一种电厂锅炉排烟温度的寻优方法及装置与流程

本发明涉及锅炉控制技术领域，特别是涉及一种电厂锅炉排烟温度的寻优方法及装置。

背景技术：

锅炉的应用在日常生产过程中占据很重要的地位，尤其是在电厂发电中，锅炉是一个关键设备，其运行效率对电厂影响重大，具有巨大的经济意义。在使用锅炉过程中，排烟温度是反映锅炉运行效率的一个重要参量，从设备机理上讲，排烟温度一定程度上能够说明锅炉运行时内部的工作温度，也直接反映出锅炉的热损失量，因此，及时、准确地把握、控制排烟温度是电厂工作人员不可避免的问题。

当前，电厂对于排烟温度的控制问题，主要有三类解决方案：

一是采用锅炉设备生产厂商根据制造工艺设定的各个部件相关指标的推荐值的方法；

二是基于知识的方法，主要是通过相关专家的专业知识和操作人员的启发性经验，对锅炉设备运行进行动态评定、推断，从而达到对相关指标尤其是对锅炉排烟温度进行控制的目的；

三是基于数据挖掘、机器学习的方法，通过对历史数据进行建模，以数学的方式挖掘出锅炉设备在运行时的规律，分析出各个指标在设备运行时相互间的规律，完成对排烟温度的预测，得出排烟温度优化的调整方式。

以上三种解决方案各有优劣，其中，第一类方案，由设备生产商家提供，而且是基于设备的制造工艺，本身是非常合理的，非常值得参考。但是往往与设备实际运行不相符。锅炉设备系统是一个动态“网络”，并不是一成不变的，各个指标间的变化规律是不同时的、非线性的，然而各推荐值往往是固定的，即使给出一个范围，也难以判定范围内哪个值是最优的。再有，随着锅炉系统运行时长的不断增大，必然会有一定程度的损耗，设备内部间的运行规律也将会有一定程度的变化，推荐值显然也应当发生变化，实际上，生产厂家也难以确定。

第二类方案，主要基于专家知识和工作人员的运行经验。专家和工作人员可以对设备的动态运行实时评估，总的来说是值得信赖的。但是，这种方案过度依赖人为因素，缺点也很明显。专家、运行人员的知识经验毕竟有限，工作中可能还会受到其他不可控因素的影响，并不能完全准确地给出设备运行规律。

第三类方案，相对于上述两种具有一定的优点，电厂越来越多的倾向于第三类方案。其基本原理在于运用已有的数据挖掘、机器学习建模方法充分挖掘锅炉系统的海量历史数据，建立高效实用的模型对锅炉实时状态包括锅炉排烟温度进行评价。该方案通用性和自适应能力都较强，投入这方面研究的人员也越来越多。目前，大多数建模方法都是通过有监督学习算法，如神经网络、支持向量机等，对锅炉系统进行建模，再通过遗传算法等智能优化算法对排烟温度进行寻优，取得了一定的成效。但是，第三类方案是基于有监督学习方法，同样需要人为指导实现数据划分，消耗过多的人力成本。

由此可见，如何降低人力成本，且自动获取排烟温度的最优值是本领域技术人员亟待解决的问题。

技术实现要素：

本发明的目的是提供一种电厂锅炉排烟温度的寻优方法及装置，能够降低人力成本，且自动获取排烟温度的最优值。

为解决上述技术问题，本发明提供一种电厂锅炉排烟温度的寻优方法，包括：

获取训练数据，并按照预设指标筛选规则从所述训练数据中筛选出目标训练数据；

按照归一化处理规则处理所述目标训练数据以得到各指标对应的归一化结果；

采用无监督聚类算法对所述归一化结果进行运行工况划分，并依据既定规则计算各所述运行工况和最优排烟温度的对应关系；

当获取到实际运行数据时，按照对所述训练数据的处理方式得到所述实际运行数据对应的实际运行工况；

调用所述对应关系，确定出所述实际运行工况对应的最优排烟温度。

优选地，所述按照预设指标筛选规则从所述训练数据中筛选出目标训练数据具体为：

按照与所述运行工况和排烟温度的相关性确定出各所述指标；

从所述训练数据中筛选出与各所述指标的类型对应的数据作为所述目标训练数据。

优选地，所述无监督聚类算法具体为k-mediods算法。

优选地，各所述指标包括：给水量、给水温度、主蒸汽温度、给煤量、过热器减温水量、烟气含氧量、排烟温度。

优选地，所述获取训练数据具体是获取锅炉在预设周期内的历史运行数据；

其中，所述历史运行数据作为所述训练数据。

优选地，在所述获取训练数据之后还包括对所述训练数据进行预处理以去除异常数据。

为解决上述技术问题，本发明还提供一种电厂锅炉排烟温度的寻优装置，包括：

模型输入单元，用于获取训练数据，并按照预设指标筛选规则从所述训练数据中筛选出目标训练数据；

模型处理单元，用于按照归一化处理规则处理所述目标训练数据以得到各指标对应的归一化结果；

模型输出单元，用于采用无监督聚类算法对所述归一化结果进行运行工况划分，并依据既定规则计算各所述运行工况和最优排烟温度的对应关系；

实际运行单元，用于当获取到实际运行数据时，按照对所述训练数据的处理方式得到所述实际运行数据对应的实际运行工况，并调用所述对应关系，确定出所述实际运行工况对应的最优排烟温度。

优选地，所述模型输入单元具体包括：

确定子单元，用于按照与所述运行工况和排烟温度的相关性确定出各所述指标；

筛选子单元，用于从所述训练数据中筛选出与各所述指标的类型对应的数据作为所述目标训练数据。

优选地，所述无监督聚类算法具体为k-mediods算法。

优选地，所述确定子单元中的各所述指标包括：给水量、给水温度、主蒸汽温度、给煤量、过热器减温水量、烟气含氧量、排烟温度。

本发明所提供的电厂锅炉排烟温度的寻优方法，通过对训练数据进行归一化处理，得到目标训练数据，然后对目标训练数据进行归一化处理，再通过无监督聚类算法对运行工况进行划分，从而得到每个运行工况对应的最优排烟温度。通过上述步骤得到了各运行工况与最优排烟温度的对应关系，当获取到实际运行数据时，按照相同的方法对实际运行数据进行处理得到其对应的实际运行工况，最后通过各运行工况与最优排烟温度的对应关系找到与实际运行工况对应的最优排烟温度。由此可见，本方法是一种无监督学习方法，相对于有监督学习方法，不需要人为指导就可以完成对数据的划分，而且本发明与有监督学习方法一样，具有通用性、鲁棒性、自适应能力强的特点。

此外，本发明还提供一种与上述方法对应的电厂锅炉排烟温度的寻优装置，该装置同样具有上述优点。

附图说明

为了更清楚地说明本发明实施例，下面将对实施例中所需要使用的附图做简单的介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1为本发明实施例提供的一种电厂锅炉排烟温度的寻优方法的流程图；

图2为本发明实施例提供的一种电厂锅炉排烟温度的寻优装置的结构图。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下，所获得的所有其他实施例，都属于本发明保护范围。

本发明的核心是提供一种电厂锅炉排烟温度的寻优方法及装置，能够降低人力成本，且自动获取排烟温度的最优值。

为了使本技术领域的人员更好地理解本发明方案，下面结合附图和具体实施方式对本发明作进一步的详细说明。

图1为本发明实施例提供的一种电厂锅炉排烟温度的寻优方法的流程图。如图1所示，该方法包括：

s10：获取训练数据，并按照预设指标筛选规则从训练数据中筛选出目标训练数据。

s11：按照归一化处理规则处理目标训练数据以得到各指标对应的归一化结果。

s12：采用无监督聚类算法对归一化结果进行运行工况划分，并依据既定规则计算各运行工况和最优排烟温度的对应关系。

s13：当获取到实际运行数据时，按照对训练数据的处理方式得到实际运行数据对应的实际运行工况。

s14：调用对应关系，确定出实际运行工况对应的最优排烟温度。

步骤s10-步骤s12这三个步骤属于模型建立过程，步骤s13和步骤s14属于实际计算过程。

对于步骤s10来说，训练数据的获取可以有多种渠道，但是作为优选的实施方式，获取训练数据具体是获取锅炉在预设周期内的历史运行数据；其中，历史运行数据作为训练数据。

在电厂数据库系统里，找到锅炉系统相关设备以及设备下的指标信息，按一定的取数周期，选取设备在正常运行状态下的历史运行数据。历史运行数据能够真实反映训练数据，能够提高最优排烟温度的准确性。

在具体实施中，训练数据中可能存在异常数据，如果将这一的训练数据带入后续步骤进行处理的话，必然会影响最优排烟温度的准确性。因此，作为优选的实施方式，在获取训练数据之后还包括对训练数据进行预处理以去除异常数据。需要说明的是，这里的异常数据包括几下几种情况：例如某些空记录和包含空值的数据记录，去除一些因系统原因造成某些值成为无穷等具有典型错误的数据记录。经过筛选后的训练数据应当满足以下要求：

(1)每条数据记录都代表了锅炉系统的一个正常运行状态；

(2)涵盖尽可能完整的锅炉正常运行状况；

(3)每条训练数据记录中的各个指标应为同一时刻的采样值。

步骤s10中，按照预设指标筛选规则从训练数据中筛选出目标训练数据具体为：

按照与运行工况和排烟温度的相关性确定出各指标。

从训练数据中筛选出与各指标的类型对应的数据作为目标训练数据。

首先确定与锅炉运行工况和排烟温度紧密联系的指标。给水量和给水温度是影响锅炉工况和排烟温度的两个重要参数，给水量、给水温度与锅炉蒸发量直接相关，若其他指标保持不变，给水量减少或者给水温度降低，锅炉蒸发量就会降低，锅炉效率和排烟温度也将因此降低。过热器减温水量主要是用来控制锅炉过热气温，如果降温水量增大，过热气温将相对降低，烟气热量交换能力反而变强，进而导致锅炉排烟温度发生降低的情况。主蒸汽温度和给煤量直接影响锅炉热效率和排烟温度，是两个不可或缺的参数。考虑到电厂用煤在短期内不会发生太大的变化，所以暂时将煤质排除在外。经过相关人员的综合评估，将以上的指标作为模型的参量。作为优选的实施方式，指标具体为给水量、给水温度、主蒸汽温度、给煤量、过热器减温水量、烟气含氧量、排烟温度。根据这些指标得到最终的模型输入输出数据，因此目标训练数据就是与上述各指标相关的数据。可以理解的是，上述各指标只是其中的若干种，在具体应用中，可以是其中的一种或若干种的组合，本实施例不再赘述。

为了方便理解，假设最终得到n个指标，m条记录，则第m条的记录可以看作一个n维的向量，可表示为：xm＝[xm1,xm2,...,xmn]，则该目标训练数据应当为m*n的矩阵形式。具体形式如下：

对于步骤s11来说，数据归一化是非常重要、不可或缺的一步。因为各个指标性质不同，单位也不尽相同，不同指标间具体数值可能会相差很大，单从数值上讲就对模型的影响很不一致，值大的指标权重就大，形象地讲，他们的影响力“不公平”。为了处理这个问题，本发明采用如下的方法将某个指标x归一化。

xnew＝(2x-2xmax)/(xmax-xmin)+1(2)

其中，xnew为x归一化后的值，xmax为该指标的最大值，xmin为该指标的最小值。对所有指标按此方法归一化，得到归一化结果。

对于步骤s12来说，无监督聚类算法有很多，例如k-mediods算法或k-means算法。由于k-mediods算法对于噪声不那么敏感，对于离群点的划分不会造成结果偏差过大，少数数据不会造成重大影响。因此，本发明中的无监督聚类算法具体为k-mediods算法。

k-mediods聚类算法对锅炉工况进行划分，k-mediods算法描述如下：

(1)首先随机选取一组聚类样本作为中心点集，每个中心点对应一个簇。

(2)计算各样本点到各个中心点的距离，将样本点放入距离中心点最短的那个簇中。

(3)计算各簇中距簇内各样本点距离的绝对误差最小的点，作为新的中心点。

(4)如果新的中心点集与原中心点集相同，算法终止；如果新的中心点集与原中心点集不完全相同，返回(2)。

可以理解的是，这里的样本就是归一化结果，通过该算法可以得到若干个运行工况，实现对运行工况的划分。对于每种运行工况来说，都具有与这个运行工况对应的最优排烟温度，从而得到了各运行工况和最优排烟温度的对应关系。需要说明的是，每个运行工况下的最优排烟温度需要按照一个既定规则r来计算，而既定规则r应当由锅炉系统的设备类型和设备运行的内在规律所决定。实际中，相关专家和工作人员凭借专业知识和积累的经验，对锅炉设备及运行工况进行评估，给出锅炉运行工况下的最优排烟温度的既定规则r。通常，既定规则为求排烟温度的最小值，本发明既定规则也取为求排烟温度的最小值。根据步骤4划分出来的各个运行工况，通过既定规则计算出各工况下的最优排烟温度。

至此，上文步骤完成了模型建立，通过建立的模型就可以对输入的数据进行自动计算，从而得到实际运行数据对应的最优排烟温度。下文中，将详细描述实际计算过程。

对于步骤s13来说，从电厂数据库系统里，找到锅炉系统下相关设备和设备下的指标信息，按相同的取数周期，得到初步的实时数据矩阵，即实际运行数据。对该矩阵做一定预处理检查，做必要的筛选，保障数据的可用性。筛选规则参见上文，这里不再赘述。

对于实际运行数据来说，也需要按照对训练数据的处理方式处理，从而得到实际运行数据对应的实际运行工况。具体为：

1)按照预设指标筛选规则从实际运行数据中筛选出目标数据。该过程中，与建立模型时具有相同的指标类型、数目。

2)按照归一化处理规则处理目标数据以得到各指标对应的归一化结果。

3)采用无监督聚类算法对归一化结果进行运行工况划分。例如按照k-mediods算法采用的距离度量方式，判断最近的聚类中心，并将最近的聚类中心类别作为目标数据记录的实际运行工况类别；通过对应关系，就可以确定出实际运行工况所对应的最优排烟温度，从而完成对实际运行数据的寻优目标值。

为了让本领域技术人员更加清楚本发明提供的技术方案，以下通过一个具体实例进行说明。通过本实施例的详细阐述，进一步说明本发明的实施过程。本实例以北方某电厂#8号机锅炉为监测对象。

本发明实施例的建模过程

步骤1：与步骤s10中的获取训练数据对应

从该电厂系统数据库里获取到#8号机锅炉系统的历史运行数据。数据时间为2016.11.100:00:00到2016.11.1523:59:59，取数周期为1分钟。经过鉴定，这段时间内的数据基本包含锅炉所有运行工况，而且没有因系统原因产生的异常数据。

步骤2：与步骤s10中的按照预设指标筛选规则从训练数据中筛选出目标训练数据对应

选出指标，包括给水量(t/h)、给水温度(℃)、主蒸汽温度(℃)、给煤量(t/h)、过热器减温水量(t/h)、烟气含氧量(％)、排烟温度(℃)，进一步处理步骤1的数据。部分结果展示如下：

表1

步骤3：与步骤s11对应

为排除指标权值对模型的影响，对训练数据归一化，归一化方法如公式(2)。部分结果展示如下：

表2

步骤4：对应步骤s12，具体是通过k-mediods聚类划分运行工况。

经过专家和运行人员的评定，#8号机锅炉工况大致可以分4类。使用k-mediods算法对步骤3得到的数据进行聚类操作，最终得到4个类别，即4个运行工况，分别为工况1、工况2、工况3、工况4。

步骤5：对应步骤s12，具体是依据既定规则计算各运行工况和最优排烟温度的对应关系

根据既定规则，求出步骤4得到的各个工况下的最优排烟温度。工况1的最优排烟温度为71.6005℃，工况2的最优排烟温度为97.3531℃，工况3的最优排烟温度74.2593℃，工况4的最优排烟温度为92.5421℃。

本发明实施例的运行过程

步骤1：对应步骤s13，获取实际运行数据，即实时数据。

获取到该电厂数据库里#8号机锅炉系统的数据，本例实时数据时间取为2016.11.1600:00:00到2016.11.1601:00:00，取数周期为1分钟。做相应的预处理工作，排除因系统原因造成的含空行的记录等，保障数据的可用性。

步骤2：对应步骤13，选择指标。

步骤3：对应步骤13，归一化处理。

步骤4：对应步骤13和步骤s14，确定所属实际运行工况，得出最优排烟温度值。

经过步骤3得到归一化后的各条数据记录。计算各条数据记录到4个聚类中心的距离，以最近的聚类中心所在类别作为运行工况的类别，并以各运行工况下的最优排烟温度值为寻优的目标值。经过计算实时数据均距离工况4的聚类中心近，所以最优排烟温度应为92.5421℃。

本发明实施提供的电厂锅炉排烟温度的寻优方法，通过对训练数据进行归一化处理，得到目标训练数据，然后对目标训练数据进行归一化处理，再通过无监督聚类算法对运行工况进行划分，从而得到每个运行工况对应的最优排烟温度。通过上述步骤得到了各运行工况与最优排烟温度的对应关系，当获取到实际运行数据时，按照相同的方法对实际运行数据进行处理得到其对应的实际运行工况，最后通过各运行工况与最优排烟温度的对应关系找到与实际运行工况对应的最优排烟温度。由此可见，本方法是一种无监督学习方法，相对于有监督学习方法，不需要人为指导就可以完成对数据的划分，而且本发明与有监督学习方法一样，具有通用性、鲁棒性、自适应能力强的特点。

上文中详细说明了电厂锅炉排烟温度的寻优方法对应的实施例，本发明还提供一种电厂锅炉排烟温度的寻优装置，由于该装置与上述方法对应，因此该装置的实施例与上述方法的实施例也是相同的，具体内容不再重复。图2为本发明实施例提供的一种电厂锅炉排烟温度的寻优装置的结构图，如图2所述，包括：

模型输入单元10，用于获取训练数据，并按照预设指标筛选规则从训练数据中筛选出目标训练数据；

模型处理单元11，用于按照归一化处理规则处理目标训练数据以得到各指标对应的归一化结果；

模型输出单元12，用于采用无监督聚类算法对归一化结果进行运行工况划分，并依据既定规则计算各运行工况和最优排烟温度的对应关系；

实际运行单元13，用于当获取到实际运行数据时，按照对训练数据的处理方式得到实际运行数据对应的实际运行工况，并调用对应关系，确定出实际运行工况对应的最优排烟温度。

作为优选的实施方式，模型输入单元10具体包括：

确定子单元，用于按照与运行工况和排烟温度的相关性确定出各指标；

筛选子单元，用于从训练数据中筛选出与各指标的类型对应的数据作为目标训练数据。

作为优选的实施方式，无监督聚类算法具体为k-mediods算法。

作为优选的实施方式，确定子单元中的各指标包括：给水量、给水温度、主蒸汽温度、给煤量、过热器减温水量、烟气含氧量、排烟温度。

本发明实施提供的电厂锅炉排烟温度的寻优装置，通过对训练数据进行归一化处理，得到目标训练数据，然后对目标训练数据进行归一化处理，再通过无监督聚类算法对运行工况进行划分，从而得到每个运行工况对应的最优排烟温度。通过上述步骤得到了各运行工况与最优排烟温度的对应关系，当获取到实际运行数据时，按照相同的方法对实际运行数据进行处理得到其对应的实际运行工况，最后通过各运行工况与最优排烟温度的对应关系找到与实际运行工况对应的最优排烟温度。由此可见，本装置是一种无监督学习方法，相对于有监督学习方法，不需要人为指导就可以完成对数据的划分，而且本发明与有监督学习方法一样，具有通用性、鲁棒性、自适应能力强的特点。

以上对本发明所提供的电厂锅炉排烟温度的寻优方法及装置进行了详细介绍。说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。对于实施例公开的装置而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以对本发明进行若干改进和修饰，这些改进和修饰也落入本发明权利要求的保护范围内。

还需要说明的是，在本说明书中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。