空预器堵灰实时动态定量标定方法技术

空预器堵灰实时动态定量标定方法，涉及空预器运行情况监测方法，尤其涉及数据清洗和支持向量机建模的空预器堵灰程度识别，属于机器学习建模领域。本发明专利技术经由数据输入接口获得各种运行工况下对应的数据；采用压缩近邻法，剔除信息重复度较大的样本，对样本进行约简；得到清洗后的输出样本为D。构建支持向量机模型：得到标准空预器烟压差模型；更新堵灰基准模型；步骤五：计算堵灰指数：依照实际情况，设定e的限值对应清洁、预警和报警不同情况，为现场运行和检修人员提供指导意见。本发明专利技术实现了既保留样本的特征完整性又剔除了重复信息，实现堵灰状态的实时定量监测，对空预器堵灰程度进行有效监测诊断与量化标定的目的。

Real-time dynamic quantitative calibration method for ash plugging of air preheater

The real-time dynamic quantitative calibration method of air preheater ash plugging involves the monitoring method of air preheater operation, especially data cleaning and recognition of air preheater ash plugging degree based on support vector machine modeling, which belongs to the field of machine learning modeling. The method obtains the corresponding data under various operating conditions through the data input interface, uses the compression nearest neighbor method, eliminates the samples with large information repeatability, and reduces the samples, and obtains the output sample after cleaning as D. Support Vector Machine (SVM) model is constructed: the smoke pressure difference model of standard air preheater is obtained; the basic model of ash plugging is updated; step 5: calculating the ash plugging index: according to the actual situation, setting the limit of e corresponds to different situations of cleaning, early warning and alarm, providing guidance for field operation and maintenance personnel. The invention realizes the purpose of retaining the characteristic integrity of samples and eliminating duplicate information, realizing real-time quantitative monitoring of ash blocking status, effectively monitoring, diagnosis and quantitative calibration of ash blocking degree of air preheater.

【技术实现步骤摘要】
空预器堵灰实时动态定量标定方法
本专利技术涉及一种空预器运行情况监测方法，尤其涉及数据清洗和支持向量机建模的空预器堵灰程度识别，属于机器学习建模领域。
技术介绍
随着科技的发展，研究的数据集常常具有高维和海量的特点。这对现有算法进行数据挖掘和数据建模提出了挑战，若直接利用它们处理高维海量的数据，则往往由于计算时间和硬件设备等客观条件的限制导致在实际中难以得到预想的效果。针对高维问题，常采用特征提取与选择实现维数约减；对于样本数量大的问题，常采用数据清洗的手段。为了消除样本中的冗余信息，许多学者围绕样本约减选择问题一直进行着不懈的研究和探讨。基于考虑角度的不同，发展出了不同的选择策略。支持向量机(SupportVectorMachine，SVM)由CorinnaCortes和Vapnik等于1995年首先提出，它在解决小样本、非线性及高维模式识别中表现出许多特有的优势，并能够推广应用到函数拟合等其他机器学习问题中。数据建模中。训练样本的好坏至关重要，约简训练样本进行能有效改善达到改善支持向量机建模性能。电站空气预热器运行状况的好坏，影响到机组的安全和经济运行，空预器堵灰不仅影响锅炉运行的安全性，使锅炉效率显著降低，使风机单耗明显增加，排烟温度升高，严重时会导致脱硫系统入口烟气温度过高，引起脱硫系统因出口烟气温度高引发MFT动作，甚至使吸收塔内部防腐层破坏，因此有效监测和制止空预器堵灰显得非常重要。近年来，不少学者也已从不同的角度研究了空预器堵灰预防和制止的问题，并取得了一定成果。但是对于空预器堵灰程度的实时监测诊断和量化标定研究较少，还需要针开展进一步的研究工作。
技术实现思路
本专利技术目的是提供一种既保留样本的特征完整性又剔除了重复信息，实现堵灰状态的实时定量监测，对空预器堵灰程度进行有效监测诊断与量化标定，为电厂监测信息系统高级功能模块提供可参考模型的空预器堵灰实时动态定量标定方法。一种空预器堵灰实时动态定量标定方法，包括如下步骤：空预器堵灰实时动态定量标定方法，其特征在于包括如下步骤：步骤一：经由数据输入接口获得各种锅炉运行工况下对应的负荷Pe、氧量O2、炉膛出口至空预器前两烟气压力值(P1，P2)，空预器进出口烟气压力(P3，P4)的时间序列数据样本，并计算两压差值ΔP12＝P1-P2,ΔP34＝P3-P4；步骤二：采用CNN方法剔除信息重复度较大的样本，对样本进行约简；信息的相似度以样本间的欧氏距离||xj-xi||作为评定的依据；将空预器刚清洗后的样本集x＝{x1,x2,…xn}，xi＝{Pe,O2,ΔP12,ΔP34}作为压缩近邻法的输入量；经过压缩近邻法后得到清洗后的输出样本D；步骤三：构建支持向量机模型：以步骤二的输出样本D中{Pe,O2,ΔP12}作为支持向量机模型的输入样本，{ΔP34}作为训练模型的输出样本，得到标准空预器烟压差模型；依照时间序列依次采样新样本{Pe,O2,ΔP12,ΔP34}new，模型输出的空预器进出口烟气压差{ΔP34}model，样本烟压差和模型烟压差的差异值Δ(ΔP34)＝(ΔP34new-ΔP34model)/ΔP34new量化新样本对应当前工况的空预器堵灰程度，Δ(ΔP34)越大表明堵灰越严重；步骤四：计算堵灰指数：堵灰程度加重后，模型输出出现大波动不稳定，继而差异值Δ(ΔP34)反映的堵灰程度可能出现偏差。因此，上述标准空预器烟压差模型需实时更新，当Δ(ΔP34)连续m次出现大于0.2时，更新堵灰基准模型，转入步骤二，并记录模型更新次数count，原始为1，更新一次记为2，依此类推；步骤五：定义第i个样本的堵灰指数e的计算公式：依照实际情况，设定e的限值对应清洁、预警和报警不同情况，为现场运行和检修人员提供指导意见。本专利技术的压缩近邻法包括如下步骤：本专利技术采用上述技术方案，与现有技术相比具有如下优点：1、对空气预热器样本数据运用压缩近邻法清洗重复数据，该方法作为数据预处理的一种手段，既保留样本的特征完整性又剔除了重复信息。2、利用压缩近邻与支持向量机的结合方法，并适时更新量化堵灰程度的模型，可以实时动态获得堵灰程度的标定值，从而实现堵灰状态的实时定量监测。3、更及时准确地反映空预器运行性能，可防止空预器堵灰严重引起的锅炉运行性能降低，也为锅炉性能优化和状态监测提供了新的思路和方法。4、为电厂监测信息系统高级功能模块(如空预器运行优化、状态监测与故障诊断等)提供可参考模型。附图说明：图1本专利技术的流程图。图2是CNN算法的流程图。具体实施方式：下面结合附图对本专利技术的技术方案进行详细说明：如图1所示，空预器堵灰实时动态定量标定方法，包括如下步骤：步骤一：经由数据输入接口获得各种运行工况下对应的负荷Pe、氧量O2、炉膛出口至空预器前两烟气压力值(P1，P2)，空预器进出口烟气压力(P3，P4)的时间序列数据样本，并计算两压差值ΔP12＝P1-P2,ΔP34＝P3-P4。步骤二：采用压缩近邻法，剔除信息重复度较大的样本，对样本进行约简：信息的相似度以样本间的欧氏距离||xj-xi||作为评定的依据。将空预器刚清洗后的样本集x＝{x1,x2,…xn}，xi＝{Pe,O2,ΔP12,ΔP34}作为压缩近邻法的输入量。压缩近邻法利用原有样本集T，逐渐生成一个新的样本子集D，使D在减少了样本数量的条件下，仍能对T中的每个样本用最近邻法正确分类.当T中的某个样本不能被D正确分类时，就被加入到D中，直到某次循环完成时D不发生任何变化为止。压缩近邻法算法流程图如图2所示，清洗后的输出样本为D。步骤三：构建支持向量机模型：以步骤二的输出样本D中{Pe,O2,ΔP12}作为支持向量机模型的输入样本，{ΔP34}作为训练模型的输出样本，得到标准空预器烟压差模型；依照时间序列依次采样新样本{Pe,O2,ΔP12,ΔP34}new，模型输出烟压差{ΔP34}model，样本烟压差和模型烟压差的差异值(Δ(ΔP34)＝(ΔP34new-ΔP34model)/ΔP34new)表明新样本对应当前工况的空预器堵灰程度，Δ(ΔP34)越大则表明堵灰越严重。步骤四：更新堵灰基准模型：堵灰程度加重后，模型输出出现大波动不稳定，继而差异值Δ(ΔP34)反映的堵灰程度可能出现偏差。因此，上述标准空预器烟压差模型需实时更新，当Δ(ΔP34)连续m次出现大于0.2时，更新堵灰基准模型，转入步骤(2)，并记录模型更新次数count(原始为1，更新一次记为2，依此类推)。步骤五：计算堵灰指数：定义第i个样本的堵灰指数e的计算公式：依照实际情况，设定e的限值对应清洁、预警和报警不同情况，为现场运行和检修人员提供指导意见。本专利技术的压缩近邻法包括如下步骤：步骤21、以时间序列样本集x＝{x1,x2,…xn}，其中xi＝{Pe,O2,ΔP12,ΔP34}为初始输入量；步骤22、定位第一个样本x1，记作D，样本集更新为x＝x-x1；步骤23、计算第i个样本xi与更新后的样本集x、样本集D中各样本的欧氏距离,i＝2,3，...,n；步骤24、定位与xi欧式距离最小的样本s，并判断s与D的关系，若则转入步骤24.1，否则转入步骤24.2；步骤24.1、样本集D不变，原始样本集再次更新x＝x-xi,x若为φ，输出样本D；本文档来自技高网...

【技术保护点】
1.空预器堵灰实时动态定量标定方法，其特征在于包括如下步骤：步骤一：经由数据输入接口获得各种锅炉运行工况下对应的负荷Pe、氧量O2、炉膛出口至空预器前两烟气压力值(P1，P2)，空预器进出口烟气压力(P3，P4)的时间序列数据样本，并计算两压差值ΔP12＝P1‑P2,ΔP34＝P3‑P4；步骤二：采用CNN方法剔除信息重复度较大的样本，对样本进行约简；信息的相似度以样本间的欧氏距离||xj‑xi||作为评定的依据；将空预器刚清洗后的样本集x＝{x1,x2,…xn}，xi＝{Pe,O2,ΔP12,ΔP34}作为压缩近邻法的输入量；经过压缩近邻法后得到清洗后的输出样本D；步骤三：以步骤二的输出样本D中{Pe,O2,ΔP12}作为支持向量机模型的输入样本，{ΔP34}作为训练模型的输出样本，得到标准空预器烟压差模型；依照时间序列依次采样新样本{Pe,O2,ΔP12,ΔP34}new，模型输出的空预器进出口烟气压差{ΔP34}model，样本烟压差和模型烟压差的差异值Δ(ΔP34)＝(ΔP34new‑ΔP34model)/ΔP34new量化新样本对应当前工况的空预器堵灰程度，Δ(ΔP34)越大表明堵灰越严重；步骤四：堵灰程度加重后，模型输出出现大波动不稳定，继而差异值Δ(ΔP34)反映的堵灰程度可能出现偏差。因此，上述标准空预器烟压差模型需实时更新，当Δ(ΔP34)连续m次出现大于0.2时，更新堵灰基准模型，转入步骤二，并记录模型更新次数count，原始为1，更新一次记为2，依此类推；步骤五：定义第i个样本的堵灰指数e的计算公式：...

【技术特征摘要】
1.空预器堵灰实时动态定量标定方法，其特征在于包括如下步骤：步骤一：经由数据输入接口获得各种锅炉运行工况下对应的负荷Pe、氧量O2、炉膛出口至空预器前两烟气压力值(P1，P2)，空预器进出口烟气压力(P3，P4)的时间序列数据样本，并计算两压差值ΔP12＝P1-P2,ΔP34＝P3-P4；步骤二：采用CNN方法剔除信息重复度较大的样本，对样本进行约简；信息的相似度以样本间的欧氏距离||xj-xi||作为评定的依据；将空预器刚清洗后的样本集x＝{x1,x2,…xn}，xi＝{Pe,O2,ΔP12,ΔP34}作为压缩近邻法的输入量；经过压缩近邻法后得到清洗后的输出样本D；步骤三：以步骤二的输出样本D中{Pe,O2,ΔP12}作为支持向量机模型的输入样本，{ΔP34}作为训练模型的输出样本，得到标准空预器烟压差模型；依照时间序列依次采样新样本{Pe,O2,ΔP12,ΔP34}new，模型输出的空预器进出口烟气压差{ΔP34}model，样本烟压差和模型烟压差的差异值Δ(ΔP34)＝(ΔP34new-ΔP34model)/ΔP34new量化新样本对应当前工况的空预器堵灰程度，Δ(ΔP34)越大表明堵灰越严重；步骤四：堵灰程度加重后，模型输出出现大波动不稳定，继而差异值Δ(Δ...

【专利技术属性】
技术研发人员：顾慧，崔晓波，李荣，施建中，
申请(专利权)人：南京工程学院，
类型：发明
国别省市：江苏,32