【技术实现步骤摘要】
本申请涉及数据处理，具体涉及一种基于多模型融合的电厂锅炉软测量方法及系统。
技术介绍
1、锅炉作为电厂实现智能化转型升级的关键核心设备，整体结构复杂，一旦发生故障将导致机组的非计划停机。非计划停机不仅会严重影响锅炉的运行安全，还会对发电的稳定性造成影响。目前，锅炉大量的运行监测数据仅仅储存于pi数据库中，并未对其进行相关的数据挖掘分析，同时这些数据往往存在噪声、缺失等不足，传统的算法难以建立能准确描述其运行特性的数学模型，从而导致大量数据利用困难。
2、软测量技术是应用统计方法和人工智能等方法，通过建立软测量模型，利用可在线测量的变量来推断和估计难以在线测量的变量，应用软测量方法可以对目前无法用硬件仪表测量的参数用软件来代替硬件进行实时的准确测量。同时测量估计值可作为控制系统的被控变量或反应过程特性的工艺参数，可为锅炉的优化控制与决策提供重要的思路。
技术实现思路
1、为此，本申请提供一种基于多模型融合的电厂锅炉软测量方法及系统，以解决现有技术存在的锅炉运行监测数据难以利用的问题。
2、为了实现上述目的，本申请提供如下技术方案：
3、第一方面，一种基于多模型融合的电厂锅炉软测量方法，包括：
4、从电厂pi数据库系统获取与电厂锅炉运行相关的热工参数数据；所述热工参数数据包括与锅炉一次风量有关的热工参数数据、与锅炉飞灰含碳量有关的热工参数数据以及与锅炉烟气含氧量有关的热工参数数据；
5、对所述热工参数数据进行离群点筛除和标准化
6、将预处理后的所述与锅炉一次风量有关的热工参数数据输入预先训练好的锅炉一次风量预测模型中对锅炉一次风量进行预测；所述锅炉一次风量预测模型是采用gru神经网络算法进行训练，并采用mdd算法对所述gru神经网络算法进行优化后得到的；
7、将预处理后的所述与锅炉飞灰含碳量有关的热工参数数据输入预先训练好的锅炉飞灰含碳量预测模型中对锅炉飞灰含碳量进行预测；所述锅炉飞灰含碳量预测模型是采用bp神经网络算法进行训练，并采用vmd算法对所述bp神经网络算法进行优化后得到的；
8、将预处理后的所述与锅炉烟气含氧量有关的热工参数数据输入预先训练好的锅炉烟气含氧量预测模型中对锅炉烟气含氧量进行预测；所述锅炉烟气含氧量预测模型是采用cnn神经网络算法进行训练，并采用ga算法对所述cnn神经网络算法进行优化后得到的。
9、可选地，对所述热工参数数据进行离群点筛除时采用fcm聚类算法。
10、可选地，对所述热工参数数据进行标准化处理时采用z-score标准化方法。
11、可选地，所述gru神经网络算法为：
12、zt＝a(wz×[yt-1,xt])
13、rt＝a(wr×[yt-1,xt])
14、
15、
16、其中，a代表sigmoid激活函数，wz、wr和w分别代表相应的参数权重系数，xt代表gru神经网络输入，yt代表神经网络输出，zt和rt分别代表gru神经网络的更新门和重置门，代表gru神经网络隐藏层的输出。
17、可选地，所述mdd算法为：
18、
19、其中，φ(·)为映射关系，n为源域中样本的个数，m为目标域中样本的个数，为源域中第i个样本；为目标域中第j个样本。
20、可选地，所述vmd算法具体包括：
21、根据第一公式计算模函数的单片频谱：
22、根据第二公式将各函数的单片频谱调制到相应的基频带：
23、根据第三公式估计各模态函数的带宽；
24、所述第一公式为：
25、
26、所述第二公式为：
27、
28、所述第三公式为：
29、
30、其中，f1为单片频谱，f2为基频带，δ(t)为冲击函数，uk(t)为k个imf分量，wk为本征模函数的中心频率，f为输入信号，j为虚数单位，t为时间，e()为指数函数，min()为求最小值函数，∑()为求和函数，为偏导数，st为约束限制条件，||||2为平方范数运算符。
31、可选地，所述cnn神经网络算法为：
32、根据第四公式进行卷积层特征数据求解；
33、根据第五公式进行池化层数据降维；
34、根据第六公式完成分类；
35、所述第四公式为：
36、
37、其中，ci表示卷积神经网络第i层特征图，代表卷积计算，wi是第i层卷积核的权值矩阵，bi为第i层的偏置向量，σ代表激活函数；
38、所述第五公式为：
39、ci＝p(ci)
40、其中，p代表池化操作；
41、所述第六公式为：
42、
43、其中，wi是全连接层中的权重系数，xi是上一层第i个神经元的值，qi是全连接层的偏置量。
44、第二方面，一种基于多模型融合的电厂锅炉软测量系统，包括锅炉采集接口模块、数据预处理模块、高质量数据接口模块和电厂锅炉多模型算法融合模块，所述高质量数据接口模块用于所述数据预处理模块和所述电厂锅炉多模型算法融合模块之间的数据传输，其中，所述电厂锅炉多模型算法融合模块包括锅炉一次风量预测单元、锅炉飞灰含碳量预测单元和锅炉烟气含氧量预测单元：
45、所述锅炉采集接口模块，用于从电厂pi数据库系统获取与电厂锅炉运行相关的热工参数数据；所述热工参数数据包括与锅炉一次风量有关的热工参数数据、与锅炉飞灰含碳量有关的热工参数数据以及与锅炉烟气含氧量有关的热工参数数据；
46、所述数据预处理模块，用于对所述热工参数数据进行离群点筛除和标准化处理；
47、所述锅炉一次风量预测单元，用于将预处理后的所述与锅炉一次风量有关的热工参数数据输入预先训练好的锅炉一次风量预测模型中对锅炉一次风量进行预测；所述锅炉一次风量预测模型是采用gru神经网络算法进行训练，并采用mdd算法对所述gru神经网络算法进行优化后得到的；
48、所述锅炉飞灰含碳量预测单元，用于将预处理后的所述与锅炉飞灰含碳量有关的热工参数数据输入预先训练好的锅炉飞灰含碳量预测模型中对锅炉飞灰含碳量进行预测；所述锅炉飞灰含碳量预测模型是采用bp神经网络算法进行训练，并采用vmd算法对所述bp神经网络算法进行优化后得到的；
49、所述锅炉烟气含氧量预测单元，用于将预处理后的所述与锅炉烟气含氧量有关的热工参数数据输入预先训练好的锅炉烟气含氧量预测模型中对锅炉烟气含氧量进行预测；所述锅炉烟气含氧量预测模型是采用cnn神经网络算法进行训练，并采用ga算法对所述cnn神经网络算法进行优化后得到的。
50、可选地，所述锅炉采集接口模块包括锅炉一次风量采集接口单元、锅炉飞灰含碳量采集接口单元和锅炉烟气含氧量采集接口单元；
51、所述锅炉一次风量本文档来自技高网...
【技术保护点】
1.一种基于多模型融合的电厂锅炉软测量方法，其特征在于，包括：
2.根据权利要求1所述的基于多模型融合的电厂锅炉软测量方法，其特征在于，对所述热工参数数据进行离群点筛除时采用FCM聚类算法。
3.根据权利要求1所述的基于多模型融合的电厂锅炉软测量方法，其特征在于，对所述热工参数数据进行标准化处理时采用Z-score标准化方法。
4.根据权利要求1所述的基于多模型融合的电厂锅炉软测量方法，其特征在于，所述GRU神经网络算法为：
5.根据权利要求1所述的基于多模型融合的电厂锅炉软测量方法，其特征在于，所述MDD算法为：
6.根据权利要求1所述的基于多模型融合的电厂锅炉软测量方法，其特征在于，所述VMD算法具体包括：
7.根据权利要求1所述的基于多模型融合的电厂锅炉软测量方法，其特征在于，所述CNN神经网络算法为：
8.一种基于多模型融合的电厂锅炉软测量系统，其特征在于，包括锅炉采集接口模块、数据预处理模块、高质量数据接口模块和电厂锅炉多模型算法融合模块，所述高质量数据接口模块用于所述数据预处理模块和所
9.根据权利要求8所述的基于多模型融合的电厂锅炉软测量系统，其特征在于，所述锅炉采集接口模块包括锅炉一次风量采集接口单元、锅炉飞灰含碳量采集接口单元和锅炉烟气含氧量采集接口单元；
10.根据权利要求8所述的基于多模型融合的电厂锅炉软测量系统，其特征在于，所述数据预处理模块包括离群点删除单元和标准化处理单元；
...【技术特征摘要】
1.一种基于多模型融合的电厂锅炉软测量方法，其特征在于，包括：
2.根据权利要求1所述的基于多模型融合的电厂锅炉软测量方法，其特征在于，对所述热工参数数据进行离群点筛除时采用fcm聚类算法。
3.根据权利要求1所述的基于多模型融合的电厂锅炉软测量方法，其特征在于，对所述热工参数数据进行标准化处理时采用z-score标准化方法。
4.根据权利要求1所述的基于多模型融合的电厂锅炉软测量方法，其特征在于，所述gru神经网络算法为：
5.根据权利要求1所述的基于多模型融合的电厂锅炉软测量方法，其特征在于，所述mdd算法为：
6.根据权利要求1所述的基于多模型融合的电厂锅炉软测量方法，其特征在于，所述vmd算法具体包括：
7.根据权利要求1所述的基于多模型融合的电厂锅炉软...
【专利技术属性】
技术研发人员：丁乐，吕安斌，傅维栋，虞仕杰，
申请(专利权)人：浙江浙能北仑发电有限公司，
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。