燃气锅炉烟气含氧量预测方法、装置和控制设备与流程

1.本发明属于能源设备监测技术领域，尤其涉及一种燃气锅炉烟气含氧量预测方法、装置和控制设备。


背景技术：

2.燃气锅炉是燃气分布式能源领域广泛使用的一种主动力设备，用于生产蒸汽。分布式燃气锅炉普遍存在烟气含氧量测量测量成本高和测量不准的问题。烟气含氧量很大程度上影响了锅炉的燃烧效率，一方面，当实际烟气含氧量明显低于最佳烟气含氧量时，容易导致燃气燃烧不充分使得锅炉能效下降；另一方面，当实际烟气含氧量明显高于最佳烟气含氧量时，导致尾部烟气带走的余热过多也使得锅炉能效下降。通常燃气锅炉的理论最佳烟气含氧量为2％-3％，具体最优值由现场决定。
3.现有技术测量燃气锅炉烟气含氧量的手段主要包括两种。第一种是使用氧化锆氧量传感器来测量烟气含氧量，由于这种传感器存在成本高、测量滞后大、维护困难、测量误差大、寿命短等缺点，不适合在分布式能源以中小型燃气锅炉为主的场景中使用；第二种是使用物理建模预测的方法，但由于这些方法在使用依赖大量物理参数，而这些参数在实际中很难获取。
4.基于上述情况，如何提供适用范围更为广泛且切实可行的含氧量测量手段是本领域技术人员当前需要解决的一个技术难题。


技术实现要素：

5.有鉴于此，本发明实施例提供了一种燃气锅炉烟气含氧量预测方法、装置和控制设备，以解决如何提供适用范围更为广泛且切实可行的含氧量测量手段的问题。
6.本发明实施例的第一方面提供了一种燃气锅炉烟气含氧量预测方法，其包括：通过采集烟气锅炉的历史数据信息来建立目标数据，所述目标数据包括多个含有以烟气含氧量实测值为标记的样本数据；根据锅炉的燃气流量变化，确定所述样本数据中部分或全部属性与锅炉的燃气流量变化之间的延时时间；根据所述延时时间，至少对所述样本数据中的部分或全部属性变量进行延时补偿；利用延时补偿后的样本数据及其标记来建立用于燃气锅炉烟气含氧量预测的模型；基于所述模型对燃气锅炉实时采集的数据进行烟气含氧量预测。
7.在一些可选方案中，所述通过采集烟气锅炉的历史数据信息来建立目标数据，具体包括：采集烟气锅炉的历史数据信息，确定样本数据和标记；根据三西格玛准则准则对对所述样本数据中的部分或全部属性变量进行数据清洗。
8.在一些可选方案中，根据锅炉的燃气流量变化，确定所述样本数据中部分或全部属性变量与锅炉的燃气流量变化之间的延时时间，具体包括：对烟气锅炉的燃气流量加载一个阶跃变化；记录从燃气流量开始变化时到样本数据中部分或全部属性变量开始相同方向明显变化的时间，确定所述时间为延迟时间。
9.在一些可选方案中，根据所述延时时间，至少对所述样本数据中的部分或全部属性变量进行延时补偿，包括：将样本数据中的部分或全部属性变量的时间向前移动所述延迟时间的单位时间；输出延时补偿后的样本数据。
10.在一些可选方案中，所述利用延时补偿后的样本数据及其标记来建立用于燃气锅炉烟气含氧量预测的模型，包括：基于支持向量机对所述延时补偿后的样本数据及标记进行学习，生成用于燃气锅炉烟气含氧量预测的模型。
11.在一些可选方案中，基于支持向量机对所述延时补偿后的样本数据及标记进行学习，生成用于燃气锅炉烟气含氧量预测的模型，包括：选取一个或多个最优核函数；基于遗传算法确定所述一个或多个最优核函数的最优参数惩罚因子和核函数参数；利用延时补偿后的样本数据及标记训练基于所述最优参数惩罚因子和核函数参数的支持向量机，生成用于燃气锅炉烟气含氧量预测的模型。
12.在一些可选方案中，所述方法还包括：将所述模型预测的烟气含氧量值与阈值进行比较；当所述含氧量值超过所述阈值时，发出报警提示。
13.本发明实施例的第二方面，提供了一种燃气锅炉烟气含氧量预测装置，其包括：目标数据获取模块，用于通过采集烟气锅炉的历史数据信息来建立目标数据，所述目标数据包括多个含有以烟气含氧量实测值为标记的样本数据；延迟时间确定模块，用于根据锅炉的燃气流量变化，确定所述样本数据中部分或全部属性与锅炉的燃气流量变化之间的延时时间；延时补偿模块，用于根据所述延时时间，至少对所述样本数据中的部分或全部属性变量进行延时补偿；模型建立模块，用于利用延时补偿后的样本数据及其标记来建立用于燃气锅炉烟气含氧量预测的模型；含氧量预测模块，用于基于所述模型对燃气锅炉实时采集的数据进行烟气含氧量预测。
14.本发明实施例的第三方面，提供了一种控制设备，用于对燃气锅炉进行控制，所述控制设备至少包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现第一方面中任一项方案中所述方法的步骤。
15.本发明实施例的第四方面，提供了一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现第一方面中任一项方案中所述方法的步骤。
16.本发明实施例与现有技术相比存在的有益效果是：本发明通过利用历史数据信息来建立机器学习模型，可以适用于各个场景，同时对于模型的连接也只需少量的标记数据，不需要像物理建模那样依赖大量物理参数，因此实现了对燃气锅炉燃气含氧量的准确而可行的有效预测。
附图说明
17.为了更清楚地说明本发明实施例中的技术方案，下面将对实施例或现有技术描述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。
18.图1是实施例一提供的燃气锅炉烟气含氧量预测方法的流程图；
19.图2是示例三体用的确定延时时间的示意；
20.图3是实施例二提供的燃气锅炉烟气含氧量预测装置的结构图；
21.图4是本实施例三提供的控制设备的示意图。
具体实施方式
22.以下描述中，为了说明而不是为了限定，提出了诸如特定系统结构、技术之类的具体细节，以便透彻理解本发明实施例。然而，本领域的技术人员应当清楚，在没有这些具体细节的其它实施例中也可以实现本发明。在其它情况中，省略对众所周知的系统、装置、电路以及方法的详细说明，以免不必要的细节妨碍本发明的描述。
23.为了说明本发明所述的技术方案，下面通过具体实施例来进行说明。
24.实施例一
25.图1为实施例一提供的燃气锅炉烟气含氧量预测方法的流程图。
26.如图1所示，该燃气锅炉烟气含氧量预测方法，具体包括s01至s05五个步骤。
27.s01：通过采集烟气锅炉的历史数据信息来建立目标数据，所述目标数据包括多个含有以烟气含氧量实测值为标记的样本数据。
28.采集的历史数据信息包括但不限于对燃气锅炉上设置的采集点的数据和运行数据等。
29.在一个示例一中，具体的，所述历史数据信息可以包括开关机状态、燃气流量、燃气温度、燃气压力、空气温度、空气流量、给水流量、给水温度、主蒸汽压力、主蒸汽温度、主蒸汽流量、烟气含氧量实测值中的一个或多个属性变量。其中，根据所述历史数据信息来建立的目标数据中，所述样本数据可以标记为其中，j表示第j个变量，i表示第i个采样点。此外，可以使用各个属性变量所对应的烟气含氧量实测值作为标记，得到标记的样本数据。实际应用中，可以对部分样本数据进行标记来作为以下步骤中训练模型的训练数据，还可以选择对部分样本数据不进行标记，来作为测试集或验证集的样本数据。
30.在实际中，由于采集到的历史数据信息中有些数据可能存在缺失或者错误的情况，因此在实际中还可以具体采集到的历史数据信息进行清洗。
31.在一个示例二中，在上述步骤s01，可以具体包括：步骤s111，采集烟气锅炉的历史数据信息，确定样本数据和标记；步骤s112，根据3σ准则对对所述样本数据中的部分或全部属性变量进行数据清洗。
32.所述步骤s111中，确定的样本数据可以部分作为训练集，其含有标记，即标签数据，用于训练模型；另外，也可以部分作为验证集和测试集等。
33.所述步骤s112中，所述3σ准则，也称为3西格玛准则或3sigma准则(即三西格玛准则)，结合上述示例一来说，该3σ准则具体为：
[0034][0035]
其中，其中，是第j个变量所有采样数据的均值，var(aj)是第j个变量所有采样数据的方差。需要说明的是，如果样本数据中包括开关机状态的属性变量，则可以不对该属
性变量进行清洗。
[0036]
s02：根据锅炉的燃气流量变化，确定所述样本数据中部分或全部属性变量与锅炉的燃气流量变化之间的延时时间。
[0037]
其中，所述延时时间是样本数据中的属性变量的前移时间。
[0038]
具体的，在一个示例三中，假设样本数据中包含上述示例一所示的属性变量，则可以下列步骤来确定该延时时间：步骤s211，对烟气锅炉的燃气流量加载一个阶跃变化；步骤s212，记录从燃气流量开始变化时到样本数据中部分或全部属性变量开始相同方向明显变化的时间，确定所述时间为延迟时间。
[0039]
例如，图2为示例三体用的确定延时时间的示意图，以主蒸汽流量为属性变量为例，如图2所示，可以给燃气锅炉发送一个指令，用于对烟气锅炉的燃气流量加载一个阶跃变化，然后记录从燃气流量开始变化时到主蒸汽流量开始往同方向明显变化之间的时间θ，即延迟时间。
[0040]
s03：根据所述延时时间，至少对所述样本数据中的部分或全部属性变量进行延时补偿。
[0041]
其中，进行延时补偿需要考虑具体的属性变量，结合上述示例一来说，对样本数据中的部分属性变量进行延时补偿，可以具体是除了开关机状态、燃气流量、燃气温度、燃气压力、空气温度、空气流量六个属性变量以外，其他剩余属性变量都进行延时补偿。
[0042]
具体的，上述步骤s03可以具体包括：步骤s311，将样本数据中的部分或全部属性变量的时间向前移动所述延迟时间的单位时间；步骤s312，输出延时补偿后的样本数据。
[0043]
s04：利用延时补偿后的样本数据及其标记来建立用于燃气锅炉烟气含氧量预测的模型。
[0044]
具体的，本步骤建立的模型，可以是利用延时补偿后的样本数据对分类算法或监督学习算法类的机器学习算法进行学习得到。
[0045]
在一个示例四中，上述步骤s04，可以具体包括：s41，基于支持向量机对所述延时补偿后的样本数据及标记进行学习，生成用于燃气锅炉烟气含氧量预测的模型。本示例采用支持向量机来对该样本数据和标记进行学习得到想要的模型。当然，也可以使用其他分类算法，本发明并不仅限于建立用于燃气锅炉烟气含氧量预测的模型的具体算法类型。
[0046]
具体的，为了是建立的模型具有较高的质量，在进行学习过程中，还可以对支持向量机的核函数参数进行调整。
[0047]
紧接上述示例四来说，可以优选遗传算法来优化核函数的最优参数。即上述步骤s41可以具体包括：步骤s411，选取一个或多个最优核函数；步骤s412，基于遗传算法确定所述一个或多个最优核函数的最优参数惩罚因子和核函数参数；步骤s413，利用延时补偿后的样本数据及标记训练基于所述最优参数惩罚因子和核函数参数的支持向量机，生成用于燃气锅炉烟气含氧量预测的模型。
[0048]
其中，所述核函数可以包括但不限于线性核函数、高斯核函数、sigmoid核函数、径向基核函数中的一或多个。
[0049]
示例性的，以选取径向基核函数为例，在步骤s412中，根据遗传算法确定最优参数惩罚因子和核函数参数的过程可以包括：
[0050]
步骤s421，设置遗传算法的最大进化代数、种群最大数量，惩罚因子和核函数参数
的取值变化范围；
[0051]
步骤s422，编码和产生初始种群，并计算初始种群的适应度；
[0052]
步骤s423，对种群进行选择、交叉、变异操作，并计算适应度；
[0053]
步骤s424，判断所述适应度是否满足结束条件，若适应度满足结束条件，则进行步骤s425，否则返回步骤s423；
[0054]
步骤s425，输出经遗传算法寻优得到的参数惩罚因子和核函数参数，并基于最优参数惩罚因子和核函数参数训练支持向量机来建立模型；
[0055]
步骤s426，验证所述模型的精度，若精度达不到要求则返回步骤s421重新选择惩罚因子和核函数参数，若精度达到要求则输出模型。
[0056]
其中，上述利用遗传算法对核函数参数进行寻优，可以进一步提升模型的质量。此外，所述验证所述模型的精度，可以具体采用测试集来进行验证，其中，所述测试集可以是基于历史数据信息所确定的部分样本数据，其中该样本数据不含有标记，即所述目标数据，还可以包括不含有标记的样本数据，用于作为测试集。
[0057]
s05：基于所述模型对燃气锅炉实时采集的数据进行烟气含氧量预测。
[0058]
接着上述步骤来说，在学习得到用于燃气锅炉烟气含氧量预测的模型之后，可以通过实时采集燃气锅炉的实时数据，其中，所述实时数据即所述样本数据中包含的属性变量的属性值，将其输入该模型中，即可得到对烟气含氧量的预测结果。
[0059]
在实际中，在得到氧含量的预测结果后，还可以对该预测结果进行检查，以确定是否超标。
[0060]
具体的，在一个示例五中，上述实施例一中的方法还可以包括：
[0061]
步骤s06，将所述模型预测的烟气含氧量值与阈值进行比较；
[0062]
步骤s07，当所述含氧量值超过所述阈值时，发出报警提示。
[0063]
通过本示例，可以实现对燃气锅炉烟气含氧量的实时自动监测，如果含氧量出现异常，可以在第一时间被发现。
[0064]
应理解，上述实施例中各步骤的序号的大小并不意味着执行顺序的先后，各过程的执行顺序应以其功能和内在逻辑确定，而不应对本发明实施例的实施过程构成任何限定。
[0065]
实施例二
[0066]
在同一发明构思下，本实施例二还提供一种燃气锅炉烟气含氧量预测装置。
[0067]
见图3，为实施例二提供的燃气锅炉烟气含氧量预测装置的结构图，如图3所示，该燃气锅炉烟气含氧量预测装置300，具体包括：目标数据获取模块301，用于通过采集烟气锅炉的历史数据信息来建立目标数据，所述目标数据包括多个含有以烟气含氧量实测值为标记的样本数据；延迟时间确定模块302，用于根据锅炉的燃气流量变化，确定所述样本数据中部分或全部属性与锅炉的燃气流量变化之间的延时时间；延时补偿模块303，用于根据所述延时时间，至少对所述样本数据中的部分或全部属性变量进行延时补偿；模型建立模块304，用于利用延时补偿后的样本数据及其标记来建立用于燃气锅炉烟气含氧量预测的模型；含氧量预测模块305，用于基于所述模型对燃气锅炉实时采集的数据进行烟气含氧量预测。
[0068]
由于本实施例二与实施例一为相同发明构思，二者具有相同的特定技术特征，故
这里对该燃气锅炉烟气含氧量预测装置的具体技术内容不做详细描述，具体内容可以参见上述示例一。
[0069]
实施例三
[0070]
本实施例还提供了一种可以应用上述燃气锅炉烟气含氧量预测方法和燃气锅炉烟气含氧量预测装置的控制设备，该控制设备用于对燃气锅炉进行控制。
[0071]
见图4，为本实施例三提供的控制设备的示意图，如图4所示，所述控制设备400至少包括存储器402、处理器401以及存储在所述存储器402中并可在所述处理器401上运行的计算机程序403，例如，用于实现上述燃气锅炉烟气含氧量预测方法的程序。所述处理器401执行所述计算机程序403时实现上述各个燃气锅炉烟气含氧量预测方法实施例中的步骤，例如，图1所示的步骤s01至s05。或者，所述处理器401执行所述计算机程序403时实现上述各燃气锅炉烟气含氧量预测装置实施例中各模块/单元的功能，例如图3所示模块301至305的功能。
[0072]
示例性的，所述计算机程序403可以被分割成一个或多个模块/单元，所述一个或者多个模块/单元被存储在所述存储器402中，并由所述处理器401执行，以完成本发明。所述一个或多个模块/单元可以是能够完成特定功能的一系列计算机程序指令段，该指令段用于描述所述计算机程序403在所述控制设备中的执行过程。
[0073]
所述控制设备可以是桌上型计算机、笔记本、掌上电脑及云端服务器等计算设备。所述控制设备可包括，但不仅限于，处理器401、存储器402。本领域技术人员可以理解，图4仅仅是控制设备的示例，并不构成对控制设备的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件，例如所述控制设备还可以包括输入输出设备、网络接入设备、总线等。
[0074]
所称处理器401可以是中央处理单元(central processing unit，cpu)，还可以是其它通用处理器、数字信号处理器(digital signal processor，dsp)、专用集成电路(application specific integrated circuit，asic)、现场可编程门阵列(field-programmable gate array，fpga)或者其它可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
[0075]
所述存储器402可以是所述控制设备的内部存储单元，例如控制设备的硬盘或内存。所述存储器402也可以是所述控制设备的外部存储设备，例如所述控制设备上配备的插接式硬盘，智能存储卡(smart media card,smc)，安全数字(secure digital,sd)卡，闪存卡(flash card)等。进一步地，所述存储器402还可以既包括所述控制设备的内部存储单元也包括外部存储设备。所述存储器402用于存储所述计算机程序以及所述控制设备所需的其它程序和数据。所述存储器402还可以用于暂时地存储已经输出或者将要输出的数据。
[0076]
所属领域的技术人员可以清楚地了解到，为了描述的方便和简洁，仅以上述各功能单元、模块的划分进行举例说明，实际应用中，可以根据需要而将上述功能分配由不同的功能单元、模块完成，即将所述装置的内部结构划分成不同的功能单元或模块，以完成以上描述的全部或者部分功能。实施例中的各功能单元、模块可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中，上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。另外，各功能单
元、模块的具体名称也只是为了便于相互区分，并不用于限制本技术的保护范围。上述系统中单元、模块的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
[0077]
在上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述或记载的部分，可以参见其它实施例的相关描述。
[0078]
本领域普通技术人员可以意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本发明的范围。
[0079]
在本发明所提供的实施例中，应该理解到，所揭露的装置/终端设备和方法，可以通过其它的方式实现。例如，以上所描述的装置/终端设备实施例仅仅是示意性的，例如，所述模块或单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通讯连接可以是通过一些接口，装置或单元的间接耦合或通讯连接，可以是电性，机械或其它的形式。
[0080]
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
[0081]
另外，在本发明各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。
[0082]
所述集成的模块/单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明实现上述实施例方法中的全部或部分流程，也可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一计算机可读存储介质中，该计算机程序在被处理器执行时，可实现上述各个燃气锅炉烟气含氧量预测方法实施例的步骤。其中，所述计算机程序包括计算机程序代码，所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读介质可以包括：能够携带所述计算机程序代码的任何实体或装置、记录介质、u盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(rom，read-only memory)、随机存取存储器(ram，random access memory)、电载波信号、电信信号以及软件分发介质等。需要说明的是，所述计算机可读介质包含的内容可以根据司法管辖区内立法和专利实践的要求进行适当的增减，例如在某些司法管辖区，根据立法和专利实践，计算机可读介质不包括电载波信号和电信信号。
[0083]
以上所述实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围，均应包含在本发明的保护范围之内。