[發(fā)明專利]一種基于集成學(xué)習(xí)的工業(yè)鍋爐運(yùn)行優(yōu)化方法

在審

• 申請(qǐng)?zhí)枺?/td>: 202111117868.6
• 申請(qǐng)日: 2021-09-23
• 公開(kāi)（公告）號(hào): CN113887130A
• 公開(kāi)（公告）日: 2022-01-04
• 發(fā)明（設(shè)計(jì)）人: 張永春;謝一麟;邵東亮;孫濤;巢麗清;周俊
• 申請(qǐng)（專利權(quán)）人: 江蘇省特種設(shè)備安全監(jiān)督檢驗(yàn)研究院
• 主分類號(hào): G06F30/27
• 分類號(hào): G06F30/27;G06N20/20;G06F119/14;G06F119/08
• 代理公司: 無(wú)錫知初知識(shí)產(chǎn)權(quán)代理事務(wù)所(普通合伙) 32418
• 代理人: 高春濤

1.一種基于集成學(xué)習(xí)的工業(yè)鍋爐運(yùn)行優(yōu)化方法，其特征在于，包括以下步驟：

步驟1：獲取鍋爐歷史運(yùn)行數(shù)據(jù)，包括狀態(tài)參數(shù)、操作參數(shù)、工況參數(shù)和輸出參數(shù)，所述工況參數(shù)包括鍋爐負(fù)荷參數(shù)和燃煤煤質(zhì)參數(shù)，所述輸出參數(shù)包括NOx排放濃度和鍋爐的燃燒熱效率；

步驟2：對(duì)鍋爐歷史運(yùn)行數(shù)據(jù)進(jìn)行預(yù)處理，去除無(wú)效數(shù)據(jù)記錄；

步驟3：根據(jù)預(yù)處理后的鍋爐運(yùn)行數(shù)據(jù)，基于Stacking集成學(xué)習(xí)算法建立以鍋爐操作參數(shù)和鍋爐負(fù)荷參數(shù)為輸入，以NOx排放濃度和熱效率為輸出的集成燃燒模型；

步驟4：確定鍋爐的工況參數(shù)，使用權(quán)重衰減的粒子群算法和建立好的集成燃燒模型，對(duì)鍋爐的操作參數(shù)進(jìn)行尋優(yōu)；

步驟5：輸出步驟4中得到的最優(yōu)鍋爐操作向量。

2.根據(jù)權(quán)利要求1所述的基于集成學(xué)習(xí)的工業(yè)鍋爐運(yùn)行優(yōu)化方法，其特征在于，所述狀態(tài)參數(shù)包括煙氣溫度、上水溫度、上水壓力、水流量、蒸汽壓力、蒸汽溫度和蒸汽量，所述操作參數(shù)包括一次風(fēng)量、二次風(fēng)量、燃盡風(fēng)門(mén)開(kāi)度和給煤量。

3.根據(jù)權(quán)利要求1所述的基于集成學(xué)習(xí)的工業(yè)鍋爐運(yùn)行優(yōu)化方法，其特征在于，所述步驟2包括以下步驟：

步驟2.1：刪除鍋爐歷史運(yùn)行中包含缺失數(shù)據(jù)的數(shù)據(jù)記錄；

步驟2.2：使用四分位極差法檢測(cè)并清除異常數(shù)據(jù)記錄；

步驟2.3：刪除鍋爐歷史運(yùn)行數(shù)據(jù)中的重復(fù)數(shù)據(jù)記錄。

4.根據(jù)權(quán)利要求3所述的基于集成學(xué)習(xí)的工業(yè)鍋爐運(yùn)行優(yōu)化方法，其特征在于，所述步驟2.2中四分位極差計(jì)算方法為：

IQR＝Q₁-Q₃

其中Q₁是數(shù)據(jù)列的上四分位數(shù)，Q₃是數(shù)據(jù)列的下四分位數(shù)，IQR是數(shù)據(jù)列的四分位極差，當(dāng)數(shù)據(jù)列中的某個(gè)值小于Q₃-1.5×IQR或者大于Q₁+1.5×IQR時(shí)認(rèn)為是異常值。

5.根據(jù)權(quán)利要求1所述的基于集成學(xué)習(xí)的工業(yè)鍋爐運(yùn)行優(yōu)化方法，其特征在于，步驟3包括以下步驟：

步驟3.1：基于運(yùn)行數(shù)據(jù)使用線性回歸算法訓(xùn)練得到模型M₁，并使用模型M₁在運(yùn)行數(shù)據(jù)的基礎(chǔ)上獲得NOx排放濃度和熱效率的預(yù)測(cè)值y₁；

步驟3.2：基于運(yùn)行數(shù)據(jù)使用支持向量回歸算法訓(xùn)練得到模型M₂，支持向量回歸模型使用RBF(徑向基函數(shù))核進(jìn)行非線性映射，并使用模型M₂在運(yùn)行數(shù)據(jù)的基礎(chǔ)上獲得NOx排放濃度和熱效率的預(yù)測(cè)值y₂；

步驟3.3：基于運(yùn)行數(shù)據(jù)使用神經(jīng)網(wǎng)絡(luò)算法訓(xùn)練得到模型M₃，并使用模型M₃在運(yùn)行數(shù)據(jù)的基礎(chǔ)上獲得NOx排放濃度和熱效率的預(yù)測(cè)值y₃；

步驟3.4：基于運(yùn)行數(shù)據(jù)使用XGBoost算法訓(xùn)練得到模型M₄，XGBoost模型設(shè)置為最大樹(shù)深15，并使用模型M₄在運(yùn)行數(shù)據(jù)的基礎(chǔ)上獲得NOx排放濃度和熱效率的預(yù)測(cè)值y₄；

步驟3.5：使用線性回歸算法作為元學(xué)習(xí)器，以{y₁，y₂，y₃，y₄}為輸入，鍋爐的熱效率和NOx排放濃度為輸出，訓(xùn)練得到最終的集成燃燒模型。

6.根據(jù)權(quán)利要求5所述的基于集成學(xué)習(xí)的工業(yè)鍋爐運(yùn)行優(yōu)化方法，其特征在于，所述步驟3.3中模型M₃包括輸入層、隱含層L1、隱含層L2和輸出層；

所述輸入層輸入步驟2中預(yù)處理后數(shù)據(jù)中的鍋爐操作參數(shù)和鍋爐負(fù)荷參數(shù)；

所述隱含層L1包含多個(gè)神經(jīng)元；

所述隱含層L2包含多個(gè)神經(jīng)元；

所述輸出層包含鍋爐熱效率和NOx排放濃度兩個(gè)輸出神經(jīng)元。