一种水冷振动炉排锅炉燃烧功率及气体排放预警方法和系统与流程

1.本发明涉及电力数字化技术领域，尤其涉及一种水冷振动炉排锅炉燃烧功率及气体排放预警方法和系统。

背景技术：

2.我国是个农业大国，具有丰富的生物质资源，利用生物质燃料发电，实施煤炭替代，可显著减少碳排放，产生巨大的经济和环境效益。农林生物质燃料通常包括各类秸秆、木屑等，它们具有能量密度低、氯钠钾元素含量高、挥发分高等特点。但是，相比于传统的煤炭发电，农林生物质燃料更容易产生燃烧不稳定、机组功率波动频繁、污染气体排放不稳定等问题。
3.水冷振动炉排锅炉目前已被广泛应用于农林生物质发电领域。现如今，通过人工控制锅炉的燃烧变量(例如风量、燃料量等)，是实现生物质发电机组运行的主要手段。机组人员根据以往的锅炉燃烧经验，及当天的目标机组功率，设定燃料量指令。当机组负荷低于目标设定功率时，适当增加燃料量；当机组功率接近目标负荷时，维持当前燃料量；当机组功率大于目标负荷时，减少燃料量。对于燃烧后的二氧化硫、氮氧化物的排放，机组人员需要分析当前气体浓度及燃烧变量的数值情况，对未来5分钟后的气体浓度进行预判，然后通过添加消石灰和尿素对两种污染气体进行调整。在实际应用中，人工控制燃烧变量存在以下问题：
4.1)机组功率调整的实时性和精确性较差。在机组功率调整的过程中，当人工下达改变燃料量的指令时，燃料从料仓到进入锅炉燃烧，再到机组功率发生改变，会有明显的时间延迟，调整实时性和精确性不高，对操作人员的经验要求极高。
5.2)污染气体排放控制的实时性和精确性较差。在污染气体排放控制的过程中，存在指令延迟问题，并且相关燃烧变量繁杂，分析难度大。
6.因此，如何提供一种适用于水冷振动炉排锅炉的功率及气体排放预警方法，成为亟待解决的技术问题。

技术实现要素：

7.有鉴于此，本发明提供一种用于水冷振动炉排锅炉机组功率预警、污染气体(二氧化硫、氮氧化物)浓度预警的模型方法和装置，旨在预测水冷振动炉排锅炉机组功率、污染气体浓度的涨跌情况，进而解决人工调整燃烧变量存在的延迟反应问题。
8.一方面，本发明提供一种水冷振动炉排锅炉燃烧功率及气体排放预警方法，包括：
9.步骤s1：获取实时燃烧数据并将获得的实时燃烧数据存储至mysql数据库中，所述实时燃烧数据包含时间戳以及当前时间戳下所有燃烧变量的数值；
10.步骤s2：从mysql数据库中导出实时燃烧数据，删除无效数据，通过计算各项燃烧变量的分钟均值和分钟差值，获得训练特征数据；
11.步骤s3：通过计算步骤s2获得的训练特征数据中目标变量5分钟后的涨跌值，判断
涨跌情况，并根据涨跌情况对实时燃烧数据进行标注，得到每条数据的标签；
12.步骤s4：对步骤s3标注后的实时燃烧数据进行划分，获得训练集和测试集，训练建立及筛选得到ai三分类涨跌预测模型；
13.步骤s5：采用步骤s4筛选得到的涨跌预测模型预测当前时刻目标变量5分钟后的涨跌情况，并根据预测结果触发预警。
14.进一步地，本发明方法的步骤s1，包括：通过在锅炉的各个位置安装传感器，获取各个燃烧指标的实时数据即实时燃烧数据，传感器每秒钟监测并记录相应的燃烧变量，燃烧变量包括机组功率、当前燃料量、风量、主蒸汽压力以及当前有害气体浓度。
15.进一步地，本发明方法的步骤s2中，计算各项燃烧变量的分钟均值和分钟差值包括：计算各项燃烧变量1分钟的数据均值以及分别计算各项燃烧变量2分钟、5分钟、8分钟的均值。
16.进一步地，本发明方法的步骤s3中，判断涨跌情况，并根据涨跌情况对实时燃烧数据进行标注，包括：设置涨跌阈值a，若涨跌值大于a，则判断为上涨，数据标签置为1；若涨跌值小于-a，则判断为下跌，数据标签置为-1；若涨跌值位于-a与a之间，则判断为持平，数据标签置为0。
17.进一步地，本发明方法的步骤s3中，判断涨跌情况，并根据涨跌情况对实时燃烧数据进行标注，还包括：将计算得到的5分钟后涨跌值降序排列，位于前30％且大于0的数据判断为上涨，数据标签置为1；位于后30％且小于0的数据判断为下跌，数据标签置为-1；其余数据判断为持平，数据标签设置为0。
18.进一步地，本发明方法的步骤s4，包括：
19.步骤s41：从步骤s3标注后的实时燃烧数据中以天为时间单位获取某个时间范围的数据；
20.步骤s42：在步骤s41中某个时间范围的数据中，随机选择一定天数的数据作为训练集，其余天数的数据作为测试集；
21.步骤s43：根据步骤s42获得的训练集和测试集训练建立及筛选得到ai三分类预测模型。
22.进一步地，本发明方法的步骤s43，包括：
23.步骤s431：基于步骤s42的训练集和测试集，建立random forest、adaboost、gradient boosting和bagging集成模型：
24.步骤s432：采用同一批次的训练集和测试集同时训练步骤s431的4个模型；
25.步骤s433：从训练后的4个模型中选择准确率最高的作为最终的预测模型进行部署。
26.进一步地，本发明方法的步骤s5，包括：通过计算所有燃烧变量对预测结果的平均贡献度得到各项燃烧变量的重要性因子，并根据重要性因子对变量降序排列后输出。
27.另一方面，本发明提供一种水冷振动炉排锅炉燃烧功率及气体排放预警系统，包括：
28.数据收集模块，用于获取传感器中实时燃烧数据并将获得的实时燃烧数据存储至mysql数据库中，其中，所述实时燃烧数据包含时间戳以及当前时间戳下所有燃烧变量的数值，所述燃烧变量包括机组功率、当前燃料量、风量、主蒸汽压力以及当前有害气体浓度；
29.数据处理模块，用于从mysql数据库中导出实时燃烧数据，删除无效数据，通过计算各项燃烧变量的分钟均值和分钟差值，获得训练特征数据；通过计算训练特征数据中目标变量5分钟后的涨跌值，判断涨跌情况，并根据涨跌情况对实时燃烧数据进行标注，得到每条数据的标签；
30.模型训练建立及筛选模块，用于对标注后的实时燃烧数据进行划分，获得训练集和测试集，训练建立及筛选得到ai三分类涨跌预测模型，将筛选得到ai三分类涨跌预测模型封装成涨跌预测模型服务接口；
31.涨跌预测模型服务接口，用于预测当前时刻目标变量5分钟后的涨跌情况，并将当前时刻5分钟后的机组功率或气体浓度涨跌预测结果以及重要性因子排名前20位的燃烧变量发送至预警模块；
32.预警模块，用于根据涨跌预测模型服务接口的发送结果，进行指令判断，将“上涨”、“下跌”转换成相应的报警指令，指示设备发出预警信号。
33.进一步地，本发明水冷振动炉排锅炉燃烧功率及气体排放预警系统中，数据收集模块在数据收集时首先开辟一段缓存，每段缓存只存储60秒的数据，如果当前数据的时间戳为每分钟的开始时刻，即0秒，将此条数据放入缓存区；如果当前数据的时间戳为每分钟的最后时刻，即59秒，则将缓存区中的1分钟内的60条数据发送至数据处理模块中计算分钟均值和分钟差值。
34.本发明水冷振动炉排锅炉燃烧功率及气体排放预警方法和系统，具有以下有益效果：可以预测锅炉机组未来5分钟后的功率涨跌、污染气体浓度涨跌情况，使机组运行人员提前做出调整燃烧变量的的指令，避免延迟反应，进而减轻人力成本，提高锅炉的安全性和经济性。
附图说明
35.为了更清楚地说明本发明实施例的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其它的附图。
36.图1为本发明示例性第一实施例一种水冷振动炉排锅炉燃烧功率及气体排放预警方法的流程图。
37.图2为本发明示例性第三实施例一种水冷振动炉排锅炉燃烧功率及气体排放预警方法的流程图。
38.图3为本发明示例性第四实施例一种水冷振动炉排锅炉燃烧功率及气体排放预警方法的流程图.
39.图4为本发明示例性第六实施例一种水冷振动炉排锅炉燃烧功率及气体排放预警系统的架构图。
具体实施方式
40.下面结合附图对本发明实施例进行详细描述。
41.需说明的是，在不冲突的情况下，以下实施例及实施例中的特征可以相互组合；并且，基于本公开中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的
所有其他实施例，都属于本公开保护的范围。
42.需要说明的是，下文描述在所附权利要求书的范围内的实施例的各种方面。应显而易见，本文中所描述的方面可体现于广泛多种形式中，且本文中所描述的任何特定结构及/或功能仅为说明性的。基于本公开，所属领域的技术人员应了解，本文中所描述的一个方面可与任何其它方面独立地实施，且可以各种方式组合这些方面中的两者或两者以上。举例来说，可使用本文中所阐述的任何数目个方面来实施设备及/或实践方法。另外，可使用除了本文中所阐述的方面中的一或多者之外的其它结构及/或功能性实施此设备及/或实践此方法。
43.以下各实施例中涉及的名词解释如下：
44.random forest集成模型：随机森林(random forest)是机器学习领域中一种重要的模型，由于其较高的准确率和可解释性，该模型被广泛应用于分类及回归问题中。
45.adaboost集成模型：自适应增强集成算法(adaboost)，其核心思想是通过迭代的方法训练不同的弱分类器，然后集成起来形成一个效果较好的强分类器。
46.gradient boosting集成模型：梯度提升算法(gradient boosting)，该方法使用决策树作为弱分类器，每棵子树是不相关的；该方法使用拟合梯度的方法，得到最佳参数。
47.bagging集成模型：bagging算法与随机森林方法相似，它基于自助采样法，通过在不同数据集上训练模型以降低方差。该方法适用于数据偏差较小的分类问题中。
48.图1为根据本发明示例性第一实施例的一种水冷振动炉排锅炉燃烧功率及气体排放预警方法的流程图，如图1所示，本实施例的方法，包括：
49.步骤s1：获取实时燃烧数据并将获得的实时燃烧数据存储至mysql数据库中，所述实时燃烧数据包含时间戳以及当前时间戳下所有燃烧变量的数值；
50.步骤s2：从mysql数据库中导出实时燃烧数据，删除无效数据，通过计算各项燃烧变量的分钟均值和分钟差值，获得训练特征数据；
51.步骤s3：通过计算步骤s2获得的训练特征数据中目标变量5分钟后的涨跌值，判断涨跌情况，并根据涨跌情况对实时燃烧数据进行标注，得到每条数据的标签；
52.步骤s4：对步骤s3标注后的实时燃烧数据进行划分，获得训练集和测试集，训练建立及筛选得到ai三分类涨跌预测模型；
53.步骤s5：采用步骤s4筛选得到的涨跌预测模型预测当前时刻目标变量5分钟后的涨跌情况，并根据预测结果触发预警。
54.本实施例方法中，通过在锅炉的各个位置安装传感器，获取各个燃烧指标的实时数据即实时燃烧数据，传感器每秒钟监测并记录相应的燃烧变量，燃烧变量包括机组功率、当前燃料量、风量、主蒸汽压力以及当前有害气体浓度。
55.本实施例方法中，通过传感器采集的实时燃烧数据存储在mysql数据库中，通过脚本程序自动导出mysql数据表为csv文件，所有关于数据的计算均在csv文件上进行，这使后续的数据处理过程更加安全、便利。
56.本实施例方法中，进行删除无效数据设置的原因是，产生无效数据的原因是锅炉传感器存在不稳定性，会存在监测失败或采集异常等情况，导致记录的数值为空值或者无穷大(小)，这样的数据会影响ai模型的训练，需要删除。
57.本实施例方法中，计算各项燃烧变量的分钟均值和分钟差值包括：计算各项燃烧
变量1分钟的数据均值以及分别计算各项燃烧变量2分钟、5分钟、8分钟的均值。
58.在实际应用中，传感器采集数据的时间单位为秒，对于大部分燃烧变量而言，每秒之间的变化幅度非常小，为了更精确地捕捉其数据特征，所以本实施例方法计算了各项燃烧变量1分钟的数据均值。为了更好捕捉燃烧数据的变化规律，本实施例分别计算了每个燃烧变量2分钟、5分钟、8分钟的均值，和1分钟均值数据一起作为ai模型的训练特征。
59.本发明示例性第二实施例提供一种水冷振动炉排锅炉燃烧功率及气体排放预警方法，本实施例是图1所示方法的优选实施例。
60.本实施例方法步骤s3中，判断涨跌情况，并根据涨跌情况对实时燃烧数据进行标注，包括：设置涨跌阈值a，若涨跌值大于a，则判断为上涨，数据标签置为1；若涨跌值小于-a，则判断为下跌，数据标签置为-1；若涨跌值位于-a与a之间，则判断为持平，数据标签置为0。
61.本实施例方法步骤s3中，判断涨跌情况，并根据涨跌情况对实时燃烧数据进行标注，还包括：将计算得到的5分钟后涨跌值降序排列，位于前30％且大于0的数据判断为上涨，数据标签置为1；位于后30％且小于0的数据判断为下跌，数据标签置为-1；其余数据判断为持平，数据标签设置为0。
62.本实施例方法中，目标变量为机组功率和有害气体浓度；目标变量5分钟后的涨跌值即5分钟后与当前时刻的差值。
63.本实施例方法，可根据不同燃烧变量的特性，设置不同的涨跌阈值或百分比。
64.图2为根据本发明示例性第三实施例的一种水冷振动炉排锅炉燃烧功率及气体排放预警方法的流程图，本实施例是图1所示方法的优选实施例。如图2所示，本实施例方法的步骤s4，包括：
65.步骤s41：从步骤s3标注后的实时燃烧数据中以天为时间单位获取某个时间范围的数据；
66.步骤s42：在步骤s41中某个时间范围的数据中，随机选择一定天数的数据作为训练集，其余天数的数据作为测试集；
67.步骤s43：根据步骤s42获得的训练集和测试集训练建立及筛选得到ai三分类预测模型。
68.在实际应用中，本实施例方法以天为时间单位进行数据划分，机组人员可以自行设置划分天数。例如，设置时间范围为30天，其中训练集天数为25，测试集天数为5。则获取30天数据，并根据时间戳随机选择25天数据作为训练集，5天作为测试集。然后训练ai三分类涨跌预测模型，用来预测当前时刻目标变量5分钟后的涨跌情况。
69.图3为根据本发明示例性第四实施例的一种水冷振动炉排锅炉燃烧功率及气体排放预警方法的流程图，本实施例是图2所示方法的优选实施例。如图3所示，本实施例方法的步骤s43，包括：
70.步骤s431：基于步骤s42的训练集和测试集，建立random forest、adaboost、gradient boosting和bagging集成模型：
71.步骤s432：采用同一批次的训练集和测试集同时训练步骤s431的4个模型；
72.步骤s433：从训练后的4个模型中选择准确率最高的作为最终的预测模型进行部署。
73.本发明实例第五实施例提供一种水冷振动炉排锅炉燃烧功率及气体排放预警方法，本实施例是图1所示方法的优选实施例。本实施例方法的步骤s5，包括：通过计算所有燃烧变量对预测结果的平均贡献度得到各项燃烧变量的重要性因子，并根据重要性因子对变量降序排列后输出。
74.在实际应用中，以机组功率为例，当涨跌预测模型的预测结果为上涨时，说明未来5分钟后的机组功率将高于安全值，此时会触发负荷过高报警，提示机组人员提前减少锅炉燃料量、风量、氧量等；当模型预测结果为下跌时，说明未来5分钟后机组功率过低，此时会触发负荷过低报警，提示机组人员提前增加燃料量、风量、氧量。通过上述的预警机制，可以大幅减少延迟反应带来的负面影响，使机组运行平稳，减少锅炉运维人力成本。
75.特征重要性排序可以直观的让机组人员看到与当前目标变量最相关的燃烧变量。
76.图4为根据本发明示例性第六实施例的一种水冷振动炉排锅炉燃烧功率及气体排放预警系统的架构图，如图4所示，本实施例的系统，包括：
77.数据收集模块，用于获取传感器中实时燃烧数据并将获得的实时燃烧数据存储至mysql数据库中，其中，所述实时燃烧数据包含时间戳以及当前时间戳下所有燃烧变量的数值，所述燃烧变量包括机组功率、当前燃料量、风量、主蒸汽压力以及当前有害气体浓度；
78.数据处理模块，用于从mysql数据库中导出实时燃烧数据，删除无效数据，通过计算各项燃烧变量的分钟均值和分钟差值，获得训练特征数据；通过计算训练特征数据中目标变量5分钟后的涨跌值，判断涨跌情况，并根据涨跌情况对实时燃烧数据进行标注，得到每条数据的标签；
79.模型训练建立及筛选模块，用于对标注后的实时燃烧数据进行划分，获得训练集和测试集，训练建立及筛选得到ai三分类涨跌预测模型，将筛选得到ai三分类涨跌预测模型封装成涨跌预测模型服务接口；
80.涨跌预测模型服务接口，用于预测当前时刻目标变量5分钟后的涨跌情况，并将当前时刻5分钟后的机组功率或气体浓度涨跌预测结果以及重要性因子排名前20位的燃烧变量发送至预警模块；
81.预警模块，用于根据涨跌预测模型服务接口的发送结果，进行指令判断，将“上涨”、“下跌”转换成相应的报警指令，指示设备发出预警信号。
82.本实施例系统中，数据收集模块在数据收集时首先开辟一段缓存，每段缓存只存储60秒的数据，如果当前数据的时间戳为每分钟的开始时刻，即0秒，将此条数据放入缓存区；如果当前数据的时间戳为每分钟的最后时刻，即59秒，则将缓存区中的1分钟内的60条数据发送至数据处理模块中计算分钟均值和分钟差值。
83.以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到的变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应以权利要求的保护范围为准。

技术特征：

boosting和bagging集成模型：步骤s432：采用同一批次的训练集和测试集同时训练步骤s431的4个模型；步骤s433：从训练后的4个模型中选择准确率最高的作为最终的预测模型进行部署。8.根据权利要求1所述的水冷振动炉排锅炉燃烧功率及气体排放预警方法，其特征在于，步骤s5，包括：通过计算所有燃烧变量对预测结果的平均贡献度得到各项燃烧变量的重要性因子，并根据重要性因子对变量降序排列后输出。9.一种水冷振动炉排锅炉燃烧功率及气体排放预警系统，其特征在于，所述系统，包括：数据收集模块，用于获取传感器中实时燃烧数据并将获得的实时燃烧数据存储至mysql数据库中，其中，所述实时燃烧数据包含时间戳以及当前时间戳下所有燃烧变量的数值，所述燃烧变量包括机组功率、当前燃料量、风量、主蒸汽压力以及当前有害气体浓度；数据处理模块，用于从mysql数据库中导出实时燃烧数据，删除无效数据，通过计算各项燃烧变量的分钟均值和分钟差值，获得训练特征数据；通过计算训练特征数据中目标变量5分钟后的涨跌值，判断涨跌情况，并根据涨跌情况对实时燃烧数据进行标注，得到每条数据的标签；模型训练建立及筛选模块，用于对标注后的实时燃烧数据进行划分，获得训练集和测试集，训练建立及筛选得到ai三分类涨跌预测模型，将筛选得到ai三分类涨跌预测模型封装成涨跌预测模型服务接口；涨跌预测模型服务接口，用于预测当前时刻目标变量5分钟后的涨跌情况，并将当前时刻5分钟后的机组功率或气体浓度涨跌预测结果以及重要性因子排名前20位的燃烧变量发送至预警模块；预警模块，用于根据涨跌预测模型服务接口的发送结果，进行指令判断，将“上涨”、“下跌”转换成相应的报警指令，指示设备发出预警信号。10.根据权利要求9所述的水冷振动炉排锅炉燃烧功率及气体排放预警系统，其特征在于，数据收集模块在数据收集时首先开辟一段缓存，每段缓存只存储60秒的数据，如果当前数据的时间戳为每分钟的开始时刻，即0秒，将此条数据放入缓存区；如果当前数据的时间戳为每分钟的最后时刻，即59秒，则将缓存区中的1分钟内的60条数据发送至数据处理模块中计算分钟均值和分钟差值。

技术总结

本发明涉及电力数字化技术领域，提供一种水冷振动炉排锅炉燃烧功率及气体排放预警方法和系统，本发明的方法包括：获取实时燃烧数据并将获得的实时燃烧数据存储至mysql数据库中；从mysql数据库中导出实时燃烧数据，通过数据处理，获得训练特征数据；通过计算训练特征数据中目标变量5分钟后的涨跌值，判断涨跌情况，并根据涨跌情况对实时燃烧数据进行标注；对标注后的实时燃烧数据进行划分，获得训练集和测试集，训练建立及筛选得到AI三分类涨跌预测模型；预测当前时刻目标变量5分钟后的涨跌情况，并根据预测结果触发预警。本发明的方法和系统，可以预测未来5分钟后的燃烧变量涨跌情况，使机组人员提前做出调整燃烧变量的指令。令。令。