一种基于深度学习的锅炉燃烧过程状态监测方法及系统.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CN111539615A(43)申请公布日2020.08.14(21)申请号202010314165.1G06N3/04(2006.01)(22)申请日2020.04.20G06N3/08(2006.01)(71)申请人上海发电设备成套设计研究院有限责任公司地址201100上海市闵行区剑川路1115号申请人贵溪发电有限责任公司(72)发明人方超汪勇郭荣刘晖明黎帅丁刚邓志成王建曼吴文青杨阳(74)专利代理机构上海申汇专利代理有限公司31001代理人徐俊(51)Int.Cl.G06Q10/06(2012.01)G06Q50/06(2012.01)权利要求书1页说明书3页附图1页(54)发明名称一种基于深度学习的锅炉燃烧过程状态监测方法及系统(57)摘要本发明提供了一种基于深度学习的锅炉燃烧过程状态监测方法及系统，监测方法包括以下步骤：步骤一、将锅炉燃烧过程状态从差到优分为若干类；步骤二、利用锅炉壁温分布数据建立卷积神经网络模型，输出特征一；步骤三、利用机组负荷等其他相关数据建立深度置信网络模型，输出特征二，步骤四、结合特征一和特征二输出结果，利用BP神经网络进行燃烧过程状态模型训练，实现状态监测。本发明充分考虑锅炉燃烧相关变量，结合深度学习算法，采用深度学习算法建立锅炉燃烧过程状态监测模型，提升了模型的可靠性和泛化能力，以安全可靠为基本前提，实现锅炉燃烧过程状态监测，在为机组运行人员运行调整和达到节能减排的效果方面具有重要意义。CN111539615ACN111539615A权利要求书1/1页1.一种基于深度学习的锅炉燃烧过程状态监测方法，其特征在于，包括如下步骤：步骤一、基于锅炉燃烧过程历史数据建立锅炉燃烧状态评价体系，将锅炉燃烧过程状态从差到优分为若干类，表示为K({S1，S2，...，SK})类，其中Si表示第i个燃烧状态；步骤二、以锅炉壁温分布数据为输入变量，采用卷积神经网络建立炉膛壁温分布特征模型，输出特征一；步骤三、以锅炉运行指标数据为输入变量，采用深度置信网络模型建立与运行指标相关的锅炉燃烧状态模型，输出特征二；步骤四、基于卷积神经网络模型输出的特征一和深度置信网络模型输出的特征二，结合步骤一中的锅炉燃烧状态评价体系，建立BP神经网络模型进行锅炉燃烧过程状态模型训练，实现锅炉燃烧过程状态监测。2.如权利要求1所述的一种基于深度学习的锅炉燃烧过程状态监测方法，其特征在于：所述锅炉燃烧过程历史数据包括锅炉运行效率、NOx排放量和烟温偏差。3.如权利要求1所述的一种基于深度学习的锅炉燃烧过程状态监测方法，其特征在于：所述锅炉运行指标数据包括机组负荷、炉膛氧量、一二次风压、燃烧器摆角、燃尽风(SOFA、CCOFA)风门开度以及炉膛出口NOx排放量。4.应用如权利要求1所述的一种基于深度学习的锅炉燃烧过程状态监测方法的监测系统，其特征在于：包括数据库服务器、燃烧过程状态监测计算服务器、网页服务器和用户端浏览器，所述数据库服务器用于储存锅炉燃烧过程历史数据和锅炉运行指标数据，燃烧过程状态监测计算服务器分别连接数据库服务器的输出端和网页存储器的输入端，燃烧过程状态监测计算服务器运行深度学习计算机软件并将计算结果输出至网页服务器，用户端浏览器和网页服务器输出端连接将锅炉燃烧过程状态实时显示。2CN111539615A说明书1/3页一种基于深度学习的锅炉燃烧过程状态监测方法及系统技术领域[0001]本发明涉及一种基于深度学习的锅炉燃烧过程状态监测方法及系统，属于锅炉状态监测技术领域。背景技术[0002]在发电行业中，要求锅炉在优化条件下运行以保持高效率燃烧和低排放。燃烧过程中，设备漂移或故障，煤质变化等引起的异常燃烧状态不仅会导致效率降低和排放增加，还会对系统的运行状况造成巨大的负面影响。因此，燃烧过程状态的监测受到了广泛的关注。[0003]机器学习算法是从给定数据中通过归纳、挖掘、类比等方法获取知识的手段，其目的在于建立基于智能算法的模型或者提出某种数据处理方式，通过对样本数据进行训练获取知识，从而对输出未知的数据进行特征判断或实现预测等。目前，大量锅炉燃烧相关技术采用基于数据驱动的建模方法，利用神经网络、支持向量机等算法建立模型，并提出了多种改进算法。但是传统神经网络以及支持向量机等方法属于浅层结构，在获取设备运行数据隐藏的复杂非线性关系过程中效率不高，建立的模型往往局限于对样本数据的拟合，具有较差的泛化能力，在实际使用过程中无法满足实时判断的要求。发明内容[0004]本发明要解决的技术问题是：现有传统机器学习算法在电站锅炉燃烧过程建模中的局部最优和过拟合等问题。[0005]为了解决上述问题，本发明的技术方案是提供了一种基于深度学习的锅炉燃烧过程状态监测方法