一种锅炉最优氧量预测方法及其系统与流程

1.本技术实施例涉及火力发电领域，尤其涉及一种锅炉最优氧量预测方法及其系统。


背景技术：

2.火力发电机组是以煤炭、油类或可燃气体等为燃料，加热锅炉内的水，使之增温，再用有一定压力的蒸气推动气轮方式发电的机组。在锅炉中，燃料的化学能转变为蒸汽的热能；在汽轮机中，蒸汽的热能转变为转子旋转的机械能；在发电机中机械能转变为电能。炉、机、电是火电厂中的主要设备，亦称三大主机，与三大主机相辅工作的设备称为辅助设备或称辅机，主机与辅机共同构成火电机组。
3.火电机组的能耗目前是通过分布于火电机组不同位置的多类型传感器采集的温度、压力以及流量等运行参数，按照相关行业或国家标准进行计算的。火电机组依据设定的只含有发电机有功功率和对应的投氧量的氧量曲线进行实际运行。当前对于火电机组锅炉投氧量的设定多采用一套基于厂家提供的氧量曲线，并对该曲线进行分段线性近似，作为最终实际运行设定的氧量曲线。
4.使用厂家设定的氧量曲线只能表达厂家设计时锅炉的燃烧特性，但是在实际生产中，设备特性会随着使用年限的增加以及设备的改造而发生改变，故设定的氧量曲线无法完全满足设备参数随着时间推移的动态变化特点。使用出厂设定的氧量曲线只考虑了锅炉部分的特性，但是在实际运行中，调节投氧量也会对火电机组中锅炉热效率、汽轮机效率、脱硝成本以及引风机送风机等辅机能耗产生综合的影响，最优氧量为火电机组的能耗值最低时对应的投氧量值。若只根据厂家给定的氧量曲线去设定实际生产过程中的投氧量值，可能会造成原料浪费或者不环保的情况，因此使用基于厂家提供的氧量曲线而设定的氧量曲线无法确定能够满足火力发电机组实际运行的最优氧量。


技术实现要素：

5.本技术实施例提供了一种锅炉最优氧量预测方法及其系统，用于预测火力发电机组实际运行时的最优氧量，减少原料浪费或者不环保的情况。
6.本技术实施例提供的一种锅炉最优氧量预测方法，包括：
7.获取目标预测模型，其中所述目标预测模型由火电机组能耗相关的至少一种类型的运行参数的历史值对初始预测模型进行机器学习训练得到，所述运行参数包括火电机组的投氧量和除所述投氧量之外的其他运行参数；所述目标预测模型中保存有所述投氧量、所述其他运行参数和所述火电机组能耗之间的目标对应关系；
8.获取所述其他运行参数的实时值；
9.将所述实时值输入所述目标预测模型，得到所述目标预测模型依据所述目标对应关系输出的最优氧量值，其中所述最优氧量值为所述实时值对应的火电机组能耗值最低时的投氧量值。
10.可选的，在所述获取目标预测模型之前，所述方法还包括：
11.获取火电机组能耗相关的至少一种类型的运行参数的历史值，所述运行参数包括火电机组的投氧量和除所述投氧量之外的其他运行参数；
12.将所述运行参数的历史值作为训练样本输入所述初始预测模型，使用所述训练样本对所述初始预测模型进行机器学习训练得到所述目标预测模型，所述目标预测模型中保存有所述投氧量、所述其他运行参数和所述火电机组能耗的目标对应关系。
13.可选的，所述获取火电机组能耗相关的至少一种类型的运行参数的历史值包括：
14.按照秒级或者分钟级的采样区间对所述运行参数的历史值进行取样；
15.所述其他运行参数包括锅炉热效率相关参数、汽轮机热耗相关参数、火电机组电耗相关参数以及脱硝喷氨成本相关参数。
16.可选的，所述将所述运行参数的历史值作为训练样本输入所述初始预测模型包括：
17.对所述历史值进行除杂，得到所述运行参数的样本值；
18.将所述样本值作为训练样本输入到初始预测模型。
19.可选的，所述使用所述训练样本对所述初始预测模型进行机器学习训练得到所述目标预测模型包括：
20.使用所述投氧量和所述锅炉热效率相关参数对所述初始预测模型进行机器学习训练，得到所述投氧量与锅炉热效率的第一对应关系；
21.使用所述投氧量和所述汽轮机热耗相关参数对所述初始预测模型进行机器学习训练，得到所述投氧量与汽轮机热耗的第二对应关系；
22.使用所述投氧量和所述火电机组电耗相关参数对所述初始预测模型进行机器学习训练，得到所述投氧量与火电机组电耗的第三对应关系；
23.使用所述投氧量和所述脱硝喷氨成本相关参数对所述初始预测模型进行机器学习训练，得到所述投氧量与脱硝喷氨成本的第四对应关系；
24.依据所述第一对应关系、所述第二对应关系、所述第三对应关系以及所述第四对应关系得到所述目标对应关系。
25.本技术实施例提供的一种锅炉最优氧量预测系统，包括：
26.获取单元，用于获取目标预测模型，其中所述目标预测模型由火电机组能耗相关的至少一种类型的运行参数的历史值对初始预测模型进行机器学习训练得到，所述运行参数包括火电机组的投氧量和除所述投氧量之外的其他运行参数；所述目标预测模型中保存有所述投氧量、所述其他运行参数和所述火电机组能耗之间的目标对应关系；
27.所述获取单元，还用于获取所述其他运行参数的实时值；
28.输出单元，用于将所述实时值输入所述目标预测模型，得到所述目标预测模型依据所述目标对应关系输出的最优氧量值，其中所述最优氧量值为所述实时值对应的火电机组能耗值最低时的投氧量值。
29.可选的，所述获取单元还用于获取火电机组能耗相关的至少一种类型的运行参数的历史值，所述运行参数包括火电机组的投氧量和除所述投氧量之外的其他运行参数；
30.所述锅炉最优氧量预测系统还包括：
31.训练单元，用于将所述运行参数的历史值作为训练样本输入所述初始预测模型，
使用所述训练样本对所述初始预测模型进行机器学习训练得到所述目标预测模型，所述目标预测模型中保存有所述投氧量、所述其他运行参数和所述火电机组能耗的目标对应关系。
32.可选的，所述获取单元具体用于按照秒级或者分钟级的采样区间对所述运行参数的历史值进行取样；
33.所述其他运行参数包括锅炉热效率相关参数、汽轮机热耗相关参数、火电机组电耗相关参数以及脱硝喷氨成本相关参数。
34.本技术实施例提供的一种锅炉最优氧量预测系统，包括：中央处理器，存储器以及输入输出接口；
35.所述存储器为短暂存储存储器或持久存储存储器；
36.所述中央处理器配置为与所述存储器通信，并执行所述存储器中的指令操作以执行前述方法。
37.本技术实施例提供的一种计算机可读存储介质，包括指令，当所述指令在计算机上运行时，使得计算机执行上述任意一种锅炉最优氧量预测方法。
38.从以上技术方案可以看出，本技术实施例具有以下优点：
39.通过对与火电机组能耗有关的测点的历史状态参数进行机器学习训练，建立一个能够预测目标时刻的最优氧量的目标预测模型，从而实现对任意目标时刻最优氧量的预测。
附图说明
40.图1为本技术实施例提供的锅炉最优氧量预测方法的一个示意图；
41.图2为本技术实施例提供的锅炉最优氧量预测方法的另一个示意图；
42.图3为本技术实施例提供的锅炉最优氧量预测方法的另一个示意图；
43.图4为本技术实施例提供的锅炉最优氧量预测系统的一个示意图；
44.图5为本技术实施例提供的锅炉最优氧量预测系统的另一个示意图。
具体实施方式
45.本技术实施例提供了一种锅炉最优氧量预测方法及其系统，用于预测火力发电机组实际运行时的最优氧量，减少原料浪费或者不环保的情况。
46.火力发电机组是以煤炭、油类或可燃气体等为燃料，加热锅炉内的水，使之增温，再用有一定压力的蒸气推动气轮方式发电的机组。锅炉、汽轮机、发电机是火电厂中的主要设备，亦称三大主机，与三大主机相辅工作的设备称为辅助设备或称辅机，主机与辅机共同构成火电机组。火电机组的能耗目前是通过分布于火电机组不同位置的多类型传感器采集的温度、压力以及流量等运行参数，按照相关行业或国家标准进行计算的。火电机组依据设定的只含有发电机有功功率和对应的投氧量的氧量曲线进行实际运行。当前对于火电机组锅炉投氧量的设定多采用一套基于厂家提供的氧量曲线，并对该曲线进行分段线性近似，作为最终实际运行设定的氧量曲线。
47.使用厂家设定的氧量曲线只能表达厂家设计时锅炉的燃烧特性，但是在实际生产中，设备特性会随着使用年限的增加以及设备的改造而发生改变，故设定的氧量曲线无法
完全满足设备参数随着时间推移的动态变化特点。使用出厂设定的氧量曲线只考虑了锅炉部分的特性，但是在实际运行中，调节投氧量也会对火电机组中锅炉热效率、汽轮机效率、脱硝成本以及引风机送风机等辅机能耗产生综合的影响，最优氧量为火电机组的能耗值最低时对应的投氧量值。若只根据厂家给定的氧量曲线去设定实际生产过程中的投氧量值，并不能确定最优氧量，就可能会造成原料浪费或者不环保的情况，因此需要一种能够根据火电机组的实际运行状况而预测最优氧量的方法。
48.请参阅图1，本技术提供的一种锅炉最优氧量预测方法的一个实施例包括步骤101至步骤103。
49.101、获取目标预测模型。
50.目标预测模型是预先建立的，具体是由火电机组能耗相关的至少一种类型的运行参数的历史值对初始预测模型进行机器学习训练得到，运行参数包括火电机组的投氧量和除投氧量之外的其他运行参数。目标预测模型中保存有投氧量、其他运行参数和火电机组能耗之间的目标对应关系。
51.具体地，其他运行参数包括：发电机有功功率、供热流量、大气温度、锅炉主蒸汽流量、排烟温度、再热减温水喷洒量、送风机电流、引风机出力、脱硝入口no
x
值以及喷氨量，实际生产中，影响锅炉热效率的相关参数有多种，本方案中仅以前述列举的作为后续计算参数，也可以使用其他参数达到同样的计算锅炉热效率的效果，具体此处不做限定。
52.102、获取其他运行参数的实时值。
53.在火电机组运行的过程中，实时获取火电机组其他运行参数的实时值，具体包括发电机有功功率、供热流量、大气温度、锅炉主蒸汽流量、排烟温度、再热减温水喷洒量、送风机电流、引风机出力、脱硝入口no
x
值以及喷氨量的实时值。
54.103、将实时值输入目标预测模型，得到目标预测模型依据目标对应关系输出的最优氧量值。
55.把步骤102中获得的实时值输入到目标预测模型中，目标预测模型依据目标对应关系确定最优氧量值并将其输出，其中最优氧量值为实时值对应的火电机组能耗值最低时的投氧量值。
56.本实施例中，根据目标预测模型中的目标对应关系确定出了最优氧量，减少原料浪费或者不环保的情况。
57.请参阅图2，本技术提供的一种锅炉最优氧量预测方法的另一个实施例包括步骤201至步骤204。
58.201、获取火电机组能耗相关的至少一种类型的运行参数的历史值。
59.先获取火电机组能耗相关的至少一种类型的运行参数的历史值，运行参数包括火电机组的投氧量和除投氧量之外的其他运行参数。
60.具体地，按照秒级或者分钟级的采样区间对之前一段时间例如两到三年的运行参数的历史值进行取样，其他运行参数包括锅炉热效率相关参数、汽轮机热耗相关参数、火电机组电耗相关参数以及脱硝喷氨成本相关参数。
61.其中，锅炉热效率相关参数包括供热流量、锅炉主蒸汽流量和排烟温度等，另外，一氧化碳浓度也是计算锅炉热效率的一项重要参数，但因一氧化碳浓度的数值不容易通过常规的传感器监测得到，取样区间也不能像上述的其他运行参数一样设置为秒级或分钟
级，且一氧化碳浓度的数值用于对氧量和排烟温度的映射关系进行修正，故将其单列，不列入前述的锅炉热效率相关参数，实际生产中，影响锅炉热效率的相关参数有多种，本方案中仅以前述列举的作为后续计算参数，也可以使用其他参数达到同样的计算锅炉热效率的效果，具体此处不做限定。
62.汽轮机热耗相关参数包括再热减温水喷洒量、发电机有功功率和供热流量等，实际生产中，影响汽轮机热耗的相关参数有多种，本方案中仅以前述列举的作为后续计算参数，也可以使用其他参数达到同样的计算汽轮机热耗的效果，具体此处不做限定。
63.火电机组电耗相关参数包括发电机有功功率、送风机电流、引风机出力和空气过量系数等，实际生产中，影响火电机组电耗的相关参数有多种，本方案中仅以前述列举的作为后续计算参数，也可以使用其他参数达到同样的计算火电机组电耗的效果，具体此处不做限定。
64.脱硝喷氨成本相关参数包括脱硝入口no
x
值和喷氨量等，实际生产中，影响脱硝喷氨成本的相关参数有多种，本方案中仅以前述列举的作为后续计算参数，也可以使用其他参数达到同样的计算脱硝喷氨成本的效果，具体此处不做限定。
65.对运行参数的历史值进行除杂，得到运行参数的样本值，将样本值作为训练样本输入到初始预测模型。
66.具体地，将获取到的运行参数的历史值剔除死值、越限值、突变值等，其中任意一个运行参数的历史值被去除，则对于该时刻的所有运行参数的历史值均被去除，以保持各运行参数的历史值在时刻上的对应性。
67.202、将运行参数的历史值作为训练样本输入初始预测模型，使用训练样本对初始预测模型进行机器学习训练得到目标预测模型。
68.通过投氧量和其他运行参数计算投氧量和火电机组能耗的目标对应关系，其中，其他运行参数被分为四组，包括锅炉热效率相关参数、汽轮机热耗相关参数、火电机组电耗相关参数以及脱硝喷氨成本相关参数。请结合图3，本技术实施例通过投氧量与锅炉热效率相关参数得到第一对应关系、通过投氧量与汽轮机热耗相关参数得到第二对应关系、通过投氧量与火电机组电耗相关参数得到第三对应关系以及通过投氧量与脱硝喷氨成本相关参数得到第四对应关系。
69.下面对其实现过程进行具体描述：
70.使用投氧量和锅炉热效率相关参数对初始预测模型进行机器学习训练，得到投氧量与锅炉热效率的第一对应关系。
71.具体地，对投氧量、供热流量、锅炉主蒸汽流量和排烟温度使用支持向量机算法进行聚类和学习，得到投氧量和排烟温度的映射关系，再引入投氧量对一氧化碳浓度的影响，对投氧量和排烟温度的映射关系进行修正，之后根据相关的行业或者国家标准，计算投氧量和锅炉热效率的映射关系，并将投氧量和锅炉热效率的映射关系确定为第一对应关系。
72.使用投氧量和汽轮机热耗相关参数对初始预测模型进行机器学习训练，得到投氧量与汽轮机热耗的第二对应关系。
73.具体地，对投氧量、发电机有功功率、供热流量和再热减温水喷洒量使用统计学分析方法和机器学习算法，计算投氧量和再热减温水喷洒量的映射关系，之后根据相关的行业或者国家标准以及对应的汽轮机的热力说明书，计算再热减温水喷洒量对汽轮机热耗的
影响，从而确定投氧量和汽轮机热耗的对应关系，并将投氧量和汽轮机热耗的对应关系确定为第二对应关系。
74.使用投氧量和火电机组电耗相关参数对初始预测模型进行机器学习训练，得到投氧量与火电机组电耗的第三对应关系。
75.具体地，对投氧量、发电机有功功率和送风机电流使用支持向量机算法进行学习，得到投氧量和送风机电耗的对应关系，对投氧量、引风机出力和空气过量系数使用三次方关系进行拟合，得到投氧量和引风机电耗的对应关系，之后根据相关的行业或者国家标准，综合投氧量和送风机电耗的对应关系以及投氧量和引风机电耗的对应关系，得到投氧量与火电机组电耗的对应关系，并将投氧量与火电机组电耗的对应关系确定为第三对应关系。
76.使用投氧量和脱硝喷氨成本相关参数对初始预测模型进行机器学习训练，得到投氧量与脱硝喷氨成本的第四对应关系。
77.具体地，对投氧量、脱硝入口no
x
值和喷氨量使用支持向量机算法进行学习，得到脱硝系统近似的设备特性曲线，再根据相关的行业或者国家标准，计算得到投氧量与脱硝喷氨成本的对应关系，并将投氧量与脱硝喷氨成本的对应关系确定为第四对应关系。
78.依据第一对应关系、第二对应关系、第三对应关系以及第四对应关系得到目标对应关系。
79.具体地，根据相关的行业或者国家标准，综合第一对应关系、第二对应关系、第三对应关系以及第四对应关系，计算得到投氧量、其他运行参数和火电机组能耗的目标对应关系。目标预测模型将投氧量、其他运行参数和火电机组能耗的目标对应关系保存。
80.203、获取其他运行参数的实时值。
81.在火电机组运行的过程中，实时获取火电机组其他运行参数的实时值，具体包括发电机有功功率、供热流量、大气温度、锅炉主蒸汽流量、排烟温度、再热减温水喷洒量、送风机电流、引风机出力、脱硝入口no
x
值以及喷氨量的实时值。
82.204、将实时值输入目标预测模型，得到目标预测模型依据目标对应关系输出的最优氧量值。
83.把步骤203中获得的实时值输入到目标预测模型中，目标预测模型依据目标对应关系确定最优氧量值并将其输出，其中最优氧量值为实时值对应的火电机组能耗值最低时的投氧量值。
84.本实施例中，建立了目标预测模型，并且根据目标预测模型中的目标对应关系确定出了最优氧量，减少原料浪费或者不环保的情况。
85.下面对本技术的锅炉最优氧量预测系统进行描述，请参阅图4，本技术提供的锅炉最优氧量预测系统的一个实施例包括：
86.获取单元401，用于获取目标预测模型，其中目标预测模型由火电机组能耗相关的至少一种类型的运行参数的历史值对初始预测模型进行机器学习训练得到，运行参数包括火电机组的投氧量和除投氧量之外的其他运行参数。目标预测模型中保存有投氧量、其他运行参数和火电机组能耗之间的目标对应关系。
87.获取单元401，还用于获取其他运行参数的实时值。
88.输出单元402，用于将实时值输入目标预测模型，得到目标预测模型依据目标对应关系输出的最优氧量值，其中最优氧量值为实时值对应的火电机组能耗值最低时的投氧量
值。
89.本实施例锅炉最优氧量预测系统中各单元所执行的功能以及流程与前述图1至图2中锅炉最优氧量预测系统所执行的功能和流程类似，此处不再赘述。
90.图5是本技术提供的锅炉最优氧量预测系统的结构示意图，该锅炉最优氧量预测系统500可以包括一个或一个以上中央处理器(cpu，central processing units)501和存储器505，该存储器505中存储有一个或一个以上的应用程序或数据。
91.其中，存储器505可以是易失性存储或持久存储。存储在存储器505的程序可以包括一个或一个以上模块，每个模块可以包括对业务服务器中的一系列指令操作。更进一步地，中央处理器501可以设置为与存储器505通信，在锅炉最优氧量预测系统500上执行存储器505中的一系列指令操作。
92.锅炉最优氧量预测系统500还可以包括一个或一个以上电源502，一个或一个以上有线或无线网络接口503，一个或一个以上输入输出接口504，和/或，一个或一个以上操作系统，例如windows servertm，mac os xtm，unixtm,linuxtm，freebsdtm等。
93.该中央处理器501可以执行前述图1至图2所示实施例中锅炉最优氧量预测系统所执行的操作，具体此处不再赘述。
94.所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的系统，装置和单元的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
95.在本技术所提供的几个实施例中，应该理解到，所揭露的系统，装置和方法，可以通过其它的方式实现。例如，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。
96.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。
97.另外，在本技术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。
98.所述集成的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，本技术的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本技术各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：u盘、移动硬盘、只读存储器(rom，read-only memory)、随机存取存储器(ram，random access memory)、磁碟或者光盘等各种可以存储程序代码的介质。

技术特征：
1.一种锅炉最优氧量预测方法，其特征在于，包括：获取目标预测模型，其中所述目标预测模型由火电机组能耗相关的至少一种类型的运行参数的历史值对初始预测模型进行机器学习训练得到，所述运行参数包括火电机组的投氧量和除所述投氧量之外的其他运行参数，所述目标预测模型中保存有所述投氧量、所述其他运行参数和所述火电机组能耗之间的目标对应关系；获取所述其他运行参数的实时值；将所述实时值输入所述目标预测模型，得到所述目标预测模型依据所述目标对应关系输出的最优氧量值，其中所述最优氧量值为所述实时值对应的火电机组能耗值最低时的投氧量值。2.根据权利要求1所述的锅炉最优氧量预测方法，其特征在于，在所述获取目标预测模型之前，所述方法还包括：获取火电机组能耗相关的至少一种类型的运行参数的历史值，所述运行参数包括火电机组的投氧量和除所述投氧量之外的其他运行参数；将所述运行参数的历史值作为训练样本输入所述初始预测模型，使用所述训练样本对所述初始预测模型进行机器学习训练得到所述目标预测模型，所述目标预测模型中保存有所述投氧量、所述其他运行参数和所述火电机组能耗的目标对应关系。3.根据权利要求2所述的锅炉最优氧量预测方法，其特征在于，所述获取火电机组能耗相关的至少一种类型的运行参数的历史值包括：按照秒级或者分钟级的采样区间对所述运行参数的历史值进行取样；所述其他运行参数包括锅炉热效率相关参数、汽轮机热耗相关参数、火电机组电耗相关参数以及脱硝喷氨成本相关参数。4.根据权利要求2所述的锅炉最优氧量预测方法，其特征在于，所述将所述运行参数的历史值作为训练样本输入所述初始预测模型包括：对所述历史值进行除杂，得到所述运行参数的样本值；将所述样本值作为训练样本输入到初始预测模型。5.根据权利要求3所述的锅炉最优氧量预测方法，其特征在于，所述使用所述训练样本对所述初始预测模型进行机器学习训练得到所述目标预测模型包括：使用所述投氧量和所述锅炉热效率相关参数对所述初始预测模型进行机器学习训练，得到所述投氧量与锅炉热效率的第一对应关系；使用所述投氧量和所述汽轮机热耗相关参数对所述初始预测模型进行机器学习训练，得到所述投氧量与汽轮机热耗的第二对应关系；使用所述投氧量和所述火电机组电耗相关参数对所述初始预测模型进行机器学习训练，得到所述投氧量与火电机组电耗的第三对应关系；使用所述投氧量和所述脱硝喷氨成本相关参数对所述初始预测模型进行机器学习训练，得到所述投氧量与脱硝喷氨成本的第四对应关系；依据所述第一对应关系、所述第二对应关系、所述第三对应关系以及所述第四对应关系得到所述目标对应关系。6.一种锅炉最优氧量预测系统，其特征在于，包括：获取单元，用于获取目标预测模型，其中所述目标预测模型由火电机组能耗相关的至
少一种类型的运行参数的历史值对初始预测模型进行机器学习训练得到，所述运行参数包括火电机组的投氧量和除所述投氧量之外的其他运行参数；所述目标预测模型中保存有所述投氧量、所述其他运行参数和所述火电机组能耗之间的目标对应关系；所述获取单元，还用于获取所述其他运行参数的实时值；输出单元，用于将所述实时值输入所述目标预测模型，得到所述目标预测模型依据所述目标对应关系输出的最优氧量值，其中所述最优氧量值为所述实时值对应的火电机组能耗值最低时的投氧量值。7.根据权利要求6所述的锅炉最优氧量预测系统，其特征在于，所述获取单元还用于获取火电机组能耗相关的至少一种类型的运行参数的历史值，所述运行参数包括火电机组的投氧量和除所述投氧量之外的其他运行参数；所述锅炉最优氧量预测系统还包括：训练单元，用于将所述运行参数的历史值作为训练样本输入所述初始预测模型，使用所述训练样本对所述初始预测模型进行机器学习训练得到所述目标预测模型，所述目标预测模型中保存有所述投氧量、所述其他运行参数和所述火电机组能耗的目标对应关系。8.根据权利要求7所述的锅炉最优氧量预测系统，其特征在于，所述获取单元具体用于按照秒级或者分钟级的采样区间对所述运行参数的历史值进行取样；所述其他运行参数包括锅炉热效率相关参数、汽轮机热耗相关参数、火电机组电耗相关参数以及脱硝喷氨成本相关参数。9.一种锅炉最优氧量预测系统，其特征在于，包括：中央处理器，存储器以及输入输出接口；所述存储器为短暂存储存储器或持久存储存储器；所述中央处理器配置为与所述存储器通信，并执行所述存储器中的指令操作以执行权利要求1至5中任意一项所述的方法。10.一种计算机可读存储介质，包括指令，当所述指令在计算机上运行时，使得计算机执行如权利要求1至5中任意一项所述的方法。

技术总结
本申请实施例提供了一种锅炉最优氧量预测方法及其系统，用于预测火力发电机组实际运行时的最优氧量，减少原料浪费或者不环保的情况。本申请实施例方法包括：获取目标预测模型，其中所述目标预测模型由火电机组能耗相关的至少一种类型的运行参数的历史值对初始预测模型进行机器学习训练得到；所述目标预测模型中保存有所述投氧量、所述其他运行参数和所述火电机组能耗之间的目标对应关系；获取所述其他运行参数的实时值；将所述实时值输入所述目标预测模型，得到所述目标预测模型依据所述目标对应关系输出的最优氧量值，其中所述最优氧量值为所述实时值对应的火电机组能耗值最低时的投氧量值。时的投氧量值。时的投氧量值。


技术研发人员：刘道明 张含智
受保护的技术使用者：华润电力技术研究院有限公司
技术研发日：2021.12.06
技术公布日：2022/3/8