[发明专利]基于LSTM的电站锅炉煤灰生成量在线预测方法及系统

说明书

基于LSTM的电站锅炉煤灰生成量在线预测方法及系统，方法包括采集锅炉煤灰生成量及主要影响参数的历史数据得到关联关系数据并进行归一化处理；将归一化处理后的关联关系数据划分成训练集和测试集；使用训练集内的数据对预先建立的锅炉煤灰生成量LSTM网络模型进行训练拟合；将预测数据与测试集内的数据结合，对训练拟合后的锅炉煤灰生成量LSTM网络模型进行过拟合评估；在线采样当前已发生的数据，并输入评估不存在过拟合的锅炉煤灰生成量LSTM网络模型，对未来时间的锅炉煤灰生成量值进行预测。本发明能够长期记录所需数据且能在线预测，预测周期长、精度高，满足发电企业对锅炉煤灰生成量动态预测的要求。

技术领域

本发明属于固废监控技术领域，具体涉及一种基于LSTM的电站锅炉煤灰生成量在线预测方法及系统。

背景技术

火力发电厂使用煤作为燃料时，锅炉必将产生大量煤燃烧后的煤灰。烟道中的煤灰(飞灰)一部分经过除尘收集进行综合利用，另一部分则通过烟筒随烟气排入大气。随着国家环保要求的提高，对锅炉产生的煤灰排放指标无疑也越来越严，这就要求发电企业对锅炉煤灰排放量运行进行精准控制。传统锅炉生成煤灰量是基于锅炉运行最大/最小工况在设计阶段给出的，在电厂实际运行时，由于没有直接在线的煤灰量传感器，生产的煤灰量主要靠人工经验进行估计。近年来，随着新能源的快速发展，为消纳更多具有间歇、波动性的风电和光伏电量，火电生产必然参与电网的负荷调峰，每天的发电负荷随之变化。另外，随着煤炭供需不平衡，煤炭价格高位运行，发电厂掺烧大量劣质煤，煤质不稳定，导致锅炉生成的煤灰量变化很大，这对下游除尘器、管道输送、贮灰库安全及经济运行带来很多的问题。

常规计算锅炉灰渣量，要涉及多个参数，如除煤质灰份外，对灰中之碳含量有的忽略不计，有的采用机械未完全燃烧热损失Q4系数进行补偿计算(具体参见DL/T 5142-2012火力发电厂除灰设计技术规程)。煤灰中有含碳量存在，就增加了煤灰的排放量，能源损失也越大。前者不全面，误差较大；后者公式因Q4系数是经验值，需要匹配不同的锅炉形式和燃料种类，计算烦琐、复杂、实践应用中有诸多不便。

由于锅炉形式不同、运行环境(燃烧方式、烟气流速、炉膛的热负荷、锅炉运行负荷等)多种因素和煤质的差异，生成的煤灰呈现复杂的变化特性，使得煤灰量没有一个普遍适用的在线计算模式，对其进行准确的预测难度较大。

发明内容

本发明的目的在于针对上述现有技术中的问题，提供一种基于LSTM的电站锅炉煤灰生成量在线预测方法及系统，能够根据上一个时段的煤灰生成量和主要影响参数数据，预测下一时间段的煤灰生成量，提高煤灰生成量预测的准确性和实用性。

为了实现上述目的，本发明有如下的技术方案：

一种基于LSTM的电站锅炉煤灰生成量在线预测方法，包括：

采集锅炉煤灰生成量及主要影响参数的历史数据得到关联关系数据并进行归一化处理；

将归一化处理后的关联关系数据划分成训练集和测试集；

使用训练集内的数据对预先建立的锅炉煤灰生成量LSTM网络模型进行训练拟合；

将预测数据与测试集内的数据结合，对训练拟合后的锅炉煤灰生成量LSTM网络模型进行过拟合评估；

在线采样当前已发生的数据，并输入评估不存在过拟合的锅炉煤灰生成量LSTM网络模型，对未来时间的锅炉煤灰生成量值进行预测。

作为本发明所述基于LSTM的电站锅炉煤灰生成量在线预测方法的一种优选方案，所述的主要影响参数包括机组电/热负荷、锅炉形式、燃煤量、燃煤煤质及煤灰含碳量。

作为本发明所述基于LSTM的电站锅炉煤灰生成量在线预测方法的一种优选方案，所述锅炉煤灰生成量及主要影响参数的历史数据之间的关联关系符合以下表达式：