[发明专利]飞灰含碳量预测方法、装置和电子设备

说明书

本发明实施例公开了飞灰含碳量预测方法、装置和电子设备，该方法包括：根据测点表获取飞灰含碳量及影响飞灰含碳量的辅助变量的历史数据，并对历史数据进行数据清洗和归一化处理；对进行数据清洗和归一化处理后的历史数据进行降维，并分割降维后的数据生成训练样本和测试样本；根据训练样本、预设的核函数和预设的支持向量机的超参数得到支持向量机回归模型；根据进行数据清洗和归一化处理的历史数据生成记忆矩阵，根据记忆矩阵生成非线性状态估计模型；获取分散控制系统的辅助变量测量值，将分散控制系统的辅助变量测量值依次通过支持向量机预测模型和非线性状态估计模型得到飞灰含碳量预测值。本发明的飞灰含碳量预测准确性高，健壮性强。

技术领域

本发明实施例涉及锅炉技术领域，具体涉及飞灰含碳量预测方法、装置和电子设备。

背景技术

锅炉氧量是燃煤电站锅炉重要的运行调节参数，只有较低的氧量才能保证氮氧化物(NOx)排放达到环保要求，但是同时也导致锅炉飞灰含碳量偏高。飞灰含碳是煤粉燃烧后形成的飞灰(即粉尘)里面未燃烧的碳，飞灰含碳量越高，锅炉效率越低。为了保证NOx排放达标，应适当提高氧量以降低飞灰含碳量。

飞灰含碳量的在线测量仪表不但价格昂贵，而且往往在运行一段时间后就失效了，通过离线化验手段测量飞灰含碳量，但一天只做两到三次。飞灰含碳量的测量现状远远不能满足锅炉调节和优化的需要，通过软测量技术在线预测飞灰含碳量一直是热工参数软测量领域的研究热点。电厂一般每四年一次大修，大修前后设备性能变化很大，通常最多取两年内的飞灰含碳量数据建模，样本数量很少。

目前，主要使用各种机器学习模型预测飞灰含碳量。

普通多元线性回归模型的经典解法是简单最小二乘法，目标函数中只有损失函数项——均方误差(mean squared error，MSE)，没有正则化项。模型的解是一组不依赖于样本的参数(截距和斜率)，做新估计时只需要输入辅助变量的值，不再需要训练样本，具有这一性质的模型称为参数模型。参数模型所指的参数并非是模型参数，而是在假定了样本服从某一总体分布的前提下该分布的参数。参数模型的健壮性强，但样本数量往往不足以判断服从那种分布，因而预测精度不高。非参数模型不需要假设总体分布，目的是克服普通多元线性回归模型要求的同方差性质，因此预测精度高但健壮性差。

通过神经网络预测飞灰含碳量属于“黑箱”模型，难以解释模型的意义，训练需要大量的样本，但是飞灰含碳量的样本数量很少，因此预测精度不高。

如何提供一种高准确率、强健壮性地预测飞灰含碳量的方式，是亟待解决的问题。

发明内容

本发明实施例的目的在于提供飞灰含碳量预测方法、装置和电子设备，用以解决现有飞灰含碳量预测精度低、健壮性差的问题。

为实现上述目的，本发明实施例主要提供如下技术方案：

第一方面，本发明实施例提供了一种飞灰含碳量预测方法，包括：

根据测点表获取飞灰含碳量及影响飞灰含碳量的辅助变量的历史数据，并对所述历史数据进行数据清洗和归一化处理；

对进行数据清洗和归一化处理后的历史数据进行降维，并分割降维后的数据生成训练样本和测试样本；

根据所述训练样本、预设的核函数和预设的支持向量机的超参数进行支持向量机建模，得到支持向量机回归模型；

根据所述进行数据清洗和归一化处理的历史数据生成记忆矩阵，根据所述记忆矩阵生成非线性状态估计模型；

获取分散控制系统的辅助变量测量值，将所述分散控制系统的辅助变量测量值依次通过所述支持向量机预测模型和所述非线性状态估计模型得到飞灰含碳量预测值。

根据本发明的一个实施例，对进行数据清洗和归一化处理后的历史数据进行降维，包括：