多燃料灰熔融温度的预测方法、模型训练方法及设备技术

本发明专利技术提供多燃料灰熔融温度的预测方法、模型训练方法及设备，该方法包括：获取多燃料掺混样品的预设特征变量组合的数据；将预设特征变量组合的数据输入到经过训练的灰熔融温度预测模型中，以获得多燃料掺混样品的软化温度；其中，灰熔融温度预测模型为基于以训练样本的预设特征变量组合为特征变量，以训练样本的软化温度为目标变量进行机器学习得到的；预设特征变量组合包括多燃料的掺混比例、灰分含量、灰中的矿物含量、碱酸比、硅比、硅铝比、铁钙比、结渣指数和综合指数中的至少两种。本发明专利技术提供的灰熔融温度预测模型可以准确地对多燃料掺烧过程中的灰熔融温度进行预测。料掺烧过程中的灰熔融温度进行预测。料掺烧过程中的灰熔融温度进行预测。

【技术实现步骤摘要】
多燃料灰熔融温度的预测方法、模型训练方法及设备


[0001]本专利技术涉及燃煤
，尤其涉及一种多燃料灰熔融温度的预测方法、模型训练方法及设备。

技术介绍

[0002]随着核电、风电、水电、太阳能等新能源发电装机容量的增大，火力发电在电力能源结构中占比逐年下滑，但占比仍然最大。火力发电包括采用燃煤、油、天然气或生物质等燃料进行发电。
[0003]燃煤发电产生的碳排放量是能源消费中碳排放的主要来源，而生物质被认为是一种碳排放为零的可再生能源，生物质资源丰富，与传统的化石能源相比，生物质含硫量和含氮量低，燃烧后硫氧化物和氮氧化物排放量低，是一种环境友好型燃料。生物质具有水分含量高、发热量低的特点，其直接燃烧存在着设备易结渣等问题，单独燃烧经济性较低。目前燃煤电厂正由燃煤燃烧逐渐向燃煤和生物质掺烧过渡。然而，由于生物质灰中碱性成分含量较高，导致与煤掺混燃烧后的灰熔融温度降低，增大结渣的可能，影响锅炉的安全运行。
[0004]目前灰熔融温度的获取大多是通过灰熔融特性测定仪进行实验测定，无法满足工况动态调节的需要。也有部分是通过分析灰成分建立经验关联式进行计算，或通过算法建立预测模型进行预测，然而，现有的预测模型对多燃料同时混合的灰熔融温度的预测准确度较低，因此，如何准确地对多燃料掺烧过程中的灰熔融温度进行预测，成为目前亟需解决的问题。

技术实现思路

[0005]本专利技术实施例提供了一种多燃料灰熔融温度的预测方法、模型训练方法及设备，以解决目前无法准确地对多燃料掺烧过程中的灰熔融温度进行预测的问题。
[0006]第一方面，本专利技术实施例提供了一种多燃料灰熔融温度的预测方法，包括：
[0007]获取多燃料掺混样品的预设特征变量组合的数据；
[0008]将预设特征变量组合的数据输入到经过训练的灰熔融温度预测模型中，以获得多燃料掺混样品的软化温度；
[0009]其中，灰熔融温度预测模型为基于以训练样本的预设特征变量组合为特征变量，以训练样本的软化温度为目标变量进行机器学习得到的；预设特征变量组合包括多燃料的掺混比例、灰分含量、灰中的矿物含量、碱酸比、硅比、硅铝比、铁钙比、结渣指数和综合指数中的至少两种。
[0010]在一种可能的实现方式中，训练样本为基于快速灰化法对实验样品进行灰化处理制备成多种灰样，并将所有灰样分别进行灰成分分析和灰熔融温度测定实验后，得到所有灰样的预设特征变量组合的数据和软化温度；
[0011]实验样品包括由燃煤、多种不同的生物质以及多种不同的可燃固体废弃物，按照多种不同的混合比例混合而成的多种样品。
[0012]在一种可能的实现方式中，训练样本包括训练集和测试集，训练集用于对灰熔融温度预测模型进行训练，测试集用于通过测试集的测试结果和真实结果，对灰熔融温度预测模型进行修正；其中，测试结果为测试集通过灰熔融温度预测模型预测得到的结果，真实结果为与测试集对应的灰样制备成灰锥后，通过灰熔融温度测定实验测定的结果。
[0013]在一种可能的实现方式中，获取多燃料掺混样品的预设特征变量组合的数据之前，还包括：
[0014]将多燃料掺混样品进行灰化处理，得到多燃料掺混样品的灰样；
[0015]对多燃料掺混样品的灰样进行灰成分分析，确定多燃料掺混样品的预设特征变量组合的数据。
[0016]在一种可能的实现方式中，多燃料掺混样品包括原料煤、生物质燃料或可燃固体废弃物燃料中的至少两种燃料。
[0017]第二方面，本专利技术实施例提供了一种多燃料灰熔融温度预测模型的训练方法，包括：
[0018]获取训练样本的预设特征变量组合的数据和软化温度，其中，预设特征变量组合包括多燃料的掺混比例、灰分含量、灰中的矿物含量、碱酸比、硅比、硅铝比、铁钙比、结渣指数和综合指数中的至少两种；
[0019]以训练样本的预设特征变量组合为特征变量，以训练样本的软化温度为目标变量进行机器学习，得到灰熔融温度预测模型。
[0020]在一种可能的实现方式中，训练样本为基于快速灰化法对实验样品进行灰化处理制备成多种灰样，并将所有灰样分别进行灰成分分析和灰熔融温度测定实验后，得到所有灰样的预设特征变量组合的数据和软化温度；
[0021]实验样品包括由燃煤、多种不同的生物质以及多种不同的可燃固体废弃物，按照多种不同的混合比例混合而成的多种样品。
[0022]在一种可能的实现方式中，训练样本包括训练集和测试集，训练集用于对灰熔融温度预测模型进行训练，测试集用于通过测试集的测试结果和真实结果，对灰熔融温度预测模型进行修正；其中，测试结果为测试集通过灰熔融温度预测模型预测得到的结果，真实结果为与测试集对应的灰样制备成灰锥后，通过灰熔融温度测定实验测定的结果。
[0023]第三方面，本专利技术实施例提供了一种多燃料灰熔融温度的预测装置，包括：
[0024]获取数据模块，用于获取多燃料掺混样品的预设特征变量组合的数据；
[0025]预测温度模块，用于将预设特征变量组合的数据输入到经过训练的灰熔融温度预测模型中，以获得多燃料掺混样品的软化温度；
[0026]其中，灰熔融温度预测模型为基于以训练样本的预设特征变量组合为特征变量，以训练样本的软化温度为目标变量进行机器学习得到的；预设特征变量组合包括多燃料的掺混比例、灰分含量、灰中的矿物含量、碱酸比、硅比、硅铝比、铁钙比、结渣指数和综合指数中的至少两种。
[0027]在一种可能的实现方式中，训练样本为基于快速灰化法对实验样品进行灰化处理制备成多种灰样，并将所有灰样分别进行灰成分分析和灰熔融温度测定实验后，得到所有灰样的预设特征变量组合的数据和软化温度；
[0028]实验样品包括由燃煤、多种不同的生物质以及多种不同的可燃固体废弃物，按照
多种不同的混合比例混合而成的多种样品。
[0029]在一种可能的实现方式中，训练样本包括训练集和测试集，训练集用于对灰熔融温度预测模型进行训练，测试集用于通过测试集的测试结果和真实结果，对灰熔融温度预测模型进行修正；其中，测试结果为测试集通过灰熔融温度预测模型预测得到的结果，真实结果为与测试集对应的灰样制备成灰锥后，通过灰熔融温度测定实验测定的结果。
[0030]在一种可能的实现方式中，获取数据模块，用于将多燃料掺混样品进行灰化处理，得到多燃料掺混样品的灰样；
[0031]对多燃料掺混样品的灰样进行灰成分分析，确定多燃料掺混样品的预设特征变量组合的数据。
[0032]在一种可能的实现方式中，多燃料掺混样品包括原料煤、生物质燃料或可燃固体废弃物燃料中的至少两种燃料。
[0033]第四方面，本专利技术实施例提供了一种电子设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现如上第一、二方面或第一、二方面的任一种可能的实现方式所述方法的步骤。
[0034]第五方面，本专利技术实施例提供了一种计算机可读存储介质，所述计算机可读存储介本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种多燃料灰熔融温度的预测方法，其特征在于，包括：获取多燃料掺混样品的预设特征变量组合的数据；将所述预设特征变量组合的数据输入到经过训练的灰熔融温度预测模型中，以获得所述多燃料掺混样品的软化温度；其中，所述灰熔融温度预测模型为基于以训练样本的所述预设特征变量组合为特征变量，以所述训练样本的软化温度为目标变量进行机器学习得到的；所述预设特征变量组合包括所述多燃料的掺混比例、灰分含量、灰中的矿物含量、碱酸比、硅比、硅铝比、铁钙比、结渣指数和综合指数中的至少两种。2.如权利要求1所述的预测方法，其特征在于，所述训练样本为基于快速灰化法对实验样品进行灰化处理制备成多种灰样，并将所有灰样分别进行灰成分分析和灰熔融温度测定实验后，得到所有灰样的预设特征变量组合的数据和软化温度；所述实验样品包括由燃煤、多种不同的生物质以及多种不同的可燃固体废弃物，按照多种不同的混合比例混合而成的多种样品。3.如权利要求2所述的预测方法，其特征在于，所述训练样本包括训练集和测试集，所述训练集用于对所述灰熔融温度预测模型进行训练，所述测试集用于通过所述测试集的测试结果和真实结果，对所述灰熔融温度预测模型进行修正；其中，所述测试结果为所述测试集通过所述灰熔融温度预测模型预测得到的结果，所述真实结果为与所述测试集对应的灰样制备成灰锥后，通过灰熔融温度测定实验测定的结果。4.如权利要求1所述的预测方法，其特征在于，所述获取多燃料掺混样品的预设特征变量组合的数据之前，还包括：将所述多燃料掺混样品进行灰化处理，得到所述多燃料掺混样品的灰样；对所述多燃料掺混样品的灰样进行灰成分分析，确定所述多燃料掺混样品的预设特征变量组合的数据。5.如权利要求1至4任一项所述的预测方法，其特征在于，所述多燃料掺混...

【专利技术属性】
技术研发人员：马辉，汪潮洋，贾永会，马登卿，闫慧博，王天龙，
申请(专利权)人：国网河北能源技术服务有限公司国家电网有限公司，
类型：发明
国别省市：