基于卷积神经网络的锅炉结焦预警方法.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CN109934417A(43)申请公布日2019.06.25(21)申请号201910232761.2(22)申请日2019.03.26(71)申请人国电民权发电有限公司地址476800河南省商丘市民权县孙六乡孙六集(72)发明人张振峰单庐辉马洪学连传龙高岭(74)专利代理机构郑州知一智业专利代理事务所(普通合伙)41172代理人刘彩霞(51)Int.Cl.G06Q10/04(2012.01)G06K9/46(2006.01)G06N3/04(2006.01)权利要求书1页说明书4页附图3页(54)发明名称基于卷积神经网络的锅炉结焦预警方法(57)摘要本发明公开基于卷积神经网络的锅炉结焦预警方法，包括以下步骤：1）、采集锅炉内结焦或不结焦的数据信息；2）、选取步骤1）的数据信息中，同一时间段的结焦或不结焦的数个测点温度数据；3）、构建结焦或不结焦的卷积神经网络模型，其包括：输入层、卷积层、下采样层、全连接层和输出层；4）、从实时采集的锅炉数据源中，随机选取同一时间段的数个测点温度数据，输入步骤3）的结焦或不结焦的卷积神经网络模型，得到该测点温度数据的图像特征，判断其结焦或不结焦。本发明为锅炉结焦提供预警方案，能够准确的预测锅炉受热面结焦情况，为判断锅炉受热面结焦提供科学的指导依据。CN109934417ACN109934417A权利要求书1/1页1.基于卷积神经网络的锅炉结焦预警方法，其特征在于，包括以下步骤：1)、采集锅炉内结焦或不结焦的数据信息；2)、选取步骤1)的数据信息中，同一时间段的结焦或不结焦的数个测点温度数据；3)、构建结焦或不结焦的卷积神经网络模型，其包括：输入层、卷积层、下采样层、全连接层和输出层，输入层的方法步骤为：a、将步骤2)的结焦或不结焦的数个测点温度数据分别补充为a×a的数据矩阵，矩阵元素不足的用0补上；b、将步骤a中数据矩阵中的每个矩阵元素归一化，得结焦或不结焦类比图像特征，归一化计算公式为：其中：i,j分别为步骤a中数据矩阵的行和列的索引，xi,j为归一化后i,j位置的矩阵元素，vi,j为归一化前i,j位置的矩阵元素，为归一化前j列中的最小矩阵元素，为归一化前j列中的最大矩阵元素；4)、从实时采集的锅炉数据源中，随机选取同一时间段的数个测点温度数据，输入步骤3)的结焦或不结焦的卷积神经网络模型，得到该测点温度数据的图像特征，判断该图像特征，符合卷积神经网络模型中的结焦图像特征，则为结焦；符合卷积神经网络模型中的不结焦的图像特征，则为不结焦。2.如权利要求1所述的基于卷积神经网络的锅炉结焦预警方法，其特征在于，步骤3)中，卷积层：将步骤b中的类比图像特征进行卷积运算，得卷积层的特征图；下采样层：对卷积层的特征图进行下采样，得下采样层的特征图；全连接层：对下采样层的特征图进行压平，得一维向量；输出层：采用softmax函数进行概率输出。3.如权利要求2所述的基于卷积神经网络的锅炉结焦预警方法，其特征在于，步骤3)中，卷积层分为卷积层C1和卷积层C2，下采样层分为下采样层S1和下采样层S2，具体步骤为：卷积层C1：将步骤b中的类比图像特征进行卷积运算，得卷积层C1的特征图；下采样层S1：对卷积层C1的特征图进行下采样，得下采样层S1的特征图；卷积层C2：将下采样层S1的特征图进行卷积运算，得卷积层C2的特征图；下采样层S2：对卷积层C2的特征图进行下采样，得下采样层S2的特征图。4.如权利要求3所述的基于卷积神经网络的锅炉结焦预警方法，其特征在于，步骤2)中，同一时间段的测点温度数据取123个，输入层步骤a中，数据矩阵的尺寸为12×12；卷积层C1和卷积层C2的卷积核为均值μ＝0，方差σ2＝1的标准化正态分布；卷积层C1中卷积核有3个，卷积核为3×3；卷积层C2中卷积核有5个，卷积核为3×3。5.如权利要求4所述的基于卷积神经网络的锅炉结焦预警方法，其特征在于，卷积层C1、卷积层C2、全连接层均采用relu激活函数。2CN109934417A说明书1/4页基于卷积神经网络的锅炉结焦预警方法技术领域[0001]本发明涉及火电厂锅炉运行优化技术领域。背景技术[0002]锅炉结焦是指锅炉在运行过程中，受热面表面因燃料或燃烧方式原因而造成的焦油、粉尘附着，并逐渐发展，形成焦块覆盖的现象。锅炉受热面结焦主要集中在垂直水冷壁、螺旋水冷壁等受热面，受热面结焦严重时，机组负荷、减温水流量、磨煤机运行方式等参数也会出现不同程度的改变，降低锅炉受热面的使用寿命，导致四管泄露、机组非停，给电厂造成巨大的经济损失。目前，针对锅炉结焦现象，火电厂并不能得到锅炉结焦或不结焦的有效数据，仅仅根据工作经验，采用定期切换磨煤机运行方式进行扰焦或喷除焦剂进行主动