燃烧设备运行的控制方法和电子设备

本发明涉及燃烧设备控制，更具体地，涉及一种燃烧设备运行的控制方法和电子设备。

背景技术：

1、目前，发电厂的燃烧设备种类多样，而产汽量是衡量其燃烧效率的重要指标之一。随着社会各界越来越重视可持续发展、环保、废物循环利用等问题，业界一直致力于提高燃烧设备的产汽量，以达到最优的燃烧效果，从而可以做到燃料的充分利用，如将燃料进行充分燃烧并提高其发电量，以达到提高其发电效率的目的。

2、当前国内发电厂所使用的燃烧设备大多具有比较多的输入参数，这些参数控制着燃烧设备的各个组件的运行，如进风量，燃料供给量等。而燃烧设备的各项运行参数设置可以直接影响到燃料的燃烧效果，因此对于燃烧设备的参数调优则显得至关重要。目前，对于燃烧设备参数调优的方式较为复杂，调优效果不明显，难以找到最优的燃烧运行参数。

技术实现思路

1、本发明的一个目的是提供一种燃烧设备运行的控制方法的新技术方案，至少能够解决现有技术中难以找到最优燃烧运行参数的问题。

2、根据本发明实施例的燃烧设备运行的控制方法，包括如下步骤：

3、s1、构建自编码器网络；

4、s2、将燃烧设备归一化之后的原始输入数据 x作为所述自编码器网络的输入参数，获取降维之后的数据；

5、s3、使用所述数据作为神经网络的输入数据，构建lstminput神经网络；

6、s4、使用所述燃烧设备的产汽量数据作为神经网络的输入数据，构建lstmoutput神经网络；

7、s5、使用所述lstminput神经网络和所述lstmoutput神经网络获取预测数据和预测数据；

8、s6、将所述预测数据和所述数据拼接，得到第一拼接数据，将所述预测数据和所述产汽量数据拼接，得到第二拼接数据；

9、s7、采用深度annforward神经网络，对所述第一拼接数据和所述第二拼接数据进行正向预测训练和反向预测训练；

10、s8、优化所述深度annforward神经网络，获得最优输入参数；

11、s9、将所述最优输入参数输入所述深度annforward神经网络，得到所述燃烧设备对应的产汽量数据。

12、可选地，所述自编码器网络的输入层到隐含层的输出编码公式为：

13、                    (1)

14、所述自编码器网络的所述隐含层到所述输出层的解码公式为：

15、  (2)

16、所述自编码器网络的优化目标函数为均方差mse，计算公式为：

17、           (3)。

18、可选地，步骤s2包括：

19、s21、设归一化之后的原始输入数据 x的维度为a，所述自编码器网络的训练拟合误差为mse；

20、s22、设置自编码的隐含层神经元数目为b，初始值b=a-1；

21、s23、设置自编码的隐含层神经元数目为b，将归一化之后的原始输入数据 x作为所述自编码器网络的输入训练数据，输出该次训练误差mse；

22、s24、设置自编码的隐含层神经元数目为b=b-1，如果b为0，则执行步骤s25，否则执行步骤s23；

23、s25、选择步骤s23中输出的训练误差mse最小的一次训练所对应的自编码的隐含层神经元数目b作为自编码的降维后的数据维度m。

24、可选地，在步骤s25中，当包括多个相同的训练误差mse时，选择最小的b作为自编码的降维后的数据维度m。

25、可选地，步骤s4包括：

26、s41、使用步骤s3训练好的lstminput神经网络获取未来500个时间点的预测数据；

27、s42、使用步骤s4训练好的lstmoutput神经网络获取未来500个时间点的预测数据。

28、可选地，在步骤s6中，所述预测数据和所述数据按时间顺序进行拼接，所述预测数据和所述产汽量数据按照时间顺序进行拼接。

29、可选地，步骤s7包括：

30、s71、将所述第一拼接数据作为所述深度annforward神经网络的训练输入数据，将所述第二拼接数据作为所述深度annforward神经网络的训练输出数据，训练所述深度annforward神经网络；

31、s72、将所述第二拼接数据作为所述深度annbackward神经网络的训练输入数据，将所述第一拼接数据作为所述深度annbackward神经网络的训练输出数据，训练所述深度annbackward神经网络。

32、可选地，步骤s8包括：

33、s81、初始化蝙蝠算法的蝙蝠数 num，蝙蝠速度为 v，频率为 f，记第 k个蝙蝠在 t时刻的位置为，在t时刻所有蝙蝠的历史最优位置为，

34、蝙蝠算法的蝙蝠更新公式如下式所示：

35、           (4)

36、其中β为[0,1]内的随机值，为当前蝙蝠的最优个体位置， f k为蝙蝠算法蝙蝠 k的声波频率，值介于区间[ fmin,  fmax]中，其中 fmin取值为0， fmax取值为100；

37、s82、设定蝙蝠算法的适应度函数为：

38、              (5)

39、其中为最终产汽量；

40、s83、采用蝙蝠算法对所述深度annforward神经网络参数进行单次迭代；

41、s84、重复步骤s83，对所述深度annforward神经网络参数进行多次迭代，获得最优的蝙蝠位置以及。

42、可选地，可选地，步骤s83包括：

43、s831、将蝙蝠算法的一个蝙蝠位置作为所述深度annforward神经网络的输入参数，获得所述深度annforward神经网络的输出值 y forward；

44、s832、将步骤s831中获得的 y forward作为所述深度annbackward神经网络的输入参数，获得输出值xbackward；

45、s833、计算所述深度annforward神经网络的统合输入值，计算公式如下：

46、          (6)

47、s834、将作为所述深度annforward神经网络的输入值，获得统合输出值；

48、s835、计算所述深度annforward神经网络的最终输出，计算公式如下：

49、                   (7)

50、s836、蝙蝠算法优化所述深度annforward神经网络参数单次迭代的适应度输出为。

51、本发明的另一个目的是提供一种电子设备，所述电子设备能够执行上述燃烧设备运行的控制方法。

52、本发明的燃烧设备运行的控制方法，通过构建自编码器网络将输入数据进行降维，使用降维后的数据作为神经网络的输入数据对神经网络进行训练，并将输出数据作为另一神经网络的输入数据对另一神经网络进行训练，然后使用训练好的两个神经网络预测数据，并将预测数据拼接后进行深度训练，最后采用训练好的训练模型，输入参数，即可获得最优的燃烧设备产汽量参数。该方法操作简单，调优效果好，可以有效优化燃烧设备的输入参数，从而得到最优的单位燃料产汽量。

53、通过以下参照附图对本发明的示例性实施例的详细描述，本发明的其它特征及其优点将会变得清楚。