[發明專利]一種基于PSO算法的鍋爐結渣程度預測方法及相關裝置

在審

• 申請號: 202210583224.4
• 申請日: 2022-05-26
• 公開（公告）號: CN114912697A
• 公開（公告）日: 2022-08-16
• 發明（設計）人: 李德波;陳智豪;陳兆立
• 申請（專利權）人: 南方電網電力科技股份有限公司
• 主分類號: G06Q10/04
• 分類號: G06Q10/04;G06Q10/06;G06N3/04;G06N3/08;G06N3/00
• 代理公司: 北京集佳知識產權代理有限公司 11227
• 代理人: 劉曉娟

1.一種基于PSO算法的鍋爐結渣程度預測方法，其特征在于，包括：

基于預置PSO算法，根據鍋爐結渣訓練數據集對初始模糊神經網絡模型進行網絡參數優化訓練，得到優化預測模型，所述預置PSO算法包括非線性慣性權重；

通過預設隸屬度函數根據結渣相關數據進行結渣程度劃分，得到結渣隸屬度值，所述結渣相關數據包括硅鋁比、軟化溫度、硅比、酸堿比、綜合指數和無因次爐膛最高溫度；

將所述結渣隸屬度值輸入所述優化預測模型中進行結渣預測，得到結渣預測結果。

2.根據權利要求1所述的基于PSO算法的鍋爐結渣程度預測方法，其特征在于，所述基于預置PSO算法，根據鍋爐結渣訓練數據集對初始模糊神經網絡模型進行網絡參數優化訓練，得到優化預測模型，包括：

初始化粒子群相關參數，所述粒子群相關參數包括初始粒子群速度和初始粒子群位置；

將所述鍋爐結渣訓練數據集的均方誤差作為預置PSO算法的適應度函數，并計算得到初始適應度值；

基于非線性慣性權重調整所述初始粒子群速度和初始粒子群位置，得到更新粒子群速度和更新粒子群位置；

根據基于所述更新粒子群速度和所述更新粒子群位置優化的預置PSO算法對初始模糊神經網絡模型進行網絡參數迭代優化訓練，得到優化預測模型。

3.根據權利要求1所述的基于PSO算法的鍋爐結渣程度預測方法，其特征在于，所述非線性慣性權重表達為：

其中，w_min為非線性慣性權重最小值，w_max為非線性慣性權重最大值，t為當前迭代次數，t_max為最大迭代次數，a，b均為調整參數。

4.根據權利要求1所述的基于PSO算法的鍋爐結渣程度預測方法，其特征在于，所述將所述結渣隸屬度值輸入所述優化預測模型中進行結渣預測，得到結渣預測結果，之后還包括：

根據所述結渣預測結果對燃煤電廠鍋爐容量和燃煤機組方案進行優化。

5.一種基于PSO算法的鍋爐結渣程度預測裝置，其特征在于，包括：

優化訓練模塊，用于基于預置PSO算法，根據鍋爐結渣訓練數據集對初始模糊神經網絡模型進行網絡參數優化訓練，得到優化預測模型，所述預置PSO算法包括非線性慣性權重；

隸屬劃分模塊，用于通過預設隸屬度函數根據結渣相關數據進行結渣程度劃分，得到結渣隸屬度值，所述結渣相關數據包括硅鋁比、軟化溫度、硅比、酸堿比、綜合指數和無因次爐膛最高溫度；

結渣預測模塊，用于將所述結渣隸屬度值輸入所述優化預測模型中進行結渣預測，得到結渣預測結果。

6.根據權利要求5所述的基于PSO算法的鍋爐結渣程度預測裝置，其特征在于，所述優化訓練模塊，具體用于：

初始化粒子群相關參數，所述粒子群相關參數包括初始粒子群速度和初始粒子群位置；

將所述鍋爐結渣訓練數據集的均方誤差作為預置PSO算法的適應度函數，并計算得到初始適應度值；

基于非線性慣性權重調整所述初始粒子群速度和初始粒子群位置，得到更新粒子群速度和更新粒子群位置；

根據基于所述更新粒子群速度和所述更新粒子群位置優化的預置PSO算法對初始模糊神經網絡模型進行網絡參數迭代優化訓練，得到優化預測模型。

7.根據權利要求5所述的基于PSO算法的鍋爐結渣程度預測裝置，其特征在于，所述非線性慣性權重表達為：

其中，w_min為非線性慣性權重最小值，w_max為非線性慣性權重最大值，t為當前迭代次數，t_max為最大迭代次數，a，b均為調整參數。

8.根據權利要求5所述的基于PSO算法的鍋爐結渣程度預測裝置，其特征在于，還包括：

方案優化模塊，用于根據所述結渣預測結果對燃煤電廠鍋爐容量和燃煤機組方案進行優化。