一种基于决策树和蚁群算法的电厂锅炉效率优化方法

摘要

本发明公开了一种基于决策树和蚁群算法的电厂锅炉效率优化方法。本发明针对已有的锅炉效率回归模型往往输入参数很多但回归效果提升不大，且过多的参数大大增加计算负担，提出置换重要性方法对参数进行排序，选取对锅炉效率的影响相对较大的重要参数进行锅炉效率建模。针对锅炉效率建模和操作参数寻优大多停留在理论阶段，对实际工况中的参数调整幅度、前后调整行为的一致性未曾考虑，本发明提出在蚁群算法的适应度函数中增加操作参数的惯性调节部分和偏置调节部分。由此，本发明能够高效地根据锅炉的实时机组运行参数，实现电厂锅炉操作参数的优化，保证锅炉效率始终处于最佳水平。

说明书

技术领域

本发明涉及电厂锅炉效率提高领域，尤其涉及一种基于决策树和蚁群算法的电厂锅炉效率优化方法。

背景技术

近十年来，尽管核能、潮汐能、风能、太阳能等新能源的发电量呈现不断提高的趋势，但目前我国火电装机容量仍占电力总装机容量的一半以上。锅炉是火力发电不可或缺的大型装备之一，具有复杂性和系统性，占据发电过程中相当可观的用煤量。燃煤锅炉在实际运行时，如果效率低于设计值，不仅降低生产效率，而且影响锅炉的安全运行。因此如何提高锅炉效率，降低发电成本，一直是专家学者们的重点关注问题之一。随着人工智能技术的发展，有研究学者分别采用自适应最小二乘向量机、广义回归神经网络、数据挖掘算法等对锅炉进行建模。然后，将遗传算法、信息分析和蚁群优化等优化方法相结合，进行优化操作参数的搜索，得到最优操作参数控制值。但是以上方法往往由于锅炉参数众多，导致模型复杂且精度较低，优化迭代计算过程中收敛速度过慢，不易对实时工况的燃烧过程进行指导。此外，人工智能技术对锅炉建模和操作参数寻优大多停留在理论阶段，对实际工况中的参数调整幅度、前后调整行为的一致性未曾考虑。

发明内容

为了克服现有的结合回归模型和优化算法对锅炉效率优化的精度低、速度慢、实用性较差的不足，本发明提供了一种基于决策树和蚁群算法的电厂锅炉效率优化方法。

为了解决上述技术问题提供的技术方案为：

一种基于决策树和蚁群算法的电厂锅炉效率优化方法，其包括如下步骤：

S1、采集与电厂中的锅炉效率有关的机组运行参数和操作参数的历史数据，并创建训练数据集，对训练数据集数据进行预处理；

S2、利用回归决策树判断所述训练数据集中的每个参数对锅炉效率的重要度并按照重要度对参数进行排序，选取排序靠前的若干参数作为参数集合，并以参数集合作为输入参数重新优化回归决策树的超参数；

S3、基于优化得到的回归决策树改进蚁群优化算法的框架及核心算子，得到用于优化锅炉效率的蚁群优化算法；

S4、将所述参数集合中所有机组运行参数的当前参数值作为蚁群优化算法的输入，由蚁群优化算法对所述参数集合中所有操作参数进行寻优，输出使锅炉效率最高的操作参数值，用于对电厂锅炉进行效率优化。

作为优选，所述步骤S1具体包括以下步骤：

S101、针对根据锅炉运行机理和专家经验确定的与锅炉效率相关的机组运行参数和操作参数，从电厂锅炉的实际运行过程中采集每个机组运行参数和操作参数的历史数据；所述的机组运行参数为机组运行中不可人为调节的参数，操作参数为机组运行中可人为调节的参数；

S102、对S101中采集的历史数据进行异常值剔除，并对采集的机组运行参数值和操作参数值进行归一化，得到训练数据集。

进一步的，在步骤S102中，所述归一化采用标准的离差标准化方法。

作为优选，所述步骤S2具体包括以下步骤：

S201、利用所述训练数据集中的所有参数构建用于预测电厂锅炉效率的回归决策树，并使用置换重要性方法判断训练数据集中各参数对锅炉效率的重要度；

S202、将各参数按照重要度从大到小进行排序，从前往后选取对锅炉效率的回归贡献度最大的若干参数形成参数集合；

S203、以所述参数集合中的所有参数作为回归决策树的输入参数，使用网格搜索法对该回归决策树的超参数进行调参，直至得到回归效果最佳的超参数组合，进而形成优化后的回归决策树。

进一步的，在步骤S201中，所述置换重要性方法通过依次使用随机打乱的值替换训练数据集中的不同参数值，根据锅炉效率回归的准确度的下降程度判断各参数对锅炉效率的相对影响大小，从而得到每个参数的重要度。

进一步的，在步骤S202中，挑选参数形成所述参数集合的标准为：按照重要度从大到小的顺序，依次将排序最靠前的参数纳入所述参数集合中，直至参数集合中所有参数的重要度之和不低于95％为止。

作为优选，所述步骤S3具体包括以下步骤：

S301、选取回归决策树输入参数中的运行参数作为蚁群算法的输入参数，而回归决策树输入参数中的所有操作参数作为蚁群算法的待寻优参数，并在蚁群算法基础上结合回归决策树得到用于优化锅炉效率的蚁群优化算法，其中蚁群优化算法的适应度函数包含三部分，分别为回归决策树输出的可行解的锅炉效率回归值部分、惯性调节部分和偏置调节部分；

S302、设定蚁群优化算法的超参数，包括蚁群优化算法的迭代次数、种群大小和信息素挥发系数。

进一步的，在步骤S301中，所述蚁群优化算法通过模拟蚁群觅食寻找最短路的过程来寻找提高锅炉效率的参数，核心算子的步骤如下：

S3011、根据信息素计算转移概率，计算公式为：

其中m为当前解空间中的可行解的个数，τ

S3012、根据转移概率P

其中，随机数rands∈[-1，1]，P

S3013、根据当前信息素更新下一次迭代的信息素，信息素更新公式为：

τ

其中，Q为常数，表示蚂蚁循环一次所释放的信息素总量；ρ为信息素挥发系数；f(X)为适应度函数，f(X)越大，蚂蚁所在的可行解X对应位置的信息素越高。

进一步的，所述蚁群优化算法中，适应度函数用于对蚁群算法搜索空间中的可行解的优劣进行定量评价，公式为：

f(X)＝Y(X)+αI(X)+βB(X) (4)

其中：

第一部分Y(X)为将可行解X的参数值作为回归决策树的输入，由回归决策树输出的可行解的锅炉效率回归值；

第二部分αI(X)为惯性调节部分，其中系数α为负数，参数I(X)的计算公式为：

其中，n为待寻优的操作参数的个数，x

第三部分βB(X)为偏置调节部分，其中系数β为负数，参数B(X)的计算公式为：

作为优选，所述步骤S4具体包括以下步骤：

S41、将所述参数集合中所有机组运行参数的当前参数值作为蚁群优化算法的输入，由蚁群优化算法对所述参数集合中所有操作参数进行随机初始化，得到一系列操作参数向量；

S42、基于蚁群优化算法对操作参数向量进行迭代寻优，每一轮迭代均需要将每组操作参数向量分别和当前的机组运行参数向量结合并作为回归决策树的输入参数，对每组操作参数向量对应的锅炉效率进行回归；

S43、经过蚁群优化算法的不断迭代，迭代出锅炉效率最高的最佳操作参数向量，并基于回归决策树对该最佳操作参数向量和当前的机组运行参数向量进行回归得到对应的锅炉效率，并将回归得到的锅炉效率与当前实际锅炉效率作比较，若回归得到的锅炉效率更高，则将锅炉系统中各操作参数的值调整为所述最佳操作参数向量中的各操作参数值，否则依然保持锅炉系统中各操作参数的值不变。

本发明的基于决策树和蚁群算法的电厂锅炉效率优化方法，与现有技术相比，具有以下优点：

由于本发明的基于决策树和蚁群算法的电厂锅炉效率优化方法，针对已有的锅炉效率回归模型往往输入参数很多但回归效果提升不大，且过多的参数大大增加计算负担，提出置换重要性方法对参数进行排序，选取对锅炉效率的影响相对较大的重要参数进行锅炉效率建模。针对锅炉效率建模和操作参数寻优大多停留在理论阶段，对实际工况中的参数调整幅度、前后调整行为的一致性未曾考虑，本发明提出在蚁群算法的适应度函数中增加操作参数的惯性调节部分和偏置调节部分。由此，本发明能够高效地根据锅炉的实时机组运行参数，实现电厂锅炉操作参数的优化，保证锅炉效率始终处于最佳水平。

附图说明

图1为基于决策树和蚁群算法的电厂锅炉效率优化方法的流程图。

图2为基于决策树和蚁群算法的电厂锅炉效率优化方法的测试结果。

具体实施方式

为了更好地理解本申请，将参考附图对本申请的各个方面做出更详细的说明。应理解，这些详细说明只是对本申请的示例性实施方式的描述，而非以任何方式限制本申请的范围。

下面本具体实施例用一个火力发电厂锅炉的真实案例来阐述具体操作步骤以及验证所提出方法的有效性。

本发明公开了一种基于决策树和蚁群算法的电厂锅炉效率优化方法，所述方法包括以下步骤：

S1、采集与电厂中的锅炉效率有关的机组运行参数和操作参数的历史数据，并创建训练数据集，对训练数据集数据进行预处理。本实施例中，步骤S1具体包括以下子步骤：

S101、针对根据锅炉运行机理和专家经验确定的与锅炉效率相关的机组运行参数和操作参数，从电厂锅炉的实际运行过程中采集每个机组运行参数和操作参数的历史数据。其中机组运行参数为机组运行中不可人为调节的参数，操作参数为机组运行中可人为调节的参数。

具体的机组运行参数和操作参数的历史数据可根据实际需要调整，一方面可根据锅炉运行机理选出与锅炉效率相关的参数变量，另一方面亦可借鉴专家经验进一步筛选增删。对于机组运行参数而言，由于其属于机组运行过程中的固有参数，无法被调整，因此本发明中仅将其作为建模的部分输入，而对于操作参数而言，其可以人为调节，因此这些参数可以作为本发明后续寻优的对象，通过参数寻优对其进行优化，以期提高锅炉效率。

S102、对S101中采集的历史数据进行异常值剔除，并对采集的机组运行参数值和操作参数值进行归一化，得到训练数据集。归一化时采用离差标准化方法，需注意的是，对测试集的标准化使用的各参数的最大值和最小值为训练数据集中各参数的最大值和最小值，以保证数据的可比性。

本实施例中，根据步骤S1，锅炉系统中各参数的数据采集频率为1分钟1次，以减轻由传感器或设备原因造成的数据震荡频率过大。另外，除了训练数据集之外，还按照同样的方式采集了测试集，以验证本发明的效果。模型中的训练集和测试集的数据均为每分钟的前3秒数据的平均值。本实施例中的锅炉额定负荷为1050MW，最终训练数据集包括20160个样本点，测试集包含3000个样本点，总计23160个样本点。

S2、利用回归决策树判断训练数据集中的每个参数对锅炉效率的重要度并按照重要度对参数进行排序，选取排序靠前的若干参数作为参数集合，并以参数集合作为输入参数重新优化回归决策树的超参数。本实施例中，步骤S2具体包括以下子步骤：

S201、利用上述训练数据集中的所有参数构建用于预测电厂锅炉效率的回归决策树，并使用置换重要性方法判断训练数据集中各参数对锅炉效率的重要度；

S202、将各参数按照重要度从大到小进行排序，从前往后选取对锅炉效率的回归贡献度最大的若干参数形成参数集合。

S203、以上述参数集合中的所有参数作为回归决策树的输入参数，使用网格搜索法对该回归决策树的超参数进行调参，直至得到回归效果最佳的超参数组合，进而形成优化后的回归决策树。

置换重要性方法的主要依据是用随机排列的值替换特征参数值，会导致模型准确度的下降，以模型准确度下降的程度来判断该特征参数对目标变量的影响大小。置换重要性方法具体是通过依次使用随机打乱的值替换训练数据集中的不同参数值，根据锅炉效率回归的准确度的下降程度判断各参数对锅炉效率的相对影响大小，从而得到每个参数的重要度。参数集合中参数指标应当涵盖较为重要的参数，即选择对锅炉效率的回归贡献度最大的部分参数，筛除锅炉效率的回归贡献度较小的参数，本实施例中挑选参数形成参数集合的标准为：按照重要度从大到小的顺序，依次将排序最靠前的参数纳入参数集合中，直至参数集合中所有参数的重要度之和不低于95％为止。

本实施例中，最终用于建模的影响锅炉燃烧的参数集合中共含有13个参数，按照重要度从大到小排列依次为：省煤器出口烟气氧量A1，B空预器出口烟气温度选择值，省煤器出口烟气氧量A3，A空预器出口烟气温度选择值，省煤器出口烟气氧量A2，F磨煤机旋转分离器速度反馈，给水温度，排烟温度，A送风机进口温度3，B送风机进口温度2，A送风机进口温度1，B送风机进口温度3，B送风机进口温度1。这13个参数中既有机组运行参数，也有操作参数，从前往后选取5个可人为调控的操作参数，即：省煤器出口烟气氧量A1，B空预器出口烟气温度选择值，省煤器出口烟气氧量A3，A空预器出口烟气温度选择值，省煤器出口烟气氧量A2。本实施例后续以选出的对锅炉效率影响最大的这5个操作参数进行寻优。

S3、基于优化得到的回归决策树改进蚁群优化算法的框架及核心算子，得到用于优化锅炉效率的蚁群优化算法。本实施例中，步骤S3具体包括以下S301和S302两个子步骤：

S301、选取回归决策树输入参数中的运行参数作为蚁群算法的输入参数，而回归决策树输入参数中的所有操作参数作为蚁群算法的待寻优参数，并在蚁群算法基础上结合回归决策树得到用于优化锅炉效率的蚁群优化算法，其中蚁群优化算法的适应度函数包含三部分，分别为回归决策树输出的可行解的锅炉效率回归值部分、惯性调节部分和偏置调节部分；

上述蚁群优化算法是在蚁群算法基础上结合回归决策树得到的，回归决策树主要在蚁群算法的适应度函数中引入。下面对蚁群优化算法的具体实现进行详细描述：

蚁群算法模拟蚂蚁在寻找食物的过程中发现最短路径的现象对目标函数进行寻优，其具体过程属于现有技术，下面简述如下：

(i)蚁群觅食过程中，每只蚂蚁在所走过的路径上均会释放出一种信息素，该信息素随时间的推移逐渐挥发。因此，每条路径上的信息素同时存在正负反馈两种机制。正反馈是蚂蚁每次经过某条路径，均会释放信息素，使得该条路径上的信息素总浓度增加；负反馈是每条路径上的信息素浓度会随着时间的增加而逐渐减少。

(ii)虽然当相同数量的蚂蚁起初同时经过两条不同的路径时，路径上的初始信息素浓度是相同的，但当路径越短，信息素挥发时间也越短，路径上的信息素残留浓度越高。

(iii)其后的蚂蚁将根据信息素的浓度选择路径，某条路径的信息素浓度越高，选择该路径的概率越大。这种现象致使路径越短，其信息素浓度越高，选择该路径的蚂蚁越多，而更多的蚂蚁又会释放更多的信息素。因此，理想情况下，整个蚁群将聚集到信息素浓度最高，也就是长度最短的路径上。

模拟蚁群觅食寻找最短路的过程，但本发明中期望寻找锅炉效率更高的操作，因此需要对其核心算子进行改进，核心算子中的具体步骤如下：

S3011、由于本发明不是求解路径问题而是求解锅炉效率最大化问题，故转移概率计算公式改进为：

其中m为当前解空间中的可行解的个数，τ

S3012、根据转移概率P

其中，rands∈[-1，1]，为随机数；P

上述公式(2)中，X表示更新前的操作参数的可行解，X′表示更新后的操作参数的可行解，且：

X′＝X+rands×，中间参数

S3013、根据当前信息素更新下一次迭代的信息素，信息素更新公式为：

τ

其中，Q为常数，表示蚂蚁循环一次所释放的信息素总量，此实施例中为1；ρ为信息素挥发系数。f(X)为适应度函数，f(X)越大，蚂蚁所在的可行解X对应位置的信息素越高。初始信息素用目标函数的值代替，直到信息素更新后使用新的信息素来计算概率。

上述适应度函数需要借助回归决策树进行改进，额外增加了惯性调节部分和偏置调节部分。蚁群算法的适应度函数作用是对算法搜索空间中的可行解的优劣进行定量评价，公式为：

f(X)＝Y(X)+αI(X)+βB(X) (4)

适应度函数具体如下：

1)借助前述超参数优化后的回归决策树，可行解X的参数值作为回归决策树的输入参数，决策树输出可行解的锅炉效率回归值Y(X)，Y(X)组成适应度函数的第一部分。

2)考虑参数调控前后的惯性趋势，增加第二部分αI(X)，即惯性调节部分，其中α为负数，α的绝对值越大，对参数随时间变化的趋势限制越大，即若某个参数在前一次优化前相对于前2次优化前小，则当前时刻的优化值相对于前一次优化前小的适应度比相对于前一次优化前大的适应度高，即呈继续减小的概率更高；若某个参数之前呈增大的趋势，则此后继续增大的概率更高对参数随时间变化的趋势限制越大，本实施例中的α最终确定为-0.2。参数I(X)的计算公式为：

其中，n为待寻优的操作参数的个数，此实施例中为5；x

3)考虑参数优化前后的变化幅度，增加第三部分βB(X)部分，即偏置调节部，其中β为负数，β绝对值越大，对参数调整的幅度限制越大，各参数更倾向于在小范围内变化，此处β为-0.2。参数B(X)的计算公式为：

S302、设定蚁群优化算法的超参数，包括蚁群优化算法的迭代次数、种群大小和信息素挥发系数。本实施例中蚁群优化算法的迭代次数为100，种群大小为100，信息素挥发系数ρ＝0.8。

S4、将上述参数集合中所有机组运行参数的当前参数值作为蚁群优化算法的输入，由蚁群优化算法对上述参数集合中所有操作参数进行寻优，输出使锅炉效率最高的操作参数值，用于对电厂锅炉进行效率优化。本实施例中步骤S4具体包括以下子步骤：

S41、将上述参数集合中所有机组运行参数的当前参数值作为蚁群优化算法的输入，由蚁群优化算法对上述参数集合中所有操作参数进行随机初始化，得到一系列操作参数向量；

S42、基于蚁群优化算法对操作参数向量进行迭代寻优，每一轮迭代均需要将每组操作参数向量分别和当前的机组运行参数向量结合并作为回归决策树的输入参数，对每组操作参数向量对应的锅炉效率进行回归；

S43、经过蚁群优化算法的不断迭代，迭代出锅炉效率最高的最佳操作参数向量，并基于回归决策树对该最佳操作参数向量和当前的机组运行参数向量进行回归得到对应的锅炉效率，并将回归得到的锅炉效率与当前实际锅炉效率作比较，若回归得到的锅炉效率更高，则将锅炉系统中各操作参数的值调整为上述最佳操作参数向量中的各操作参数值，否则依然保持锅炉系统中各操作参数的值不变。

根据步骤S4，在测试集上对步骤S3得到的基于决策树和蚁群算法的电厂锅炉效率优化方法进行测试。测试结果见图2。由图2可知，本模型能使测试集样本锅炉效率最高提高0.3％以上。且整个优化过程用时4-5s左右，优化间隔1分钟，能够达到在线实时优化的目的。

本发明基于决策树和蚁群算法，利用电厂锅炉历史运行数据进行建模。在数据预处理阶段，本发明将历史运行参数中的异常工况数据进行剔除，并使用置换重要性方法对参数重要性排序，选取重要参数参与建模和优化。在回归决策树建模阶段，本发明将影响锅炉效率的重要参数作为决策树的输入参数，决策树的输出作为根据当前参数回归出的锅炉效率。在蚁群算法设计阶段，根据本发明要解决的具体问题，改进转移概率计算公式，改进更新可行解的方法及改进信息素更新公式，在适应度函数中加入操作参数的惯性调节部分和偏置调节部分以降低操作参数的震荡频率和波动幅度。