[發明專利]一種燃燒優化方法、系統、存儲介質及電子設備

有效

• 申請號: 202010522836.3
• 申請日: 2020-06-10
• 公開（公告）號: CN113779858B
• 公開（公告）日: 2022-12-16
• 發明（設計）人: 王藝霏;周友;李曉恩;劉瀟;趙璐璐
• 申請（專利權）人: 國家能源投資集團有限責任公司;北京低碳清潔能源研究院
• 主分類號: G06F30/27
• 分類號: G06F30/27;G06N3/04;G06N3/08;G06F111/04
• 代理公司: 北京聿宏知識產權代理有限公司 11372
• 代理人: 吳大建;金淼

本發明公開了一種燃燒優化方法、用于優化燃燒工業過程的系統、存儲介質及電子設備。所述燃燒優化方法包括以下步驟：S1，獲取原始燃燒數據，并構建燃燒神經網絡模型；S2，初始化神經網絡模型連接權重；S3，基于后向傳播過程更新各層的連接權重；S4，基于前向傳播過程得到調整后的輸入及輸出參數；S5，基于燃燒機理判斷調整后的輸入及輸出參數，若符合燃燒機理，則以調整后對應的權重作為第三連接權重，執行步驟S6；若不符合燃燒機理，則以調整后對應的連接權重取代步驟S3中的第二連接權重，繼續執行步驟S4和步驟S5；S6，進行迭代計算，直到均方根誤差和決定系數滿足指定閾值或迭代滿足指定次數，得到優化的神經網絡模型；S7，對燃燒進行優化。

技術領域

本發明涉及工業信息與控制技術領域，尤其涉及一種采用神經網絡模型優化燃燒工業過程的方法、系統、存儲介質及電子設備。

背景技術

燃煤機組燃燒是復雜物理、化學過程，其部分過程可通過機理模型來解釋，直接通過神經網絡對原始運行數據的建模所反映的復雜過程較為模糊，在數據無法覆蓋全過程的情況下，模型敏感性分析發掘的趨勢與機理知識推斷不完全一致。

工業過程的機理模型通常不能準確反映復雜的工業過程，燃煤機組燃燒涉及到化學反應、傳熱等過程，同時，不同的風門、煤量均會不同程度影響燃燒效果。隨著機器學習技術的發展，通過神經網絡建模反映復雜工業過程成為趨勢，但神經網絡這種“黑箱”模型的結構受制于模型結構、初始化權重和迭代次數等超參的影響，其擬合或分類結果存在不確定因素。

盡管機理模型無法準確反映整個復雜的過程，但機理知識能夠體現部分過程的趨勢。以燃煤機組燃燒工業過程為例，目前不存在準確的機理模型反映燃燒過程，但一次、二次風門和煤量對燃燒效率和污染物生成的規律是明確的。

現有技術中，有發明提出了一種適用于文本序列的決策方法，但文本序列不同于工業運行的結構型數據，文本語句中的前后文有著強相關性，針對這種特性的神經網絡優化方法不能延申到結構型數據中，因此，該方法不適用于工業數據的神經網絡構建。也有發明提出了神經網絡優化機制，將NN拓撲限定為具有一個或多個宏層；調節所述一個或多個宏層以便適配所述NN的輸入和輸出部件；并且基于所述一個或多個宏層訓練所述NN。但該發明旨在優化和提升神經網絡的運算效率，未涉及如何神經網絡模型的準確率以及與實際運行過程的符合程度。

在目前燃煤機組燃燒工業過程中，存在現有神經網絡模型敏感性分析發掘的輸出參數趨勢與燃燒機理知識推斷不完全一致的情況，需要通過燃燒機理知識的規律約束神經網絡的迭代過程，得到符合實際燃燒工業過程的神經網絡模型，從而指導技術或操作人員進行燃燒工業過程生產參數匹配調節、優化燃煤機組燃燒工業過程獲得更好的輸出，提升燃燒效率，降低環境污染。

發明內容

本發明通過結合機理知識的規律，在神經網絡迭代過程中增加約束參數的更新條件，解決了工業運行過程中神經網絡模型與燃燒過程吻合度不匹配的技術問題。

本發明提供了一種燃燒優化方法，包括以下步驟：

S1，獲取原始燃燒數據，并基于所述燃燒數據構建燃燒神經網絡模型，所述神經網絡模型包括輸入層、隱藏層和輸出層，所述原始燃燒數據包括原始輸入參數數據和原始輸出參數數據；

S2，初始化所述神經網絡模型權重獲得所述模型各層的初始連接權重；

S3，基于后向傳播過程更新所述模型中各層的連接權重作為第二連接權重；

S4，基于前向傳播過程對所述神經網絡模型進行前向傳播計算得到所述模型調整后的輸入參數和調整后的輸出參數；

S5，基于燃燒機理判斷調整后的輸入參數和調整后的輸出參數，若所述調整后的輸入參數和輸出參數符合燃燒機理，則以所述調整后的輸入參數和輸出參數對應的權重作為第三連接權重，執行步驟S6；