用于生物质电站的数据挖掘方法与流程

本发明涉及数据挖掘技术领域，更具体地涉及一种用于生物质电站的数据挖掘方法。

背景技术：

我国的生物质发电技术正处于起步阶段，但在生物质发电领域中还有许多技术问题需要深入研究和开发。生物质直燃锅炉的燃烧过程是一个典型的非线性、多输入和多输出强耦合对象，对于上述燃烧过程是一个运行复杂的过程并且上述燃烧过程能够直接影响机组安全经济运行。已知的生产中，通常是将燃烧系统简化为燃料、送风和引风三个相对独立的单回路进行pid调节，虽然满足了一定的控制要求，但受到被调节的对象的不确定性、被调量测量的不够准确等众多因素的影响，使得系统的调节往往无法达到预期的效果。

因此，需要一种用于生物质电站的数据挖掘方法，以至少部分地解决现有技术中存在的问题。

技术实现要素：

在发明内容部分中引入了一系列简化形式的概念，这将在具体实施方式部分中进一步详细说明。本发明的发明内容部分并不意味着要试图限定出所要求保护的技术方案的关键特征和必要技术特征，更不意味着试图确定所要求保护的技术方案的保护范围。

为了至少部分地解决上述问题，根据本发明的第一方面，提供了一种用于生物质电站的数据挖掘方法，所述数据挖掘方法包括：

步骤一：采集所述生物质电站的历史运行数据和实时运行数据；

步骤二：根据采集的所述历史运行数据建立神经网络模型；

步骤三：对所述神经网络模型进行训练；

步骤四：读取所述实时运行数据，并通过已训练完成的所述神经网络模型对所述生物质电站进行评估。

根据本实施方式的用于生物质电站的数据挖掘方法，采集生物质电站的历史运行数据和实时运行数据，根据历史运行数据建立神经网络模型，利用生物质电站的历史运行数据对神经网络模型进行训练，可以对在不同工况或者不同环境因素等情况下，对生物质电站进行有效评估，从而提供有效的增效手段。

可选地，所述神经网络模型为bp神经网络模型。由此可以提高效率。

可选地，所述bp神经网络模型为多输入神经网络模型。由此可以提高效率。

可选地，在步骤三中：根据所述生物质电站的历史运行状况、操作数据和历史发电效率对所述神经网络模型进行训练。这样，无需事先确定输入和输出之间映射关系的数学方程，仅通过对神经网络模型自身的训练，学习规则，在给定输入值时得到最接近期望输出值的结果。

可选地，所述历史运行数据包括日发电量、日产汽量、日给水量、总产汽量、总发电量、总给水量和总燃料量中的至少一种。由此，可以准确地建立神经网络模型以及对神经网络模型进行训练。

可选地，在步骤一中：通过分布式控制系统采集所述历史运行数据和所述实时运行数据。由此，可以准确地采集数据。

可选地，所述分布式控制系统根据通过opc协议采集所述实时运行数据。由此，可以准确地采集数据。

可选地，还包括步骤五：读取所述实时运行数据，并通过已训练完成的所述神经网络模型对所述生物质电站的经济效益进行计算。由此，直观地对生物质电站进行评估。

可选地，根据所述生物质电站的产汽量、发电量、燃料量和给水量计算所述生物质电站的经济效益。由此，使得经济效益的值计算得更加准确。

可选地，还包括步骤六：读取所述实时运行数据，并通过已训练完成的所述神经网络模型对所述生物质电站的运行效率进行评估。这样，能够指出影响发电效率的因素，从而对提高发电效率提供有效的改善手段。

附图说明

本发明的下列附图在此作为本发明的一部分用于理解本发明。附图中示出了本发明的实施例及其描述，用来解释本发明的装置及原理。在附图中，

图1为根据本发明的数据挖掘方法的流程示意图。

具体实施方式

在下文的描述中，给出了大量具体的细节以便提供对本发明更为彻底的理解。然而，对于本领域技术人员而言显而易见的是，本发明可以无需一个或多个这些细节而得以实施。在其他的例子中，为了避免与本发明发生混淆，对于本领域公知的一些技术特征未进行描述。

为了彻底理解本发明，将在下列的描述中提出详细的结构，以便阐释本发明。显然，本发明的施行并不限定于该技术领域的技术人员所熟习的特殊细节。本发明的较佳实施例详细描述如下，然而除了这些详细描述外，本发明还可以具有其他实施方式，不应当解释为局限于这里提出的实施例。

应当理解的是，在此使用的术语的目的仅在于描述具体实施例并且不作为本发明的限制，单数形式的“一”、“一个”和“所述/该”也意图包括复数形式，除非上下文清楚指出另外的方式。当在本说明书中使用术语“包含”和/或“包括”时，其指明存在所述特征、整体、步骤、操作、元件和/或组件，但不排除存在或附加一个或多个其他特征、整体、步骤、操作、元件、组件和/或它们的组合。本发明中所使用的术语“上”、“下”、“前”、“后”、“左”、“右”以及类似的表述只是为了说明的目的，并非限制。

本发明中所引用的诸如“第一”和“第二”的序数词仅仅是标识，而不具有任何其他含义，例如特定的顺序等。而且，例如，术语“第一部件”其本身不暗示“第二部件”的存在，术语“第二部件”本身不暗示“第一部件”的存在。

以下，将参照附图对本发明的具体实施例进行更详细地说明，这些附图示出了本发明的代表实施例，并不是限定本发明。

生物质发电是利用生物质所具有的生物质能进行的发电，是可再生能源发电的一种。生物质(biomass)是指通过光合作用而形成的各种有机体，包括所有的动植物和微生物。生物质能则是太阳能以化学能形式储存在生物质中的能量形式。

生物质发电包括农林废弃物直接燃烧发电、农林废弃物气化发电、垃圾焚烧发电、垃圾填埋气发电、沼气发电。因此，为了更好地对生物质电站进行研究，本发明提供了一种用于生物质电站的数据挖掘方法，如图1所示，数据挖掘方法包括以下步骤：

步骤一：采集生物质电站的历史运行数据和实时运行数据。

为了对生物质电站评估得更加准确，可以通过分布式控制系统(distributedcontrolsystem，以下简称dcs系统)采集历史运行数据和实时运行数据。dcs系统是一个由过程控制级和过程监控级组成的以通信网络为纽带的多级计算机系统。dcs系统综合了计算机，通信、显示和控制等4c技术，具有分散控制、集中操作、分级管理、配置灵活以及组态方便等优点。

生物质电站的历史运行数据可以包括日发电量、日产汽量、日给水量、总产汽量、总发电量、总给水量和总燃料量中的至少一种。这样，所采集的生物质电站的历史运行数据可以为后述的算法模型设计及模型训练提供数据来源。当然，所采集的生物质电站的历史运行数据可以根据生物质发电的形式进行调整。

譬如，在利用农林废弃物直接燃烧发电的过程中，还可以采集生物质原料预处理、锅炉防腐、锅炉的原料适用性及燃料效率以及蒸汽轮机效率中所涉及的参数。

在生物质与煤混合作为燃料发电的过程中，还可以采集生物质与煤的混合比例或者生物质气化产生的燃气与煤的混合比例等参数。

在生物质气化发电的过程中，生物质需要在气化炉中转化为气体燃料，经净化后直接进入燃气机中燃烧发电或者直接进入燃料电池发电，这样还可以采集燃气中的杂质(比如灰分、焦炭或焦油)的参数。

在利用沼气发电的过程中，利用工农业或城镇生活中的大量有机废弃物经厌氧发酵处理产生的沼气驱动发电机组发电，这样还可以采集所利用的有机废弃物的质量和产生的沼气的质量等参数。

在利用垃圾焚烧发电的过程中，在焚烧锅炉中燃烧放出的热量将水加热获得过热蒸汽，推动汽轮机带动发电机发电，还可以采集焚烧过程中的层状燃烧、流化床燃烧或者旋转燃烧过程中所涉及的参数。

在利用垃圾气化发电的过程中，垃圾在450°～640°温度下气化和含碳灰渣在1300℃以上熔融燃烧，还可以采集不同的温度值、气化量和含碳灰渣量等参数。

进一步地，分布式控制系统可以根据通过opc(objectlinkingandembeddingforprocesscontrol，用于过程控制的对象连接与嵌入)协议采集实时运行数据。这样，分布式控制系统采用opc协议后，驱动程序不再由软件开发商开发，而是由硬件开发商根据硬件的特征，将各个硬件设备驱动程序和通讯程序封装成可独立运行或嵌入式运行的数据服务器。由此，可以使得分布式控制系统能够采集更为准确的实时运行数据。

步骤二：根据采集的历史运行数据建立神经网络模型。

根据dcs系统所采集的生物质电站的历史运行数据建立神经网络模型。在本实施方式中，神经网络模型可以为bp神经网络(backpropagationneuralnetwork，反向传播神经网络)模型。bp神经网络模型是一种按照误差逆向传播算法训练的多层前馈神经网络。这样，可以使得神经网络的中间层数、各层的神经元个数可根据具体情况任意设定，并且随着结构的差异其性能也有所不同。

进一步地，bp神经网络模型可以为多输入神经网络模型。所采集的生物质电站的多个历史运行数据可以同时输入至神经网络模型中，极大地提高了效率。

步骤三：对神经网络模型进行训练。

根据dcs系统所采集的生物质电站的历史运行状况、操作数据和历史发电效率可以对神经网络模型进行训练。由于bp神经网络所采用的bp算法信号的前向传播和误差的反向传播两个过程。即计算误差输出时按从输入到输出的方向进行，而调整权值和阈值则从输出到输入的方向进行。在本实施方式中，可以将dcs系统所采集的历史运行数据作为输入，生物质电站的运行效率(或者经济效益)作为输出。

正向传播时，输入信号通过隐含层作用于输出节点，经过非线性变换，产生输出信号，若实际输出与期望输出不相符，则转入误差的反向传播过程。误差反传是将输出误差通过隐含层向输入层逐层反传，并将误差分摊给各层所有单元，以从各层获得的误差信号作为调整各单元权值的依据。通过调整输入节点与隐层节点的联接强度和隐层节点与输出节点的联接强度以及阈值，使误差沿梯度方向下降，经过反复学习训练，确定与最小误差相对应的网络参数(权值和阈值)，训练即告停止。此时经过训练的神经网络即能对类似样本的输入信息，自行处理输出误差最小的经过非线形转换的信息。

这样，无需事先确定输入和输出之间映射关系的数学方程，仅通过对神经网络模型自身的训练，学习规则，在给定输入值时得到最接近期望输出值的结果。

步骤四：读取实时运行数据，并通过已训练完成的神经网络模型对生物质电站进行评估。

通过dcs系统读取生物质电站的实时运行数据，并通过已训练完成的所述神经网络模型对所述生物质电站进行评估。由此，在实施运行的工况下，根据所采集的生物质电站的历史运行数据，显示影响的因素信息，从而对生物质电站提供有效的能效改善手段。

具体地，还包括步骤五：读取实时运行数据，并通过已训练完成的神经网络模型对生物质电站的经济效益进行计算。

生物质电站的经济效益可以根据述生物质电站的产汽量、发电量、燃料量和给水量计算。譬如，经济效益f＝产汽量*p1+发电量*p2-燃料量*p3-给水量*p4，其中，p1为燃气的单价，p2为电的单价，p3为燃料的单价，p4为水的单价，经济效益f在不同输入参数下训练最优解。这样，可以根据不同的实时运行数据读取到历史运行数据，从而计算出相应的经济效益值，直观地对生物质电站进行评估。

当然，还可以包括步骤六：读取实时运行数据，并通过已训练完成的神经网络模型对生物质电站的运行效率进行评估。

生物质电站的运行效率可以包括发电效率，以对运行效率进行直观地评估。由此，对生物质电站的发电效率进行评估，能够指出影响发电效率的因素，从而对提高发电效率提供有效的改善手段。

根据本实施方式的用于生物质电站的数据挖掘方法，在大数据的生物质综合监控管理项目中得到了应用，譬如，可以对生物质电站的发电效率和影响因素的研究，建立神经网络模型，利用生物质电站的历史运行数据对神经网络模型进行训练，可以对在不同工况或者不同环境因素等情况下，对生物质电站进行有效评估，从而提供提高生物质电站产能的反馈控制手段。

除非另有定义，本文中所使用的技术和科学术语与本发明的技术领域的技术人员通常理解的含义相同。本文中使用的术语只是为了描述具体的实施目的，不是旨在限制本发明。本文中出现的诸如“部”、“件”等术语既可以表示单个的零件，也可以表示多个零件的组合。本文中出现的诸如“安装”、“设置”等术语既可以表示一个部件直接附接至另一个部件，也可以表示一个部件通过中间件附接至另一个部件。本文中在一个实施方式中描述的特征可以单独地或与其他特征结合地应用于另一个实施方式，除非该特征在该另一个实施方式中不适用或是另有说明。

本发明已经通过上述实施例进行了说明，但应当理解的是，上述实施例只是用于举例和说明的目的，而非意在将本发明限制于所描述的实施例范围内。此外本领域技术人员可以理解的是，本发明并不局限于上述实施例，根据本发明的教导还可以做出更多种的变型和修改，这些变型和修改均落在本发明所要求保护的范围以内。本发明的保护范围由附属的权利要求书及其等效范围所界定。