一种基于人工智能的磨煤机开关机智能运行优化方法与流程

1.本发明属于计算机与火力发电业务结合领域，特别涉及一种基于人工智能的磨煤机开关机智能运行优化方法。


背景技术：

2.我国约50％的煤炭用于发电，煤电占发电总量的80％以上，每年消耗22亿吨煤，价值1.8万亿元，产生超过0.2亿吨污染物，且在未来50年内，煤炭在一次能源构成中的主导地位不会改变。然而，随着节能减排的标准逐步提高，火电机组目前面临着环保、经济、安全、市场等各个方面的风险和压力也在提高；如何提高火电机组的综合性能指标，保证机组安全、经济、稳定、环保运行前提下，实现节能减排是火电机组在将来需要长期考虑的问题。
3.为实现以上需求，优化火电机组运行方式，采用新的方法和技术改善机组运行环境，是有效提高火电机组运行效率的有效手段之一。对于制粉系统进行开关机优化，在保证水冷壁受热面均匀以及不影响机组效率、不降低煤耗的情况下，可以最大限度降低制粉系统的厂用电量，实现节能目标。
4.该发明立足于实际需求，致力于解决能源行业痛点，提供了一套人工智能的磨煤机开关机运行优化指导系统。


技术实现要素：

5.基于以上技术不足，本发明是将大数据技术和人工智能技术相结合，本发明基于火力发电厂磨煤机长期的运行数据，将磨煤机开关机步骤分为开关机寻优、给煤量寻优、磨煤机仿真三个依次相连的模块，使用自动学习方法进行模型建模，基于遗传算法进行优化指导，提出一种基于人工智能的磨煤机开关机智能运行优化方法。
6.本发明具体采用以下技术方案：
7.一种基于人工智能的磨煤机开关机智能运行优化方法，其特征在于，所述方法包括以下步骤：
8.步骤1：从数据库中获取磨煤机运行相关测点变量历史数据，所述磨煤机相关测点变量包括磨煤机状态数据、磨煤机操作指令数据、磨煤机给煤量数据、水冷壁系统状态数据；
9.步骤2：对所述步骤1中获取的磨煤机运行相关测点变量历史数据进行预处理，所述预处理包括数据格式统一处理和数据清洗；
10.步骤3：构建磨煤机运行控制模型，所述磨煤机运行控制模型根据输入的磨煤机相关测点变量向用户提供各台磨煤机运行控制建议；
11.步骤4：将所述步骤2中预处理好的数据输入到所述磨煤机运行控制模型中进行训练，获得最终的磨煤机运行控制模型；
12.步骤5：采集磨煤机状态实时数据、磨煤机给煤量实时数据、水冷壁系统状态实时数据输入到所述步骤4的磨煤机运行控制模型中，输出磨煤机运行控制建议。
13.本发明还进一步采用以下优选技术方案：
14.在步骤1中，按预定的时间间隔获取预定测点在取样时刻保存在数据库中的磨煤机相关测点变量历史数据。
15.磨煤机状态数据包括磨煤机出口压力、一次风压、磨煤机料位、风粉温度、热一次风温度、锅炉负荷、磨煤机主电机电流；
16.磨煤机操作指令数据包括一次风机动叶调节执行器阀位、磨煤机入口冷一次风电动调节风门阀位、磨煤机入口热一次风电动调节风门阀位、磨煤机入口混合风电动调节风门1阀位、磨煤机入口混合风电动调节风门2阀；
17.所述磨煤机给煤量数据包括在每个数据取样时刻分别送往每台磨煤机的给煤量数据；
18.所述水冷壁系统状态数据包括空预器出口烟气温度、热一次风总管压力、冷一次风总管压力、磨煤机出口压力、磨煤机至燃烧器风粉温度、锅炉负荷、实发功率。
19.步骤2包括以下步骤：
20.步骤201：对不同数据格式的数据进行数据格式统一处理；
21.步骤202：预先设定各个测点变量的最低阈值和最高阈值，即预先设定的各个测点变量的取值范围；
22.步骤203：判断各项数据的值是否在该取值范围内，若存在不在该取值范围内的数据，则去掉不属于所述取值范围的数据，并采用插值法补全该位置的数据。
23.在步骤3中，磨煤机运行控制模型包括磨煤机开关机寻优子模型、磨煤机给煤量寻优子模型以及磨煤机操作仿真子模型；
24.所述磨煤机开关机寻优子模型根据各台磨煤机主电机电流、各台磨煤机给煤量数据给出磨煤机启停建议列表s
i
＝[n1，n2，...，n
i
]，其中i表示磨煤机总数量，n表示磨煤机的启停建议，n＝1或0；1表示开启，0表示关闭；
[0025]
所述磨煤机给煤量寻优子模型根据磨煤机启停建议列表、磨煤机给煤量数据、水冷壁系统状态数据，对磨煤机启停建议列表中的磨煤机推荐给煤量；
[0026]
所述磨煤机操作仿真子模型根据推荐给煤量和磨煤机状态数据，输出对磨煤机的推荐操作指令。
[0027]
在步骤4中，训练磨煤机开关机寻优子模型包括以下步骤：
[0028]
步骤401：输入磨煤机主电机电流和磨煤机给煤量数据，根据以下公式计算不同给煤量情况下，每台磨煤机的实际单耗y
ij
＝[y
i1
，y
i2
，...，y
ij
]：
[0029][0030]
其中，y
ij
表示给煤量为x
j
时的第i个磨煤机的单耗，a
j
表示给煤量为x
j
时的第i 个磨煤机主电机电流，下标j表示给煤量编号，即不同给煤量的种类数量；
[0031]
步骤402：根据实际单耗列表，计算第i台磨煤机的平均单耗，获得所有磨煤机的平均单耗列表
[0032]
步骤403：根据平均单耗列表中的平均单耗值的大小进行排序，获取单耗序列表
[0033]
步骤404：根据实际已开启的磨煤机数量以及输入的磨煤机给煤量数据，计算平均给煤量值：
[0034][0035]
其中，表示平均给煤量值，n表示开启的磨煤机数量，x
i
表示第i个磨煤机的给煤量值；
[0036]
步骤405：判断平均给煤量值是否在给煤量的预设范围[feed
min
，feed
max
]内；若不作调整；否则根据单耗序列表给出磨煤机启停建议。
[0037]
在步骤402包括以下子步骤：
[0038]
步骤402
‑
1：以各台磨煤机的给煤量为x，对应单耗为y进行拟合，得到各台磨煤机的出力曲线模型；
[0039]
步骤402
‑
2：基于磨煤机给煤量预设范围[feed
min
，feed
max
]，间隔预定给煤量进行取样，计算各台磨煤机对应的单耗；
[0040]
步骤402
‑
3：统计各台磨煤机在所有采样给煤量下的单耗，进行平均，获得各台磨煤机的平均单耗列表。
[0041]
在步骤405中，若根据单耗序列表给出关闭磨煤机的建议，依次关闭目前处于开启状态的单耗排序最大的磨煤机关闭，直到
[0042]
若根据单耗序列表给出开启磨煤机建议，依次开启目前处于停止状态的单耗排序最小的磨煤机，直到
[0043]
在步骤4中，训练磨煤机给煤量寻优子模型包括以下步骤：
[0044]
步骤406：在预设的给煤量预设范围[feed
min
，feed
max
]中进行探索，随机获得一组磨煤机给煤量推荐表；
[0045]
步骤407：基于步骤406并通过以下公式计算磨煤机加权平均单耗：
[0046][0047]
其中，y表示磨煤机加权平均单耗，t
total
表示总给煤量，n表示磨煤机数量，f
i
表示第i台磨煤机的给煤量，y
i
(f
i
)表示第i台磨煤机在给煤量为f
i
时的单耗值；
[0048]
步骤408：基于各台磨煤机的给煤量和与该给煤量对应的磨煤机状态数据计算水冷壁系统的水冷壁温差值；其中，水冷壁各温差包括左上墙水冷壁温度差、左下墙水冷壁温度差、右上墙水冷壁温度差、右下墙水冷壁温度差、后上墙水冷壁温度差、后下墙水冷壁温度差、前上墙水冷壁温度差以及前下墙水冷壁温度差；
[0049]
步骤409：反复执行步骤406
‑
408直到探索到步骤408计算的水冷壁温差值小于预设阈值的同时，步骤407中计算的磨煤机加权平均单耗取最小值时的一组磨煤机给煤量，将其作为给煤量寻优子模型的输出。
[0050]
在步骤406中，对于推荐开启的磨煤机，根据规程，给煤量可探索的范围在5吨～60 吨；对于推荐不开启的磨煤机，给煤量可探索的范围在0吨～0.00000001吨之间。
[0051]
步骤408包括以下步骤：
[0052]
步骤408
‑
1：以第i个磨煤机给煤量数据和磨煤机状态数据为输入，以该磨煤机在不同给煤量下锅炉的水冷壁各部位温差为输出，进行训练，获得水冷壁温差模型；
[0053]
步骤408
‑
2：输入步骤406中获得的磨煤机给煤量，计算水冷壁温差。
[0054]
在步骤4中，训练磨煤机操作仿真子模型包括以下步骤：
[0055]
步骤408：搭建神经网络模型，作为磨煤机操作仿真子模型，该模型包括输入层、隐藏层以及输出层；
[0056]
步骤409：以磨煤机给煤量寻优子模型的输出结果为输入，以磨煤机状态数据为输出进行训练，获得最终的磨煤机操作仿真子模型。
[0057]
一种基于上述的磨煤机开关机运行优化方法的磨煤机开关机智能运行控制系统，包括数据采集模块、磨煤机运行控制模块以及显示模块，其特征在于：
[0058]
数据采集模块采集当前时刻的磨煤机运行相关测点变量数据并输入到磨煤机运行控制模块；
[0059]
磨煤机运行控制模块根据接收的所述数据给出磨煤机启停建议列表、对于建议开启的磨煤机的给煤量建议值以及相应的磨煤机操作指令；
[0060]
显示模块显示磨煤机运行实时状态以及经磨煤机运行控制模块控制过后的运行状态。
[0061]
磨煤机运行相关测点变量包括磨煤机状态数据、磨煤机给煤量数据、水冷壁系统状态数据。
[0062]
磨煤机运行控制模块包括磨煤机开关机寻优单元、磨煤机给煤量寻优单元以及磨煤机操作仿真单元；
[0063]
磨煤机开关机寻优单元根据各台磨煤机主电机电流、各台磨煤机给煤量数据进行磨煤机开机与关机寻优判断，给出磨煤机启停建议列表s
i
＝[n1，n2，...，n
i
]，其中i表示磨煤机总数量，n表示磨煤机的启停建议，n＝1或0；1表示开启，0表示关闭；
[0064]
磨煤机给煤量寻优单元根据磨煤机启停建议列表和磨煤机给煤量数据、水冷壁系统状态数据，对磨煤机启停建议列表的磨煤机推荐给煤量；
[0065]
磨煤机操作仿真单元根据推荐给煤量和磨煤机状态数据，对磨煤机推荐操作指令本发明具有以下有益技术效果：
[0066]
1)利用长期真实历史数据进行训练，对磨煤机、水冷壁运行状态变化刻画可信度高；
[0067]
2)可根据不同火力发电机组的历史数据训练相应的最优控制方案，具有灵活性、普适性；
[0068]
3)克服了单纯使用传统物理/化学方程对系统进行优化造成的模型过度简化及理想化，以及其导致的失准情况；
[0069]
4)选用模型(gbdt、神经网络)可进行在线更新，模型训练好后，能根据实时数据进行模型更新，保证模型对新工况的适应性。
附图说明
[0070]
图1为本发明的一种基于人工智能的磨煤机开关机运行优化方法流程图；
[0071]
图2为本发明的离线学习模型训练流程图。
具体实施方式
[0072]
下面结合附图和具体实施方式对本发明型进行详细说明。
[0073]
如图1
‑
2示，本发明的一种基于人工智能的磨煤机开关机智能运行优化方法，具体包括以下步骤：
[0074]
步骤1：从数据库中获取磨煤机运行相关测点变量历史数据，磨煤机相关测点变量包括磨煤机状态数据、磨煤机操作指令数据、磨煤机给煤量数据、水冷壁系统状态数据。其中采集该磨煤机运行相关测点变量历史数据时，按预定的时间间隔获取磨煤机相关测点变量历史数据，即抽取定义好的测点在取样时刻保存在电厂数据库中的数据。测点是电厂数据库中记录的数据点，并且，磨煤机状态数据、磨煤机操作指令数据、磨煤机给煤量数据、水冷壁系统状态数据只是测点有所不同，其余均是一样。在数据格式上有属于float浮点数和bool布尔类型两种数据。在本发明的一个实施例中，时间间隔以5s进行数据采集。
[0075]
具体地，磨煤机状态数据包括磨煤机出口压力、一次风压、磨煤机料位、风粉温度、热一次风温度、锅炉负荷、磨煤机主电机电流；磨煤机操作指令数据包括一次风机动叶调节执行器阀位、磨煤机入口冷一次风电动调节风门阀位、磨煤机入口热一次风电动调节风门阀位、磨煤机入口混合风电动调节风门1阀位、磨煤机入口混合风电动调节风门 2阀；磨煤机给煤量数据包括在每个数据取样时刻分别送往每台磨煤机的给煤量数据，是实际数据值；水冷壁系统状态数据包括空预器出口烟气温度、热一次风总管压力、冷一次风总管压力、磨煤机出口压力、磨煤机至燃烧器风粉温度、锅炉负荷、实发功率。
[0076]
步骤2：对步骤1中获取的磨煤机运行相关测点变量历史数据进行预处理，预处理包括数据格式统一处理和数据清洗，具体步骤如下所示：
[0077]
步骤201：对不同数据格式的数据进行数据格式统一处理。
[0078]
步骤202：预先设定各个测点变量的最低阈值和最高阈值，即预先设定的各个测点变量的取值范围。
[0079]
步骤203：判断各项数据的值是否在该取值范围内，若存在不在该取值范围内的数据，则去掉不属于所述取值范围的数据，并采用插值法补全该位置的数据。步骤3：构建磨煤机运行控制模型，所述磨煤机运行控制模型根据输入的磨煤机相关测点变量数据向用户提供各台磨煤机运行控制建议。
[0080]
具体地，磨煤机运行控制模型包括磨煤机开关机寻优子模型、磨煤机给煤量寻优子模型以及磨煤机操作仿真子模型；
[0081]
所述磨煤机开关机寻优子模型根据各台磨煤机主电机电流、各台磨煤机给煤量数据进行给出磨煤机启停建议列表s
i
＝[n1，n2，...，n
i
]，其中i表示磨煤机总数量，n表示磨煤机的启停建议，n＝1或0；1表示开启，0表示关闭。
[0082]
在本发明的一个实施例中，具有6台磨煤机则输出长度为6的bool列表，列表中的每一项分别代表对于每台磨煤机的启停建议。
[0083]
所述磨煤机给煤量寻优子模型根据磨煤机启停列表、磨煤机给煤量数据、水冷壁系统状态数据，对磨煤机启停建议列表中的磨煤机推荐给煤量。
[0084]
所述磨煤机操作仿真子模型推荐给煤量和磨煤机状态数据，输出对磨煤机的推荐
操作指令。
[0085]
步骤4：将所述步骤2中预处理好的数据输入到所述磨煤机运行控制模型中进行训练，获得最终的磨煤机运行控制模型。
[0086]
对于磨煤机开关机寻优子模型的具体训练步骤如下：
[0087]
步骤401：输入磨煤机主电机电流和磨煤机给煤量数据，根据以下公式计算不同给煤量情况下，每台磨煤机的实际单耗y
ij
＝[y
i1
，y
i2
，...，y
ij
]：
[0088][0089]
其中，y
ij
表示给煤量为x
j
时的第i个磨煤机的单耗，a
j
表示给煤量为x
j
时的第i 个磨煤机主电机电流，下标j表示给煤量编号，即不同给煤量的种类数量。在本发明的一个实施例中，在进行上述计算时，将磨煤机给煤量正规划到小数点后一位之后进行相应计算。
[0090]
步骤402：根据实际单耗列表，计算第i台磨煤机的平均单耗，获得所有磨煤机的平均单耗列表在本发明的一个实施例中，通过以下步骤计算磨煤机的平均单耗：
[0091]
步骤402
‑
1：以各台磨煤机的给煤量为x，对应单耗为y进行拟合，得到各台磨煤机的出力曲线模型；
[0092]
步骤402
‑
2：基于磨煤机给煤量预设范围[feed
min
，feed
max
]，间隔预定给煤量进行取样，计算各台磨煤机对应的单耗；
[0093]
步骤402
‑
3：统计各台磨煤机在所有采样给煤量下的单耗，进行平均，获得各台磨煤机的平均单耗列表。
[0094]
步骤403：根据平均单耗列表中的平均单耗值的大小进行排序，获取单耗序列表
[0095]
步骤404：根据实际已开启的磨煤机数量以及输入的磨煤机给煤量数据，计算平均给煤量值：
[0096][0097]
其中，表示平均给煤量值，n表示开启的磨煤机数量，x
i
表示第i个磨煤机的给煤量值；
[0098]
步骤405：判断平均给煤量值是否在给煤量的预设范围[feed
min
，feed
max
]内；若不作调整；否则根据单耗序列表给出磨煤机启停建议。
[0099]
具体地，若根据单耗序列表给出关闭磨煤机的建议，依次关闭目前处于开启状态的单耗排序最大的磨煤机关闭，直到
[0100]
若根据单耗序列表给出开启磨煤机建议，依次开启目前处于停止状态的单耗排序最小的磨煤机，直到
[0101]
磨煤机给煤量寻优子模型是一个求最小值的优化模型，其中要求取最小值的优化目标为各台磨煤机的平均单耗加权和，优化过程中的限制条件为水冷壁各部位温差应小于
6的float浮点数列表，对应各台磨煤机的给煤量推荐值，对于上述磨煤机开启列表中处于关闭状态的磨煤机，推荐给煤量值为0，各台磨煤机给煤量推荐值之和为当前总给煤量值。
[0114]
步骤409具体包括以下步骤：
[0115]
步骤409
‑
1：在设定的探索值范围内，随机初始化k组(比如设定k＝30，也就是有30组不同的6台磨煤机给煤量列表)各台磨煤机的给煤量，给煤量之和等于当前时刻总给煤量之和；
[0116]
步骤409
‑
2：计算上述各组煤量值的适应度值，其中，该值越大越好。
[0117]
步骤409
‑
3：从k组中选择m组适应度最大的给煤量值。
[0118]
步骤409
‑
4：对这m组值进行遗传算法的变异操作，即对给煤量值添加随机的偏移量。
[0119]
步骤409
‑
5：对步骤409
‑
4中得到的各组给煤量列表，进行遗传算法中的产生后代操作，在本算法中是随机挑选两组给煤量列表，求取平均值，产生后代n组。
[0120]
步骤409—6：对步骤409
‑
5中得到的各组给煤量列表，重复执行步骤409
‑
2～步骤 409
‑
5，直到迭代次数满足要求，或者两次迭代之间，步骤409
‑
2计算的最大适应度值小于一定阈值，则输出取得最大适应度值得给煤量列表作为优化结果。
[0121]
对于磨煤机操作仿真子模型的具体训练步骤如下：
[0122]
步骤408：搭建神经网络模型，作为磨煤机操作仿真子模型，该模型包括输入层、隐藏层以及输出层；
[0123]
步骤409：以磨煤机给煤量寻优子模型的输出结果为输入，以磨煤机状态数据为输出进行训练，获得最终的磨煤机操作仿真子模型。
[0124]
在本分明的一个实施例中。可使用python语言的tensorflow框架构建神经网络来进行训练。步骤5：采集磨煤机状态实时数据、磨煤机给煤量实时数据、水冷壁系统状态实时数据输入到所述步骤4的磨煤机运行控制模型中，输出磨煤机运行控制建议。即通过数据库实时获取磨煤机当前工况下的给煤量、一次风压、锅炉负荷等等数据。
[0125]
通过模型调用将实时状态数据输入到模型中，依次经过开关机寻优模块、给煤量寻优、磨煤机仿真模块，模型将自动计算当前磨煤机工况状态下的最优调整策略，并在系统界面显示推荐值。
[0126]
本发明利用长期真实历史数据进行训练，对磨煤机、水冷壁运行状态变化刻画可信度高；可根据不同火力发电机组的历史数据训练相应的最优控制方案，具有灵活性、普适性；克服了单纯使用传统物理/化学方程对系统进行优化造成的模型过度简化及理想化，以及其导致的失准情况；选用模型(gbdt、神经网络)可进行在线更新，模型训练好后，能根据实时数据进行模型更新，保证模型对新工况的适应性。
[0127]
本发明还基于上述方法提供一种磨煤机开关机智能运行控制系统，包括数据采集模块、磨煤机运行控制模块以及显示模块。
[0128]
具体地，数据采集模块采集当前时刻的磨煤机运行相关测点变量数据并输入到磨煤机运行控制模块，其中，磨煤机运行相关测点变量包括磨煤机状态数据、磨煤机给煤量数据、水冷壁系统状态数据。
[0129]
磨煤机运行控制模块根据接收的所述数据给出磨煤机启停建议列表、对于建议开启的磨煤机的给煤量建议值以及相应的磨煤机操作指令。
[0130]
具体地，磨煤机运行控制模块包括磨煤机开关机寻优单元、磨煤机给煤量寻优单元以及磨煤机操作仿真单元；
[0131]
磨煤机开关机寻优单元根据各台磨煤机主电机电流、各台磨煤机给煤量数据进行磨煤机开机与关机寻优判断，给出磨煤机启停建议列表s
i
＝[n1，n2，...，n
i
]，其中i表示磨煤机总数量，n表示磨煤机的启停建议，n＝1或0；1表示开启，0表示关闭；
[0132]
磨煤机给煤量寻优单元根据磨煤机启停建议列表和磨煤机给煤量数据、水冷壁系统状态数据，对磨煤机启停建议列表的磨煤机推荐给煤量；
[0133]
磨煤机操作仿真单元根据推荐给煤量和磨煤机状态数据，对磨煤机推荐操作指令。
[0134]
显示模块显示磨煤机运行实时状态以及经磨煤机运行控制模块控制过后的运行状态。
[0135]
本发明利用长期真实历史数据进行训练，对磨煤机、水冷壁运行状态变化刻画可信度高；并且可根据不同火力发电机组的历史数据训练相应的最优控制方案，具有灵活性、普适性。本发明克服了单纯使用传统物理/化学方程对系统进行优化造成的模型过度简化及理想化，以及其导致的失准情况。并且本发明选用的模型(gbdt、神经网络)可进行在线更新，模型训练好后，能根据实时数据进行模型更新，保证模型对新工况的适应性。
[0136]
本发明申请人结合说明书附图对本发明的实施示例做了详细的说明与描述，但是本领域技术人员应该理解，以上实施示例仅为本发明的优选实施方案，详尽的说明只是为了帮助读者更好地理解本发明精神，而并非对本发明保护范围的限制，相反，任何基于本发明的发明精神所作的任何改进或修饰都应当落在本发明的保护范围之内。