【技术实现步骤摘要】
本专利技术涉及电厂设备运行优化，特别是涉及基于多尺度特征融合informer的锅炉积灰预测方法、系统及设备。
技术介绍
1、锅炉作为发电厂的三大主机设备之一，其安全运行对电力供应的连续性和稳定性至关重要。由于锅炉中的主要燃烧物质是煤粉，在煤矿燃烧进行热电转换生成电能的过程中，烟气中会携带大量的灰尘和颗粒物。这些灰尘和颗粒物会附着在锅炉内壁和热交换表面上，形成积灰。积灰会导致受热面结渣，降低受热面传热效率，从而导致发电系统效率下降。对受热面的积灰状态进行预测可以有效指导工作人员及时进行吹灰，对于锅炉的健康运行具有重要意义。在电厂锅炉吹灰优化中，通过机理模型计算实际传热系数和理论传热系数的比值求取锅炉受热面污染因子，进而表征受热面的健康状况和传热效率状况。
2、现有获取锅炉受热面灰污状态的方法主要是使用传统机理模型对可能会影响锅炉受热面积灰状态的参数构建一个受热面污染状态的计算公式，当污染状态达到一定程度时，给出吹灰建议。然而，当负荷迅速变化时，机理模型的计算参数会发生变化，所计算的污染因子必然存在一定程度的偏差。在整个受热面吹灰过程中，污染机理模型输出的污染因子波动变化大，仅依据机理模型污染因子无法准确衡量受热面的污染程度。公开号为cn116362380a的中国专利文献通过最小二乘法对负荷等参数构建软测量模型，从而预测污染因子，显然缺少泛化能力。针对数据量充足的情况，使用神经网络模型预测无疑是一种更好的选择。但是，现有技术大多仅使用污染因子这一变量对神经网络进行训练，针对稳定负荷工况下的污染因子进行预测。虽然预测效果十
技术实现思路
1、本专利技术要解决的技术问题是当锅炉负荷工况发生较大幅度改变时，如何克服现有基于稳定工况的锅炉受热面污染程度监测模型难以准确判断污染因子变化趋势的缺陷。为了解决上述技术问题，本专利技术提供了一种基于多尺度特征融合informer的锅炉积灰预测方法、系统及设备。
2、第一方面，本专利技术实施例提供了一种基于多尺度特征融合informer的锅炉积灰预测方法，包括：
3、获取电厂dcs数据库中预设时间段内锅炉受热面的初始参数数据，并对所述初始参数数据进行预处理，得到目标参数数据；所述初始参数数据至少包括污染因子、有功功率、工质状态参数、烟气侧参数、工质流量和烟气流量；
4、将所述目标参数数据按照预设比例划分为训练集、验证集和测试集；
5、构建多尺度特征融合informer模型，并根据所述训练集对所述多尺度特征融合informer模型进行迭代训练，直至达到训练终止条件；所述多尺度特征融合informer模型至少包括多尺度特征融合模块、编码器和解码器，所述多尺度特征融合模块包括多个深度可分离卷积；
6、评估每一次迭代训练的多尺度特征融合informer模型在所述验证集上的预测效果，并将所述预测效果最好的多尺度特征融合informer模型表征为目标多尺度特征融合informer模型；
7、根据所述目标多尺度特征融合informer模型对所述测试集进行预测，得到所述锅炉受热面的积灰状态。
8、优选地，所述获取电厂dcs数据库中预设时间段内锅炉受热面的初始参数数据，并对所述初始参数数据进行预处理，得到目标参数数据，包括：
9、按照预设时间间隔获取电厂dcs数据库中预设时间段内锅炉受热面的初始参数数据；
10、计算所述初始参数数据的目标参数与其他参数之间的皮尔森系数，筛选出与所述目标参数之间的皮尔森系数的绝对值高于预设阈值的参数，并将所述参数表征为辅助参数；所述目标参数为污染因子；
11、对所述目标参数和所述辅助参数进行归一化，并对归一化后的所述目标参数进行小波软阈值去噪，得到目标参数数据。
12、优选地，所述构建多尺度特征融合informer模型，并根据所述训练集对所述多尺度特征融合informer模型进行迭代训练，直至达到训练终止条件，包括：
13、在原始informer模型的输入层和编码器之间以及输入层和解码器之间分别引入多尺度特征融合模块，以构建多尺度特征融合informer模型；所述多尺度特征融合模块包括三个不同大小的一维深度可分离卷积；
14、根据所述训练集对所述多尺度特征融合informer模型进行迭代训练，并根据每一次迭代训练的所述多尺度特征融合informer模型对所述验证集进行测试，直至达到预设迭代次数或因对所述验证集的测试损失不下降而触发早停机制。
15、优选地，所述多尺度特征融合模块还包括：残差分支。
16、优选地，三个所述一维深度可分离卷积包括：1*3深度可分离卷积、1*7深度可分离卷积和1*11深度可分离卷积。
17、优选地，所述评估每一次迭代训练的多尺度特征融合informer模型在所述验证集上的预测效果，包括：
18、根据评价指标评估每一次迭代训练的多尺度特征融合informer模型在所述验证集上的预测效果；所述评价指标包括平均绝对误差、均方根误差和平均绝对百分比误差。
19、第二方面，本专利技术实施例提供了一种基于多尺度特征融合informer的锅炉积灰预测系统，包括：
20、数据获取及预处理单元，用于获取电厂dcs数据库中预设时间段内锅炉受热面的初始参数数据，并对所述初始参数数据进行预处理，得到目标参数数据；所述初始参数数据至少包括污染因子、有功功率、工质状态参数、烟气侧参数、工质流量和烟气流量；
21、数据划分单元，用于将所述目标参数数据按照预设比例划分为训练集、验证集和测试集；
22、模型构建及训练单元，用于构建多尺度特征融合informer模型，并根据所述训练集对所述多尺度特征融合informer模型进行迭代训练，直至达到训练终止条件；所述多尺度特征融合informer模型至少包括多尺度特征融合模块、编码器和解码器，所述多尺度特征融合模块包括多个深度可分离卷积；
23、最优模型获取单元，用于评估每一次迭代训练的多尺度特征融合informer模型在所述验证集上的预测效果，并将所述预测效果最好的多尺度特征融合informer模型表征为目标多尺度特征融合informer模型；
24、积灰预测单元，用于根据所述目标多尺度特征融合informer模型对所述测试集进行预测，得到所述锅炉受热面的积灰状态。
25、优选地，所述模型构建及训练单元包括：
26、模型构建模块，用于在原始informer模型的输入层和编码器之间以及输入层和解码器之间分别引入多尺度特征融合模块，以构建多尺度特征融合informer模型；所述多尺度特征融合模块包括三个不同大小的一维深度可分离卷积；
27、模型训练模块，用于根据所述训练集对所述多尺本文档来自技高网...
【技术保护点】
1.一种基于多尺度特征融合Informer的锅炉积灰预测方法，其特征在于，包括：
2.根据权利要求1所述的锅炉积灰预测方法，其特征在于，所述获取电厂DCS数据库中预设时间段内锅炉受热面的初始参数数据，并对所述初始参数数据进行预处理，得到目标参数数据，包括：
3.根据权利要求1所述的锅炉积灰预测方法，其特征在于，所述构建多尺度特征融合Informer模型，并根据所述训练集对所述多尺度特征融合Informer模型进行迭代训练，直至达到训练终止条件，包括：
4.根据权利要求3所述的锅炉积灰预测方法，其特征在于，所述多尺度特征融合模块还包括：残差分支。
5.根据权利要求3所述的锅炉积灰预测方法，其特征在于，三个所述一维深度可分离卷积包括：1*3深度可分离卷积、1*7深度可分离卷积和1*11深度可分离卷积。
6.根据权利要求1所述的锅炉积灰预测方法，其特征在于，所述评估每一次迭代训练的多尺度特征融合Informer模型在所述验证集上的预测效果，包括：
7.一种基于多尺度特征融合Informer的锅炉积灰预测系统，其特征
8.根据权利要求7所述的锅炉积灰预测系统，其特征在于，所述模型构建及训练单元包括：
9.一种终端设备，其特征在于，包括处理器、存储器以及存储在所述存储器中且被配置为由所述处理器执行的计算机程序，所述处理器执行所述计算机程序时实现如权利要求1至6中任一项所述的锅炉积灰预测方法。
...【技术特征摘要】
1.一种基于多尺度特征融合informer的锅炉积灰预测方法，其特征在于，包括：
2.根据权利要求1所述的锅炉积灰预测方法，其特征在于，所述获取电厂dcs数据库中预设时间段内锅炉受热面的初始参数数据，并对所述初始参数数据进行预处理，得到目标参数数据，包括：
3.根据权利要求1所述的锅炉积灰预测方法，其特征在于，所述构建多尺度特征融合informer模型，并根据所述训练集对所述多尺度特征融合informer模型进行迭代训练，直至达到训练终止条件，包括：
4.根据权利要求3所述的锅炉积灰预测方法，其特征在于，所述多尺度特征融合模块还包括：残差分支。
5.根据权利要求3所述的锅炉积灰预测方法，其特征在于，...
【专利技术属性】
技术研发人员：彭佩，赖伟其，汪伟，李玲，朱尧，
申请(专利权)人：广州中电荔新热电有限公司，
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。