CN112130538B - 磨煤机的控制优化及模型训练的方法、装置、设备和介质 - Google Patents

磨煤机的控制优化及模型训练的方法、装置、设备和介质 Download PDF

Info

Publication number
CN112130538B
CN112130538B CN202011002968.XA CN202011002968A CN112130538B CN 112130538 B CN112130538 B CN 112130538B CN 202011002968 A CN202011002968 A CN 202011002968A CN 112130538 B CN112130538 B CN 112130538B
Authority
CN
China
Prior art keywords
coal mill
model
historical
decision data
data set
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
Application number
CN202011002968.XA
Other languages
English (en)
Other versions
CN112130538A (zh
Inventor
朱翔宇
詹仙园
霍雨森
张玥
殷宏磊
郑宇�
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.)
Jingdong City Beijing Digital Technology Co Ltd
Original Assignee
Jingdong City Beijing 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 Jingdong City Beijing Digital Technology Co Ltd filed Critical Jingdong City Beijing Digital Technology Co Ltd
Priority to CN202011002968.XA priority Critical patent/CN112130538B/zh
Publication of CN112130538A publication Critical patent/CN112130538A/zh
Application granted granted Critical
Publication of CN112130538B publication Critical patent/CN112130538B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • G05B19/00—Programme-control systems
    • G05B19/02—Programme-control systems electric
    • G05B19/418—Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS], computer integrated manufacturing [CIM]
    • G05B19/41885—Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS], computer integrated manufacturing [CIM] characterised by modeling, simulation of the manufacturing system
    • 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
    • G05B2219/00—Program-control systems
    • G05B2219/30—Nc systems
    • G05B2219/32—Operator till task planning
    • G05B2219/32339—Object oriented modeling, design, analysis, implementation, simulation language
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
    • Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
    • Y02P90/02—Total factory control, e.g. smart factories, flexible manufacturing systems [FMS] or integrated manufacturing systems [IMS]

Abstract

本发明实施例提供一种磨煤机的控制优化及模型训练的方法、装置、设备和介质。该方法通过根据磨煤机的历史运行数据生成历史决策数据集；利用历史决策数据集训练得到预测模型；通过预测模型对历史决策数据集筛选得到优化后的决策数据集，得到具有较优策略的决策数据集；然后基于优化后的决策数据集进行模型训练，通过模仿学习得到所需要的控制优化模型。每一台磨煤机的控制优化模型训练完成后，即可根据当前磨煤机系统中的运行状态特征，实时地输出每一台磨煤机的优化动作特征，从而可以根据优化动作特征实现磨煤机运行动作的实时优化，能够提高磨煤机的运行效率，有效降低磨煤机的能源消耗，保证锅炉的燃烧效率。

Description

磨煤机的控制优化及模型训练的方法、装置、设备和介质
技术领域
本发明实施例涉及计算机技术领域，尤其涉及一种磨煤机的控制优化及模型训练的方法、装置、设备和介质。
背景技术
在火力发电厂中，机组中一般包括燃烧系统、汽水系统和发电系统。燃烧系统主要实现输煤、磨煤、给粉和锅炉燃烧等；汽水系统主要实现加热循环水，将水蒸发成汽，送至汽轮机做功；发电系统主要实现水蒸气推动汽轮机转动，汽轮机带动发电机发电。在燃烧系统中，制粉系统是主要的辅助系统，其中磨煤机作为主要的制粉设备，发挥着将煤块磨成煤粉以及干燥煤粉的作用，处理完成的煤粉被一次风携带进入炉膛燃烧。磨煤机的运行状态影响着锅炉运行的稳定性和炉内燃烧工况。一个火力发电机组中一般有5至6台磨煤机，设备体积大、运行电耗高，也是电厂的主要用能设备之一。对磨煤机的运行控制进行优化，提高其运行效率，能有效地降低能源消耗，对火电机组后续其他部分的运行以及保证锅炉的燃烧效率都具有重要的意义。
在实现本发明过程中，发明人发现现有技术中至少存在如下问题：目前的磨煤机控制优化的技术，一种是通过传统物理方程建立数学模型来进行磨煤机的控制优化，因为包含大量的人为假设以及理想的先决条件而缺乏灵活性，无法对磨煤机实际工作系统进行精细的刻画，很难广泛地适用于不同的制粉系统类型和磨煤机种类，容易忽视掉实际系统本身存在的特殊性与差异性，导致在进行实时控制优化时的不稳定性。另一种是基于强化学习的方法来进行磨煤机控制策略的学习和优化，需要提供可进行交互的磨煤机系统环境。受限于高昂的实验成本和安全性要求，直接在真实的磨煤机系统上进行实验是不可行的。若是人为构建磨煤机系统的仿真系统，带来额外成本的同时，也无法保证该系统的真实性与准确性。此外，由于磨煤机系统本身的工作特性，很难寻找到构建强化学习模型所必需的奖励函数，而人为设计奖励函数同样难以实现，且可能会导致不受控制的行为。再一种是利用神经网络模型基于磨煤机的历史运行数据进行控制策略的学习，但直接利用历史数据集进行控制策略的学习，所学习到的策略只是对磨煤机的历史控制策略的拟合和模仿，没有达到优化控制的目的。
发明内容
本发明实施例提供一种磨煤机的控制优化及模型训练的方法、装置、设备和介质，用以对磨煤机的运行控制进行优化，提高磨煤机的运行效率，有效地降低磨煤机的能源消耗。
第一方面，本发明实施例提供一种磨煤机的控制优化模型训练的方法，包括：
根据磨煤机的历史运行数据，生成所述磨煤机的历史决策数据集；
利用所述历史决策数据集对回归模型进行训练，得到预测模型；
根据所述预测模型对所述历史决策数据集进行筛选，得到优化后的决策数据集；
利用所述优化后的决策数据集对神经网络模型进行训练，得到所述磨煤机的控制优化模型，所述控制优化模型用于根据所述磨煤机的实时运行状态特征，输出所述磨煤机的优化动作特征，所述优化动作特征用于对所述磨煤机的动作进行实时优化。
第二方面，本发明实施例提供一种磨煤机控制优化方法，包括：
采集磨煤机的实时状态特征；
根据所述实时状态特征，通过训练好的所述磨煤机的控制优化模型，确定所述磨煤机的优化动作特征；
根据所述优化动作特征，优化所述磨煤机的运行动作；
其中，所述控制优化模型是通过上述第一方面所述的方法训练得到的。
第三方面，本发明实施例提供一种磨煤机的控制优化模型训练的装置，包括：
数据处理模块，用于根据磨煤机的历史运行数据，生成所述磨煤机的历史决策数据集；
第一模型训练模块，用于利用所述历史决策数据集对回归模型进行训练，得到预测模型；
数据筛选模块，用于：根据所述预测模型对所述历史决策数据集进行筛选，得到优化后的决策数据集；
第二模型训练模块，用于利用所述优化后的决策数据集对神经网络模型进行训练，得到所述磨煤机的控制优化模型，所述控制优化模型用于根据所述磨煤机的实时运行状态特征，输出所述磨煤机的优化动作特征，所述优化动作特征用于对所述磨煤机的动作进行实时优化。
第四方面，本发明实施例提供一种磨煤机控制优化装置，包括：
数据采集模块，用于采集磨煤机的实时状态特征；
优化控制模块，用于根据所述实时状态特征，通过训练好的所述磨煤机的控制优化模型，确定所述磨煤机的优化动作特征；根据所述优化动作特征，优化所述磨煤机的运行动作；
其中，所述控制优化模型是通过上述实施例一或者实施例二所述的磨煤机的控制优化模型训练的方法训练得到的。
第五方面，本发明实施例提供一种磨煤机的控制优化模型训练的设备，包括：
处理器，存储器，以及存储在所述存储器上并可在所述处理器上运行的计算机程序；
其中，所述处理器运行所述计算机程序时实现上述第一方面所述的磨煤机的控制优化模型训练的方法。
第六方面，本发明实施例提供一种磨煤机控制优化设备，包括：
处理器，存储器，以及存储在所述存储器上并可在所述处理器上运行的计算机程序；
其中，所述处理器运行所述计算机程序时实现上述第二方面所述的磨煤机控制优化方法。
第七方面，本发明实施例提供一种计算机可读存储介质，所述计算机可读存储介质中存储有计算机程序，所述计算机程序被处理器执行时实现上述第一方面所述的磨煤机的控制优化模型训练的方法。
第八方面，本发明实施例提供一种计算机可读存储介质，所述计算机可读存储介质中存储有计算机程序，所述计算机程序被处理器执行时实现上述第二方面所述的磨煤机控制优化方法。
本发明实施例提供的磨煤机的控制优化及模型训练的方法、装置、设备和介质，通过根据磨煤机的历史运行数据，生成所述磨煤机的历史决策数据集；利用所述历史决策数据集对回归模型进行训练，得到预测模型；通过预测模型对所述历史决策数据集进行筛选，得到优化后的决策数据集，从而获取到具有较优策略的决策数据集，然后基于优化后的决策数据集，进行磨煤机控制优化模型的训练，从而通过模仿学习，得到所需要的控制优化模型。每一台磨煤机对应的控制优化模型训练完成后，即可根据当前磨煤机系统中的运行状态特征，实时地输出每一台磨煤机的推荐的优化动作特征的值，从而可以根据优化动作特征实现对磨煤机运行动作的实时优化，能够提高磨煤机的运行效率，有效地降低磨煤机的能源消耗，保证火电机组后续其他部分的运行以及保证锅炉的燃烧效率。
附图说明
图1为本发明实施例一提供的磨煤机的控制优化模型训练的方法流程图；
图2为本发明实施例二提供的磨煤机的控制优化模型训练的方法总体框架图；
图3为本发明实施例二提供的磨煤机的控制优化模型训练的方法流程图；
图4为本发明实施例二提供的历史决策数据集的筛选流程图；
图5为本发明实施例三提供的磨煤机控制优化方法流程图；
图6为本发明实施例四提供的磨煤机的控制优化模型训练的装置的结构示意图；
图7为本发明实施例六提供的磨煤机控制优化装置的结构示意图；
图8为本发明实施例七提供的磨煤机的控制优化模型训练的设备的结构示意图；
图9为本发明实施例八提供的磨煤机控制优化设备的结构示意图。
通过上述附图，已示出本发明明确的实施例，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发明构思的范围，而是通过参考特定实施例为本领域技术人员说明本发明的概念。
具体实施方式
这里将详细地对示例性实施例进行说明，其示例表示在附图中。下面的描述涉及附图时，除非另有表示，不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本发明相一致的所有实施方式。相反，它们仅是与如所附权利要求书中所详述的、本发明的一些方面相一致的装置和方法的例子。
本发明实施例所涉及的术语“第一”、“第二”等仅用于描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。在以下各实施例的描述中，“多个”的含义是两个以上，除非另有明确具体的限定。
本发明实施例具体的应用场景：在火力发电厂中，机组中一般包括燃烧系统、汽水系统和发电系统。燃烧系统主要实现输煤、磨煤、给粉和锅炉燃烧等；汽水系统主要实现加热循环水，将水蒸发成汽，送至汽轮机做功；发电系统主要实现水蒸气推动汽轮机转动，汽轮机带动发电机发电。在燃烧系统中，制粉系统是主要的辅助系统，其中磨煤机作为主要的制粉设备，发挥着将煤块磨成煤粉以及干燥煤粉的作用，处理完成的煤粉被一次风携带进入炉膛燃烧。磨煤机的运行状态影响着锅炉运行的稳定性和炉内燃烧工况。一个火力发电机组中一般有5至6台磨煤机，设备体积大、运行电耗高，也是电厂的主要用能设备之一。对磨煤机的运行控制进行优化，提高其运行效率，能有效地降低能源消耗，对火电机组后续其他部分的运行以及保证锅炉的燃烧效率都具有重要的意义。
现有技术中，利用神经网络模型基于磨煤机历史运行数据进行控制策略的学习，可实现对所能收集到的磨煤机历史运行数据的充分利用，但直接利用历史数据集进行控制策略的学习，所学习到的策略只是对磨煤机历史控制策略的拟合和模仿，没有达到优化控制的目的。在实现本发明过程中，发明人发现利用神经网络模型基于磨煤机历史运行数据进行控制策略的学习，一般需要对历史运行数据进行筛选以获得训练模型所需的数据，要筛选出较优控制策略下的数据往往需要大量的行业专业知识，且由于制粉系统所涉及的状态量与动作量众多，系统影响因素复杂，难以确定最合理的衡量标准来进行数据筛选。此外，在磨煤机实际生产环境中，面临着煤种与煤质的变化，进而导致相关状态量或运行衡量标准的范围变化，使得无法用统一的标准与界限来对所有数据进行判断与筛选。这些问题都导致后续的模型的训练面临巨大的阻碍。
本发明实施例中，对每台磨煤机进行以下控制优化：根据磨煤机的历史运行数据，生成磨煤机的历史决策数据集；利用历史决策数据集对回归模型进行训练，得到预测模型；预测模型可以对历史决策数据集进行筛选，得到优化后的决策数据集；基于筛选出来的优化后的决策数据集，对神经网络模型进行训练，得到磨煤机的控制优化模型。在磨煤机运行过程中，根据实时采集的磨煤机的实时运行状态特征，通过训练好的控制优化模型，能够推荐磨煤机的优化动作特征，根据优化动作特征，优化磨煤机的运行动作，从而可以实现对磨煤机运行动作的实时优化，能够提高磨煤机的运行效率，有效地降低磨煤机的能源消耗，保证火电机组后续其他部分的运行以及保证锅炉的燃烧效率。
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。
实施例一
图1为本发明实施例一提供的磨煤机的控制优化模型训练的方法流程图。本实施例中的方法应用于对磨煤机控制优化模型进行模型训练的设备，可以是例如台式电脑、平板电脑、笔记本电脑等具备一定计算能力，能够完成模型训练的客户端、或者服务器、或者服务器集群(以下统称为“电子设备”)等等。
在实际应用中，一个火力发电机组中一般有多台磨煤机，考虑到不同磨煤机本身的差异性，本发明实施例中，分别对每台磨煤机执行磨煤机的控制优化模型训练的方法，基于每台磨煤机各自的历史运行数据，训练得到每台磨煤机各自的控制优化模型。每台磨煤机在运行过程中，可以根据其自身的控制优化模型进行运行动作的优化。本实施例中对仅以对其中一台磨煤机执行磨煤机的控制优化模型训练的方法的流程进行示例性地说明。
如图1所示，该方法具体步骤如下：
步骤S101、根据磨煤机的历史运行数据，生成磨煤机的历史决策数据集。
其中，磨煤机的历史运行数据可以从电厂系统中收集得到，包括从电厂系统中所能收集到的磨煤机的所有类型的运行数据。
可选地，磨煤机的历史运行数据可以是磨煤机自投入使用开始的所有运行数据，也可以是磨煤机自投入使用之后的一个历史时间段内的运行数据。其中历史时间段的长度可以根据实际应用场景需要进行配置和调整，本实施例此处不做具体限定。
通过对磨煤机的历史运行数据进行数据预处理，得到磨煤机在多个历史时刻的历史决策数据，构成磨煤机的历史决策数据集。
其中，每条历史决策数据包括在对应历史时刻磨煤机的运行状态特征数据和动作特征数据。
步骤S102、利用历史决策数据集对回归模型进行训练，得到预测模型。
本实施例中，选取至少一种运行状态特征作为关键指标。
根据关键指标，将历史决策数据集中的每条历史决策数据，拆分为输入特征和标注信息，形成训练数据，用于对回归模型进行训练，得到预测模型。
步骤S103、根据预测模型对历史决策数据集进行筛选，得到优化后的决策数据集。
训练所得到的预测模型的预测结果表示在磨煤机当前状态(即当前煤种和煤质)下，执行各种可能的磨煤机动作后，所选择的磨煤机关键指标所能达到的平均状态。这样便可依据训练所得到的预测模型来对数据集进行筛选，筛选出较优策略数据，形成优化后的决策数据集。
步骤S104、利用优化后的决策数据集对神经网络模型进行训练，得到磨煤机的控制优化模型，控制优化模型用于根据磨煤机的实时运行状态特征，输出磨煤机的优化动作特征，优化动作特征用于对磨煤机的动作进行实时优化。
对于每一台磨煤机，在获得优化后的决策数据集(也即较优策略数据集)，便可基于该优化后的决策数据集进行磨煤机控制优化模型的训练，从而通过模仿学习，得到所需要的磨煤机控制优化模型。
本发明实施例通过根据磨煤机的历史运行数据，生成磨煤机的历史决策数据集；利用历史决策数据集对回归模型进行训练，得到预测模型；通过预测模型对历史决策数据集进行筛选，得到优化后的决策数据集，从而获取到具有较优策略的决策数据集，然后基于优化后的决策数据集，进行磨煤机控制优化模型的训练，从而通过模仿学习，得到所需要的控制优化模型。每一台磨煤机对应的控制优化模型训练完成后，即可根据当前磨煤机系统中的运行状态特征，实时地输出每一台磨煤机的推荐的优化动作特征的值，从而可以根据优化动作特征实现对磨煤机运行动作的实时优化，能够提高磨煤机的运行效率，有效地降低磨煤机的能源消耗，保证火电机组后续其他部分的运行以及保证锅炉的燃烧效率。
实施例二
图2为本发明实施例二提供的磨煤机的控制优化模型训练的方法总体框架图；图3为本发明实施例二提供的磨煤机的控制优化模型训练的方法流程图；图4为本发明实施例二提供的历史决策数据集的筛选流程图。
在上述实施例一的基础上，本实施例中，根据磨煤机的历史运行数据，生成磨煤机的历史决策数据集之前，还包括：采集磨煤机的历史运行数据，历史运行数据包括磨煤机的运行状态特征和动作特征。利用历史决策数据集对回归模型进行训练，得到预测模型，包括：将每条历史决策数据中除关键指标之外的数据作为输入特征，将关键指标作为标注信息，形成一条训练数据，得到训练集，其中关键指标包括至少一种运行状态特征；利用训练集对回归模型进行训练，得到预测模型。
本实例提供的磨煤机的控制优化模型训练的总体流程如图2所示，整体可分为以下几个部分：从电厂系统中采集磨煤机系统的原始数据，对采集的原始数据进行数据预处理得到所需的磨煤机运行状态特征数据与动作特征数据，形成磨煤机历史决策数据集；基于相关专业知识确定反映磨煤机运行情况的关键性状态指标(如图2中的关键指标)(下面统称“关键指标”)，基于全体的历史决策数据集训练用于预测所选关键指标的回归模型；基于磨煤机运行预测模型，对全体历史决策数据集进行数据筛选，生成具有较优策略的决策数据集(下面统称“优化后的决策数据集”)；基于优化后的决策数据集，通过行为克隆对磨煤机控制优化模仿学习模型(预先构建的神经网络模型)进行训练，获得磨煤机最终的控制优化模型。
在实际应用中，一个火力发电机组的制粉系统中，一般有多台磨煤机，可能存在5至6台磨煤机，本发明实施例中，对每台磨煤机分别执行磨煤机的控制优化模型训练的方法，基于每台磨煤机各自的历史运行数据，训练得到每台磨煤机各自的控制优化模型。最终每台磨煤机会各自生成一个控制优化模型。
所有的磨煤机基于相同的神经网络模型，通过基于每台磨煤机各自的历史运行数据，对该神经网络模型进行训练，得到一组参数，也即可以得到一个以该组参数作为模型参数的控制优化模型，从而得到每台磨煤机对应的控制优化模型。
本实施例中对仅以对其中一台磨煤机执行磨煤机的控制优化模型训练的方法的流程进行示例性地说明。如图2所示，该方法具体步骤如下：
步骤S201、采集磨煤机的历史运行数据，历史运行数据包括磨煤机的运行状态特征和动作特征。
其中，磨煤机的历史运行数据可以从电厂系统中收集得到，包括从电厂系统中所能收集到的磨煤机的所有类型的运行数据。
可选地，磨煤机的历史运行数据可以是磨煤机自投入使用开始的所有运行数据，也可以是磨煤机自投入使用之后的一个历史时间段内的运行数据。其中历史时间段的长度可以根据实际应用场景需要进行配置和调整，本实施例此处不做具体限定。
通过对磨煤机的历史运行数据进行数据预处理，得到磨煤机在多个历史时刻的历史决策数据，构成磨煤机的历史决策数据集。
其中，每条历史决策数据包括在对应历史时刻磨煤机的运行状态特征数据和动作特征数据。
磨煤机系统运行中各状态指标有很多种，利用相关行业知识可以筛选出与磨煤机运行密切相关的若干测点，确定磨煤机系统的运行状态特征与动作特征。
示例性地，磨煤机的运行状态特征反映磨煤机系统运行中各状态指标的情况，主要包括：磨煤机出口风温、磨煤机出口风压、磨煤机入口风压、磨煤机入口一次风量、磨煤机入口一次风压力、磨煤机入口一次风温度、磨煤机电流等。
当然，磨煤机的运行状态特征还可以包括其他磨煤机运行密切相关的状态指标数据，本实施例此处不做具体限定。
示例性地，磨煤机的动作特征为磨煤机系统运行中可进行操作调节的相关量，主要包括：磨煤机给煤量反馈、磨煤机热一次风调节阀位反馈、磨煤机冷一次风调节阀位反馈、磨煤机动态分离器速度反馈等。
当然，磨煤机的动作特征还可以包括其他磨煤机运行密切相关的可进行操作调节的相关量，本实施例此处不做具体限定。
本实施例中，对于所有磨煤机，磨煤机的控制优化模型训练时，使用相同类型的运行状态特征和动作特征，但是每个磨煤机使用各自的历史运行数据，拥有各自的数据集。
步骤S202、根据磨煤机的历史运行数据，生成磨煤机的历史决策数据集。
其中，历史决策数据集包括多条历史决策数据，每条历史决策数据包括一时刻磨煤机的运行状态特征和动作特征。
在实际运行过程中，受各种因素的影响，可能在某一时段内收集到的磨煤机的历史运行数据较为稀疏，而在另一时段内收集到的磨煤机的历史运行数据却很稠密。
本实施例中，对磨煤机的历史运行数据进行数据预处理，生成磨煤机的历史决策数据集，以提高历史决策数据集的可用性。
示例性地，按照历史运行数据的采集时间，根据预设时间间隔对历史运行数据进行采样，如果采样时刻数据缺失，则进行数据填补处理，得到历史决策数据集。历史决策数据集中的历史决策数据按照采集时间顺序排列，且每相邻两条历史决策数据的采集时间间隔预设时长。
可选地，如果当前采样时刻的数据缺失，可以用前一个采样时刻的采样数据作为本次的采样数据；或者，可以用前若干个采样时刻的采用数据的均值作为本次的采样数据；或者，还可以采用其他常用的缺失值填充的方法实现，本实施例此处不做具体限定。
其中，预设时长可以根据实际应用场景需要进行配置和调整，本实施例此处不做具体限定。
另外，可能有些历史运行数据存在某些重要运行状态特征或者动作特征的缺失。可选地，可以对历史运行数据中指定运行状态特征或者指定动作特征有缺失的数据剔除。
本实施例提供的磨煤机的控制优化模型训练方法，借助轻量的磨煤机运行相关专业知识，实现对全体数据集高效的筛选，从庞杂的数据中提取出进行模型训练所需的数据。
步骤S203、利用历史决策数据集对回归模型进行训练，得到预测模型。
在实际应用中，要进行磨煤机历史决策数据的筛选并获得具有较优控制策略的数据子集，筛选标准与参考是必不可少的。然而，磨煤机系统中数据的筛选标准的确定是十分困难的：首先，磨煤机的运行状态特征中没有可直接作为运行优化指标(也即优化目标)的量；其次，磨煤机系统影响锅炉燃烧，但锅炉的燃烧状况并不能完全反映磨煤机的运行工况，所以无法将锅炉燃烧效率作为筛选标准。基于磨煤机运行相关专业知识，在磨煤机中煤的种类和煤质一定的情况下，为保证磨煤机的正常运行，磨煤机的运行状态特征中个别关键指标应处于某一特定的数值区间，此时，这些关键指标可作为磨煤机运行情况优劣的判断依据，例如，在某一特定区间内，磨煤机的“关键指标A”越高，磨煤机运行情况越好。
在实现本发明过程中，发明人发现：当处于特定的煤种和煤质下，在这磨煤机出口风温和磨煤机出口风压这个两个关键指标的合理数值区间内，相对更高的数值表示磨煤机输出的煤粉处于较好的状态，更有利于后续在炉膛中的燃烧，则能使关键指标达到这种状态的磨煤机控制量的操作是一种较优的操作策略。
本实施例中，关键指标包括以下至少一种：磨煤机出口风温、磨煤机出口风压。关键指标具体包括的关键指标可以依据磨煤机实际能够采集到的历史运行数据中可选择的运行状态特征而定。
但是在磨煤机实际运行过程中，由于配煤掺烧等现实因素的影响，磨煤机中的煤种和煤质并不固定，而是随着时间波动的，且煤种与煤质数据通常在系统中无法实时测量，于是无法直接利用这些关键指标进行数据集的筛选。
为了有效利用这些关键指标对数据集进行筛选，本实施例中，基于全体历史决策数据集，进行所选择的磨煤机关键指标的预测模型的训练。
该步骤中，利用历史决策数据集对回归模型进行训练，得到预测模型，具体可以采用如下方式实现：
将每条历史决策数据中除关键指标之外的数据作为输入特征，将关键指标作为标注信息，形成一条训练数据，得到训练集，其中关键指标包括至少一种运行状态特征；利用训练集对回归模型进行训练，得到预测模型。
可选地，选定的回归模型可以是随机森林回归模型、或者神经网络回归模型等。模型的输入特征为除去所选择的关键指标外的其他磨煤机的运行状态特征，模型训练标签(label)为所选择的磨煤机的关键指标。训练所得到的预测模型的预测结果表示在磨煤机当前运行状态(即当前煤种和煤质)下，执行各种可能的磨煤机动作后，所选择的磨煤机关键指标所能达到的平均状态。这样便可依据训练所得到的预测模型来对数据集进行筛选。
步骤S204、对于每条历史决策数据，将历史决策数据中除关键指标之外的运行状态特征输入预测模型，得到历史决策数据对应的关键指标预测数据。
步骤S205、筛选出关键指标大于关键指标预测数据的历史决策数据，构成优化后的决策数据集。
本实施例中，通过上述步骤S204-S205，通过预测模型对历史决策数据集进行筛选，生成具有较优控制策略的优化后的决策数据集。
具体地，如图4所示，对于磨煤机的历史决策数据集中的每一条历史决策数据执行如下操作：在该条历史决策数据中选取除关键指标之外的运行状态特征，得到上述训练所得预测模型所需的模型输入部分，将除关键指标之外的运行状态特征输入预测模型，预测模型能够计算输出磨煤机关键指标的预测值。然后，将关键指标的预测值与该条历史决策数据中对应的关键指标的真实值进行比较，依据比较规则判断该条历史决策数据属于较优策略数据或较劣策略数据，筛选出较优策略数据形成优化后的决策数据集。对磨煤机的历史决策数据集中每一条历史决策数据都进行如上处理后，每一台磨煤机可得到历史决策数据集的两个数据子集：分别为较优策略数据集和较劣策略数据集。将其中较优策略数据集作为优化后的决策数据集。
其中，比较规则依据所选择的磨煤机运行关键指标来确定，对于不同的关键指标，所对应的比较规则可能相同或者不同，本实施例此处不做具体限定。
例如，对于磨煤机出口风温这一关键指标，若其真实值大于其预测值，则将该条历史决策数据归为较优策略数据；若其真实值小于或者等于其预测值，则将该条历史决策数据归为较劣策略数据。
例如，对于磨煤机出口风压这一关键指标，若其真实值大于其预测值，则将该条历史决策数据归为较优策略数据；若其真实值小于或者等于其预测值，则将该条历史决策数据归为较劣策略数据。
例如，若关键指标包括多个，比较规则可以是分别根据每个关键指标的预测值和真实值判断该条历史决策数据的优劣，若至少一个关键指标对应的判断结果为该条历史决策数据为较优策略数据，则将该条历史决策数据归为较优策略数据；或者，比较规则可以是分别根据每个关键指标的预测值和真实值判断该条历史决策数据的优劣，若至少一个关键指标对应的判断结果为该条历史决策数据为较劣策略数据，则将该条历史决策数据归为较劣策略数据。
本实施例中，通过根据磨煤机的历史运行数据，生成磨煤机的历史决策数据集；将每条历史决策数据中除关键指标之外的数据作为输入特征，将关键指标作为标注信息，形成一条训练数据，得到训练集，其中关键指标包括至少一种运行状态特征；利用训练集对回归模型进行训练，得到预测模型；对于每条历史决策数据，将历史决策数据中除关键指标之外的运行状态特征输入预测模型，得到历史决策数据对应的关键指标预测数据；筛选出关键指标大于关键指标预测数据的历史决策数据，构成优化后的决策数据集；这样，能够充分利用所能收集到的磨煤机的历史运行数据，具有良好的适应性与灵活性，最终训练好的控制优化模型能够对磨煤机系统实现实时的精细化控制与运行优化。
步骤S206、利用优化后的决策数据集对神经网络模型进行训练，得到磨煤机的控制优化模型。
对于每一台磨煤机，在获得优化后的决策数据集之后，便可基于该优化后的决策数据集进行磨煤机控制优化模型的训练。
该步骤之前，首先利用神经网络模型构造控制策略模型，控制策略模型用于根据输入的磨煤机运行状态特征，输出推荐动作特征的条件概率分布。
可选地，控制策略模型可以是多层全连接层堆叠得到神经网络模型。其中，全连接层的层数可以根据实际应用场景和经验值进行配置，本实施例此处不做具体限定。
该步骤中，利用优化后的决策数据集，使用最大似然法，对控制策略模型进行训练，得到控制优化模型。
示例性地，优化后的决策数据集可以构成“状态-动作对”集合，可以表示为：
Figure BDA0002694954060000141
其中，(si，ai)表示优化后的决策数据集中的任一条决策数据，也即一个“状态-动作对”，si为该条决策数据中的运行状态特征，ai为该条决策数据中的动作特征，i＝1，2，3，...，n，n为优化后的决策数据集中决策数据的总数。
基于上述优化后的决策数据集
Figure BDA0002694954060000142
利用神经网络模型构造磨煤机的控制策略模型(用πθ表示)，磨煤机的控制策略模型πθ定义为数据集
Figure BDA0002694954060000143
分布上的条件分布p(a|s)，即对于给定的磨煤机运行状态特征s，控制策略模型πθ可输出推荐磨煤机的动作特征a的概率分布，在该概率分布中采样或是直接输出该分布对应的均值即可得到推荐的磨煤机控制优化动作。
接下来基于数据集
Figure BDA0002694954060000144
对控制策略模型πθ进行训练，即可获得最终的磨煤机的控制优化模型，使得最终的控制优化模型输出的控制优化策略在概率分布中的概率尽可能的大。具体的,最终的控制优化策略(用π表示)可通过如下方式得到：
Figure BDA0002694954060000145
其中，
Figure BDA0002694954060000146
表示(s，a)在中
Figure BDA0002694954060000147
取值得到的所有logπθ(a|s)的期望值，
Figure BDA0002694954060000148
表示
Figure BDA0002694954060000149
最大化时的π。
最终训练得到的控制优化模型用于根据磨煤机的实时运行状态特征，输出磨煤机的优化动作特征，输出的优化动作特征也就是模型推荐的控制优化策略，用于对磨煤机的动作进行实时优化。
本实施例提供的磨煤机的控制优化模型训练方法，借助轻量的磨煤机运行相关专业知识，实现对全体数据集高效的筛选，从庞杂的数据中提取出进行模型训练所需的数据；能够充分利用所能收集到的磨煤机的历史运行数据，具有良好的适应性与灵活性，最终训练好的控制优化模型能够对磨煤机系统实现实时的精细化控制与运行优化；通过使用模仿学习基于优化后的决策数据集进行磨煤机控制优化模型的学习训练，摆脱了使用强化学习时对控制系统环境的依赖，且无需寻找控制任务中的奖励函数或是人为设计奖励，使得方案更加简化、实施更加灵活。此外，使用模仿学习方法能够在学习到较优的控制策略的同时，确保控制策略在指导真实系统进行控制优化时具有足够的安全性和稳定性。
实施例三
图5为本发明实施例三提供的磨煤机控制优化方法流程图。本实施例中的方法应用于对磨煤机进行控制优化的终端设备，该终端设备可以是智能手机、平板电脑等移动终端，也可以是台式电脑、服务器、服务器集群等。另外，本实施例中的方法还可以应用于实施例一中用于对磨煤机控制优化模型进行模型训练的设备。在其他实施例中，本实施例中的方法应还可以用于其他设备，本实施例仅以终端设备为例进行示例性地说明。
如图5所示，本实施例提供的磨煤机控制优化方法具体步骤如下：
步骤S301、采集磨煤机的实时状态特征。
其中，实时状态特征为实时采集的磨煤机的运行状态特征。运行状态特征具体包括哪些数据详见上述实施例二的说明，本实施例此处不再赘述。
步骤S302、根据实时状态特征，通过训练好的磨煤机的控制优化模型，确定磨煤机的优化动作特征。
具体的，将实时状态特征输入训练好的磨煤机的控制优化模型，输出磨煤机的优化动作特征。
步骤S303、根据优化动作特征，优化磨煤机的运行动作。
其中，控制优化模型是通过上述实施例一或者实施例二所提供的磨煤机的控制优化模型训练的方法训练得到的，本实施例此次不再赘述具体的训练过程。
本发明实施例中，对于每台磨煤机训练其对应的控制优化模型，在每台磨煤机运行过程中，实时采集磨煤机的实时状态特征，根据实时状态特征，通过训练好的磨煤机的控制优化模型，确定磨煤机的优化动作特征，根据优化动作特征，优化磨煤机的运行动作，实现了对磨煤机运行动作的实时优化，能够提高磨煤机的运行效率，有效地降低磨煤机的能源消耗，保证火电机组后续其他部分的运行以及保证锅炉的燃烧效率。
实施例四
图6为本发明实施例四提供的磨煤机的控制优化模型训练的装置的结构示意图。本发明实施例提供的磨煤机的控制优化模型训练的装置可以执行磨煤机的控制优化模型训练的方法实施例提供的处理流程。如图6所示，该装置60包括：数据处理模块601，第一模型训练模块602，数据筛选模块603和第二模型训练模块604。
具体地，数据处理模块601，用于根据磨煤机的历史运行数据，生成磨煤机的历史决策数据集；
第一模型训练模块602，用于利用历史决策数据集对回归模型进行训练，得到预测模型；
数据筛选模块603，用于：根据预测模型对历史决策数据集进行筛选，得到优化后的决策数据集；
第二模型训练模块604，用于利用优化后的决策数据集对神经网络模型进行训练，得到磨煤机的控制优化模型，控制优化模型用于根据磨煤机的实时运行状态特征，输出磨煤机的优化动作特征，优化动作特征用于对磨煤机的动作进行实时优化。
本发明实施例提供的装置可以具体用于执行上述实施例一所提供的方法实施例，具体功能此处不再赘述。
本发明实施例通过根据磨煤机的历史运行数据，生成磨煤机的历史决策数据集；利用历史决策数据集对回归模型进行训练，得到预测模型；通过预测模型对历史决策数据集进行筛选，得到优化后的决策数据集，从而获取到具有较优策略的决策数据集，然后基于优化后的决策数据集，进行磨煤机控制优化模型的训练，从而通过模仿学习，得到所需要的控制优化模型。每一台磨煤机对应的控制优化模型训练完成后，即可根据当前磨煤机系统中的运行状态特征，实时地输出每一台磨煤机的推荐的优化动作特征的值，从而可以根据优化动作特征实现对磨煤机运行动作的实时优化，能够提高磨煤机的运行效率，有效地降低磨煤机的能源消耗，保证火电机组后续其他部分的运行以及保证锅炉的燃烧效率。
实施例五
在上述实施例四的基础上，本实施例中，数据处理模块还用于：
采集磨煤机的历史运行数据，历史运行数据包括磨煤机的运行状态特征和动作特征。
在一种可选的实施方式中，历史决策数据集包括多条历史决策数据，每条历史决策数据包括一时刻磨煤机的运行状态特征和动作特征。
在一种可选的实施方式中，第一模型训练模块还用于：
将每条历史决策数据中除关键指标之外的数据作为输入特征，将关键指标作为标注信息，形成一条训练数据，得到训练集，其中关键指标包括至少一种运行状态特征；利用训练集对回归模型进行训练，得到预测模型。
在一种可选的实施方式中，关键指标包括一下至少一种：
磨煤机出口风温、磨煤机出口风压。
在一种可选的实施方式中，数据筛选模块还用于：
对于每条历史决策数据，将历史决策数据中除关键指标之外的运行状态特征输入预测模型，得到历史决策数据对应的关键指标预测数据；筛选出关键指标大于关键指标预测数据的历史决策数据，构成优化后的决策数据集。
在一种可选的实施方式中，第二模型训练模块还用于：
利用神经网络模型构造控制策略模型，控制策略模型用于根据输入的磨煤机运行状态特征，输出推荐动作特征的条件概率分布。
在一种可选的实施方式中，第二模型训练模块还用于：
利用优化后的决策数据集，使用最大似然法，对控制策略模型进行训练，得到控制优化模型。
本发明实施例提供的装置可以具体用于执行上述实施例二所提供的方法实施例，具体功能此处不再赘述。
本实施例提供的磨煤机的控制优化模型训练方法，借助轻量的磨煤机运行相关专业知识，实现对全体数据集高效的筛选，从庞杂的数据中提取出进行模型训练所需的数据；能够充分利用所能收集到的磨煤机的历史运行数据，具有良好的适应性与灵活性，最终训练好的控制优化模型能够对磨煤机系统实现实时的精细化控制与运行优化；通过使用模仿学习基于优化后的决策数据集进行磨煤机控制优化模型的学习训练，摆脱了使用强化学习时对控制系统环境的依赖，且无需寻找控制任务中的奖励函数或是人为设计奖励，使得方案更加简化、实施更加灵活。此外，使用模仿学习方法能够在学习到较优的控制策略的同时，确保控制策略在指导真实系统进行控制优化时具有足够的安全性和稳定性。
实施例六
图7为本发明实施例六提供的磨煤机控制优化装置的结构示意图。本发明实施例提供的磨煤机控制优化装置可以执行磨煤机控制优化方法实施例提供的处理流程。如图7所示，该磨煤机控制优化装置70包括：数据采集模块701和优化控制模块702。
具体地，数据采集模块701，用于采集磨煤机的实时状态特征。
优化控制模块702，用于根据实时状态特征，通过训练好的磨煤机的控制优化模型，确定磨煤机的优化动作特征；根据优化动作特征，优化磨煤机的运行动作。
其中，控制优化模型是通过上述实施例一或者实施例二的磨煤机的控制优化模型训练的方法训练得到的。
本发明实施例提供的装置可以具体用于执行上述实施例三所提供的方法实施例，具体功能此处不再赘述。
本发明实施例中，对于每台磨煤机训练其对应的控制优化模型，在每台磨煤机运行过程中，实时采集磨煤机的实时状态特征，根据实时状态特征，通过训练好的磨煤机的控制优化模型，确定磨煤机的优化动作特征，根据优化动作特征，优化磨煤机的运行动作，实现了对磨煤机运行动作的实时优化，能够提高磨煤机的运行效率，有效地降低磨煤机的能源消耗，保证火电机组后续其他部分的运行以及保证锅炉的燃烧效率。
实施例七
图8为本发明实施例七提供的磨煤机的控制优化模型训练的设备的结构示意图。如图8所示，该设备100包括：处理器1001，存储器1002，以及存储在存储器1002上并可在处理器1001上运行的计算机程序。
其中，处理器1001运行计算机程序时实现上述实施例一或者实施例二提供的磨煤机的控制优化模型训练的方法。
本发明实施例通过根据磨煤机的历史运行数据，生成磨煤机的历史决策数据集；利用历史决策数据集对回归模型进行训练，得到预测模型；通过预测模型对历史决策数据集进行筛选，得到优化后的决策数据集，从而获取到具有较优策略的决策数据集，然后基于优化后的决策数据集，进行磨煤机控制优化模型的训练，从而通过模仿学习，得到所需要的控制优化模型。每一台磨煤机对应的控制优化模型训练完成后，即可根据当前磨煤机系统中的运行状态特征，实时地输出每一台磨煤机的推荐的优化动作特征的值，从而可以根据优化动作特征实现对磨煤机运行动作的实时优化，能够提高磨煤机的运行效率，有效地降低磨煤机的能源消耗，保证火电机组后续其他部分的运行以及保证锅炉的燃烧效率。
实施例八
图9为本发明实施例八提供的磨煤机控制优化设备的结构示意图。如图9所示，该设备110包括：处理器1101，存储器1102，以及存储在存储器1102上并可在处理器1101上运行的计算机程序。
其中，处理器1101运行计算机程序时实现上述实施例三提供的磨煤机控制优化方法。
本发明实施例中，对于每台磨煤机训练其对应的控制优化模型，在每台磨煤机运行过程中，实时采集磨煤机的实时状态特征，根据实时状态特征，通过训练好的磨煤机的控制优化模型，确定磨煤机的优化动作特征，根据优化动作特征，优化磨煤机的运行动作，实现了对磨煤机运行动作的实时优化，能够提高磨煤机的运行效率，有效地降低磨煤机的能源消耗，保证火电机组后续其他部分的运行以及保证锅炉的燃烧效率。
另外，本发明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程序，计算机程序被处理器执行时实现上述任一方法实施例提供的方法。
本领域技术人员可以清楚地了解到，为描述的方便和简洁，仅以上述各功能模块的划分进行举例说明，实际应用中，可以根据需要而将上述功能分配由不同的功能模块完成，即将装置的内部结构划分成不同的功能模块，以完成以上描述的全部或者部分功能。上述描述的装置的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
本领域技术人员在考虑说明书及实践这里公开的发明后，将容易想到本发明的其它实施方案。本发明旨在涵盖本发明的任何变型、用途或者适应性变化，这些变型、用途或者适应性变化遵循本发明的一般性原理并包括本发明未公开的本技术领域中的公知常识或惯用技术手段。说明书和实施例仅被视为示例性的，本发明的真正范围和精神由下面的权利要求书指出。
应当理解的是，本发明并不局限于上面已经描述并在附图中示出的精确结构，并且可以在不脱离其范围进行各种修改和改变。本发明的范围仅由所附的权利要求书来限制。

Claims (12)

1.一种磨煤机的控制优化模型训练的方法，其特征在于，包括：
根据磨煤机的历史运行数据，生成所述磨煤机的历史决策数据集，所述历史决策数据集包括多条历史决策数据；
利用所述历史决策数据集对回归模型进行训练，得到预测模型，所述预测模型用于输出所述历史决策数据对应的关键指标预测数据；
根据所述预测模型对所述历史决策数据集进行筛选，得到优化后的决策数据集；
利用所述优化后的决策数据集对神经网络模型进行训练，得到所述磨煤机的控制优化模型，所述控制优化模型用于根据所述磨煤机的实时运行状态特征，输出所述磨煤机的优化动作特征，所述优化动作特征用于对所述磨煤机的动作进行实时优化。
2.根据权利要求1所述的方法，其特征在于，所述根据磨煤机的历史运行数据，生成所述磨煤机的历史决策数据集之前，还包括：
采集所述磨煤机的历史运行数据，所述历史运行数据包括所述磨煤机的运行状态特征和动作特征。
3.根据权利要求1所述的方法，其特征在于，每条所述历史决策数据包括一时刻所述磨煤机的运行状态特征和动作特征。
4.根据权利要求3所述的方法，其特征在于，所述利用所述历史决策数据集对回归模型进行训练，得到预测模型，包括：
将每条所述历史决策数据中除关键指标之外的数据作为输入特征，将所述关键指标作为标注信息，形成一条训练数据，得到训练集，其中所述关键指标包括至少一种所述运行状态特征；
利用所述训练集对回归模型进行训练，得到所述预测模型。
5.根据权利要求4所述的方法，其特征在于，所述关键指标包括以 下至少一种：
磨煤机出口风温、磨煤机出口风压。
6.根据权利要求3所述的方法，其特征在于，所述根据所述预测模型对所述历史决策数据集进行筛选，得到优化后的决策数据集，包括：
对于每条所述历史决策数据，将所述历史决策数据中除关键指标之外的运行状态特征输入所述预测模型，得到所述历史决策数据对应的关键指标预测数据；
筛选出所述关键指标大于所述关键指标预测数据的历史决策数据，构成优化后的决策数据集。
7.根据权利要求1-6中任一项所述的方法，其特征在于，所述利用所述优化后的决策数据集对神经网络模型进行训练，得到所述磨煤机的控制优化模型之前，还包括：
利用神经网络模型构造控制策略模型，所述控制策略模型用于根据输入的磨煤机运行状态特征，输出推荐动作特征的条件概率分布。
8.根据权利要求7所述的方法，其特征在于，所述利用所述优化后的决策数据集对神经网络模型进行训练，得到所述磨煤机的控制优化模型，包括：
利用所述优化后的决策数据集，使用最大似然法，对所述控制策略模型进行训练，得到所述控制优化模型。
9.一种磨煤机控制优化方法，其特征在于，包括：
采集磨煤机的实时状态特征；
根据所述实时状态特征，通过训练好的所述磨煤机的控制优化模型，确定所述磨煤机的优化动作特征；
根据所述优化动作特征，优化所述磨煤机的运行动作；
其中，所述控制优化模型是通过如权利要求1所述的方法训练得到的。
10.一种磨煤机的控制优化模型训练的装置，其特征在于，包括：
数据处理模块，用于根据磨煤机的历史运行数据，生成所述磨煤机的历史决策数据集，所述历史决策数据集包括多条历史决策数据；
第一模型训练模块，用于利用所述历史决策数据集对回归模型进行训练，得到预测模型，所述预测模型用于输出所述历史决策数据对应的关键指标预测数据；
数据筛选模块，用于：根据所述预测模型对所述历史决策数据集进行筛选，得到优化后的决策数据集；
第二模型训练模块，用于利用所述优化后的决策数据集对神经网络模型进行训练，得到所述磨煤机的控制优化模型，所述控制优化模型用于根据所述磨煤机的实时运行状态特征，输出所述磨煤机的优化动作特征，所述优化动作特征用于对所述磨煤机的动作进行实时优化。
11.一种磨煤机的控制优化模型训练的设备，其特征在于，包括：
处理器，存储器，以及存储在所述存储器上并可在所述处理器上运行的计算机程序；
其中，所述处理器运行所述计算机程序时实现如权利要求1至9中任一项所述的方法。
12.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质中存储有计算机程序，所述计算机程序被处理器执行时实现如权利要求1至9中任一项所述的方法。
CN202011002968.XA 2020-09-22 2020-09-22 磨煤机的控制优化及模型训练的方法、装置、设备和介质 Active CN112130538B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011002968.XA CN112130538B (zh) 2020-09-22 2020-09-22 磨煤机的控制优化及模型训练的方法、装置、设备和介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011002968.XA CN112130538B (zh) 2020-09-22 2020-09-22 磨煤机的控制优化及模型训练的方法、装置、设备和介质

Publications (2)

Publication Number Publication Date
CN112130538A CN112130538A (zh) 2020-12-25
CN112130538B true CN112130538B (zh) 2022-02-01

Family

ID=73842367

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011002968.XA Active CN112130538B (zh) 2020-09-22 2020-09-22 磨煤机的控制优化及模型训练的方法、装置、设备和介质

Country Status (1)

Country Link
CN (1) CN112130538B (zh)

Families Citing this family (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112691784B (zh) * 2020-12-29 2022-07-26 锡林郭勒热电有限责任公司 磨煤机转速控制方法、装置及电子设备
CN113759709A (zh) * 2021-06-02 2021-12-07 京东城市(北京)数字科技有限公司 策略模型的训练方法、装置、电子设备和存储介质
CN113843039B (zh) * 2021-07-21 2023-04-07 国能信控互联技术有限公司 一种基于人工智能的磨煤机开关机智能运行优化方法
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

Family Cites Families (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101358869B (zh) * 2008-03-17 2011-01-12 西安艾贝尔科技发展有限公司 钢球磨煤机料位测量装置及中间储仓式钢球磨煤机制粉过程控制方法
CN110888401B (zh) * 2018-09-11 2022-09-06 京东科技控股股份有限公司 火力发电机组燃烧控制优化方法、装置及可读存储介质
CN109977583B (zh) * 2019-04-03 2023-05-02 东南大学 一种结合验证模型的磨煤机仿真模型动态参数整定方法
CN110400018B (zh) * 2019-07-29 2023-06-27 上海电力大学 用于燃煤火力电厂制粉系统的运行控制方法、系统和装置
CN110673478B (zh) * 2019-09-29 2020-09-29 京东城市(北京)数字科技有限公司 磨煤机的控制方法、装置、系统及存储介质
CN111612210A (zh) * 2020-04-10 2020-09-01 杭州电子科技大学 一种磨煤机煤粉细度的在线优化方法

Also Published As

Publication number Publication date
CN112130538A (zh) 2020-12-25

Similar Documents

Publication Publication Date Title
CN112130538B (zh) 磨煤机的控制优化及模型训练的方法、装置、设备和介质
Zhang et al. Short-time multi-energy load forecasting method based on CNN-Seq2Seq model with attention mechanism
CN107203687B (zh) 吸收塔脱硫过程多目标协同智能优化控制方法
Cai et al. A more scientific allocation scheme of carbon dioxide emissions allowances: The case from China
Musbah et al. Energy management using multi-criteria decision making and machine learning classification algorithms for intelligent system
CN101893877A (zh) 一种发电厂基于能耗分析的优化运行方法及其系统
Mahbub et al. Incorporating domain knowledge into the optimization of energy systems
Guo et al. A data-driven pattern extraction method for analyzing bidding behaviors in power markets
Tan et al. A multi-task learning method for multi-energy load forecasting based on synthesis correlation analysis and load participation factor
CN111525569A (zh) 一种区域综合能源系统优化调度方法、系统及设备
Perekrest et al. Principles of designing and functioning of the expert system of assessing the efficiency of introducing energy conservation measures
Guan et al. Customer load forecasting method based on the industry electricity consumption behavior portrait
CN113887809A (zh) 双碳目标下配电网供需平衡方法、系统、介质及计算设备
Zhou et al. Coal consumption prediction in thermal power units: A feature construction and selection method
Liu et al. Evaluation on regional science and technology resources allocation in China based on the zero sum gains data envelopment analysis
CN112633762A (zh) 楼宇能效获取方法及设备
CN117611190A (zh) 一种区域电力系统碳排放测算方法、装置及介质
Yang Multi‐objective optimization of integrated gas–electricity energy system based on improved multi‐object cuckoo algorithm
Luo Construction of artificial neural network economic forecasting model based on the consideration of state transition diagram
CN112668751B (zh) 一种机组优化调度模型的建立方法及装置
CN113177366B (zh) 一种综合能源系统规划方法、装置和终端设备
CN115130923A (zh) 一种交流微电网智能能量管理方法及系统
Chen et al. Application of deep learning modelling of the optimal operation conditions of auxiliary equipment of combined cycle gas turbine power station
CN115527078A (zh) 数据预测方法、装置、设备以及模型训练方法
CN117674141B (zh) 一种虚拟电厂集群双层低碳经济调度方法和装置

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