CN110673478B - 磨煤机的控制方法、装置、系统及存储介质 - Google Patents
磨煤机的控制方法、装置、系统及存储介质 Download PDFInfo
- Publication number
- CN110673478B CN110673478B CN201910931372.9A CN201910931372A CN110673478B CN 110673478 B CN110673478 B CN 110673478B CN 201910931372 A CN201910931372 A CN 201910931372A CN 110673478 B CN110673478 B CN 110673478B
- Authority
- CN
- China
- Prior art keywords
- characteristic data
- coal mill
- data
- coal
- learning model
- 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.)
- Active
Links
Images
Classifications
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B13/00—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion
- G05B13/02—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric
- G05B13/04—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators
- G05B13/042—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators in which a parameter or coefficient is automatically adjusted to optimise the performance
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B02—CRUSHING, PULVERISING, OR DISINTEGRATING; PREPARATORY TREATMENT OF GRAIN FOR MILLING
- B02C—CRUSHING, PULVERISING, OR DISINTEGRATING IN GENERAL; MILLING GRAIN
- B02C23/00—Auxiliary methods or auxiliary devices or accessories specially adapted for crushing or disintegrating not provided for in preceding groups or not specially adapted to apparatus covered by a single preceding group
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B02—CRUSHING, PULVERISING, OR DISINTEGRATING; PREPARATORY TREATMENT OF GRAIN FOR MILLING
- B02C—CRUSHING, PULVERISING, OR DISINTEGRATING IN GENERAL; MILLING GRAIN
- B02C25/00—Control arrangements specially adapted for crushing or disintegrating
Abstract
本发明提供一种磨煤机的控制方法、装置、系统及存储介质,该方法,包括:获取磨煤机的当前状态特征数据;将所述当前状态特征数据作为目标学习模型的输入,由所述目标学习模型输出磨煤机的当前动作特征数据;其中,所述目标学习模型是由状态特征数据和对应的动作特征数据训练得到的;所述状态特征数据与所述磨煤机的运行状态相关;根据所述当前动作特征数据,对所述磨煤机进行控制优化。从而可以充分考虑影响磨煤机运行的各种因素,实现对磨煤机的精细化控制,提高磨煤机的运行效率。
Description
技术领域
本发明涉及电力电子技术领域,尤其涉及一种磨煤机的控制方法、装置、系统及存储介质。
背景技术
磨煤机是火力发电厂的主要制粉设备,具有较高的能耗,且其运行的状态会影响火力发电机组其他部分的运行。因此,需要对磨煤机的控制进行优化处理。
目前,一般是通过物理方程建模,或者基于历史控制策略拟合的方式来对磨煤机进行控制优化。
但是,上述方式依赖于人为假定的策略,缺乏客观性和灵活性,很难实现对磨煤机的精细化控制。
发明内容
本发明提供一种磨煤机的控制方法、装置、系统及存储介质,可以充分考虑影响磨煤机运行的各种因素,实现对磨煤机的精细化控制,提高磨煤机的运行效率。
第一方面,本发明实施例提供一种磨煤机的控制方法,包括:
获取磨煤机的当前状态特征数据;
将所述当前状态特征数据作为目标学习模型的输入,由所述目标学习模型输出磨煤机的当前动作特征数据;其中,所述目标学习模型是由状态特征数据和对应的动作特征数据训练得到的;所述状态特征数据与所述磨煤机的运行状态相关;
根据所述当前动作特征数据,对所述磨煤机进行控制优化。
在一种可能的设计中,在获取磨煤机的当前状态特征数据之前,包括:
通过构建多层全连接神经网络得到初始学习模型;
根据状态特征数据和对应的动作特征数据,构建训练数据集;
通过所述训练数据集训练所述初始学习模型,得到所述目标学习模型。
在一种可能的设计中,根据状态特征数据和对应的动作特征数据,构建训练数据集,包括:
按照预设的时间间隔,采集磨煤机的状态特征数据和动作特征数据;其中,所述状态特征数据包括以下任一或任多:磨煤机的出口压力、入口一次风压、料位、风粉温度、电流;所述动作特征数据包括以下任一或任多:磨煤机的入口冷/热一次风电动调节风门阀开度、容量风阀门开度、旁路风阀门开度;
通过工况特征值对采集到的磨煤机的状态特征数据和动作特征数据进行筛选,得到所述训练数据集。
在一种可能的设计中,所述工况特征值与磨煤机的给煤反馈量、磨煤机的电流相关。
在一种可能的设计中,通过工况特征值对采集到的磨煤机的状态特征数据和动作特征数据进行筛选,得到所述训练数据集,包括:
分别获取不同时刻下,磨煤机的状态特征数据和动作特征数据对应的工况特征值;
根据所述工况特征值的大小,对磨煤机的状态特征数据和动作特征数据进行排序;
通过排在前m%的状态特征数据和动作特征数据构建所述训练数据集;其中m的取值范围为(0,100)。
在一种可能的设计中,根据所述当前动作特征数据,对所述磨煤机进行控制优化,包括:
将所述当前动作特征转换为所述磨煤机的调节参数;其中,所述调节参数包括:磨煤机的入口冷/热一次风电动调节风门阀开度调节量、容量风阀门开度调节量、旁路风阀门开度调节量;
根据所述调节参数,对所述磨煤机进行控制优化。
第二方面,本发明实施例提供一种磨煤机的控制装置,包括:
获取模块,用于获取磨煤机的当前状态特征数据;
处理模块,用于将所述当前状态特征数据作为目标学习模型的输入,由所述目标学习模型输出磨煤机的当前动作特征数据;其中,所述目标学习模型是由状态特征数据和对应的动作特征数据训练得到的;所述状态特征数据与所述磨煤机的运行状态相关;
控制模块,用于根据所述当前动作特征数据,对所述磨煤机进行控制优化。
在一种可能的设计中,还包括:模型构建模块,用于:
通过构建多层全连接神经网络得到初始学习模型;
根据状态特征数据和对应的动作特征数据,构建训练数据集;
通过所述训练数据集训练所述初始学习模型,得到所述目标学习模型。
在一种可能的设计中,根据状态特征数据和对应的动作特征数据,构建训练数据集,包括:
按照预设的时间间隔,采集磨煤机的状态特征数据和动作特征数据;其中,所述状态特征数据包括以下任一或任多:磨煤机的出口压力、入口一次风压、料位、风粉温度、电流;所述动作特征数据包括以下任一或任多:磨煤机的入口冷/热一次风电动调节风门阀开度、容量风阀门开度、旁路风阀门开度;
通过工况特征值对采集到的磨煤机的状态特征数据和动作特征数据进行筛选,得到所述训练数据集。
在一种可能的设计中,所述工况特征值与磨煤机的给煤反馈量、磨煤机的电流相关。
在一种可能的设计中,通过工况特征值对采集到的磨煤机的状态特征数据和动作特征数据进行筛选,得到所述训练数据集,包括:
分别获取不同时刻下,磨煤机的状态特征数据和动作特征数据对应的工况特征值;
根据所述工况特征值的大小,对磨煤机的状态特征数据和动作特征数据进行排序;
通过排在前m%的状态特征数据和动作特征数据构建所述训练数据集;其中m的取值范围为(0,100)。
在一种可能的设计中,所述控制模块,具体用于:
将所述当前动作特征转换为所述磨煤机的调节参数;其中,所述调节参数包括:磨煤机的入口冷/热一次风电动调节风门阀开度调节量、容量风阀门开度调节量、旁路风阀门开度调节量;
根据所述调节参数,对所述磨煤机进行控制优化。
第三方面,本发明实施例提供一种磨煤机的控制系统,包括:存储器和处理器,存储器中存储有所述处理器的可执行指令;其中,所述处理器配置为经由执行所述可执行指令来执行第一方面中任一项所述的磨煤机的控制方法。
第四方面,本发明实施例提供一种计算机可读存储介质,其上存储有计算机程序,该程序被处理器执行时实现第一方面中任一项所述的磨煤机的控制方法。
第五方面,本发明实施例提供一种程序产品,所述程序产品包括:计算机程序,所述计算机程序存储在可读存储介质中,服务器的至少一个处理器可以从所述可读存储介质读取所述计算机程序,所述至少一个处理器执行所述计算机程序使得服务器执行第一方面中任一所述的基于磨煤机的控制方法。
本发明提供一种基于磨煤机的控制方法、装置、系统及存储介质,通过获取磨煤机的当前状态特征数据;将所述当前状态特征数据作为目标学习模型的输入,由所述目标学习模型输出磨煤机的当前动作特征数据;其中,所述目标学习模型是由状态特征数据和对应的动作特征数据训练得到的;所述状态特征数据与所述磨煤机的运行状态相关;根据所述当前动作特征数据,对所述磨煤机进行控制优化。从而可以充分考虑影响磨煤机运行的各种因素,实现对磨煤机的精细化控制,提高磨煤机的运行效率。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作一简单地介绍,显而易见地,下面描述中的附图是本发明的一些实施例,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为本发明一应用场景的原理示意图;
图2为本发明实施例一提供的学习模型构建的流程图;
图3为本发明实施例二提供的磨煤机的控制方法的流程图;
图4为本发明实施例三提供的磨煤机的控制装置的结构示意图;
图5为本发明实施例四提供的磨煤机的控制装置的结构示意图;
图6为本发明实施例五提供的磨煤机的控制系统的结构示意图。
通过上述附图,已示出本公开明确的实施例,后文中将有更详细的描述。这些附图和文字描述并不是为了通过任何方式限制本公开构思的范围,而是通过参考特定实施例为本领域技术人员说明本公开的概念。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例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作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。
本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”、“第三”、“第四”等(如果存在)是用于区别类似的对象,而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换,以便这里描述的本发明的实施例例如能够以除了在这里图示或描述的那些以外的顺序实施。此外,术语“包括”和“具有”以及他们的任何变形,意图在于覆盖不排他的包含,例如,包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元,而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
下面以具体地实施例对本发明的技术方案进行详细说明。下面这几个具体的实施例可以相互结合,对于相同或相似的概念或过程可能在某些实施例不再赘述。
磨煤机是火力发电厂的主要制粉设备,具有较高的能耗,且其运行的状态会影响火力发电机组其他部分的运行。因此,需要对磨煤机的控制进行优化处理。目前,一般是通过物理方程建模,或者基于历史控制策略拟合的方式来对磨煤机进行控制优化。但是,上述方式依赖于人为假定的策略,缺乏客观性和灵活性,很难实现对磨煤机的精细化控制。
针对上述技术问题,本发明提供一种磨煤机的控制方法、装置、系统及存储介质,可以充分考虑影响磨煤机运行的各种因素,实现对磨煤机的精细化控制,提高磨煤机的运行效率。本发明可以充分利用磨煤机历史运行数据进行建模,保证模型的灵活性,实现对磨煤机运行系统实时的、精细化的控制与优化。同时,在建模过程中考虑影响磨煤机运行效果的关键因素及相关的物理逻辑,在学习历史操作经验的基础上实现整体运行效果的优化。
图1为本发明一应用场景的原理示意图,如图1所示,首先获取磨煤机的当前状态特征数据。这些状态特征数据反映了磨煤机的运行状态、工作环境与制粉优劣的数据。然后,将当前状态特征数据作为目标学习模型的输入,由目标学习模型输出磨煤机的当前动作特征数据。最后,将当前动作特征转换为磨煤机的调节参数;其中,调节参数包括:磨煤机的入口冷/热一次风电动调节风门阀开度调节量、容量风阀门开度调节量、旁路风阀门开度调节量;根据调节参数,对磨煤机进行控制优化。其中,目标学习模型是通过训练数据集训练初始学习模型得到的。在训练过程中,首先通过构建多层全连接神经网络得到初始学习模型;然后,根据状态特征数据和对应的动作特征数据,构建训练数据集;最后,通过训练数据集训练初始学习模型,得到目标学习模型。
应用上述方法可以充分考虑影响磨煤机运行的各种因素,实现对磨煤机的精细化控制,提高磨煤机的运行效率。
下面以具体地实施例对本发明的技术方案以及本申请的技术方案如何解决上述技术问题进行详细说明。下面这几个具体的实施例可以相互结合,对于相同或相似的概念或过程可能在某些实施例中不再赘述。下面将结合附图,对本发明的实施例进行描述。
图2为本发明实施例一提供的学习模型构建的流程图,如图2所示,本实施例中的方法可以包括:
S101、通过构建多层全连接神经网络得到初始学习模型。
本实施例中,对每个磨煤机构建多层全连接神经网络,得到初始的学习模型。学习模型的输入和输出分别为训练数据集合中的状态特征数据和动作特征数据。
S102、根据状态特征数据和对应的动作特征数据,构建训练数据集。
本实施例中,按照预设的时间间隔,采集磨煤机的状态特征数据和动作特征数据。然后,通过工况特征值对采集到的磨煤机的状态特征数据和动作特征数据进行筛选,得到训练数据集。其中,状态特征数据包括以下任一或者任多:磨煤机的出口压力、入口一次风压、料位、风粉温度、电流;动作特征数据包括以下任一或任多:磨煤机的入口冷/热一次风电动调节风门阀开度、容量风阀门开度、旁路风阀门开度。
示例性的,可以将磨煤机的出口压力、入口一次风压作为状态特征数据;将磨煤机的入口冷/热一次风电动调节风门阀开度、容量风阀门开度作为动作特征数据;然后构建相应的训练数据集。
需要说明的是,本实施例不限定状态特征数据和动作特征数据的具体数据类型。本领域技术人员可以根据实际需要增减状态特征数据的数据类型数量,以及增减动作特征数据的数据类型数量。在实际应用中,若目标学习模型的数据运算量大,则可以减少状态特征数据和动作特征数据的数据类型数量。若要提升目标学习模型的精度,则可以增加状态特征数据和动作特征数据的数据类型数量。
具体地,首先通过行业知识筛选出和磨煤机运行相关的若干测点,所有的特征都将会处理成20秒间隔的统一格式数据。这里的测点就是指构成历史决策集的数据,包括状态特征数据和动作特征数据。一般火力发电机组中磨煤机系统由六台相同的磨煤机构成,磨煤机系统的特征可分为状态特征和动作特征,状态特征包括六台磨煤机出口压力、入口一次风压、料位、风粉温度、电流等,用于衡量磨煤机系统的运行状态、工作环境与制粉优劣的数据。动作特征包括各磨煤机的入口冷/热一次风电动调节风门阀位、容量风阀门、旁路风阀门等的开度大小。根据确定的状态和动作特征,对磨煤机历史运行数据进行处理,获得磨煤机历史决策数据集,其中每一条数据为某一时刻下磨煤机的状态与动作量,相邻数据条取自固定的时间间隔。
可选地,工况特征值与磨煤机的给煤反馈量、磨煤机的电流相关。
具体地,为了衡量磨煤机在一段时间内的工作运行状态优劣情况,需根据其工作原理及运行逻辑设计一个指标用于定量分析。这里结合行业知识,利用“磨煤机给煤量反馈”和“磨煤机电流”两个特征来构造磨煤机工况特征。以下为磨煤机工况特征的计算过程:
其中,i表示磨煤机历史决策数据集中某一条数据的位置,coal(i),current(i)分别表示i时刻下磨煤机的给煤量反馈和电流值;c设置为某一较小的电流定值;cond(i)表示中间变量;K={k|current(k)≥c}表示筛选current(k)≥c的数据;meancond表示对current(k)≥c的数据的给煤量反馈和电流值的比值的平均值;n表示以i为中点,向前和向后分别取n条数据;COND(i)表示对长度为2n+1的时间窗内的cond(i)作平均值处理,为计算得到的磨煤机在i时刻下的工况特征。
可选地,通过工况特征值对采集到的磨煤机的状态特征数据和动作特征数据进行筛选,得到训练数据集,包括:分别获取不同时刻下,磨煤机的状态特征数据和动作特征数据对应的工况特征值;根据工况特征值的大小,对磨煤机的状态特征数据和动作特征数据进行排序;通过排在前m%的状态特征数据和动作特征数据构建训练数据集;其中m的取值范围为(0,100)。
具体地,依据磨煤机工况特征,对磨煤机历史决策数据集进行筛选,磨煤机工况COND(i)数值越高,则磨煤机运行情况越良好。为保证磨煤机系统中单一磨煤机都抽取出相同数据量大小的专家决策数据集,根据给定的专家决策数据集在完整历史决策数据集中的占比m%,选择各个磨煤机中工况数值排名前m%的数据构成各个磨煤机对应的专家决策数据集,支撑磨煤机控制优化模型的训练。磨煤机模仿学习控制优化模型训练。对于磨煤机系统中的六台磨煤机,分别进行建模与训练,模型具有相同结构,使用各自的数据集进行训练。对于单一磨煤机,在其专家决策数据集中抽取出“状态-动作对”构成训练数据集合D:
其中,s表示状态特征数据,a表示动作特征数据,(s1,a1)表示第1个状态特征数据和动作特征数据对;(s2,a2)表示第2个状态特征数据和动作特征数据对;(s3,a3)表示第3个状态特征数据和动作特征数据对。
S103、通过训练数据集训练初始学习模型,得到目标学习模型。
本实施例中,初始学习模型的输入和输出分别为训练数据集合D中的状态特征数据s和动作特征数据a,通过迭代训练得到目标学习模型。
本实施例,通过构建多层全连接神经网络得到初始学习模型;根据状态特征数据和对应的动作特征数据,构建训练数据集;通过训练数据集训练初始学习模型,得到目标学习模型。目标学习模型是由状态特征数据和对应的动作特征数据训练得到的,可以用于输入当前状态特征数据输出当前动作特征数据。从而可以充分考虑影响磨煤机运行的各种因素,实现对磨煤机的精细化控制,提高磨煤机的运行效率。
图3为本发明实施例二提供的磨煤机的控制方法的流程图,如图3所示,本实施例中的方法可以包括:
S201、获取磨煤机的当前状态特征数据。
本实施例中,首先获取磨煤机的当前状态特征数据。这些状态特征数据反映了磨煤机的运行状态、工作环境与制粉优劣的数据,目标学习模型可以根据磨煤机的工作状态,确定是否需要对磨煤机进行控制。
具体地,一般火力发电机组中磨煤机系统由六台相同的磨煤机构成,磨煤机系统的特征可分为状态特征和动作特征,状态特征包括六台磨煤机出口压力、入口一次风压、料位、风粉温度、电流等中的任一或任多项,用于衡量磨煤机系统的运行状态、工作环境与制粉优劣的数据。动作特征包括各磨煤机的入口冷/热一次风电动调节风门阀位、容量风阀门、旁路风阀门等的开度大小等中的任一或任多项。
可选地,在获取磨煤机的当前状态特征数据之前,包括:通过构建多层全连接神经网络得到初始学习模型;根据状态特征数据和对应的动作特征数据,构建训练数据集;通过训练数据集训练初始学习模型,得到目标学习模型。
具体地,初始学习模型、训练数据集的构建以及模型的训练参照实施例一,此处不再赘述。
S202、将当前状态特征数据作为目标学习模型的输入,由目标学习模型输出磨煤机的当前动作特征数据。
本实施例中,目标学习模型是由状态特征数据和对应的动作特征数据训练得到的。其中,状态特征数据与磨煤机的运行状态相关,动作特征数据与磨煤机的控制参数相关。
S203、根据当前动作特征数据,对磨煤机进行控制优化。
本实施例中,将当前动作特征转换为磨煤机的调节参数;其中,调节参数包括:磨煤机的入口冷/热一次风电动调节风门阀开度调节量、容量风阀门开度调节量、旁路风阀门开度调节量;根据调节参数,对磨煤机进行控制优化。
具体地,目标学习模型对于当前时刻下磨煤机系统的状态量输入,输出磨煤机系统的推荐动作量值。然后,将当前动作特征转换为磨煤机的调节参数,从而实现对磨煤机系统中当前动作量的优化调整,进而实现对磨煤机系统的控制优化。例如,根据当前动作特征,调整磨煤机的入口冷/热一次风电动调节风门阀开度调节量。
本实施例,通过获取磨煤机的当前状态特征数据;将当前状态特征数据作为目标学习模型的输入,由目标学习模型输出磨煤机的当前动作特征数据;其中,目标学习模型是由状态特征数据和对应的动作特征数据训练得到的;状态特征数据与磨煤机的运行状态相关;根据当前动作特征数据,对磨煤机进行控制优化。从而可以充分考虑影响磨煤机运行的各种因素,实现对磨煤机的精细化控制,提高磨煤机的运行效率。
图4为本发明实施例三提供的磨煤机的控制装置的结构示意图,如图4所示,本实施例的磨煤机的控制装置可以包括:
获取模块31,用于获取磨煤机的当前状态特征数据;
处理模块32,用于将当前状态特征数据作为目标学习模型的输入,由目标学习模型输出磨煤机的当前动作特征数据;其中,目标学习模型是由状态特征数据和对应的动作特征数据训练得到的;状态特征数据与磨煤机的运行状态相关;
控制模块33,用于根据当前动作特征数据,对磨煤机进行控制优化。
在一种可能的设计中,控制模块33,具体用于:
将当前动作特征转换为磨煤机的调节参数;其中,调节参数包括:磨煤机的入口冷/热一次风电动调节风门阀开度调节量、容量风阀门开度调节量、旁路风阀门开度调节量;
根据调节参数,对磨煤机进行控制优化。
本实施例的磨煤机的控制装置,可以执行图3所示方法中的技术方案,其具体实现过程和技术原理参见图3所示方法中的相关描述,此处不再赘述。
本实施例,通过获取磨煤机的当前状态特征数据;将当前状态特征数据作为目标学习模型的输入,由目标学习模型输出磨煤机的当前动作特征数据;其中,目标学习模型是由状态特征数据和对应的动作特征数据训练得到的;状态特征数据与磨煤机的运行状态相关;根据当前动作特征数据,对磨煤机进行控制优化。从而可以充分考虑影响磨煤机运行的各种因素,实现对磨煤机的精细化控制,提高磨煤机的运行效率。
图5为本发明实施例四提供的磨煤机的控制装置的结构示意图,如图5所示,本实施例的磨煤机的控制装置在图4所示装置的基础上,还可以包括:
模型构建模块34,用于:
通过构建多层全连接神经网络得到初始学习模型;
根据状态特征数据和对应的动作特征数据,构建训练数据集;
通过训练数据集训练初始学习模型,得到目标学习模型。
在一种可能的设计中,根据状态特征数据和对应的动作特征数据,构建训练数据集,包括:
按照预设的时间间隔,采集磨煤机的状态特征数据和动作特征数据;其中,状态特征数据包括以下任一或任多:磨煤机的出口压力、入口一次风压、料位、风粉温度、电流;动作特征数据包括以下任一或任多:磨煤机的入口冷/热一次风电动调节风门阀开度、容量风阀门开度、旁路风阀门开度;
通过工况特征值对采集到的磨煤机的状态特征数据和动作特征数据进行筛选,得到训练数据集。
在一种可能的设计中,工况特征值与磨煤机的给煤反馈量、磨煤机的电流相关。
在一种可能的设计中,通过工况特征值对采集到的磨煤机的状态特征数据和动作特征数据进行筛选,得到训练数据集,包括:
分别获取不同时刻下,磨煤机的状态特征数据和动作特征数据对应的工况特征值;
根据工况特征值的大小,对磨煤机的状态特征数据和动作特征数据进行排序;
通过排在前m%的状态特征数据和动作特征数据构建训练数据集;其中m的取值范围为(0,100)。
本实施例的磨煤机的控制装置,可以执行图2、图3所示方法中的技术方案,其具体实现过程和技术原理参见图2、图3所示方法中的相关描述,此处不再赘述。
本实施例,通过获取磨煤机的当前状态特征数据;将当前状态特征数据作为目标学习模型的输入,由目标学习模型输出磨煤机的当前动作特征数据;其中,目标学习模型是由状态特征数据和对应的动作特征数据训练得到的;状态特征数据与磨煤机的运行状态相关;根据当前动作特征数据,对磨煤机进行控制优化。从而可以充分考虑影响磨煤机运行的各种因素,实现对磨煤机的精细化控制,提高磨煤机的运行效率。
图6为本发明实施例五提供的磨煤机的控制系统的结构示意图,如图6所示,本实施例的磨煤机的控制系统40可以包括:处理器41和存储器42。
存储器42,用于存储程序;存储器42,可以包括易失性存储器(英文:volatilememory),例如随机存取存储器(英文:random-access memory,缩写:RAM),如静态随机存取存储器(英文:static random-access memory,缩写:SRAM),双倍数据率同步动态随机存取存储器(英文:Double Data Rate Synchronous Dynamic Random Access Memory,缩写:DDR SDRAM)等;存储器也可以包括非易失性存储器(英文:non-volatile memory),例如快闪存储器(英文:flash memory)。存储器42用于存储计算机程序(如实现上述方法的应用程序、功能模块等)、计算机指令等,上述的计算机程序、计算机指令等可以分区存储在一个或多个存储器42中。并且上述的计算机程序、计算机指令、数据等可以被处理器41调用。
上述的计算机程序、计算机指令等可以分区存储在一个或多个存储器42中。并且上述的计算机程序、计算机指令、数据等可以被处理器41调用。
处理器41,用于执行存储器42存储的计算机程序,以实现上述实施例涉及的方法中的各个步骤。
具体可以参见前面方法实施例中的相关描述。
处理器41和存储器42可以是独立结构,也可以是集成在一起的集成结构。当处理器41和存储器42是独立结构时,存储器42、处理器41可以通过总线43耦合连接。
本实施例的磨煤机的控制系统可以执行图2、图3所示方法中的技术方案,其具体实现过程和技术原理参见图2、图3所示方法中的相关描述,此处不再赘述。
此外,本申请实施例还提供一种计算机可读存储介质,计算机可读存储介质中存储有计算机执行指令,当用户设备的至少一个处理器执行该计算机执行指令时,用户设备执行上述各种可能的方法。
其中,计算机可读介质包括计算机存储介质和通信介质,其中通信介质包括便于从一个地方向另一个地方传送计算机程序的任何介质。存储介质可以是通用或专用计算机能够存取的任何可用介质。一种示例性的存储介质耦合至处理器,从而使处理器能够从该存储介质读取信息,且可向该存储介质写入信息。当然,存储介质也可以是处理器的组成部分。处理器和存储介质可以位于ASIC中。另外,该ASIC可以位于用户设备中。当然,处理器和存储介质也可以作为分立组件存在于通信设备中。
本申请还提供一种程序产品,程序产品包括计算机程序,计算机程序存储在可读存储介质中,服务器的至少一个处理器可以从可读存储介质读取计算机程序,至少一个处理器执行计算机程序使得服务器实施上述本发明实施例任一的方法。
本领域普通技术人员可以理解:实现上述各方法实施例的全部或部分步骤可以通过程序指令相关的硬件来完成。前述的程序可以存储于一计算机可读取存储介质中。该程序在执行时,执行包括上述各方法实施例的步骤;而前述的存储介质包括:ROM、RAM、磁碟或者光盘等各种可以存储程序代码的介质。
最后应说明的是:以上各实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述各实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或对其中部分或全部技术特征进行等同替换;而这些修改或替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的范围。
Claims (7)
1.一种磨煤机的控制方法,其特征在于,包括:
获取磨煤机的当前状态特征数据;
将所述当前状态特征数据作为目标学习模型的输入,由所述目标学习模型输出磨煤机的当前动作特征数据;其中,所述目标学习模型是由状态特征数据和对应的动作特征数据训练得到的;所述状态特征数据与所述磨煤机的运行状态相关;
根据所述当前动作特征数据,对所述磨煤机进行控制优化;
在获取磨煤机的当前状态特征数据之前,包括:
通过构建多层全连接神经网络得到初始学习模型;
根据状态特征数据和对应的动作特征数据,构建训练数据集;
通过所述训练数据集训练所述初始学习模型,得到所述目标学习模型;
其中,所述构建训练数据集,包括:
分别获取不同时刻下,所述磨煤机的状态特征数据和动作特征数据对应的工况特征值;
根据所述工况特征值的大小,对磨煤机的状态特征数据和动作特征数据进行排序;
通过排在前m%的状态特征数据和动作特征数据构建所述训练数据集;其中m的取值范围为(0,100)。
2.根据权利要求1所述的方法,其特征在于,根据状态特征数据和对应的动作特征数据,构建训练数据集,包括:
按照预设的时间间隔,采集磨煤机的状态特征数据和动作特征数据;其中,所述状态特征数据包括以下任一或任多:磨煤机的出口压力、入口一次风压、料位、风粉温度、电流;所述动作特征数据包括以下任一或任多:磨煤机的入口冷/热一次风电动调节风门阀开度、容量风阀门开度、旁路风阀门开度;
通过工况特征值对采集到的磨煤机的状态特征数据和动作特征数据进行筛选,得到所述训练数据集。
3.根据权利要求2所述的方法,其特征在于,所述工况特征值与磨煤机的给煤反馈量、磨煤机的电流相关。
4.根据权利要求1-3中任一项所述的方法,其特征在于,根据所述当前动作特征数据,对所述磨煤机进行控制优化,包括:
将所述当前动作特征转换为所述磨煤机的调节参数;其中,所述调节参数包括:磨煤机的入口冷/热一次风电动调节风门阀开度调节量、容量风阀门开度调节量、旁路风阀门开度调节量;
根据所述调节参数,对所述磨煤机进行控制优化。
5.一种磨煤机的控制装置,其特征在于,包括:
获取模块,用于获取磨煤机的当前状态特征数据;
处理模块,用于将所述当前状态特征数据作为目标学习模型的输入,由所述目标学习模型输出磨煤机的当前动作特征数据;其中,所述目标学习模型是由状态特征数据和对应的动作特征数据训练得到的;所述状态特征数据与所述磨煤机的运行状态相关;
控制模块,用于根据所述当前动作特征数据,对所述磨煤机进行控制优化;
所述装置还包括:模型构建模块,用于:
通过构建多层全连接神经网络得到初始学习模型;
根据状态特征数据和对应的动作特征数据,构建训练数据集;
通过所述训练数据集训练所述初始学习模型,得到所述目标学习模型;
所述模型构建模块,具体用于:
分别获取不同时刻下,磨煤机的状态特征数据和动作特征数据对应的工况特征值;
根据所述工况特征值的大小,对磨煤机的状态特征数据和动作特征数据进行排序;
通过排在前m%的状态特征数据和动作特征数据构建所述训练数据集;其中m的取值范围为(0,100)。
6.一种磨煤机的控制系统,其特征在于,包括:存储器、处理器,存储器中存储有所述处理器的可执行指令;其中,所述处理器配置为经由执行所述可执行指令来执行权利要求1-4任一项所述的磨煤机的控制方法。
7.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,该程序被处理器执行时实现权利要求1-4任一项所述的磨煤机的控制方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910931372.9A CN110673478B (zh) | 2019-09-29 | 2019-09-29 | 磨煤机的控制方法、装置、系统及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910931372.9A CN110673478B (zh) | 2019-09-29 | 2019-09-29 | 磨煤机的控制方法、装置、系统及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110673478A CN110673478A (zh) | 2020-01-10 |
CN110673478B true CN110673478B (zh) | 2020-09-29 |
Family
ID=69079962
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910931372.9A Active CN110673478B (zh) | 2019-09-29 | 2019-09-29 | 磨煤机的控制方法、装置、系统及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110673478B (zh) |
Families Citing this family (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111389575B (zh) * | 2020-03-09 | 2021-11-02 | 京东城市(北京)数字科技有限公司 | 磨煤机组合运行控制方法、装置、设备及存储介质 |
CN113468710A (zh) * | 2020-03-30 | 2021-10-01 | 中国石化工程建设有限公司 | 一种石化生产辅助操作方法 |
CN112115602B (zh) * | 2020-09-14 | 2024-02-02 | 北京博望华科科技有限公司 | 磨煤机管路堵塞状态确定方法、装置、存储介质及计算设备 |
CN112130538B (zh) * | 2020-09-22 | 2022-02-01 | 京东城市(北京)数字科技有限公司 | 磨煤机的控制优化及模型训练的方法、装置、设备和介质 |
CN114011564B (zh) * | 2021-10-22 | 2023-07-25 | 内蒙古京能康巴什热电有限公司 | 一种基于模型离线规划的磨煤机控制优化方法 |
CN115903548B (zh) * | 2022-12-27 | 2024-03-08 | 南栖仙策(南京)科技有限公司 | 一种磨煤机组控制器的优化方法、装置、设备及存储介质 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2002361116A (ja) * | 2001-06-07 | 2002-12-17 | Kawasaki Heavy Ind Ltd | 微粉炭ミルにおける適応制御方法及び装置 |
CN101178580A (zh) * | 2007-10-19 | 2008-05-14 | 西安交通大学 | 基于数据挖掘的火电厂钢球磨煤机制粉系统自动控制方法 |
CN107145981A (zh) * | 2017-05-05 | 2017-09-08 | 张勇 | 一种电厂锅炉排烟温度的寻优方法及装置 |
CN108393146A (zh) * | 2018-05-11 | 2018-08-14 | 东北大学 | 一种钢球磨煤机制粉系统自适应最优解耦控制方法 |
CN109685264A (zh) * | 2018-12-20 | 2019-04-26 | 华润电力技术研究院有限公司 | 火电机组运行优化方法、装置及计算机设备 |
-
2019
- 2019-09-29 CN CN201910931372.9A patent/CN110673478B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2002361116A (ja) * | 2001-06-07 | 2002-12-17 | Kawasaki Heavy Ind Ltd | 微粉炭ミルにおける適応制御方法及び装置 |
CN101178580A (zh) * | 2007-10-19 | 2008-05-14 | 西安交通大学 | 基于数据挖掘的火电厂钢球磨煤机制粉系统自动控制方法 |
CN107145981A (zh) * | 2017-05-05 | 2017-09-08 | 张勇 | 一种电厂锅炉排烟温度的寻优方法及装置 |
CN108393146A (zh) * | 2018-05-11 | 2018-08-14 | 东北大学 | 一种钢球磨煤机制粉系统自适应最优解耦控制方法 |
CN109685264A (zh) * | 2018-12-20 | 2019-04-26 | 华润电力技术研究院有限公司 | 火电机组运行优化方法、装置及计算机设备 |
Non-Patent Citations (3)
Title |
---|
基于大数据分析的双进双出钢球磨煤机建模研究;高学伟 等;《煤炭技术》;20161231;全文 * |
神经网络在电站锅炉燃烧优化中的应用研究;陈磊;《中国优秀硕士学位论文全文数据库 信息科技辑》;20091215;第四-五章 * |
陈磊.神经网络在电站锅炉燃烧优化中的应用研究.《中国优秀硕士学位论文全文数据库 信息科技辑》.2009, * |
Also Published As
Publication number | Publication date |
---|---|
CN110673478A (zh) | 2020-01-10 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110673478B (zh) | 磨煤机的控制方法、装置、系统及存储介质 | |
Yang et al. | Computational optimization, modelling and simulation: Recent trends and challenges | |
CN107609667B (zh) | 基于Box_cox变换和UFCNN的供热负荷预测方法及系统 | |
CN103439887B (zh) | 低阶系统itae最优的pi控制器参数整定方法及系统 | |
Akopov et al. | A multi-agent genetic algorithm for multi-objective optimization | |
Lu et al. | A hybrid deep learning-based online energy management scheme for industrial microgrid | |
Li et al. | Short-term price forecasting for agro-products using artificial neural networks | |
CN109254530A (zh) | 基于磨矿过程基础回路的无模型自适应控制方法 | |
Chen et al. | Input-output dynamic model for optimal environmental pollution control | |
Chen et al. | Hot-starting the AC power flow with convolutional neural networks | |
Yuan et al. | A SAFSA-and metabolism-based nonlinear grey Bernoulli model for annual water consumption prediction | |
CN116995682B (zh) | 一种可调节负荷参与有功潮流连续调整方法与系统 | |
Razmi et al. | Neural network based on a genetic algorithm for power system loading margin estimation | |
Bao et al. | Study of data-driven mesh-model optimization in system thermal-hydraulic simulation | |
Her et al. | Artificial neural network based short term electrical load forecasting | |
CN100552574C (zh) | 基于流模型的机器组负载预测控制方法 | |
Teslyuk et al. | Methods for the Efficient Energy Management in a Smart Mini Greenhouse. | |
CN115860232A (zh) | 一种蒸汽负荷预测方法、系统、电子设备及介质 | |
CN114971090A (zh) | 一种电供暖负荷预测方法、系统、设备和介质 | |
Dmitrieva | Forecasting of a hydropower plant energy production | |
Muralidharan et al. | Stochastic hourly load forecasting for smart grids in korea using narx model | |
Lajevardy et al. | A hybrid method for load forecasting in smart grid based on neural networks and cuckoo search optimization approach | |
Thilker et al. | Linear quadratic Gaussian control with advanced continuous-time disturbance models for building thermal regulation | |
Cardona et al. | CS229: Machine Learning Models for Inverse Power Flow in the Grid | |
Cheng et al. | Prediction model of the unemployment rate for nanyang in henan province based on BP neural network |
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 |