一种基于粒子群算法的煤灰流动温度预测方法和系统技术方案

本公开提出一种基于粒子群算法的煤灰流动温度预测方法和系统，该方法包括构建煤灰流动温度预测模型和训练数据集，训练数据集包括煤灰化学成分和煤灰流动温度，煤灰化学成分和煤灰流动温度分别为煤灰流动温度预测模型的输入和输出；利用粒子群算法对煤灰流动温度预测模型的参数进行优化获得目标煤灰流动温度预测模型，利用训练数据集训练目标煤灰流动温度预测模型获得训练好的煤灰流动温度预测模型；获取生产过程中的实时煤灰化学成分，并将实时煤灰化学成分输入至训练好的煤灰流动温度预测模型，以得到预测的煤灰流动温度。根据本公开的方法，能够提高模型精度和预测结果的准确性。准确性。准确性。

【技术实现步骤摘要】
一种基于粒子群算法的煤灰流动温度预测方法和系统


[0001]本公开涉及煤灰流动温度预测
，尤其涉及一种基于粒子群算法的煤灰流动温度预测方法和系统。

技术介绍

[0002]煤气化是煤炭清洁高效利用的核心技术，是排污最低、效率最高的煤炭清洁利用方式，在国家能源战略发展规划中占有重要地位。不同的煤气化技术对煤品有不同的要求，煤品的性质不同会对气化结果产生不同的影响。其中，煤灰流动温度是评价气化用煤的重要指标。气流床气化炉常用熔渣式排渣过程，熔渣沿气化炉壁面流下并排出渣口，为了保证排渣过程的顺畅，操作温度需高于流动温度100～150℃。对于内壁采用耐火材料的气化炉，煤灰熔点较低时，其灰化学成分中的碱金属、碱土金属或Fe2O3含量普遍偏高，这些组分会与耐火材料发生反应，造成耐火材料一定程度的损耗。因此，了解气化用煤灰熔融特性对于保证气化炉的连续安全运行起着重要的作用。
[0003]目前在机器学习对煤灰熔点预测的研究中，一般可分为经验公式法和建立机器学习模型的方法两种方式对煤灰流动温度做出预测，但其中经验公式法预测精度较差，且多数研究只着重考虑模型对训练样本的预测能力，因此模型精度有待加强；或训练样本和检验样本均较少，模型可信度不高，不能充分反应所建模型对不同灰成分范围的新煤样数据的预测能力。

技术实现思路

[0004]本公开旨在至少在一定程度上解决相关技术中的技术问题之一。
[0005]为此，本公开的第一个目的在于提出一种基于粒子群算法的煤灰流动温度预测方法，主要目的在于准确获得超级电容器内部温度，从而能够及时对超级电容进行过热保护。
[0006]本公开的第二个目的在于提出一种基于粒子群算法的煤灰流动温度预测系统。
[0007]本公开的第三个目的在于提出一种电子设备。
[0008]本公开的第四个目的在于提出一种非瞬时计算机可读存储介质。
[0009]为达上述目的，本公开的第一方面实施例提供了一种基于粒子群算法的煤灰流动温度预测方法，包括：
[0010]构建煤灰流动温度预测模型和训练数据集，所述训练数据集包括煤灰化学成分和煤灰流动温度，所述煤灰化学成分和所述煤灰流动温度分别为所述煤灰流动温度预测模型的输入和输出；
[0011]利用粒子群算法对所述煤灰流动温度预测模型的参数进行优化获得目标煤灰流动温度预测模型，利用所述训练数据集训练所述目标煤灰流动温度预测模型获得训练好的煤灰流动温度预测模型；
[0012]获取生产过程中的实时煤灰化学成分，并将所述实时煤灰化学成分输入至所述训练好的煤灰流动温度预测模型，以得到预测的煤灰流动温度。
[0013]在本公开的一个实施例中，所述煤灰流动温度预测模型采用支持向量机模型，利用粒子群算法对所述支持向量机模型的惩罚因子和核函数参数进行优化。
[0014]在本公开的一个实施例中，所述利用粒子群算法对所述煤灰流动温度预测模型的参数进行优化，包括：基于参数的寻优区间确定初始化的粒子群，计算每个粒子的适应值，针对每个粒子，比较其适应值与其记录的第一最优解和粒子群记录的第二最优解，以确定是否调整第一最优解和第二最优解，并更新该粒子的速度和位置；判断是否符合结束条件，若不符合则重新计算每个粒子的适应值进行更新迭代。
[0015]在本公开的一个实施例中，所述结束条件为迭代次数等于预设最大迭代次数或第二最优解满足预定最小适应阈值。
[0016]在本公开的一个实施例中，所述煤灰化学成分包括二氧化硅、氧化铝、氧化铁、氧化钙、氧化镁、二氧化钛、氧化钠、氧化钾、三氧化硫、复合参数酸碱比和硅铝比。
[0017]在本公开的一个实施例中，在将所述煤灰化学成分输入煤灰流动温度预测模型之前还需要对所述煤灰化学成分进行归一化处理。
[0018]为达上述目的，本公开的第二方面实施例还提供了一种基于粒子群算法的煤灰流动温度预测系统，包括：
[0019]建模模块，用于构建煤灰流动温度预测模型和训练数据集，所述训练数据集包括煤灰化学成分和煤灰流动温度，所述煤灰化学成分和所述煤灰流动温度分别为所述煤灰流动温度预测模型的输入和输出；
[0020]参数优化模块，用于利用粒子群算法对所述煤灰流动温度预测模型的参数进行优化获得目标煤灰流动温度预测模型，利用所述训练数据集训练所述目标煤灰流动温度预测模型获得训练好的煤灰流动温度预测模型；
[0021]温度预测模块，用于获取生产过程中的实时煤灰化学成分，并将所述实时煤灰化学成分输入至所述训练好的煤灰流动温度预测模型，以得到预测的煤灰流动温度。
[0022]在本公开的一个实施例中，所述煤灰流动温度预测模型采用支持向量机模型，利用粒子群算法对所述支持向量机模型的惩罚因子和核函数参数进行优化。
[0023]为达上述目的，本公开的第三方面实施例还提供了一种电子设备，包括：至少一个处理器；以及与所述至少一个处理器通信连接的存储器；其中，所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行本公开的第一方面实施例提出的基于粒子群算法的煤灰流动温度预测方法。
[0024]为了实现上述目的，本公开的第四方面实施例提出了一种存储有计算机指令的非瞬时计算机可读存储介质，其中，所述计算机指令用于使所述计算机执行本公开第一方面实施例提出的基于粒子群算法的煤灰流动温度预测方法。
[0025]在本公开一个或多个实施例中，构建煤灰流动温度预测模型和训练数据集，训练数据集包括煤灰化学成分和煤灰流动温度，煤灰化学成分和煤灰流动温度分别为煤灰流动温度预测模型的输入和输出；利用粒子群算法对煤灰流动温度预测模型的参数进行优化获得目标煤灰流动温度预测模型，利用训练数据集训练目标煤灰流动温度预测模型获得训练好的煤灰流动温度预测模型；获取生产过程中的实时煤灰化学成分，并将实时煤灰化学成分输入至训练好的煤灰流动温度预测模型，以得到预测的煤灰流动温度。在这种情况下，经过粒子群算法优化参数的煤灰流动温度预测模型结合了粒子群优化算法群体智能演化和
支持向量机鲁棒性较好、计算简单的优点，对煤灰流动温度的预测结果误差较小，对因变量和自变量间的拟合程度较高，由此提高了模型精度和预测结果的准确性。
[0026]本公开附加的方面和优点将在下面的描述中部分给出，部分将从下面的描述中变得明显，或通过本公开的实践了解到。
附图说明
[0027]本公开上述的和/或附加的方面和优点从下面结合附图对实施例的描述中将变得明显和容易理解，其中：
[0028]图1示出本公开实施例提供的一种基于粒子群算法的煤灰流动温度预测方法的流程示意图；
[0029]图2示出本公开实施例提供的粒子群算法优化支持向量机模型参数的流程示意图；
[0030]图3示出本公开实施例提供的适应值变化的示意图；
[0031]图4示出本公开实施例提供的支持向量机模型的煤灰流动温度预测结果的示意图；
[0032]图5示出本公开本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于粒子群算法的煤灰流动温度预测方法，其特征在于，包括：构建煤灰流动温度预测模型和训练数据集，所述训练数据集包括煤灰化学成分和煤灰流动温度，所述煤灰化学成分和所述煤灰流动温度分别为所述煤灰流动温度预测模型的输入和输出；利用粒子群算法对所述煤灰流动温度预测模型的参数进行优化获得目标煤灰流动温度预测模型，利用所述训练数据集训练所述目标煤灰流动温度预测模型获得训练好的煤灰流动温度预测模型；获取生产过程中的实时煤灰化学成分，并将所述实时煤灰化学成分输入至所述训练好的煤灰流动温度预测模型，以得到预测的煤灰流动温度。2.如权利要求1所述的基于粒子群算法的煤灰流动温度预测方法，其特征在于，所述煤灰流动温度预测模型采用支持向量机模型，利用粒子群算法对所述支持向量机模型的惩罚因子和核函数参数进行优化。3.如权利要求1或2所述的基于粒子群算法的煤灰流动温度预测方法，其特征在于，所述利用粒子群算法对所述煤灰流动温度预测模型的参数进行优化，包括：基于参数的寻优区间确定初始化的粒子群，计算每个粒子的适应值，针对每个粒子，比较其适应值与其记录的第一最优解和粒子群记录的第二最优解，以确定是否调整第一最优解和第二最优解，并更新该粒子的速度和位置；判断是否符合结束条件，若不符合则重新计算每个粒子的适应值进行更新迭代。4.如权利要求3所述的基于粒子群算法的煤灰流动温度预测方法，其特征在于，所述结束条件为迭代次数等于预设最大迭代次数或第二最优解满足预定最小适应阈值。5.如权利要求1所述的基于粒子群算法的煤灰流动温度预测方法，其特征在于，所述煤灰化学成分包括二氧化硅、氧化铝、氧化铁、氧化钙、氧化镁、二氧化钛、氧化钠、氧化钾、三氧化硫、复合参数酸碱比和硅铝比...

【专利技术属性】
技术研发人员：邱钱粮，白向飞，丁华，王东升，何金，张昀朋，高燕，
申请(专利权)人：煤炭科学研究总院有限公司，
类型：发明
国别省市：