System.ArgumentOutOfRangeException: 索引和长度必须引用该字符串内的位置。 参数名: length 在 System.String.Substring(Int32 startIndex, Int32 length) 在 zhuanliShow.Bind()
【技术实现步骤摘要】
本专利技术涉及火电机组高温受热面壁温在线预测,尤其涉及一种可适应锅炉多模态运行的高温过热器壁温预测方法。
技术介绍
1、高温受热面是电站锅炉的重要组成,其管壁超温和由此引发的爆管事故是影响火电机组经济和安全运行的痛点问题之一。在机组负荷频繁波动的过程中,炉内易发生燃烧工况恶化、积灰腐蚀严重、汽水循环停滞等问题,进一步加剧了管壁超温的频率和出现爆管事故的可能。因此,采用科学合理的研究方法对高温受热面壁温开展准确预测工作,对保障锅炉高温受热面的安全运行具有重要意义。
2、近年来随着计算机技术的快速发展,借助数据驱动方法在工业领域开展相关预测工作已成为研究热门,该方法从现场的历史数据库中挖掘主要变量之间的关键信息,因此模型的预测精度与数据样本的完备程度紧密相关。火电机组内部各设备运行环境恶劣,通过传感器存储的历史数据样本受强噪声、数据缺失等问题的存在,包含的关键信息有限,如果直接通过传统的数据驱动方法建模,则预测精度较难满足预期需求。同时,受锅炉多模态运行工况的影响,模型的训练样本与实测样本存在大量偏差,原始的预测模型在应用层面存在适配性弱的问题。因此,如何有效规避上述问题,保证模型预测精度持续满足实际运行需求,成为目前亟需解决的难题之一。
技术实现思路
1、专利技术目的:本专利技术的目的是提供了一种可适应锅炉多模态运行的高温过热器壁温预测方法,解决利用固定历史数据得到的壁温预测模型在锅炉多模态运行过程中可能出现预测精度不足的问题。
2、技术方案:本专利技术所述的
3、(1)对历史数据dh进行数据预处理,通过灰色关联度分析获得影响壁温的关键变量作为输入;
4、(2)利用双向长短期记忆神经网络预测某一时段ts壁温;其中,某一段时间长度可依据需求设定,本专利取10分钟;
5、(3)搭建有效性验证数据库dp存储实际历史数据,搭建预测数据库dm存储预测数据;
6、(4)构建衡量模型预测精度的指标h(e),通过有效性验证数据集确定指标阈值hlim,制定预测模型的自适应更新策略;若时段ts内指标h(e)超过阈值hlim,则采用模型迁移方法对预测模型进行快速更新,反之则不更新,直接进入下一时段ts+1的预测;
7、进一步的,所述步骤(1)中,对历史数据dh进行数据预处理包括:数据填补、数据清洗和去除野点。
8、进一步的,所述步骤(3)具体如下:
9、
10、
11、其中:dp为模型有效性验证数据库;dm为预测数据库。
12、进一步的,所述步骤(4)中,构建衡量模型预测精度的指标h(e),通过有效性验证数据集确定指标阈值hlim,制定预测模型的自适应更新策略,具体如下:
13、
14、其中:xi为实际运行数据;为预测数据;ei为相对预测误差;
15、emax={e1,e2,…,et}max
16、其中:emax为最大相对预测误差;
17、
18、其中:h(e)为相对误差熵;
19、
20、其中:为某时段内实际数据的平均值;
21、
22、其中:es为平均值的合理相对误差;δe为最大允许的绝对误差,可根据实际运行情况选择合适值;
23、
24、其中:hlim为指标阈值。
25、进一步的,所述步骤(4)中判断时段ts内的指标h(e)是否超过阈值hlim,若超过则将效性验证数据dp补充至历史数据dh,采用模型迁移方法对预测模型进行快速更新,反之则跳过更新进入下一时段ts+1的预测,包括:
26、d′h={dp,dh}
27、其中,d′h为新的历史数据集;
28、y h(f(x),φ)
29、其中,φ为梯度下降法更新参数。
30、本专利技术所述的一种可适应锅炉多模态运行的高温过热器壁温预测系统,包括:
31、预处理模块:用于对历史数据dh进行数据预处理,通过灰色关联度分析获得影响壁温的关键变量作为输入;
32、预测壁温模块:用于利用双向长短期记忆神经网络预测某一时段ts壁温;其中,某一段时间长度可依据需求设定,本专利取10分钟;
33、搭建模块:用于搭建有效性验证数据库dp存储实际历史数据,搭建预测数据库dm存储预测数据;
34、自适应更新模块:用于构建衡量模型预测精度的指标h(e),通过有效性验证数据集确定指标阈值hlim,制定预测模型的自适应更新策略;若时段ts内指标h9e)超过阈值hlim,则采用模型迁移方法对预测模型进行快速更新,反之则不更新,直接进入下一时段ts+1的预测;
35、进一步的,所述预处理中,对历史数据dh进行数据预处理包括:数据填补、数据清洗和去除野点。
36、进一步的,搭建模块中,具体如下:
37、
38、
39、其中:dp为模型有效性验证数据库;dm为预测数据库。
40、进一步的,所述自适应更新模块中,构建衡量模型预测精度的指标h(e),通过有效性验证数据集确定指标阈值hlim,制定预测模型的自适应更新策略,具体如下:
41、
42、其中:xi为实际运行数据;为预测数据;ei为相对预测误差;
43、emax={e1,e2,…,et}max
44、其中:emax为最大相对预测误差;
45、
46、其中:h9e)为相对误差熵;
47、
48、其中:为某时段内实际数据的平均值;
49、
50、其中:es为平均值的合理相对误差;δe为最大允许的绝对误差,可根据实际运行情况选择合适值;
51、
52、其中:hlim为指标阈值。
53、进一步的,所述自适应更新模块中判断时段ts内的指标h(e)是否超过阈值hlim,若超过则将效性验证数据dp补充至历史数据dh,采用模型迁移方法对预测模型进行快速更新,反之则跳过更新进入下一时段ts+1的预测,包括:
54、d′h={dp,dh}
55、其中,d′h为新的历史数据集;
56、y=h(f(x),φ)
57、其中,φ为梯度下降法更新参数。
58、有益效果:与现有技术相比,本专利技术具有如下显著优点:借助双向长短期记忆神经网络建模的基础上引入模型自适应更新机制,通过模型迁移方法对预测模型进行快速更新,保障了模型的预测精度,较好的满足现场运行需求。
本文档来自技高网...【技术保护点】
1.一种可适应锅炉多模态运行的高温过热器壁温预测方法,其特征在于,包括以下步骤:
2.根据权利要求1所述的一种可适应锅炉多模态运行的高温过热器壁温预测方法,其特征在于,所述步骤(1)中,对历史数据Dh进行数据预处理包括:数据填补、数据清洗和去除野点。
3.根据权利要求1所述的一种可适应锅炉多模态运行的高温过热器壁温预测方法,其特征在于,所述步骤(3)具体如下:
4.根据权利要求1所述的一种可适应锅炉多模态运行的高温过热器壁温预测方法,其特征在于,所述步骤(4)中,构建衡量模型预测精度的指标h(e),通过有效性验证数据集确定指标阈值hlim,制定预测模型的自适应更新策略,具体如下:
5.根据权利要求1所述的一种可适应锅炉多模态运行的高温过热器壁温预测方法,其特征在于,所述步骤(4)中判断时段Ts内的指标h(e)是否超过阈值hlim,若超过则将效性验证数据Dp补充至历史数据Dh,采用模型迁移方法对预测模型进行快速更新,反之则跳过更新进入下一时段Ts+1的预测,包括:
6.一种可适应锅炉多模态运行的高温过热器壁温预测系统,其特
7.根据权利要求6所述的一种可适应锅炉多模态运行的高温过热器壁温预测系统,其特征在于,所述预处理中,对历史数据Dh进行数据预处理包括:数据填补、数据清洗和去除野点。
8.根据权利要求6所述的一种可适应锅炉多模态运行的高温过热器壁温预测系统,其特征在于,搭建模块中,具体如下:
9.根据权利要求6所述的一种可适应锅炉多模态运行的高温过热器壁温预测系统,其特征在于,所述自适应更新模块中,构建衡量模型预测精度的指标h(e),通过有效性验证数据集确定指标阈值hlim,制定预测模型的自适应更新策略,具体如下:
10.根据权利要求6所述的一种可适应锅炉多模态运行的高温过热器壁温预测系统,其特征在于,所述自适应更新模块中判断时段Ts内的指标h(e)是否超过阈值hlim,若超过则将效性验证数据Dp补充至历史数据Dh,采用模型迁移方法对预测模型进行快速更新,反之则跳过更新进入下一时段Ts+1的预测,包括:
...【技术特征摘要】
1.一种可适应锅炉多模态运行的高温过热器壁温预测方法,其特征在于,包括以下步骤:
2.根据权利要求1所述的一种可适应锅炉多模态运行的高温过热器壁温预测方法,其特征在于,所述步骤(1)中,对历史数据dh进行数据预处理包括:数据填补、数据清洗和去除野点。
3.根据权利要求1所述的一种可适应锅炉多模态运行的高温过热器壁温预测方法,其特征在于,所述步骤(3)具体如下:
4.根据权利要求1所述的一种可适应锅炉多模态运行的高温过热器壁温预测方法,其特征在于,所述步骤(4)中,构建衡量模型预测精度的指标h(e),通过有效性验证数据集确定指标阈值hlim,制定预测模型的自适应更新策略,具体如下:
5.根据权利要求1所述的一种可适应锅炉多模态运行的高温过热器壁温预测方法,其特征在于,所述步骤(4)中判断时段ts内的指标h(e)是否超过阈值hlim,若超过则将效性验证数据dp补充至历史数据dh,采用模型迁移方法对预测模型进行快速更新,反之则跳过更新进入下一时段ts+1的预测,包括:
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。