CFB机组床压预测模型的构建方法以及预测方法技术

本申请提供了一种CFB机组床压预测模型的构建方法以及预测方法，其中CFB机组床压预测模型的构建方法包括：获取CFB机组相关数据，并将所述CFB机组相关数据进行归一化处理，得到模型训练样本；其中，所述模型训练样本中的每个样本包括一段时序数据；获取待构建模型的基础模型结构，所述基础模型结构包括深度学习模型、前全连接层、批次归一化模块、第一激活函数和后全连接层；其中，所述深度学习模型包括第一前向神经网络模块、第二前向神经网络模块与卷积神经网络；通过所述模型训练样本训练所述待构建模型，得到CFB机组床压预测模型。通过前向神经网络模块与卷积神经网络模块的结合，实现了基于深度学习模型的CFB机组床压参数预测。测。测。

【技术实现步骤摘要】
CFB机组床压预测模型的构建方法以及预测方法


[0001]本申请涉及计算机领域，尤其涉及一种CFB机组床压预测模型的构建方法以及预测方法。

技术介绍

[0002]随着循环流化床(circulating fluidized bed，CFB)机组的大型化发展，有公司提出了“裤衩腿”型炉膛结构用于应对CFB机组大型化所带来的二次风穿透问题和颗粒流化不均问题。但是，这种炉膛结构也给机组的运行带来了新的问题。“裤衩腿”型炉膛将炉膛内密相区分隔成两个独立的“裤腿”，两个“裤腿”之间的一次风布风系统相互独立，当两侧床料出现较大偏差时，会出现两侧床料向单侧倾斜的问题，当大量的床料聚集在一侧，使得该侧的床料无法正常流化时，即发生了“裤衩腿”型CFB锅炉的翻床事故。
[0003]同时，随着大型循环流化床机组的发展和火电机组灵活性运行政策的要求，循环流化床机组需要应对机组负荷快速变化、超低负荷运行所带来的挑战。这些挑战导致CFB机组需要面临新的运行场景和工况，增加了“裤衩腿”型CFB锅炉发生翻床事故的几率。
[0004]CFB机组的床压参数可以有效表征炉内床料的分布情况。因此对CFB机组的床压参数的精准监测可以有效预防翻床事故的发生，提高机组的运行稳定性。
[0005]人工智能技术在近十年间得到了飞速的发展，如何将人工智能技术与发电技术相结合成为发电技术研究的重要方向之一。智能监测技术作为智能发电技术中的一部分，通过人工智能技术的结合实现传统任务精度的提升是本申请要解决的问题。

技术实现思路

[0006]本申请提供了一种CFB机组床压预测模型的构建方法以及预测方法，以提高CFB机组床压预测的准确度。本申请的技术方案如下：
[0007]第一方面，本申请实施例提供了一种CFB机组床压预测模型的构建方法，包括：
[0008]获取CFB机组相关数据，并将所述CFB机组相关数据进行归一化处理，得到模型训练样本；其中，所述模型训练样本中的每个样本包括一段时序数据；
[0009]获取待构建模型的基础模型结构，所述基础模型结构包括深度学习模型、前全连接层、批次归一化模块、第一激活函数和后全连接层；其中，所述深度学习模型包括第一前向神经网络模块、第二前向神经网络模块与卷积神经网络；
[0010]通过所述模型训练样本训练所述待构建模型，得到CFB机组床压预测模型，包括：
[0011]通过所述第一前向神经网络模块对所述模型训练样本进行特征提取，得到第一隐藏层特征，通过所述第二前向神经网络模块对所述模型训练样本进行特征提取，得到第二特征；其中，所述第一前向神经网络模块采用Tanh激活函数，所述第二前向神经网络模块采用Sigmoid激活函数；
[0012]将所述第一隐藏层特征通过切割处理去掉最后时刻之后的数据，得到切割后第一隐藏层特征，将所述切割后的第一隐藏层特征与零矩阵拼接之后与所述第二特征输入所述
卷积神经网络，得到卷积输出，再将所述卷积输出与所述第一隐藏层特征求和，得到所述深度学习模型的深度学习模型输出；
[0013]将所述深度模型输出输入所述前全连接层之后，依次经过所述前全连接层、所述批次归一化模块、所述第一激活函数和所述后全连接层，得到床压预测结果。
[0014]第二方面，本申请实施例提供了一种CFB机组床压的预测方法，包括：
[0015]获取目标CFB机组的相关数据；
[0016]将所述目标CFB机组的相关数据输入预先训练好的CFB机组床压预测模型，得到床压预测结果；其中，所述CFB机组床压预测模型为第一方面所述的CFB机组床压预测模型；
[0017]根据所述床压预测结果，进行预警。
[0018]第三方面，本申请实施例提供了一种CFB机组床压预测模型的构建装置，包括：
[0019]样本获取模块，用于获取CFB机组相关数据，并将所述CFB机组相关数据进行归一化处理，得到模型训练样本；其中，所述模型训练样本中的每个样本包括一段时序数据；
[0020]基础模型获取模块，用于获取待构建模型的基础模型结构，所述基础模型结构包括深度学习模型、前全连接层、批次归一化模块、第一激活函数和后全连接层；其中，所述深度学习模型包括第一前向神经网络模块、第二前向神经网络模块与卷积神经网络；
[0021]模型训练模块，用于通过所述模型训练样本训练所述待构建模型，得到CFB机组床压预测模型，具体用于：
[0022]通过所述第一前向神经网络模块对所述模型训练样本进行特征提取，得到第一隐藏层特征，通过所述第二前向神经网络模块对所述模型训练样本进行特征提取，得到第二特征；其中，所述第一前向神经网络模块采用Tanh激活函数，所述第二前向神经网络模块采用Sigmoid激活函数；
[0023]将所述第一隐藏层特征通过切割处理去掉最后时刻之后的数据，得到切割后第一隐藏层特征，将所述切割后的第一隐藏层特征与零矩阵拼接之后与所述第二特征输入所述卷积神经网络，得到卷积输出，再将所述卷积输出与所述第一隐藏层特征求和，得到所述深度学习模型的深度学习模型输出；
[0024]将所述深度模型输出输入所述前全连接层之后，依次经过所述前全连接层、所述批次归一化模块、所述第一激活函数和所述后全连接层，得到床压预测结果。
[0025]第四方面，本申请实施例提供了一种CFB机组床压的预测装置，包括：
[0026]目标数据获取模块，用于获取目标CFB机组的相关数据；
[0027]床压预测模块，用于将所述目标CFB机组的相关数据输入预先训练好的CFB机组床压预测模型，得到床压预测结果；其中，所述CFB机组床压预测模型为如权利要求1
‑
5任一所述的CFB机组床压预测模型；
[0028]预警模块，用于根据所述床压预测结果，进行预警。
[0029]第五方面，本申请实施例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申请第一方面实施例所述的CFB机组床压预测模型的构建方法，或者第二方面实施例所述的CFB机组床压的预测方法。
[0030]第六方面，本申请实施例提供了一种存储有计算机指令的非瞬时计算机可读存储
介质，所述计算机指令用于使所述计算机执行本申请第一方面实施例所述的CFB机组床压预测模型的构建方法，或者第二方面实施例所述的CFB机组床压的预测方法。
[0031]第七方面，本申请实施例提供了一种计算机程序产品，包括计算机指令，该计算机指令被处理器执行时实现本申请第一方面实施例所述的CFB机组床压预测模型的构建方法，或者第二方面实施例所述的CFB机组床压的预测方法的步骤。
[0032]本申请实施例提供的技术方案至少带来以下有益效果：
[0033]通过前向神经网络模块与卷积神经网络模块的结合，实现了基于深度学习模型的CF本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种CFB机组床压预测模型的构建方法，其特征在于，包括：获取CFB机组相关数据，并将所述CFB机组相关数据进行归一化处理，得到模型训练样本；其中，所述模型训练样本中的每个样本包括一段时序数据；获取待构建模型的基础模型结构，所述基础模型结构包括深度学习模型、前全连接层、批次归一化模块、第一激活函数和后全连接层；其中，所述深度学习模型包括第一前向神经网络模块、第二前向神经网络模块与卷积神经网络；通过所述模型训练样本训练所述待构建模型，得到CFB机组床压预测模型，包括：通过所述第一前向神经网络模块对所述模型训练样本进行特征提取，得到第一隐藏层特征，通过所述第二前向神经网络模块对所述模型训练样本进行特征提取，得到第二特征；其中，所述第一前向神经网络模块采用Tanh激活函数，所述第二前向神经网络模块采用Sigmoid激活函数；将所述第一隐藏层特征通过切割处理去掉最后时刻之后的数据，得到切割后第一隐藏层特征，将所述切割后的第一隐藏层特征与零矩阵拼接之后与所述第二特征输入所述卷积神经网络，得到卷积输出，再将所述卷积输出与所述第一隐藏层特征求和，得到所述深度学习模型的深度学习模型输出；将所述深度模型输出输入所述前全连接层之后，依次经过所述前全连接层、所述批次归一化模块、所述第一激活函数和所述后全连接层，得到床压预测结果。2.根据权利要求1所述的方法，其特征在于，所述第一前向神经网络模块和所述第二前向神经网络模块均包括三类全连接层，分别为第一全连接层、第二全连接层和第三全连接层，输入数据通过所述第一全连接层进行高维映射，再经过所述第二全连接层映射回输入数据的维度；再通过ResNet结构将所述输入数据与所述第二全连接层的输出进行相加；再通过所述第三全连接层将所述ResNet结构的输出映射到指定的维度空间中。3.根据权利要求2所述的方法，其特征在于，所述第一全连接层的隐藏神经元数量、所述ResNet结构的结构数量N和所述第三全连接层的隐藏神经元数量为所述待构建模型的超参数，所述第一全连接层和所述第二全连接层采用Elu激活函数，所述第三全连接层不使用激活函数。4.根据权利要求1所述的方法，其特征在于，所述卷积神经网络由卷积模块构建；所述卷积模块针对输入数据中的每个特征进行单独的卷积操作，得到多个卷积操作结果；再将所述多个卷积操作结果进行拼接得到第一张量，采用可训练的权重矩阵对所述第一张量中的有用信息进行选择。5.根据权利要求1所述的方法，其特征在于，所述CFB机组相关数据包括：燃料量、右侧一次风风量、左侧二次风量上部风量、左侧一次风风量、右侧二次风量下部风量、右侧二次风量上部风量以及CFB机组床压。6.一种CFB机组床压的预测方法，其特征在于，包括：获取目标CFB机组的相关数据；将所述目标CFB机...

【专利技术属性】
技术研发人员：于信波，张斌，赵阳，杨勇，王福晶，杨春，袁哲，潘乐，周扬，王晓凯，
申请(专利权)人：西安热工研究院有限公司华能山东发电有限公司，
类型：发明
国别省市：