[发明专利]一种基于PSO算法的锅炉结渣程度预测方法及相关装置

权利要求书

1.一种基于PSO算法的锅炉结渣程度预测方法，其特征在于，包括：

基于预置PSO算法，根据锅炉结渣训练数据集对初始模糊神经网络模型进行网络参数优化训练，得到优化预测模型，所述预置PSO算法包括非线性惯性权重；

通过预设隶属度函数根据结渣相关数据进行结渣程度划分，得到结渣隶属度值，所述结渣相关数据包括硅铝比、软化温度、硅比、酸碱比、综合指数和无因次炉膛最高温度；

将所述结渣隶属度值输入所述优化预测模型中进行结渣预测，得到结渣预测结果。

2.根据权利要求1所述的基于PSO算法的锅炉结渣程度预测方法，其特征在于，所述基于预置PSO算法，根据锅炉结渣训练数据集对初始模糊神经网络模型进行网络参数优化训练，得到优化预测模型，包括：

初始化粒子群相关参数，所述粒子群相关参数包括初始粒子群速度和初始粒子群位置；

将所述锅炉结渣训练数据集的均方误差作为预置PSO算法的适应度函数，并计算得到初始适应度值；

基于非线性惯性权重调整所述初始粒子群速度和初始粒子群位置，得到更新粒子群速度和更新粒子群位置；

根据基于所述更新粒子群速度和所述更新粒子群位置优化的预置PSO算法对初始模糊神经网络模型进行网络参数迭代优化训练，得到优化预测模型。

3.根据权利要求1所述的基于PSO算法的锅炉结渣程度预测方法，其特征在于，所述非线性惯性权重表达为：

其中，w_min为非线性惯性权重最小值，w_max为非线性惯性权重最大值，t为当前迭代次数，t_max为最大迭代次数，a，b均为调整参数。

4.根据权利要求1所述的基于PSO算法的锅炉结渣程度预测方法，其特征在于，所述将所述结渣隶属度值输入所述优化预测模型中进行结渣预测，得到结渣预测结果，之后还包括：

根据所述结渣预测结果对燃煤电厂锅炉容量和燃煤机组方案进行优化。

5.一种基于PSO算法的锅炉结渣程度预测装置，其特征在于，包括：

优化训练模块，用于基于预置PSO算法，根据锅炉结渣训练数据集对初始模糊神经网络模型进行网络参数优化训练，得到优化预测模型，所述预置PSO算法包括非线性惯性权重；

隶属划分模块，用于通过预设隶属度函数根据结渣相关数据进行结渣程度划分，得到结渣隶属度值，所述结渣相关数据包括硅铝比、软化温度、硅比、酸碱比、综合指数和无因次炉膛最高温度；

结渣预测模块，用于将所述结渣隶属度值输入所述优化预测模型中进行结渣预测，得到结渣预测结果。

6.根据权利要求5所述的基于PSO算法的锅炉结渣程度预测装置，其特征在于，所述优化训练模块，具体用于：

初始化粒子群相关参数，所述粒子群相关参数包括初始粒子群速度和初始粒子群位置；

将所述锅炉结渣训练数据集的均方误差作为预置PSO算法的适应度函数，并计算得到初始适应度值；

基于非线性惯性权重调整所述初始粒子群速度和初始粒子群位置，得到更新粒子群速度和更新粒子群位置；

根据基于所述更新粒子群速度和所述更新粒子群位置优化的预置PSO算法对初始模糊神经网络模型进行网络参数迭代优化训练，得到优化预测模型。

7.根据权利要求5所述的基于PSO算法的锅炉结渣程度预测装置，其特征在于，所述非线性惯性权重表达为：

其中，w_min为非线性惯性权重最小值，w_max为非线性惯性权重最大值，t为当前迭代次数，t_max为最大迭代次数，a，b均为调整参数。

8.根据权利要求5所述的基于PSO算法的锅炉结渣程度预测装置，其特征在于，还包括：

方案优化模块，用于根据所述结渣预测结果对燃煤电厂锅炉容量和燃煤机组方案进行优化。