一种基于大数据和深度挖掘技术的混煤掺烧方法技术

本发明专利技术提供了一种基于大数据和深度挖掘技术的混煤掺烧方法，包括如下步骤：1)混煤掺烧神经网络模型和环境初始化；2)设置不同目标指标参数值；3)基于深度强化学习策略网络生成动作行为；4)执行混煤掺烧方案a

【技术实现步骤摘要】
一种基于大数据和深度挖掘技术的混煤掺烧方法


[0001]本专利技术涉及火力发电厂
，特别是一种基于大数据和深度挖掘技术的混煤掺烧方法。

技术介绍

[0002]随着信息化技术的高速发展，传统燃煤发电企业的数字化建设已被全国各大发电集团提升到了新高度。基于大数据和深度挖掘技术的数字化智能深度掺烧系统在满足机组环保和安全的前提下，不仅可有效提升机组的整体运行水平，还可提高机组的经济效益，推动燃料侧精细化、智能化管理，已经成为燃煤发电企业数字化建设的必由之路，因此具有重要意义。
[0003]目前，混煤掺烧主要的方法可以分为以下三种：1)数学优化方法；2) 启发式寻优算法和专家决策算法；3)人工智能算法。现有的研究描述动力混合煤煤质特性的数学模型主要分为两种：一种模型认为配煤与单种煤的煤质指标具有线性可加性；另一种则认为配煤的煤质特性与各组成单种煤之间具有复杂的非线性关系。对于部分具有线性可加性的煤质指标，可以采用基于线性加权平均的方法对这些指标进行处理和相应的数学建模。对于不满足上述具有可加性的煤质指标，如灰分和挥发分等指标，可以尝试进行本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于大数据和深度挖掘技术的混煤掺烧方法，其特征在于，包括如下步骤：1)混煤掺烧神经网络模型和环境初始化；2)根据环境选择混煤掺烧状态s
t
，并设置不同目标指标参数值；3)基于深度强化学习策略网络生成动作行为，即不同混煤掺烧方案a
t
；4)执行混煤掺烧方案a
t
，并得到下一时刻混煤掺烧状态s
′
t
；5)根据环境的反馈计算强化学习算法的奖励值r
t
；6)将当前步的信息，包括s
t
,a
t
,r
t
,s
′
t
存储于记忆单元D中，并基于随机梯度下降的方法对深度强化学习算法权重进行更新；7)将混煤掺烧状态s
t
更新为下一时刻的混煤掺烧状态s
′
t
；8)判断是否达到预定的时间T
end
，若否，则执行2)至7)；若是，则输出深度强化学习算法参数和相应混煤掺烧方案a。2.根据权利要求1所述的一种基于大数据和深度挖掘技术的混煤掺烧方法，其特征在于，对混煤掺烧神经网络模型和环境初始化，包括以下步骤：步骤11：神经网络参数初始化，包括神经网络权重初始化和超参数设置，如初始化估值网络和估值网络的参数θ1、θ2以及策略网络的参数初始化目标网络参数：θ
′1＝θ1，θ
′2＝θ2，折扣因子γ、批大小B和记忆单元容量大小D以及最大迭代次数；步骤12：环境初始化，包括基于流体动力学数值模拟的锅炉模型和基于深度学习的火力发电厂数字孪生模型的初始化；在现有火力发电厂大量混煤掺烧配比数据基础上，结合锅炉的流体动力学模型构建多层深度学习模型以预测不同混合掺烧方案下的效果；该深度强化学习算法首先经过一层输入层，其输入特征向量包括从现有数据库中获取的混煤掺烧方案、煤质特性、环境特征和流体动力学模型输出相关指标，然后经过两层全连接层进行特征提取，最后经过含多神经元的输出层，得到混煤掺烧方案下的最终效果和各项指标；该方法构建火力发电厂数字孪生模型，以此计算不同混煤掺烧方案下的奖励函数r
t
。3.根据权利要求1所述的一种基于大数据和深度挖掘技术的混煤掺烧方法，其特征在于，所述混煤掺烧状态s
t
如式所示：s
t
＝{m
t
,{c
i,t
}
i＝1...n
,e
t
}
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(1)式中，m
t
表示火力发电厂混合掺烧后的预期达到的经济性、安全性和环保性指标，其包括混煤掺烧后锅炉燃烧效率、低位发热值、挥发分、灰熔点和硫分；{c
i,t
}
i＝1...n
表示火力发电厂n种煤质特性，其中c
i,t
表示第i种煤的特性，包括低位发热值，挥发分、灰熔点和硫分等；e
t
表示t时刻火力发电厂的环境状态，包括机组功率，主蒸汽压力、主蒸汽温度、再热蒸汽温度、排汽压力、循环水进水温度，给水温度、调节汽门开度，主蒸汽流量、排烟温度、烟气含氧量、给水泵功率、磨煤机功率。4.根据权利要求1所述的一种基于大数据和深度挖掘技术的混煤掺烧方法，其特征在于，所述基于深度强化学习策略网络生成动作行为a
t
包括以下步骤：步骤31：利用策略网络得到在状态s
t
下对应的动作即式中，表示参数为...

【专利技术属性】
技术研发人员：黄彪斌，林文彪，江昌旭，林星，曹旺均，林俊杰，
申请(专利权)人：福州大学，
类型：发明
国别省市：