【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 ...
【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:
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。