[发明专利]锅炉燃烧热效率预测方法及装置

权利要求书

1.一种锅炉燃烧热效率预测方法，其特征在于，所述方法包括：

采集锅炉的实时运行数据，并将所述实时运行数据进行预处理；

将预处理后的实时运行数据划分为训练集和测试集；

采用改进K-means算法对训练集中的实时运行数据进行聚类，具体包括：先采用生物地理学优化算法优化K-means初始聚类中心，之后采用K-means算法对所述实时运行数据进行聚类；

设置相关参数，使得网络符合锅炉燃烧模型；

基于所述聚类后的实时运行数据，对预设的极限学习机网络进行训练，得到所述锅炉燃烧模型；

利用所述锅炉燃烧模型对锅炉燃烧热效率进行预测。

2.根据权利要求1所述的方法，其特征在于，所述采用生物地理学优化算法优化K-means初始聚类中心，包括：

初始化生物地理学优化算法相关参数；

计算每个解极其适应度值，并计算其对应的物种数量以及迁入率和迁出率，同时保存适应度高的个体；

用迁入率选择需要进行迁入的个体变量，用迁出率选择需要迁出的个体变量，进行迁移操作；

根据突变概率进行突变操作；

是否满足迭代停止条件，如不满足，则继续执行上述步骤；

将得到的适应度高的个体作为初始中心点进行聚类。

3.根据权利要求2所述的方法，其特征在于，所述生物地理学优化算法中参数设定如下：

最大迭代次数Maxgen＝200；最大种群数Popsize＝120；种群大小Numvar＝6；种群迁移概率Pmodify＝1；变异概率Pmutate＝0.01。

4.根据权利要求1至3任一项所述的方法，其特征在于，在对极限学习机网络进行训练之前，所述方法还包括：

基于所述改进K-means算法，对所述极限学习机网络的网络结构及节点参数进行优化选取。

5.根据权利要求4所述的方法，其特征在于，所述网络结构优化包括对网络输入变量、网络隐含层节点的数目与激活函数的选取；

所述节点参数优化包括网络隐含层节点参数w_i和b_i的优化。

6.根据权利要求1至3任一项所述的方法，其特征在于，所述将所述实时运行数据进行预处理，包括：

将所述实时运行数据预先经过非加权组平均法UPGMA处理，剔除掉噪声数据和边缘数据。

7.一种锅炉燃烧热效率预测装置，其特征在于，所述装置包括：

采集模块，用于采集锅炉的实时运行数据，并将所述实时运行数据进行预处理；

划分模块，用于将预处理后的实时运行数据划分为训练集和测试集；

聚类模块，用于采用改进K-means算法对训练集中的实时运行数据进行聚类，具体包括：先采用生物地理学优化算法优化K-means初始聚类中心，之后采用K-means算法对所述实时运行数据进行聚类；

设置模块，用于设置相关参数，使得网络符合锅炉燃烧模型；

训练模块，用于基于所述聚类后的实时运行数据，对预设的极限学习机网络进行训练，得到所述锅炉燃烧模型；

预测模块，用于利用所述锅炉燃烧模型对锅炉燃烧热效率进行预测。

8.根据权利要求7所述的装置，其特征在于，所述聚类模块，具体还用于：

初始化生物地理学优化算法相关参数；

计算每个解极其适应度值，并计算其对应的物种数量以及迁入率和迁出率，同时保存适应度高的个体；

用迁入率选择需要进行迁入的个体变量，用迁出率选择需要迁出的个体变量，进行迁移操作；

根据突变概率进行突变操作；

是否满足迭代停止条件，如不满足，则继续执行上述步骤；

将得到的适应度高的个体作为初始中心点进行聚类。