一種循環流化床鍋爐燃燒系統模型的建模方法
【技術領域】
[0001]本發明涉及一種循環流化床鍋爐燃燒系統模型的建模方法。
【背景技術】
[0002]循環流化床鍋爐具有燃料適應性廣、低污染排放等優點，是國內外廣泛推廣的一種煤燃燒技術。由于循環流化床鍋爐燃燒系統具有多變量，非線性，強耦合，時變，大慣性，參數分布等特點，存在很多的強耦合環節，機理建模困難，是一類難控的熱工對象典型。因此對其進行定性定量的分析和建模是非常必要的。
[0003]由于循環流化床鍋爐本體構造及運行時燃燒過程的復雜性，對其進行的機理建模遇到很大的困難。目前主要存在的問題:(I)、模型不夠精確，機理建模中存在很多經驗公式及近似規則，因此仿真系統無論運行多好，和真正的鍋爐燃燒過程的差距依然很大；(2)、模型非常復雜，其中包括了很多非線性方程組，很難找到有效的數值方法進行實時仿真。
[0004]近20年來，已有研究建立了一系列描述循環流化床鍋爐氣固流態化特性和流態化燃燒過程的機理數學模型，但是模型多是基于表象的宏觀解釋。目前已有研究主要是關于燃燒系統整體現場實驗建模的，主要作為定性分析的依據，實驗結果難以滿足設計控制系統所需。
[0005]在公開發表的文獻中，基于神經網絡學習的循環流化床鍋爐燃燒系統建模和控制有相關報道。主要可以分為兩大類，一類是利用神經網絡和模糊推理等智能系統描述工業系統的動態過程，得到具有非線性特性的智能系統模型；另一類是利用遺傳算法，粒子群算法和蟻群算法等智能計算技術，替代最小二乘和梯度下降等傳統辨識方法，獲得傳統控制器方便使用的傳遞函數模型；智能算法的優勢在于對系統特性要求少，多維算法需要較大的數據存儲空間，難以保證信號處理的實時性。
【發明內容】
[0006]本發明所要解決的技術問題是針對上述現有技術提供一種新的、更為合理的循環流化床鍋爐燃燒系統模型的建模方法。
[0007]本發明解決上述技術問題所采用的技術方案為:一種循環流化床鍋爐燃燒系統模型的建模方法，其特征在于:包括如下步驟
[0008]步驟一、按時間間隔次序依次采集循環流化床鍋爐燃燒系統的n+k個原始樣本，每個樣本的維數為d ;
[0009]步驟二、對n+k個原始樣本進行如下預處理:
[0010](2-1)、從第k時刻數據開始，選取當前時刻數據及前k-ι個時刻數據組成一個新的包含k個樣本的第一樣本數據；從第k+ι時刻數據開始，選取當前時刻數據及前k-Ι個時刻數據組成一個新的包含k個數據的第二樣本數據；從第k+2時刻數據開始，選取當前時刻數據及前k-Ι個時刻數據組成一個新的包含k個數據的第三樣本數據；……從第η時刻數據開始，選取當前時刻數據及前k-Ι個時刻數據組成一個新的包含k個數據的第n-k樣本數據；……從第n+k時刻數據開始，選取當前時刻數據及前k-Ι個時刻數據組成一個新的包含k個數據的第η樣本數據；依此，當遍歷完n+k個原始數據后，即得到新的η個樣本，每個樣本包含k*d個數據；
[0011](2-2)、將(2-1)得到的η個樣本數據進行歸一化處理，得到預處理后的樣本數據；
[0012]步驟三、利用深度信念網絡對預處理后的樣本數據進行降維處理，得到樣本集X，其中樣本集X包含η個樣本，每個樣本包含X個數據，而X遠小于k*d ；
[0013]步驟四、將步驟三得到的數據集X進行模糊C均值聚類，得到聚類中心和聚類半徑；
[0014]步驟五、將步驟四中得到的聚類中心和聚類半徑，作為徑向基函數神經網絡中徑向基函數的中心和擴展常數的初始值，采用梯度下降算法訓練徑向基函數神經網絡；
[0015]由步驟三訓練得到的深度信念網絡和步驟五訓練得到的徑向基函數神經網絡組成循環流化床鍋爐燃燒系統模型。
[0016]當循環流化床鍋爐燃燒系統模型建好后，如需應用該循環流化床鍋爐燃燒系統模型，則需要將采集的原始數據經過步驟三訓練得到的深度信念網絡進行降維處理，將降維后的數據作為徑向基函數神經網絡的輸入進行使用。
[0017]所述步驟三中利用的深度信念網絡模型由若干個受限波爾茨曼機堆疊而成，深度信念網絡模型所需要的受限波爾茨曼機的層數由實際建模時確定。
[0018]與現有技術相比，本發明的優點在于:該方法降低循環流化床高維數據的復雜結構，從大數據中自動學習特征，大大降低了用于后續工作的樣本數，在不對生產進行任何干預的情況下，運用歷史數據進行建模，解決了多維算法需要較大的數據存儲空間的難題，保證信號處理的實時性，為工程應用提供了一條新途徑，為循環流化床燃燒系統的建模策略研究提供了支持平臺，對進行循環流化床燃燒系統的控制研究有實際意義。
【附圖說明】
[0019]圖1為本發明實施例中循環流化床鍋爐燃燒系統模型的建模方法的流程圖。
【具體實施方式】
[0020]以下結合附圖實施例對本發明作進一步詳細描述。
[0021]本實施例中的循環流化床鍋爐燃燒系統模型的建模方法，其包括如下步驟，參見圖1所示:
[0022]步驟一、按時間間隔次序依次采集循環流化床鍋爐燃燒系統的n+k個原始樣本，每個樣本的維數為d ;
[0023]步驟二、對n+k個原始樣本進行如下預處理:
[0024](2-1)、從第k時刻數據開始，選取當前時刻數據及前k-Ι個時刻數據組成一個新的包含k個樣本的第一樣本數據；從第k+Ι時刻數據開始，選取當前時刻數據及前k-Ι個時刻數據組成一個新的包含k個數據的第二樣本數據；從第k+2時刻數據開始，選取當前時刻數據及前k-Ι個時刻數據組成一個新的包含k個數據的第三樣本數據；……從第η時刻數據開始，選取當前時刻數據及前k-Ι個時刻數據組成一個新的包含k個數據的第n-k樣本數據；……從第n+k時刻數據開始，選取當前時刻數據及前k-Ι個時刻數據組成一個新的包含k個數據的第η樣本數據；依此，當遍歷完n+k個原始數據后，即得到新的η個樣本，每個樣本包含k*d個數據；
[0025](2-2)、將(2-1)得到的η個樣本數據進行歸一化處理，得到預處理后的樣本數據；
[0026]步驟三、利用深度信念網絡對預處理后的樣本數據進行降維處理，得到樣本集X，其中樣本集X包含η個樣本，每個樣本包含X個數據，而X遠小于k*d ；
[0027]步驟四、將步驟三得到的數據集X進行模糊C均值聚類，得到聚類中心和聚類半徑；
[0028]步驟五、將步驟四中得到的聚類中心和聚類半徑，作為徑向基函數神經網絡中徑向基函數的中心和擴展常數的初始值，采用梯度下降算法訓練徑向基函數神經網絡；由步驟三訓練得到的深度信念網絡和步驟五訓練得到的徑向基函數神經網絡組成循環流化床鍋爐燃燒系統模型。
[0029]所述步驟三中利用的深度信念網絡模型由若干個受限波爾茨曼機堆疊而成，深度信念網絡模型所需要的受限波爾茨曼機的層數由實際建模時確定。
[0030]當循環流化床鍋爐燃燒系統模型建好后，如需應用該循環流化床鍋爐燃燒系統模型，則需要將采集的原始數據經過步驟三訓練得到的深度信念網絡進行降維處理，將降維后的數據作為徑向基函數神經網絡的輸入進行使用。
[0031]本發明采用深度信念網和徑向基函數神經網絡來擬合非線性大時滯模型，能有效實現建模，與傳統方法相比，它能夠擅長發現高維數據中的復雜結構，大大降低了用于后續工作的樣本數。在不對生產進行任何干預的情況下，運用歷史數據進行建模，解決了多維算法需要較大的數據存儲空間的難題，保證信號處理的實時性。
【主權項】
1.一種循環流化床鍋爐燃燒系統模型的建模方法，其特征在于:包括如下步驟 步驟一、按時間間隔次序依次采集循環流化床鍋爐燃燒系統的n+k個原始樣本，每個樣本的維數為d ; 步驟二、對n+k個原始樣本進行如下預處理: (2-1)、從第k時刻數據開始，選取當前時刻數據及前k-Ι個時刻數據組成一個新的包含k個樣本的第一樣本數據；從第k+Ι時刻數據開始，選取當前時刻數據及前k-Ι個時刻數據組成一個新的包含k個數據的第二樣本數據?’從第k+2時刻數據開始，選取當前時刻數據及前k-Ι個時刻數據組成一個新的包含k個數據的第三樣本數據；……從第η時刻數據開始，選取當前時刻數據及前k-Ι個時刻數據組成一個新的包含k個數據的第n-k樣本數據；……從第n+k時刻數據開始，選取當前時刻數據及前k-Ι個時刻數據組成一個新的包含k個數據的第η樣本數據；依此，當遍歷完n+k個原始數據后，即得到新的η個樣本，每個樣本包含k*d個數據； (2-2)、將(2-1)得到的η個樣本數據進行歸一化處理，得到預處理后的樣本數據；步驟三、利用深度信念網絡對預處理后的樣本數據進行降維處理，得到樣本集X，其中樣本集X包含η個樣本，每個樣本包含X個數據，而X遠小于k*d ； 步驟四、將步驟三得到的數據集X進行模糊C均值聚類，得到聚類中心和聚類半徑；步驟五、將步驟四中得到的聚類中心和聚類半徑，作為徑向基函數神經網絡中徑向基函數的中心和擴展常數的初始值，采用梯度下降算法訓練徑向基函數神經網絡； 由步驟三訓練得到的深度信念網絡和步驟五訓練得到的徑向基函數神經網絡組成循環流化床鍋爐燃燒系統模型。2.根據權利要求1所述的建模方法，其特征在于:當循環流化床鍋爐燃燒系統模型建好后，如需應用該循環流化床鍋爐燃燒系統模型，則需要將采集的原始數據經過步驟三訓練得到的深度信念網絡進行降維處理，將降維后的數據作為徑向基函數神經網絡的輸入進行使用。3.根據權利要求1所述的建模方法，其特征在于:所述步驟三中利用的深度信念網絡模型由若干個受限波爾茨曼機堆疊而成，深度信念網絡模型所需要的受限波爾茨曼機的層數由實際建模時確定。
【專利摘要】本發明涉及一種循環流化床鍋爐燃燒系統模型的建模方法，其特征在于：包括如下步驟：步驟一、采集循環流化床鍋爐燃燒系統的原始數據；步驟二、對原始數據進行如下預處理；步驟三、利用深度信念網絡對預處理后的樣本數據進行降維處理，得到數據集X；步驟四、將步驟三得到的數據集X進行模糊C均值聚類，得到聚類中心和聚類半徑；步驟五、將步驟四中得到的聚類中心和聚類半徑，作為徑向基函數神經網絡中徑向基函數的中心和擴展常數的初始值，采用梯度下降算法訓練徑向基函數神經網絡，將訓練得到的深度信念網絡和徑向基函數神經網絡組成循環流化床鍋爐燃燒系統模型。本發明提供的建模方法更加有效合理。
【IPC分類】G06F17/50
【公開號】CN105117527
【申請號】CN201510470936
【發明人】李瀟, 葛英輝
【申請人】寧波大學
【公開日】2015年12月2日
【申請日】2015年8月4日