基于KNN的电站锅炉排烟温度预测方法探讨

辛凯，陈运启

（1.哈尔滨电站设备成套设计研究所有限公司，哈尔滨 150046； 2.中国市政工程华北设计研究总院有限公司，天津 300074）

近些年来，电站锅炉往往存在排烟温度超出设计值的现象。一般来讲，造成电站锅炉排烟温度过高的原因，主要是燃烧煤质和设计燃用煤质二者之间有着一定的偏差，在设计过程中，忽视了管壁沾污状况，空气预热器的受热面相对过小，以及尾部受热面吹灰器布置存在严重的缺陷等。

针对排烟温度的影响因素，已有多位学者进行了相关的研究。陈运启[1]对电站锅炉机组运行过程当中的参数，以及排烟温度二者之间的相关性做了统计分析，找出了影响排烟温度的相关运行参数，进而明确了排烟温度受到影响的直接原因。仲亚飞[2]基于支持向量机建立了锅炉排烟温度模型，同时利用改进后的混沌粒子群算法，针对支持向量机的有关参数做了优化，从而使模型的准确性得到明显提高。基于粒子群算法与支持向量机的排烟温度模型可以有效地预测机组运行过程中，排烟温度所发生的变化，能够为锅炉机组的运行给予科学的指导。沈利[3]立足于煤质对锅炉燃烧工况所起到的影响，通过支持向量机法，结合煤质影响因素，针对排烟温度做了建模预测。结果显示，结合煤质影响的排烟温度建模预测方法有着较高的精确性。本文利用KNN 算法，针对某电厂660 MW 机组燃烧锅炉建立排烟温度预测模型，同时对模型参数做出单因素变化，分析其对排烟温度所起到的影响，力求对电厂锅炉优化运行，以及建立在线排烟温度预测模型给予一定的指导。

1 KNN 概述

1.1 KNN 原理

KNN 是邻近算法的简称，也被称作K最近邻算法，作为简单以及原始的分类器，是将所有的训练数据相对应的类别进行记录。在测试对象的属性与某个训练对象的属性相符条件下，便能够对其做出分类。但是如何将全部测试对象均找到与之完全相符的训练对象，即存在一个测试对象同时和众多不同的训练对象相符，从而令一个训练对象被归属到了众多个类的问题，由此便产生了KNN[4]。

KNN 是借助于测量不同特征值之间的距离做出相应分类。其主要思路是：假如一个样本在特征空间当中的K个最相似（也就是特征空间当中最邻近）的样本当中大多数属于某一个具体的类别，那么该样本也便属于该类别。在这其中，K一般是小于20 的整数。在KNN 算法当中，所选取的邻居均是完成了正确分类的对象。该方法从定类决策方面来讲，仅仅按照最邻近的一个，或者是多个不同样本的类别来明确待分样本所归属的相应类别。

这里可以通过一个简单的例子进行描述，如图1所示，圆形将要被划分到哪个类，究竟是三角形还是四方形。假如K=3，因为三角形所占据的比例是2/3，圆形将被划分到三角形那个类别中。假如K=5，那么因为四方形所占据的比例是3/5，所以圆形被划分到四方形类别中。

图1 KNN 算法示意Fig.1 KNN algorithm diagram

由此也体现出了KNN 算法的结果从较大程度上来讲，受到K的选择影响。

在KNN 算法中，借助于计算对象之间的距离，来作为不同对象之间的非相似性指标，可以有效避免不同对象之间的匹配问题。在此处，距离通常应用欧氏距离或者是曼哈顿距离，如式（1）和式（2）所示。

欧式距离：

曼哈顿距离：

与此同时，KNN 按照K个对象当中占据优势的类别做出决策，而并非属于单一对象类别上的决策。上述两点便属于KNN 算法的独到优势[5]。

接着针对KNN 算法的思想进行总结：即在训练集当中的数据与标签已知的基础上，这时输入测试数据，将测试数据的特征和训练集中所相对应的特征做出对比，找到训练集当中与之相似度最高的前K个数据，那么该测试数据所对应的类别，即K个数据当中出现最频繁的那个分类，可对其算法做出以下几点描述。

（1）计算测试数据和各个训练数据二者之间的实际距离。

（2）依据距离上的递增关系做出详细排序。

（3）选择距离最小的K个点。

（4）确定前K个点所处的类别出现次数。

（5）返回到前K个点当中出现次数最多的类别，将其当做测试数据的相应预测分类。

1.2 KNN 在电站锅炉排烟温度预测中的实际应用

根据文献 [1]可知，电站锅炉排烟温度的影响参数主要有一次风温度、二次风温度以及高压流化风出口温度等。收集相关的参数，如表1所示。

表1 机组部分运行参数Tab.1 Part operating parameters of the unit

利用Python 软件中的KNN 模块进行排烟温度的预测，代码如下所示：

由此得出排烟温度预测值，如表2所示。

2 实验分析

为增加预测结果的可信度，在现场对排烟温度数据进行采集与分析[6]。在一次风温度、二次风温度、高压流化风出口温度的同等工况下，将采集到的排烟温度和预测排烟温度进行对比，并通过Origin 软件拟合出实际曲线，如图2所示。

根据图2可以计算出，排烟温度预测数据和采集数据的最大误差为0.5%，在允许的误差范围内。说明文中通过KNN 针对电站锅炉排烟温度进行预测时，有着科学合理性[7]。

表2 机组排烟温度预测值Tab.2 Unit exhaust temperature prediction value

图2 排烟温度预测数据和采集数据对比Fig.2 Smoke exhaust temperature prediction data and acquisition data comparison

3 结束语

本文研究了KNN 在电站锅炉排烟温度预测中的应用。利用KNN 算法，相对其他算法可以有效降低计算量，避免离群点对KNN 距离带来不利影响。本文所提出的基于KNN 电站锅炉排烟温度预测，能够在没有任何故障信息的条件下做出预测，同时相关指标定义于原始数据空间，免于受到拖尾效应所带来的影响。此外，通过现场采集数据，验证了该算法的可行性。从实验结果中可见，基于KNN 的电站锅炉排烟温度预测模型，有着人为确定参数少、建模简洁以及识别精度较高等显著的优势，能够应用在工程实践中，为电站锅炉排烟温度的诊断提出创新型的方法。