[发明专利]一种基于数据驱动的电厂锅炉烟气含氧量预测优化方法

权利要求书

1.一种基于数据驱动的电厂锅炉烟气含氧量预测优化方法，其特征在于包括如下步骤：

S1、获取待预测优化电厂锅炉炉膛压力、主蒸汽压力、主蒸汽流量、AGC负荷指令、汽包压力、给煤量、煤粉浓度、引风量、送风量、最佳烟气含氧量、排烟温度、过热器出口温度、汽包水位、过热器出口压力的历史数据；

S2、对历史数据进行预处理操作，包括缺失值、异常值、归一化、特征重要性分析，得到建模数据集；

S3、将建模数据集划分训练集、验证集和测试集输入到支持向量机算法中，通过训练得到电厂锅炉的炉膛压力模型、主蒸汽压力模型和最佳烟气含氧量模型，利用平均绝对值误差MAE和均方根误差RMSE来评价预测模型的准确性；

S4、将炉膛压力和主蒸汽压力作为约束变量，送风量作为可控变量，最佳烟气含氧量为目标变量，其中，炉膛压力取值范围为-80～100Pa，主蒸汽压力取值范围为13～17.29MPa，送风量取值范围为430～1272t/h；通过人工鱼群算法对特征数据送风量进行寻优，达到最佳烟气含量，使得煤粉充分燃烧，降低煤粉的消耗量。

2.根据权利要求1所述的一种基于数据驱动的电厂锅炉烟气含氧量预测优化方法，其特征在于：所述步骤S1的具体过程如下，

S1-1、按照时间戳获取华南某电厂3#锅炉的历史数据收集汇总；

S1-2、将数据以自增型为主键的方式存储在CSV文件中，作为历史数据集。

3.根据权利要求1所述的一种基于数据驱动的电厂锅炉烟气含氧量预测优化方法，其特征在于：所述步骤S2的具体过程如下，

S2-1、通过表格工具查找历史数据集中是否有缺失数据和异常值数据，删除超出了当前列取值范围的异常值数据，缺失数据和异常值数据通过当前列的均值进行补充和替换；

S2-2、历史数据集中的每列数据取值由于量纲不同，通过最大最小归一化方法进行预处理，具体公式为：

其中，x*为样本数据归一化的值，x为样本数据，x_max为样本数据的最大值，x_min为样本数据的最小值；

S2-3、通过L1正则化方法进行特征重要性分析，删除汽包压力、排烟温度、过热器出口温度、汽包水位、过热器出口压力数据，得到炉膛压力、主蒸汽压力、主蒸汽流量、AGC负荷指令、给煤量、煤粉浓度、引风量、送风量、最佳烟气含氧量这9个变量和相应数据作为建模数据集进行预测模型的搭建。

4.根据权利要求1所述的一种基于数据驱动的电厂锅炉烟气含氧量预测优化方法，其特征在于：所述步骤S3的具体过程如下，

S3-1、将建模数据集中的17280条数据按照8：1：1的比例划分为训练集、验证集和测试集，其中，训练集数据13824条，验证集数据1728条，测试集数据1728条；

S3-2、炉膛压力模型搭建用到的数据参数是引风量和送风量，主蒸汽压力模型的搭建用到的数据参数是主蒸汽流量、AGC负荷指令、给煤量、烟气含氧量、和送风量，最佳烟气含氧量模型的搭建用到的数据参数是煤粉浓度、给煤量、引风量和送风量；

S3-3、通过支持向量机算法进行预测，其初始模型超参数svr_type、核函数、gamma、degree、coefO、C、eps的取值分别为0、线性核函数、0.01、1、0、5、0.001。

S3-4、根据测试集进行预测，计算评估指标，其真实值为y，预测值为f，m表示数据量即1728，则平均绝对值误差MAE的公式具体为：

均方根误差RMSE的公式具体为：

5.根据权利要求1所述的一种基于数据驱动的电厂锅炉烟气含氧量预测优化方法，其特征在于：所述步骤S4采用人工鱼群算法求解最优送风量，具体过程如下，

S4-1、随机对种群数量N、每条鱼的初始位置、鱼的视野v、步长step、拥挤度因子、循环次数s进行初始化设置；

S4-2、计算初始鱼群每个个体的适应值，得到最佳鱼的状态并记录；

S4-3、对每个个体进行评价，并选择进行觅食、聚群或追尾行为，更新自己，得到新鱼群；

S4-4、评价所有个体，若某一个体优于记录，则记录该个体；

S4-5、当记录上的个体最优解满足误差范围内或者达到循环次数，则算法结束，否则返回步骤3进行迭代；

在本步骤中，人工鱼群算法的参数种群数量N、鱼的视野v、步长step、拥挤度因子、循环次数s初始化设置值分别为50、0.5、0.8、0.3、30，其中，每条鱼的初始位置受送风量取值范围[430,1272]的决定，每条鱼的初始位置随机产生。