[发明专利]一种基于集成学习的工业锅炉运行优化方法

权利要求书

1.一种基于集成学习的工业锅炉运行优化方法，其特征在于，包括以下步骤：

步骤1：获取锅炉历史运行数据，包括状态参数、操作参数、工况参数和输出参数，所述工况参数包括锅炉负荷参数和燃煤煤质参数，所述输出参数包括NOx排放浓度和锅炉的燃烧热效率；

步骤2：对锅炉历史运行数据进行预处理，去除无效数据记录；

步骤3：根据预处理后的锅炉运行数据，基于Stacking集成学习算法建立以锅炉操作参数和锅炉负荷参数为输入，以NOx排放浓度和热效率为输出的集成燃烧模型；

步骤4：确定锅炉的工况参数，使用权重衰减的粒子群算法和建立好的集成燃烧模型，对锅炉的操作参数进行寻优；

步骤5：输出步骤4中得到的最优锅炉操作向量。

2.根据权利要求1所述的基于集成学习的工业锅炉运行优化方法，其特征在于，所述状态参数包括烟气温度、上水温度、上水压力、水流量、蒸汽压力、蒸汽温度和蒸汽量，所述操作参数包括一次风量、二次风量、燃尽风门开度和给煤量。

3.根据权利要求1所述的基于集成学习的工业锅炉运行优化方法，其特征在于，所述步骤2包括以下步骤：

步骤2.1：删除锅炉历史运行中包含缺失数据的数据记录；

步骤2.2：使用四分位极差法检测并清除异常数据记录；

步骤2.3：删除锅炉历史运行数据中的重复数据记录。

4.根据权利要求3所述的基于集成学习的工业锅炉运行优化方法，其特征在于，所述步骤2.2中四分位极差计算方法为：

IQR＝Q₁-Q₃

其中Q₁是数据列的上四分位数，Q₃是数据列的下四分位数，IQR是数据列的四分位极差，当数据列中的某个值小于Q₃-1.5×IQR或者大于Q₁+1.5×IQR时认为是异常值。

5.根据权利要求1所述的基于集成学习的工业锅炉运行优化方法，其特征在于，步骤3包括以下步骤：

步骤3.1：基于运行数据使用线性回归算法训练得到模型M₁，并使用模型M₁在运行数据的基础上获得NOx排放浓度和热效率的预测值y₁；

步骤3.2：基于运行数据使用支持向量回归算法训练得到模型M₂，支持向量回归模型使用RBF(径向基函数)核进行非线性映射，并使用模型M₂在运行数据的基础上获得NOx排放浓度和热效率的预测值y₂；

步骤3.3：基于运行数据使用神经网络算法训练得到模型M₃，并使用模型M₃在运行数据的基础上获得NOx排放浓度和热效率的预测值y₃；

步骤3.4：基于运行数据使用XGBoost算法训练得到模型M₄，XGBoost模型设置为最大树深15，并使用模型M₄在运行数据的基础上获得NOx排放浓度和热效率的预测值y₄；

步骤3.5：使用线性回归算法作为元学习器，以{y₁，y₂，y₃，y₄}为输入，锅炉的热效率和NOx排放浓度为输出，训练得到最终的集成燃烧模型。

6.根据权利要求5所述的基于集成学习的工业锅炉运行优化方法，其特征在于，所述步骤3.3中模型M₃包括输入层、隐含层L1、隐含层L2和输出层；

所述输入层输入步骤2中预处理后数据中的锅炉操作参数和锅炉负荷参数；

所述隐含层L1包含多个神经元；

所述隐含层L2包含多个神经元；

所述输出层包含锅炉热效率和NOx排放浓度两个输出神经元。