(19)中华 人民共和国 国家知识产权局 (12)发明 专利 (10)授权公告 号 (45)授权公告日 (21)申请 号 202111083435.3 (22)申请日 2021.09.16 (65)同一申请的已公布的文献号 申请公布号 CN 113536698 A (43)申请公布日 2021.10.2 2 (73)专利权人 大唐环境产业 集团股份有限公司 地址 100097 北京市海淀区紫竹院路120号 (72)发明人 杨言　刘海洋　谷小兵　白玉勇　 麻晓越　彭思伟　荆亚超　高阳　 李飞　 (74)专利代理 机构 北京八月瓜知识产权代理有 限公司 1 1543 代理人 秦莹 (51)Int.Cl. G06F 30/27(2020.01)G06K 9/62(2006.01) G06N 3/04(2006.01) G06N 3/08(2006.01) G06N 20/20(2019.01) (56)对比文件 CN 111275335 A,2020.0 6.12 CN 10452 9014 A,2015.04.2 2 CN 112216354 A,2021.01.12 CN 110515411 A,2019.1 1.29 CN 105425592 A,2016.0 3.23 CN 1072197 79 A,2017.09.2 9 CN 113075883 A,2021.07.0 6 审查员 赵亚丽 (54)发明名称 火电厂循环水加药模型建立方法及装置 (57)摘要 本发明公开了一种火电厂循环水加药模型 建立方法及装置， 所述方法包括： 获取循环水监 测指标及加药量数据， 并基于循环水加药机理， 对获取的循环水监测指标及加药量数据进行筛 选， 获取最优加药量数据， 并基于所述最优加药 量数据及其对应的循环水监测指标， 建立循环水 监测指标及加药量数据库， 基于所述循环水监测 指标及加药量数据库建立模型训练样本集； 采用 均值漂移聚类算法对所述循环水监测指标及加 药量数据库中模 型训练样本集进行聚类， 得到多 个工况下的循环水加药训练数据集； 基于不同工 况下的循环水加药训练数据集， 建立对应的智能 加药预测模型。 本发明能够减少药剂浪费， 降低 循环水运行和人工成本 。 权利要求书3页 说明书9页 附图3页 CN 113536698 B 2022.01.25 CN 113536698 B 1.一种火电厂循环水加药模型建立方法， 其特 征在于， 包括： 获取循环水监测指标及加药量数据， 并基于循环水加药机理， 对获取的循环水监测指 标及加药量数据进行筛选， 获取最优加药量数据， 并基于所述最优加药量数据及其对应的 循环水监测指标， 建立循环水监测指标及加药量数据库， 基于所述循环水监测指标及加药 量数据库建立模型训练样本集； 其中， 基于循环水加药机理， 对获取的循环水监测指标及加 药量数据进 行筛选， 获取最优加药量数据具体包括： 根据所加药剂与循环水的反应过程， 删 除过量加药或者加药量不足的样本数据， 根据筛选后的数据， 确定处理循环水所需要的最 优药剂量； 采用均值漂移聚类算法对所述循环水监测指标及加药量数据库中模型训练样本集进 行聚类， 得到多个工况 下的循环水加药训练数据集； 具体包括： 步骤1， 初始化滑动窗口大小D以及聚类中心center； 步骤2， 计算聚类中心center与滑动窗口范 围内样本点xi的向量， 并得到所有向量的平 均值， 据此 得到偏移量Shift； 步骤3， 根据偏移量Shift的大小更新中心点center； 步骤4， 重复步骤2和步骤3直到达到迭代次数得到此时的中心点center， 并重复步骤1、 步骤2和步骤3直到所有样 本点都被归类， 得到多个聚类中心， 也即对应的所有工况， 并将原 始训练数据集分配到相应的工况 下， 得到多个工况 下的循环水加药训练数据集； 基于不同工况下的循环水加药训练数据集， 建立对应的智能加药预测模型， 智能加药 预测模型是基于BP神经网络、 SVR支持回归机、 DT决策树的集成算法建立， 每种方法都能得 到一个加药量数据， 根据三个模型加权平均得到， 权值主要为每种模型 的正确率归一化得 到， 具体包括： BP神经网络是一种基于梯度下降法的多层前馈神经网络， 包含输入层、 隐含层和输出 层， 模型建立过程包括正向和反向计算2个过程， 前者从输入层经隐单元层逐层处理， 并转 向输出层， 每一层神经元 的状态只影响下一层神经元 的状态， 如果在输出层不能得到期望 的输出， 则转入反向计算， 将误差信号沿原来的连接通路返回， 通过修改各神经元的权值， 使得误差信号 最小， 其主 要参数为神经网络隐含层单 元个数； SVR支持回归机就是找到一个回归平面， 让一个集合的所有数据到该平面的距离最近， 对于非线性问题， 借助核函数将非线性问题转换为高维空间的线性问题， 其主要参数为惩 罚因子C和核函数参数g amma； DT决策树模型就是将特征空间划分成若干单元， 每一个划分单元有一个特定的输出， 划分的过程也就是建立树的过程， 每划分一次， 随即确定划分单元对应的输出， 也就多了一 个结点， 当根据停止条件划分终止的时候， 最终每个单元的输出也就确定了， 也就是叶结 点， 其主要参数为决策树的最大深度、 叶子结点所需要的最少样本数以及最大叶子节点个 数； 通过网格搜索和十折交叉验证分别得到BP神经网络、 SV R支持回归机、 DT决策树的模型 参数。 2.根据权利要求1所述的方法， 其特 征在于， 所述方法进一 步包括： 获取实时的循环水监测指标数据， 并根据距离判断所述工况， 输入到相应的智能加药 预测模型中， 得到当前的循环水加药量。权　利　要　求　书 1/3 页 2 CN 113536698 B 23.根据权利要求1所述的方法， 其特征在于， 所述循环水监测指标具体包括： 循环水的 pH值、 氧化还原电位ORP值、 电导 率值； 所述循环水加药 具体为： 阻垢缓蚀剂。 4.一种火电厂循环水加药模型建立装置， 其特 征在于， 包括： 处理模块， 用于获取循环水监测指标及加药量数据， 并基于循环水加药机理， 对获取的 循环水监测指标及加药量数据进行筛选， 获取最优加药量数据， 并基于所述最优加药量数 据及其对应的循环水监测指标， 建立循环水监测指标及加药量数据库， 基于所述循环水监 测指标及加药量数据库建立模型训练样本集； 所述处理模块具体用于： 根据所加药剂与循 环水的反应过程， 删除过量加药或者加药量不 足的样本数据， 根据筛选后的数据， 确定处理 循环水所需要的最优药剂量； 聚类模块， 用于采用均值漂移聚类算法对所述循环水监测指标及加药量数据库中模型 训练样本集进行聚类， 得到多个工况 下的循环水加药训练数据集； 所述聚类模块具体用于： 步骤1， 初始化滑动窗口大小D以及聚类中心center； 步骤2， 计算聚类中心center与滑动窗口范 围内样本点xi的向量， 并得到所有向量的平 均值， 据此 得到偏移量Shift； 步骤3， 根据偏移量Shift的大小更新中心点center； 步骤4， 重复步骤2和步骤3直到达到迭代次数得到此时的中心点center， 并重复步骤1、 步骤2和步骤3直到所有样 本点都被归类， 得到多个聚类中心， 也即对应的所有工况， 并将原 始训练数据集分配到相应的工况 下， 得到多个工况 下的循环水加药训练数据集； 建立模块， 用于基于不同工况下的循环水加药训练数据集， 建立对应的智能加药预测 模型； 所述建立模块具体用于： 基于不同工况下的循环水加药训练数据集， 建立对应的智能加药预测模型， 智能加药 预测模型是基于BP神经网络、 SVR支持回归机、 DT决策树的集成算法建立， 每种方法都能得 到一个加药量数据， 根据三个模型加权平均得到， 权值主要为每种模型 的正确率归一化得 到， 具体包括： BP神经网络是一种基于梯度下降法的多层前馈神经网络， 包含输入层、 隐含层和输出 层， 模型建立过程包括正向和反向计算2个过程， 前者从输入层经隐单元层逐层处理， 并转 向输出层， 每一层神经元 的状态只影响下一层神经元 的状态， 如果在输出层不能得到期望 的输出， 则转入反向计算， 将误差信号沿原来的连接通路返回， 通过修改各神经元的权值， 使得误差信号 最小， 其主 要参数为神经网络隐含层单 元个数； SVR支持回归机就是找到一个回归平面， 让一个集合的所有数据到该平面的距离最近， 对于非线性问题， 借助核函数将非线性问题转换为高维空间的线性问题， 其主要参数为惩 罚因子C和核函数参数g amma； DT决策树模型就是将特征空间划分成若干单元， 每一个划分单元有一个特定的输出， 划分的过程也就是建立树的过程， 每划分一次， 随即确定划分单元对应的输出， 也就多了一 个结点， 当根据停止条件划分终止的时候， 最终每个单元的输出也就确定了， 也就是叶结 点， 其主要参数为决策树的最大深度、 叶子结点所需要的最少样本数以及最大叶子节点个 数；权　利　要　求　书 2/3 页 3 CN 113536698 B 3