【技术实现步骤摘要】
本专利技术涉及环保节能和人工智能交叉，尤其涉及一种带有自学习功能的锅炉燃烧优化系统。
技术介绍
1、目前，火力发电依然是我国电力最主要的来源，锅炉的燃烧优化是火电机组实现节能减排的重要技术手段。随着电力行业信息化建设的发展，我国大部分燃烧设备的热工控制系统基本配置了分布式控制系统(dcs)，用以实现设备运行过程中的监视和报警、数据采集、实现机组的自动控制。与此同时，现有的dcs系统随着机组的运行，实时产生并积累了大量的运行数据。近年来，神经网络、智能寻优算法等人工智能技术的发展，也为深度挖掘和利用已积累的dcs系统数据提供了有效的工具，锅炉燃烧优化系统的智能化也成为必然的发展趋势。然而现有的锅炉燃烧优化系统缺乏自学习更新的机制，这样长久下来不利于提升锅炉的燃烧效率和降低氮氧化物的排放。
2、针对相关技术中的问题，目前尚未提出有效的解决方案。
技术实现思路
1、有鉴于此，本申请实施例的目的是提供一种带有自学习功能的锅炉燃烧优化系统，以克服现有相关技术所存在的上述技术问题。
2、为此，本专利技术采用的具体技术方案如下：
3、一种带有自学习功能的锅炉燃烧优化系统，该带有自学习功能的锅炉燃烧优化系统包括数据采集模块、有效数据提取模块、仿真训练集创建模块、仿真模型训练模块、寻优数据集创建模块、寻优模型训练模块、历史数据存储模块及模型自更新模块。
4、其中，数据采集模块，用于使用通讯协议从机组分布式控制系统中提取运行过程中产生的阶段性的历史数据。
5、有效数据提取模块，用于将新运行数据与历史数据进行合并，并进行数据切割及剔除错误数据，形成合格数据集。
6、仿真训练集创建模块，用于按预先设定好的数据均衡指标，对合格数据集进行数据分布再均衡，形成仿真训练集数据。
7、仿真模型训练模块，用于基于仿真训练集数据进行核心指标的仿真模型训练，并生成相应的仿真模型。
8、寻优数据集创建模块，用于获取最佳标准，且基于最佳标准对合格数据进行全数据遗传算法寻优，并生成寻优训练集。
9、寻优模型训练模块，用于根据寻优训练集训练寻优模型，并生成相应的寻优模型。
10、历史数据存储模块，用于对仿真训练集数据、寻优训练集、寻优模型及仿真模型进行相应备份。
11、模型自更新模块，用于提供模型能够升级的自动提示功能。
12、进一步的，阶段性机组分布式控制系统运行数据为若干个月的运行数据；
13、历史数据为提取运行数据最早日期前若干个月的数据。
14、进一步的，仿真训练集创建模块包括分组模块、条数确定模块及均衡模块；
15、其中，分组模块，用于以日期、机组负荷及总给煤量作为条件，对合格数据集的数据进行分组；
16、条数确定模块，用于确定每个分组内的数据记录条数；
17、均衡模块，用于判断任一分组内的数据记录条数是否超过预先设定好的数据均衡指标，若超过，则随机舍弃对应分组内的部分记录。
18、进一步的，仿真模型训练模块包括仿真数据划分模块及训练判断模块；
19、其中，仿真数据划分模块，用于按一定比例将仿真训练集数据划分为第一训练数据集、第一验证集及第一测试数据集；
20、训练判断模块，用于基于核心指标训练仿真模型，且训练时，若拟合度达到目标，则生成相应的仿真模型。
21、进一步的，基于核心指标训练仿真模型时，定义神经网络模型的输出；
22、使用第一训练数据集、第一验证集对神经网络模型进行训练，得到仿真模型；
23、使用第一测试数据集对仿真模型进行验证，若模型拟合度达到目标，则训练成功，否则，重新对神经网络模型进行训练。
24、进一步的，核心指标包括排烟温度、飞灰含碳量、烟气co含量、烟气nox含量、烟气含氧量、炉膛压差；
25、神经网络模型的输出包括烟气nox含量、排烟温度、飞灰含碳量、烟气co含量、烟气含氧量及炉膛压差。
26、进一步的，基于最佳标准对合格数据进行全数据遗传算法寻优，并生成寻优训练集时，创建降低nox排放的目标函数及提高燃烧效率的目标函数，并将降低nox排放的目标函数及提高燃烧效率的目标函数作为遗传算法的目标函数，且遗传算法的目标函数维度为调节变量的个数；
27、对遗传算法执行结果分析，确定遗传算法的迭代次数和相关参数值的最佳标准；
28、采用相关参数值的最佳标准，将合格数据集作为输入来执行遗传算法，且遗传算法执行结果为优化结果和调节变量的优化建议值，同时将遗传算法的执行结果收集整理为寻优训练集。
29、进一步的，寻优模型训练模块包括寻优数据划分模块、优化燃烧效率模块及降低nox排放模块；
30、其中，寻优数据划分模块，用于将寻优训练集的数据划分为第二训练数据集、第二验证集及第二测试数据集；
31、优化燃烧效率模块，用于训练优化燃烧效率模型；
32、降低nox排放模块，用于训练降低nox排放模型。
33、进一步的，训练优化燃烧效率模型时，定义神经网络模型的输出；
34、使用第二训练数据集、第二验证集对神经网络模型进行训练，得到优化燃烧效率模型，且训练过程中使用仿真模型对特定工况参数进行预测，且预测结果满足优化制约条件；
35、使用第二测试数据集对优化燃烧效率模型进行验证，若拟合度达到目标，则训练成功，否则，重新对神经网络模型进行训练。
36、进一步的，训练降低nox排放模型时，定义神经网络模型的输出；
37、使用第二训练数据集、第二验证集对神经网络模型进行训练，得到优化燃烧效率模型，且训练过程中使用仿真模型对特定工况参数进行预测，且预测结果满足优化制约条件；
38、使用第二测试数据集对降低nox排放模型进行验证，若拟合度达到目标，则训练成功，否则，重新对神经网络模型进行训练。
39、本专利技术的实施例包括以下有益效果：
40、(1)本专利技术提供的一种带有自学习功能的锅炉燃烧优化系统，能够根据阶段性机组dcs系统运行数据和历史数据，生成相应的寻优模型，进行旧版模型备份后，进行寻优模型更新替换，让机组按照新的优化模型运行，周而复始，模型进行不断的自学习更新，不断提升锅炉燃烧优化系统的性能，从而最终提升锅炉的燃烧效率和降低氮氧化物的排放。
41、(2)本专利技术通过优化燃烧过程，显著提高能源利用效率，减少能源消耗。这不仅减少了运营成本，也有助于增加经济效益，且降低氮氧化物等有害物质的排放。通过精确控制燃烧条件，减少环境污染，符合越来越严格的环保法规。
本文档来自技高网...【技术保护点】
1.一种带有自学习功能的锅炉燃烧优化系统，其特征在于，该带有自学习功能的锅炉燃烧优化系统包括数据采集模块、有效数据提取模块、仿真训练集创建模块、仿真模型训练模块、寻优数据集创建模块、寻优模型训练模块、历史数据存储模块及模型自更新模块；
2.根据权利要求1所述的一种带有自学习功能的锅炉燃烧优化系统，其特征在于，阶段性机组分布式控制系统运行数据为若干个月的运行数据；
3.根据权利要求2所述的一种带有自学习功能的锅炉燃烧优化系统，其特征在于，所述仿真训练集创建模块包括分组模块、条数确定模块及均衡模块；
4.根据权利要求3所述的一种带有自学习功能的锅炉燃烧优化系统，其特征在于，所述仿真模型训练模块包括仿真数据划分模块及训练判断模块；
5.根据权利要求4所述的一种带有自学习功能的锅炉燃烧优化系统，其特征在于，所述基于核心指标训练仿真模型时，定义神经网络模型的输出；
6.根据权利要求5所述的一种带有自学习功能的锅炉燃烧优化系统，其特征在于，所述核心指标包括排烟温度、飞灰含碳量、烟气CO含量、烟气NOx含量、烟气含氧量、炉膛压差；p>
7.根据权利要求6所述的一种带有自学习功能的锅炉燃烧优化系统，其特征在于，基于最佳标准对合格数据进行全数据遗传算法寻优，并生成寻优训练集时，创建降低NOx排放的目标函数及提高燃烧效率的目标函数，并将降低NOx排放的目标函数及提高燃烧效率的目标函数作为遗传算法的目标函数，且遗传算法的目标函数维度为调节变量的个数；
8.根据权利要求7所述的一种带有自学习功能的锅炉燃烧优化系统，其特征在于，所述寻优模型训练模块包括寻优数据划分模块、优化燃烧效率模块及降低NOx排放模块；
9.根据权利要求8所述的一种带有自学习功能的锅炉燃烧优化系统，其特征在于，所述训练优化燃烧效率模型时，定义神经网络模型的输出；
10.根据权利要求9所述的一种带有自学习功能的锅炉燃烧优化系统，其特征在于，所述训练降低NOx排放模型时，定义神经网络模型的输出；
...【技术特征摘要】
1.一种带有自学习功能的锅炉燃烧优化系统，其特征在于，该带有自学习功能的锅炉燃烧优化系统包括数据采集模块、有效数据提取模块、仿真训练集创建模块、仿真模型训练模块、寻优数据集创建模块、寻优模型训练模块、历史数据存储模块及模型自更新模块；
2.根据权利要求1所述的一种带有自学习功能的锅炉燃烧优化系统，其特征在于，阶段性机组分布式控制系统运行数据为若干个月的运行数据；
3.根据权利要求2所述的一种带有自学习功能的锅炉燃烧优化系统，其特征在于，所述仿真训练集创建模块包括分组模块、条数确定模块及均衡模块；
4.根据权利要求3所述的一种带有自学习功能的锅炉燃烧优化系统，其特征在于，所述仿真模型训练模块包括仿真数据划分模块及训练判断模块；
5.根据权利要求4所述的一种带有自学习功能的锅炉燃烧优化系统，其特征在于，所述基于核心指标训练仿真模型时，定义神经网络模型的输出；
6.根据权利要求5所述的一种带有自学习功能的锅炉燃烧优化系...
【专利技术属性】
技术研发人员：钟耕垒，王珊，耿震，李潇，张璐，张楠，孟令艳，陶洪帅，黄建龙，
申请(专利权)人：北京清远顺合环保科技有限公司，
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。