火电厂一次风煤粉两相流流型预测方法及装置

1.本技术涉及火电厂的一次风煤粉输送状态领域，具体涉及一种火电厂一次风煤粉两相流流型预测方法、一种火电厂一次风煤粉两相流流型预测装置、一种机器可读存储介质及一种处理器。


背景技术：

2.为了能够稳定、持续、安全的给汽轮机提供动力，燃煤电厂锅炉需要根据不同工况及时调整燃烧策略，这其中最关键的是维持火焰稳定，火焰的稳定性与煤粉在管道中的输送状态息息相关。火电厂煤粉不同于普通固体颗粒，受煤粉颗粒湿度、粘附性的影响，加上输送气体压力的波动、输送的煤粉流动状况不稳定，有时会出现管道“堵塞”现象，轻则造成输送系统瘫痪，从而影响正常生产，重则造成巨大人员财产伤亡，造成极其恶劣的后果和影响。其次，在燃煤电厂煤粉燃烧器的燃烧系统中一次风管道内煤粉－空气混合物是典型的气固多相流动，其流速变化、浓度分布直接影响着煤粉燃烧器喷出射流的刚性，特别是不容易维持火焰形态，进而影响了煤粉燃烧器的稳定性和效率，因此非常有必要确定流型。
3.综上，研究一次风煤粉两相流形态和输送机理对于管路布置、流动控制和优化都具有重要意义。近年来，国内外都在开展煤粉在线测量技术研究，如采用热力学法、微波法、电容法、电荷法等。但这些方法一般只能测量煤粉的浓度或速度，不能实时给出煤粉的流型状态。


技术实现要素：

4.本技术实施例的目的是提供一种火电厂一次风煤粉两相流流型预测方法及装置，能够实时预测火电厂一次风煤粉两相流流型。
5.为了实现上述目的，本技术第一方面提供一种火电厂一次风煤粉两相流流型预测方法，所述方法包括：
6.基于火电厂煤粉输送历史数据构建包括火电厂的煤粉输送特征参数和火电厂一次风煤粉的两相流流型的训练数据集；
7.构建rbf神经网络，以训练数据集的煤粉输送特征参数为rbf神经网络的输入层，以训练数据集的两相流流型为输出层，训练rbf神经网络，以确定rbf神经网络的隐藏层结构以及隐藏层与输出层之间的权重系数，得到训练完成的rbf神经网络；
8.采集煤粉输送数据，基于所述训练完成的rbf神经网络对火电厂一次风煤粉的两相流流型进行实时预测。
9.在本技术实施例中，所述煤粉输送特征参数包括：锅炉炉膛内部各处的温度、锅炉炉膛内部各处的压力、一次风煤粉管道内煤粉流量、一次风煤粉管道内煤粉速度、一次风煤粉管道内风压信息和磨煤机出力。
10.在本技术实施例中，所述两相流流型包括：均匀流、疏密流、砂丘流和柱状流。
11.在本技术实施例中，还包括：在训练rbf神经网络之前，对所述训练数据集进行预
处理。
12.在本技术实施例中，对所述训练数据集进行预处理，包括：
13.对所述训练数据集中的煤粉输送特征参数以及两相流流型进行相关性分析，获得煤粉输送特征与两相流流型的相关性分析结果；
14.基于煤粉输送特征与两相流流型的相关性分析结果，筛选出与对应两相流流型相关性不低于设定阈值的煤粉输送特征进行特征组合，获得组合特征数据集；
15.采用k近邻填补算法对所述组合特征数据集进行缺失值处理，获得完整数据集；
16.采用绝对中位差法对所述完整数据集进行离群点修正或者删除处理，获得经预处理之后的训练数据集。
17.在本技术实施例中，对所述训练数据集中的煤粉输送特征参数以及两相流流型进行相关性分析，包括：
18.采用拓展性卡方检验方法对所述训练数据集中的煤粉输送特征参数以及两相流流型进行相关性分析。
19.在本技术实施例中，采用k近邻填补算法对所述组合特征数据集进行缺失值处理，获得完整数据集，包括：
20.获取所述组合特征数据集的特征属性列及数据类型，并判断所述组合特征数据集是否存在特征缺失属性列；
21.在所述组合特征数据集存在特征缺失属性列的情况下，遍历特征属性列，以筛选出特征值缺失数据和无特征值缺失数据；
22.对所述特征值缺失数据进行缺失值填充，以获得完整数据集。
23.本技术第二方面提供一种火电厂一次风煤粉两相流流型预测装置，所述装置包括：
24.构建模块，用于基于火电厂煤粉输送历史数据构建包括火电厂的煤粉输送特征参数和火电厂一次风煤粉的两相流流型的训练数据集；
25.训练模块，用于构建rbf神经网络，以训练数据集的煤粉输送特征参数为rbf神经网络的输入层，以训练数据集的两相流流型为输出层，训练rbf神经网络，以确定rbf神经网络的隐藏层结构以及隐藏层与输出层之间的权重系数，得到训练完成的rbf神经网络；
26.预测模块，用于采集煤粉输送数据，基于所述训练完成的rbf神经网络对火电厂一次风煤粉的两相流流型进行预测。
27.本技术第三方面提供一种处理器，被配置成执行上述的火电厂一次风煤粉两相流流型预测方法。
28.本技术第四方面提供一种机器可读存储介质，该机器可读存储介质上存储有指令，该指令在被处理器执行时使得所述处理器被配置成执行上述的火电厂一次风煤粉两相流流型预测方法。
29.与现有技术相比，本发明的上述技术方案具有如下有益效果：
30.本技术提供一种火电厂一次风煤粉两相流流型预测方法及装置，所述方法避免了对一次风煤粉运动状态的直接机理建模，而是采用间接方案，大大简化了对管道流型预测的复杂度，其次，采用rbf神经网络的优点在于其只有三层网络结构，训练速度较之其他深度神经网络快，并且可以无限逼近非线性分类问题，非常适合用在本技术中的分类问题对
象上。利用本技术所述方法对电厂煤粉管道的一次风煤粉流型进行实时预测，在降低成本的同时还可以达到相当高的精度。
31.本技术实施例的其它特征和优点将在随后的具体实施方式部分予以详细说明。
附图说明
32.附图是用来提供对本技术实施例的进一步理解，并且构成说明书的一部分，与下面的具体实施方式一起用于解释本技术实施例，但并不构成对本技术实施例的限制。在附图中：
33.图1示意性示出了根据本技术实施例的火电厂一次风煤粉两相流流型预测方法的应用环境示意图；
34.图2示意性示出了根据本技术实施例的火电厂一次风煤粉两相流流型预测方法的流程示意图；
35.图3示意性示出了根据本技术实施例提供的rbf网络拓扑结构图；
36.图4示意性示出了根据本技术实施例提供的k近邻缺失值填补算法流程图；
37.图5示意性示出了根据本技术实施例的火电厂一次风煤粉两相流流型预测装置的结构框图；
38.图6示意性示出了根据本技术实施例的计算机设备的内部结构图。
具体实施方式
39.机器学习以及强大的非线性逼近拟合能力在分类和回归领域被广泛应用，不同于传统工业参数检测方法需要对对象进行精确的物理建模，机器学习方法可以自主学习对象参数的特征并直接给出预测结果，在本技术实施例中，通过历史数据来对一次风煤粉两相流进行训练建模，可以让没有火电厂专业背景的工作人员也可以完成对管道内的两相流体流型的预测。
40.为使本技术实施例的目的、技术方案和优点更加清楚，下面将结合本技术实施例中的附图，对本技术实施例中的技术方案进行清楚、完整地描述，应当理解的是，此处所描述的具体实施方式仅用于说明和解释本技术实施例，并不用于限制本技术实施例。基于本技术中的实施例，本领域普通技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例，都属于本技术保护的范围。
41.需要说明，若本技术实施例中有涉及“第一”、“第二”等的描述，则该“第一”、“第二”等的描述仅用于描述目的，而不能理解为指示或暗示其相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或者隐含地包括至少一个该特征。另外，各个实施例之间的技术方案可以相互结合，但是必须是以本领域普通技术人员能够实现为基础，当技术方案的结合出现相互矛盾或无法实现时应当认为这种技术方案的结合不存在，也不在本技术要求的保护范围之内。
42.本技术提供的一种火电厂一次风煤粉两相流流型预测方法，可以应用于如图1所示的应用环境中。其中，终端102通过网络与服务器104通过网络进行通信。其中，终端102可以但不限于是各种个人计算机、笔记本电脑、智能手机、平板电脑和便携式可穿戴设备，服务器104可以用独立的服务器或者是多个服务器组成的服务器集群来实现。
43.图2示意性示出了根据本技术实施例的一种火电厂一次风煤粉两相流流型预测方法的流程示意图。如图2所示，在本技术一实施例中，提供了一种火电厂一次风煤粉两相流流型预测方法，本实施例主要以该方法应用于上述图1中的终端102(或服务器104)来举例说明，包括以下步骤：
44.步骤110，基于火电厂煤粉输送历史数据构建包括火电厂的煤粉输送特征参数和火电厂一次风煤粉的两相流流型的训练数据集。
45.在本技术实施例中，火电厂煤粉输送特征参数来自于火电厂煤粉输送历史数据。火电厂煤粉输送特征参数包括：锅炉炉膛内部各处的温度、锅炉炉膛内部各处的压力、一次风煤粉管道内煤粉流量、一次风煤粉管道内煤粉速度、一次风煤粉管道内风压信息和磨煤机出力。火电厂一次风煤粉两相流流型包括：均匀流、疏密流、砂丘流和柱状流。
46.示例性地，从火电厂dcs系统获取锅炉炉膛内部各处的温度、压力以及磨煤机负荷(磨煤机出力)等历史数据；从安装于一次风煤粉管道内各处的压力传感器、差压变送器获取风压信息，利用融合声发射和静电传感器获取一次风煤粉管道内两相流质量流量及平均流速参数。通过电容层析成像系统获取已进行标定过的流型信息作为标签：当煤粉通过管道的气流速度由高速向低速变化时，大致会出现以下几种流型，分别为均匀流、疏密流、砂丘流、柱状流四种，分别记为xa、xb、xc、xd。
47.上述四种流型分别表现为：均匀流，当气流速度为高速紊流时，煤粉颗粒在管道内悬浮输送。疏密流，煤粉颗粒呈上疏下密的非均匀分布，部分煤粉颗粒在管道底部跳跃前进。砂丘流，煤粉颗粒开始沉积呈砂丘状，底部砂丘状煤粉颗粒传送变慢，上部密集型煤粉颗粒仍然悬浮输送。柱状流，煤粉颗粒继续沉积，管道开始堵塞，流体压强增大继续向前输送。
48.步骤120，构建rbf神经网络，以训练数据集的煤粉输送特征参数为rbf神经网络的输入层，以训练数据集的两相流流型为输出层，训练rbf神经网络，以确定rbf神经网络的隐藏层结构以及隐藏层与输出层之间的权重系数，得到训练完成的rbf神经网络。
49.在本技术实施例中，搭建径向基神经网络(radial basis function，rbf)。径向基神经网络只有三层，其拓扑结构如图3所示，第一层输入由特征维度确定，输入节点的个数等于特征维度数。选取高斯函数为核函数，即激活函数
[0050][0051]
输入层与隐藏层全连接，层内无连接，且输入层到隐藏层的神经元之间的权重全部为1。隐藏层神经元个数与样本个数相等。第三层为分类输出，共有四个输出点。
[0052]
该神经网络的初始设置如下：
[0053]
(1)rbf神经网络初始化中心c：
[0054][0055]
其中，c
ji
代表隐含层各神经元的中心参数，mini是训练集中第i个特征所有输入信息的最小值，maxi为训练集中第i个特征所有输入信息的最大值，p为隐含层神经元总个数，j＝1,2,3
…
p。
[0056]
不同隐含层神经元的中心应有不同的取值，并且与中心的对应宽度能够调节，使得不同的输入信息特征能被不同的隐含层神经元最大的反映出来。一个输入信息总是包含在一定的取值范围内。不失一般性，将隐含层各神经元的中心分量的初值，按从小到大等间距变化，使较弱的输入信息在较小的中心附近产生较强的响应。间距的大小可由隐藏层神经元的个数来调节。其好处是能够通过试凑的方法找到较为合理的隐含层神经元数，并使中心的初始化尽量合理，不同的输入特征更为明显地在不同的中心处反映出来。
[0057]
(2)初始化宽度向量d：
[0058][0059]
其中，d
ij
为宽度向量，df为宽度调节系数，取值小于1，作用是使每个隐含层神经元更容易实现对局部信息的感受能力，有利于提高rbf神经网络的局部响应能力，c
ji
分别为输入的k次幂以及上文所述隐含层中心。
[0060]
宽度向量影响着神经元对输入信息的作用范围：宽度越小，相应隐含层神经元作用函数的形状越窄，那么处于其他神经元中心附近的信息在该神经元出的响应就越小。在本技术实施例中，rbf神经网络利用梯度下降法来更新权重参数，使用softmax loss作为损失函数。
[0061]
步骤130，采集煤粉输送数据，基于所述训练完成的rbf神经网络对火电厂一次风煤粉的两相流流型进行实时预测。
[0062]
在本技术实施例中，利用训练完成的rbf神经网络对火电厂一次风煤粉两相流流型进行实时预测，在降低成本的同时还可以达到相当高的精度。
[0063]
在本技术实施例中，所述方法还包括：在步骤110之后，在训练rbf神经网络之前，对所述步骤110得到的训练数据集进行预处理，获得经预处理之后的训练数据集。在步骤120中，采用经预处理之后的训练数据集对所述rbf神经网络进行训练。其中，所述预处理具体包括步骤111-步骤114：
[0064]
步骤111，对所述训练数据集中的煤粉输送特征参数以及两相流流型进行相关性分析，获得煤粉输送特征与两相流流型的相关性分析结果。
[0065]
步骤112，基于煤粉输送特征与两相流流型的相关性分析结果，筛选出与对应两相流流型相关性不低于设定阈值的煤粉输送特征进行特征组合，获得组合特征数据集。
[0066]
步骤113，采用k近邻填补算法对所述组合特征数据集进行缺失值处理，获得完整数据集。
[0067]
步骤114，采用绝对中位差法对所述完整数据集进行离群点修正或者删除处理，获得经预处理之后的训练数据集。
[0068]
在本技术实施例中，数据预处理主要包括相关性分析、特征选择和组合、缺失值处理、以及删除离群点。首先，将数据按3:1划分为训练集和测试集。
[0069]
a.相关性分析：
[0070]
考虑到采集到的煤粉输送的过程参数是连续值，流型分布是离散值，且变量的观测值并不成对，于是采用拓展性卡方检验对训练集中步骤110中所述煤粉输送特征参数以及四类流型(均匀流xa、疏密流xb、砂丘流xc和柱状流xd)进行相关性分析。其基本原理及具
体方法如下：
[0071]
卡方检验是以x2分布为基础的假设检验方法，其原假设h0是：观察频数与期望频数没有差别。具体来说，首先假设h0成立，基于此前提计算出x2值，它表示观察值与理论值之间的偏离程度。再根据x2分布及自由度可以确定在h0假设成立的情况下获得当前统计量及更极端情况的概率p。如果p值很小，说明观察值与理论值偏离程度太大，应当拒绝原假设，表示变量之间有显著差异；否则接受原假设，尚不能认为样本所代表的实际情况和理论假设有差别。同时，借助于卡方分布求出所对应的p值来确定x2在对应问题中h0拒绝阈。
[0072]
利用卡方原理，设训练数据集的样本数量为n，以管道气流速度参数为例来对特征数据和流型进行相关性分析具体做法为：
[0073]
(1)将xa、xb、xc、xd分别标记为0、1、2、3并计算样本中不同流型取值的占比，分别记为n0、n1、n2、n3。
[0074]
(2)计算气流速度参数特征总行，并统计不同流型频数l0、l1、l2、l3。
[0075]
(3)在原假设为相互独立的情况下，分别计算0类、1类、2类、3类的期望值e0、e1、e2、e3
[0076]
(4)计算统计量x2：
[0077][0078]
其中，l0表示均匀流频数，e0表示均匀流期望值，l1表示疏密流频数，e1表示疏密流期望值，l2表示砂丘流频数，e2表示砂丘流期望值，l3表示柱状流频数，e3表示柱状流期望值。
[0079]
(5)自由度为标签不同取值总数减一，故为3，通过查看卡方检验表判断是否拒绝原假设进而判定气流速度是否与流型高度相关。
[0080]
用同样的方法对采集到的所有连续参数进行相关性分析，为下一步进行特征选择和组合做准备。
[0081]
b.特征组合
[0082]
得到各特征与流型的相关性，并按照从大到小排序，筛选出与对应流型相关性高的特征，将相关性高的特征之间进行组合，测试组合特征与与对应流型的相关性，绘制特征与流型关系的直方图进而得出n个独立的新特征。
[0083]
c.缺失值处理
[0084]
对缺失值进行处理。如图4所示，采用k近邻(k-nearest neighbor，knn)填补算法对缺失值缺少的特征进行补充。其基本原理是：将整个数据集分成两个部分即完全数据集与不完全数据集。分别代表不含缺失值的数据集和含有缺失值的数据集。在完全数据集中找到与目标填补值所在样本的k个最近邻样本，找到k个样本中缺失值所在的属性列对应的数据，即可得到与缺失数据邻近的k个数值，最后根据这k个数值去填补所缺失的数据。主要步骤为：
[0085]
(1)对数据进行初始化，将新特征组成m
×
n维数据集，构造数据矩阵：
[0086]
x＝{x1，x2，...，xm}；
[0087]
其中，x代表数据矩阵，xi代表每个样本的特征列，即共有m个。
[0088]
(2)计算出目标值(设为x
ir
)所对应的样本实例与其他样本实例间的距离(采用欧
式距离)：
[0089][0090]
其中，d代表欧式距离，x
ir
、x
jr
分别是目标值所在样本除缺失值外的其他特征值、完整样本与待补充样本对应的特征值在数据集x中找到与x
ir
最邻近的k个数据点，即x
ir
的k近邻数据。
[0091]
(3)算出缺失值的替代值：
[0092][0093]
其中,ω
ir
为k个最近邻的权值，取值为距离的倒数。
[0094]
d.删除离群点
[0095]
采用绝对中位差法(median absolute deviation，mad)删除离群点。
[0096]
具体做法是：
[0097]
(1)计算经过a-c处理后的所有数据点的中位值m(x)。
[0098]
(2)计算所有数据点与中位值的偏差am＝abs(x
i-m(x))。
[0099]
(3)取得绝对偏差的中位值，即mad值。mad＝m(abs(xi–
m(x)))。
[0100]
(4)令d(xi)＝am/mad，设置参数n(n》1)，若d(xi)》n，判定为离群点，删除该点，否则保留该点。n值根据数据情况适当选取。
[0101]
图2为一个实施例中火电厂一次风煤粉两相流流型预测方法的流程示意图。应该理解的是，虽然图2的流程图中的各个步骤按照箭头的指示依次显示，但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明，这些步骤的执行并没有严格的顺序限制，这些步骤可以以其它的顺序执行。而且，图2中的至少一部分步骤可以包括多个子步骤或者多个阶段，这些子步骤或者阶段并不必然是在同一时刻执行完成，而是可以在不同的时刻执行，这些子步骤或者阶段的执行顺序也不必然是依次进行，而是可以与其它步骤或者其它步骤的子步骤或者阶段的至少一部分轮流或者交替地执行。
[0102]
在一个实施例中，如图5所示，提供了一种火电厂一次风煤粉两相流流型预测装置，包括：构建模块210、训练模块220以及预测模块230，其中：
[0103]
构建模块210，用于基于火电厂煤粉输送历史数据构建包括火电厂的煤粉输送特征参数和火电厂一次风煤粉的两相流流型的训练数据集；
[0104]
训练模块220，用于构建rbf神经网络，以训练数据集的煤粉输送特征参数为rbf神经网络的输入层，以训练数据集的两相流流型为输出层，训练rbf神经网络，以确定rbf神经网络的隐藏层结构以及隐藏层与输出层之间的权重系数，得到训练完成的rbf神经网络；
[0105]
预测模块230，用于采集煤粉输送数据，基于所述训练完成的rbf神经网络对火电厂一次风煤粉的两相流流型进行预测。
[0106]
所述火电厂一次风煤粉两相流流型预测装置包括处理器和存储器，上述构建模块210、训练模块220以及预测模块230等均作为程序单元存储在存储器中，由处理器执行存储在存储器中的上述程序模块中实现相应的功能。
[0107]
处理器中包含内核，由内核去存储器中调取相应的程序单元。内核可以设置一个
或以上，通过调整内核参数来实现火电厂一次风煤粉两相流流型预测方法。
[0108]
存储器可能包括计算机可读介质中的非永久性存储器，随机存取存储器(ram)和/或非易失性内存等形式，如只读存储器(rom)或闪存(flash ram)，存储器包括至少一个存储芯片。
[0109]
本技术实施例提供了一种存储介质，其上存储有程序，该程序被处理器执行时实现上述火电厂一次风煤粉两相流流型预测方法。
[0110]
在一个实施例中，提供了一种计算机设备，该计算机设备可以是终端，其内部结构图可以如图6所示。该计算机设备包括通过系统总线连接的处理器a01、网络接口a02、显示屏a04、输入装置a05和存储器(图中未示出)。其中，该计算机设备的处理器a01用于提供计算和控制能力。该计算机设备的存储器包括内存储器a03和非易失性存储介质a06。该非易失性存储介质a06存储有操作系统b01和计算机程序b02。该内存储器a03为非易失性存储介质a06中的操作系统b01和计算机程序b02的运行提供环境。该计算机设备的网络接口a02用于与外部的终端通过网络连接通信。该计算机程序被处理器a01执行时以实现一种火电厂一次风煤粉两相流流型预测方法。该计算机设备的显示屏a04可以是液晶显示屏或者电子墨水显示屏，该计算机设备的输入装置a05可以是显示屏上覆盖的触摸层，也可以是计算机设备外壳上设置的按键、轨迹球或触控板，还可以是外接的键盘、触控板或鼠标等。
[0111]
本领域技术人员可以理解，图6中示出的结构，仅仅是与本技术方案相关的部分结构的框图，并不构成对本技术方案所应用于其上的计算机设备的限定，具体的计算机设备可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。
[0112]
在一个实施例中，本技术提供的火电厂一次风煤粉两相流流型预测装置可以实现为一种计算机程序的形式，计算机程序可在如图6所示的计算机设备上运行。计算机设备的存储器中可存储组成该火电厂一次风煤粉两相流流型预测装置的各个程序模块，比如，图5所示的构建模块210、训练模块220和预测模块230。各个程序模块构成的计算机程序使得处理器执行本说明书中描述的本技术各个实施例的火电厂一次风煤粉两相流流型预测方法中的步骤。
[0113]
图6所示的计算机设备可以通过如图5所示的火电厂一次风煤粉两相流流型预测装置中的构建模块210执行步骤110。计算机设备可通过训练模块220执行步骤120。计算机设备可通过预测模块230执行步骤130。
[0114]
本技术实施例提供了一种设备，设备包括处理器、存储器及存储在存储器上并可在处理器上运行的程序，处理器执行程序时实现以下步骤：
[0115]
步骤110，基于火电厂煤粉输送历史数据构建包括火电厂的煤粉输送特征参数和火电厂一次风煤粉两相流流型的训练数据集。
[0116]
步骤120，构建rbf神经网络，以训练数据集的煤粉输送特征参数为rbf神经网络的输入层，以训练数据集的两相流流型为输出层，训练rbf神经网络，以确定rbf神经网络的隐藏层结构以及隐藏层与输出层之间的权重系数，得到训练完成的rbf神经网络。
[0117]
步骤130，采集煤粉输送数据，基于所述训练完成的rbf神经网络对火电厂一次风煤粉两相流流型进行实时预测。
[0118]
在一个实施例中，所述煤粉输送特征参数包括：锅炉炉膛内部各处的温度、锅炉炉膛内部各处的压力、一次风煤粉管道内煤粉流量、一次风煤粉管道内煤粉速度、一次风煤粉
管道内风压信息和磨煤机出力。
[0119]
在一个实施例中，所述两相流流型包括：均匀流、疏密流、砂丘流和柱状流。
[0120]
在一个实施例中，还包括：在训练rbf神经网络之前，对所述训练数据集进行预处理。
[0121]
在一个实施例中，对所述训练数据集进行预处理，包括：
[0122]
对所述训练数据集中的煤粉输送特征参数以及两相流流型进行相关性分析，获得煤粉输送特征与两相流流型的相关性分析结果；
[0123]
基于煤粉输送特征与两相流流型的相关性分析结果，筛选出与对应两相流流型相关性不低于设定阈值的煤粉输送特征进行特征组合，获得组合特征数据集；
[0124]
采用k近邻填补算法对所述组合特征数据集进行缺失值处理，获得完整数据集；
[0125]
采用绝对中位差法对所述完整数据集进行离群点修正或者删除处理，获得经预处理之后的训练数据集。
[0126]
在一个实施例中，对所述训练数据集中的煤粉输送特征参数以及两相流流型进行相关性分析，包括：采用拓展性卡方检验方法对所述训练数据集中的煤粉输送特征参数以及两相流流型进行相关性分析。
[0127]
在本实施例中，主要考虑到在现有机器学习常用库中可以比较容易用卡方检验实现离散变量和连续变量之间的相关性分析，且效果相对较好，故而相关性分析选用了卡方验证。也可以使用其他例如决策树、c4.5等进行相关性分析。
[0128]
在一个实施例中，采用k近邻填补算法对所述组合特征数据集进行缺失值处理，获得完整数据集，包括：
[0129]
获取所述组合特征数据集的特征属性列及数据类型，并判断所述组合特征数据集是否存在特征缺失属性列；
[0130]
在所述组合特征数据集存在特征缺失属性列的情况下，遍历特征属性列，以筛选出特征值缺失数据和无特征值缺失数据；
[0131]
对所述特征值缺失数据进行缺失值填充，以获得完整数据集。
[0132]
本技术实施例提供的一种火电厂一次风煤粉两相流流型预测方法及装置，避免了对一次风煤粉运动状态的直接机理建模，而是采用间接方案，对与之相关的庞大参数进行相关性分析和特征重组，从而大大简化了对管道流型预测的复杂度，其次，采用rbf网络的优点在于其只有三层网络结构，训练速度较之其他深度网络块，并且可以无限逼近非线性分类问题，非常适合用在本发明中的分类问题对象上。利用本技术实施例对电厂煤粉管道的一次风煤粉流型就行实时预测在降低成本的同时可以达到相当高的精度。
[0133]
本领域内的技术人员应明白，本技术的实施例可提供为方法、系统、或计算机程序产品。因此，本技术可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本技术可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、cd-rom、光学存储器等)上实施的计算机程序产品的形式。
[0134]
本技术是参照根据本技术实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序
指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
[0135]
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
[0136]
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
[0137]
在一个典型的配置中，计算设备包括一个或多个处理器(cpu)、输入/输出接口、网络接口和内存。
[0138]
存储器可能包括计算机可读介质中的非永久性存储器，随机存取存储器(ram)和/或非易失性内存等形式，如只读存储器(rom)或闪存(flash ram)。存储器是计算机可读介质的示例。
[0139]
计算机可读介质包括永久性和非永久性、可移动和非可移动媒体，可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括，但不限于相变内存(pram)、静态随机存取存储器(sram)、动态随机存取存储器(dram)、其他类型的随机存取存储器(ram)、只读存储器(rom)、电可擦除可编程只读存储器(eeprom)、快闪记忆体或其他内存技术、只读光盘只读存储器(cd-rom)、数字多功能光盘(dvd)或其他光学存储、磁盒式磁带，磁带磁磁盘存储或其他磁性存储设备或任何其他非传输介质，可用于存储可以被计算设备访问的信息。按照本文中的界定，计算机可读介质不包括暂存电脑可读媒体(transitory media)，如调制的数据信号和载波。
[0140]
还需要说明的是，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、商品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、商品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个
……”
限定的要素，并不排除在包括要素的过程、方法、商品或者设备中还存在另外的相同要素。
[0141]
以上仅为本技术的实施例而已，并不用于限制本技术。对于本领域技术人员来说，本技术可以有各种更改和变化。凡在本技术的精神和原理之内所作的任何修改、等同替换、改进等，均应包含在本技术的权利要求范围之内。

技术特征：
1.一种火电厂一次风煤粉两相流流型预测方法，其特征在于，所述方法包括：基于火电厂煤粉输送历史数据构建包括火电厂的煤粉输送特征参数和火电厂一次风煤粉的两相流流型的训练数据集；构建rbf神经网络，以训练数据集的煤粉输送特征参数为rbf神经网络的输入层，以训练数据集的两相流流型为输出层，训练rbf神经网络，以确定rbf神经网络的隐藏层结构以及隐藏层与输出层之间的权重系数，得到训练完成的rbf神经网络；采集煤粉输送数据，基于所述训练完成的rbf神经网络对火电厂一次风煤粉的两相流流型进行实时预测。2.根据权利要求1所述的方法，其特征在于，所述煤粉输送特征参数包括：锅炉炉膛内部各处的温度、锅炉炉膛内部各处的压力、一次风煤粉管道内煤粉流量、一次风煤粉管道内煤粉速度、一次风煤粉管道内风压信息和磨煤机出力。3.根据权利要求1所述的方法，其特征在于，所述两相流流型包括：均匀流、疏密流、砂丘流和柱状流。4.根据权利要求1所述的方法，其特征在于，还包括：在训练rbf神经网络之前，对所述训练数据集进行预处理。5.根据权利要求4所述的方法，其特征在于，对所述训练数据集进行预处理，包括：对所述训练数据集中的煤粉输送特征参数以及两相流流型进行相关性分析，获得煤粉输送特征与两相流流型的相关性分析结果；基于煤粉输送特征与两相流流型的相关性分析结果，筛选出与对应两相流流型相关性不低于设定阈值的煤粉输送特征进行特征组合，获得组合特征数据集；采用k近邻填补算法对所述组合特征数据集进行缺失值处理，获得完整数据集；采用绝对中位差法对所述完整数据集进行离群点修正或者删除处理，获得经预处理之后的训练数据集。6.根据权利要求5所述的方法，其特征在于，对所述训练数据集中的煤粉输送特征参数以及两相流流型进行相关性分析，包括：采用拓展性卡方检验方法对所述训练数据集中的煤粉输送特征参数以及两相流流型进行相关性分析。7.根据权利要求5所述的方法，其特征在于，采用k近邻填补算法对所述组合特征数据集进行缺失值处理，获得完整数据集，包括：获取所述组合特征数据集的特征属性列及数据类型，并判断所述组合特征数据集是否存在特征缺失属性列；在所述组合特征数据集存在特征缺失属性列的情况下，遍历特征属性列，以筛选出特征值缺失数据和无特征值缺失数据；对所述特征值缺失数据进行缺失值填充，以获得完整数据集。8.一种火电厂一次风煤粉两相流流型预测装置，其特征在于，所述装置包括：构建模块，用于基于火电厂煤粉输送历史数据构建包括火电厂的煤粉输送特征参数和火电厂一次风煤粉的两相流流型的训练数据集；训练模块，用于构建rbf神经网络，以训练数据集的煤粉输送特征参数为rbf神经网络的输入层，以训练数据集的两相流流型为输出层，训练rbf神经网络，以确定rbf神经网络的
隐藏层结构以及隐藏层与输出层之间的权重系数，得到训练完成的rbf神经网络；预测模块，用于采集煤粉输送数据，基于所述训练完成的rbf神经网络对火电厂一次风煤粉的两相流流型进行预测。9.一种处理器，其特征在于，被配置成执行根据权利要求1至7中任一项所述的火电厂一次风煤粉两相流流型预测方法。10.一种机器可读存储介质，该机器可读存储介质上存储有指令，其特征在于，该指令在被处理器执行时使得所述处理器被配置成执行根据权利要求1至7中任一项所述的火电厂一次风煤粉两相流流型预测方法。

技术总结
本申请实施例提供一种火电厂一次风煤粉两相流流型预测方法及装置，属于火电厂的一次风煤粉输送状态领域。所述方法包括：基于火电厂煤粉输送历史数据构建包括火电厂的煤粉输送特征参数和火电厂一次风煤粉的两相流流型的训练数据集；构建RBF神经网络，以训练数据集的煤粉输送特征参数为RBF神经网络的输入层，以训练数据集的两相流流型为输出层，训练RBF神经网络，得到训练完成的RBF神经网络；采集煤粉输送数据，基于所述训练完成的RBF神经网络对火电厂一次风煤粉的两相流流型进行实时预测。本申请所述方法能够对电厂煤粉管道的一次风煤粉流型进行实时预测，在降低成本的同时还可以达到相当高的精度。可以达到相当高的精度。可以达到相当高的精度。


技术研发人员：王文彬 钱相臣 王昕 吴真 高满达 王一男 胡永辉 谢天 高兴 贺旭杰
受保护的技术使用者：华北电力大学 国电建投内蒙古能源有限公司
技术研发日：2023.02.14
技术公布日：2023/8/14