一种基于人工智能的锅炉评估方法及系统与流程

本发明涉及火力发电领域，具体涉及一种基于人工智能的锅炉评估方法及系统。

背景技术：

1、锅炉热效率是反映锅炉运行经济性的一项非常重要的技术经济指标。在电站锅炉性能鉴定、日常运行方式评价、燃烧工况调整等情况下，都需要对电站锅炉设备进行不同运行工况的热效率检测试验。按国家有关规定，新机组在投运后都要进行一系列性能测试，以考核新机组的性能。在机组大修及老机组改造前后，通常也要进行性能试验，以确定机组大修或改造后的节能效果。通过这些试验，可确定锅炉运行的经济性、查找锅炉的节能潜力、分析影响锅炉运行经济性的主要因素，为电厂改进运行管理、提高能源利用率提供科学的依据。锅炉异常运行时，常需了解掌握锅炉的各项热损失、热效率和煤耗等参数，以便及时进行燃烧调整，使锅炉保持在最佳工况下运行，获得最高的经济性。

2、目前，国内有不少电厂仍采用人工方式进行热力试验和机组性能的计算工作，这不但需要大量的人力物力，而且由于试验周期长，往往不能及时为运行管理人员提供机组当前的运行性能指标和可以改进的方向，同时对节能措施的新技术新方法也难以及时验证。这种局面既不能鼓励运行人员对机组的运行工况进行优化，也在一定程度上挫伤了挖掘设备节能潜力的积极性。即使有些电厂采用了计算机管理和计算，对锅炉热力试验和效率采用离线的方式计算，这对于实时监控、考量锅炉的日常运行情况仍将导致锅炉效率计算不及时，无法及时反映出锅炉的运行工况和热量的产生和散失。

技术实现思路

1、为解决现有技术中存在的不足，本发明的目的在于，提供一种基于人工智能的锅炉评估方法及系统。

2、本发明采用如下的技术方案：

3、本发明的第一方面提供了一种基于人工智能的锅炉评估方法，包括以下步骤：

4、步骤1，采集锅炉运行数据；

5、步骤2，对锅炉运行数据进行数据预处理，得到预处理后的数据；

6、步骤3，根据数据特征维度对预处理后的数据进行特征计算，得到特征数据；

7、步骤4，构建锅炉效率评估模型并将特征数据输入锅炉效率评估模型内进行训练；

8、步骤5，利用训练完的锅炉效率评估模型对锅炉运行进行效率评估。

9、优选地，在基于人工智能的锅炉评估方法是基于人工智能的锅炉效率预测方法的条件下，所述步骤1中的采集锅炉运行数据，具体包括：

10、根据反平衡计算相关测点，采集锅炉运行数据；

11、在基于人工智能的锅炉评估方法是基于人工智能的锅炉效率异常检测方法的条件下，所述步骤1中的采集锅炉运行数据，具体包括：

12、采集锅炉效率相关测点变量的历史数据；

13、在基于人工智能的锅炉评估方法是基于人工智能的锅炉效率运行指标异常检测方法的条件下，所述步骤1中的采集锅炉运行数据，具体包括：

14、根据反平衡计算相关测点，采集锅炉运行相关测点变量的历史数据。

15、优选地，反平衡计算的具体表达式为：

16、η＝100-(q2+q3+q4+q5+q6)

17、式中，η为锅炉效率，q2为排烟热损失，q3为化学不完全燃烧损失，q4为机械不完全燃烧损失，q5为散热损失，q6为灰渣物理热损失。

18、优先地，基于人工智能的锅炉效率预测方法的条件下，所述步骤1中的采集锅炉运行数据包括实时测点数据和人工录入测点数据，

19、实时测点数据包括空预器出口排烟含氧量、排烟温度、送风温度和主蒸汽流量测量值，

20、人工录入测点数据包括飞灰含碳量、燃料收到基水分含量全水分、空气干燥基水分、空气干燥基灰分、炉渣占燃煤总灰量的质量含量百分比、炉渣中含碳量、飞灰灰量占燃煤总灰量的质量含量百分比、燃料收到基低位发热量、空气干燥基挥发分、空气绝对湿度、锅炉额定蒸发量以及炉渣温度。

21、基于人工智能的锅炉效率异常检测方法的条件下，所述步骤1中的采集锅炉效率相关测点变量的历史数据包括包括dcs原始测点数据以及手工录入相关测点数据。

22、在基于人工智能的锅炉评估方法是基于人工智能的锅炉效率运行指标异常检测方法的条件下，所述步骤1中的采集锅炉运行相关测点变量的历史数据是根据反平衡计算相关测点，从实时数据库中按照时间间隔t采集锅炉运行相关测点变量的历史数据，包括预处理后数据和人工录入测点数据，

23、预处理后数据包括空预器出口排烟含氧量、排烟温度、送风温度和主蒸汽流量测量值，

24、人工录入测点数据包括飞灰含碳量、燃料收到基水分含量全水分、空气干燥基水分、空气干燥基灰分、炉渣占燃煤总灰量的质量含量百分比、炉渣中含碳量、飞灰灰量占燃煤总灰量的质量含量百分比、燃料收到基低位发热量、空气干燥基挥发分、空气绝对湿度、锅炉额定蒸发量、炉渣温度。

25、优选地，所述步骤2中的数据预处理包括数据清洗、数据归一化处理和数据格式处理，

26、数据清洗是对锅炉运行数据中的缺失值进行删除或插值，以及对异常值进行替补，

27、数据归一化处理是将锅炉运行数据进行归一化成统一的度量尺度，

28、数据格式处理是将锅炉运行数据处理成后续模型训练所需的格式。

29、优选地，所述步骤3包括以下步骤：

30、步骤3.1，设置数据特征维度；

31、步骤3.2设置计算步长，并根据数据特征维度对预处理后的数据进行特征计算，得到特征计算数据；

32、步骤3.3，根据与锅炉效率的相关性程度，对特征计算数据进行特征选择，得到训练数据。

33、优先地，所述步骤3.1中的数据特征维度包括六列信息，分别为id、特征名称、参数设置、特征描述和是否计算该特征。

34、优选地，在基于人工智能的锅炉评估方法是基于人工智能的锅炉效率预测方法的条件下，所述步骤4中锅炉评估模型，是基于arima算法构建的锅炉异常检测模型，用于预测锅炉效率并检测锅炉效率是否异常；

35、在基于人工智能的锅炉评估方法是基于人工智能的锅炉效率异常检测方法的条件下，所述步骤4中的锅炉评估模型是基于孤立森林算法构建的锅炉异常检测模型，用于检测锅炉是否异常。

36、在基于人工智能的锅炉评估方法是基于人工智能的锅炉效率运行指标异常检测方法的条件下，所述步骤4中的锅炉评估模型是基于gbdt算法构建的锅炉效率评估模型，用于预测锅炉效率。

37、优先地，在基于人工智能的锅炉评估方法是基于人工智能的锅炉效率预测方法的条件下，所述步骤4包括以下步骤：

38、步骤4.1，基于arima算法，构建锅炉异常检测模型；

39、步骤4.2，将特征数据输入到锅炉异常检测模型一进行训练，

40、在基于人工智能的锅炉评估方法是基于人工智能的锅炉效率异常检测方法的条件下，所述步骤4包括以下步骤：

41、步骤4.1，运用k-means聚类算法对特征数据进行聚类；

42、步骤4.2，利用孤立森林算法构建锅炉效率评估模型；

43、步骤4.3，将训练数据输入到锅炉效率评估模型进行训练，得到训练完成的锅炉效率评估模型，

44、在基于人工智能的锅炉评估方法是基于人工智能的锅炉效率运行指标异常检测方法的条件下，所述步骤4包括：

45、步骤4.1，构建锅炉效率预模型；

46、步骤4.2，将特征数据输入到锅炉效率预测模型进行训练，得到训练完成的锅炉效率预测模型。

47、优先地，在基于人工智能的锅炉评估方法是基于人工智能的锅炉效率预测方法的条件下，所述步骤4.1中的构建的锅炉异常检测模型是arima预测模型，arima预测模型包括自回归子模块ar、差分子模块和移动平均子模块ma。

48、优先地，自回归子模块ar的具体表达式为：

49、

50、yt为t时刻的值，yt-i为t-i时刻的值，μ为常数项，p为阶数，γi为自相关系数，εt为t时刻的误差。

51、优先地，移动平均子模块ma的具体表达式为：

52、

53、式中，yt为t时刻的值，μ为常数项，q为阶数，θi为自相关系数，εt为t时刻的误差，εt-i为t-i时刻的误差。

54、优先地，在基于人工智能的锅炉评估方法是基于人工智能的锅炉效率异常检测方法的条件下，所述步骤4.1包括以下步骤：

55、步骤4.1.1，设置聚类参数k；

56、步骤4.1.2，随机在训练数据集中选取k个点，作为簇质心；

57、步骤4.1.3，计算训练数据集中每个点与质心之间的欧式距离平方和，根据最近原则将其分配给距离最近的质心所对应的簇中；

58、步骤4.1.4，更新簇的质心。每个簇的质心更新为该簇所有点的平均值；

59、步骤4.1.5，判断k个聚类中心是否都不再改变，如果是则算法结束，输出聚类结果；否则，转至步骤4.1.3继续执行，直至达到算法结束条件。

60、优先地，所述步骤4.1.3中的欧式距离平方和的计算表达式为：

61、

62、式中，p是数据集中的一个数据对象；ci是某一个聚类中心点；dist(p,ci)代表p点与聚类中心点ci之间的欧式距离；e代表所有累次的欧氏距离平方和。

63、优先地，所述步骤4.1.4中的某簇所有点的平均值mi(ci)的计算表达式为：

64、

65、式中，pj为某簇中某一点的值。

66、优先地，在基于人工智能的锅炉评估方法是基于人工智能的锅炉效率异常检测方法的条件下，所述步骤4.2包括以下步骤：

67、步骤4.2.1，设定锅炉异常检测模型中的每个孤立树itree的样本数据集的大小n、孤立树itree数量m和限制高度；

68、步骤4.2.2，构建某一个孤立树itree，并从训练数据集中随机抽样出n个特征数据放入该孤立树itree的根节点中，作为该孤立树itree的样本数据集；

69、步骤4.2.3，随机选择该样本数据集中的某一个特征q，计算该样本数据集中的所有特征数据在该特征q维度中的最大值和最小值；

70、步骤4.2.4，在计算出的最大值和最小值之间随机选出一个数据p作为划分阈值；

71、步骤4.2.5，将特征值小于等于p的特征数据放到孤立树itree的左子树中，大于p的特征数据放到孤立树itree的右子树；

72、步骤4.2.6，对孤立树itree的左子树和右子树分别重复步骤4.2.3至步骤4.2.5，直到该孤立树itree中的孩子节点中的只有一个数据达到了限制高度，该孤立树itree构建完成；

73、步骤4.2.7，重复步骤4.2.2至步骤4.2.6，生成m个孤立树itree；

74、步骤4.2.8，由m个孤立树itree组合成一个孤立树林iforest，该孤立树林iforest为锅炉异常检测模型。

75、优先地，在基于人工智能的锅炉评估方法是基于人工智能的锅炉效率运行指标异常检测方法的条件下，所述步骤4中的锅炉效率评估模型包括基于gbdt算法构建的锅炉效率评估模型，用于检测锅炉效率是否异常。

76、优先地，基于gbdt算法构建的锅炉效率评估模型包括双层lstm模块、gbdt模块以及选择模块，

77、其中，双层lstm模块包括输入层、两个lstm层和输出层。

78、优先地，gbdt模块为提升树结构，具体运行过程为：

79、第一步，将前一时段的锅炉运行数据以及对应的前一时段锅炉效率输入到gbdt模块内；

80、第二步，利用gbdt模块内的第一棵回归树计算下一时段的锅炉效率，计算出预测结果t与预定阈值a进行比较，若预测结果t达到预定阈值a，则输出预测结果t，若预测结果t未达到预定阈值a，则转至第三步；

81、第三步，在残差减少的梯度方向上构建第二棵回归树，训练第二棵树回归树并计算出预测结果t与真实值的残差b1，若预测结果t+b1满足预定阈值a，则输出t+b1，若t+b1仍未满足预定阈值a，则转至第四步；

82、第四步，在残差减少的梯度方向上构建第三棵回归树，训练第三棵回归树进行计算出预测结果t与真实值的残差b2，若预测结果t+b2满足预定阈值a，则输出t+b1+b2，若预测结果t+b2不满足预定阈值a，则转至第五步；

83、第五步，以此类推，直至满足阈值，输出计算预测结果t和每一棵回归树的残差的和。

84、优先地，所述选择模块是根据对称平均绝对百分比误差对训练完成的双层lstm模块和gbdt模块进行评估，选择对称平均绝对百分比误差误差较小的模型作为锅炉效率评估模型进行预测。

85、优先地，对称平均绝对百分比误差的具体表达式为：

86、

87、式中，smape是对称平均绝对百分比误差，yi是锅炉效率真实值，是锅炉效率预测值，n是训练数据集中的训练数据个数。

88、优先地，所述选择模块是利用训练完成的双层lstm模块和gbdt模块分别进行预测，再将两个模块的预测值的进行平均运算，所得到的平均值作为锅炉效率评估模型的锅炉效率预测值。

89、优先地，在基于人工智能的锅炉评估方法是基于人工智能的锅炉效率异常检测方法的条件下，所述步骤5包括以下步骤：

90、步骤5.1，计算待测数据x在锅炉效率评估模型中每一个孤立树itree的路径高度h(x)；

91、步骤5.2，对m个路径高度h(x)进行平均，得到待测数据x在整个iforest中平均路径高度e(h(x))；

92、步骤5.3，根据平均路径高度e(h(x))计算出异常分数s(x,n)；

93、步骤5.4，根据异常分数s(x,n)与设定的异常阈值大小，判断待测数据x是否异常。

94、在基于人工智能的锅炉评估方法是基于人工智能的锅炉效率运行指标异常检测方法的条件下，所述步骤5包括以下步骤：

95、步骤5.1，将待测数据输入到训练完成的锅炉效率评估模型，得到锅炉效率预测值；

96、步骤5.2，计算锅炉效率预测值与真实值之间残差，得到真实值与预测值绝对误差，具体表达式为：

97、

98、式中，εt为t时刻锅炉效率残差值，yt为t时刻锅炉效率真实值，为t时刻锅炉效率预测值；

99、步骤5.3，利用泊松分布检测算法对锅炉效率残差进行建模，泊松分布概率函数为：

100、

101、式中，yt为t时刻锅炉效率真实值，为t时刻锅炉效率预测值；

102、步骤5.4，利用正态分布n(yt,μ,σ2)近似表示泊松分布，其中简化为：

103、

104、式中，σ为标准差；

105、步骤5.5，对与设定的阈值m比较，若大于设定的阈值m，则锅炉效率异常，若小于等于设定的阈值m，则锅炉效率正常。

106、优先地，在基于人工智能的锅炉评估方法是基于人工智能的锅炉效率异常检测方法的条件下，所述步骤5.1包括以下步骤：

107、步骤5.1.1，设定待测数据x初始高度为0，将待测数据x送入某一个itree；

108、步骤5.1.2，根据该itree的各个节点的划分特征和特征值的条件，向下寻找待测数据x，每经过一个节点，路径高度加1；

109、步骤5.1.3，找到待测数据x后，计算出待测数据x的路径高度h(x)。

110、优先地，在基于人工智能的锅炉评估方法是基于人工智能的锅炉效率异常检测方法的条件下，所述步骤5.3中的异常分数s(x,n)的计算表达式为：

111、

112、

113、h(n-1)＝ln(n-1)+ξ

114、式中，h(x)表示待测数据x在某一棵孤立树itree中的路径高度，e(h(x))表示待测数据x在整个孤立森林中的平均路径高度，c(n)表示所有孤立树的平均路径高度，h(n-1)为调和数，ζ是欧拉系数。

115、优先地，在基于人工智能的锅炉评估方法是基于人工智能的锅炉效率异常检测方法的条件下，所述步骤5.4中若异常分数s(x,n)大于等于设定的异常阈值，则判定锅炉效率异常，若异常分数s(x,n)小于设定的异常阈值，则判定锅炉效率正常。

116、本发明另一方面还提供了一种基于人工智能的锅炉效率评估系统，包括以下模块：

117、数据采集模块，用于采集锅炉运行数据；

118、数据预处理模块，用于对锅炉运行数据进行数据预处理，得到预处理后的数据；

119、特征计算模块，用于根据数据特征维度对预处理后的数据进行特征计算，得到特征数据；

120、模型训练模块，用于构建锅炉效率评估模型并将特征数据输入锅炉效率评估模型内进行训练；

121、模型评估模块，用于利用训练完的锅炉效率评估模型对锅炉运行进行效率评估。

122、本发明的有益效果在于，与现有技术相比，首先是对锅炉燃烧历史数据进行预处理和特征计算，简化额锅炉效率计算量，提高数据的准确性。其次可根据不同火力发电机组的历史数据训练相应的预测锅炉效率及异常检测模型，因此具有更好的灵活性和普适性。再次是选用泊松分布算法检测锅炉效率异常，从概率的角度对锅炉效率残差进行建模分析，使用简单的恒定阈值来精准地检测锅炉效率异常，克服了单纯使用传统机理方法对锅炉效率进行异常检测造成的模型过度简化及理想化，以及其导致的失准情况。最后模型可根据实时数据进行模型更新，保证模型对新工况的适应性。