[发明专利]锅炉燃烧热效率预测方法及装置

说明书

本公开提供一种锅炉燃烧热效率预测方法及装置。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。能有效地改善预测精度，显示出其有效性，能够有效提高预测精度和预测效率。

技术领域

本公开属于锅炉燃烧技术领域，具体涉及一种锅炉燃烧热效率预测方法及装置。

背景技术

伴随着我国经济的飞速发展，人们对能源的使用越来越多，其中电能的使用量与日俱增，电能主要来源于火力发电、水力发电、风力发电、太阳能发电和核能发电，所有发电方式中，火力发电具有成本低、动力足、对环境要求小等优势，这些优势决定了我国的发电方式依然是以火力发电为主，火力发电量约占总发电量的百分之八十。在我国，对火力发电提出两大待解决的问题：一是提高机组运行效率、降低机组煤耗，二是在燃煤过程中有效降低有害气体的排放量。实现锅炉燃烧优化的首要任务是建立待优化参量的模型，对于锅炉建模过程中，人工神经网络建模能有效规避一些热工问题，人工神经网络技术可在不了解锅炉燃烧系统的相关知识下，仅基于锅炉燃烧过程中的历史数据便可建立待优化参量的模型特征。

发明内容

本公开旨在至少解决现有技术中存在的技术问题之一，提供一种锅炉燃烧热效率预测方法及装置。

本公开的一方面，提供一种锅炉燃烧热效率预测方法，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。

在一些实施方式中，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。

在一些实施方式中，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。

在一些实施方式中，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。