[发明专利]一种基于大数据的余热锅炉节能潜力分析方法

权利要求书

1.一种基于大数据的余热锅炉节能潜力分析方法，通过Hadoop大数据分析平台实现，所述Hadoop大数据分析平台包括数据层、业务层和表示层，其特征在于，所述方法包括下列步骤：

1)数据层对余热锅炉数据进行采集和存储，

2)业务层从存储的余热锅炉数据中选取锅炉主蒸汽流量作为输出，影响参数作为输入，构建三层BP神经网络模型，所述影响参数包括锅炉主蒸汽温度、主蒸汽压力、汽包水位、给水流量、给水温度、入口烟气温度和出口烟气温度，

3)业务层确定三层BP神经网络模型的训练样本和检验样本，训练三层BP神经网络，得到余热锅炉的工艺参数模型，

4)业务层以提高锅炉主蒸汽流量为目标，利用遗传算法寻优对工艺参数模型的工艺参数进行优化，得到余热锅炉最优的工艺参数组合，

5)业务层根据得到的余热锅炉最优的工艺参数组合，计算对应的年节约吨标煤并得到余热锅炉的节能率，并通过表示层进行展示；

所述利用遗传算法寻优对工艺参数模型的工艺参数进行优化具体为：以三层BP神经网络训练得到的余热锅炉的工艺参数模型作为个体适应度，通过选择、交叉和变异操作寻找全局最优的锅炉主蒸汽流量和影响参数，作为余热锅炉最优的工艺参数组合。

2.根据权利要求1所述的基于大数据的余热锅炉节能潜力分析方法，其特征在于，所述步骤1)具体为：

11)Hadoop大数据分析平台的数据层对余热锅炉数据进行采集；

12)通过ETL对余热锅炉数据进行预处理；

13)将预处理后的余热锅炉数据保存在Hadoop大数据分析平台的数据层的HDFS分布式文件系统上。

3.根据权利要求2所述的基于大数据的余热锅炉节能潜力分析方法，其特征在于，所述对余热锅炉数据进行预处理具体为对余热锅炉数据的空值、错误值和重复值进行数据清洗。

4.根据权利要求1所述的基于大数据的余热锅炉节能潜力分析方法，其特征在于，所述三层BP神经网络模型具体为多输入、单输出的单隐含层神经网络，包括输入层x、隐含层h和输出层y。

5.根据权利要求4所述的基于大数据的余热锅炉节能潜力分析方法，其特征在于，所述隐含层的单元个数s与输入层的单元个数n的关系具体为：

s＝2n+1。

6.根据权利要求4所述的基于大数据的余热锅炉节能潜力分析方法，其特征在于，所述训练三层BP神经网络具体为：

31)为三层BP神经网络赋一组随机初始权值，所述随机初始权值在(-1，1)之间；

32)计算赋值后的三层BP神经网络的输出值，具体为：

其中，X_i为输入层第i个节点的输出值，H_j为隐含层第j个节点的输出值，Y_k为输出层第k个节点的输出值，W_ij为输入层第i个节点到隐含层第j个节点的权值，W_jk为隐含层第j个节点到输出层第k个节点的权值，θ_j为隐含层第j个节点的内部阈值，θ_k为输出层第k个节点的内部阈值；

33)根据步骤32)得到的三层BP神经网络的输出值，反向调整三层BP神经网络的权值和阈值，具体为：

W_jk+ηδ_kH_j→W_jk,W_ij+ηδ_jX_j→W_jk

其中，η为步长，δ_k为第k个节点的误差，δ_j为第j个节点的误差，d_k为第k个节点的期望输出。

7.根据权利要求1所述的基于大数据的余热锅炉节能潜力分析方法，其特征在于，所述三层BP神经网络模型的训练样本和检验样本具体为：以余热锅炉数据的90％作为训练样本，以余热锅炉数据的10％作为检验样本。

8.根据权利要求1所述的基于大数据的余热锅炉节能潜力分析方法，其特征在于，所述余热锅炉的节能率具体为：

T＝0.103×S

其中，T为年节约吨标煤，S为年产蒸汽量，λ为节能率，T_i为优化前的年节约吨标煤，T_j为优化后的年节约吨标煤。