[发明专利]一种基于决策树和蚁群算法的电厂锅炉效率优化方法

说明书

本发明公开了一种基于决策树和蚁群算法的电厂锅炉效率优化方法。本发明针对已有的锅炉效率回归模型往往输入参数很多但回归效果提升不大，且过多的参数大大增加计算负担，提出置换重要性方法对参数进行排序，选取对锅炉效率的影响相对较大的重要参数进行锅炉效率建模。针对锅炉效率建模和操作参数寻优大多停留在理论阶段，对实际工况中的参数调整幅度、前后调整行为的一致性未曾考虑，本发明提出在蚁群算法的适应度函数中增加操作参数的惯性调节部分和偏置调节部分。由此，本发明能够高效地根据锅炉的实时机组运行参数，实现电厂锅炉操作参数的优化，保证锅炉效率始终处于最佳水平。

技术领域

本发明涉及电厂锅炉效率提高领域，尤其涉及一种基于决策树和蚁群算法的电厂锅炉效率优化方法。

背景技术

近十年来，尽管核能、潮汐能、风能、太阳能等新能源的发电量呈现不断提高的趋势，但目前我国火电装机容量仍占电力总装机容量的一半以上。锅炉是火力发电不可或缺的大型装备之一，具有复杂性和系统性，占据发电过程中相当可观的用煤量。燃煤锅炉在实际运行时，如果效率低于设计值，不仅降低生产效率，而且影响锅炉的安全运行。因此如何提高锅炉效率，降低发电成本，一直是专家学者们的重点关注问题之一。随着人工智能技术的发展，有研究学者分别采用自适应最小二乘向量机、广义回归神经网络、数据挖掘算法等对锅炉进行建模。然后，将遗传算法、信息分析和蚁群优化等优化方法相结合，进行优化操作参数的搜索，得到最优操作参数控制值。但是以上方法往往由于锅炉参数众多，导致模型复杂且精度较低，优化迭代计算过程中收敛速度过慢，不易对实时工况的燃烧过程进行指导。此外，人工智能技术对锅炉建模和操作参数寻优大多停留在理论阶段，对实际工况中的参数调整幅度、前后调整行为的一致性未曾考虑。

发明内容

为了克服现有的结合回归模型和优化算法对锅炉效率优化的精度低、速度慢、实用性较差的不足，本发明提供了一种基于决策树和蚁群算法的电厂锅炉效率优化方法。

为了解决上述技术问题提供的技术方案为：

一种基于决策树和蚁群算法的电厂锅炉效率优化方法，其包括如下步骤：

S1、采集与电厂中的锅炉效率有关的机组运行参数和操作参数的历史数据，并创建训练数据集，对训练数据集数据进行预处理；

S2、利用回归决策树判断所述训练数据集中的每个参数对锅炉效率的重要度并按照重要度对参数进行排序，选取排序靠前的若干参数作为参数集合，并以参数集合作为输入参数重新优化回归决策树的超参数；

S3、基于优化得到的回归决策树改进蚁群优化算法的框架及核心算子，得到用于优化锅炉效率的蚁群优化算法；

S4、将所述参数集合中所有机组运行参数的当前参数值作为蚁群优化算法的输入，由蚁群优化算法对所述参数集合中所有操作参数进行寻优，输出使锅炉效率最高的操作参数值，用于对电厂锅炉进行效率优化。

作为优选，所述步骤S1具体包括以下步骤：

S101、针对根据锅炉运行机理和专家经验确定的与锅炉效率相关的机组运行参数和操作参数，从电厂锅炉的实际运行过程中采集每个机组运行参数和操作参数的历史数据；所述的机组运行参数为机组运行中不可人为调节的参数，操作参数为机组运行中可人为调节的参数；

S102、对S101中采集的历史数据进行异常值剔除，并对采集的机组运行参数值和操作参数值进行归一化，得到训练数据集。

进一步的，在步骤S102中，所述归一化采用标准的离差标准化方法。

作为优选，所述步骤S2具体包括以下步骤：

S201、利用所述训练数据集中的所有参数构建用于预测电厂锅炉效率的回归决策树，并使用置换重要性方法判断训练数据集中各参数对锅炉效率的重要度；