CN109359346A - 一种热负荷预测方法、装置、可读介质及电子设备 - Google Patents

一种热负荷预测方法、装置、可读介质及电子设备 Download PDF

Info

Publication number
CN109359346A
CN109359346A CN201811113973.0A CN201811113973A CN109359346A CN 109359346 A CN109359346 A CN 109359346A CN 201811113973 A CN201811113973 A CN 201811113973A CN 109359346 A CN109359346 A CN 109359346A
Authority
CN
China
Prior art keywords
individual
candidate
credible
population
institute
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Granted
Application number
CN201811113973.0A
Other languages
English (en)
Other versions
CN109359346B (zh
Inventor
刘胜伟
黄信
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Ennew Digital Technology Co Ltd
Original Assignee
Ennew Digital Technology Co Ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Ennew Digital Technology Co Ltd filed Critical Ennew Digital Technology Co Ltd
Priority to CN201811113973.0A priority Critical patent/CN109359346B/zh
Publication of CN109359346A publication Critical patent/CN109359346A/zh
Application granted granted Critical
Publication of CN109359346B publication Critical patent/CN109359346B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/12—Computing arrangements based on biological models using genetic models
    • G06N3/126—Evolutionary algorithms, e.g. genetic algorithms or genetic programming
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
    • G06F2119/08—Thermal analysis or thermal optimisation

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Biophysics (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • General Physics & Mathematics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Biomedical Technology (AREA)
  • Genetics & Genomics (AREA)
  • Computational Linguistics (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Artificial Intelligence (AREA)
  • Data Mining & Analysis (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Physiology (AREA)
  • Computer Hardware Design (AREA)
  • Geometry (AREA)
  • Investigating Or Analyzing Materials Using Thermal Means (AREA)

Abstract

本发明公开了一种热负荷预测方法、装置、可读介质及电子设备，方法包括：设置初始温度、冷却系数、终止温度，形成包括若干不同个体的候选种群，每一个体分别包括自回归项、移动平均项数及差分次数；获取目标蒸汽用户在若干个连续的测试时间段使用锅炉蒸汽时分别对应的样本热负荷量级；根据初始温度、冷却系数及各个样本热负荷量级，对候选种群进行迭代更新以形成目标种群；从目标种群确定最优个体；根据最优个体形成自回归积分滑动平均模型，利用该模型预测目标蒸汽用户在若干未来时间段使用锅炉蒸汽时分别对应的热负荷量级。通过本发明提供的技术方案，可更为准确的蒸汽用户在各个未来时间段内使用锅炉蒸汽时所分别对应的热负荷量级。

Description

一种热负荷预测方法、装置、可读介质及电子设备
技术领域
本发明涉及计算机技术领域，尤其涉及一种热负荷预测方法、装置、可读介质及电子设备。
背景技术
为了实现对锅炉蒸汽进行高效调度，通常需要对蒸汽用户在一个或多个未来时间段内使用锅炉蒸汽时所分别对应的热负荷量级进行预测。
目前，通常利用自回归积分滑动平均模型(Autoregressive IntegratedMovingAverage Model,ARIMA模型)对蒸汽用户在各个未来时间段内使用蒸汽时所对应的热负荷量级进行预测。具体地，可首先确定蒸汽用户在若干个连续的测试单位时间段内使用锅炉蒸汽时所对应的样本热负荷量级，并根据各个样本热负荷量级绘制自相关图和偏自相关图；用户则可通过查看自相关图和偏自相关图，确定自回归项p、移动平均项数q以及差分次数d，进而根据确定的p、d、q形成能够用于对该蒸汽用户在各个未来时间段内所对应的热负荷量级进行预测的ARIMA模型。
不难看出，形成ARIMA模型时所依赖的p、d、q需要由用户通过查看绘制的自相关图和偏自相关图进行确定，人工干预程度较高，p、d、q的准确性偏低，可能导致形成的ARIMA模型无法对蒸汽用户在各个未来时间段内使用蒸汽时所分别对应的热负荷量级进行准确预测。
发明内容
本发明提供一种热负荷预测方法、装置、可读介质及电子设备，可更为准确的预测蒸汽用户在各个未来时间段内使用锅炉蒸汽时所分别对应的热负荷量级。
第一方面，本发明提供了一种热负荷预测方法，包括：
设置初始温度、冷却系数，以及形成包括若干个不同个体的候选种群，每一个所述个体分别包括自回归项、移动平均项数以及差分次数；
获取目标蒸汽用户在若干个连续的测试时间段使用锅炉蒸汽时所分别对应的样本热负荷量级；
根据所述初始温度、所述冷却系数及各个所述测试时间段所分别对应的样本热负荷量级，对所述候选种群进行迭代更新以形成目标种群；
从所述目标种群中确定出最优个体；
根据所述最优个体形成自回归积分滑动平均模型，并利用所述自回归积分滑动平均模型预测所述目标蒸汽用户在若干个未来时间段使用锅炉蒸汽时所分别对应的热负荷量级。
优选地，
所述根据所述初始温度、所述冷却系数及各个所述测试时间段所分别对应的样本热负荷量级，对所述候选种群进行迭代更新以形成目标种群，包括：
A1：计算所述候选种群中每一个所述个体相对于各个所述样本热负荷量级的当前适应度值；
A2：根据各个所述个体所分别对应的当前适应度值、所述初始温度、所述冷却系数及记录的迭代更新次数，删除所述候选种群中的N个不可信个体；
A3：根据所述候选种群中剩余的各个可信个体进行二进制变异以形成至少两个候选个体；
A4：计算每一个所述候选个体相对于各个所述样本热负荷量级的候选适应度值；
A5：根据各个所述候选个体所分别对应的候选适应度值，从各个所述候选个体中选择N个候选个体作为可信个体加入所述候选种群，并将记录的迭代更新次数加1；
A6：检测记录的迭代次数是否达到预设次数，若是，则将所述候选种群确定为目标种群；否则，执行A1。
优选地，
所述A1，包括：
A11：选择所述候选种群中未被选择过的一个所述个体；
A12：根据选择的所述个体形成样本自回归积分滑动平均模型；
A13：利用所述样本自回归积分滑动平均模型预测所述目标蒸汽用户在各个所述测试时间段使用锅炉蒸汽时所分别对应的预测热负荷量级；
A14：通过如下公式1计算选择的所述个体所对应的当前适应度值：
其中，F表征选择的所述个体所对应的当前适应度值、Yj表征第j个测试时间段所对应的预测热负荷量级、yj表征第j个测试时间段所对应的样本热负荷量级、n表征测试时间段的个数；
A15：检测所述候选种群中是否存在未被选择过的个体，若是，则执行A11；否则，执行A2。
优选地，
所述A2，包括：
计算各个所述当前适应度值的平均值；
针对每一个所述个体，当所述个体所对应的当前适应度值不大于所述平均值时，将所述个体确定为可疑个体；
针对每一个所述可疑个体，执行：根据所述可疑个体所对应的当前适应度值、所述平均值、所述初始温度、所述冷却系数及记录的迭代更新次数，计算所述可疑个体所对应的个体选择概率；生成所述可疑个体所对应的随机概率，当所述随机概率小于所述个体选择概率时，在所述候选种群中将所述可疑个体作为不可信个体进行删除处理。
优选地，
所述根据所述可疑个体所对应的当前适应度值、所述平均值、所述初始温度、所述冷却系数及记录的迭代更新次数，计算所述可疑个体所对应的个体选择概率，包括：
通过如下公式2计算所述可疑个体所对应的个体选择概率：
P＝exp[(f-favg)kxT] (2)
其中，P表征所述可疑个体所对应的个体选择概率、f表征所述可疑个体所对应的当前适应度值、favg表征所述平均值、k表征所述冷却系数、x表征记录的迭代更新次数、T表征所述初始温度。
优选地，
所述A3，包括：
A311：对所述候选种群中剩余的各个可信个体进行随机配对；
A312：生成各个所述可信个体所分别对应的二进制数据链，其中，所述二进制数据链中包括三个链长为4的子链，三个所述子链与所述二进制数据链所对应的可信个体所包括的自回归项、移动平均项数及差分次数一一对应；
A313：从所述候选种群中选择一个未被选择过的可信个体；
A314：通过如下公式3计算选择的所述可信个体所对应的交叉概率：
其中，PC表征选择的所述可信个体所对应的交叉概率、k1和k2均为常数、f表征选择的所述可信个体所对应的当前适应度值、fmin表征各个所述当前适应度值中的最小值、favg表征各个所述当前适应度值的平均值、x表征记录的迭代更新次数、X表征预设次数；
A315：对所述二进制数据链的长度值与所述交叉概率之间的乘积进行向下取整以确定交叉链长L；
A316：利用当前可信个体所对应的二进制数据链的低L位替换选择的所述可信个体所对应的二进制数据链的低L位，以形成选择的所述可信个体所对应的交叉二进制数据链，其中，所述当前可信个体与选择的所述可信个体相互配对；
A317：根据所述交叉二进制数据链形成一个候选个体；
A318：检测所述候选种群中是否存在未被选择过的可信个体，若是，则执行A313；否则，执行A4。
优选地，
所述A3，包括：
A321：生成所述候选种群中剩余的各个可信个体所分别对应的二进制数据链，其中，所述二进制数据链中包括三个链长为4的子链，三个所述子链与所述二进制数据链所对应的可信个体所包括的自回归项、移动平均项数及差分次数一一对应；
A322：从所述候选种群中选择一个未被选择过的可信个体；
A323：通过如下公式4计算选择的所述可信个体所对应的变异概率：
其中，PM表征选择的所述可信个体所对应的变异概率、k3和k4均为常数、F表征选择的所述可信个体所对应的当前适应度值、fmin表征各个所述当前适应度值中的最小值、favg表征各个所述当前适应度值的平均值、x表征记录的迭代更新次数、X表征预设次数；
A324：随机生成所述可信概率所对应的随机概率值；
A325：当所述随机概率值大于所述变异概率时，对选择的所述可信个体所对应的二进制数据链中每一个二进制数据位进行取反，以形成选择的所述可信个体所对应的变异二进制数据链；
A326：根据所述变异二进制数据链形成一个候选个体；
A327：检测所述候选种群中是否存在未被选择过的可信个体，若是，则执行A322；否则，执行A4。
优选地，
还包括：预先设置终止温度；
则，所述A6，包括：
A61：检测记录的迭代次数是否达到预设次数，若是，则执行A62；否则，执行A1；
A62：根据记录的迭代更新次数、所述冷却系数及所述初始温度计算退火温度；
A63：检测所述退火温度是否小于所述终止温度，若是，则将所述候选种群确定为目标种群；否则，A64；
A64，将记录的迭代更新次数置为0，执行A1。
第二方面，本发明提供了一种热负荷预测装置，包括：
配置处理模块，用于设置初始温度、冷却系数，以及形成包括若干个不同个体的候选种群，每一个所述个体分别包括自回归项、移动平均项数以及差分次数；
获取模块，用于获取目标蒸汽用户在若干个连续的测试时间段使用锅炉蒸汽时所分别对应的样本热负荷量级；
迭代更新模块，用于根据所述初始温度、所述冷却系数及各个所述测试时间段所分别对应的样本热负荷量级，对所述候选种群进行迭代更新以形成目标种群；
确定模块，用于从所述目标种群中确定出最优个体；
预测处理模块，用于根据所述最优个体形成自回归积分滑动平均模型，并利用所述自回归积分滑动平均模型预测所述目标蒸汽用户在若干个未来时间段使用锅炉蒸汽时所分别对应的热负荷量级。
优选地，
所述迭代更新模块，用于执行如下步骤A1～A6：
A1：计算所述候选种群中每一个所述个体相对于各个所述样本热负荷量级的当前适应度值；
A2：根据各个所述个体所分别对应的当前适应度值、所述初始温度、所述冷却系数及记录的迭代更新次数，删除所述候选种群中的N个不可信个体；
A3：根据所述候选种群中剩余的各个可信个体进行二进制变异以形成至少两个候选个体；
A4：计算每一个所述候选个体相对于各个所述样本热负荷量级的候选适应度值；
A5：根据各个所述候选个体所分别对应的候选适应度值，从各个所述候选个体中选择N个候选个体作为可信个体加入所述候选种群，并将记录的迭代更新次数加1；
A6：检测记录的迭代次数是否达到预设次数，若是，则将所述候选种群确定为目标种群；否则，执行A1。
第三方面，本发明提供了一种可读介质，包括执行指令，当电子设备的处理器执行所述执行指令时，所述电子设备执行如第一方面中任一所述的方法。
第四方面，本发明提供了一种电子设备，包括：处理器、存储器和总线；所述存储器用于存储执行指令，所述处理器与所述存储器通过所述总线连接，当所述电子设备运行时，所述处理器执行所述存储器存储的所述执行指令，以使所述处理器执行如第一方面中任一所述的方法。
本发明提供了一种热负荷预测方法、装置、可读介质及电子设备，该方法通过预先设置初始温度、冷却系数，以及形成包括若干个不同个体的候选种群，每一个个体分别由一自回归项、一移动平均项数以及一差分次数构成，在获取到目标蒸汽用户于若干个连续的测试时间段内实际使用锅炉蒸汽时所分别对应的样本热负荷量级之后，则可根据设置的初始温度、冷却系数及各个测试时间段分别对应的样本热负荷量级对候选种群进行迭代更新，形成的目标种群中各个个体的准确性均相对较高，即目标种群中每一组自回归项、移动平均次数及差分次数的准确性均相对较高，从目标种群中确定出准确性最高的最优个体即可，无需用户对相应自相关图及偏自相关图进行查看而造成过多的人工干预，相应的，根据确定的最优个体所包括的一组自回归项、移动平均相数及差分次数形成自回归积分滑动平均模型，则可通过该自回归积分滑动平均模型更为准确的预测蒸汽用户在各个未来时间段内使用锅炉蒸汽时所分别对应的热负荷量级。
附图说明
为了更清楚地说明本发明实施例或现有的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明中记载的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
图1为本发明一实施例提供的一种热负荷预测方法的流程示意图；
图2为本发明一实施例提供的一种热负荷预测装置的结构示意图；
图3为本发明一实施例提供的一种电子设备的结构示意图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚，下面将结合具体实施例及相应的附图对本发明的技术方案进行清楚、完整地描述。显然，所描述的实施例仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
如图1所示，本发明实施例提供了一种热负荷预测方法，包括：
步骤101，设置初始温度、冷却系数，以及形成包括若干个不同个体的候选种群，每一个所述个体分别包括自回归项、移动平均项数以及差分次数；
步骤102，获取目标蒸汽用户在若干个连续的测试时间段使用锅炉蒸汽时所分别对应的样本热负荷量级；
步骤103，根据所述初始温度、所述冷却系数及各个所述测试时间段所分别对应的样本热负荷量级，对所述候选种群进行迭代更新以形成目标种群；
步骤104，从所述目标种群中确定出最优个体；
步骤105，根据所述最优个体形成自回归积分滑动平均模型，并利用所述自回归积分滑动平均模型预测所述目标蒸汽用户在若干个未来时间段使用锅炉蒸汽时所分别对应的热负荷量级。
如图1所示的实施例，该方法通过预先设置初始温度、冷却系数，以及形成包括若干个不同个体的候选种群，其中，每一个个体分别由自回归项、移动平均项数以及差分次数构成。在获取到目标蒸汽用户于若干个连续的测试时间段内，实际使用锅炉蒸汽时所分别对应的样本热负荷量级之后，则可根据设置的初始温度、冷却系数及各个测试时间段分别对应的样本热负荷量级对候选种群进行迭代更新，形成的目标种群中各个个体的准确性均相对较高，即目标种群中每一组自回归项、移动平均次数及差分次数的准确性均相对较高，从目标种群中确定出准确性最高的最优个体即可，无需用户对相应自相关图及偏自相关图进行查看而造成过多的人工干预，相应的，根据确定的最优个体所包括的一组自回归项、移动平均相数及差分次数形成自回归积分滑动平均模型，则可通过该自回归积分滑动平均模型更为准确的预测蒸汽用户在各个未来时间段内使用锅炉蒸汽时所分别对应的热负荷量级。
步骤102中具体可结合遗传算法及模拟退火算法实现对候选种群进行迭代更新，通过遗传算法从候选种群中确定出一个或多个局部较优个体，结合模拟退火算法对各个局部较优个体进行变异以向候选种群中引入新的个体，从而使得目标种群脱离局部最优；相应的，从迭代更新后形成的目标种群确定出最优个体，即确定出最为准确的一组自回归项p、移动平均项数q及差分次数d。具体地，可通过如下A1～A6实现步骤102：
A1，计算所述候选种群中每一个所述个体相对于各个所述样本热负荷量级的当前适应度值；
A2：根据各个所述个体所分别对应的当前适应度值、所述初始温度、所述冷却系数及记录的迭代更新次数，删除所述候选种群中的N个不可信个体；
A3：根据所述候选种群中剩余的各个可信个体进行二进制变异以形成至少两个候选个体；
A4：计算每一个所述候选个体相对于各个所述样本热负荷量级的候选适应度值；
A5：根据各个所述候选个体所分别对应的候选适应度值，从各个所述候选个体中选择N个候选个体作为可信个体加入所述候选种群，并将记录的迭代更新次数加1；
A6：检测记录的迭代次数是否达到预设次数，若是，则将所述候选种群确定为目标种群；否则，执行A1。
该实施例中，候选种群中存在N个不可信个体被删除之后，候选种群中剩余的各个个体即为局部较优个体(可信个体)，通过对候选种群中剩余的各个可信个体进行变异以得到多个候选个体，并根据各候选个体分别对应的候选适应度值选择N个候选个体作为可信个体加入至候选集群，可确保候选种群中所包括个体的总量不会发生变化，从而避免多次迭代更新后候选种群中个体发生变化而导致后续无法从候选种群中提取到最优个体。
该实施例中，预设次数可以是经验值，通常可以取500～1000之间的任意值，进行较大次数的迭代更新之后，形成的目标种群中所包括的各个个体所分别对应的当前适应度值均相对较高，即形成的目标种群中各个个体所包括的一组自回归项、移动平均项数及差分次数的准确性均相对较高。
在一种可能实现的方式中，根据各个候选个体所分别对应的候选适应度值，从各个候选个体中选择N个候选个体作为可信个体加入候选种群时，具体可针对各个候选个体所分别对应的候选适应度值，按照由大到小的顺序对各个候选个体进行排序，根据排序结果顺序选择N个候选个体作为可信个体加入到候选种群。
本发明一个实施例中，所述A1，包括：
A11：选择所述候选种群中未被选择过的一个所述个体；
A12：根据选择的所述个体形成样本自回归积分滑动平均模型；
A13：利用所述样本自回归积分滑动平均模型预测所述目标蒸汽用户在各个所述测试时间段使用锅炉蒸汽时所分别对应的预测热负荷量级；
A14：通过如下公式1计算选择的所述个体所对应的当前适应度值：
其中，F表征选择的所述个体所对应的当前适应度值、Yj表征第j个测试时间段所对应的预测热负荷量级、yj表征第j个测试时间段所对应的样本热负荷量级、n表征测试时间段的个数；
A15：检测所述候选种群中是否存在未被选择过的个体，若是，则执行A11；否则，执行A2。
该实施例中，通过公式1计算选择的个体所对应的当前适应度值，当前适应度值的越高，则说明利用根据该个体所包括的自回归项、移动平均项数以及差分次数所形成的样本自回归积分滑动平均模型预测各个测试时间段所分别对应的热负荷量级时准确性越高，即该个体所包括的一组自回归项、移动平均项数及差分次数的准确性越高，后续过程中则可根据候选集群中各个个体所分别对应的当前适应度值，去除候选集群中准确性相对较低的一部分个体。
基于前述各个实施例，从目标种群中确定最优个体时，则可将目标种群中对应当前适应度值最大的一个个体确定为最优个体。
为了实现避免对候选集群进行多次迭代更新后，对应当前适应度值相对较小的个体被全部去除而导致候选集群发生局部最优现象，本发明一个优选实施例中，所述A2，包括：
计算各个所述当前适应度值的平均值；
针对每一个所述个体，当所述个体所对应的当前适应度值不大于所述平均值时，将所述个体确定为可疑个体；
针对每一个所述可疑个体，执行：根据所述可疑个体所对应的当前适应度值、所述平均值、所述初始温度、所述冷却系数及记录的迭代更新次数，计算所述可疑个体所对应的个体选择概率；生成所述可疑个体所对应的随机概率，当所述随机概率小于所述个体选择概率时，在所述候选种群中将所述可疑个体作为不可信个体进行删除处理。
该实施例中，以候选集群中各个个体所分别对应的当前适应度值的平均值作为参考值，若一个个体所对应的当前适应度值不大于该平均值，则将该个体作为可疑个体，其包括的一组自回归项、移动平均项数以及差分次数的准确性相对较低；进一步计算各个可疑个体所分别对应的可疑概率，并随机生成各个可疑个体所分别对应的随机概率，针对于候选集群中的每一个可疑个体，则可根据该可疑个体所对应的可疑概率及随机概率的大小，决定是否对该可疑个体作为不可信个体进行删除，从而在一定程度避免候选集群中对应当前适应度值相对较小的个体被全部去除而导致候选集群发生局部最优现象。
具体地，所述根据所述可疑个体所对应的当前适应度值、所述平均值、所述初始温度、所述冷却系数及记录的迭代更新次数，计算所述可疑个体所对应的个体选择概率，包括：
通过如下公式2计算所述可疑个体所对应的个体选择概率：
P＝exp[(f-favg)kxT] (2)
其中，P表征所述可疑个体所对应的个体选择概率、f表征所述可疑个体所对应的当前适应度值、favg表征所述平均值、k表征所述冷却系数、x表征记录的迭代更新次数、T表征所述初始温度。
针对A3，具体可以通过如下方式1和方式2中的任意一种或多种实现。
方式1，包括如下步骤A311～A318，
A311：对所述候选种群中剩余的各个可信个体进行随机配对；
A312：生成各个所述可信个体所分别对应的二进制数据链，其中，所述二进制数据链中包括三个链长为4的子链，三个所述子链与所述二进制数据链所对应的可信个体所包括的自回归项、移动平均项数及差分次数一一对应；
A313：从所述候选种群中选择一个未被选择过的可信个体；
A314：通过如下公式3计算选择的所述可信个体所对应的交叉概率：
其中，PC表征选择的所述可信个体所对应的交叉概率、k1和k2均为常数、f表征选择的所述可信个体所对应的当前适应度值、fmin表征各个所述当前适应度值中的最小值、favg表征各个所述当前适应度值的平均值、x表征记录的迭代更新次数、X表征预设次数；
A315：对所述二进制数据链的长度值与所述交叉概率之间的乘积进行向下取整以确定交叉链长L；
A316：利用当前可信个体所对应的二进制数据链的低L位替换选择的所述可信个体所对应的二进制数据链的低L位，以形成选择的所述可信个体所对应的交叉二进制数据链，其中，所述当前可信个体与选择的所述可信个体相互配对；
A317：根据所述交叉二进制数据链形成一个候选个体；
A318：检测所述候选种群中是否存在未被选择过的可信个体，若是，则执行A313；否则，执行A4。
方式2，包括如下步骤A321～A327，
A321：生成所述候选种群中剩余的各个可信个体所分别对应的二进制数据链，其中，所述二进制数据链中包括三个链长为4的子链，三个所述子链与所述二进制数据链所对应的可信个体所包括的自回归项、移动平均项数及差分次数一一对应；
A322：从所述候选种群中选择一个未被选择过的可信个体；
A323：通过如下公式4计算选择的所述可信个体所对应的变异概率：
其中，PM表征选择的所述可信个体所对应的变异概率、k3和k4均为常数、F表征选择的所述可信个体所对应的当前适应度值、fmin表征各个所述当前适应度值中的最小值、favg表征各个所述当前适应度值的平均值、x表征记录的迭代更新次数、X表征预设次数；
A324：随机生成所述可信概率所对应的随机概率值；
A325：当所述随机概率值大于所述变异概率时，对选择的所述可信个体所对应的二进制数据链中每一个二进制数据位进行取反，以形成选择的所述可信个体所对应的变异二进制数据链；
A326：根据所述变异二进制数据链形成一个候选个体；
A327：检测所述候选种群中是否存在未被选择过的可信个体，若是，则执行A322；否则，执行A4。
结合上述方式1和方式2实现A3时，若首先执行方式1，则步骤A318中，检测到候选种群中不存在未被选择过的可信个体时，直接执行方式2的步骤A321；若首先执行方式2，则步骤327中，检测到候选种群中不存在未被选择过的可信个体时，直接执行方式1的步骤A311。
本发明一个优选实施例中，还包括：预先设置终止温度；
则，所述A6，包括：
A61：检测记录的迭代次数是否达到预设次数，若是，则执行A62；否则，执行A1；
A62：根据记录的迭代更新次数、所述冷却系数及所述初始温度计算退火温度；
A63：检测所述退火温度是否小于所述终止温度，若是，则将所述候选种群确定为目标种群；否则，A64；
A64，将记录的迭代更新次数置为0，执行A1。
该实施例中，退火温度t＝T*kx，T为初始温度，k为冷却系数，x为记录的迭代更新次数；预先设置的初始温度、冷却系数以及终止温度均为经验值，一般的，初始温度可以是300度，冷却系数可以是0.99，终止温度可以是0。
该实施例中，当检测到退火温度不小于终止温度时，说明此时形成的候选集群依然未能满足退火条件，即此时形成的候选集群中各个个体分别包括的一组自回归项、移动平均项数及差分次数依然未能达到最优，可将记录的迭代更新次数置0后再次对候选集群进行预设次数的迭代更新处理，直到候选集群满足退火条件时才将候选集群确定为目标集群。
在一种具体的业务场景中，根据目标蒸汽用户在若干个连续的测试时间段使用锅炉蒸汽时所分别对应的样本热负荷量级形成自相关图和偏自相关图，用户通过肉眼观看自相关图和偏自相关图确定出自回归项p为8、移动平均项数q为1及差分次数d依次为2，可形成ARIMA模型A；通过本发明实施例提供的方法确定的最优个体所包括的自回归项p为12、移动平均项数q为2及差分次数d为6，可形成ARIMA模型B。以1小时为一个时间段，对目标蒸汽用户于30天内720个未来时间段使用锅炉蒸汽时所分别对应的热负荷量级进行预测，通过平均相对误差和均方根相对误差两个维度评价ARIMA模型A及ARIMA模型B所预测的各个热负荷量级的准确性进行评价，可具体得到ARIMA模型A所对应的平均相对误差和均方根相对误差依次为32.45、5.7％，ARIMA模型A所对应的平均相对误差和均方根相对误差依次为12.36、3.2％，不难看出ARIMA模型B现规定与ARIMA模型A能够更为准确的预测目标用户在各个未来时间段内使用锅炉蒸汽时所分别对应的热负荷量级。
基于与本发明方法实施例相同的构思，请参考图2，本发明实施例提供了一种热负荷预测装置，包括：
配置处理模块201，用于设置初始温度、冷却系数，以及形成包括若干个不同个体的候选种群，每一个所述个体分别包括一自回归项、一移动平均项数以及一差分次数；
获取模块202，用于获取目标蒸汽用户在若干个连续的测试时间段使用锅炉蒸汽时所分别对应的样本热负荷量级；
迭代更新模块203，用于根据所述初始温度、所述冷却系数及各个所述测试时间段所分别对应的样本热负荷量级，对所述候选种群进行迭代更新以形成目标种群；
确定模块204，用于从所述目标种群中确定出最优个体；
预测处理模块205，用于根据所述最优个体形成自回归积分滑动平均模型，并利用所述自回归积分滑动平均模型预测所述目标蒸汽用户在若干个未来时间段使用锅炉蒸汽时所分别对应的热负荷量级。
本发明一个优选实施例中，所述迭代更新模块203，用于执行如下步骤A1～A6：
A1：计算所述候选种群中每一个所述个体相对于各个所述样本热负荷量级的当前适应度值；
A2：根据各个所述个体所分别对应的当前适应度值、所述初始温度、所述冷却系数及记录的迭代更新次数，删除所述候选种群中的N个不可信个体；
A3：根据所述候选种群中剩余的各个可信个体进行二进制变异以形成至少两个候选个体；
A4：计算每一个所述候选个体相对于各个所述样本热负荷量级的候选适应度值；
A5：根据各个所述候选个体所分别对应的候选适应度值，从各个所述候选个体中选择N个候选个体作为可信个体加入所述候选种群，并将记录的迭代更新次数加1；
A6：检测记录的迭代次数是否达到预设次数，若是，则将所述候选种群确定为目标种群；否则，执行A1。
图3是本发明的一个实施例电子设备的结构示意图。在硬件层面，该电子设备包括处理器，可选地还包括内部总线、网络接口、存储器。其中，存储器可能包含内存，例如高速随机存取存储器(Random-Access Memory，RAM)，也可能还包括非易失性存储器(non-volatile memory)，例如至少1个磁盘存储器等。当然，该电子设备还可能包括其他业务所需要的硬件。
处理器、网络接口和存储器可以通过内部总线相互连接，该内部总线可以是ISA(Industry StandardArchitecture，工业标准体系结构)总线、PCI(Peripheral ComponentInterconnect，外设部件互连标准)总线或EISA(Extended IndustryStandardArchitecture，扩展工业标准结构)总线等。所述总线可以分为地址总线、数据总线、控制总线等。为便于表示，图3中仅用一个双向箭头表示，但并不表示仅有一根总线或一种类型的总线。
存储器，用于存放程序。具体地，程序可以包括程序代码，所述程序代码包括计算机操作指令。存储器可以包括内存和非易失性存储器，并向处理器提供指令和数据。
在一种可能实现的方式中，处理器从非易失性存储器中读取对应的计算机程序到内存中然后运行，也可从其它设备上获取相应的计算机程序，以在逻辑层面上形成热负荷预测装置。处理器，执行存储器所存放的程序，以通过执行的程序实现本发明任一实施例中提供的热负荷预测方法。
上述如本发明图2所示实施例提供的热负荷预测装置执行的方法可以应用于处理器中，或者由处理器实现。处理器可能是一种集成电路芯片，具有信号的处理能力。在实现过程中，上述方法的各步骤可以通过处理器中的硬件的集成逻辑电路或者软件形式的指令完成。上述的处理器可以是通用处理器，包括中央处理器(Central Processing Unit，CPU)、网络处理器(Network Processor，NP)等；还可以是数字信号处理器(Digital SignalProcessor，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现场可编程门阵列(Field－Programmable GateArray，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。可以实现或者执行本发明实施例中的公开的各方法、步骤及逻辑框图。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
结合本发明实施例所公开的方法的步骤可以直接体现为硬件译码处理器执行完成，或者用译码处理器中的硬件及软件模块组合执行完成。软件模块可以位于随机存储器，闪存、只读存储器，可编程只读存储器或者电可擦写可编程存储器、寄存器等本领域成熟的存储介质中。该存储介质位于存储器，处理器读取存储器中的信息，结合其硬件完成上述方法的步骤。
本发明实施例还提出了一种计算机可读存储介质，该计算机可读存储介质存储一个或多个程序，该一个或多个程序包括指令，该指令当被包括多个应用程序的电子设备执行时，能够使该电子设备执行本发明任一实施例中提供的热负荷预测方法。
上述实施例阐明的系统、装置、模块或单元，具体可以由计算机芯片或实体实现，或者由具有某种功能的产品来实现。一种典型的实现设备为计算机。具体的，计算机例如可以为个人计算机、膝上型计算机、蜂窝电话、相机电话、智能电话、个人数字助理、媒体播放器、导航设备、电子邮件设备、游戏控制台、平板计算机、可穿戴设备或者这些设备中的任何设备的组合。
为了描述的方便，描述以上装置时以功能分为各种单元或模块分别描述。当然，在实施本发明时可以把各单元或模块的功能在同一个或多个软件和/或硬件中实现。
本领域内的技术人员应明白，本发明的实施例可提供为方法、系统、或计算机程序产品。因此，本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
在一个典型的配置中，计算设备包括一个或多个处理器(CPU)、输入/输出接口、网络接口和内存。
内存可能包括计算机可读介质中的非永久性存储器，随机存取存储器(RAM)和/或非易失性内存等形式，如只读存储器(ROM)或闪存(flash RAM)。内存是计算机可读介质的示例。
计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括，但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带，磁带磁磁盘存储或其他磁性存储设备或任何其他非传输介质，可用于存储可以被计算设备访问的信息。按照本文中的界定，计算机可读介质不包括暂存电脑可读媒体(transitory media)，如调制的数据信号和载波。
还需要说明的是，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、商品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、商品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、商品或者设备中还存在另外的相同要素。
本领域技术人员应明白，本发明的实施例可提供为方法、系统或计算机程序产品。因此，本发明可采用完全硬件实施例、完全软件实施例或结合软件和硬件方面的实施例的形式。而且，本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本发明可以在由计算机执行的计算机可执行指令的一般上下文中描述，例如程序模块。一般地，程序模块包括执行特定任务或实现特定抽象数据类型的例程、程序、对象、组件、数据结构等等。也可以在分布式计算环境中实践本发明，在这些分布式计算环境中，由通过通信网络而被连接的远程处理设备来执行任务。在分布式计算环境中，程序模块可以位于包括存储设备在内的本地和远程计算机存储介质中。
本发明中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。尤其，对于系统实施例而言，由于其基本相似于方法实施例，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。
以上所述仅为本发明的实施例而已，并不用于限制本发明。对于本领域技术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和原理之内所作的任何修改、等同替换、改进等，均应包含在本发明的权利要求范围之内。

Claims (12)

1.一种热负荷预测方法，其特征在于，包括：
设置初始温度、冷却系数，以及形成包括若干个不同个体的候选种群，其中，每一个所述个体分别包括自回归项、移动平均项数以及差分次数；
获取目标蒸汽用户在若干个连续的测试时间段使用锅炉蒸汽时所分别对应的样本热负荷量级；
根据所述初始温度、所述冷却系数及各个所述测试时间段所分别对应的样本热负荷量级，对所述候选种群进行迭代更新以形成目标种群；
从所述目标种群中确定出最优个体；
根据所述最优个体形成自回归积分滑动平均模型，并利用所述自回归积分滑动平均模型预测所述目标蒸汽用户在若干个未来时间段使用锅炉蒸汽时所分别对应的热负荷量级。
2.根据权利要求1所述的方法，其特征在于，
所述根据所述初始温度、所述冷却系数及各个所述测试时间段所分别对应的样本热负荷量级，对所述候选种群进行迭代更新以形成目标种群，包括：
A1：计算所述候选种群中每一个所述个体相对于各个所述样本热负荷量级的当前适应度值；
A2：根据各个所述个体所分别对应的当前适应度值、所述初始温度、所述冷却系数及记录的迭代更新次数，删除所述候选种群中的N个不可信个体；
A3：根据所述候选种群中剩余的各个可信个体进行二进制变异以形成至少两个候选个体；
A4：计算每一个所述候选个体相对于各个所述样本热负荷量级的候选适应度值；
A5：根据各个所述候选个体所分别对应的候选适应度值，从各个所述候选个体中选择N个候选个体作为可信个体加入所述候选种群，并将记录的迭代更新次数加1；
A6：检测记录的迭代次数是否达到预设次数，若是，则将所述候选种群确定为目标种群；否则，执行A1。
3.根据权利要求2所述的方法，其特征在于，
所述A1，包括：
A11：选择所述候选种群中未被选择过的一个所述个体；
A12：根据选择的所述个体形成样本自回归积分滑动平均模型；
A13：利用所述样本自回归积分滑动平均模型预测所述目标蒸汽用户在各个所述测试时间段使用锅炉蒸汽时所分别对应的预测热负荷量级；
A14：通过如下公式1计算选择的所述个体所对应的当前适应度值：
其中，F表征选择的所述个体所对应的当前适应度值、Yj表征第j个测试时间段所对应的预测热负荷量级、yj表征第j个测试时间段所对应的样本热负荷量级、n表征测试时间段的个数；
A15：检测所述候选种群中是否存在未被选择过的个体，若是，则执行A11；否则，执行A2。
4.根据权利要求2所述的方法，其特征在于，
所述A2，包括：
计算各个所述当前适应度值的平均值；
针对每一个所述个体，当所述个体所对应的当前适应度值不大于所述平均值时，将所述个体确定为可疑个体；
针对每一个所述可疑个体，执行：根据所述可疑个体所对应的当前适应度值、所述平均值、所述初始温度、所述冷却系数及记录的迭代更新次数，计算所述可疑个体所对应的个体选择概率；生成所述可疑个体所对应的随机概率，当所述随机概率小于所述个体选择概率时，在所述候选种群中将所述可疑个体作为不可信个体进行删除处理。
5.根据权利要求4所述的方法，其特征在于，
所述根据所述可疑个体所对应的当前适应度值、所述平均值、所述初始温度、所述冷却系数及记录的迭代更新次数，计算所述可疑个体所对应的个体选择概率，包括：
通过如下公式2计算所述可疑个体所对应的个体选择概率：
P＝exp[(f-favg)kxT] (2)
其中，P表征所述可疑个体所对应的个体选择概率、f表征所述可疑个体所对应的当前适应度值、favg表征所述平均值、k表征所述冷却系数、x表征记录的迭代更新次数、T表征所述初始温度。
6.根据权利要求2所述的方法，其特征在于，
所述A3，包括：
A311：对所述候选种群中剩余的各个可信个体进行随机配对；
A312：生成各个所述可信个体所分别对应的二进制数据链，其中，所述二进制数据链中包括三个链长为4的子链，三个所述子链与所述二进制数据链所对应的可信个体所包括的自回归项、移动平均项数及差分次数一一对应；
A313：从所述候选种群中选择一个未被选择过的可信个体；
A314：通过如下公式3计算选择的所述可信个体所对应的交叉概率：
其中，PC表征选择的所述可信个体所对应的交叉概率、k1和k2均为常数、f表征选择的所述可信个体所对应的当前适应度值、fmin表征各个所述当前适应度值中的最小值、favg表征各个所述当前适应度值的平均值、x表征记录的迭代更新次数、X表征预设次数；
A315：对所述二进制数据链的长度值与所述交叉概率之间的乘积进行向下取整以确定交叉链长L；
A316：利用当前可信个体所对应的二进制数据链的低L位替换选择的所述可信个体所对应的二进制数据链的低L位，以形成选择的所述可信个体所对应的交叉二进制数据链，其中，所述当前可信个体与选择的所述可信个体相互配对；
A317：根据所述交叉二进制数据链形成一个候选个体；
A318：检测所述候选种群中是否存在未被选择过的可信个体，若是，则执行A313；否则，执行A4。
7.根据权利要求2所述的方法，其特征在于，
所述A3，包括：
A321：生成所述候选种群中剩余的各个可信个体所分别对应的二进制数据链，其中，所述二进制数据链中包括三个链长为4的子链，三个所述子链与所述二进制数据链所对应的可信个体所包括的自回归项、移动平均项数及差分次数一一对应；
A322：从所述候选种群中选择一个未被选择过的可信个体；
A323：通过如下公式4计算选择的所述可信个体所对应的变异概率：
其中，PM表征选择的所述可信个体所对应的变异概率、k3和k4均为常数、F表征选择的所述可信个体所对应的当前适应度值、fmin表征各个所述当前适应度值中的最小值、favg表征各个所述当前适应度值的平均值、x表征记录的迭代更新次数、X表征预设次数；
A324：随机生成所述可信概率所对应的随机概率值；
A325：当所述随机概率值大于所述变异概率时，对选择的所述可信个体所对应的二进制数据链中每一个二进制数据位进行取反，以形成选择的所述可信个体所对应的变异二进制数据链；
A326：根据所述变异二进制数据链形成一个候选个体；
A327：检测所述候选种群中是否存在未被选择过的可信个体，若是，则执行A322；否则，执行A4。
8.根据权利要求2至7中任一所述的方法，其特征在于，
还包括：预先设置终止温度；
则，所述A6，包括：
A61：检测记录的迭代次数是否达到预设次数，若是，则执行A62；否则，执行A1；
A62：根据记录的迭代更新次数、所述冷却系数及所述初始温度计算退火温度；
A63：检测所述退火温度是否小于所述终止温度，若是，则将所述候选种群确定为目标种群；否则，A64；
A64，将记录的迭代更新次数置为0，执行A1。
9.一种热负荷预测装置，其特征在于，包括：
配置处理模块，用于设置初始温度、冷却系数，以及形成包括若干个不同个体的候选种群，每一个所述个体分别包括自回归项、移动平均项数以及差分次数；
获取模块，用于获取目标蒸汽用户在若干个连续的测试时间段使用锅炉蒸汽时所分别对应的样本热负荷量级；
迭代更新模块，用于根据所述初始温度、所述冷却系数及各个所述测试时间段所分别对应的样本热负荷量级，对所述候选种群进行迭代更新以形成目标种群；
确定模块，用于从所述目标种群中确定出最优个体；
预测处理模块，用于根据所述最优个体形成自回归积分滑动平均模型，并利用所述自回归积分滑动平均模型预测所述目标蒸汽用户在若干个未来时间段使用锅炉蒸汽时所分别对应的热负荷量级。
10.根据权利要求9所述的装置，其特征在于，
所述迭代更新模块，用于执行如下步骤A1～A6：
A1：计算所述候选种群中每一个所述个体相对于各个所述样本热负荷量级的当前适应度值；
A2：根据各个所述个体所分别对应的当前适应度值、所述初始温度、所述冷却系数及记录的迭代更新次数，删除所述候选种群中的N个不可信个体；
A3：根据所述候选种群中剩余的各个可信个体进行二进制变异以形成至少两个候选个体；
A4：计算每一个所述候选个体相对于各个所述样本热负荷量级的候选适应度值；
A5：根据各个所述候选个体所分别对应的候选适应度值，从各个所述候选个体中选择N个候选个体作为可信个体加入所述候选种群，并将记录的迭代更新次数加1；
A6：检测记录的迭代次数是否达到预设次数，若是，则将所述候选种群确定为目标种群；否则，执行A1。
11.一种可读介质，包括执行指令，当电子设备的处理器执行所述执行指令时，所述电子设备执行如权利要求1至8中任一所述的方法。
12.一种电子设备，包括：处理器、存储器和总线；所述存储器用于存储执行指令，所述处理器与所述存储器通过所述总线连接，当所述电子设备运行时，所述处理器执行所述存储器存储的所述执行指令，以使所述处理器执行如权利要求1至8中任一所述的方法。
CN201811113973.0A 2018-09-25 2018-09-25 一种热负荷预测方法、装置、可读介质及电子设备 Active CN109359346B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201811113973.0A CN109359346B (zh) 2018-09-25 2018-09-25 一种热负荷预测方法、装置、可读介质及电子设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201811113973.0A CN109359346B (zh) 2018-09-25 2018-09-25 一种热负荷预测方法、装置、可读介质及电子设备

Publications (2)

Publication Number Publication Date
CN109359346A true CN109359346A (zh) 2019-02-19
CN109359346B CN109359346B (zh) 2023-01-10

Family

ID=65351434

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201811113973.0A Active CN109359346B (zh) 2018-09-25 2018-09-25 一种热负荷预测方法、装置、可读介质及电子设备

Country Status (1)

Country Link
CN (1) CN109359346B (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111626360A (zh) * 2020-05-28 2020-09-04 新智数字科技有限公司 用于检测锅炉故障类型的方法、装置、设备和存储介质
CN112883631A (zh) * 2021-01-13 2021-06-01 新智数字科技有限公司 燃气轮机的排烟含氧量预测方法及装置
CN116664790A (zh) * 2023-07-26 2023-08-29 昆明人为峰科技有限公司 基于无人机测绘的三维地形分析系统及方法

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102622530A (zh) * 2012-04-24 2012-08-01 华电能源股份有限公司哈尔滨第三发电厂 基于改进遗传算法的抽汽供热机组热电负荷分配优化方法
CN103279813A (zh) * 2013-06-21 2013-09-04 哈尔滨工业大学（威海） 一种蒸汽负荷预测方法
US20170076216A1 (en) * 2015-09-10 2017-03-16 Siemens Aktiengesellschaft Maintenance event planning using adaptive predictive methodologies
CN106936147A (zh) * 2017-04-14 2017-07-07 南瑞（武汉）电气设备与工程能效测评中心 一种基于双层优化的微电网面向电蓄热锅炉的优化运行管理方法
CN107895214A (zh) * 2017-12-08 2018-04-10 北京邮电大学 一种多元时间序列预测方法

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102622530A (zh) * 2012-04-24 2012-08-01 华电能源股份有限公司哈尔滨第三发电厂 基于改进遗传算法的抽汽供热机组热电负荷分配优化方法
CN103279813A (zh) * 2013-06-21 2013-09-04 哈尔滨工业大学（威海） 一种蒸汽负荷预测方法
US20170076216A1 (en) * 2015-09-10 2017-03-16 Siemens Aktiengesellschaft Maintenance event planning using adaptive predictive methodologies
CN106936147A (zh) * 2017-04-14 2017-07-07 南瑞（武汉）电气设备与工程能效测评中心 一种基于双层优化的微电网面向电蓄热锅炉的优化运行管理方法
CN107895214A (zh) * 2017-12-08 2018-04-10 北京邮电大学 一种多元时间序列预测方法

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111626360A (zh) * 2020-05-28 2020-09-04 新智数字科技有限公司 用于检测锅炉故障类型的方法、装置、设备和存储介质
CN111626360B (zh) * 2020-05-28 2023-11-17 新奥新智科技有限公司 用于检测锅炉故障类型的方法、装置、设备和存储介质
CN112883631A (zh) * 2021-01-13 2021-06-01 新智数字科技有限公司 燃气轮机的排烟含氧量预测方法及装置
CN112883631B (zh) * 2021-01-13 2024-05-24 新奥新智科技有限公司 燃气轮机的排烟含氧量预测方法及装置
CN116664790A (zh) * 2023-07-26 2023-08-29 昆明人为峰科技有限公司 基于无人机测绘的三维地形分析系统及方法
CN116664790B (zh) * 2023-07-26 2023-11-17 昆明人为峰科技有限公司 基于无人机测绘的三维地形分析系统及方法

Also Published As

Publication number Publication date
CN109359346B (zh) 2023-01-10

Similar Documents

Publication Publication Date Title
CN110008080B (zh) 基于时间序列的业务指标异常检测方法、装置和电子设备
CN110263821B (zh) 交易特征生成模型的训练、交易特征的生成方法和装置
CN109359346A (zh) 一种热负荷预测方法、装置、可读介质及电子设备
CN110728458B (zh) 一种目标对象的风险监测方法、装置及电子设备
CN110019668A (zh) 一种文本检索方法及装置
CN110119860B (zh) 一种垃圾账号检测方法、装置以及设备
CN110472802B (zh) 一种数据特征评估方法、装置及设备
CN114785696B (zh) 复杂网络节点的重要度评估方法及装置
JP2020501232A (ja) リスク制御イベント自動処理の方法および装置
CN109840312A (zh) 一种锅炉负荷率-能效曲线的异常值检测方法和装置
CN109117595A (zh) 一种热负荷预测方法、装置、可读介质及电子设备
CN109508846A (zh) 一种机组数据异常波动的检测方法及装置
CN110019785A (zh) 一种文本分类方法及装置
CN110057419A (zh) 流量信号的补偿方法、装置、存储介质、处理器和系统
CN114565196B (zh) 基于政务热线的多事件趋势预判方法、装置、设备及介质
CN113837635A (zh) 风险检测处理方法、装置及设备
TWI710970B (zh) 無監督模型評估方法、裝置、伺服器及可讀儲存媒體
JP2019191769A (ja) データ判別プログラム、データ判別装置およびデータ判別方法
CN109726068A (zh) 一种数据检测方法及装置
CN109597982A (zh) 摘要文本识别方法及装置
CN116628600A (zh) 基于随机森林的不平衡数据采样方法及装置
CN110163470B (zh) 事件评估方法及装置
CN116629612A (zh) 一种风险预测的方法、装置、存储介质及电子设备
US11829390B2 (en) Recipe construction system, recipe construction method, computer readable recording media with stored programs, and non-transitory computer program product
CN112433952B (zh) 深度神经网络模型公平性测试方法、系统、设备及介质

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant