一种基于数据驱动的电厂锅炉烟气含氧量预测优化方法技术

本发明专利技术公开了一种基于数据驱动的电厂锅炉烟气含氧量预测优化方法，涉及电厂锅炉最佳烟气含氧量预测优化技术领域。针对华南某电厂锅炉，获取锅炉炉膛压力、主蒸汽压力、主蒸汽流量、AGC负荷指令、汽包压力、给煤量、煤粉浓度、引风量、送风量、最佳烟气含氧量、排烟温度、过热器出口温度、汽包水位、过热器出口压力的历史数据，对历史数据进行预处理，得到建模数据集；通过支持向量机算法搭建炉膛压力模型、主蒸汽压力模型和最佳烟气含氧量模型；然后通过人工鱼群算法对可控变量进行寻优。应用本发明专利技术，可达到降低煤粉消耗，节约经济成本的目的。节约经济成本的目的。

【技术实现步骤摘要】
一种基于数据驱动的电厂锅炉烟气含氧量预测优化方法


[0001]本专利技术涉及电厂锅炉烟气含氧量预测优化
，具体涉及一种基于数据驱动的电厂锅炉烟气含氧量预测优化方法。

技术介绍

[0002]火电厂机组AGC自动发电控制(Automatic Generation Control)实质是用于衔接电网能量管理系统与发电机组控制系统的高级控制系统，其协调锅炉、汽机的运行，是电网调度和机、炉控制系统之间的纽带，既要保证对电网负荷变化的快速响应，又要保证机组自身的稳定性，这势必会消耗大量的煤炭燃料。为了达到在保证响应AGC指令的同时又能达到节能降耗的目的，在火电厂机组运行过程中，最佳烟气含氧量对锅炉煤粉燃烧的效率有很大影响，进而影响煤粉的消耗量，因此通过对最佳烟气含氧量的预测，调整送风量的取值，使得煤粉充分燃烧，达到降低煤粉消耗，节约经济成本的目的。

技术实现思路

[0003]本专利技术的目的在于提供一种基于数据驱动的电厂锅炉烟气含氧量预测优化方法，通过控制送风量使得煤粉充分燃烧，达到降低煤粉消耗量的目的。
[0004]为解决上述的技术问题，本专利技术采用以下技术方案：一种基于数据驱动的电厂锅炉烟气含氧量预测优化方法，其特征在于包括如下步骤：
[0005]S1、获取待预测优化电厂锅炉炉膛压力、主蒸汽压力、主蒸汽流量、AGC负荷指令、汽包压力、给煤量、煤粉浓度、引风量、送风量、最佳烟气含氧量、排烟温度、过热器出口温度、汽包水位、过热器出口压力的历史数据；
[0006]S2、对历史数据进行预处理操作，包括缺失值、异常值、归一化、特征重要性分析，得到建模数据集；
[0007]S3、将建模数据集划分训练集、验证集和测试集输入到支持向量机算法中，通过训练得到电厂锅炉的炉膛压力模型、主蒸汽压力模型和最佳烟气含氧量模型，利用平均绝对值误差 MAE和均方根误差RMSE评价预测模型的准确性；
[0008]S4、将炉膛压力和主蒸汽压力作为约束变量，送风量作为可控变量，最佳烟气含氧量为目标变量，其中，炉膛压力取值范围为
‑
80～100Pa，主蒸汽压力取值范围为13～17.29MPa，送风量取值范围为430～1272t/h；通过人工鱼群算法对特征数据送风量进行寻优，达到最佳烟气含量，使得煤粉充分燃烧，降低煤粉的消耗量。
[0009]更进一步的技术方案是所述步骤S1的数据获取和保存，具体过程如下：
[0010]S1
‑
1、按照时间戳获取华南某电厂3#锅炉的历史数据收集汇总；
[0011]S1
‑
2、将数据以自增型为主键的方式存储在CSV文件中，作为历史数据集；
[0012]更进一步的技术方案是所述步骤S2的数据预处理步骤，具体过程如下：
[0013]S2
‑
1、通过表格工具查找历史数据集中是否有缺失数据和异常值数据，异常值数据是指超出了当前列的取值范围，缺失数据和异常值数据通过当前列的均值进行补充和替
换；
[0014]S2
‑
2、历史数据集中的每列数据取值由于量纲不同，需要通过最大最小归一化方法进行预处理，具体公式为：
[0015][0016]其中，x*为样本数据归一化的值，x为样本数据，x
max
为样本数据的最大值，x
min
为样本数据的最小值；
[0017]S2
‑
3、通过L1正则化方法进行特征重要性分析，删除汽包压力、排烟温度、过热器出口温度、汽包水位、过热器出口压力数据，得到炉膛压力、主蒸汽压力、主蒸汽流量、AGC负荷指令、给煤量、煤粉浓度、引风量、送风量、最佳烟气含氧量这9个变量和相应数据作为建模数据集。
[0018]更进一步的技术方案是所述步骤S3的数据集划分、模型参数和模型的构建，具体过程如下：
[0019]S3
‑
1、将建模数据集中的17280条数据按照8：1：1的比例划分为训练集、验证集和测试集，其中，训练集数据13824条，验证集数据1728条，测试集数据1728条；
[0020]S3
‑
2、炉膛压力模型搭建需要用到的数据参数是引风量和送风量，主蒸汽压力模型的搭建需要用到的数据参数是主蒸汽流量、AGC负荷指令、给煤量、烟气含氧量、和送风量，最佳烟气含氧量模型的搭建需要用到的数据参数是煤粉浓度、给煤量、引风量和送风量；
[0021]S3
‑
3、通过支持向量机算法进行预测，其初始模型超参数svr_type、核函数、gamma、 degree、coefO、C、eps的取值分别为0、线性核函数、0.01、1、0、5、0.001。
[0022]S3
‑
4、根据测试集进行预测，计算评估指标，其真实值为y，预测值为f，m表示数据量即1728，则平均绝对值误差MAE的公式具体为：
[0023][0024]均方根误差RMSE的公式具体为：
[0025][0026]更进一步的技术方案是所述步骤S4采用人工鱼群算法求解最优送风量，具体过程如下：
[0027]S4
‑
1、随机对种群数量N、每条鱼的初始位置、鱼的视野v、步长step、拥挤度因子&、循环次数s进行初始化设置；
[0028]S4
‑
2、计算初始鱼群每个个体的适应值，得到最佳鱼的状态并记录；
[0029]S4
‑
3、对每个个体进行评价，并选择进行觅食、聚群或追尾行为，更新自己，得到新鱼群；
[0030]S4
‑
4、评价所有个体，若某一个体优于记录，则记录该个体；
[0031]S4
‑
5、当记录上的个体最优解满足误差范围内或者达到循环次数，则算法结束，否
则返回步骤3进行迭代。
[0032]在本步骤中，人工鱼群算法的参数种群数量N、鱼的视野v、步长step、拥挤度因子&、循环次数s初始化设置值分别为50、0.5、0.8、0.3、30，其中，每条鱼的初始位置受送风量取值范围[430,1272]的决定，因此每条鱼的初始位置随机产生。
[0033]与现有技术相比，本专利技术的有益效果是：通过特征选择分析变量的重要性，删除4个不重要的变量和1个高度相关的变量，得到对构建炉膛压力模型、主蒸汽压力模型和最佳烟气含氧量模型影响较大的变量：炉膛压力、主蒸汽压力、主蒸汽流量、AGC负荷指令、给煤量、煤粉浓度、引风量、送风量、最佳烟气含氧量。其中，炉膛压力和主蒸汽压力作为约束变量，送风量作为可控变量，最佳烟气含氧量作为目标变量。通过支持向量机搭建模型并使用人工鱼群算法对可控变量进行寻优，达到煤粉充分燃烧，降低经济成本的目的，可节约煤量2.1％。
附图说明
[0034]图1为本专利技术中锅炉烟气含氧量预测优化方法的流程图。
[0035]图2为本专利技术中人工鱼群算法的流程图本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于数据驱动的电厂锅炉烟气含氧量预测优化方法，其特征在于包括如下步骤：S1、获取待预测优化电厂锅炉炉膛压力、主蒸汽压力、主蒸汽流量、AGC负荷指令、汽包压力、给煤量、煤粉浓度、引风量、送风量、最佳烟气含氧量、排烟温度、过热器出口温度、汽包水位、过热器出口压力的历史数据；S2、对历史数据进行预处理操作，包括缺失值、异常值、归一化、特征重要性分析，得到建模数据集；S3、将建模数据集划分训练集、验证集和测试集输入到支持向量机算法中，通过训练得到电厂锅炉的炉膛压力模型、主蒸汽压力模型和最佳烟气含氧量模型，利用平均绝对值误差MAE和均方根误差RMSE来评价预测模型的准确性；S4、将炉膛压力和主蒸汽压力作为约束变量，送风量作为可控变量，最佳烟气含氧量为目标变量，其中，炉膛压力取值范围为
‑
80～100Pa，主蒸汽压力取值范围为13～17.29MPa，送风量取值范围为430～1272t/h；通过人工鱼群算法对特征数据送风量进行寻优，达到最佳烟气含量，使得煤粉充分燃烧，降低煤粉的消耗量。2.根据权利要求1所述的一种基于数据驱动的电厂锅炉烟气含氧量预测优化方法，其特征在于：所述步骤S1的具体过程如下，S1
‑
1、按照时间戳获取华南某电厂3#锅炉的历史数据收集汇总；S1
‑
2、将数据以自增型为主键的方式存储在CSV文件中，作为历史数据集。3.根据权利要求1所述的一种基于数据驱动的电厂锅炉烟气含氧量预测优化方法，其特征在于：所述步骤S2的具体过程如下，S2
‑
1、通过表格工具查找历史数据集中是否有缺失数据和异常值数据，删除超出了当前列取值范围的异常值数据，缺失数据和异常值数据通过当前列的均值进行补充和替换；S2
‑
2、历史数据集中的每列数据取值由于量纲不同，通过最大最小归一化方法进行预处理，具体公式为：其中，x*为样本数据归一化的值，x为样本数据，x
max
为样本数据的最大值，x
min
为样本数据的最小值；S2
‑
3、通过L1正则化方法进行特征重要性分析，删除汽包压力、排烟温度、过热器出口温度、汽包水位、过热器出口压力数据，得到炉膛压力、主蒸汽压力、主蒸汽流量、AGC负荷指令、给煤量、煤粉浓度、引风量、送风量、...

【专利技术属性】
技术研发人员：孙延贞，于忠清，
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：