燃烧优化控制方法、装置、存储介质及电子设备.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CN113742989A(43)申请公布日2021.12.03(21)申请号202010463920.2(22)申请日2020.05.27(71)申请人国家能源投资集团有限责任公司地址100011北京市东城区安定门西滨河路22号申请人北京低碳清洁能源研究院(72)发明人王艺霏刘潇周友齐敏芳(74)专利代理机构北京聿宏知识产权代理有限公司11372代理人吴大建陈敏(51)Int.Cl.G06F30/27(2020.01)G06K9/62(2006.01)G06Q50/06(2012.01)权利要求书2页说明书10页附图5页(54)发明名称燃烧优化控制方法、装置、存储介质及电子设备(57)摘要本申请涉及信息与控制技术领域，具体涉及一种燃烧优化控制方法、装置、存储介质及电子设备，解决了相关技术中无法对燃烧数据进行有效优化的技术问题。该方法包括：步骤S110：获取燃烧原始数据集；步骤S120：通过机器学习算法对原始数据集进行处理，得到目标数据集；步骤S130：获取机器学习算法的最优超参数，将机器学习算法的原始超参数替换为最优超参数，完成对超参数的更新；步骤S140：判断超参数的更新次数是否达到预设次数，当超参数的更新次数未达到预设次数时，基于更新的超参数返回执行步骤S120，S130和S140；当超参数的更新次数达到预设次数时，执行步骤S150；步骤S150：基于更新后的超参数和机器学习算法对目标数据集进行处理，从而对燃烧进行优化。CN113742989ACN113742989A权利要求书1/2页1.一种燃烧优化控制方法，其特征在于，所述方法包括：步骤S110：获取燃烧原始数据集；步骤S120：通过机器学习算法对所述原始数据集进行处理，得到目标数据集；步骤S130：获取所述机器学习算法的最优超参数，将所述机器学习算法的原始超参数替换为所述最优超参数，完成对超参数的更新；步骤S140：判断所述超参数的更新次数是否达到预设次数，当所述超参数的更新次数未达到预设次数时，基于更新的所述超参数返回执行步骤S120，S130和S140；当所述超参数的更新次数达到预设次数时，执行步骤S150；步骤S150：基于更新后的超参数和所述机器学习算法对所述目标数据集进行处理，从而对燃烧进行优化。2.根据权利要求1所述的方法，其特征在于，所述原始数据集包括：燃煤机组的负荷、烟气量、煤量、一次风量、二次风量。3.根据权利要求1所述的方法，其特征在于，所述步骤S120：通过机器学习算法对所述原始数据集进行处理，得到目标数据集，包括：通过机器学习算法对所述原始数据集进行缺失数据填补、稳态分析、特征提取以及噪声过滤，得到目标数据集。4.根据权利要求3所述的方法，其特征在于，所述通过机器学习算法对所述原始数据集进行缺失数据填补，包括：通过KNNI算法确定所述原始数据集中的缺失和失真数据，并利用相似工况数据填充所述缺失和失真数据。5.根据权利要求3所述的方法，其特征在于，所述通过机器学习算法对所述原始数据集进行稳态分析，包括：计算在预设长度的滑动窗口内所述原始数据集的时域信号的均值和方差，判断所述均值是否小于预设均值以及所述方差是否小于预设方差；当所述均值小于预设均值且所述方差小于预设方差时，通过小波变换对所述滑动窗口内的所述原始数据集进行频域分析，去除突变的非稳态数据。6.根据权利要求3所述的方法，其特征在于，所述通过机器学习算法对所述原始数据集进行特征提取，包括：基于主成分分析算法和协方差矩阵对所述原始数据集进行处理，获取所述原始数据集的特征向量。7.根据权利要求3所述的方法，其特征在于，所述通过机器学习算法对所述原始数据集进行特征提取，包括：基于线性判别分析算法和散度矩阵对所述原始数据集进行处理，获取所述原始数据集的特征向量。8.根据权利要求3所述的方法，其特征在于，所述通过机器学习算法对所述原始数据集进行噪声过滤，包括：通过噪声过滤算法和回归树的模型对所述原始数据集进行噪声过滤。9.根据权利要求1所述的方法，其特征在于，所述获取所述机器学习算法的最优超参数，包括：2CN113742989A权利要求书2/2页生成机器学习算法的超参数的粒子群；通过适应度方程对粒子群进行处理，得到最优超参数。10.一种燃烧优化控制装置，其特征在于，包括：数据获取模块，用于获取燃烧原始数据集；处理模块，用于通过机器学习算法对所述原始数据集进行处理，得到目标数据集；更新模块，用于获取所述机器学习算法的最优超参数，将所述机器学习算法的原始超参数替换为所述最优超参数，完成对超参数的更新；判断模块，用于判断所述超参数的更新次数是否达到预设次数，当所述超参数的更新次数未达到预设次数时，发送更新指令给所述更新模块；当所述超参