[发明专利]一种基于机器学习的工业蒸汽量预测方法及装置

权利要求书

1.一种基于机器学习的工业蒸汽量预测方法，其特征在于,该预测方法基于锅炉传感器采集的历史工况数据和实际排放的蒸汽量，首先通过时间序列分解历史工况数据，获得历史工况数据的内在趋势和周期信息两项特征数据，随后利用LSTM算法学习历史工况数据的内在趋势和周期信息，再借助与历史工况数据相对应的实际排放量训练构建LSTM算法预测模型，最后，锅炉传感器新采集的工况数据经过时间序列分解后输入LSTM算法预测模型，即可输出锅炉的预测蒸汽量。

2.根据权利要求1所述的一种基于机器学习的工业蒸汽量预测方法，其特征在于，所述锅炉传感器所采集的工况数据包括：

燃烧给量、一次给风量、二次给风量、引风量、反料风量；

给水水量、补水温度、补水流量、蒸汽焓、凝结水流量；

锅炉床温、锅炉床压、锅炉的炉膛温度、锅炉的炉膛内压力；

过热器的温度。

3.根据权利要求1所述的一种基于机器学习的工业蒸汽量预测方法，其特征在于所述锅炉具有多个传感器，多个传感器采集锅炉不同位置的数据；

根据锅炉的实际工作状态，每个传感器采集的工况数据都是规整的时间序列数据。

4.根据权利要求3所述的一种基于机器学习的工业蒸汽量预测方法，其特征在于，通过时间序列分解工况数据的具体实现过程包括：

1)按照传感器是否所属同一个锅炉来整理锅炉传感器所采集的工况数据，将所有传感器采集的工况数据在时间上进行一一对应；

2)对所属同一个锅炉的所有传感器采集的工况数据进行时间序列分解，分解后得到多个周期，在10-30个周期范围内进行grid search来选取一个最佳参数，利用最佳参数修正一个周期范围内工况数据的内在趋势和周期信息两项特征数据。

5.根据权利要求4所述的一种基于机器学习的工业蒸汽量预测方法，其特征在于，在步骤2)中，对所属同一个锅炉的所有传感器采集的工况数据进行时间序列分解的具体过程包括：

2-1)利用python中statsmodels.tsa.seasonal包下的seasonal_decompose函数对采集的工况数据进行分解，分解后的一个时间序列看做一个周期；

2-2)参数设置为model＝‘additive’，freq＝14，extrapolate_trend＝1，随后，每个周期的工况数据被分解生成内在趋势、周期信息、余项信息三部分；

2-3)丢弃余项信息，保留内在趋势和周期信息，并将其合并于分解后所属周期的工况数据中；

2-4)根据周期参数freq的选取值，利用grid search函数对10-30周期范围内的取值进行实验，并选取最佳参数，利用最佳参数修正一个周期范围内工况数据的内在趋势和周期信息两项特征数据。

6.根据权利要求5所述的一种基于机器学习的工业蒸汽量预测方法，其特征在于，利用LSTM算法学习历史工况数据的内在趋势和周期信息，再借助与历史工况数据相对应的实际排放量训练构建LSTM算法预测模型，具体实现步骤包括：

1)利用python中的LSTM框架进行学习训练；

2)利用sklearn.grid_search下的GridSearchCV函数对LSTM算法的学习过程进行调参，可调节的关键参数包括learning_rate，units和激活函数；

3)根据调参后的结果选取最优参数；

4)基于最优参数，利用历史工况数据时间序列分解后得到的内在趋势和周期信息、以及与历史工况数据相对应的实际排放量，构建LSTM算法预测模型。