基于QRQC和XGBoost决策模型的余热锅炉湿法充氮智能控制策略制造技术

本发明专利技术涉及基于QRQC和XGBoost决策模型的余热锅炉湿法充氮智能控制策略，包括：采集余热锅炉温度、充氮压力及加氨量数据，进行数据归一化处理，划分为训练数据和测试数据；收集溶解氧和pH值在线数据，归一化处理后作为中间因变量参数；基于XGBoost决策树算法，对训练数据进行模型训练，确定模型参数；基于快速反馈质量控制方法QRQC对XGBoost决策树模型计算结果进行快速反馈控制及误差评估。本发明专利技术的有益效果是：本发明专利技术快速反馈控制的同时提升预测精度、减少预测时间，快速响应工况变化，实现余热锅炉的快速启停智能控制。锅炉的快速启停智能控制。锅炉的快速启停智能控制。

【技术实现步骤摘要】
基于QRQC和XGBoost决策模型的余热锅炉湿法充氮智能控制策略


[0001]本专利技术涉及能源应用技术及智能控制领域，更确切地说，它涉及基于QRQC和XGBoost决策模型的余热锅炉湿法充氮智能控制策略。

技术介绍

[0002]作为燃气－蒸汽联合循环电站的三大主要设备之一，余热锅炉(HRSG)处于燃气轮机和蒸汽轮机之间，是系统整体优化和各主要子系统匹配的一个关键所在，起着承上启下的作用。它的结构、性能以及参数都极大的影响到系统中其它设备乃至整个系统的性能。因此，为全面提高燃气－蒸汽联合循环的技术水平，实现系统的优化设计，深入研究余热锅炉就显得尤为重要。
[0003]燃气机组余热锅炉快速启停的湿法充氮技术，在锅炉不进行放水操作的同时充入氮气，保证锅炉内部的压力，根本上杜绝外界空气的进入，可以节约水资源以及抑制内壁的腐蚀，此外当需要快速启动时，只需要调节压力不进行充氮即可满足启动前工况要求。然而目前技术中存在各参数之间直接关联性差，系统响应缓慢等问题，严重阻碍了技术的发展和实际应用推广。

技术实现思路

[0004]本专利技术的目的是克服现有技术的不足，提供了基于QRQC和XGBoost决策模型的余热锅炉湿法充氮智能控制策略。
[0005]第一方面，提供了基于QRQC和XGBoost决策模型的余热锅炉湿法充氮智能控制策略，包括：
[0006]步骤1：采集余热锅炉温度、充氮压力及加氨量数据，进行数据归一化处理，划分为训练数据和测试数据；
[0007]步骤2：收集溶解氧和pH值在线数据，归一化处理后作为中间因变量参数；
[0008]步骤3：基于XGBoost决策树算法，对训练数据进行模型训练，确定模型参数；
[0009]步骤4：基于快速反馈质量控制方法QRQC对XGBoost决策树模型计算结果进行快速反馈控制及误差评估。
[0010]作为优选，步骤3中，XGBoost决策树算法采用自适应增强的方法，其中前一个基本分类器被错误分类的样本的权值会增大，而正确分类的样本的权值会减小，并再次用来训练下一个基本分类器；同时，在每一轮迭代中，加入一个新的弱分类器，直到达到预定错误率阈值或达到预先指定的最大迭代次数才确定最终的强分类器。
[0011]作为优选，步骤1包括：
[0012]步骤1.1：采用实时在线仪表对余热锅炉温度T、充氮压力PN2以及加氨量进行收集统计，并分为不同时间段的第一初始数据；
[0013]步骤1.2：对第一初始数据进行归一化处理，并给定第一初始数据的类别标签，利
用线性函数将第一初始数据进行线性化，转换到[0,1]的范围，公式如下：
[0014][0015]其中，X
norm
代表线性化后的数据，X
min
和X
max
分别为原始数据的最小值和最大值。作为优选，步骤2包括：
[0016]步骤2.1：采用实时在线仪表对溶解氧DO和pH值进行收集统计并分为不同时间段的第二初始数据；
[0017]步骤2.2：对第二初始数据进行归一化处理，并给定第二初始数据的类别标签，利用线性函数将第二初始数据进行线性化，转换到[0,1]的范围。
[0018]作为优选，步骤3包括：
[0019]步骤3.1：初始化训练数据的权重分布，每一个训练样本最开始都被赋予相同的权重：w
i
＝1/N，N为训练样本的数量；这样训练样本集的初始权重分布D
1i
表示为：
[0020][0021]步骤3.2：对余热锅炉温度T、充氮压力PN2进行迭代t＝1,...T；选取一个余热锅炉温度T和充氮压力PN2归一化训练数据中误差率最低的弱分类器h作为第t个基本分类器，并计算弱分类器h,:X
→
{
‑
1,1}，该弱分类器在训练样本集的权值分布D
i
上的误差为：
[0022][0023]其中，e
t
表示误差率，P表示概率，H
t
表示基本分类器，W
ti
表示每个训练样本的权值大小，I为指示函数，N为训练样本的数量；X
i
、Y
i
代表不同影响因素的初始数据；
[0024]步骤3.3：对迭代后的数据进行权重模型分析，建立数据模型；按照训练数据权重大小，组合各个弱分类器，即：
[0025][0026]其中，H
t
(x)表示各影响因素的基本分类器函数，f(x)代表经过权重模型分析后的组合分类器函数，a
t
为弱分类器的权重；并通过符号sign的作用，得到一个强分类器，即训练模拟模型函数：
[0027][0028]其中，Hfinal表示最终的强分类器。
[0029]作为优选，步骤4包括：
[0030]步骤4.1：当目标三价铁浓度大于50ppb时，利用基于XGBoost建立的数据模型进行响应，反馈到溶解氧和水相pH值监测；
[0031]步骤4.2：利用XGBoost建立的数据模型得到的数据，给出温度控制、氮气压力及加氨量控制指标。
[0032]作为优选，步骤4.1中，响应时间为10
‑
100ms。
[0033]第二方面，提供了基于QRQC和XGBoost决策模型的余热锅炉湿法充氮智能控制装置，用于执行第一方面任一所述余热锅炉湿法充氮智能控制策略，包括：
[0034]采集模块，用于采集余热锅炉温度、充氮压力及加氨量数据，进行数据归一化处理，划分为训练数据和测试数据；
[0035]收集模块，用于收集溶解氧和pH值在线数据，归一化处理后作为中间因变量参数；
[0036]训练模块，用于基于XGBoost决策树算法，对训练数据进行模型训练，确定模型参数；
[0037]反馈模块，用于基于快速反馈质量控制方法QRQC对XGBoost决策树模型计算结果进行快速反馈控制及误差评估。
[0038]第三方面，提供了一种计算机存储介质，所述计算机存储介质内存储有计算机程序；所述计算机程序在计算机上运行时，使得计算机执行第一方面任一所述余热锅炉湿法充氮智能控制策略。
[0039]第四方面，提供了一种计算机程序产品，当所述计算机程序产品在计算机上运行时，使得计算机执行第一方面任一所述余热锅炉湿法充氮智能控制策略。
[0040]本专利技术的有益效果是：
[0041]1、AdaBoost算法具有很高的精度,训练误差以指数速率下降，不存在过拟合的现象。
[0042]2、很好的利用了弱分类器进行级联，可以将不同的分类算法作为弱分类器。
[0043]3、快速反馈控制的同时提升预测精度、减少预测时间，快速响应工况变化，实现余热锅炉的快速启停智能控制。
附图说明
[0044]图1为基于QRQC和XGBoost决策模型的余热锅炉湿法充氮智能控制策略的流程图；
[0045本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.基于QRQC和XGBoost决策模型的余热锅炉湿法充氮智能控制策略，其特征在于，包括：步骤1：采集余热锅炉温度、充氮压力及加氨量数据，进行数据归一化处理，划分为训练数据和测试数据；步骤2：收集溶解氧和pH值在线数据，归一化处理后作为中间因变量参数；步骤3：基于XGBoost决策树算法，对训练数据进行模型训练，确定模型参数；步骤4：基于快速反馈质量控制方法QRQC对XGBoost决策树模型计算结果进行快速反馈控制及误差评估。2.根据权利要求1所述的基于QRQC和XGBoost决策模型的余热锅炉湿法充氮智能控制策略，其特征在于，步骤3中，XGBoost决策树算法采用自适应增强的方法，其中前一个基本分类器被错误分类的样本的权值会增大，而正确分类的样本的权值会减小，并再次用来训练下一个基本分类器；同时，在每一轮迭代中，加入一个新的弱分类器，直到达到预定错误率阈值或达到预先指定的最大迭代次数才确定最终的强分类器。3.根据权利要求2所述的基于QRQC和XGBoost决策模型的余热锅炉湿法充氮智能控制策略，其特征在于，步骤1包括：步骤1.1：采用实时在线仪表对余热锅炉温度T、充氮压力PN2以及加氨量进行收集统计，并分为不同时间段的第一初始数据；步骤1.2：对第一初始数据进行归一化处理，并给定第一初始数据的类别标签，利用线性函数将第一初始数据进行线性化，转换到[0,1]的范围，公式如下：其中，X
norm
代表线性化后的数据，X
min
和X
max
分别为原始数据的最小值和最大值。4.根据权利要求3所述的基于QRQC和XGBoost决策模型的余热锅炉湿法充氮智能控制策略，其特征在于，步骤2包括：步骤2.1：采用实时在线仪表对溶解氧DO和pH值进行收集统计并分为不同时间段的第二初始数据；步骤2.2：对第二初始数据进行归一化处理，并给定第二初始数据的类别标签，利用线性函数将第二初始数据进行线性化，转换到[0,1]的范围。5.根据权利要求4所述的基于QRQC和XGBoost决策模型的余热锅炉湿法充氮智能控制策略，其特征在于，步骤3包括：步骤3.1：初始化训练数据的权重分布，每一个训练样本最开始都被赋予相同的权重：w
i
＝1/N，N为训练样本的数量；这样训练样本集的初始权重分布D
1i
表示为：步骤3.2：对余热锅炉温度T、充氮压力PN2进行迭代t＝1,...T；选取一个余热锅炉温度T和充氮压力PN2归一化训练数据中误差率最低的弱分类器h作为第t个基本分类器，并计算...

【专利技术属性】
技术研发人员：冯向东，娄宝辉，许茂贤，李森明，何飞德，张贺，张驰，
申请(专利权)人：浙江浙能技术研究院有限公司，
类型：发明
国别省市：