一种燃煤电厂锅炉热效率的在线软测量方法及系统.pdf

(19)中华人民共和国国家知识产权局(12)发明专利申请(10)申请公布号CN109992921A(43)申请公布日2019.07.09(21)申请号201910292046.8(22)申请日2019.04.12(71)申请人河北工业大学地址300401天津市北辰区双口镇西平道5340号(72)发明人梁涛李宗琪程立钦陈博石欢姜文龚思远王建辉(74)专利代理机构北京易捷胜知识产权代理事务所(普通合伙)11613代理人齐胜杰(51)Int.Cl.G06F17/50(2006.01)G06N3/04(2006.01)G06N3/08(2006.01)权利要求书2页说明书7页附图2页(54)发明名称一种燃煤电厂锅炉热效率的在线软测量方法及系统(57)摘要一种燃煤电厂锅炉热效率在线软测量方法，包括：S1、根据预先确定的影响锅炉热效率的特征参量，获取特征参量实时数据；S2、依据影响锅炉热效率的重要特征参量选取规则和特征参量实时数据，获得影响锅炉热效率的重要特征参量实时数据；重要特征参量选取规则是根据基于garson神经网络敏感度和皮尔逊相关系数确定的锅炉热效率重要影响因素来选取的；S3、将重要特征参量实时数据输入锅炉热效率预测模型，输出锅炉热效率实时预测结果；锅炉热效率预测模型是基于EM-MLR最大化聚类-多元回归算法优化的RBF神经网络训练后得到的。还提供一种燃煤电厂锅炉热效率在线软测量系统。可以实时、准确的对燃煤锅炉的热效率进行监测。CN109992921ACN109992921A权利要求书1/2页1.一种燃煤电厂锅炉热效率的在线软测量方法，其特征在于，包括以下步骤：S1、根据预先确定的影响锅炉热效率的特征参量，获取特征参量实时数据；S2、依据影响锅炉热效率的重要特征参量选取规则和所述特征参量实时数据，获得影响锅炉热效率的重要特征参量实时数据；所述重要特征参量选取规则是根据基于garson神经网络敏感度和皮尔逊相关系数确定的锅炉热效率重要影响因素来选取的；S3、将所述重要特征参量实时数据输入锅炉热效率预测模型中，输出锅炉热效率的实时预测结果；所述锅炉热效率预测模型是基于EM-MLR期望最大化聚类-多元回归算法优化的RBF神经网络训练后得到的。2.根据权利要求1所述燃煤电厂锅炉热效率的在线软测量方法，其特征在于，在步骤S1之前进行所述锅炉热效率重要影响因素的确定，包括：获取一定时间长度内锅炉热效率的实测热效率数据和特征参量历史数据，并对所述实测热效率数据和特征参量历史数据进行预处理；根据预处理后的实测热效率数据和特征参量历史数据，训练BP神经网络；根据训练完成后的BP神经网络中每一个特征参量在输入层至隐含层和隐含层至输出层的连接权值，计算每一个特征参量对热效率的神经网络敏感度，并将所述神经网络敏感度进行排序，剔除神经网络敏感度较低的特征参量；计算每两个特征参量之间的皮尔逊相关系数，剔除皮尔逊相关系数较大的两个特征参量中的一个。3.根据权利要求2所述燃煤电厂锅炉热效率的在线软测量方法，其特征在于，对所述实测热效率数据和特征参量历史数据进行预处理，包括：采用AF-DBSCAN聚类算法，剔除异常数据点；将采集时刻相距较近的数据作为同一时刻采集的数据；采用五点三次滤波法，进行降噪处理。4.根据权利要求2所述燃煤电厂锅炉热效率的在线软测量方法，其特征在于，在所述步骤S1之前，还包括：S01、依据所述重要特征参量选取规则，从预处理的特征参量历史数据中选取重要特征参量历史数据作为训练集；S02、根据所述训练集对RBF神经网络进行训练；S03、根据预处理后的实测热效率数据，通过误差对比判断训练的模型精度是否达标，若达标，获得锅炉热效率预测模型；若不达标，采用EM-MLR算法优化RBF神经网络的参数，直至EM-MLR算法优化的RBF神经网络训练后的精度达标。5.根据权利要求4所述燃煤电厂锅炉热效率的在线软测量方法，其特征在于，步骤S03中，采用EM-MLR算法优化RBF神经网络的参数，包括：将训练样本进行EM期望最大化聚类处理，聚类的个数作为隐含层神经元数，聚类中心和方差作为径向基函数的中心和宽度的依据；根据输出层的神经元和隐含层输出矩阵，建立MLR多元回归模型，从而确定输出层的连接权值和偏差项。6.一种燃煤电厂锅炉热效率的在线软测量系统，其特征在于，包括客户端浏览器、Web服务器和本地数据库服务器；2CN109992921A权利要求书2/2页所述客户端浏览器与所述Web服务器连接，用于将用户的请求进行逻辑处理和将预测结果返回客户端；所述本地数据库服务器包括本地系统数据库和在线软测量模块，所述本地系统数据库用于同步电厂DCS系统的数据；所述在线软测量模块包括锅炉热效率预测模型，所述在线软测量模块与所述本地系统数据库连接，用于根据影响锅炉热效率的重要特征参