买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

龙图腾网获悉华中科技大学申请的专利基于迁移学习的电站锅炉受热面灰污量化表征方法及系统获国家发明授权专利权，本发明授权专利权由国家知识产权局授予，授权公告号为：CN119598694B 。

龙图腾网通过国家知识产权局官网在2026-03-06发布的发明授权授权公告中获悉：该发明授权的专利申请号/专利号为：202411470723.8，技术领域涉及：G06F30/20；该发明授权基于迁移学习的电站锅炉受热面灰污量化表征方法及系统是由谭鹏;鲁曼田;谢树涛;张成;方庆艳;陈刚设计研发完成，并于2024-10-21向国家知识产权局提交的专利申请。

本基于迁移学习的电站锅炉受热面灰污量化表征方法及系统在说明书摘要公布了：本发明属于灰污监测技术领域，公开了一种基于迁移学习的锅炉受热面灰污量化表征方法，本发明借助模拟仿真软件搭建研究对象锅炉的锅‑炉耦合模型，采用仿真建模结合实际验证的方法，研究基于迁移学习的锅炉受热面灰污量化表征方法。通过利用仿真数据中建立好并验证精确度的模型和灰污标签，迁移至相同实际受热面进行灰污量化表征建模，降低了建模难度，提高了建模速度，所需数据量少并可有效拟合得到实际受热面的积灰趋势。有效解决目前锅炉机组实际运行数据中缺乏表征灰污标签，无法较好得对后续的吹灰优化提供指导的问题，具有一定的应用前景。

本发明授权基于迁移学习的电站锅炉受热面灰污量化表征方法及系统在权利要求书中公布了：1.一种基于迁移学习的锅炉受热面灰污量化表征方法，其特征在于，包括以下步骤： S1：基于三传一反建立锅炉动态仿真模型，并用实际运行数据进行验证，开展变工况和变灰污系数动态仿真，获取各级受热面灰污系数变化时的全负荷全工况仿真运行数据； S2：选择仿真模型中受热面运行数据集S1作为源域，选择实际燃煤电站锅炉中对应相同受热面的运行数据集作为目标域； S3：基于自编码器和支持向量回归算法搭建源域下锅炉受热面灰污量化表征模型并进行调参优化和训练，得到受热面灰污拟合结果最优的预训练模型； S4：将S3预训练模型迁移至目标域数据集，并采用微调模型参数的方法使得模型适应相同锅炉受热面实际运行数据下的灰污量化表征任务； S5：利用实际吹灰执行动作判断不同吹灰周期内受热面的积灰趋势和灰污程度，完成迁移学习模型验证； S6：将经过验证的模型固化在工控机中，通过Modbus、OPC通讯与DCS系统连接，获取实时运行数据，经模型计算后获得各级受热面沾污状况，计算结果进一步用于智能吹灰决策或回传DCS供运行人员参考； 所述S1中的各级受热面变灰污系数下的全负荷全工况运行数据获取，是借助Apros建立锅-炉耦合动态仿真模型进行研究，在模块属性设定中以锅炉具体受热面的灰污系数变化情况作为指标特征，范围为0.6-1，将系数为1时表示为受热面洁净，随着系数的下降表示受热面表面因积灰而洁净程度开始降低；当系数再次回升至1时，表示为受热面因执行吹灰操作使得受热面恢复洁净状态；仿真数据采样间隔可取10秒-1分钟，针对性各级受热面，分别以负荷、给煤量、工质侧流量、工质侧温度、工质侧压力、烟气侧温度及压力多个参数构成的原始仿真数据集，用于后续锅炉各级受热面的灰污量化表征； 所述S2中的数据集的划分，是基于迁移学习的基本概念进行划分； 所述S3中搭建的受热面灰污拟合结果最优的预训练模型，其具体过程为：面向源域数据，结合无监督学习算法自编码器AE和传统机器学习算法支持向量回归SVR，将AE模型中的编码器部分作为特征提取器，将数据样本输入编码器部分进行数据降维和深层次特征提取，之后特征向量和数据标签一起输入SVR模型执行回归，将获取到的受热面灰污程度预测值与源域的灰污系数标签进行比较，通过调参优化，得到拟合结果最优的模型框架与参数设置，将其表示为迁移学习的预训练模型AE-SVR，后续用于面向目标域的模型迁移学习。

如需购买、转让、实施、许可或投资类似专利技术，可联系本专利的申请人或专利权人华中科技大学，其通讯地址为：430074 湖北省武汉市洪山区珞喻路1037号；或者联系龙图腾网官方客服，联系龙图腾网可拨打电话0551-65771310或微信搜索“龙图腾网”。

以上内容由龙图腾AI智能生成。