一种基于数据挖掘的蒸汽锅炉的蒸汽产量的预测方法技术

本发明专利技术公开了一种基于数据挖掘的蒸汽锅炉的蒸汽产量的预测方法，涉及燃气蒸汽锅炉的蒸汽产量生产技术领域。本发明专利技术分析蒸汽产生的过程，以蒸汽锅炉的传感器数据为基础，采用数据挖掘算法建立蒸汽产量预测模型，该模型能够很好地预测蒸汽产量。本发明专利技术使用boosting

【技术实现步骤摘要】
一种基于数据挖掘的蒸汽锅炉的蒸汽产量的预测方法


[0001]本专利技术涉及燃气蒸汽锅炉的蒸汽产量生产
，具体涉及一种基于数据挖掘的蒸汽锅炉的蒸汽产量的预测方法。

技术介绍

[0002]燃气蒸汽锅炉是指利用燃气燃烧加热的蒸汽锅炉。立式蒸汽锅炉采用燃烧机下置方式，两回程结构，燃料燃烧充分，锅炉运行稳定而且占用空间少，同时烟管内插有扰流片，减缓排烟速度，增加换热量，锅炉热效率高，降低用户使用费用；卧式蒸汽锅炉为锅壳式全湿背顺流三回程烟火管结构，火焰在大燃烧室内微正压燃烧，完全伸展，燃烧热负荷低，燃烧热效率高，有效地降低了排烟温度，节能降耗，使用更经济，采用波形炉胆和螺纹烟管结构，即提高了锅炉的吸热强度，又满足了换热面受热膨胀的需要，科学合理，经久耐用。
[0003]燃气蒸汽锅炉的节能方式比较多，传统的节能方式更多的关注蒸汽锅炉的性能提升。例如：根据工业生产所需要蒸汽的量合理选择天然气锅炉的额定功率以及锅炉台数，这两种情况与实际使用匹配度越高排烟损失越小，节能就越明显；让燃料与空气充分接触，让适量的燃料和适量的空气组成最佳比例进行燃烧，这样既能提高燃料的燃烧效率，又能减少污染性气体的排放，实现双重节能的目的；降低天然气锅炉的排烟温度，降低锅炉排烟温度，有效利用排烟中产生的余热，常用锅炉的效率为85
‑
88％，排烟温度是220
‑
230℃。若设置省能器等利用排烟热量后，排烟温度下降到140
‑
150℃，锅炉效率可提高到90
‑
93％左右，再辅以其他节能措施，锅炉热效率可以轻松达到95％以上；回收利用锅炉排污水的热量，通过热交换利用连续排污水中的热量，提高除氧水的给水温度达到天然气蒸汽锅炉节能的目的；还可以合理回收供热系统中的凝结水，并对这些冷凝水的热量进行回收利用。
[0004]但以上的各种节能方法很快就会达到节能瓶颈，因为各种方法均受到蒸汽锅炉的工艺影响。同时，当锅炉负载变化时，锅炉不一定能维持在热效率最高的工作状态。因此，如果可以准确预测蒸汽锅炉的蒸发量，可以调节蒸汽锅炉的可控参数，使蒸汽锅炉在效率最高的状态下产生同样的蒸汽量。
[0005]国内外学者对蒸汽量预测方法多有研究，其现有方法主要包括模糊神经网络、支持向量机、神经网络及混合算法等。以往的预测算法往往需要根据专业人士的先验知识选取输入特征中有用的信息，去掉冗余的信息。并且传统的模型训练方式的周期较长，精确度不高。

技术实现思路

[0006]本专利技术的目的在于提供一种基于数据挖掘的蒸汽锅炉的蒸汽产量的预测方法，解决现有预测方法过于依赖经验、训练周期长、精确度低的问题。
[0007]为解决上述的技术问题，本专利技术采用以下技术方案：一种基于数据挖掘的蒸汽锅炉的蒸汽产量的预测方法，其特征在于包括如下步骤：
[0008]S1、获取燃气蒸汽锅炉的蒸发量生产数据并进行预处理，其中生产数据包括点火
压力、熄火压力、蒸汽压力、蒸汽温度、锅炉内温度、锅炉给水温度、锅炉回水温度、锅炉回水压力、天然气流量、给水泵转速、回水泵转速和蒸汽流量；预处理包括数据清理、数据集成、数据规约和数据变换；
[0009]S2、对生产数据进行参数选择，选择出对训练数据集预测精度影响较大的参数；根据蒸汽量预测的特点，采用模型方法去筛选特征；
[0010]S3、将参数筛选后的数据输入到训练网络当中，训练网络采用自适应权重的融合模型，训练网络对筛选的数据进行数据训练并构建自适应权重的融合模型，得到预测模型；
[0011]S4、将测试数据集数据输入到预测模型，得到蒸汽量的预测结果。
[0012]更进一步的技术方案是所述步骤S1中数据预处理中当变量缺失率大于80％时，覆盖率低，且通过蒸汽生成原理预判其重要性低，直接将变量删除；定值填充使用
‑
9999进行替代；对于数据符合均匀分布，用该变量的均值填补缺失，对于数据存在倾斜分布的情况，采用中位数进行填补。
[0013]更进一步的技术方案是所述步骤S2中采用boosting
‑
tree算法计算各个参数的重要性指数，设置参数阈值，保留重要性指数大于参数阈值的参数，删除重要性指数小于参数阈值的参数。
[0014]更进一步的技术方案是所述步骤S3中具体的训练步骤为：
[0015]S3
‑
1.模型训练之前，先用岭回归进行预测，剔除训练集中的预测残差在3sigma之外的点。
[0016]S3
‑
2.在模型训练阶段，使用训练集的85％的数据分别对线性回归模型、支持向量回归模型和随机森林回归模型进行初步训练训练，针对每个模型均需要进行参数调优的训练和测试；随机森林回归模型中，使用网格搜索对以下参数进行调优：max_features随机森林允许单个决策树使用特征的最大数量和n_estimators需要建立的子树的数量；经过网格搜索后，参数分别设置为：sqrt和200；使用训练集的剩余15％作为验证机，分别对每个模型进行调参处理；
[0017]S3
‑
3.在自适应模型融合阶段，使用训练集的剩余15％作为验证集，对各种加权方法进行验证，根据最小均方误差准则，确定三个模型的权重。
[0018]更进一步的技术方案是所述步骤S1获取的生产数据选自福士德燃油/气蒸汽锅炉，将获取的数据随机选取4000个组成训练数据集，余下的1000个数据组成测试数据集。
[0019]与现有技术相比，本专利技术的有益效果是：本方法在蒸汽量生产数据基础上应用合理算法，使用boosting
‑
tree算法对模型参数进行选择，采用自适应权重的融合模型算法建立蒸汽量预测模型，选择相应的工艺参数，降低了输入的维数，节省了数据的训练时间。与神经网络(NN)、支持向量机(SVM)、随机森林树和k近邻数据挖掘算法构建蒸汽量的预测模型相比，采用自适应权重的融合模型算法建立的蒸汽量生产预测模型预测精度更高。
附图说明
[0020]图1为本专利技术中的网络模型结构组成图。
[0021]图2为蒸汽产生量的拟合效果图。
具体实施方式
[0022]为了使本专利技术的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对专利技术进行进一步详细说明。应当理解，此处所描述的具体实施例仅用以解释本专利技术，并不用于限定本专利技术。
[0023]实施例
[0024]一种基于数据挖掘的燃气蒸汽锅炉的蒸汽量预测方法具体实施步骤如下：
[0025]S1、数据获取
[0026]蒸汽量生产数据选自福士德燃油/气蒸汽锅炉，生产数据包括点火压力、熄火压力、蒸汽压力、蒸汽温度、锅炉内温度、锅炉给水温度、锅炉回水温度、锅炉回水压力、天然气流量、给水泵转速、回水泵转速和蒸汽流量。以上所有数据通过可编程控制器PLC，每隔1秒钟采集一次，收集72
‑
96小时的运行数据。
[0027]将数据集随机分成两部分，第一本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于数据挖掘的蒸汽锅炉蒸汽产量的预测方法，其特征在于包括如下步骤：S1、获取燃气蒸汽锅炉的蒸发量生产数据并进行预处理，其中生产数据包括点火压力、熄火压力、蒸汽压力、蒸汽温度、锅炉内温度、锅炉给水温度、锅炉回水温度、锅炉回水压力、天然气流量、给水泵转速、回水泵转速和蒸汽流量；预处理包括数据清理、数据集成、数据规约和数据变换；S2、对生产数据进行参数选择，选择出对训练数据集预测精度影响较大的重要参数，根据蒸汽量预测的特点，采用模型方法去筛选特征；S3、将参数筛选后的数据输入到训练网络当中，训练网络采用自适应权重的融合模型，训练网络对筛选的数据进行数据训练并构建自适应权重的融合模型，得到预测模型；S4、将测试数据集数据输入到预测模型，得到蒸汽量的预测结果。2.根据权利要求1所述的一种基于数据挖掘的蒸汽锅炉蒸汽产量的预测方法，其特征在于：所述步骤S1中数据预处理中当变量缺失率大于80％时，覆盖率低，且通过蒸汽生成原理预判其重要性低，直接将变量删除；定值填充使用
‑
9999进行替代；对于数据符合均匀分布，用该变量的均值填补缺失，对于数据存在倾斜分布的情况，采用中位数进行填补。3.根据权利要求1所述的一种基于数据挖掘的蒸汽锅炉蒸汽产量的预测方法，其特征在于：所述步骤S2中采用boosting
‑
tree算法计算各个参数的...

【专利技术属性】
技术研发人员：于忠清，李琳，
申请(专利权)人：青岛洪锦智慧能源技术有限公司，
类型：发明
国别省市：