(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202210929479.1 (22)申请日 2022.08.03 (71)申请人 中国电子系统技 术有限公司 地址 100036 北京市海淀区复兴 路四十九 号 (72)发明人 李志成　陈鹏　王艳静　刘昊松　 吴庆北　 (74)专利代理 机构 北京尚钺知识产权代理事务 所(普通合伙) 11723 专利代理师 王海荣 (51)Int.Cl. F22B 35/18(2006.01) F22B 37/38(2006.01) G06F 16/215(2019.01) G06F 16/28(2019.01)G06K 9/62(2022.01) G06Q 10/04(2012.01) G06Q 50/06(2012.01) (54)发明名称 一种水冷振动炉排锅炉燃烧功率及气体排 放预警方法和系统 (57)摘要 本发明涉及电力数字化技术领域， 提供一种 水冷振动炉排锅炉燃烧功率及气体排放预警方 法和系统， 本发明的方法包括： 获取实时燃烧数 据并将获得的实时燃烧数据存储至mysql数据库 中； 从mysql数据库中导出 实时燃烧数据， 通过数 据处理， 获得训练特征数据； 通过计算训练特征 数据中目标变量5分钟后的涨跌值， 判断涨跌情 况， 并根据涨跌情况对实时燃烧数据进行标注； 对标注后的实时燃烧数据进行划分， 获得训练集 和测试集， 训练建立及筛选得到AI三分类涨跌预 测模型； 预测当前时刻 目标变量5分钟后的涨跌 情况， 并根据预测结果触发预警。 本发明的方法 和系统， 可以预测未来5分钟后的燃烧变量涨跌 情况， 使机组人员提前做出调整燃烧变量的指 令。 权利要求书2页 说明书6页 附图3页 CN 115289451 A 2022.11.04 CN 115289451 A 1.一种水冷振动炉排锅炉燃烧功率及气体排放预警方法， 其特征在于， 所述方法， 包 括： 步骤S1： 获取实时燃烧数据并将获得的实时燃烧数据存储至mysql数据库中， 所述实时 燃烧数据包 含时间戳以及当前时间戳下 所有燃烧变量的数值； 步骤S2： 从mysql数据库中导出实时燃烧数据， 删除无效数据， 通过计算各项燃烧变量 的分钟均值和分钟差值， 获得训练特 征数据； 步骤S3： 通过计算步骤S2获得的训练特征数据中目标变量5分钟后的涨跌值， 判断涨跌 情况， 并根据涨跌情况对实时燃烧数据进行 标注， 得到每条 数据的标签； 步骤S4： 对步骤S3标注后的实时燃烧数据进行划分， 获得训练集和测试集， 训练建立及 筛选得到AI 三分类涨跌预测模型； 步骤S5： 采用步骤S4筛选得到的涨跌预测模型预测当前时刻目标变量5分钟后的涨跌 情况， 并根据预测结果触发预警。 2.根据权利要求1所述的水冷振动炉排锅炉燃烧功率及气体排放预警方法， 其特征在 于， 步骤S1， 包括： 通过在锅炉的各个位置安装传感器， 获取各个燃烧指标的实时数据即实 时燃烧数据， 传感器每秒钟监测并记录相应的燃烧变量， 燃烧变量包括机组功 率、 当前燃料 量、 风量、 主蒸汽压力以及当前有 害气体浓度。 3.根据权利要求1所述的水冷振动炉排锅炉燃烧功率及气体排放预警方法， 其特征在 于， 步骤S2中， 计算各项燃烧变量的分钟均值和分钟差值包括： 计算各项燃烧变量1分钟的 数据均值以及分别计算各项燃烧变量2分钟、 5分钟、 8分钟的均值。 4.根据权利要求1所述的水冷振动炉排锅炉燃烧功率及气体排放预警方法， 其特征在 于， 步骤S 3中， 判断涨跌情况， 并根据涨跌情况对实时燃烧数据进 行标注， 包括： 设置涨跌阈 值a， 若涨跌值大于a， 则判断为上涨， 数据标签置为 1； 若涨跌值小于 ‑a， 则判断为下跌， 数据 标签置为 ‑1； 若涨跌值 位于‑a与a之间， 则判断为持平， 数据标签置为0 。 5.根据权利要求1所述的水冷振动炉排锅炉燃烧功率及气体排放预警方法， 其特征在 于， 步骤S 3中， 判断涨跌情况， 并根据涨跌情况对实时燃烧数据进 行标注， 还包括： 将 计算得 到的5分钟后涨跌值降序排列， 位于前30％且大于0的数据判断为上涨， 数据标签置为1； 位 于后30％且小于0的数据判断为下跌， 数据标签置为 ‑1； 其余数据判断为持平， 数据标签设 置为0。 6.根据权利要求1所述的水冷振动炉排锅炉燃烧功率及气体排放预警方法， 其特征在 于， 步骤S4， 包括： 步骤S41： 从步骤S3标注后的实时燃烧数据中以天为时间单位获取某个时间范围的数 据； 步骤S42： 在步骤S41中某个时间范围的数据中， 随机选择一定天数的数据作为训练集， 其余天数的数据作为测试集； 步骤S43： 根据步骤S42获得的训练集和测试集训练建立及筛选得到AI三分类预测模 型。 7.根据权利要求6所述的水冷振动炉排锅炉燃烧功率及气体排放预警方法， 其特征在 于， 本实施例方法的步骤S43， 包括： 步骤S431： 基于步骤S42的训练集和测试集， 建立Random  Forest、 Adaboost、 Gradient  权　利　要　求　书 1/2 页 2 CN 115289451 A 2Boosting和Bagging集成模型： 步骤S432： 采用同一批次的训练集和 测试集同时训练步骤S431的4个模型； 步骤S433： 从训练后的4个模型中选择准确率 最高的作为 最终的预测模型进行部署。 8.根据权利要求1所述的水冷振动炉排锅炉燃烧功率及气体排放预警方法， 其特征在 于， 步骤S 5， 包括： 通过计算所有燃烧变量对 预测结果的平均贡献度得到各项燃烧变量的重 要性因子， 并根据重要性因子对变量降序排列后输出。 9.一种水冷振动炉排锅炉燃烧功率及气体排放预警系统， 其特征在于， 所述系统， 包 括： 数据收集模块， 用于获取传感器中实时燃烧数据并将获得的实时燃烧数据存储至 mysql数据库中， 其中， 所述实时燃烧 数据包含时间戳以及当前时间戳下所有燃烧变量的数 值， 所述燃烧变量包括机组功率、 当前燃料量、 风 量、 主蒸汽压力以及当前有 害气体浓度； 数据处理模块， 用于从mysql数据库中导出实时燃烧数据， 删除无效数据， 通过计算各 项燃烧变量的分钟均值和分钟差值， 获得训练特征数据； 通过计算训练特征数据中目标变 量5分钟后的涨跌值， 判断涨跌情况， 并根据涨跌情况对实时燃烧数据进行标注， 得到每条 数据的标签； 模型训练建立及筛选模块， 用于对标注后的实时燃烧数据进行划分， 获得训练集和测 试集， 训练建立及筛选得到AI三分类涨跌预测模型， 将筛选得到AI三分类涨跌预测模型封 装成涨跌预测模型服 务接口； 涨跌预测模型服务接口， 用于预测当前时刻目标变量5分钟后的涨跌情况， 并将当前时 刻5分钟后的机组功 率或气体浓度涨跌预测结果以及重要性因子排名前20位的燃烧变量 发 送至预警模块； 预警模块， 用于根据涨跌预测模型服务接口的发送结果， 进行指令判断， 将 “上涨”、“下 跌”转换成相应的报警指令， 指示设备发出 预警信号。 10.根据权利要求9所述的水冷振动炉排锅炉燃烧功率及气体排放预警系统， 其特征在 于， 数据收集模块在数据收集时首先开辟一段缓存， 每段缓存只存储60秒的数据， 如果当前 数据的时间戳为每分钟的开始时刻， 即0秒， 将此条数据放入缓存区； 如果当前数据的时间 戳为每分钟的最后时刻， 即59秒， 则将缓存区中的1分钟内的60条数据发送至数据处理模块 中计算分钟均值和分钟差值。权　利　要　求　书 2/2 页 3 CN 115289451 A 3