[发明专利]基于卷积神经网络的锅炉结焦预警方法

说明书

本发明公开基于卷积神经网络的锅炉结焦预警方法，包括以下步骤：1）、采集锅炉内结焦或不结焦的数据信息；2）、选取步骤1）的数据信息中，同一时间段的结焦或不结焦的数个测点温度数据；3）、构建结焦或不结焦的卷积神经网络模型，其包括：输入层、卷积层、下采样层、全连接层和输出层；4）、从实时采集的锅炉数据源中，随机选取同一时间段的数个测点温度数据，输入步骤3）的结焦或不结焦的卷积神经网络模型，得到该测点温度数据的图像特征，判断其结焦或不结焦。本发明为锅炉结焦提供预警方案，能够准确的预测锅炉受热面结焦情况，为判断锅炉受热面结焦提供科学的指导依据。

技术领域

本发明涉及火电厂锅炉运行优化技术领域。

背景技术

锅炉结焦是指锅炉在运行过程中，受热面表面因燃料或燃烧方式原因而造成的焦油、粉尘附着，并逐渐发展，形成焦块覆盖的现象。锅炉受热面结焦主要集中在垂直水冷壁、螺旋水冷壁等受热面，受热面结焦严重时，机组负荷、减温水流量、磨煤机运行方式等参数也会出现不同程度的改变，降低锅炉受热面的使用寿命，导致四管泄露、机组非停，给电厂造成巨大的经济损失。目前，针对锅炉结焦现象，火电厂并不能得到锅炉结焦或不结焦的有效数据，仅仅根据工作经验，采用定期切换磨煤机运行方式进行扰焦或喷除焦剂进行主动除焦。

发明内容

本发明目的在于提供一种基于卷积神经网络的锅炉结焦预警方法。

基于上述目的，本发明主要采取以下技术方案：

基于卷积神经网络的锅炉结焦预警方法，包括以下步骤：

1)、采集锅炉内结焦或不结焦的数据信息；

2)、选取步骤1)的数据信息中，同一时间段的结焦或不结焦的数个测点温度数据；

3)、构建结焦或不结焦的卷积神经网络模型，其包括：输入层、卷积层、下采样层、全连接层和输出层，

输入层的方法步骤为：

a、将步骤2)的结焦或不结焦的数个测点温度数据分别补充为a×a的数据矩阵，矩阵元素不足的用0补上；

b、将步骤a中数据矩阵中的每个矩阵元素归一化，得结焦或不结焦类比图像特征，

归一化计算公式为：

其中：i，j分别为步骤a中数据矩阵的行和列的索引，x_i，j为归一化后i，j位置的矩阵元素，vi，_j为归一化前i，j位置的矩阵元素，为归一化前j列中的最小矩阵元素，为归一化前j列中的最大矩阵元素；

4)、从实时采集的锅炉数据源中，随机选取同一时间段的数个测点温度数据，输入步骤3)的结焦或不结焦的卷积神经网络模型，得到该测点温度数据的图像特征，判断该图像特征，符合卷积神经网络模型中的结焦图像特征，则为结焦；符合卷积神经网络模型中的不结焦的图像特征，则为不结焦。

步骤3)中，卷积层：将步骤b中的类比图像特征进行卷积运算，得卷积层的特征图；

下采样层：对卷积层的特征图进行下采样，得下采样层的特征图；

全连接层：对下采样层的特征图进行压平，得一维向量；

输出层：采用softmax函数进行概率输出，包含均与全连接层连接的所有神经元。

步骤3)中，卷积层分为卷积层C1和卷积层C2，下采样层分为下采样层S1和下采样层S2，具体步骤为：

卷积层C1：将步骤b中的类比图像特征进行卷积运算，得卷积层C1的特征图；

下采样层S1：对卷积层C1的特征图进行下采样，得下采样层S1的特征图；

卷积层C2：将下采样层S1的特征图进行卷积运算，得卷积层C2的特征图；