【技术实现步骤摘要】
本专利技术涉及生物质电厂燃烧控制决策自动化，具体是指基于人工智能的生物质电厂燃烧控制决策优化方法及系统。
技术介绍
1、基于人工智能的生物质电厂燃烧控制决策优化方法是以人工智能分析手段结合各类分析、预测模型对数据进行预测推荐，进行燃烧过程实现自动控制的方法，这种方法高效准确，同时能够使得生物质锅炉一直处于稳定燃烧的良好工况，进一步实现节能减排。
2、但是，在已有的生物质电厂燃烧控制决策优化方法中，存在着锅炉燃烧特征数据多样，影响了锅炉燃烧控制决策的准确性和效率的技术问题；在已有的生物质电厂燃烧控制决策优化方法中，存在着生物质电厂燃烧控制决策的数据建构难度较大，缺少一种合理的构造燃烧振动周期数据，并进行燃烧振动周期分析的方法的技术问题；在已有的生物质电厂燃烧控制决策优化方法中，存在着人工进行生物质电厂燃烧控制决策的效率和准确性优先，亟待一种自动化的控制决策优化方法的技术问题；在已有的生物质电厂燃烧控制决策优化方法中，存在着人工误差或延迟效应影响生物质电厂燃烧控制的整体过程的技术问题。
技术实现思路
1、针对上述情况，为克服现有技术的缺陷，本专利技术提供了基于人工智能的生物质电厂燃烧控制决策优化方法及系统，针对在已有的生物质电厂燃烧控制决策优化方法中，存在着锅炉燃烧特征数据多样，影响了锅炉燃烧控制决策的准确性和效率的技术问题，本方案创造性地选取料进料量、风量和炉膛含氧量作为锅炉燃烧特征数据，通过特征选取进行数据规模抽象，为后续的燃烧控制决策优化提供良好的数据基础；针对在已有
2、本专利技术采取的技术方案如下：本专利技术提供的基于人工智能的生物质电厂燃烧控制决策优化方法，该方法包括以下步骤：
3、步骤s1：数据采集；
4、步骤s2：锅炉燃烧特征选取；
5、步骤s3：燃烧振动周期分析；
6、步骤s4：控制决策建模预测；
7、步骤s5：生物质电厂燃烧控制决策优化。
8、进一步地，在步骤s1中，所述数据采集，用于构建数据模型并进行实时数据采集，具体为通过工业采集设备、opc协议和dcs系统，将生物质直燃发电机组锅炉燃烧数据实时存入采集数据库，得到决策优化原始数据，所述决策优化原始数据，具体指生物质直燃发电机组锅炉燃烧实时数据，包括燃料运料皮带传送速度、风机挡板开度、炉腔内含氧量和设备实时时间数据，其中，将所述设备实时时间数据存入postgresql数据库。
9、进一步地，在步骤s2中，所述锅炉燃烧特征选取，用于选取进行生物质电厂燃烧控制决策优化所需的锅炉燃烧特征数据，具体为选取燃料进料量、风量和炉膛含氧量作为锅炉燃烧特征数据，将所述决策优化原始数据转化为锅炉燃烧特征数据，得到决策优化特征数据，包括以下步骤：
10、步骤s21：计算燃料进料量特征，计算公式为：
11、；
12、式中，ff是燃料进料量特征，vf是燃料运料皮带传送速度，wf是燃料进料口的有效宽度，kf是流量系数；
13、步骤s22：转化风量特征，具体为通过将所述风机挡板开度拟合转化，得到风量特征fw；
14、步骤s23：提取炉腔含氧量特征，具体为通过监测设备直接探测炉腔内含氧量数据，得到炉腔含氧量特征fo；
15、步骤s24：锅炉燃烧特征选取，具体为通过所述计算燃料进料量特征、所述转化风量特征和所述提取炉腔含氧量特征，构建得到决策优化特征数据，所述决策优化特征数据的计算公式为：
16、；
17、式中，fp是决策优化特征数据，ff是燃料进料量特征，fw是风量特征，fo是炉腔含氧量特征。
18、进一步地，在步骤s3中，所述燃烧振动周期分析，用于采用数据分析方法计算历史数据中每个振动周期的起始点和终点的时刻数据，具体为构造燃烧振动周期数据，并进行燃烧振动周期分析，得到燃烧振动标签数据，并构建决策优化人工智能学习数据样本，包括以下步骤：
19、步骤s31：构建时序数据，具体从postgresql数据库中调用所述设备实时时间数据，得到时序数据；
20、步骤s32：计算振动周期时刻数据，计算公式为：
21、；
22、式中，是第c次振动周期的周期时刻数据，c是振动周期次数索引，是第c次振动周期的结束时刻数据，是第c次振动周期的起始时刻数据，是第c次振动周期时，炉排振动频率由正值降为0hz的时刻，是第c-1次振动周期的结束时刻数据，用于表示前一次振动的结束时刻作为下一次振动的起始时刻，其中，第一次振动周期的振动起始时刻取值为0；
23、步骤s33：构建振动周期历史时刻数据，具体为通过所述计算振动周期时刻数据，构建振动周期历史时刻数据，计算公式为：
24、；
25、式中，是振动周期历史时刻数据，是第1次振动周期的振动周期历史时刻数据，包括第1次振动周期的振动起始时刻数据和第1次振动周期的振动结束时刻数据，c是振动周期次数索引，是第c次振动周期的振动周期历史时刻数据；
26、步骤s34：构建时序含氧量数据，具体包括以下步骤：
27、步骤s341：获取含氧量原始数据，具体为依据所述振动周期历史时刻数据和所述决策优化特征数据中的炉腔含氧量特征fo，得到含氧量原始数据；
28、步骤s342：计算平均含氧量数据，计算公式为：
29、；
30、式中，是平均含氧量数据，是第c次振动周期的平均含氧量，是在第c次振动周期中，时刻t含氧量的积分，其中，c(t)是时刻t的含氧量，c是振动周期次数索引，是第c次振动周期的结束时刻数据，是第c次振动周期的起始时刻数据，是第c次振动周期的周期时刻数据；
31、步骤s35：振动周期周期分析，具体为采用人工分析的方式，分析所述平均含氧量数据中的含氧量，并通过人工决策进行数据标记，依据所述含氧量数据进行人工数据标签，得到燃烧振动标签数据dt；
本文档来自技高网...【技术保护点】
1.基于人工智能的生物质电厂燃烧控制决策优化方法，其特征在于：该方法包括以下步骤：
2.根据权利要求1所述的基于人工智能的生物质电厂燃烧控制决策优化方法，其特征在于：在步骤S2中，所述锅炉燃烧特征选取，包括以下步骤：步骤S21：计算燃料进料量特征；步骤S22：转化风量特征；步骤S23：提取炉腔含氧量特征；步骤S24：锅炉燃烧特征选取；
3.根据权利要求2所述的基于人工智能的生物质电厂燃烧控制决策优化方法，其特征在于：在步骤S3中，所述燃烧振动周期分析，包括以下步骤：步骤S31：构建时序数据；步骤S32：计算振动周期时刻数据；步骤S33：构建振动周期历史时刻数据；步骤S34：构建时序含氧量数据；步骤S35：振动周期周期分析；步骤S36：构建数据样本；
4.根据权利要求3所述的基于人工智能的生物质电厂燃烧控制决策优化方法，其特征在于：在步骤S34中，所述构建时序含氧量数据，具体包括以下步骤：
5.根据权利要求4所述的基于人工智能的生物质电厂燃烧控制决策优化方法，其特征在于：在步骤S35中，所述振动周期周期分析，具体为采用人工分析的方式，
6.根据权利要求5所述的基于人工智能的生物质电厂燃烧控制决策优化方法，其特征在于：在步骤S4中，所述采用K近邻算法进行控制决策建模预测，得到控制决策参考数据的步骤，包括：
7.根据权利要求6所述的基于人工智能的生物质电厂燃烧控制决策优化方法，其特征在于：在步骤S1中，所述数据采集，用于构建数据模型并进行实时数据采集，具体为通过工业采集设备、OPC协议和DCS系统，将生物质直燃发电机组锅炉燃烧数据实时存入采集数据库，得到决策优化原始数据，所述决策优化原始数据，具体指生物质直燃发电机组锅炉燃烧实时数据，包括燃料运料皮带传送速度、风机挡板开度、炉腔内含氧量和设备实时时间数据，其中，将所述设备实时时间数据存入PostgreSQL数据库。
8.基于人工智能的生物质电厂燃烧控制决策优化系统，用于实现如权利要求1-7中任一项所述的基于人工智能的生物质电厂燃烧控制决策优化方法，其特征在于：包括数据采集模块、锅炉燃烧特征选取模块、燃烧振动周期分析模块、控制决策建模预测模块、生物质电厂燃烧控制决策优化模块。
9.根据权利要求8所述的基于人工智能的生物质电厂燃烧控制决策优化系统，其特征在于：所述数据采集模块，用于数据采集，通过数据采集，得到决策优化原始数据，并将所述决策优化原始数据发送至锅炉燃烧特征选取模块和燃烧振动周期分析模块；
...【技术特征摘要】
1.基于人工智能的生物质电厂燃烧控制决策优化方法，其特征在于：该方法包括以下步骤：
2.根据权利要求1所述的基于人工智能的生物质电厂燃烧控制决策优化方法，其特征在于：在步骤s2中，所述锅炉燃烧特征选取，包括以下步骤：步骤s21：计算燃料进料量特征；步骤s22：转化风量特征；步骤s23：提取炉腔含氧量特征；步骤s24：锅炉燃烧特征选取；
3.根据权利要求2所述的基于人工智能的生物质电厂燃烧控制决策优化方法，其特征在于：在步骤s3中，所述燃烧振动周期分析，包括以下步骤：步骤s31：构建时序数据；步骤s32：计算振动周期时刻数据；步骤s33：构建振动周期历史时刻数据；步骤s34：构建时序含氧量数据；步骤s35：振动周期周期分析；步骤s36：构建数据样本；
4.根据权利要求3所述的基于人工智能的生物质电厂燃烧控制决策优化方法，其特征在于：在步骤s34中，所述构建时序含氧量数据，具体包括以下步骤：
5.根据权利要求4所述的基于人工智能的生物质电厂燃烧控制决策优化方法，其特征在于：在步骤s35中，所述振动周期周期分析，具体为采用人工分析的方式，分析所述平均含氧量数据中的含氧量，并通过人工决策进行数据标记，依据所述含氧量数据进行人工数据标签，得到燃烧振动标签数据dt；
6.根据权利要求...
【专利技术属性】
技术研发人员：苏明轩，关键，王艳静，纪晓申，施英民，刘佳，
申请(专利权)人：中电行唐生物质能热电有限公司，
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。