[發明專利]一種基于LLE降維算法的鍋爐燃燒效率預測方法和系統

在審

• 申請號: 202210431128.8
• 申請日: 2022-04-22
• 公開（公告）號: CN114723159A
• 公開（公告）日: 2022-07-08
• 發明（設計）人: 劉成剛;張坤鋒;謝金芳;姜業正
• 申請（專利權）人: 浙江英集動力科技有限公司
• 主分類號: G06Q10/04
• 分類號: G06Q10/04;G06Q50/06;G06K9/62;G06N3/00;G06N3/04;G06N3/08
• 代理公司: 常州市科誼專利代理事務所 32225
• 代理人: 芮雪萍

1.一種基于LLE降維算法的鍋爐燃燒效率預測方法，其特征在于，包括：

步驟S1、構建包含鍋爐效率影響因素數據和燃燒效率數據的數據集，將數據集進行歸一化處理，并通過LLE降維算法對鍋爐效率影響因素進行降維處理；

步驟S2、將降維處理后的數據集分為測試集和訓練集，將訓練集送入機器學習算法中進行訓練，直到達到設定的迭代次數或者精度要求；

步驟S3、輸出鍋爐燃燒效率預測模型。

2.根據權利要求1所述的鍋爐燃燒效率預測方法，其特征在于，

所述LLE降維算法，具體包括：

將歸一化后的鍋爐燃燒因素數據設定為N個輸入向量集{x₁，x₂，…，x_N}，x_i為第i個歸一化后的鍋爐燃燒因素數據；

S1尋找相對于每個樣本點x_i的歐氏距離最近的k個樣本點規定為所求點的近鄰點，k是一個預先給定的值；

S2由每個樣本點的近鄰點x_i計算出該樣本點的局部重建權值矩陣：

S3由該樣本點的局部重建權值矩陣和其近鄰點計算出該樣本點的輸出值：

x_ij(j＝1，2，…，k)為x_i的k個近鄰點；w_ij為x_i與x_ij之間的權值，且滿足條件y_j、y_i分別為第j個和第i個樣本點的輸出值。

3.根據權利要求1所述的鍋爐燃燒效率預測方法，其特征在于，

所述機器學習算法采用PSO-LSTM算法，具體包括：

S1構建經過歸一化和降維之后的數據集，并將其劃分為訓練集和測試集；

S2建立LSTM模型，確定需要尋優的參數，神經元數量L1，學習率ε和訓練迭代次數k，并確定它們各自尋優的范圍；

S3初始化PSO參數，包括粒子的初始速度和位置，學習權重，訓練次數和規模；

S4確定粒子的適應度函數，本文將預測模型的改進型誤差函數作為粒子的適應度函數，尋找最優模型參數；

S5比較粒子的適應度值，尋找個體最優位置和全局最優位置，更新最優的適應度值；

S6判斷是否達到最大迭代次數，如果達到最大迭代次數，將得到的最優參數傳給LSTM模型，并進行訓練和預測。若未達到要求，則返回S5。

4.根據權利要求3所述的鍋爐燃燒效率預測方法，其特征在于，

所述改進型誤差函數為：

其中，y_t為第t個神經元的輸出值，為所有N個神經元的輸出平均值，為神經元的期望輸出值。

5.根據權利要求1所述的鍋爐燃燒效率預測方法，其特征在于，

所述鍋爐效率影響因素數據包括：燃燒特性；預熱空氣；排煙損失；煤粉和一二次風沿爐膛高度方向的分布；投用燃盡風的影響；外二次風的影響。

6.根據權利要求5所述的鍋爐燃燒效率預測方法，其特征在于。

所述燃燒特性通過煤種、總煤量、機組負荷和運行氧量進行表示。

7.根據權利要求5所述的鍋爐燃燒效率預測方法，其特征在于，

所述預熱空氣通過熱一次風母管壓力和空氣預熱器入口一二次風溫度加權進行表示。

8.根據權利要求5所述的鍋爐燃燒效率預測方法，其特征在于，

所述排煙損失通過排煙氧量、排煙溫度、CO體積分數進行表示；

所述煤粉和一二次風沿爐膛高度方向的分布通過熱二次風流量、磨煤機進口一次風風量和磨煤機分離器轉速進行表示。

9.根據權利要求5所述的鍋爐燃燒效率預測方法，其特征在于，

所述投用燃盡風的影響通過燃盡風風門開度進行表示；所述外二次風的影響通過二次風風門開度進行表示。

10.一種基于LLE降維算法的鍋爐燃燒效率預測系統，其特征在于：采用權利要求1-9任一項所述的鍋爐燃燒效率預測方法，包括：

數據采集系統，采集鍋爐效率影響因素數據和燃燒效率數據；

數據初始化系統，負責對數據進行歸一化處理和降維；

數據劃分系統，將經過歸一化處理和降維后的數據隨機劃分為訓練集和測試集；

數據訓練系統，負責將劃分后的訓練集投入到組合預測算法之中進行算法的訓練，并生成鍋爐燃燒效率預測模型。