一种基于宽度学习和回归模型的蒸汽量预测方法及系统技术方案

本发明专利技术提供一种基于宽度学习和回归模型的蒸汽量预测方法及系统，蒸汽量预测方法包括：采集待测火力发电厂的实际运行数据；基于第一预测模型，根据实际运行数据，确定第一预测蒸汽量；第一预测模型是通过初始样本数据集，对宽度学习系统进行训练得到；基于第二预测模型，根据实际运行数据，确定第二预测蒸汽量；第二预测模型是通过初始样本数据集，对Lasso回归模型进行训练得到；将第一蒸汽量预测值及第二蒸汽量预测值线性组合，得到待测火力发电厂的蒸汽量。采用组合预测的结果更加契合蒸汽量的趋势，更能贴近真实值，有效地缓解了单一模型在变化剧烈的峰值和谷值位置预测偏差较大的问题，提高了蒸汽量预测的效率及准确度。确度。确度。

【技术实现步骤摘要】
一种基于宽度学习和回归模型的蒸汽量预测方法及系统


[0001]本专利技术涉及火力发电
，特别是涉及一种基于宽度学习和回归模型的蒸汽量预测方法及系统。

技术介绍

[0002]火力发电过程是原料焚烧加热水产生水蒸汽，蒸汽推动汽轮机转动，汽轮机带动发电机旋转，产生电能。蒸汽量的精准测量，对于提升焚烧效率、提高汽轮机机组的经济稳定运行具有重要的意义。影响蒸汽量的因素很多，这些因素可分为外部因素和内部因素，外部因素包括燃料特性、环境温度、设备结构特性等，内部因素则包括炉膛温度、炉膛压力、一二次给风量、锅炉给水水量等。外部因素是固定的，可以通过不断调整内部因素来提高燃烧效率从而产生稳定的蒸汽量。
[0003]目前已有不少测量蒸汽量的方法，主要有传统测量装置、弗留格尔公式计算、智能算法等。传统测量装置包括流量孔板或者是喷嘴等标准节流装置，但节流装置在测量过程中容易造成节流损失，从而影响机组的出力。弗留格尔公式计算蒸汽量存在着局限性，例如使用弗留格尔公式的前提是假定通流面积不变，但是在实际生产过程中由于机组负荷的变动或者结垢导致通流面积是变化的，从而造成计算蒸汽量是存在着较大的误差。近年来，智能算法在电力系统中得到了广泛应用，其中最具代表的是基于神经网络的蒸汽量预测方法，该方法达到了较好的预测效果，但存在着全局寻优能力差、训练时间长、容易过拟合等缺点。
[0004]由于火力发电产生蒸汽是一个涉及多变量、非线性、复杂度较高的过程，很难根据一些理论依据和经验找到最合理的工艺参数，这导致在研发设计的过程中，工艺参数的验证和优化耗费大量的时间。电厂历史运行数据质量较差、蒸汽量与各特征变量是非线性关系的原因，增大了蒸汽量预测的工作量，使得预测效果较差。因此，如何开展快速、准确的蒸汽量预测是一个亟需解决的问题。

技术实现思路

[0005]本专利技术的目的是提供一种基于宽度学习和回归模型的蒸汽量预测方法及系统，可提高蒸汽量预测的效率及准确度。
[0006]为实现上述目的，本专利技术提供了如下方案：
[0007]一种基于宽度学习和回归模型的蒸汽量预测方法，所述基于宽度学习和回归模型的蒸汽量预测方法包括：
[0008]采集待测火力发电厂的实际运行数据；
[0009]基于第一预测模型，根据所述实际运行数据，确定第一预测蒸汽量；其中，所述第一预测模型是通过初始样本数据集，对宽度学习系统进行训练得到，所述初始样本数据集包括多组历史运行数据及各组历史运行数据对应的历史蒸汽量；
[0010]基于第二预测模型，根据所述实际运行数据，确定第二预测蒸汽量；其中，所述第
二预测模型是通过初始样本数据集，对Lasso回归模型进行训练得到；
[0011]将所述第一蒸汽量预测值及所述第二蒸汽量预测值线性组合，得到所述待测火力发电厂的蒸汽量。
[0012]可选地，所述第一预测模型的建立方法包括：
[0013]采用One
‑
class SVM算法检测所述初始样本数据集中的异常值，并将异常值剔除，得到正常样本数据集；
[0014]采用最大信息系数方法，从所述正常样本数据集中的历史运行数据中选取与蒸汽量相关性大于阈值的历史运行数据，得到训练样本集；所述训练样本集包括多组历史运行数据及各组历史运行数据对应的历史蒸汽量；
[0015]采用所述训练样本集对宽度学习系统进行迭代训练，调整所述宽度学习系统的权重，直至所述宽度学习系统的误差小于误差阈值时，则当前权重对应的宽度学习系统为第一预测模型。
[0016]可选地，所述宽度学习系统包括依次连接的输入层、增强层和输出层；
[0017]所述采用所述训练样本集对宽度学习系统进行迭代训练，调整所述宽度学习系统的权重，直至所述宽度学习系统的误差小于误差阈值时，则当前权重对应的宽度学习系统为第一预测模型，具体包括：
[0018]通过所述输入层根据各组历史运行数据，确定多组映射特征；每组映射特征包括多个特征节点；
[0019]通过所述增强层根据多组映射特征确定对应的多组增强节点；每组增强节点包括多个增强节点；
[0020]根据各特征节点及各增强节点连接到输出层的权重，确定连接权重矩阵；所述连接权重矩阵为宽度学习系统的权重；
[0021]通过所述输出层根据各组映射特征、各组增强节点及所述连接权重矩阵，确定预测蒸汽量；
[0022]根据所述预测蒸汽量及历史运行数据样本对应的历史蒸汽量，确定所述宽度学习系统的预测误差；
[0023]根据所述预测误差调整所述连接权重矩阵，直至预测误差小于误差阈值时，则当前的宽度学习系统为第一预测模型。
[0024]可选地，根据以下公式，确定第φ组映射特征：
[0025]L
φ
＝ω(XM
αφ
+τ
αφ
),φ＝1,2,
…
,n；
[0026]其中，L
φ
为第φ组映射特征，ω为第一映射函数，X为第φ组历史运行数据组成的矩阵，M
αφ
为第φ组历史运行数据的权重系数，τ
αφ
为偏置项，n为映射特征组的数量。
[0027]可选地，根据以下公式，确定第γ组增强节点：
[0028][0029]其中，Z
γ
为第γ组增强节点，为第φ组映射特征，μ为第二映射函数，M
χγ
为第γ组增强节点的权重系数，τ
χγ
为第γ组增强节点的偏置项，m为增强节点组的数量。
[0030]可选地，根据以下公式，确定预测蒸汽量：
[0031]Y＝[L1,L2,...,L
n
|Z1,Z2,...,Z
m
]W；
[0032]其中，Y为预测蒸汽量，L
n
为第n组映射特征，Z
m
为第m组增强节点，W为连接权重矩阵，[L1,L2,...,L
n
|Z1,Z2,...,Z
m
]为矩阵拼接运算。
[0033]可选地，所述将所述第一蒸汽量预测值及所述第二蒸汽量预测值线性组合，得到所述待测火力发电厂的蒸汽量，具体包括：
[0034]根据所述第一预测模型在训练时的预测误差及所述第二预测模型在训练时的预测误差，确定偏差矩阵；
[0035]根据所述偏差矩阵，采用拉格朗日乘子法，确定第一预测模型及第二预测模型的权重系数；
[0036]根据所述第一蒸汽量预测值、所述第二蒸汽量预测值、所述第一预测模型的权重系数及第二预测模型的权重系数，确定所述待测火力发电厂的蒸汽量。
[0037]可选地，根据以下公式确定偏差矩阵：
[0038][0039]其中，A为偏差矩阵，M为训练样本集中历史运行数据的数量，a
1t
为第一预测模型在历史运行数据t时的预测蒸汽量与历史蒸汽量的误差，a
2t
为第二预测模型在历史运行数据t时的预测蒸本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于宽度学习和回归模型的蒸汽量预测方法，其特征在于，所述基于宽度学习和回归模型的蒸汽量预测方法包括：采集待测火力发电厂的实际运行数据；基于第一预测模型，根据所述实际运行数据，确定第一预测蒸汽量；其中，所述第一预测模型是通过初始样本数据集，对宽度学习系统进行训练得到，所述初始样本数据集包括多组历史运行数据及各组历史运行数据对应的历史蒸汽量；基于第二预测模型，根据所述实际运行数据，确定第二预测蒸汽量；其中，所述第二预测模型是通过初始样本数据集，对Lasso回归模型进行训练得到；将所述第一蒸汽量预测值及所述第二蒸汽量预测值线性组合，得到所述待测火力发电厂的蒸汽量。2.根据权利要求1所述的基于宽度学习和回归模型的蒸汽量预测方法，其特征在于，所述第一预测模型的建立方法包括：采用One
‑
class SVM算法检测所述初始样本数据集中的异常值，并将异常值剔除，得到正常样本数据集；采用最大信息系数方法，从所述正常样本数据集中的历史运行数据中选取与蒸汽量相关性大于阈值的历史运行数据，得到训练样本集；所述训练样本集包括多组历史运行数据及各组历史运行数据对应的历史蒸汽量；采用所述训练样本集对宽度学习系统进行迭代训练，调整所述宽度学习系统的权重，直至所述宽度学习系统的误差小于误差阈值时，则当前权重对应的宽度学习系统为第一预测模型。3.根据权利要求2所述的基于宽度学习和回归模型的蒸汽量预测方法，其特征在于，所述宽度学习系统包括依次连接的输入层、增强层和输出层；所述采用所述训练样本集对宽度学习系统进行迭代训练，调整所述宽度学习系统的权重，直至所述宽度学习系统的误差小于误差阈值时，则当前权重对应的宽度学习系统为第一预测模型，具体包括：通过所述输入层根据各组历史运行数据，确定多组映射特征；每组映射特征包括多个特征节点；通过所述增强层根据多组映射特征确定对应的多组增强节点；每组增强节点包括多个增强节点；根据各特征节点及各增强节点连接到输出层的权重，确定连接权重矩阵；所述连接权重矩阵为宽度学习系统的权重；通过所述输出层根据各组映射特征、各组增强节点及所述连接权重矩阵，确定预测蒸汽量；根据所述预测蒸汽量及历史运行数据样本对应的历史蒸汽量，确定所述宽度学习系统的预测误差；根据所述预测误差调整所述连接权重矩阵，直至预测误差小于误差阈值时，则当前的宽度学习系统为第一预测模型。4.根据权利要求3所述的基于宽度学习和回归模型的蒸汽量预测方法，其特征在于，根据以下公式，确定第φ组映射特征：
L
φ
＝ω(XM
αφ
+τ
αφ
),φ＝1,2,
…
,n；其中，L
φ
为第φ组映射特征，ω为第一映射函数，X为第φ组历史运行数据组成的矩阵，M
αφ
为第φ组历史运行数据的权重系数，τ
αφ
为偏置项，n为映射特征组的数量。5.根据权利要求3所述的基于宽度学习和回归模型的蒸汽量预测方法，其特征在于，根据以...

【专利技术属性】
技术研发人员：祝云，封之聪，王智弦，易剑波，温础才，莫异周，玉宁，梁峻超，潘振学，
申请(专利权)人：南宁科创金属结构件有限责任公司广西网数云科技有限公司，
类型：发明
国别省市：