一种燃煤电站锅炉用人工智能吹灰系统技术方案

本发明专利技术公开了一种基于机器学习算法的燃煤电站锅炉人工智能吹灰系统。具体为，通过网络采集各种燃煤电站锅炉的相关数据，经过系统预处理并提取有效特征并存入数据库。进一步的，系统机器学习模块模仿人类的学习方式从数据库数据中学习并总结出不同类型锅炉在各种工况下的最优吹灰策略，并智能地指挥吹灰器高效运行。本发明专利技术与国内电厂现有的各种控制系统兼容，并有效地解决了传统吹灰控制系统只针对特定任务进行硬编码所导致的吹灰判断不准、效果不尽如人意等缺陷，极大地提高锅炉的吹灰效率，有效延长锅炉受热面的使用寿命，部署方便、成本低，对我国燃煤发电厂的经济效益和环保效益提升巨大。

An Artificial Intelligence Soot Blowing System for Coal-fired Power Plant Boilers

The invention discloses an artificial intelligence soot blowing system for Coal-fired Utility Boilers Based on machine learning algorithm. Specifically, the relevant data of various coal-fired utility boilers are collected through the network, and the effective features are extracted and stored in the database after system pretreatment. Furthermore, the machine learning module of the system imitates the human learning mode to learn from the database data and summarizes the optimal soot blowing strategies for different types of boilers under various operating conditions, and intelligently commands the efficient operation of soot blowers. The invention is compatible with various existing control systems of domestic power plants, and effectively solves the defects of inaccurate judgment and unsatisfactory effect of the traditional soot blowing control system caused by hard coding only for specific tasks, greatly improves the soot blowing efficiency of the boiler, effectively prolongs the service life of the heating surface of the boiler, is convenient to deploy, and has low cost, and has been applied to coal-fired power plants in China. Economic and environmental benefits have been greatly improved.

【技术实现步骤摘要】
一种燃煤电站锅炉用人工智能吹灰系统
本专利技术涉及各种类型和参数的燃煤电站锅炉吹灰
，尤其涉及一种基于机器学习算法的燃煤电站锅炉人工智能吹灰决策方法。
技术介绍
我国电力行业主要依赖燃煤发电。煤粉在炉内燃烧的过程中，除部分结渣下落从排渣口排出外，还有一部分未充分燃烧的挥发份、碳粒、灰分等随烟气进入受热面，并在受热面上冷却、吸附、粘连，形成结焦和积灰。钾、钠等碱金属气体在管壁上凝结后与烟气中的三氧化硫、飞灰中的氧化物发生反应后生成复合硫酸盐导致受热面热阻增加、热效率下降。因为积焦的导热系数约为0.116w/(m2℃)，仅为锅炉用钢材导热系数的约1/600，极大地降低了受热面的导热能力，导致热能无法被有效吸收，锅炉热效率下降，煤耗增加。严重的结焦还会在高温对流管束上搭桥造成管排间阻力增加，破坏炉内空气动力场，使燃烧工况急剧恶化。同时，硫酸盐在高温熔融状态下对管壁快速腐蚀，极易引起爆管。相反在未污染或污染较少部位，烟气流速增大，传热增强。因为飞灰对管壁的磨损与烟气流速约成3次方关系，所以烟气流动速度越高，未污染或污染较少的受热面磨损就越严重。受热面局部传热能力的下降还会造成管排间吸热不均匀，过热器、再热器产生热偏差，引起出口管壁超温。在长期超温10-20℃情况下，金属材料使用寿命约缩短一半。污染后的锅炉，由于烟气流通的整体阻力增大，增加了送风机、引风机的功耗，同时空气预热器换热效果也会降低，导致一次风、二次风温度下降，直接降低炉膛的燃烧效率。由于炉内过程是一种极其复杂的物理化学过程，燃煤、受热面、温度、空气动力等因素，都会影响受热面的积灰与结焦，目前尚不能完全解决。实践中，经常对受热面进行吹灰来预防锅炉的结焦、积灰，延缓受热面腐蚀，保障锅炉安全经济运行。目前电厂普遍采用孤立闭环模式智能吹灰系统，通过在锅炉本体上布置感应装置采集锅炉数据计算出一个目标参数，通常是管壁清洁系数CF:CF=K/K0CF-管壁清洁系数K–污染管壁的传热系数，KW/m2.℃K0–清洁管壁的传热系数，KW/m2.℃然后目标参数CF与预先设定的吹灰规则值进行对比，达到一个阀值后，系统即判断锅炉受热面已积灰或结焦，启动吹灰器吹扫。然而这种简单的因果计算法被实践证明并不适用于锅炉复杂的物理化学反应过程，对单一目标参数理论上精确计算不一定能得到整体上准确的吹灰结论。通过感应装置采集的信息过于单一且只是针对单台锅炉的局部测点位置，样本数据量太少,不能综合利用各类锅炉运行的全面数据进行归纳总结，实质上还是一种电子探测加人工规则的自动控制系统，而非智能吹灰。“一种燃煤电站锅炉用人工智能吹灰系统”将人工智能技术应用于电站锅炉吹灰控制领域，让计算机模仿人类的思维方式，通过基于大数据的相关性分析而非简单的因果计算，挖掘各类锅炉结焦和积灰的普遍规律，使输出的吹灰策略更准确。燃煤电站锅炉的积灰和结焦问题始终是锅炉安全运行的一大风险，而机器学习作为实现人工智能最普遍的方法，主要用于风险评估，所以机器学习的思想和方法特别适用于燃煤电站锅炉的风险评估。本系统将互联网技术、大数据分析和机器学习算法综合运用于对锅炉积灰和结焦风险的评估，为燃煤电站锅炉的设计、制造和运行管理提供合理化建议。通过对各火力发电厂运行的各种类型和参数的电站锅炉建立全面真实的数据模型，对结焦、积灰位置、概率进行准确预测，在重点监控的危险区域投放经济合理的吹灰操作，提高机组运行效率、延长受热面的使用寿命。随着我国“互联网+”国策的推进和人工智能浪潮的到来，智能电厂和智能电网的建设将是我国电力行业发展的必然方向。“一种燃煤电站锅炉用人工智能吹灰系统”超越传统吹灰控制方法的局限，充分发挥网络和人工智能技术优势，符合我国电力行业的发展方向。
技术实现思路
“机器学习”是一种实现人工智能的方法，或者说是一套算法，它通过训练数据集来做预测或者采取行动以使系统达到最优化状态。“一种燃煤电站锅炉用人工智能吹灰系统”(以下简称“人工智能吹灰系统”)涉及计算机科学、电站锅炉设计、统计、项目管理等多方面知识；充分利用分布式网络，突破各电力单位之间的地理限制，使人工智能吹灰系统得到的经验能够被全网用户共享，如图1网络拓扑图所示，但并不仅限于此方式。对于不能联网的用户可以通过系统用户接口将离线数据导入系统数据库的办法，离线采集的样本数据集，作为一种历史经验数据仍然可以供人工智能模块学习利用。人工智能吹灰系统的核心是机器学习模块，软件设计流程如图5所示，其核心设计思想是CART分类决策树树算法。CART分类决策树树的作用是通过分析一个对象的样本数据中的特征来预测该对象所属的类别。本程序依赖CART分类决策树树算法将各种复杂的锅炉运行状态样本数据集统计分析后区分出‘吹灰’和‘不吹灰’两种判断结果，进而作出吹灰决策。CART分类决策树树算法使用基尼系数代表数据样本的不纯度，基尼系数越小，则不纯度越低，特征越好。具体的，在分类问题中，假设有K个类别，第k个类别的概率为,则基尼系数的表达式为:对于二分类问题，计算就更加简单了，如果属于第一个样本的输出概率为p,则基尼系数的表达式为:对于样本D,如果根据特征A的某个值a把D分成D1，D2两部分，则D的基尼系数的表达式为:根据上述原理，CART分类决策树用基尼系数（Gini）最小化原则来进行特征选择，生成一颗二叉树。CART假设决策树是二叉树，树内部结点特征的取值为“是”和“否”，左分支是值为“是”的分支，右分支是值为“否”的分支。实质上这样的决策树等价于递归地二分每个特征，CART树将输入的特征空间划分为有限个单元，并在这些单元上确定预测的概率分布，也就是在给定的输入条件下输出的条件概率分布。CART分类决策树的生成算法如下:输入：训练数据集D，停止计算条件。输出：CART分类树。根据训练样本数据集，从根结点出发，递归地对每个结点进行以下操作，构建出一颗二叉树:1.设结点的训练样本数据集为D，计算现有特征对该数据集的基尼系数（Gini）。此时对于每个特征A及其可能取的每个值a，根据样本点对A=a的测试为“是”或“否”，将样本数据集D分割成D1和D2两个部分，计算A=a时的基尼系数（Gini）。2.然后在所有可能的特征A以及其所有可能的切分点a中，选择基尼系数（Gini）最小的特征及其对应的切分点作为最优特征和最优切分点。根据最优特征与最优切分点，从现结点分出两个子结点，将训练数据集依据最优特征分配到两个子结点中去。3.进一步的，对两个子结点递归地调用步骤l~2，直至满足停止条件。4.最终生成CART分类决策树。分类决策树算法的停止计算条件是结点中的样本个数小于预定阈值，或者样本集的基尼系数（Gini）小于预定阈值（说明样本数据记录已经基本属于同一类），或者已没有更多特征。根据上述原理，机器学习模块程序采用目前人工智能领域中应用最为广泛的Python语言编写，利用Python语言强大、模块化的特性。Python开发环境提供的海量高级数据结构（如列表、元组、字典、集合等）和数之不尽的第三方库，足以应付“人工智能吹灰系统”收集和处理大数据的需求。本系统使用的Python第三方库包括Scikit-learn、Numpy、Pandas、Matplotlib等。其中:ØScikit-l本文档来自技高网...

【技术保护点】
1.“一种燃煤电站锅炉用人工智能吹灰系统”，其特征在于：1）分布式网络布局（如图1所示），突破地理限制，实现吹灰经验全局共享；2）围绕电站锅炉机组采集相关的设计、建造、建设、运行、管理等领域的相关信息构建分布式数据库系统；3）以机器学习算法模块为核心；4）通过机器学习总结经验，从而对不同类型电站锅炉受热面积灰、结焦的趋势作出准确判断，并及时输出正确的吹灰策略；5）与已投入运行的传统吹灰控制系统兼容；6）机器学习模块会根据技术服务反馈和电厂维护经验信息对各种吹灰策略进行评估，不断进行自我修正以逼近最佳吹灰策略。

【技术特征摘要】
1.“一种燃煤电站锅炉用人工智能吹灰系统”，其特征在于：1）分布式网络布局（如图1所示），突破地理限制，实现吹灰经验全局共享；2）围绕电站锅炉机组采集相关的设计、建造、建设、运行、管理等领域的相关信息构建分布式数据库系统；3）以机器学习算法模块为核心；4）通过机器学习总结经验，从而对不同类型电站锅炉受热面积灰、结焦的趋势作出准确判断，并及时输出正确的吹灰策略；5）与已投入运行的传统吹灰控制系统兼容；6）机器学习模块会根据技术服务反馈和电厂维护经验信息对各种吹灰策略进行评估，不断进行自我修正以逼近最佳吹灰策略。2.如权利要求1特征1）所述，“一种燃煤电站锅炉用人工智能吹灰系统”其特征在于，基于先进的互联网技术，实现电站锅炉设备制造、设计、建设、生产运行和管理单位的网络互联，从而有效地支持在不同电厂以及不同锅炉机组之间分享各自的经验数据和吹灰策略。3.如权利要求1特征2）所述，“一种燃煤电站锅炉用人工智能吹灰系统”，其特征在于，使用可靠的关系数据库系统广泛收集电站锅炉设备设计、制造、建设、生产运行和管理领域的相关信息,进一步地，在此基础上提取有效特征生成高效的数据模型,其关系数据模型示意见图4。4.如权利要求1特征3）所述，“一种燃煤电站锅炉用人工智能吹灰系统”的核心主要是采用Python语言开...

【专利技术属性】
技术研发人员：张日，
申请(专利权)人：北京巴布科克·威尔科克斯有限公司，
类型：发明
国别省市：北京,11