燃煤机组的亚临界锅炉中的汽包水位确定方法及装置与流程

本发明涉及锅炉水位测量领域，更具体的，涉及一种燃煤机组的亚临界锅炉中的汽包水位确定方法及装置。
背景技术：
：随着全球能源格局的改变，特别是中国新能源政策的变化，大量新能源电站如雨后春笋般接入电网。从而降低了能源消耗，但是由于其受环境因素影响等问题，需要一定的火电机组进行必要的配合和支撑。在此种背景下，能源局提出火电机组的灵活性改造的方案。因此对于普通燃煤火电机组提出更高的要求。即在电网负荷在低谷的情况下，在保证新能源机组在正常发电的情况下，要求燃煤机组向下调节到更低的负荷，满足电网和用户的要求。燃煤机组在保证运行安全的前提下，同时满足agc的调度要求，因此要求协调控制及其所有相关的子系统具备深度调峰的能力。这要求包括设备性能、运行调整、控制逻辑优化都要具备更高要求的能力。常规设计的燃煤火电机组正常的负荷调整范围在50％pe-100％pe之间，具备深度调峰能力的机组其调峰范围在40％-100％pe，甚至更低至30％乃至于20％pe范围内。当机组降低至较低负荷范围内时，其机组特别是锅炉特性发生较大变化，辅机特性也变化较大，所以机组能否具备深度调峰能力和调峰极限多少都要根据实际运行试验来决定。同时当任何一项运行参数超出正常运行范围时，都能限制机组深度调峰能力。其中对于亚临界汽包锅炉，汽包水位的控制优良直接影响到机组深度调峰能力。技术实现要素：为了解决上述问题的至少一个，本发明提供一种燃煤机组的亚临界锅炉中的汽包水位确定方法及装置，通过基于机器学习的线性回归算法，得到优化后的汽包水位数据，进而可以大幅度提供机组深度调峰能力。本发明一个方面实施例提供一种燃煤机组的亚临界锅炉中的汽包水位确定方法，包括：获取亚临界锅炉中锅筒两侧的多个水位测量数据；将多个所述水位测量数据作为自变量输入至预设的线性回归函数，得到汽包水位优化数据；将所述汽包水位优化数据输入至控制装置，以使所述控制装置根据所述汽包水位优化数据调节所述亚临界锅炉中的汽包水位。在某些实施例中，还包括：根据历史水位测量数据生成训练样本集，所述训练样本集包括多个训练样本，所述训练样本包括每次测量中的多个水位测量数据、所述多个水位测量数据的中位数，以及每次测量中的多个水位测量数据、所述多个水位测量数据的中位数所对应的优化水位数据标签；应用所述训练样本集对所述线性回归函数进行训练。在某些实施例中，在训练所述线性回归函数之前，所述汽包水位确定方法还包括：根据每次测量获得的水位测量数据的数量，建立所述线性回归函数，所述线性回归函数包括对应数量的自变量；根据每个自变量与自变量中位数的距离，构建所述线性回归函数的损失函数。在某些实施例中，还包括：根据锅炉蒸发量对线性回归函数中的各权重的影响，构建权重约束函数。在某些实施例中，所述构建所述线性回归函数的损失函数，包括：根据每个自变量与自变量中位数的距离构建第一函数结构；根据所述线性回归函数的权重函数以及正则项系数构建第二函数结构；将所述第一函数结构和所述第二函数结构加和形成所述损失函数。在某些实施例中，所述应用所述训练样本集对所述线性回归函数进行训练，包括：执行第一迭代操作，基于梯度下降法在初始的正则项系数下对一组训练样本执行寻优操作，生成每个自变量的权重，用调整后的正则项系数替换初始的正则项系数来执行寻优操作，直至每个自变量的权重总和小于设定范围；执行第二迭代操作，在所述第一迭代操作输出的每个自变量的权重下计算所有训练样本损失值的均方差，重新选取一组训练样本执行第一迭代操作，直至所有训练样本损失值的均方差低于设定阈值；输出最终的每个自变量权重，得到训练完成后的线性回归函数。在某些实施例中，所述线性回归函数包括多个，每个线性回归函数对应一个预设的运行负荷段，所述方法还包括：确定所述水位测量数据的运行负荷段；所述将多个所述水位测量数据作为自变量输入至预设的线性回归函数，包括：将多个所述水位测量数据作为自变量输入至对应运行负荷段的所述线性回归函数。在某些实施例中，还包括：根据历史水位测量数据生成多个训练样本集，所述训练样本集与每个运行负荷段一一对应，每个所述训练样本集包括多个训练样本，所述训练样本包括对应负荷段下每次测量中的多个水位测量数据、所述多个水位测量数据的中位数，以及每次测量中的多个水位测量数据、所述多个水位测量数据的中位数所对应的优化水位数据标签；应用每个所述训练样本集对对应负荷段的所述线性回归函数进行训练。本发明另一方面实施例提供一种燃煤机组的亚临界锅炉中的汽包水位确定装置，包括：获取模块，获取亚临界锅炉中锅筒两侧的多个水位测量数据；输入模块，将多个所述水位测量数据作为自变量输入至预设的线性回归函数，得到汽包水位优化数据；控制模块，将所述汽包水位优化数据输入至控制装置，以使所述控制装置根据所述汽包水位优化数据调节所述亚临界锅炉中的汽包水位。在某些实施例中，还包括：训练样本集生成模块，根据历史水位测量数据生成训练样本集，所述训练样本集包括多个训练样本，所述训练样本包括每次测量中的多个水位测量数据、所述多个水位测量数据的中位数，以及每次测量中的多个水位测量数据、所述多个水位测量数据的中位数所对应的优化水位数据标签；训练模块，应用所述训练样本集对所述线性回归函数进行训练。在某些实施例中，所述汽包水位确定装置还包括：线性回归函数建立模块，根据每次测量获得的水位测量数据的数量，建立所述线性回归函数，所述线性回归函数包括对应数量的自变量；损失函数构建模块，根据每个自变量与自变量中位数的距离，构建所述线性回归函数的损失函数。在某些实施例中，还包括：权重约束函数构建模块，根据锅炉蒸发量对线性回归函数中的各权重的影响，构建权重约束函数。在某些实施例中，所述损失函数构建模块，包括：第一函数结构构建单元，根据每个自变量与自变量中位数的距离构建第一函数结构；第二函数结构构建单元，根据所述线性回归函数的权重函数以及正则项系数构建第二函数结构；加和单元，将所述第一函数结构和所述第二函数结构加和形成所述损失函数。在某些实施例中，所述训练模块，包括：第一迭代操作执行单元，执行第一迭代操作，基于梯度下降法在初始的正则项系数下对一组训练样本执行寻优操作，生成每个自变量的权重，用调整后的正则项系数替换初始的正则项系数来执行寻优操作，直至每个自变量的权重总和小于设定范围；第二迭代操作执行单元，执行第二迭代操作，在所述第一迭代操作输出的每个自变量的权重下计算所有训练样本损失值的均方差，重新选取一组训练样本执行第一迭代操作，直至所有训练样本损失值的均方差低于设定阈值；自变量权重输出单元，输出最终的每个自变量权重，得到训练完成后的线性回归函数。在某些实施例中，所述线性回归函数包括多个，每个线性回归函数对应一个预设的运行负荷段，所述装置还包括：运行负荷段确定模块，确定所述水位测量数据的运行负荷段；所述输入模块将多个所述水位测量数据作为自变量输入至对应运行负荷段的所述线性回归函数。在某些实施例中，还包括：训练样本集生成模块，根据历史水位测量数据生成多个训练样本集，所述训练样本集与每个运行负荷段一一对应，每个所述训练样本集包括多个训练样本，所述训练样本包括对应负荷段下每次测量中的多个水位测量数据、所述多个水位测量数据的中位数，以及每次测量中的多个水位测量数据、所述多个水位测量数据的中位数所对应的优化水位数据标签；训练模块，应用每个所述训练样本集对对应负荷段的所述线性回归函数进行训练。本发明第又一方面实施例提供一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现如上所述的汽包水位确定方法的步骤。本发明又一方面实施例提供一种计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现如上所述的汽包水位确定方法的步骤。本发明的有益效果如下：本发明提供一种燃煤机组的亚临界锅炉中的汽包水位确定方法及装置，通过机器学习中的线性回归算法来优化汽包水位测试值，优化后的汽包水位数据能够更加准确地反映锅炉水位的真实情况，进而解决了针对机组在深度调峰工况下，汽包水位控制的问题，为机组安全生产提供了有利的保障，在保证机组安全运行的基础上，为过程控制提供更好的解决方案，能够提高机组的变负荷能力和适应性，提高机组各项指标的调节性能，同时满足电网对于深度调峰情况下agc和一次调频管理和考核的要求。从而提高机组的运行的安全性、经济性，保证机组的环保指标，增强了火力发电机组参与电网考核的经济效益和社会效益。附图说明为了更清楚地说明本发明实施例或现有技术中的技术方案，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他的附图。图1a示出汽包水位由于燃烧、水动力等情况导致汽包水位两侧交叉波动示意图之一。图1b示出汽包水位由于燃烧、水动力等情况导致汽包水位两侧交叉波动示意图之二。图2示出本发明实施例中燃煤机组的亚临界锅炉中的汽包水位确定方法流程示意图。图3示出本发明实施例中燃煤机组的亚临界锅炉中的汽包水位确定装置的结构示意图。图4示出适于用来实现本发明实施例的电子设备的结构示意图。具体实施方式下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。由于电站锅炉，特别是燃煤机组的锅炉类型复杂，运行工况繁复，干扰因素较多，从而使得汽包水位本身受到干扰因素较多，不但锅炉本身燃烧特性的影响，而锅炉燃烧由受到了很多因素的影响，例如煤质的变化、风量的变化、制粉系统参数的变化等等；而且受到锅炉水动力的影响，而锅炉水动力特性又是受锅炉结构、燃烧状况、给水系统参数变化的制约。因此汽包水位的变化是由于多种因素综合作用的结果。技术一的方案是经典汽包水位控制方案，能够实现现有大部分机组工况的要求，但是随着新能源电站大规模的接入电网，迫使现有火电机组进行必要的灵活性改造，在电网的负荷低谷段要求机组降低负荷至更低，从而使机组主辅机运行工况发生巨大变化，此时基本的三冲量和单冲量调节方案不能满足水位控制要求。技术二方案中，在一定程度上满足了在一定范围内满足机组大负荷变动对于汽包水位的控制，在一定程度上解决了对于机组安全运行的要求，但是机组深度调峰的前提下，汽包水位的波动以及给水系统自身特性的要求方面没有更深入的考虑，因此在机组较低负荷的情况下无法适应更高的控制要求。技术三方案中，由于采用了更先进的算法，在一定程度上能够解决的此类问题。但是由于大部分火电机组的控制系统采用分散控制系统(dcs)，控制系统本身大部分不具备此类算法。采用此类算法无法通过原有控制系统实现，因此无法得到大范围的应用。基于此，本发明是在立足于满足现有条件下，对于火电机组面临各种困境下，适应电网对于新能源接入条件下对火电机组深度调峰的要求。特别是对于亚临界锅炉汽包水位的控制提出一套整体解决方案。亚临界锅炉汽包水位是机组运行的重要参数指标。它标志着机组运行状态的优良，体现锅炉水动力循环的正常的与否的重要标志。对于产生水位变化的因素十分复杂，例如机组水动力循环的状况，锅炉炉膛的燃烧的变化，给水系统的扰动，蒸汽侧参数的变化，汽包内部的结构特性，汽包水位测量装置的安装位置、安装精度、测量变送器的精度等等。所以一般情况下，汽包水位是锅炉重要保护参数。其控制效果直接影响机组的安全运行。特别是在机组在深度调峰的工况下，机组的主要辅机的运行情况较正常工况下更为恶略，锅炉燃烧特性变化巨大等等这些因素，都对于水位产生了巨大的扰动，水位变化较为剧烈，导致机组不能安全稳定运行。因此，本发明针对此种工况下对汽包水位控制提出更为安全、可靠的控制方案。能够较为有效的改善水位波动剧烈的情况，从而能够保证汽包水位在安全的范围内，使机组能够运行在较低负荷的区间，使机组具备深度调峰的能力，给电厂带来一定的经济效益，为电网深度调峰提供更为有利的支撑。亚临界锅炉中锅筒是连接水冷壁和下降管的起到汽水分离作用的中间设备，其中水冷壁布置在炉膛内部，锅炉启动后吸收热量工质由于汽化蒸发密度降低，下降管一般布置在外部，密度基本不变。自然循环锅炉的工质由于水冷壁管工质密度与下降管工质密度的差值，产生自然的水循环。蒸汽在汽包内分离到后端的过热器，给水泵供给的低温水进过省煤器进入汽包作为补充水。因此亚临界自然循环的汽包锅炉，汽包水位标志着工质在循环内稳定的综合标志，同时也是工质质量平衡的标志。所以控制汽包水位的稳定，对应锅炉稳定运行，机组安全运行起到至关重要的作用。现有燃煤机组的汽包水位的测量一般采用差压式的测量元件，同时布置在锅筒的两侧，一般采用一侧两个的方式。而经典的三冲量的控制的被调量为取其中的三个测点，一侧两个，一侧一个的方式。现有技术中之后控制逻辑中采用三取中的处理方式，当其中一个测点出现问题时候，能够自动选择另外两个，并取平均后作为被控量。此种处理方式在大部分情况下能够表示系统真实水位的情况，三个中选择中间值的，能够避免出现极值选择的情况。但是水位收到多种因素的影响，包括锅炉燃烧情况，锅炉水动力循环的变化，蒸发量和给水流量的变化等等，特别是机组运行在低负荷甚至于超低负荷情况下，锅炉内部燃烧情况变化，给水系统特性变化剧烈都给水位变化产生巨大的影响，尤为明显的是两侧水位出现交叉现象频繁，三取中的处理方式会对pid控制产生不稳定的后果。具体现象如图1a和图1b所示。图1a和图1b中，其中三个汽包水位线1、2、3模拟为信号1、2、3，选择后的汽包水位4变化为选择后的信号4。当信号1、3数值大于信号2数值时，即信号1、3曲线在信号2之上，选择为信号1、3中的小值，图中为信号1；当信号1、3数值小于信号2数值时，即信号1、3曲线在信号2下面，选择为信号1、3中的大值，图中为信号3。在两种情况变化之间的时刻，即信号1、3与信号2交叉的过程中，会出现选择信号2的过程。三选中的计算出现如下信号选择过程，信号1->信号2->信号3->信号2->信号1,只要是水位出现交叉情况，就是一直重复循环。在此种情况下，分析pid的运算结果。pid本身算法比较简单基本公式为：其中error为pid控制器入口偏差，即设定值与测量值的差值。先假定水位设定值为某一固定值，例如假设为-1，从简化图中在时刻2-时刻3之间，选择的中值为信号1，并且逐步靠近设定值，此时pid的输出中比例作用项为，此时产生作用，由于信号1是向下靠近设定值，每一时刻产生的增量比较前一时刻逐渐变小，即输出向增大的方向变化。而积分项偏差方向并没有改变，式中使输出向减小的方向作用，但是增量减小(微分作用使用较少，此处不再考虑)。当到达时刻3-4之间时，由于三取中逻辑中，信号2超越信号1、3，在此期间选择信号2作为输出。而此时pid的入口偏差值也将改变，由原来的信号下降方向改为增长，pid的比例作用项，即输出减小的方向变化。而积分项偏差方向并没有改变，使输出向减小的方向作用，增量增大。其后到达时刻4后，信号2的数值超过信号1、3，三取中算法选择信号3作为输出。pid的入口偏差方向，与在时刻2-3类似。由上述分析可以知道，时刻3-4的变化与是时刻2-3变化在采用三取中算法后，得到的中值对于pid的作用是截然相反的，而且是瞬间切换造成数据的阶跃扰动。此种情况下，三取中的算法产生对pid控制输出的不利影响，当在信号交叉过程较长，或者是变动量较大的情况下，pid在参数不变前提下，产生的pid控制输出量会变大。在极端工况下，有可能产生不利于系统稳定的问题。图2示出了本发明一方面实施例中提供的一种燃煤机组的亚临界锅炉中的汽包水位确定方法，具体包括：s1：获取亚临界锅炉中锅筒两侧的多个水位测量数据；s2：将多个所述水位测量数据作为自变量输入至预设的线性回归函数，得到汽包水位优化数据；s3：将所述汽包水位优化数据输入至控制装置，以使所述控制装置根据所述汽包水位优化数据调节所述亚临界锅炉中的汽包水位。本发明提供的一种燃煤机组的亚临界锅炉中的汽包水位确定方法，通过机器学习中的线性回归算法来优化汽包水位测试值，优化后的汽包水位数据能够更加准确地反映锅炉水位的真实情况，进而解决了针对机组在深度调峰工况下，汽包水位控制的问题，为机组安全生产提供了有利的保障，在保证机组安全运行的基础上，为过程控制提供更好的解决方案，能够提高机组的变负荷能力和适应性，提高机组各项指标的调节性能，同时满足电网对于深度调峰情况下agc和一次调频管理和考核的要求。从而提高机组的运行的安全性、经济性，保证机组的环保指标，增强了火力发电机组参与电网考核的经济效益和社会效益。本发明中，多个水位测量数据可以根据具体需求来确定其数量，一般而言，目前常用的水位测量数据是三冲量数据，即其数量为三个，分别在锅筒一侧设置两个测量元件，在锅筒另一侧设置一个测量元件。也即，本发明的数据获取方面，优选采用现有的三冲量方式，每次测量的水位测量数据的数量为三个，在此不做赘述。在步骤s1中，通过差压式测量元件对锅筒两侧的水位进行测量，得到三个水位测量数据，将该三个水位测量数据通过数据传输的方式(有线或无线)传输。在步骤s2中，将三个水位测量数据作为自变量，带入到预设的线性回归函数，生成汽包水位的优化数据。具体而言，线性回归函数应当是包括多个自变量与对应权重的组合结构，即y＝k1x1+k2x2+k3x3…，其中其权重满足权重函数k1+k1+k3…＝1，权重函数作为求取k值的约束条件。此外，每个线性回归函数必然对应一个损失函数，用以拟合线性回归函数。进一步的，线性回归函数可以通过训练的方式使之更加契合，也即本发明进一步包括如下步骤：s01：根据历史水位测量数据生成训练样本集，所述训练样本集包括多个训练样本，所述训练样本包括每次测量中的多个水位测量数据、所述多个水位测量数据的中位数，以及每次测量中的多个水位测量数据、所述多个水位测量数据的中位数所对应的优化水位数据标签；s02：应用所述训练样本集对所述线性回归函数进行训练。训练样本中的优化水位数据标签是采用已知的优化水位数据作为数据标签，来标记训练数据。训练数据样本主要来源于实际现场通过变送器测量传到系统的原始数据。还包括锅炉蒸发量的数据，通过锅炉蒸发量来判断锅炉运行工况，依据此标志来分别标注数据信息。例如：锅炉此时蒸发量在20-25％pe区间，则把原始汽包水位数据标识在20％pe数据(同理30％pe、40％pe)。完成数据分类采集后，进行数据处理。数据处理包括以下几个部分，第一干扰数据的剔除，第二训练数据和验证数据集的分离和交叉验证。例如在20％pe数据获得剔除后干扰提出后的数据总数为8000个信息点，则随机分成a、b、c、d等4组数据，每组数据2000信息点，在从每组信息点中抽出200点做为验证数据集，其余1800点作为训练数据集。每组数据训练结束后，通过本组验证后满足相应指标后，还要同时满其他组的验证数据集。举例来说，a数据训练和验证结束后，还要用b、c、d的验证数据集来评判模型。但出现任意一组模型验证指标不合格，则重新对8000个信息点分类，重复上述过程，直到合格为止。采用上述随机交叉验证的方法，有效的避免的模型对于训练数据集的依赖性，一定程度上解决了算法陷入局部最优的问题。训练样本集对线性回归函数进行训练，其实质是不断优化各自变量的k值(即自变量权重)，以三冲量为例，在约束条件k1+k1+k3＝1下，结合预设的损失函数，使得损失函数的函数值最小时，即为最优的k1、k1以及k3的组合。本发明中的线性回归函数可以在线或者离线建立，也即本发明可以是利用已经建立完成的线性回归函数，也可以是通过建立再使用的方式实现。下面本发明给出建立线性回归函数以及对应的损失函数的步骤，其包括：s11：根据每次测量获得的水位测量数据的数量，建立所述线性回归函数，所述线性回归函数包括对应数量的自变量；s12：根据每个自变量与自变量中位数的距离，构建所述线性回归函数的损失函数。在一些实施例中，本发明还包括构建权重约束函数的步骤，即本发明中，还包括：s03：根据锅炉蒸发量对线性回归函数中的各权重的影响，构建权重约束函数。s04：权重约束函数考虑了锅炉蒸发量对线性回归函数中的各权重的影响。汽包水位的影响因素有很多，诸如锅炉负荷(锅炉蒸发量)、燃烧的变化、压力的变化等等。单纯考虑水位之间的影响是远远不够的，但是过多的考虑影响因素会造成数据量的巨大，同时无法得到算法对应的回归函数。因此对主要影响因素进行考虑，即指针对锅炉蒸发量(锅炉负荷)作为主要影响因素对线性回归函数的权重进行不同阶段的修正。其优点保证算法的实时性，同时有能够比较客观的涵盖整个锅炉运行工况变化对水位的变化造成的影响。一些实施例中，步骤s11中采用三冲量的方式测量，即水位测量数据包括三个，线性回归函数为三自变量的函数，每个自变量对应一个权重，即其计算表达式为：y＝k1lvl1+k2lvl2+k3lvl3一些实施例中，在步骤s12中每个自变量与自变量中位数的距离可以以下述公式来计算：进一步的，在优选的实施例中，损失函数的构建考虑了锅炉蒸发量对线性回归函数中的各权重的影响以及三取中信号的距离，该实施例中，其构建步骤具备包括：s001：根据每个自变量与自变量中位数的距离构建第一函数结构；s002：根据所述线性回归函数的权重函数以及正则项系数构建第二函数结构；s003：将所述第一函数结构和所述第二函数结构加和形成所述损失函数。具体而言，本发明的损失函数可以为：式中lvl1,lvl2,lvl3为实际dcs系统获得的水位实际值(即本发明中的多个水位测量数据)，k1,k2,k3为寻优的参数(即对应的权重)。式中lvl1(0)表示水位测量值1在0时刻的数值，lvl1(500)在500时刻的数据值。表示真实值，分别由0-500时刻的中值代替。该损失函数一方面考虑了三取中信号的距离，并结合了锅炉蒸发量对于权重函数的影响，同时为了保证寻优数据在允许范围内，并且防止数据的过拟合现象的发生，加入约束项k1+k2+k3＝1，在损失函数中为α(k1+k2+k3-1)2。其中α为正则项系数，根据寻优情况调整在1-5之间的数值。在进一步优选的实施例中，正则项系数α可以与自变量权重相互嵌套迭代地优化，具体而言，训练线性回归函数包括：执行第一迭代操作，基于梯度下降法在初始的正则项系数下对一组训练样本执行寻优操作，生成每个自变量的权重，用调整后的正则项系数替换初始的正则项系数来执行寻优操作，直至每个自变量的权重总和小于设定范围；执行第二迭代操作，在所述第一迭代操作输出的每个自变量的权重下计算所有训练样本损失值的均方差，重新选取一组训练样本执行第一迭代操作，直至所有训练样本损失值的均方差低于设定阈值；输出最终的每个自变量权重，得到训练完成后的线性回归函数。举例而言，在一具体场景下相互嵌套迭代具体包括如下步骤：1:dcs中获得原始数据，主要包含三个水位的原始测量值，以及三取中的数值，以及机组对应的运行负荷(主要是电负荷)。在三个负荷段20％pe、30％pe、40％工况下，稳定各项参数，取出约为10min的上述数据。2:对原始数据进行分类，主要是根据电负荷数据进行分别取出相应时间顺序的对应三组数据，再随机对应取出50个作为测试数据，其他作为训练数据。3：归一化数据，分别对水位的三个测量值和取中的值进行归一化处理，归一到0-100的区间上去。4：设置正则项超参数α，初始为1。5：设置梯度下降法的超参数，例如步长δ＝0.01和初始值＝0。但是步长和初始值的选取要充分考虑算法防止进入局部最优解，因此采用网格搜索的方法，即设定步长初值和终值(δ＝0.01-0.7)，步长增量为0.01；初始值的初值和终值为0-50，步长为1。利用两个嵌套循环，形成类似于网格的超参数分布形式，在网格交点即为一组超参数，在此种超参数下进行寻优，从中选取一组最优的超参数。6：获得寻优结果(每个自变量权重)后判定均方差(mse)，即测试数据的均方差在较小范围内，否则重新选取超参数再次寻优，mse满足要求(在寻优过程中选取mse最小的模型数据，最为全局最优)后进行下一步。7：判定寻优结果是否满足约束条件，即k1+k2+k3在1的范围内，否则重新调整正则参数，重新寻优。符合条件，输出结果。正则项实际是模型参数的约束项，防止模型过拟合和欠拟合，一般是根据系统的物理特性和设备属性以及工程经验确定。进一步的，在优选的实施例中，每个运行负荷段具有差异，具体的，本发明还针对每个运行负荷段针对性处理，即每个运行负荷段的数据来训练线性回归函数以及对应的上述正则项系数，进而得到多个线性回归函数，每个线性回归函数对应一个运行负荷段。具体的，本发明的方法还包括：s05：确定所述水位测量数据的运行负荷段；步骤s2具体为将多个所述水位测量数据作为自变量输入至对应运行负荷段的所述线性回归函数。更进一步的，在该实施例中，对于线性回归函数的训练同样是分类后的历史数据，即本发明中的训练步骤具体包括：根据历史水位测量数据生成多个训练样本集，所述训练样本集与每个运行负荷段一一对应，每个所述训练样本集包括多个训练样本，所述训练样本包括对应负荷段下每次测量中的多个水位测量数据、所述多个水位测量数据的中位数，以及每次测量中的多个水位测量数据、所述多个水位测量数据的中位数所对应的优化水位数据标签；应用每个所述训练样本集对对应负荷段的所述线性回归函数进行训练。可以理解，本发明针对每个运行负荷段对应训练一个线性回归函数，进而更具针对性，由于采用在不同负荷段寻找的k1,k2,k3，利用平滑函数根据负荷或者锅炉蒸发量修正，完善后根据参数重新修改水位的选择逻辑。下表是在某600mw机组上进行上述过程获得的数据k1k3k220％pe0.4570.3280.19730％pe0.3680.5010.13140％pe0.3200.4180.262由上表中的数据，可以看出，由于低负荷水位交叉较为严重，k1，k3的权重较大，当负荷升高后，交叉现象逐渐减弱，三个系数的权重逐渐平衡，最终可能趋向于平均。采用上述方法后汽包水位由于交叉过程中导致的pid控制算法出现的方向骤变的问题得以解决。通过上述实施例的详细说明可以知晓，本发明通过机器学习中的线性回归算法来优化汽包水位测试值，优化后的汽包水位数据能够更加准确地反映锅炉水位的真实情况，进而解决了针对机组在深度调峰工况下，汽包水位控制的问题，为机组安全生产提供了有利的保障，在保证机组安全运行的基础上，为过程控制提供更好的解决方案，能够提高机组的变负荷能力和适应性，提高机组各项指标的调节性能，同时满足电网对于深度调峰情况下agc和一次调频管理和考核的要求。从而提高机组的运行的安全性、经济性，保证机组的环保指标，增强了火力发电机组参与电网考核的经济效益和社会效益。基于相同的发明构思，本发明另一方面实施例提供一种燃煤机组的亚临界锅炉中的汽包水位确定装置，如图3所示，包括：获取模块110，获取亚临界锅炉中锅筒两侧的多个水位测量数据；输入模块120，将多个所述水位测量数据作为自变量输入至预设的线性回归函数，得到汽包水位优化数据；控制模块130，将所述汽包水位优化数据输入至控制装置，以使所述控制装置根据所述汽包水位优化数据调节所述亚临界锅炉中的汽包水位。基于相同的理由，本发明提供的一种燃煤机组的亚临界锅炉中的汽包水位确定装置，通过机器学习中的线性回归算法来优化汽包水位测试值，优化后的汽包水位数据能够更加准确地反映锅炉水位的真实情况，进而解决了针对机组在深度调峰工况下，汽包水位控制的问题，为机组安全生产提供了有利的保障，在保证机组安全运行的基础上，为过程控制提供更好的解决方案，能够提高机组的变负荷能力和适应性，提高机组各项指标的调节性能，同时满足电网对于深度调峰情况下agc和一次调频管理和考核的要求。从而提高机组的运行的安全性、经济性，保证机组的环保指标，增强了火力发电机组参与电网考核的经济效益和社会效益。基于相同的发明构思，一实施例中，还包括：训练样本集生成模块，根据历史水位测量数据生成训练样本集，所述训练样本集包括多个训练样本，所述训练样本包括每次测量中的多个水位测量数据、所述多个水位测量数据的中位数，以及每次测量中的多个水位测量数据、所述多个水位测量数据的中位数所对应的优化水位数据标签；训练模块，应用所述训练样本集对所述线性回归函数进行训练。基于相同的发明构思，一实施例中，所述汽包水位确定装置还包括：线性回归函数建立模块，根据每次测量获得的水位测量数据的数量，建立所述线性回归函数，所述线性回归函数包括对应数量的自变量；损失函数构建模块，根据每个自变量与自变量中位数的距离，构建所述线性回归函数的损失函数。基于相同的发明构思，一实施例中，还包括：权重约束函数构建模块，根据锅炉蒸发量对线性回归函数中的各权重的影响，构建权重约束函数。基于相同的发明构思，一实施例中，所述损失函数构建模块，包括：第一函数结构构建单元，根据每个自变量与自变量中位数的距离构建第一函数结构；第二函数结构构建单元，根据所述线性回归函数的权重函数以及正则项系数构建第二函数结构；加和单元，将所述第一函数结构和所述第二函数结构加和形成所述损失函数。基于相同的发明构思，一实施例中，所述训练模块，包括：第一迭代操作执行单元，执行第一迭代操作，基于梯度下降法在初始的正则项系数下对一组训练样本执行寻优操作，生成每个自变量的权重，用调整后的正则项系数替换初始的正则项系数来执行寻优操作，直至每个自变量的权重总和小于设定范围；第二迭代操作执行单元，执行第二迭代操作，在所述第一迭代操作输出的每个自变量的权重下计算所有训练样本损失值的均方差，重新选取一组训练样本执行第一迭代操作，直至所有训练样本损失值的均方差低于设定阈值；自变量权重输出单元，输出最终的每个自变量权重，得到训练完成后的线性回归函数。基于相同的发明构思，一实施例中，所述线性回归函数包括多个，每个线性回归函数对应一个预设的运行负荷段，所述装置还包括：运行负荷段确定模块，确定所述水位测量数据的运行负荷段；所述输入模块将多个所述水位测量数据作为自变量输入至对应运行负荷段的所述线性回归函数。基于相同的发明构思，一实施例中，还包括：训练样本集生成模块，根据历史水位测量数据生成多个训练样本集，所述训练样本集与每个运行负荷段一一对应，每个所述训练样本集包括多个训练样本，所述训练样本包括对应负荷段下每次测量中的多个水位测量数据、所述多个水位测量数据的中位数，以及每次测量中的多个水位测量数据、所述多个水位测量数据的中位数所对应的优化水位数据标签；训练模块，应用每个所述训练样本集对对应负荷段的所述线性回归函数进行训练。本发明的实施例还提供能够实现上述实施例中的方法中全部步骤的一种电子设备的具体实施方式，参见图4，所述电子设备具体包括如下内容：处理器(processor)601、存储器(memory)602、通信接口(communicationsinterface)603和总线604；其中，所述处理器601、存储器602、通信接口603通过所述总线604完成相互间的通信；所述处理器601用于调用所述存储器602中的计算机程序，所述处理器执行所述计算机程序时实现上述实施例中的方法中的全部步骤，例如，所述处理器执行所述计算机程序时实现下述步骤：s1：获取亚临界锅炉中锅筒两侧的多个水位测量数据；s2：将多个所述水位测量数据作为自变量输入至预设的线性回归函数，得到汽包水位优化数据；s3：将所述汽包水位优化数据输入至控制装置，以使所述控制装置根据所述汽包水位优化数据调节所述亚临界锅炉中的汽包水位。从上述描述可知，本发明提供的电子设备，通过机器学习中的线性回归算法来优化汽包水位测试值，优化后的汽包水位数据能够更加准确地反映锅炉水位的真实情况，进而解决了针对机组在深度调峰工况下，汽包水位控制的问题，为机组安全生产提供了有利的保障，在保证机组安全运行的基础上，为过程控制提供更好的解决方案，能够提高机组的变负荷能力和适应性，提高机组各项指标的调节性能，同时满足电网对于深度调峰情况下agc和一次调频管理和考核的要求。从而提高机组的运行的安全性、经济性，保证机组的环保指标，增强了火力发电机组参与电网考核的经济效益和社会效益。本发明的实施例还提供能够实现上述实施例中的方法中全部步骤的一种计算机可读存储介质，所述计算机可读存储介质上存储有计算机程序，该计算机程序被处理器执行时实现上述实施例中的方法的全部步骤，例如，所述处理器执行所述计算机程序时实现下述步骤：s1：获取亚临界锅炉中锅筒两侧的多个水位测量数据；s2：将多个所述水位测量数据作为自变量输入至预设的线性回归函数，得到汽包水位优化数据；s3：将所述汽包水位优化数据输入至控制装置，以使所述控制装置根据所述汽包水位优化数据调节所述亚临界锅炉中的汽包水位。从上述描述可知，本发明提供的计算机可读存储介质，通过机器学习中的线性回归算法来优化汽包水位测试值，优化后的汽包水位数据能够更加准确地反映锅炉水位的真实情况，进而解决了针对机组在深度调峰工况下，汽包水位控制的问题，为机组安全生产提供了有利的保障，在保证机组安全运行的基础上，为过程控制提供更好的解决方案，能够提高机组的变负荷能力和适应性，提高机组各项指标的调节性能，同时满足电网对于深度调峰情况下agc和一次调频管理和考核的要求。从而提高机组的运行的安全性、经济性，保证机组的环保指标，增强了火力发电机组参与电网考核的经济效益和社会效益。本说明书中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。尤其，对于硬件+程序类实施例而言，由于其基本相似于方法实施例，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。虽然本说明书实施例提供了如实施例或流程图所述的方法操作步骤，但基于常规或者无创造性的手段可以包括更多或者更少的操作步骤。实施例中列举的步骤顺序仅仅为众多步骤执行顺序中的一种方式，不代表唯一的执行顺序。在实际中的装置或终端产品执行时，可以按照实施例或者附图所示的方法顺序执行或者并行执行(例如并行处理器或者多线程处理的环境，甚至为分布式数据处理环境)。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、产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、产品或者设备所固有的要素。在没有更多限制的情况下，并不排除在包括所述要素的过程、方法、产品或者设备中还存在另外的相同或等同要素。为了描述的方便，描述以上装置时以功能分为各种模块分别描述。当然，在实施本说明书实施例时可以把各模块的功能在同一个或多个软件和/或硬件中实现，也可以将实现同一功能的模块由多个子模块或子单元的组合实现等。以上所描述的装置实施例仅仅是示意性的，例如，所述单元的划分，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信连接可以是通过一些接口，装置或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。本发明是参照根据本发明实施例的方法、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。本领域技术人员应明白，本说明书的实施例可提供为方法、系统或计算机程序产品。因此，本说明书实施例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，本说明书实施例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。本说明书中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。尤其，对于系统实施例而言，由于其基本相似于方法实施例，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本说明书实施例的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不必须针对的是相同的实施例或示例。此外，在不相互矛盾的情况下，本领域的技术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结合和组合。以上所述仅为本说明书实施例的实施例而已，并不用于限制本说明书实施例。对于本领域技术人员来说，本说明书实施例可以有各种更改和变化。凡在本说明书实施例的精神和原理之内所作的任何修改、等同替换、改进等，均应包含在本说明书实施例的权利要求范围之内。当前第1页1 2 3 

起点商标作为专业知识产权交易平台，可以帮助大家解决很多问题，如果大家想要了解更多知产交易信息请点击 【在线咨询】或添加微信 【19522093243】与客服一对一沟通，为大家解决相关问题。

此文章来源于网络,如有侵权,请联系删除