CN111008735A - 预测排放管理系统及方法 - Google Patents
预测排放管理系统及方法 Download PDFInfo
- Publication number
- CN111008735A CN111008735A CN201911182342.9A CN201911182342A CN111008735A CN 111008735 A CN111008735 A CN 111008735A CN 201911182342 A CN201911182342 A CN 201911182342A CN 111008735 A CN111008735 A CN 111008735A
- Authority
- CN
- China
- Prior art keywords
- variable
- target
- value
- target variable
- predictive
- 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
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Computational Linguistics (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biophysics (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- Human Resources & Organizations (AREA)
- Game Theory and Decision Science (AREA)
- Development Economics (AREA)
- Entrepreneurship & Innovation (AREA)
- Marketing (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Feedback Control In General (AREA)
Abstract
本发明涉及一种预测排放管理系统,包括:数据采集模块,用于获取工业过程中的控制变量和目标变量的测量值;预测模块,包含预测模型,预测模型根据接收的控制变量的当前测量值和目标变量的上一次测量值来预测目标变量在指定时间后的预测值;执行模块,从预测模块接收目标变量的预测值,并且根据目标变量的预测值和限制值来确定控制变量的目标值;先进控制系统,接收控制变量的目标值,并且对工业过程中的工业设备施加闭环控制以将控制变量稳定在目标值;以及训练模块,被配置成在满足多种训练自启动条件中的一种时,基于深度学习方法由控制变量和目标变量的历史测量值来训练预测模型。本发明涉及一种预测排放管理方法。
Description
技术领域
本发明涉及环境监测领域,尤其涉及一种预测排放管理系统及方法。
背景技术
目前,关于环境、健康和安全的法规越来越严格,同时对工厂排放物的现场检查愈发频繁,越来越多的在线分析仪连接到官方并向公众开放,一旦排放超标将受到不可争辩的罚款。另外,人们对将工厂的运行推向运行边界缺乏信心。不仅如此,在工厂中,废气/废水处理单元的运营成本往往都未优化,而废气/废水的质量超出所要求的规范是由多个因素共同作用导致的。
发明内容
为了解决现有技术中存在的上述问题,本发明提供了一种用于工厂的预测排放管理系统及方法。
为此,在本发明的第一方面,提供了一种预测排放管理系统,包括:
数据采集模块,用于获取工业过程中的控制变量和目标变量的测量值;
预测模块,包含基于深度学习方法的预测模型,所述预测模型被配置成根据从所述数据采集模块接收的所述控制变量的当前测量值和所述目标变量的上一次测量值来预测所述目标变量在指定时间后的预测值;
执行模块,所述执行模块被配置成从所述预测模块接收所述目标变量的预测值,并且根据所述目标变量的预测值和所述目标变量的限制值来确定所述控制变量的目标值;
先进控制系统(Advanced Process Control,APC),所述先进控制系统从所述执行模块接收所述控制变量的目标值,并且对所述工业过程中的工业设备施加闭环控制以将所述控制变量稳定在所述目标值;以及
训练模块,所述训练模块被配置成在满足多种训练自启动条件中的一种时,获取所述预测模块中的预测模型并且基于所述深度学习方法由所述控制变量和所述目标变量的历史测量值来训练所获取的预测模型,并且将训练得到的预测模型提供给所述预测模块以更新所述预测模块中的预测模型。
在本发明的第二方面,提供了一种预测排放管理方法,其中所述预测排放管理方法包括以下步骤:
(a)获取工业过程中的控制变量和目标变量的测量值;
(b)利用基于深度学习方法的预测模型由所述控制变量的当前测量值和所述目标变量的上一次测量值来预测所述目标变量在指定时间后的预测值;
(c)根据所述目标变量的预测值和所述目标变量的限制值来确定所述控制变量的目标值;以及
(d)将所述控制变量的目标值提供到先进控制系统,所述先进控制系统对所述工业过程中的工业设备施加闭环控制,以将所述控制变量稳定在所述目标值;
其中在满足多种训练自启动条件中的一种时,基于所述深度学习方法由所述控制变量和所述目标变量的历史测量值来训练所述预测模型。
本发明的第一方面的预测排放管理系统和第二方面的预测排放管理方法,通过针对预测的排放值优化控制变量,有效地预防了排放超标,与工艺改造相比,实施成本低、速度快。此外,通过对预测模型的再训练,可以生成动态预测模型,与传统的静态预测模型相比,动态预测模型根据实时工况的变化而改变,从而使得预测结果更为准确。
在附图和以下描述中阐述了一个或多个实施例的细节。其他特征、目的和优点将从该描述和附图以及权利要求变得明显。
附图说明
将参考附图仅以实施例的方式描述本发明的其他细节、方面和实施方案。图中的元件出于简单明了的目的被例示。在附图中,
图1例示了根据本发明的一个实施方案的预测排放管理系统的示意框图;
图2例示了根据本发明的一个实施方案的预测排放管理方法的流程图;
图3例示了根据本发明的一个实施方案的训练预测模型的流程图。
具体实施方式
虽然本发明可能有许多不同形式的实施方案,但是附图中示出了并且将在本文中详细描述一个或多个具体实施方案;应理解,本公开内容应被认为是本发明的原理的例示,而不意在将本发明限于所示出及所描述的具体实施方案。
在本发明的第一方面,提供了一种预测排放管理系统,包括:
数据采集模块,用于获取工业过程中的控制变量和目标变量的测量值;
预测模块,包含基于深度学习方法的预测模型,所述预测模型被配置成根据从所述数据采集模块接收的所述控制变量的当前测量值和所述目标变量的上一次测量值来预测所述目标变量在指定时间后的预测值;
执行模块,所述执行模块被配置成从所述预测模块接收所述目标变量的预测值,并且根据所述目标变量的预测值和所述目标变量的限制值来确定所述控制变量的目标值;
先进控制系统,所述先进控制系统从所述执行模块接收所述控制变量的目标值,并且对所述工业过程中的工业设备施加闭环控制以将所述控制变量稳定在所述目标值;以及
训练模块,所述训练模块被配置成在满足多种训练自启动条件中的一种时,获取所述预测模块中的预测模型并且基于所述深度学习方法由所述控制变量和所述目标变量的历史测量值来训练所获取的预测模型,并且将训练得到的预测模型提供给所述预测模块以更新所述预测模块中的预测模型。
在本发明的实施例中,所述目标变量包括工业过程排放的废气和废水的排放数值,诸如二氧化硫、一氧化碳、NOX和非甲烷总烃等的排放量,所述控制变量包括可以控制工业过程中废气和废水的排放的变量,诸如温度、压力、流量、开关阀信息等,例如尾气吸收塔中吸收液喷淋的速度、工业过程的装载负荷。
根据本发明的第一方面的一个优选实施方案,所述执行模块被配置成,
如果所述目标变量的预测值未超过所述目标变量的限制值,则不改变所述控制变量的目标值;并且
如果所述目标变量的预测值超过所述目标变量的限制值,则将所述目标变量的预测值和限制值代入到所述工业过程的仿真模型来优化所述控制变量的目标值,进而所述执行模块将所述控制变量经优化的目标值提供给所述先进控制系统。通过执行模块对预测排放量的响应,所述预测排放管理系统可以预防排放量超标。
根据本发明的第一方面的一个优选实施方案,所述执行模块被配置成对所述控制变量的目标值优化的优先级由高到低为:排放物处理设备的运行状态,工业过程中的工艺参数,装载负荷。
根据本发明的第一方面的一个具体实施方案,所述多种训练自启动条件可以包括:
(1)所述预测排放管理系统是首次启动;以及
(2)所述工业过程稳定且所述目标变量的测量值和预测值存在持续偏差。应理解,在本发明的其他实施方案中,所述多种训练自启动条件还可以包括启动对预测模型的训练的其他训练自启动条件,例如,距上一次训练达到了一周的时间。在本发明的实施例中,所述工业过程稳定对应于所述目标变量的测量值是稳定的数值或者连续平滑变化的数值。
根据本发明的第一方面的一个具体实施方案,所述训练模块被配置成,如果所述预测排放管理系统是首次启动,则从存储所述控制变量和所述目标变量在不同时刻的测量值的数据库中调取所述控制变量和所述目标变量在指定时间跨度的历史测量值,来训练所述预测模型。在一些实施例中,所述控制变量和所述目标变量的历史数据被处理成所述深度学习方法可读的格式,以提供给所述训练模块,并且代入从所述预测模块获取的预测模型进行迭代计算,直到训练后的预测模型输出的目标变量的预测值和目标变量的测量值一致时得到新的预测模型。在另一个实施例中,由所述训练模块将所述控制变量和所述目标变量的历史数据处理成所述深度学习方法可读的格式。
根据本发明的第一方面的一个具体实施方案,所述训练模块被配置成,如果所述预测排放管理系统不是首次启动,则判断所述工业过程是否稳定,
如果所述工业过程不稳定,则不启动对所述预测模块中的预测模型的训练;并且
如果所述工业过程稳定,则判断所述目标变量的测量值和预测值是否存在持续偏差,
如果所述目标变量的测量值和预测值不存在持续偏差,则不启动对所述预测模块中的预测模型的训练;并且
如果所述目标变量的测量值和预测值存在持续偏差,则从存储所述控制变量和所述目标变量在不同时刻的测量值的数据库中调取所述控制变量和所述目标变量从上次训练结束至当前时刻的历史测量值,来训练所获取的预测模型。
应理解,所述目标变量的测量值和预测值存在的持续偏差是可以自定义的。在一个具体实施方案,所述目标变量的测量值和预测值存在持续偏差的情况是所述目标变量的预测值连续5次比所述目标变量的测量值高或低5%。
根据本发明的第一方面的一个具体实施方案,所述深度学习方法是以下算法中的一种:多层神经网络(Multilayer Perceptron,MLP)算法、短期记忆网络(Long Short-TermMemory,LSTM)算法、LightBGM(Light Gradient Boosting Machine)算法;优选地,所述深度学习方法是LightBGM算法。通过使用LightBGM算法,可以具有更快的训练效率、更低的内存消耗、更高的准确率,并且由于LightBGM算法支持高效率的并行化学习和GPU学习,使得可以快速处理海量数据。
根据本发明的第二方面,提供了一种预测排放管理方法,其中所述预测排放管理方法包括以下步骤:
(a)获取工业过程中的控制变量和目标变量的测量值;
(b)利用基于深度学习方法的预测模型由所述控制变量的当前测量值和所述目标变量的上一次测量值来预测所述目标变量在指定时间后的预测值;
(c)根据所述目标变量的预测值和所述目标变量的限制值来确定所述控制变量的目标值;以及
(d)将所述控制变量的目标值提供到先进控制系统,所述先进控制系统对所述工业过程中的工业设备施加闭环控制,以将所述控制变量稳定在所述目标值;
其中在满足多种训练自启动条件中的一种时,基于所述深度学习方法由所述控制变量和所述目标变量的历史测量值来训练所述预测模型。
根据本发明的第二方面的一个优选实施方案,在所述步骤(c)中,
如果所述目标变量的预测值未超过所述目标变量的限制值,则不改变所述控制变量的目标值;并且
如果所述目标变量的预测值超过所述目标变量的限制值,则将所述目标变量的预测值和限制值代入到所述工业过程的仿真模型以优化所述控制变量的目标值。
根据本发明的第二方面的一个优选实施方案,在所述步骤(c)中,对所述控制变量的目标值优化的优先级由高到低为:排放物处理设备的运行状态,工业过程中的工艺参数,装载负荷。
根据本发明的第二方面的一个具体实施方案,所述多种训练自启动条件可以包括:
(1)执行所述预测排放管理方法的预测排放管理系统是首次启动;以及
(2)所述工业过程稳定且所述目标变量的测量值和预测值存在持续偏差。应理解,在本发明的其他实施方案中,所述多种训练自启动条件还可以包括启动对预测模型的训练的其他训练自启动条件。
根据本发明的第二方面的一个具体实施方案,如果所述预测排放管理系统是首次启动,则调取所述控制变量和所述目标变量在指定时间跨度的历史测量值,来训练所述预测模型。
根据本发明的第二方面的一个具体实施方案,如果所述预测排放管理系统不是首次启动,则判断所述工业过程是否稳定,
如果所述工业过程不稳定,则不启动对所述预测模型的训练;并且
如果所述工业过程稳定,则判断所述目标变量的测量值和预测值是否存在持续偏差,
如果所述目标变量的测量值和预测值不存在持续偏差,则不启动对所述预测模型的训练;并且
如果所述目标变量的测量值和预测值存在持续偏差,则调取所述控制变量和所述目标变量从上次训练结束至当前时刻的历史测量值,来训练所述预测模型。
应理解,所述目标变量的测量值和预测值存在的持续偏差是可以自定义的。在一个具体实施方案,所述目标变量的测量值和预测值存在持续偏差的情况是所述目标变量的预测值连续5次比所述目标变量的测量值高或低5%。
根据本发明的第二方面的一个具体实施方案,所述深度学习方法是以下算法中的一种:多层神经网络算法、长短期记忆网络算法、LightGBM算法;优选地,所述深度学习方法是LightBGM算法。
下面结合附图对本发明的具体实施方案进行详细描述。
图1例示了根据本发明的一个实施方案的预测排放管理系统100的示意框图,图2例示了根据本发明的一个实施方案的预测排放管理方法200的流程图。如图1的虚线框所示,预测排放管理系统100包括数据采集模块110、预测模块120、训练模块122、执行模块130、仿真模型140、先进控制系统(APC)150。数据采集模块110从工业过程的工业设备170处获取控制变量和目标变量的测量值,并且发送到预测模块120(步骤202)。在一个实施例中,数据采集模块110是工厂的生产信息管理系统(Predictive Emission MonitoringSystem,PIMS),PIMS通过工业过程的分布式控制系统(Distributed Control System,DCS)获取数据,更具体地,工业设备170上的传感器。在本发明的一个实施例中,数据采集模块110采集(在线)排放分析器数据,以获取控制变量和目标变量的测量值。
预测模块120包含基于深度学习方法(诸如,MLP算法、LSTM算法、LightBGM算法)的预测模型,预测模块120将接收到的控制变量的当前测量值和目标变量的上一次测量值代入预测模型来预测目标变量在指定时间后的预测值(步骤204)。然后,目标变量的预测值被发送到执行模块130,执行模块130将目标变量的预测值与限制值进行对比(步骤206)。如果目标变量的预测值未超过目标变量的限制值,则执行模块130不改变控制变量的目标值(步骤208)。如果目标变量的预测值超过目标变量的限制值,则执行模块130将目标变量的预测值和限制值代入到工业过程的仿真模型140来优化控制变量的目标值(步骤210)。具体地,仿真模型140根据工艺控制变量的不同输入值而输出目标变量的对应预测值,不断调整工艺控制变量的输入值直到输出的预测值符合限制值,最终得到控制变量经优化的目标值。然后,执行模块130将控制变量的未改变的目标值或者控制变量经优化的目标值发送给先进控制系统150,先进控制系统150响应于所述目标值对多个工业设备170施加闭环控制,以将控制变量稳定在所述目标值(步骤212)。具体而言,先进控制系统150响应于所述目标值,输出多个控制指令以发送给DCS。DCS包括各个工业设备170的多个比例积分(微分)控制器,这些比例积分(微分)控制器以所述多个控制指令中对应的控制指令为目标控制所述工业设备170并将所述工业设备170的状态值反馈给先进控制系统,进而实现对所述工业设备170的闭环控制。最终,将控制变量稳定在所述目标值。
在一些实施例中,数据采集模块110不仅将获取的控制变量和目标变量的测量值发送到预测模块120,而且将获取的控制变量和目标变量的测量值发送到数据库160中存储。在图1中例示的实施例中,数据库160是预测排放管理系统100外部的数据库;可选地或替代地,数据库160可以包含在预测排放管理系统100中。在一个实施例中,数据库160包含在PIMS中。还应理解,在一些实施例中,预测排放管理系统100包括工业设备170。
图3例示了根据本发明的一个实施方案的训练预测模型的流程图300。首先,训练模块122判断预测排放管理系统100是否为首次启动(步骤302)。如果预测排放管理系统100是首次启动,则从数据库160中调取控制变量和目标变量在指定时间跨度的历史测量值(步骤304),来训练预测模型。将控制变量和目标变量的历史数据预处理为LightGBM算法可读格式的数据,作为训练模块122的输入数据(步骤314)。训练模块122获取预测模块120中的预测模型并且将控制变量的数值代入从预测模块120获取的预测模型进行迭代计算,直到训练后的预测模型输出的目标变量的预测值和目标变量在对应时间点的测量值一致时得到新的预测模型(步骤316)。
另一方面,如果预测排放管理系统100不是首次启动,则训练模块122判断工业过程是否稳定(步骤306)。如果工业过程不稳定,则训练模块122不启动对预测模型的训练(步骤310)。此外,如果工业过程稳定,则训练模块122判断目标变量的测量值和预测值是否存在持续偏差(步骤308);如果目标变量的测量值和预测值不存在持续偏差,则训练模块122不启动对预测模型的训练(步骤310);如果目标变量的测量值和预测值存在持续偏差,则训练模块122从数据库160中调取控制变量和目标变量从上次训练结束至当前时刻的历史测量值(步骤312),来训练从预测模块120获取的预测模型。然后,执行步骤314和步骤316来得到新的预测模型,并将新的预测模型提供给预测模块120。
实施例
下面描述了本发明的一个实施方案的预测排放系统应用在化工厂的尾气吸收塔中的实施例。
在化工生产中通常会产生各种各样的尾气,所述尾气包括但不限于二氧化硫(SO2)、一氧化碳(CO)、一氧化氮(NO)等。为了符合国家制定的排放标准,这些尾气需要被进一步处理之后才能向大气中排放。以二氧化硫(SO2)为例,常见的处理方式包括将尾气通过尾气吸收塔以基本除去二氧化硫(SO2)。通常,一个二氧化硫吸收塔包括:碱性液体喷淋装置;与该喷淋装置相连接的碱性液体循环装置,用于实现碱性液体的循环使用和控制碱性液体流速;pH在线检测装置,用于检测碱性液体的pH值;碱性液体补充装置,用于在碱性液体的pH值低于预设值的时候可控地补充新的碱性液体;尾气流量检测和控制装置;用于检测和控制尾气流入尾气吸收塔的速度;尾气排放口;以及设置在尾气排放口的二氧化硫(SO2)浓度检测装置等。在本实施例中,目标变量为尾气排放口的二氧化硫(SO2)浓度,控制变量包括碱性液体流速、尾气流量等。
在本实施例中,预测模块和训练模块可以安装在一个已经运行一段时间的尾气吸收塔中。当首次启动预测模块时,将所选取的二氧化硫浓度、碱性液体流速和尾气流量的数据时间跨度设定为预测模块开启前的一个月至预测模块开启时。将二氧化硫浓度、碱性液体流速和尾气流量的历史数据预处理成为LightGBM可读格式,并将该格式的数据输入到训练模块。训练模块将碱性液体流速和尾气流量的历史数据作为输入、将二氧化硫浓度的历史数据作为输出根据LightGBM算法进行迭代运算,从而不断更新尾气吸收塔的预测模型中的参数,直到预测模型对二氧化硫浓度的预测值和测量值一致时确定最终的预测模型。
当预测模块已经配合所述二氧化硫吸收塔运行一定时间之后,则不需要主动设定时间跨度。此时,预测模块启动后,训练模块会首先检测二氧化硫吸收塔是否稳定运行,如果二氧化硫吸收塔运行不稳定,则不启动对预测模型的训练。二氧化硫吸收塔稳定运行是指尾气的排放量为稳定值或者连续平滑变化的数值。如果二氧化硫吸收塔稳定,则训练模块会持续比较二氧化硫浓度的实测值和预测值是否持续偏差。持续偏差由人为定义,例如,如果二氧化硫浓度的预测数值连续5次均比实际值高5%则为持续偏差。当二氧化硫浓度的测量值和预测值不产生持续偏差时,则不启动对预测模型的训练。当二氧化硫浓度的测量值和预测值产生持续偏差时,启动对预测模型的训练。此时,从化工厂的生产信息管理系统(PIMS)获取二氧化硫浓度、碱性液体流速和尾气流量从上次训练结束的时间至当前时刻的历史数据。将二氧化硫浓度、碱性液体流速和尾气流量的历史数据预处理成为LightGBM可读格式,并将该格式的数据输入训练模块。训练模块将碱性液体流速和尾气流量的历史数据作为输入、将二氧化硫浓度的历史数据作为输出根据LightGBM算法进行迭代运算,从而不断更新尾气吸收塔的预测模型中的参数,直到预测模型对二氧化硫浓度的预测值和测量值一致时得到新的预测模型。
获得新的预测模型之后,预测模块可以和执行模块相互配合工作。具体地,PIMS获取碱性液体流速和尾气流量的当前测量值和二氧化硫浓度的上一次测量值,并将其输入预测模块。预测模块中的预测模型根据碱性液体流速和尾气流量的当前测量值和二氧化硫浓度的上一次测量值来预测二氧化硫浓度在指定时间后的预测值。如果预测值符合尾气排放要求,则执行模块对碱性液体流速和尾气流量的指标不做任何改变。如果预测值不符合排放要求,则执行模块根据二氧化硫吸收塔的运行参数以及工艺仿真模型得到碱性液体流速和尾气流量的优化指标。执行模块得到的碱性液体流速和尾气流量的优化的指标将输入到APC,APC将碱性液体流速和尾气流量稳定在所述优化指标。通过本发明的预测排放系统,可以提前预判二氧化硫排放浓度,快速响应控制二氧化硫吸收塔的运行,从而预防二氧化硫的排放浓度超标。
Claims (16)
1.一种预测排放管理系统,其特征在于,所述预测排放系统包括:
数据采集模块,用于获取工业过程中的控制变量和目标变量的测量值;
预测模块,包含基于深度学习方法的预测模型,所述预测模型被配置成根据从所述数据采集模块接收的所述控制变量的当前测量值和所述目标变量的上一次测量值来预测所述目标变量在指定时间后的预测值;
执行模块,所述执行模块被配置成从所述预测模块接收所述目标变量的预测值,并且根据所述目标变量的预测值和所述目标变量的限制值来确定所述控制变量的目标值;
先进控制系统,所述先进控制系统从所述执行模块接收所述控制变量的目标值,并且对所述工业过程中的工业设备施加闭环控制以将所述控制变量稳定在所述目标值;以及
训练模块,所述训练模块被配置成在满足多种训练自启动条件中的一种时,获取所述预测模块中的预测模型并且基于所述深度学习方法由所述控制变量和所述目标变量的历史测量值来训练所获取的预测模型,并且将训练得到的预测模型提供给所述预测模块以更新所述预测模块中的预测模型。
2.根据权利要求1所述的预测排放管理系统,其特征在于,所述执行模块被配置成,
如果所述目标变量的预测值未超过所述目标变量的限制值,则不改变所述控制变量的目标值;并且
如果所述目标变量的预测值超过所述目标变量的限制值,则将所述目标变量的预测值和限制值代入到所述工业过程的仿真模型来优化所述控制变量的目标值。
3.根据权利要求2所述的预测排放管理系统,其特征在于,所述执行模块被配置成对所述控制变量的目标值优化的优先级由高到低为:排放物处理设备的运行状态,工业过程中的工艺参数,装载负荷。
4.根据权利要求1或2所述的预测排放管理系统,其特征在于,所述多种训练自启动条件包括:
(1)所述预测排放管理系统是首次启动;以及
(2)所述工业过程稳定且所述目标变量的测量值和预测值存在持续偏差。
5.根据权利要求4所述的预测排放管理系统,其特征在于,所述训练模块被配置成,如果所述预测排放管理系统是首次启动,则从存储所述控制变量和所述目标变量在不同时刻的测量值的数据库中调取所述控制变量和所述目标变量在指定时间跨度的历史测量值,来训练所获取的预测模型。
6.根据权利要求4所述的预测排放管理系统,其特征在于,所述训练模块被配置成,如果所述预测排放管理系统不是首次启动,则判断所述工业过程是否稳定,
如果所述工业过程不稳定,则不启动对所述预测模块中的预测模型的训练;并且
如果所述工业过程稳定,则判断所述目标变量的测量值和预测值是否存在持续偏差,
如果所述目标变量的测量值和预测值不存在持续偏差,则不启动对所述预测模块中的预测模型的训练;并且
如果所述目标变量的测量值和预测值存在持续偏差,则从存储所述控制变量和所述目标变量在不同时刻的测量值的数据库中调取所述控制变量和所述目标变量从上次训练结束至当前时刻的历史测量值,来训练所获取的预测模型。
7.根据权利要求6所述的预测排放管理系统,其特征在于,所述目标变量的测量值和预测值存在持续偏差的情况是所述目标变量的预测值连续5次比所述目标变量的测量值高或低5%。
8.根据权利要求1或2所述的预测排放管理系统,其特征在于,所述深度学习方法是以下算法中的一种:多层神经网络算法、长短期记忆网络算法、LightBGM算法;优选地,所述深度学习方法是LightBGM算法。
9.一种预测排放管理方法,其特征在于,所述预测排放管理方法包括以下步骤:
(a)获取工业过程中的控制变量和目标变量的测量值;
(b)利用基于深度学习方法的预测模型由所述控制变量的当前测量值和所述目标变量的上一次测量值来预测所述目标变量在指定时间后的预测值;
(c)根据所述目标变量的预测值和所述目标变量的限制值来确定所述控制变量的目标值;以及
(d)将所述控制变量的目标值提供到先进控制系统,所述先进控制系统对所述工业过程中的工业设备施加闭环控制,以将所述控制变量稳定在所述目标值;
其中在满足多种训练自启动条件中的一种时,基于所述深度学习方法由所述控制变量和所述目标变量的历史测量值来训练所述预测模型。
10.根据权利要求9所述的预测排放管理方法,其特征在于,在所述步骤(c)中,
如果所述目标变量的预测值未超过所述目标变量的限制值,则不改变所述控制变量的目标值;并且
如果所述目标变量的预测值超过所述目标变量的限制值,则将所述目标变量的预测值和限制值代入到所述工业过程的仿真模型来优化所述控制变量的目标值。
11.根据权利要求10所述的预测排放管理方法,其特征在于,在所述步骤(c)中,对所述控制变量的目标值优化的优先级由高到低为:排放物处理设备的运行状态,工业过程中的工艺参数,装载负荷。
12.根据权利要求9或10所述的预测排放管理方法,其特征在于,所述多种训练自启动条件包括:
(1)执行所述预测排放管理方法的预测排放管理系统是首次启动;以及
(2)所述工业过程稳定且所述目标变量的测量值和预测值存在持续偏差。
13.根据权利要求12所述的预测排放管理方法,其特征在于,如果所述预测排放管理系统是首次启动,则调取所述控制变量和所述目标变量在指定时间跨度的历史测量值,来训练所述预测模型。
14.根据权利要求12所述的预测排放管理方法,其特征在于,如果所述预测排放管理系统不是首次启动,则判断所述工业过程是否稳定,
如果所述工业过程不稳定,则不启动对所述预测模型的训练;并且
如果所述工业过程稳定,则判断所述目标变量的测量值和预测值是否存在持续偏差,
如果所述目标变量的测量值和预测值不存在持续偏差,则不启动对所述预测模型的训练;并且
如果所述目标变量的测量值和预测值存在持续偏差,则调取所述控制变量和所述目标变量从上次训练结束至当前时刻的历史测量值,来训练所述预测模型。
15.根据权利要求14所述的预测排放管理方法,其特征在于,所述目标变量的测量值和预测值存在持续偏差的情况是所述目标变量的预测值连续5次比所述目标变量的测量值高或低5%。
16.根据权利要求9或10所述的预测排放管理方法,其特征在于,所述深度学习方法是以下算法中的一种:多层神经网络算法、长短期记忆网络算法、LightGBM算法;优选地,所述深度学习方法是LightBGM算法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911182342.9A CN111008735B (zh) | 2019-11-27 | 2019-11-27 | 预测排放管理系统及方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911182342.9A CN111008735B (zh) | 2019-11-27 | 2019-11-27 | 预测排放管理系统及方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111008735A true CN111008735A (zh) | 2020-04-14 |
CN111008735B CN111008735B (zh) | 2023-06-02 |
Family
ID=70113445
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911182342.9A Active CN111008735B (zh) | 2019-11-27 | 2019-11-27 | 预测排放管理系统及方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111008735B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111476433A (zh) * | 2020-04-26 | 2020-07-31 | 北京保生源科技有限公司 | 基于数据分析的烟气排放预测方法及系统 |
CN113295826A (zh) * | 2021-05-24 | 2021-08-24 | 暨南大学 | 一种基于车联网的机动车尾气排放测试管理系统及智能诊断方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106529732A (zh) * | 2016-11-18 | 2017-03-22 | 国网山东省电力公司电力科学研究院 | 基于神经网络与随机前沿分析的碳排放效率预测方法 |
US20170300818A1 (en) * | 2016-03-10 | 2017-10-19 | Philips Lighting Holding B.V. | Pollution estimation system |
CN109063910A (zh) * | 2018-08-02 | 2018-12-21 | 浙江海洋大学 | 一种基于大数据的船舶污染物排放实时监测方法 |
CN110047015A (zh) * | 2019-04-22 | 2019-07-23 | 水利部信息中心 | 一种融合kpca和思维优化bp神经网络的用水总量预测方法 |
CN110058196A (zh) * | 2019-05-21 | 2019-07-26 | 巴斯夫新材料有限公司 | 一种用于化工厂中的位置监测系统 |
-
2019
- 2019-11-27 CN CN201911182342.9A patent/CN111008735B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20170300818A1 (en) * | 2016-03-10 | 2017-10-19 | Philips Lighting Holding B.V. | Pollution estimation system |
CN106529732A (zh) * | 2016-11-18 | 2017-03-22 | 国网山东省电力公司电力科学研究院 | 基于神经网络与随机前沿分析的碳排放效率预测方法 |
CN109063910A (zh) * | 2018-08-02 | 2018-12-21 | 浙江海洋大学 | 一种基于大数据的船舶污染物排放实时监测方法 |
CN110047015A (zh) * | 2019-04-22 | 2019-07-23 | 水利部信息中心 | 一种融合kpca和思维优化bp神经网络的用水总量预测方法 |
CN110058196A (zh) * | 2019-05-21 | 2019-07-26 | 巴斯夫新材料有限公司 | 一种用于化工厂中的位置监测系统 |
Non-Patent Citations (2)
Title |
---|
SRIKANTH ALLAMSETTY等: "Prediction of NO and NO2 concentrations in NTP treated diesel exhaust using multilayer perceptrons" * |
赵亚涛: "基于系统动力学的煤电行业二氧化碳排放量预测研究" * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111476433A (zh) * | 2020-04-26 | 2020-07-31 | 北京保生源科技有限公司 | 基于数据分析的烟气排放预测方法及系统 |
CN113295826A (zh) * | 2021-05-24 | 2021-08-24 | 暨南大学 | 一种基于车联网的机动车尾气排放测试管理系统及智能诊断方法 |
Also Published As
Publication number | Publication date |
---|---|
CN111008735B (zh) | 2023-06-02 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11676061B2 (en) | Harnessing machine learning and data analytics for a real time predictive model for a FCC pre-treatment unit | |
CN113835344B (zh) | 设备的控制优化方法、展示平台、云服务器及存储介质 | |
US11782401B2 (en) | Apparatus and methods to build deep learning controller using non-invasive closed loop exploration | |
JP5696171B2 (ja) | 制御パラメータ調整方法、制御パラメータ調整システム及び制御パラメータ設定装置 | |
US7877154B2 (en) | Method and system for controlling a batch process | |
US7856280B2 (en) | Process control and optimization technique using immunological concepts | |
US8140248B2 (en) | System and method for obtaining an optimal estimate of NOx emissions | |
CN111008735B (zh) | 预测排放管理系统及方法 | |
CN114191953A (zh) | 一种基于卷积神经网络和XGBoost的烟气脱硫脱硝控制方法 | |
US20220365521A1 (en) | Virtual simulation manufacturing platform based on automatic control | |
JP2011181069A (ja) | プロセスモデルの高速同定および生成 | |
CN114225662B (zh) | 一种基于滞后模型的烟气脱硫脱硝优化控制方法 | |
WO2022210866A1 (ja) | 装置、遠隔監視システム、装置の制御方法、及び、遠隔監視システムの制御方法 | |
CN117744704B (zh) | 一种烟气污染源采集监测系统、方法及可读存储介质 | |
CN116688754A (zh) | 船舶烟气脱硫自动控制系统及其方法 | |
CN107561944A (zh) | 一种基于拉盖尔模型的脱硝系统自适应预测控制方法 | |
JP2008217055A (ja) | マルチホップ無線システムの電力制御方法およびその電力制御システム | |
CN113485111B (zh) | 制浆系统的寻优控制方法及系统 | |
CN116859839A (zh) | 基于模型训练的工业控制方法和装置 | |
CN114444391A (zh) | 一种基于粒子群优化的氧化风机运行优化算法 | |
CN111450694B (zh) | 一种基于多目标优化的脱硫系统工业控制器和控制方法 | |
CN111675257B (zh) | 一种污水处理厂的远程集控方法与系统 | |
CN112044270B (zh) | 一种基于数据驱动多模型的脱硫氧化风系统控制方法 | |
JP4381628B2 (ja) | 濃縮設備の濃縮度制御装置及び濃縮度制御方法 | |
Rieger | Applied Fundamentals: Instrumentation and Controls to Optimize N and P removal |
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 |