[发明专利]空气预热器转子热变形量的软测量深度学习方法

说明书

空气预热器转子热变形量的软测量深度学习方法，包括以下步骤：根据现场数据利用灰色关联度分析法设置与转子热变形密切相关的辅助变量；建立测量转子热变形量的深度置信网络模型；对软测量模型得到的预测数据和原始数据进行分析，确定深度置信网络所有的网络权值以及隐含层节点数和层数；采用BP神经网络微调模型参数，并结合共轭梯度线性搜索寻优法，得到深度置信网络软测量模型参数的最优估计值，本发明解决了现有技术中存在的测量转子热变形量建模不准确，过程变量中无标签数据没有利用，采用机理建模得到的模型误差较大，选择的输入和输出之间线性相关性不强，参数辨识精度不高的问题。

技术领域

本发明属于火电站热工自动化领域，具体涉及空气预热器转子热变形量的软测量深度学习方法。

背景技术

回转式空气预热器是大型电站锅炉的主要辅机之一，其利用电站锅炉的排烟余热加热空气，使锅炉燃烧和制粉系统需要的空气温度得到提高，从而提高燃烧效率、保证锅炉出力的目的，同时兼有降低排烟温度、减少厂用电消耗的功能。在工程实际中，回转式空气预热器由于自身工作原理和结构的原因会导致其受热变形，从而造成大量预热过的空气泄露，造成巨大的能源浪费和经济损失，严重时会造成设备损毁，甚至会迫使机组降负荷运行。所以目前对于漏风进行控制的难点在于如何得到准确的转子热变形量。

测得转子热变形量能够使回转式空气预热器漏风得到很好的控制，通过自动调节装置使漏风量最小，从而提高机组的运行效率和经济效益，并且能够使机组安全稳定运行。因此，以转子热变形量为研究对象，建立软测量模型，对于锅炉机组的运行效率和安全研究意义重大。

发明内容

为克服上述现有技术的不足，本发明的目的是提供空气预热器转子热变形量的软测量深度学习方法，用于测量回转式空气预热器转子热变形量的软测量深度学习，解决了现有技术中存在的测量转子热变形量建模不准确，过程变量中无标签数据没有利用，采用机理建模得到的模型误差较大，选择的输入和输出之间线性相关性不强，参数辨识精度不高的问题。

为实现上述目的，本发明采用的技术方案是：空气预热器转子热变形量的软测量深度学习方法，包括以下步骤：

步骤1，对回转式空气预热器运行过程得到的现场数据进行分析，然后利用灰色关联度分析法，设置与转子热变形密切相关的辅助变量；

步骤2，建立测量转子热变形量的深度置信网络模型；

步骤3，用预测数据和原始数据对步骤2建立的深度置信网络模型进行分析，以此确定深度置信网络所有的网络权值以及隐含层节点数和层数；

步骤4，采用BP神经网络微调模型参数，并结合共轭梯度线性搜索寻优法，得到深度置信网络软测量模型参数的最优估计值。

步骤1所述的设置与转子热变形密切相关的辅助变量，其具体步骤为：

步骤1.1，假设某个辅助变量序列为x₁,…,x_n，其算术平均值和标准偏差分别表示为t和δ：

其中，i为变量值序列编号；x_i为第i个变量值；n为变量个数；t为算术平均值；δ为标准偏差；

步骤1.2，样本数据归一化后可表示为

其中，x_jmax为第j变量中样本数据的最大值；x_jmin为第j变量中样本数据的最小值；x_ij为第j变量样本中第i个数据对应处理前的数据，即待归一化的值；第j变量样本中第i个数据对应处理后的数据，即归一化后的值；

步骤1.3，初始变量集合可用X_i表示，输出变量表示为Y：