CN112530526A - 飞灰含碳量预测方法、装置和电子设备 - Google Patents

飞灰含碳量预测方法、装置和电子设备 Download PDF

Info

Publication number
CN112530526A
CN112530526A CN202011428780.1A CN202011428780A CN112530526A CN 112530526 A CN112530526 A CN 112530526A CN 202011428780 A CN202011428780 A CN 202011428780A CN 112530526 A CN112530526 A CN 112530526A
Authority
CN
China
Prior art keywords
fly ash
carbon content
sample
vector machine
support vector
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
CN202011428780.1A
Other languages
English (en)
Other versions
CN112530526B (zh
Inventor
陈强峰
吕安斌
虞仕杰
陈章伟
蒋赢凯
陈言
张斌
孙银银
齐永
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.)
Shanghai Changgeng Information Technology Co ltd
Original Assignee
Shanghai Changgeng Information Technology Co ltd
Zhejiang Zheneng Beilun Power Generation 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 Shanghai Changgeng Information Technology Co ltd, Zhejiang Zheneng Beilun Power Generation Co ltd filed Critical Shanghai Changgeng Information Technology Co ltd
Priority to CN202011428780.1A priority Critical patent/CN112530526B/zh
Publication of CN112530526A publication Critical patent/CN112530526A/zh
Application granted granted Critical
Publication of CN112530526B publication Critical patent/CN112530526B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16C—COMPUTATIONAL CHEMISTRY; CHEMOINFORMATICS; COMPUTATIONAL MATERIALS SCIENCE
    • G16C20/00—Chemoinformatics, i.e. ICT specially adapted for the handling of physicochemical or structural data of chemical particles, elements, compounds or mixtures
    • G16C20/20—Identification of molecular entities, parts thereof or of chemical compositions
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
    • G06F18/2135—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods based on approximation criteria, e.g. principal component analysis
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16C—COMPUTATIONAL CHEMISTRY; CHEMOINFORMATICS; COMPUTATIONAL MATERIALS SCIENCE
    • G16C20/00—Chemoinformatics, i.e. ICT specially adapted for the handling of physicochemical or structural data of chemical particles, elements, compounds or mixtures
    • G16C20/70—Machine learning, data mining or chemometrics

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Physics & Mathematics (AREA)
  • Evolutionary Biology (AREA)
  • Crystallography & Structural Chemistry (AREA)
  • General Physics & Mathematics (AREA)
  • Chemical & Material Sciences (AREA)
  • General Engineering & Computer Science (AREA)
  • Computing Systems (AREA)
  • Databases & Information Systems (AREA)
  • Medical Informatics (AREA)
  • Software Systems (AREA)
  • General Health & Medical Sciences (AREA)
  • Spectroscopy & Molecular Physics (AREA)
  • Health & Medical Sciences (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明实施例公开了飞灰含碳量预测方法、装置和电子设备，该方法包括：根据测点表获取飞灰含碳量及影响飞灰含碳量的辅助变量的历史数据，并对历史数据进行数据清洗和归一化处理；对进行数据清洗和归一化处理后的历史数据进行降维，并分割降维后的数据生成训练样本和测试样本；根据训练样本、预设的核函数和预设的支持向量机的超参数得到支持向量机回归模型；根据进行数据清洗和归一化处理的历史数据生成记忆矩阵，根据记忆矩阵生成非线性状态估计模型；获取分散控制系统的辅助变量测量值，将分散控制系统的辅助变量测量值依次通过支持向量机预测模型和非线性状态估计模型得到飞灰含碳量预测值。本发明的飞灰含碳量预测准确性高，健壮性强。

Description

飞灰含碳量预测方法、装置和电子设备
技术领域
本发明实施例涉及锅炉技术领域，具体涉及飞灰含碳量预测方法、装置和电子设备。
背景技术
锅炉氧量是燃煤电站锅炉重要的运行调节参数，只有较低的氧量才能保证氮氧化物(NOx)排放达到环保要求，但是同时也导致锅炉飞灰含碳量偏高。飞灰含碳是煤粉燃烧后形成的飞灰(即粉尘)里面未燃烧的碳，飞灰含碳量越高，锅炉效率越低。为了保证NOx排放达标，应适当提高氧量以降低飞灰含碳量。
飞灰含碳量的在线测量仪表不但价格昂贵，而且往往在运行一段时间后就失效了，通过离线化验手段测量飞灰含碳量，但一天只做两到三次。飞灰含碳量的测量现状远远不能满足锅炉调节和优化的需要，通过软测量技术在线预测飞灰含碳量一直是热工参数软测量领域的研究热点。电厂一般每四年一次大修，大修前后设备性能变化很大，通常最多取两年内的飞灰含碳量数据建模，样本数量很少。
目前，主要使用各种机器学习模型预测飞灰含碳量。
普通多元线性回归模型的经典解法是简单最小二乘法，目标函数中只有损失函数项——均方误差(mean squared error，MSE)，没有正则化项。模型的解是一组不依赖于样本的参数(截距和斜率)，做新估计时只需要输入辅助变量的值，不再需要训练样本，具有这一性质的模型称为参数模型。参数模型所指的参数并非是模型参数，而是在假定了样本服从某一总体分布的前提下该分布的参数。参数模型的健壮性强，但样本数量往往不足以判断服从那种分布，因而预测精度不高。非参数模型不需要假设总体分布，目的是克服普通多元线性回归模型要求的同方差性质，因此预测精度高但健壮性差。
通过神经网络预测飞灰含碳量属于“黑箱”模型，难以解释模型的意义，训练需要大量的样本，但是飞灰含碳量的样本数量很少，因此预测精度不高。
如何提供一种高准确率、强健壮性地预测飞灰含碳量的方式，是亟待解决的问题。
发明内容
本发明实施例的目的在于提供飞灰含碳量预测方法、装置和电子设备，用以解决现有飞灰含碳量预测精度低、健壮性差的问题。
为实现上述目的，本发明实施例主要提供如下技术方案：
第一方面，本发明实施例提供了一种飞灰含碳量预测方法，包括：
根据测点表获取飞灰含碳量及影响飞灰含碳量的辅助变量的历史数据，并对所述历史数据进行数据清洗和归一化处理；
对进行数据清洗和归一化处理后的历史数据进行降维，并分割降维后的数据生成训练样本和测试样本；
根据所述训练样本、预设的核函数和预设的支持向量机的超参数进行支持向量机建模，得到支持向量机回归模型；
根据所述进行数据清洗和归一化处理的历史数据生成记忆矩阵，根据所述记忆矩阵生成非线性状态估计模型；
获取分散控制系统的辅助变量测量值，将所述分散控制系统的辅助变量测量值依次通过所述支持向量机预测模型和所述非线性状态估计模型得到飞灰含碳量预测值。
根据本发明的一个实施例，对进行数据清洗和归一化处理后的历史数据进行降维，包括：
对进行数据清洗和归一化处理后的历史数据依次通过主元分析和灰色关联度分析进行降维。
根据本发明的一个实施例，根据所述训练样本、预设的核函数和预设的支持向量机的超参数进行支持向量机建模，得到支持向量机预测模型，包括：
设支持向量机的训练集
Figure BDA0002825851170000031
其中，
Figure BDA0002825851170000032
是欧几里得线性空间，n为训练样本的数量，P为辅助变量的数量；
对任意样本i，飞灰含碳量实测值用yi表示，每个辅助变量的值依次用xi1，...，xip表示，全部辅助变量构成p维列向量
Figure BDA0002825851170000033
其中τ表示向量的转置；
把辅助变量向量
Figure BDA0002825851170000034
由所在的线性空间
Figure BDA0002825851170000035
投射到一个高维空间
Figure BDA0002825851170000036
的向量
Figure BDA0002825851170000037
D＞p；每个
Figure BDA0002825851170000038
映射为向量
Figure BDA0002825851170000039
在高维空间y用z线性表出：
Figure BDA00028258511700000310
其中，
Figure BDA00028258511700000311
为权值向量，是与
Figure BDA00028258511700000312
同维的列向量；b表示阈值的标量；<，>表示内积运算，
Figure BDA00028258511700000313
提供所述预设的核函数：k(xi，xj)＝Φ(xi)τΦ(xj)，记为kij，k(xi，xj)采用高斯核函数：
Figure BDA00028258511700000314
其中，σ是支持向量机回归模型的一个超参数，||xi-xj||是两个样本间的欧几里得空间距离；
支持向量机回归(Support Vector regression，SVR)的目标函数为：
Figure BDA00028258511700000315
其中，
Figure BDA00028258511700000316
是p维列向量，
Figure BDA00028258511700000317
和
Figure BDA00028258511700000318
为非负的松弛变量，
Figure BDA00028258511700000319
表示yi大于
Figure BDA00028258511700000320
表示yi小于
Figure BDA00028258511700000321
根据本发明的一个实施例，根据所述进行数据清洗和归一化处理的历史数据生成记忆矩阵，根据所述记忆矩阵生成非线性状态估计模型，包括：
根据所述进行数据清洗和归一化处理的历史数据生成飞灰含碳量在内m个相互关联的变量的构成的状态分量，把某一历史时刻j观测到的这m个状态分量称为样本m：
Figure BDA0002825851170000041
其中，xi(j)是标量，i＝1，2...，p，
Figure BDA0002825851170000042
是列向量；
根据历史样本
Figure BDA0002825851170000043
得到记忆矩阵D：
Figure BDA0002825851170000044
其中，记忆矩阵D是由n个历史样本组成的行向量，每一个元素X(j)是m维列向量；
新样本记作
Figure BDA0002825851170000045
通过记忆矩阵D构造新样本的估计值
Figure BDA0002825851170000046
Figure BDA0002825851170000047
对每一个样本，通过最小化残差
Figure BDA0002825851170000048
来求最佳权值权值
Figure BDA0002825851170000049
Figure BDA00028258511700000410
将点乘Dτ·D和
Figure BDA00028258511700000411
都改成欧式距离，权值向量
Figure BDA00028258511700000412
的计算公式变成：
Figure BDA00028258511700000413
估计向量
Figure BDA00028258511700000414
Figure BDA00028258511700000415
第二方面，本发明实施例还提供一种飞灰含碳量预测装置，包括：
获取模块，用于根据测点表获取飞灰含碳量及影响飞灰含碳量的辅助变量的历史数据，并获取分散控制系统的辅助变量测量值；
数据预处理模块，用于对所述历史数据进行数据清洗和归一化处理；
降维模块，用于对进行数据清洗和归一化处理的历史数据进行降维；
样本生成模块，用于分割降维后的数据生成训练样本和测试样本；
模型训练模块，用于根据所述训练样本、预设的核函数和预设的支持向量机的超参数进行支持向量机建模，得到支持向量机回归模型；所述模型训练模块还用于根据所述进行数据清洗和归一化处理的历史数据生成记忆矩阵，根据所述记忆矩阵生成非线性状态估计模型；
预测模块，用于将所述分散控制系统的辅助变量测量值依次通过所述支持向量机预测模型和所述非线性状态估计模型得到飞灰含碳量预测值。
根据本发明的一个实施例，所述降维模块用于对进行数据清洗和归一化处理后的历史数据依次通过主元分析和灰色关联度分析进行降维。
根据本发明的一个实施例，所述模型训练模块用于：
设支持向量机的训练集
Figure BDA0002825851170000051
其中，
Figure BDA0002825851170000052
是欧几里得线性空间，n为训练样本的数量，P为辅助变量的数量；
对任意样本i，飞灰含碳量实测值用yi表示，每个辅助变量的值依次用xi1，...，xip表示，全部辅助变量构成p维列向量
Figure BDA0002825851170000053
其中τ表示向量的转置；
把辅助变量向量
Figure BDA0002825851170000054
由所在的线性空间
Figure BDA0002825851170000055
投射到一个高维空间
Figure BDA0002825851170000056
的向量
Figure BDA0002825851170000057
D＞p；每个
Figure BDA0002825851170000058
映射为向量
Figure BDA0002825851170000059
在高维空间y用z线性表出：
Figure BDA00028258511700000510
其中，
Figure BDA00028258511700000511
为权值向量，是与
Figure BDA00028258511700000512
同维的列向量；b表示阈值的标量；<，>表示内积运算，
Figure BDA00028258511700000513
提供所述预设的核函数：k(xi，xj)＝Φ(xi)τΦ(xj)，记为kij，k(xi，xj)采用高斯核函数：
Figure BDA00028258511700000514
其中，σ是支持向量机回归模型的一个超参数，||xi-xj||是两个样本间的欧几里得空间距离；
SVR的目标函数为：
Figure BDA00028258511700000515
其中，
Figure BDA00028258511700000516
是p维列向量，
Figure BDA00028258511700000517
和
Figure BDA00028258511700000518
为非负的松弛变量，
Figure BDA00028258511700000519
表示yi大于
Figure BDA00028258511700000520
表示yi小于
Figure BDA00028258511700000521
根据本发明的一个实施例，所述模型训练模块用于：
根据所述进行数据清洗和归一化处理的历史数据生成飞灰含碳量在内m个相互关联的变量的构成的状态分量，把某一历史时刻j观测到的这m个状态分量称为样本m：
Figure BDA0002825851170000061
其中，xi(j)是标量，i＝1，2...，p，
Figure BDA0002825851170000062
是列向量；
根据历史样本
Figure BDA0002825851170000063
得到记忆矩阵D：
Figure BDA0002825851170000064
其中，记忆矩阵D是由n个历史样本组成的行向量，每一个元素X(j)是m维列向量；
新样本记作
Figure BDA0002825851170000065
通过记忆矩阵D构造新样本的估计值
Figure BDA0002825851170000066
Figure BDA0002825851170000067
对每一个样本，通过最小化残差
Figure BDA0002825851170000068
来求最佳权值权值
Figure BDA0002825851170000069
Figure BDA00028258511700000610
将点乘Dτ·D和
Figure BDA00028258511700000611
都改成欧式距离，权值向量
Figure BDA00028258511700000612
的计算公式变成：
Figure BDA00028258511700000613
估计向量
Figure BDA00028258511700000614
Figure BDA00028258511700000615
第三方面，本发明实施例还提供一种电子设备，包括：至少一个处理器和至少一个存储器；所述存储器用于存储一个或多个程序指令；所述处理器，用于运行一个或多个程序指令，用以执行如第一方面所述的飞灰含碳量预测方法。
第四方面，本发明实施例还提供一种计算机可读存储介质，包含一个或多个程序指令，所述一个或多个程序指令用于被执行如第一方面所述的飞灰含碳量预测方法。
本发明实施例提供的技术方案至少具有如下优点：
本发明实施例提供的飞灰含碳量预测方法、装置和电子设备，使用串联的双层模型，先用支持向量机回归模型提供第一次估计值，再用非线性状态估计模型给出第二次估计值，准确性高，健壮性强。
附图说明
图1为本发明实施例的飞灰含碳量预测方法的流程图。
图2为本发明实施例的飞灰含碳量预测装置的结构框图。
具体实施方式
以下由特定的具体实施例说明本发明的实施方式，熟悉此技术的人士可由本说明书所揭露的内容轻易地了解本发明的其他优点及功效。
以下描述中，为了说明而不是为了限定，提出了诸如特定系统结构、接口、技术之类的具体细节，以便透彻理解本发明。然而，本领域的技术人员应当清楚，在没有这些具体细节的其它实施例中也可以实现本发明。在其它情况中，省略对众所周知的系统、电路以及方法的详细说明，以免不必要的细节妨碍本发明的描述。
在本发明的描述中，需要理解的是，术语“第一”和“第二”仅用于描述目的，而不能理解为指示或暗示相对重要性。
在本发明的描述中，需要说明的是，除非另有明确的规定和限定，术语“相连”和“连接”应做广义理解，例如可以是直接相连，也可以通过中间媒介间接相连，可以是两个元件内部的连通。对于本领域的普通技术人员而言，可以具体情况理解上述术语在本发明中的具体含义。
图1为本发明实施例的飞灰含碳量预测方法的流程图。如图1所示，本发明实施例的飞灰含碳量预测方法，包括：
S1：根据测点表获取飞灰含碳量及影响飞灰含碳量的辅助变量的历史数据，并对历史数据进行数据清洗和归一化处理。
具体地，由锅炉设备的类型和分散控制系统(Distributed Control System，DCS)的测点自然确定与飞灰含碳量存在关系的运行参数的最大集合，这些参数构成SVR和NSET算法所需的总测点表。冗余或无关的参数将在以后的降维步骤中被去除，在此不需要考虑是否取了太多了参数。
按测点表收集历史数据后，进行数据清洗并做归一化。
S2：对进行数据清洗和归一化处理后的历史数据进行降维，并分割降维后的数据生成训练样本和测试样本。
具体地，在支持向量机模型中飞灰含碳量是主导变量，其他参数称为辅助变量。在非线性状态估计模型中飞灰含碳量只是一个普通参数，把每个参数称作状态分量。
支持向量机模型需要去掉辅助变量之间存在的线性和多重共线性、甚至是非线性关系。其中非线性关系是在高维空间才呈现出线性或多重共线性关系。主元分析法(Principal Component Analysis，PCA)能够识别并消除线性和多重共线性，非线性关系需要通过使用灰色关联度分析(Grey Relation Analysis，GRA)或是带核函数的主元分析法(Kernel Principal Component Analysis，KPCA)去除。
本实施例采用PCA和GRA组合的方式，先使用PCA再使用GRA，以减轻单独使用GRA的计算量。Python有PCA、KPCA、GRA的工具包，还提供接口供C++、C#、Java等语言调用，不需要从原理开始编程。把降维后的剩余辅助变量和飞灰含碳量的数据作为SVR模型的学习样本，并按机器学习常用的比例分割为训练样本和测试样本。
非线性状态估计模型的算法依赖于状态分量间的相关性，只需要计算出包括飞灰含碳量在内的所有参数的互相关矩阵，按照与飞灰含碳量的相关性排序，删除掉相关性小的状态变量。
S3：根据训练样本、预设的核函数和预设的支持向量机的超参数进行支持向量机建模，得到支持向量机回归模型。
设支持向量机的训练集
Figure BDA0002825851170000081
是欧几里得线性空间，有n个训练样本和p个辅助变量。对任意样本i，飞灰含碳量实测值用yi表示，每个辅助变量的值依次用xi1，...，xip表示，全部辅助变量构成p维列向量
Figure BDA0002825851170000091
其中τ表示向量的转置。
为了能够处理非线性问题，要把辅助变量向量
Figure BDA0002825851170000092
由所在的线性空间
Figure BDA0002825851170000093
投射到一个高维空间
Figure BDA0002825851170000094
的向量
Figure BDA0002825851170000095
D＞p.每个
Figure BDA0002825851170000096
映射为向量
Figure BDA0002825851170000097
在高维空间y可用z线性表出：
Figure BDA0002825851170000098
式中，
Figure BDA0002825851170000099
称作权值向量，是与
Figure BDA00028258511700000910
同维的列向量；b是表示阈值的标量。<，>表示内积运算，
Figure BDA00028258511700000911
支持向量机通过定义核函数，无需知道具体的映射关系
Figure BDA00028258511700000912
规避了在高维空间求向量内积
Figure BDA00028258511700000913
的困难。核函数k(xi，xj)＝Φ(xi)τΦ(xj)，简记为kij。支持向量机的非线性拟合能力来源于核函数，k(xi，xj)一般采用高斯核函数，高斯核函数能将数据映射到高维甚至无穷维。
Figure BDA00028258511700000914
σ是支持向量机回归模型的一个超参数，||xi-xj||是两个样本间的欧几里得空间距离。
核函数这一技巧并非支持向量机所独有，以下说明SVR真正的特点。
SVR的目标函数是：
Figure BDA00028258511700000915
式中，第一项
Figure BDA00028258511700000916
是p维列向量(权值)，
Figure BDA00028258511700000917
是L2正则化项，使得模型具有较好的泛化能力。
第二项是损失函数项，其实是个带惩罚因子C的L1正则化项，使得结果是稀疏的。
SVR的损失函数定义一个正的常数ε＞0，对于每一个点(xi，yi)，yi对应的模型训练结果为
Figure BDA00028258511700000918
任意样本i的损失函数是：
Figure BDA00028258511700000919
这个概念称为ε不敏感带，由此得到标准支持向量回归机——ε-SVR。SVR不强求每个拟合点都落在ε不敏感带以内，只是对超出的给予惩罚，不像MSE那样不放过任何误差，这是SVR泛化能力强的原因。
引入两组非负的松弛变量
Figure BDA0002825851170000101
和
Figure BDA0002825851170000102
其中
Figure BDA0002825851170000103
表示yi大于
Figure BDA0002825851170000104
表示yi小于
Figure BDA0002825851170000105
规定当样本位于ε不敏感带边界上及内部时，松弛变量
Figure BDA0002825851170000106
或
Figure BDA0002825851170000107
等于零。引入松弛变量后，损失函数Lui可改写为约束：
Figure BDA0002825851170000108
SVR的目标函数做相应改写：
Figure BDA0002825851170000109
很明显，公式6中第二项损失函数项等价于一个L1正则化项。
公式6的目标函数和公式5的约束条件合起来是SVR的优化模型，称为原问题。原问题属于有约束的凸二次规划问题，肯定存在唯一的全局最优解。
原问题直接求解困难，利用凸函数对偶理论转换为以下对偶问题和约束求解。
Figure BDA00028258511700001010
Figure BDA00028258511700001011
Figure BDA00028258511700001012
式7中k(xi，xj)是核函数，用来替代推导过程中出现的Φ(xi)τΦ(xj)。
对偶问题和原问题具有同一个全局最优解。
对偶问题的解是每个训练样本的
Figure BDA00028258511700001013
和
Figure BDA00028258511700001014
且
Figure BDA00028258511700001015
和
Figure BDA00028258511700001016
必然有一个为零。解的稀疏性体现在大多数样本的
Figure BDA00028258511700001017
和
Figure BDA00028258511700001018
都等于0，只有少数样本
Figure BDA00028258511700001019
和
Figure BDA00028258511700001020
有一个不为零，称为支持向量。
本实施例使用Python里的LIBSVM包，样本输入和结果输出用Java实现，调用python接口。每次训练支持向量机超参数ε、C、σ取固定值，以测试样本的预测精度来调优超参数。数据归一化后，ε一般取0.001左右；C和σ固定一个时，另一个只在一定范围内改变预测精度，因此可以交叉寻找的方式编程实现超参数调优。
S4：根据进行数据清洗和归一化处理后的历史数据生成记忆矩阵，根据记忆矩阵生成非线性状态估计模型。
具体地，非线性状态估计(NSET)原本是一个估计运行状态的信号处理模型，能够评判估计值和实测值的偏离原因是正常的统计学波动还是真实的扰动。模型学习组成状态的各个分量之间的联系，当新样本
Figure BDA0002825851170000111
进入模型，估计各状态分量的状态，输出
Figure BDA0002825851170000112
在步骤S2中形成了包括飞灰含碳量在内m个相互关联的变量的构成NSET的状态分量。把某一历史时刻j观测到的这m个状态分量称为样本m或者状态m，
Figure BDA0002825851170000113
其中，xi(j)是标量，i＝1，2...，p，
Figure BDA0002825851170000114
是列向量。
历史样本
Figure BDA0002825851170000115
通过算法分成过程记忆矩阵D和剩余矩阵L。算法首先筛选出每个状态分量的最大最小值所在的样本，然后把各个剩下的状态按欧几里得范数排序，采用等间距抽取样本，直到达到给定数目。此给定数目需满足采样定理，建议取n＝4m，筛选出的样本组成记忆矩阵D，剩下的样本组成剩余矩阵L。
Figure BDA0002825851170000116
D是由n个历史样本组成的行向量，每一个元素X(j)是m维列向量，因此D是m×n维矩阵。
Figure BDA0002825851170000117
把新样本(状态)记作
Figure BDA0002825851170000118
NSET通过记忆矩阵D构造新样本的估计值
Figure BDA0002825851170000119
Figure BDA00028258511700001110
每一个样本，通过最小化残差
Figure BDA00028258511700001111
来求最佳权值权值
Figure BDA00028258511700001112
这是一种加权最小二乘法。
Figure BDA00028258511700001113
矩阵形式的解为
Figure BDA0002825851170000121
公式(12)中，Dτ·D反映了过程记忆矩阵中的历史观测向量两两之间的点乘关系，而
Figure BDA0002825851170000122
反映了新的输入观测向量与过程记忆矩阵中历史观测向量两两之间的点乘关系。
截止目前的算法还只是一种线性状态估计，为了处理矩阵运算中的非奇异性，要求(Dτ·D)至少广义可逆。理论的奠基人提出改用一种非线性运算符
Figure BDA0002825851170000123
来代替点积运算，并且指出
Figure BDA0002825851170000124
应当满足以下4项基本性质，由此产生了非线性状态估计模型。
①
Figure BDA0002825851170000125
是非奇异矩阵。
②新样本的某些元素(状态分量)的值，即使超过记忆矩阵D相同元素的最大最小值，
Figure BDA0002825851170000126
仍然是最优估计。
③
Figure BDA0002825851170000127
如果与D中某列相等，则保证
Figure BDA0002825851170000128
④
Figure BDA0002825851170000129
为最小。
欧氏距离满足对
Figure BDA00028258511700001210
运算符的以上四点要求，因此把公式(12)中的点乘Dτ.D和
Figure BDA00028258511700001211
部改成欧式距离，就能实现鲁棒性好的非线性状态估计。
两个n维列向量
Figure BDA00028258511700001212
的欧氏距离是：
Figure BDA00028258511700001213
权值向量
Figure BDA00028258511700001214
的计算公式变成下式：
Figure BDA00028258511700001215
估计向量
Figure BDA00028258511700001216
是：
Figure BDA00028258511700001217
本技术方案使用欧氏距离作为
Figure BDA00028258511700001218
运算符。
欧氏距离反映了两个向量之间的相似性，以此为算子计算的权值向量w度量了新状态与历史状态之间的相似性，因此NSET方法也被称作相似性原理。
Figure BDA00028258511700001219
运算符的作用与一个非线性核函数相同，高斯核是一个很好的
Figure BDA00028258511700001220
运算符，高斯核就是支持向量机建模时所引用的核函数。
NSET模型用于诊断时，能够根据
Figure BDA0002825851170000131
和
Figure BDA0002825851170000132
的残差判断出哪一个状态分量处于非健康状态，需要报警预告故障，这就是一种模型健壮性的表现。当NSET模型用于二次估计飞灰含碳量时，模型继承了健壮性，只要大部分状态分量处于健康状态，二次估计值就具有良好的健壮性。
S5：获取分散控制系统的辅助变量测量值，将分散控制系统的辅助变量测量值依次通过支持向量机预测模型和非线性状态估计模型得到飞灰含碳量预测值，将分散控制系统的目标测量值通过支持向量机预测模型进行预测得到第一次估计值，将第一次估计值作为非线性状态估计模型的输入，由非线性状态估计模型进行预测得到第二次估计值，第二次估计值就是最终的飞灰含碳量预测值。
本发明实施例提供的飞灰含碳量预测方法，使用串联的双层模型，先用支持向量机回归模型提供第一次估计值，再用非线性状态估计模型给出第二次估计值，准确性高，健壮性强。
图2为本发明实施例的飞灰含碳量预测装置的结构框图。如图2所示，本发明实施例的飞灰含碳量预测装置，包括：获取模块100、预处理模块200、降维模块300、模型训练模块400和预测模块500。
其中，获取模块100用于根据测点表获取飞灰含碳量影响飞灰含碳量的辅助变量的历史数据，并获取分散控制系统的辅助变量测量值。数据预处理模块200用于对历史数据进行数据清洗和归一化处理。降维模块300用于对进行数据清洗和归一化处理后的历史数据进行降维。样本生成模块400用于分割降维后的数据生成训练样本和测试样本。模型训练模块500用于根据训练样本、预设的核函数和预设的支持向量机的超参数进行支持向量机建模，得到支持向量机回归模型。模型训练模块500还用于根据进行数据清洗和归一化处理后的历史数据生成记忆矩阵，根据记忆矩阵生成非线性状态估计模型。预测模块600用于将分散控制系统的辅助变量测量值依次通过支持向量机预测模型和非线性状态估计模型得到飞灰含碳量预测值。
在本发明的一个实施例中，降维模块300用于对进行数据清洗和归一化处理的历史数据依次通过主元分析和灰色关联度分析进行降维。
在本发明的一个实施例中，模型训练模块500用于：
设支持向量机的训练集
Figure BDA0002825851170000141
其中，
Figure BDA0002825851170000142
是欧几里得线性空间，n为训练样本的数量，P为辅助变量的数量；
对任意样本i，飞灰含碳量实测值用yi表示，每个辅助变量的值依次用xi1，...，xip表示，全部辅助变量构成p维列向量
Figure BDA0002825851170000143
其中τ表示向量的转置；
把辅助变量向量
Figure BDA0002825851170000144
由所在的线性空间
Figure BDA0002825851170000145
投射到一个高维空间
Figure BDA0002825851170000146
的向量
Figure BDA0002825851170000147
D＞p；每个
Figure BDA0002825851170000148
映射为向量
Figure BDA0002825851170000149
在高维空间y用z线性表出：
Figure BDA00028258511700001410
其中，
Figure BDA00028258511700001411
为权值向量，是与
Figure BDA00028258511700001412
同维的列向量；b表示阈值的标量；<，>表示内积运算，
Figure BDA00028258511700001413
提供预设的核函数：k(xi，xj)＝Φ(xi)τΦ(xj)，记为kij，k(xi，xj)采用高斯核函数：
Figure BDA00028258511700001414
其中，σ是支持向量机回归模型的一个超参数，||xi-xj||是两个样本间的欧几里得空间距离；
SVR的目标函数为：
Figure BDA00028258511700001415
其中，
Figure BDA00028258511700001416
是p维列向量，
Figure BDA00028258511700001417
和
Figure BDA00028258511700001418
为非负的松弛变量，
Figure BDA00028258511700001419
表示yi大于
Figure BDA00028258511700001420
表示yi小于
Figure BDA00028258511700001421
在本发明的一个实施例中，模型训练模块500用于：
根据进行数据清洗和归一化处理后的历史数据生成飞灰含碳量在内m个相互关联的变量的构成的状态分量，把某一历史时刻j观测到的这m个状态分量称为样本m：
Figure BDA0002825851170000151
其中，xi(j)是标量，i＝1，2...，p，
Figure BDA0002825851170000152
是列向量；
根据历史样本
Figure BDA0002825851170000153
得到记忆矩阵D：
Figure BDA0002825851170000154
其中，记忆矩阵D是由n个历史样本组成的行向量，每一个元素X(j)是m维列向量；
新样本记作
Figure BDA0002825851170000155
通过记忆矩阵D构造新样本的估计值
Figure BDA0002825851170000156
Figure BDA0002825851170000157
对每一个样本，通过最小化残差
Figure BDA0002825851170000158
来求最佳权值权值
Figure BDA0002825851170000159
Figure BDA00028258511700001510
将点乘Dτ·D和
Figure BDA00028258511700001511
都改成欧式距离，权值向量
Figure BDA00028258511700001512
的计算公式变成：
Figure BDA00028258511700001513
估计向量
Figure BDA00028258511700001514
Figure BDA00028258511700001515
需要说明的是，本发明实施例的飞灰含碳量预测装置的具体实施方式与本发明实施例的飞灰含碳量预测方法的具体实施方式类似，具体参见强健壮性的飞灰含碳量预测方法部分的描述，为了减少冗余，不做赘述。
另外，本发明实施例的飞灰含碳量预测装置的其它构成以及作用对于本领域的技术人员而言都是已知的，为了减少冗余，不做赘述。
本发明实施例还提供一种电子设备，包括：至少一个处理器和至少一个存储器；所述存储器用于存储一个或多个程序指令；所述处理器，用于运行一个或多个程序指令，用以执行如第一方面所述的飞灰含碳量预测方法。
本发明所公开的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指令，当所述计算机程序指令在计算机上运行时，使得计算机执行上述的飞灰含碳量预测方法。
在本发明实施例中，处理器可以是一种集成电路芯片，具有信号的处理能力。处理器可以是通用处理器、数字信号处理器(Digital Signal Processor，简称DSP)、专用集成电路(Application Specific Integrated Circuit，简称ASIC)、现场可编程门阵列(FieldProgrammable Gate Array，简称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。处理器读取存储介质中的信息，结合其硬件完成上述方法的步骤。
存储介质可以是存储器，例如可以是易失性存储器或非易失性存储器，或可包括易失性和非易失性存储器两者。
其中，非易失性存储器可以是只读存储器(Read-Only Memory，简称ROM)、可编程只读存储器(Programmable ROM，简称PROM)、可擦除可编程只读存储器(Erasable PROM，简称EPROM)、电可擦除可编程只读存储器(Electrically EPROM，简称EEPROM)或闪存。
易失性存储器可以是随机存取存储器(Random Access Memory，简称RAM)，其用作外部高速缓存。通过示例性但不是限制性说明，许多形式的RAM可用，例如静态随机存取存储器(Static RAM，简称SRAM)、动态随机存取存储器(Dynamic RAM，简称DRAM)、同步动态随机存取存储器(Synchronous DRAM，简称SDRAM)、双倍数据速率同步动态随机存取存储器(Double Data RateSDRAM，简称DDRSDRAM)、增强型同步动态随机存取存储器(EnhancedSDRAM，简称ESDRAM)、同步连接动态随机存取存储器(Synch Link DRAM，简称SLDRAM)和直接内存总线随机存取存储器(DirectRambus RAM，简称DRRAM)。
本发明实施例描述的存储介质旨在包括但不限于这些和任意其它适合类型的存储器。
本领域技术人员应该可以意识到，在上述一个或多个示例中，本发明所描述的功能可以用硬件与软件组合来实现。当应用软件时，可以将相应功能存储在计算机可读介质中或者作为计算机可读介质上的一个或多个指令或代码进行传输。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。
以上所述的具体实施方式，对本发明的目的、技术方案和有益效果进行了进一步详细说明，所应理解的是，以上所述仅为本发明的具体实施方式而已，并不用于限定本发明的保护范围，凡在本发明的技术方案的基础之上，所做的任何修改、等同替换、改进等，均应包括在本发明的保护范围之内。

Claims (10)

1.一种飞灰含碳量预测方法，其特征在于，包括：
根据测点表获取飞灰含碳量及影响飞灰含碳量的辅助变量的历史数据，并对所述历史数据进行数据清洗和归一化处理；
对进行数据清洗和归一化处理后的历史数据进行降维，并分割降维后的数据生成训练样本和测试样本；
根据所述训练样本、预设的核函数和预设的支持向量机的超参数进行支持向量机建模，得到支持向量机回归模型；
根据所述进行数据清洗和归一化处理后的历史数据生成记忆矩阵，根据所述记忆矩阵生成非线性状态估计模型；
获取分散控制系统的辅助变量测量值，将所述分散控制系统的辅助变量测量值依次通过所述支持向量机预测模型和所述非线性状态估计模型得到飞灰含碳量预测值。
2.根据权利要求1所述的飞灰含碳量预测方法，其特征在于，对进行数据清洗和归一化处理后的历史数据进行降维，包括：
对进行数据清洗和归一化处理后的历史数据依次通过主元分析和灰色关联度分析进行降维。
3.根据权利要求1所述的飞灰含碳量预测方法，其特征在于，根据所述训练样本、预设的核函数和预设的支持向量机的超参数进行支持向量机建模，得到支持向量机预测模型，包括：
设支持向量机的训练集
Figure FDA0002825851160000011
其中，
Figure FDA0002825851160000012
是欧几里得线性空间，n为训练样本的数量，P为辅助变量的数量；
对任意样本i，飞灰含碳量实测值用yi表示，每个辅助变量的值依次用xi1，...，xip表示，全部辅助变量构成p维列向量
Figure FDA0002825851160000013
其中τ表示向量的转置；
把辅助变量向量
Figure FDA00028258511600000110
由所在的线性空间
Figure FDA0002825851160000014
投射到一个高维空间
Figure FDA0002825851160000015
的向量
Figure FDA0002825851160000016
每个
Figure FDA0002825851160000017
映射为向量
Figure FDA0002825851160000018
在高维空间y用z线性表出：
Figure FDA0002825851160000019
其中，
Figure FDA0002825851160000021
为权值向量，是与
Figure FDA0002825851160000022
同维的列向量；b表示阈值的标量；＜，＞表示内积运算，
Figure FDA0002825851160000023
提供所述预设的核函数：k(xi，xj)＝Φ(xi)τΦ(xj)，记为kij，k(xi，xj)采用高斯核函数：
Figure FDA0002825851160000024
其中，σ是支持向量机回归模型的一个超参数，||xi-xj||是两个样本间的欧几里得空间距离；
支持向量机回归SVR的目标函数为：
Figure FDA0002825851160000025
其中，
Figure FDA0002825851160000026
是p维列向量，
Figure FDA0002825851160000027
Figure FDA0002825851160000028
和
Figure FDA0002825851160000029
为非负的松弛变量，
Figure FDA00028258511600000210
表示yi大于
Figure FDA00028258511600000211
Figure FDA00028258511600000212
表示yi小于
Figure FDA00028258511600000213
4.根据权利要求1所述的飞灰含碳量预测方法，其特征在于，根据所述进行数据清洗和归一化处理后的历史数据生成记忆矩阵，根据所述记忆矩阵生成非线性状态估计模型，包括：
根据所述进行数据清洗和归一化处理后的历史数据生成飞灰含碳量在内m个相互关联的变量的构成的状态分量，把某一历史时刻j观测到的这m个状态分量称为样本m：
Figure FDA00028258511600000214
其中，xi(j)是标量，i＝1，2...，p，
Figure FDA00028258511600000215
是列向量；
根据历史样本
Figure FDA00028258511600000216
得到记忆矩阵D：
Figure FDA00028258511600000217
其中，记忆矩阵D是由n个历史样本组成的行向量，每一个元素X(j)是m维列向量；
新样本记作
Figure FDA00028258511600000218
通过记忆矩阵D构造新样本的估计值
Figure FDA00028258511600000219
Figure FDA00028258511600000220
Figure FDA00028258511600000221
对每一个样本，通过最小化残差
Figure FDA00028258511600000311
来求最佳权值权值
Figure FDA0002825851160000031
Figure FDA0002825851160000032
Figure FDA0002825851160000033
将点乘Dτ·D和
Figure FDA0002825851160000034
都改成欧式距离，权值向量
Figure FDA0002825851160000035
的计算公式变成：
Figure FDA0002825851160000036
估计向量
Figure FDA0002825851160000037
Figure FDA0002825851160000038
5.一种飞灰含碳量预测装置，其特征在于，包括：
获取模块，用于根据测点表获取飞灰含碳量及影响飞灰含碳量的辅助变量的历史数据，并获取分散控制系统的辅助变量测量值；
数据预处理模块，用于对所述历史数据进行数据清洗和归一化处理；
降维模块，用于对进行数据清洗和归一化处理后的历史数据进行降维；
样本生成模块，用于分割降维后的数据生成训练样本和测试样本；
模型训练模块，用于根据所述训练样本、预设的核函数和预设的支持向量机的超参数进行支持向量机建模，得到支持向量机回归模型；所述模型训练模块还用于根据所述进行数据清洗和归一化处理后的历史数据生成记忆矩阵，根据所述记忆矩阵生成非线性状态估计模型；
预测模块，用于将所述分散控制系统的辅助变量测量值依次通过所述支持向量机预测模型和所述非线性状态估计模型得到飞灰含碳量预测值。
6.根据权利要求5所述的飞灰含碳量预测方法，其特征在于，所述降维模块用于对进行数据清洗和归一化处理后的历史数据依次通过主元分析和灰色关联度分析进行降维。
7.根据权利要求5所述的飞灰含碳量预测方法，其特征在于，所述模型训练模块用于：
设支持向量机的训练集
Figure FDA0002825851160000039
其中，
Figure FDA00028258511600000310
是欧几里得线性空间，n为训练样本的数量，P为辅助变量的数量；
对任意样本i，飞灰含碳量实测值用yi表示，每个辅助变量的值依次用xi1，...，xip表示，全部辅助变量构成p维列向量
Figure FDA0002825851160000041
其中τ表示向量的转置；
把辅助变量向量
Figure FDA00028258511600000424
由所在的线性空间
Figure FDA0002825851160000042
投射到一个高维空间
Figure FDA0002825851160000043
的向量
Figure FDA0002825851160000044
每个
Figure FDA0002825851160000045
映射为向量
Figure FDA0002825851160000046
在高维空间y用z线性表出：
Figure FDA0002825851160000047
其中，
Figure FDA0002825851160000048
为权值向量，是与
Figure FDA00028258511600000425
同维的列向量；b表示阈值的标量；＜，＞表示内积运算，
Figure FDA0002825851160000049
提供所述预设的核函数：k(xi，xj)＝Φ(xi)τΦ(xj)，记为kij，k(xi，xj)采用高斯核函数：
Figure FDA00028258511600000410
其中，σ是支持向量机回归模型的一个超参数，||xi-xj||是两个样本间的欧几里得空间距离；
SVR的目标函数为：
Figure FDA00028258511600000411
其中，
Figure FDA00028258511600000412
是p维列向量，
Figure FDA00028258511600000413
Figure FDA00028258511600000414
和
Figure FDA00028258511600000415
为非负的松弛变量，
Figure FDA00028258511600000416
表示yi大于
Figure FDA00028258511600000417
Figure FDA00028258511600000418
表示yi小于
Figure FDA00028258511600000419
8.根据权利要求5所述的飞灰含碳量预测方法，其特征在于，所述模型训练模块用于：
根据所述进行数据清洗和归一化处理后的历史数据生成飞灰含碳量在内m个相互关联的变量的构成的状态分量，把某一历史时刻j观测到的这m个状态分量称为样本m：
Figure FDA00028258511600000420
其中，xi(j)是标量，i＝1，2...，p，
Figure FDA00028258511600000421
是列向量；
根据历史样本
Figure FDA00028258511600000422
得到记忆矩阵D：
Figure FDA00028258511600000423
其中，记忆矩阵D是由n个历史样本组成的行向量，每一个元素X(j)是m维列向量；
新样本记作
Figure FDA0002825851160000051
通过记忆矩阵D构造新样本的估计值
Figure FDA0002825851160000052
Figure FDA0002825851160000053
Figure FDA0002825851160000054
对每一个样本，通过最小化残差
Figure FDA00028258511600000513
来求最佳权值权值
Figure FDA0002825851160000055
Figure FDA0002825851160000056
Figure FDA0002825851160000057
将点乘Dτ·D和
Figure FDA0002825851160000058
都改成欧式距离，权值向量
Figure FDA0002825851160000059
的计算公式变成：
Figure FDA00028258511600000510
估计向量
Figure FDA00028258511600000511
Figure FDA00028258511600000512
9.一种电子设备，其特征在于，所述电子设备包括：至少一个处理器和至少一个存储器；
所述存储器用于存储一个或多个程序指令；
所述处理器，用于运行一个或多个程序指令，用以执行如权利要求1-4任一项所述的飞灰含碳量预测方法。
10.一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包含一个或多个程序指令，所述一个或多个程序指令用于执行如权利要求1-4任一项所述的飞灰含碳量预测方法。
CN202011428780.1A 2020-12-09 2020-12-09 飞灰含碳量预测方法、装置和电子设备 Active CN112530526B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011428780.1A CN112530526B (zh) 2020-12-09 2020-12-09 飞灰含碳量预测方法、装置和电子设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011428780.1A CN112530526B (zh) 2020-12-09 2020-12-09 飞灰含碳量预测方法、装置和电子设备

Publications (2)

Publication Number Publication Date
CN112530526A true CN112530526A (zh) 2021-03-19
CN112530526B CN112530526B (zh) 2024-02-02

Family

ID=74996931

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011428780.1A Active CN112530526B (zh) 2020-12-09 2020-12-09 飞灰含碳量预测方法、装置和电子设备

Country Status (1)

Country Link
CN (1) CN112530526B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114017136A (zh) * 2021-11-02 2022-02-08 浙江大唐国际绍兴江滨热电有限责任公司 一种联合循环发电机组的软光字牌报警方法及系统

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20050261837A1 (en) * 2004-05-03 2005-11-24 Smartsignal Corporation Kernel-based system and method for estimation-based equipment condition monitoring
CN110162746A (zh) * 2018-03-12 2019-08-23 华北电力大学（保定） 一种多参数融合相似度的健康预警及故障诊断方法
CN110689203A (zh) * 2019-09-30 2020-01-14 国网山东省电力公司电力科学研究院 基于自编码器的火电厂一次风机故障预警方法

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20050261837A1 (en) * 2004-05-03 2005-11-24 Smartsignal Corporation Kernel-based system and method for estimation-based equipment condition monitoring
CN110162746A (zh) * 2018-03-12 2019-08-23 华北电力大学（保定） 一种多参数融合相似度的健康预警及故障诊断方法
CN110689203A (zh) * 2019-09-30 2020-01-14 国网山东省电力公司电力科学研究院 基于自编码器的火电厂一次风机故障预警方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
周国雄;李琳;沈学杰;: "基于SVM和灰色预测的飞灰含碳量集成预测", 系统仿真学报, no. 04 *
贺瑶;方彦军;: "基于PSO-SVR的飞灰含碳量软测量研究", 自动化与仪表, no. 04 *

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114017136A (zh) * 2021-11-02 2022-02-08 浙江大唐国际绍兴江滨热电有限责任公司 一种联合循环发电机组的软光字牌报警方法及系统

Also Published As

Publication number Publication date
CN112530526B (zh) 2024-02-02

Similar Documents

Publication Publication Date Title
Yin et al. A nonlinear process monitoring approach with locally weighted learning of available data
CN111814956B (zh) 一种基于多维度二次特征提取的多任务学习的空气质量预测方法
CN111144644B (zh) 基于变分异方差高斯过程回归的短期风速预测方法
CN109947076B (zh) 一种基于贝叶斯信息准则的工业过程故障诊断方法
Dong et al. Quality monitoring and root cause diagnosis for industrial processes based on Lasso-SAE-CCA
Lu et al. GAN-LSTM predictor for failure prognostics of rolling element bearings
CN112530526A (zh) 飞灰含碳量预测方法、装置和电子设备
Liu et al. Long–short-term memory encoder–decoder with regularized hidden dynamics for fault detection in industrial processes
Yuan et al. Multiscale dynamic feature learning for quality prediction based on hierarchical sequential generative network
Xie et al. Anomaly detection for multivariate times series through the multi-scale convolutional recurrent variational autoencoder
CN110738363A (zh) 一种光伏发电功率预测模型及其构建方法和应用
Keddouda et al. Photovoltaic module temperature prediction using various machine learning algorithms: Performance evaluation
Xibilia et al. Input variables selection criteria for data-driven Soft Sensors design
Humberstone et al. Differentiating between expanded and fault conditions using principal component analysis
CN114896895A (zh) 基于门控循环神经网络的脱硝系统入口氮氧化物排放预测方法及系统
Netisopakul et al. AI-Enhanced Predictive Maintenance in Manufacturing Processes
CN115217152A (zh) 一种沉管隧道管节接头张合变形的预测方法及装置
Wang et al. Novel SiameseAE network for industrial process slow feature extraction and soft sensing applications
CN114548701A (zh) 面向全量测点耦合结构分析与估计的过程预警方法及系统
Utkin et al. A fuzzy software reliability model with multiple-error introduction and removal
Sohaidan et al. Remaining useful life prediction of turbofan engine using long-short term memory
He et al. Improved Bi-LSTM with distributed nonlinear extensions and parallel inputs for soft sensing
Ren et al. Incremental Bayesian tensor learning for structural monitoring data imputation and response forecasting
Han et al. Online aware synapse weighted autoencoder for recovering random missing data in wastewater treatment process
Wang et al. Effective Latent Representation for Prediction of Remaining Useful Life.

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
TA01 Transfer of patent application right
TA01 Transfer of patent application right

Effective date of registration: 20231024

Address after: 201209 Room 201, building 7, Baolong Plaza Phase II, Lane 2449, Jinhai Road, Pudong New Area, Shanghai

Applicant after: SHANGHAI CHANGGENG INFORMATION TECHNOLOGY CO.,LTD.

Address before: Room 1601, North building, ad mansion, Xihu District, Hangzhou, Zhejiang 310007

Applicant before: ZHEJIANG ZHENENG BEILUN POWER GENERATION Co.,Ltd.

Applicant before: SHANGHAI CHANGGENG INFORMATION TECHNOLOGY CO.,LTD.

GR01 Patent grant
GR01 Patent grant