【技术实现步骤摘要】
本专利技术涉及数据挖掘技术工业应用领域，具体涉及一种基于数据挖掘技术调节余热锅炉阀门的方法。
技术介绍
1、钢铁厂生产无缝钢管时，环形加热炉在加热过程中产生大量废热烟气(400-500℃)，工厂中利用余热锅炉回收废热烟气产生的热能。常规控制工业系统的方法为动态建模方法，例如：传递函数、拉式变换、微分方程，该方法不适用于余热锅炉系统。
2、目前，利用控制系统本身历史运行数据进行建模的方法，成为了提升余热锅炉系统设备效率的有效方式。许裕栗等在“基于数据挖掘的锅炉在线运行状态监测论文”中公开了先计算余热锅炉数据样本点的马氏距离，再采用高斯阀值创建实时检测余热锅炉健康指标的决策函数，以及公开了基于支持向量机回归与差分进化算法优化锅炉效率方法。g.li等“optimization for boiler based on data mining and multi-conditioncombustion”中公开了采用k-means算法划分循环流化床锅炉的历史数据工况，然后用麻雀搜索算法优化支持向量机模型的参数，并构建锅炉燃烧模型。
3、上述研究中均是应用在燃烧锅炉设备上的数据挖掘方法，目前在余热锅炉设备上还没有相关研究。
4、并且，工厂中调节余热锅炉各设备阀门仍然采用传统的pid调节方式，该方式存在较大的调节滞后性、不准确性。
技术实现思路
1、本专利技术的目的是为了解决现有技术中传统pid调节方式存在调节滞后性、不准确性的问题。
2、为了实现上
3、(1)对原始数据进行预处理，得到数据集i；
4、(2)将所述数据集i用于搭建xgboost预测模型，再以所述xgboost预测模型作为目标函数，并基于差分进化算法构建差分进化优化模型；
5、(3)实时采集现场设备运行状态数据输入所述差分进化优化模型中，得到用于调节阀门开度的阀门数值。
6、优选地，在步骤(1)中，所述预处理依次包括数据清理、离群值异常检测、可视化处理、重采样处理。
7、进一步优选地，所述数据清理包括清除所述原始数据中含有null的数据和重复数据。
8、优选地，所述离群值异常检测为先计算经过所述数据清理的所述原始数据的标准差和平均值，并根据3σ原则确定目标区间，再判断任意一个数值是否属于所述区间，并根据判断结果去除所述异常值。
9、更优选地，在步骤(2)中，所述搭建xgboost预测模型为将所述数据集i拆分成训练数据集和验证数据集，再将所述训练数据集用于搭建xgboost预测模型模拟余热锅炉系统，并输入所述验证数据集进行验证处理，并预测优化前蒸汽总管产气量。
10、优选情况下，所述训练数据集和所述验证数据集的比例为1：2.33。
11、优选地，在步骤(2)中，所述验证处理为根据如下mae公式计算平均绝对误差进行：
12、n是验证集个数，yi是实际蒸汽总管产气量值，是预测蒸汽总管产气值。
13、进一步优选地，在步骤(2)中，所述差分进化算法包括：
14、先在所述数据集i的解空间中随机生成p个个体，得到如下所示的父代个体种群；
15、xi(0)＝(xi,1(0),xi,2(0),…,xi,j(0),…xi,k(0)),i＝1,2,...p；其中，xi(0)为第0代第i个个体，k为解空间，xi,j(0)为第0代第i个个体的第j维的数值。
16、优选地，在步骤(2)中，所述差分进化算法还包括：
17、根据下式对所述xi,j(0)进行初始化处理：
18、xi,j(0)＝lj-min+rand(0,1)(lj-max-lj-min)；其中，i＝1,2,...,p，j＝1,2,...,k，lj-min为设定变异后的最小值，lj-max为设定变异后的最大值。
19、进一步优选地，在步骤(2)中，所述差分进化算法还包括以下步骤：
20、s1：从第g代个体种群中随机选取第一个体xr,1(g)、第二个体xr,2(g)、第三个体xr,3(g)，并对所述第一个体xr,1(g)、所述第二个体xr,2(g)、所述第三个体xr,3(g)进行变异处理，得到变异后的个体hi,j(g)；
21、s2：从第g代个体种群中选取一个随机个体xi,j(g)，并将其与所述变异后的个体hi,j(g)进行交叉处理，生成交叉后的个体vi，j(g)；
22、s3：根据下式在所述个体xi,j(g)和所述交叉后的个体vi，j(g)中进行选择，得到第(g+1)代个体xi,j(g+1)：
23、其中，所述f(vi(g))为vi(g)数据点在所述xgboost预测模型中预测得到的产气量值，所述f(xi(g))为xi(g)数据点在所述xgboost预测模型中预测得到的产气量值；
24、s4：当达到迭代次数，终止程序；或者连续迭代n次结果不再增长时，认定为求解最优值，终止程序；其中，5<n≤50。
25、优选地，在步骤s1中，所述变异处理为根据如下所示的表达式进行：
26、hi，j(g)＝xr,1(g)+f·(xr,2(g)-xr,3(g))；其中，f为缩放因子，且满足0<f<1。
27、优选情况下，在步骤s2中，交叉处理为根据如下所示的表达式进行：
28、其中，所述q为所述交叉处理过程中随机生成的一个数，且0<q<1；所述cr为所述交叉处理中设定的交叉概率常数，且满足0<cr<1。
29、本专利技术提供的方法至少具有以下有益效果：
30、(1)本专利技术提供的方法能够更准确和及时地控制余热锅炉系统中各设备的阀门。
31、(2)本专利技术提供的方法能够提升余热锅炉系统的蒸汽产气效率。
本文档来自技高网...【技术保护点】
1.一种基于数据挖掘技术调节余热锅炉阀门的方法，其特征在于，该方法包括以下步骤：
2.根据权利要求1所述的方法，其中，在步骤(1)中，所述预处理依次包括数据清理、离群值异常检测、可视化处理、重采样处理；
3.根据权利要求2所述的方法，其中，在步骤(1)中，所述离群值异常检测为先计算经过所述数据清理的所述原始数据的标准差和平均值，并根据3σ原则确定目标区间，再判断任意一个数值是否属于所述区间，并根据判断结果去除所述异常值。
4.根据权利要求2或3所述的方法，其中，在步骤(2)中，所述搭建XGBoost预测模型为将所述数据集I拆分成训练数据集和验证数据集，再将所述训练数据集用于搭建XGBoost预测模型模拟余热锅炉系统，并输入所述验证数据集进行验证处理，并预测优化前蒸汽总管产气量；
5.根据权利要求4所述的方法，其中，在步骤(2)中，所述验证处理为根据如下MAE公式计算平均绝对误差进行：
6.根据权利要求1-5中任意一项所述的方法，其中，在步骤(2)中，所述差分进化算法包括：
7.根据权利要求6所述的方法，其中，
8.根据权利要求6或7所述的方法，其中，在步骤(2)中，所述差分进化算法还包括以下步骤：
9.根据权利要求8所述的方法，其中，在步骤S1中，所述变异处理为根据如下所示的表达式进行：
10.根据权利要求8或9所述的方法，其中，在步骤S2中，交叉处理为根据如下所示的表达式进行：
...【技术特征摘要】
1.一种基于数据挖掘技术调节余热锅炉阀门的方法，其特征在于，该方法包括以下步骤：
2.根据权利要求1所述的方法，其中，在步骤(1)中，所述预处理依次包括数据清理、离群值异常检测、可视化处理、重采样处理；
3.根据权利要求2所述的方法，其中，在步骤(1)中，所述离群值异常检测为先计算经过所述数据清理的所述原始数据的标准差和平均值，并根据3σ原则确定目标区间，再判断任意一个数值是否属于所述区间，并根据判断结果去除所述异常值。
4.根据权利要求2或3所述的方法，其中，在步骤(2)中，所述搭建xgboost预测模型为将所述数据集i拆分成训练数据集和验证数据集，再将所述训练数据集用于搭建xgboost预测模型模拟余热锅炉系统，并输入所述验证...
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。