[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

本發明屬于環保節能領域，公開了一種基于LLE降維算法的鍋爐燃燒效率預測方法和系統，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；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；輸出鍋爐燃燒效率預測模型，解決了原先降維效果較差和鍋爐效率預測不準的問題，具有較好的降維效果，預測精度和預測速度。

技術領域

本發明屬于環保節能技術領域，具體涉及一種基于LLE降維算法的鍋爐燃燒效率預測方法和系統。

背景技術

鍋爐效率是反映鍋爐運行經濟性的重要技術指標。電站鍋爐效率采用正反平衡計算，而現代大型電站鍋爐的熱效率常采用反平衡法來計算，通過求出鍋爐的各項熱損失來計算鍋爐效率，因此需要現場采集排煙溫度、干煙氣體積、飛灰含碳量、爐渣可燃物等數據，實際操作十分復雜，且測試計算時間較長，對鍋爐燃燒調整滯后性較大。同時鍋爐效率受到煤種、鍋爐負荷、配風方式等多種因素的影響，且各參數之間互相耦合，導致數據分析困難。燃燒過程還伴隨著能量轉換、物理化學變化、強耦合和非線性等特性，是一個非常復雜的過程，從而難以用機理模型來正確描述。

影響鍋爐燃燒效率的因素有很多，例如入爐煤質量流量、一次風質量流量等，傳統型對上述因素進行控制時一般采用專家的方法，選取影響鍋爐效率重要程度較高的因素，這導致最終的選取結果與個人的經驗因素直接掛鉤，導致其精度較差。采用PCA降維方法對上述因素降維，但是其將高緯度空間的局部線性關系刪除，無法保留局部特征，從而使得最終的降維效果不好。

基于上述技術問題，需要設計一種基于LLE降維算法的鍋爐燃燒效率預測方法和系統。

發明內容

本發明的目的是提供一種基于LLE降維算法的鍋爐燃燒效率預測方法和系統。

為了解決上述技術問題，本發明第一方面提供了一種基于LLE降維算法的鍋爐燃燒效率預測方法，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。

進一步，所述步驟S1中，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。

進一步，所述步驟2中的機器學習算法采用PSO-LSTM算法。

進一步，所述PSO-LSTM算法，具體包括：