[发明专利]循环流化床锅炉二次风机电流预测系统及方法有效
申请号: | 201310335640.3 | 申请日: | 2013-08-05 |
公开(公告)号: | CN103413039A | 公开(公告)日: | 2013-11-27 |
发明(设计)人: | 吴家标;刘兴高 | 申请(专利权)人: | 浙江大学 |
主分类号: | G06F19/00 | 分类号: | G06F19/00 |
代理公司: | 杭州求是专利事务所有限公司 33200 | 代理人: | 周烽 |
地址: | 310058 浙江*** | 国省代码: | 浙江;33 |
权利要求书: | 查看更多 | 说明书: | 查看更多 |
摘要: | 本发明公开了一种循环流化床锅炉二次风机电流预测系统及方法,系统包括与循环流化床锅炉连接的现场智能仪表、数据库、数据接口、控制站以及上位机;现场智能仪表与控制站、数据库和上位机连接,上位机包括:标准化处理模块,用于从数据库中采集关键变量的训练样本,并进行标准化处理;预测机制形成模块,用于建立预测模型;预测执行模块,用于实时预测二次风机电流;模型更新模块;信号采集模块;结果显示模块。本发明根据循环流化床锅炉的运行工况和操作变量对二次风机电流进行预测,以便于建议并指导运行操作,将循环流化床锅炉的二次风机电流控制在理想范围,有效提高锅炉运行效率,延长设备使用寿命,并为进一步对运行效率进行优化奠定基础。 | ||
搜索关键词: | 循环 流化床 锅炉 二次 风机 电流 预测 系统 方法 | ||
【主权项】:
1.一种循环流化床锅炉二次风机电流预测系统,其特征在于,包括与循环流化床锅炉连接的现场智能仪表、数据库、数据接口、控制站以及上位机;现场智能仪表与控制站、数据库和上位机连接,所述的上位机包括:标准化处理模块,用于从数据库中采集运行工况变量和操作变量的历史记录,组成自变量的训练样本矩阵X,采集对应的二次风机电流信号的历史记录,组成因变量训练样本向量Y,对训练样本X、Y进行标准化处理,使各变量的均值为0,方差为1,得到标准化后自变量训练样本矩阵X*(n×p)、标准化后因变量训练样本向量Y*(n×1),采用以下过程来完成:1.1)求均值:x ‾ j = 1 n Σ i = 1 n x ij , ( i = 1,2 , · · · , n ; j = 1,2 , · · · , p ) - - - ( 1 ) ]]>y ‾ = 1 n Σ i = 1 n y i , ( i = 1 , 2 , · · · , n ) - - - ( 2 ) ]]> 1.2)求标准差s x , j = 1 n Σ i = 1 n ( x ij - x ‾ j ) 2 , ( i = 1,2 , · · · , n ; j = 1,2 , · · · , p ) - - - ( 3 ) ]]>s y = 1 n Σ i = 1 n ( y i - y ‾ ) 2 , ( i = 1,2 , · · · , n ) - - - ( 4 ) ]]> 1.3)标准化x ij * = x ij - x ‾ j s x , j , ( i = 1,2 , · · · , n ; j = 1,2 , · · · , p ) - - - ( 5 ) ]]>y i * = y i - y ‾ s y , ( i = 1,2 , · · · , n ) - - - ( 6 ) ]]> 其中,xij、yi为训练样本点的原值,n为训练样本个数,p为自变量个数,为训练样本的均值,sx,j、sy为训练样本的标准差,为训练样本点的标准化值,其中下标i、j分别表示第i个训练样本点、第j个自变量;预测机制形成模块,用于建立预测模型,其实现步骤如下:2.1)令初始自变量残差阵E0=X*;2.2)令因变量初始残差向量F0=Y*;2.3)令初始成分数h=1;2.4)依次按以下各式求解:w h = E h - 1 T F h - 1 | | E h - 1 T F h - 1 | | - - - ( 7 ) ]]> th=Eh-1wh (8)r h = F h - 1 T t h | | t h | | 2 - - - ( 9 ) ]]>p h = E h - 1 T t h | | t h | | 2 - - - ( 10 ) ]]>w h * = Π j = 1 h - 1 ( I - w j p j T ) w h - - - ( 11 ) ]]>E h = E h - 1 - t h p h T - - - ( 12 ) ]]> Fh=Fh-1-thrh (13)β = r 1 w 1 * + r 2 w 2 * + · · · + r h w h * - - - ( 14 ) ]]> 其中,wh是第h个成分的轴向量,th是第h个成分,rh是中间过程系数,ph、是中间过程向量,Eh是自变量的第h个残差阵,Fh是因变量的第h个残差阵,β是因变量的预测系数向量,上标T表示矩阵的转置,下标h、h-1分别表示含下标的物理量所对应的成分序号为h、h-1;2.5)从数据库中读取测试样本,按(15)、(16)式进行无量纲化处理:x ij * ′ = x ij ′ - x ‾ j s x , j , ( i = 1,2 , · · · , m ; j = 1,2 , · · · , p ) - - - ( 15 ) ]]>y i * ′ = y i ′ - y ‾ s y , ( i = 1,2 , · · · , m ) - - - ( 16 ) ]]> 其中,xij'、yi'是测试样本点的原值,是测试样本点的无量纲化值,m为测试样本个数;2.6)求因变量的预测值:y ^ i * ′ = ( x i 1 * ′ , x i 2 * ′ , . . . , x ip * ′ ) β - - - ( 17 ) ]]> 其中,是因变量测试样本点的无量纲化预测值;2.7)求当前预测误差:S SS , h ′ = Σ i = 1 m ( y i ′ - y ^ i ′ ) 2 - - - ( 18 ) ]]> 其中,SSS,h'为残差平方和;2.8)如果h=1,令h=2,返回2.4),否则转2.9);2.9)求判别系数当Ph≥0.02时,认为引进第h个成分可以明显改善预测能力,令h=h+1,返回2.4),否则令h=h-1,转2.10);2.10)将预测系数向量β传递并存储到预测执行模块;预测执行模块,用于根据循环流化床锅炉的运行工况和设定的操作变量预测二次风机电流,其实现步骤如下:3.1)将输入的自变量信号按(19)式处理:x ( t ) j * = x ( t ) j - x ‾ j s x , j , ( j = 1,2 , · · · , p ) - - - ( 19 ) ]]> 其中,x(t)j为t时刻第j个自变量的原值,为第j个自变量的训练样本的均值,sx,j为第j个自变量的训练样本的标准差,为t时刻第j个自变量的无量纲化值,t表示时间、单位为秒;3.2)按下式求二次风机电流的无量纲化预测值:y ^ ( t ) * = x ( t ) 1 * x ( t ) 2 * · · · x ( t ) p * β - - - ( 20 ) ]]> 其中,为t时刻二次风机电流的无量纲化预测值;3.3)按下式求二次风机电流的原量纲预测值:y ^ ( t ) = y ^ ( t ) * · s y + y ‾ - - - ( 21 ) ]]> 其中,为t时刻二次风机电流的原量纲预测值;所述的上位机还包括:模型更新模块,用于按设定的时间间隔将实际的二次风机电流与预测值比较,如果相对误差大于10%,则将新数据加入训练样本数据,重新执行标准化处理模块与预测机制形成模块;信号采集模块,用于按设定的采样时间间隔,从现场智能仪表采集实时数据,以及从数据库中采集历史数据;结果显示模块,用于从控制站读取设置参数,并将二次风机电流预测值传给控制站进行显示,并给出操作建议:在当前的工况下,操作变量如何调整最有利于将二次风机电流控制在理想范围,以便控制站工作人员,根据二次风机电流预测值和操作建议,及时调整操作条件,将二次风机电流控制在理想范围,提高锅炉运行效率,同时延长设备使用寿命;其中,操作变量如何调整最有利于将二次风机电流控制在理想范围,一个简便方法是将操作变量的多种组合值,代入二次风机电流预测系统,得到相应的二次风机电流预测值,从而非常直观地通过比较大小得到;所述自变量包括:运行工况变量:主蒸汽流量、环境温度、给水温度、炉膛负压、床压、燃煤水分、燃煤挥发分、燃煤灰分、燃煤硫分;操作变量:一次风总风量、二次风总风量。
下载完整专利技术内容需要扣除积分,VIP会员可以免费下载。
该专利技术资料仅供研究查看技术是否侵权等信息,商用须获得专利权人授权。该专利全部权利属于浙江大学,未经浙江大学许可,擅自商用是侵权行为。如果您想购买此专利、获得商业授权和技术合作,请联系【客服】
本文链接:http://www.vipzhuanli.com/patent/201310335640.3/,转载请声明来源钻瓜专利网。
- 同类专利
- 专利分类
G06 计算;推算;计数
G06F 电数字数据处理
G06F19-00 专门适用于特定应用的数字计算或数据处理的设备或方法
G06F19-10 .生物信息学,即计算分子生物学中的遗传或蛋白质相关的数据处理方法或系统
G06F19-12 ..用于系统生物学的建模或仿真,例如:概率模型或动态模型,遗传基因管理网络,蛋白质交互作用网络或新陈代谢作用网络
G06F19-14 ..用于发展或进化的,例如:进化的保存区域决定或进化树结构
G06F19-16 ..用于分子结构的,例如:结构排序,结构或功能关系,蛋白质折叠,结构域拓扑,用结构数据的药靶,涉及二维或三维结构的
G06F19-18 ..用于功能性基因组学或蛋白质组学的,例如:基因型–表型关联,不均衡连接,种群遗传学,结合位置鉴定,变异发生,基因型或染色体组的注释,蛋白质相互作用或蛋白质核酸的相互作用
G06F 电数字数据处理
G06F19-00 专门适用于特定应用的数字计算或数据处理的设备或方法
G06F19-10 .生物信息学,即计算分子生物学中的遗传或蛋白质相关的数据处理方法或系统
G06F19-12 ..用于系统生物学的建模或仿真,例如:概率模型或动态模型,遗传基因管理网络,蛋白质交互作用网络或新陈代谢作用网络
G06F19-14 ..用于发展或进化的,例如:进化的保存区域决定或进化树结构
G06F19-16 ..用于分子结构的,例如:结构排序,结构或功能关系,蛋白质折叠,结构域拓扑,用结构数据的药靶,涉及二维或三维结构的
G06F19-18 ..用于功能性基因组学或蛋白质组学的,例如:基因型–表型关联,不均衡连接,种群遗传学,结合位置鉴定,变异发生,基因型或染色体组的注释,蛋白质相互作用或蛋白质核酸的相互作用