一种基于模型辨识降低锅炉飞灰含碳量的方法和系统.pdf

(19)国家知识产权局(12)发明专利申请(10)申请公布号CN114896862A(43)申请公布日2022.08.12(21)申请号202210375557.8(22)申请日2022.04.11(71)申请人北京京能科技有限公司地址100142北京市海淀区定慧北里23号蓝慧大厦(72)发明人崔锐李海滨侯小龙李振华赵民政陈虎亮王彦龙焦健郑妍(74)专利代理机构北京卓岚智财知识产权代理事务所(特殊普通合伙)11624专利代理师李景辉(51)Int.Cl.G06F30/27(2020.01)G06K9/62(2022.01)权利要求书3页说明书24页附图3页(54)发明名称一种基于模型辨识降低锅炉飞灰含碳量的方法和系统(57)摘要本发明实施例提供一种基于模型辨识降低锅炉飞灰含碳量的方法和系统，针对原始数据多层次的预处理方法，避免了坏点或者无效点的使用，减少了对辨识精度的影响，设定了模型的结构类型，采用工程中比较实用的方法，建立起输入与输出之间的规律性关系，为实际运行提供操作依据。深度分析每个可调整变量对输出的影响惯性权重大小，指导运行人员进行不同工况下的参数调整；定量分析模型的好坏，以便于更好的利用模型的输出来为运行人员提供更精准的操作,保证模型的准确性和适用性。对飞灰可燃物含量预测及其优化方法进行研究，对于提高燃煤机组效率，确保机组的安全运行，降低发电企业的生产成本，实现节能减排有着极为重要的意义。CN114896862ACN114896862A权利要求书1/3页1.一种基于模型辨识降低锅炉飞灰含碳量的方法，其特征在于，包括：获取指定的历史时间范围内的至少一个影响因素的时序数据和飞灰含碳量的时序数据；对每个影响因素的时序数据和所述飞灰含碳量的时序数据分别进行滤波相应得到该影响因素的滤波后时序数据和所述飞灰含碳量的滤波后时序数据；对每个影响因素的滤波后时序数据和所述飞灰含碳量的滤波后时序数据分别进行分组聚类，相应得到该影响因素的聚类中心值序列和所述飞灰含碳量的聚类中心值序列；使用各影响因素的聚类中心值序列和所述飞灰含碳量的聚类中心值序列作为训练集，训练预先构造的预测模型，确定所述预先构造的预测模型的模型参数；将实时运行期间的各影响因素的数据输入给使用所述模型参数的所述预测模型预测得到预测飞灰含碳量总量和各影响因素各自对应的预测飞灰含碳量分量；根据各影响因素各自对应的预测飞灰含碳量分量在所述预测飞灰含碳量总量中所占的比重确定需要调整的影响因素；通过调整所述需要调整的影响因素降低锅炉飞灰含碳量。2.如权利要求1所述的基于模型辨识降低锅炉飞灰含碳量的方法，其特征在于，所述对每个影响因素的时序数据和所述飞灰含碳量的时序数据分别进行滤波相应得到该影响因素的滤波后时序数据和所述飞灰含碳量的滤波后时序数据，包括：针对每个影响因素的时序数据和所述飞灰含碳量的时序数据设定零初始值和剔除低频成分处理；对设定零初始值和剔除低频成分处理后的每个影响因素的时序数据和所述飞灰含碳量的时序数据通过低通滤波器进行数据滤波得到该影响因素的滤波后时序数据和所述飞灰含碳量的滤波后时序数据。3.如权利要求1所述的基于模型辨识降低锅炉飞灰含碳量的方法，其特征在于，所述对每个影响因素的滤波后时序数据和所述飞灰含碳量的滤波后时序数据分别进行分组聚类，相应得到该影响因素的聚类中心值序列和所述飞灰含碳量的聚类中心值序列，包括：将指定的历史时间范围划分为指定数量的子时间区间；分别针对每个影响因素的滤波后时序数据和所述飞灰含碳量的滤波后时序数据按各子时间区间划分为所述指定数量的分组；针对每个影响因素和所述飞灰含碳量的各分组，分别进行模糊C聚类分析，得到各分组的聚类中心值；将每个影响因素和所述飞灰含碳量的各分组的聚类中心值按对应的子时间区间的顺序构成该影响因素的聚类中心值序列和所述飞灰含碳量的聚类中心值序列。4.如权利要求1所述的基于模型辨识降低锅炉飞灰含碳量的方法，其特征在于，所述预先构造的预测模型，包括：各影响因素分别对应的差分方程模型；所述差分方程模型为具有纯迟延的高阶惯性系统对应的差分方程；所述使用各影响因素的聚类中心值序列和所述飞灰含碳量的聚类中心值序列作为训练集，训练预先构造的预测模型，确定所述预先构造的预测模型的模型参数，包括：将各影响因素的聚类中心值序列作为各影响因素对应的差分方程模型的输入，并且将2CN114896862A权利要求书2/3页各影响因素对应的差分方程模型的输出的累加值作为训练输出，将所述飞灰含碳量的聚类中心值序列作为期望输出，利用粒子群算法确定各影响因素对应的差分方程模型的模型参数。5.如权利要求1所述的基于模型辨识降低锅炉飞灰含碳量的方法，其特征在于，还包括：收集指定评估时间范围内的实际飞灰含碳量的时序数据和预测飞灰含碳量总量的时序数据；根据指定评估