获取锅炉运行的历史数据集并标准化，将标准数据集作为样本点；将标准数据集输入线性回归模型，对应输出烟气飞灰含碳量，训练获得线性回归模型；将标准数据集与获取的烟气飞灰含碳量特征输入XGBoost模型，对应输出烟气飞灰含碳量，获得初始XGBoost预测模型，对初始XGBoost模型进行参数调优，获取最佳XGBoost预测模型；将标准数据集输入递归神经网络，对应输出烟气飞灰含碳量，训练获取初始神经网络模型，对初始神经网络进行参数优化，获取最佳递归神经网络。将得到三个模型的输出进行线性回归得到融合模型，用于对锅炉产生的烟气飞灰含碳量进行预测，提高了飞灰含碳量排放浓度的预测精度。CN112232373ACN112232373A权利要求书1/3页1.一种锅炉飞灰含碳量预测方法，其特征在于，包括如下步骤：基于锅炉运行的历史数据训练线性回归模型，所述线性回归模型用于预测锅炉飞灰的含碳量；所述锅炉运行的历史数据包括：各个时刻下锅炉机组历史负荷、锅炉燃烧的煤种、锅炉的给煤量、锅炉的氧含量、锅炉的温度以及锅炉的风量；锅炉飞灰的含碳量由锅炉运行的数据决定；基于所述锅炉运行的历史数据和训练好的线性回归模型预测的锅炉飞灰含碳量训练XGBoost模型；基于所述锅炉运行的历史数据训练递归神经网络模型；所述XGBoost模型和递归神经网络模型均用于预测锅炉飞灰的含碳量；将训练好的线性回归模型、训练好的XGBoost模型以及训练好的递归神经网络模型作为三个基模型，对三个模型分别基于锅炉运行的历史数据预测的锅炉飞灰含碳量进行Lasso回归得到最优的锅炉飞灰含碳量的预测结果，并基于最优的锅炉飞灰含碳量的预测结果对所述三个基模型进行优化整合，得到整合后的飞灰含碳量预测融合模型；将当前时刻锅炉运行的数据输入到整合后的飞灰含碳量预测融合模型，以预测未来时刻的锅炉飞灰含碳量。2.根据权利要求1所述的锅炉飞灰含碳量预测方法，其特征在于，所述锅炉运行的历史数据，具体通过如下步骤获取：采集锅炉运行过程中的历史数据，得到无噪声且无异常点的锅炉运行数据；其中，若有锅炉运行的数据丢失，则对缺失值进行处理，依据缺失值前后数据点的均值进行填充；若有锅炉运行的数据异常，则对异常值进行筛选和处理，依据箱线图法的准则对数据集进行筛选，将异常值利用缺失值的方式来处理，依据异常值前后数据点的均值来进行替换；对锅炉运行的历史数据进行小波软阈去噪，采用极大极小阈值作为估计阈值来对数据进行去噪；对无噪声且无异常点的锅炉运行数据进行标准化处理，消除不同时刻的锅炉运行数据之间的量纲差别，得到量纲统一的锅炉运行数据，作为最终的锅炉运行的历史数据，即形成标准数据集。3.根据权利要求1或2所述的锅炉飞灰含碳量预测方法，其特征在于，所述基于锅炉运行的历史数据训练线性回归模型，具体包括：将锅炉运行的历史数据输入到线性回归模型，使其预测锅炉飞灰含碳量；基于锅炉运行的历史数据确定实际的锅炉飞灰含碳量；通过对线性回归模型预测的锅炉飞灰含碳量和实际的锅炉飞灰含碳量交叉验证，优化所述线性回归模型，直至得到最佳的线性回归模型。4.根据权利要求1或2所述的锅炉飞灰含碳量预测方法，其特征在于，所述基于所述锅炉运行的历史数据和训练好的线性回归模型预测的锅炉飞灰含碳量训练，具体包括：将锅炉运行的历史数据和训练好的线性回归模型预测的锅炉烟气飞灰含碳量输入到XGBoost模型，使其预测锅炉飞灰含碳量；通过对XGBoost模型预测的锅炉飞灰含碳量和实际的锅炉飞灰含碳量验证，优化所述XGBoost模型，直至得到最佳的XGBoost模型。5.根据权利要求1或2所述的锅炉飞灰含碳量预测方法，其特征在于，所述基于所述锅炉运行的历史数据训练递归神经网络模型，具体包括：2CN112232373A权利要求书2/3页将锅炉运行的历史数据输入到递归神经网络模型，使其预测锅炉飞灰含碳量；根据不同的锅炉特性，测试确定合适的时间步长，以及每一次训练的样本量大小，来保证递归神经网络模型的性能最优；通过对递归神经网络模型预测的锅炉飞灰含碳量和实际的锅炉飞灰含碳量