发明内容
为了解决现有技术中存在的缺点和不足,本发明提出了一种基于燃烧时序模型的瓦斯热值预估方法,包括:
基于预设采样周期获取加热炉的历史运行数据和历史瓦斯热值;
根据历史运行数据和历史瓦斯热值训练加热炉的燃烧时序模型;
获取加热炉在预设时段内的实时运行数据,将实时运行数据输入燃烧时序模型,对燃烧时序模型输出的时序结果进行迭加计算;
基于预设权重对迭加结果进行周期性校正,将周期性校正后的输出结果作为瓦斯热值的预估值。
可选的,所述历史运行数据包括瓦斯投入量、炉膛温度、氧含量以及加热炉的设备参数。
可选的,所述根据历史运行数据和历史瓦斯热值训练加热炉的燃烧时序模型,包括:
获取在时序j下采集到的历史运行数据和历史瓦斯热值,基于公式一对时序j下的燃烧时序模型
进行训练;
其中,ym(k)为时序k下的燃烧时序模型的输出结果,u(k-j)为时序k-j下采集到的历史运行数据;ym(k)、u(k-j)的取值范围为正数,j的取值范围为正整数;
当y
m(k)与时序k下采集到的历史瓦斯热值之间的差值小于预设阈值时,将
作为训练后的燃烧时序模型。
可选的,所述获取加热炉在预设时段内的实时运行数据,将实时运行数据输入燃烧时序模型,对燃烧时序模型输出的时序结果进行迭加计算,包括:
获取加热炉在k+i-N时刻至k+i时刻之间的实时运行数据,将获取的实时运行数据输入对应的燃烧时序模型;
基于公式二将燃烧时序模型输出的时序结果迭加;
其中,y
m(k+i)为时刻k+i时预估的瓦斯热值,u(k+i-j)为时刻k+i-j时的实时运行数据,j为时序序号,N为时序的总数,
为与k+i-j时刻的实时运行数据对应的燃烧时序模型;u(k+i-j)、y
m(k+i)的取值范围为正数,k、j、N的取值范围为正整数。
可选的,所述基于预设权重对迭加结果进行周期性校正,将周期性校正后的输出结果作为瓦斯热值的预估值,包括:
基于预设校正周期获取实际瓦斯热值,计算实际瓦斯热值与迭加结果的差值;
若计算得到的差值大于预设误差,则根据预设权重对实际瓦斯热值和迭加结果进行加权求和,将加权求和的结果作为瓦斯预估热值。
本发明还基于同样的思路提出了一种基于燃烧时序模型的瓦斯热值预估装置,包括:
采样单元:基于预设采样周期获取加热炉的历史运行数据和历史瓦斯热值;
建模单元:根据历史运行数据和历史瓦斯热值训练加热炉的燃烧时序模型;
预估单元:获取加热炉在预设时段内的实时运行数据,将实时运行数据输入燃烧时序模型,对燃烧时序模型输出的时序结果进行迭加计算;
校正单元:基于预设权重对迭加结果进行周期性校正,将周期性校正后的输出结果作为瓦斯热值的预估值。
可选的,所述采样单元获取的历史运行数据包括瓦斯投入量、炉膛温度、氧含量以及加热炉的设备参数。
可选的,所述建模单元具体用于:
获取在时序j下采集到的历史运行数据和历史瓦斯热值,基于公式一对时序j下的燃烧时序模型
进行训练;
其中,ym(k)为时序k下的燃烧时序模型的输出结果,u(k-j)为时序k-j下采集到的历史运行数据;ym(k)、u(k-j)的取值范围为正数,j的取值范围为正整数;
当y
m(k)与时序k下采集到的历史瓦斯热值之间的差值小于预设阈值时,将
作为训练后的燃烧时序模型。
可选的,所述预估单元具体用于:
获取加热炉在k+i-N时刻至k+i时刻之间的实时运行数据,将获取的实时运行数据输入对应的燃烧时序模型;
基于公式二将燃烧时序模型输出的时序结果迭加;
其中,y
m(k+i)为时刻k+i时预估的瓦斯热值,u(k+i-j)为时刻k+i-j时的实时运行数据,j为时序序号,N为时序的总数,
为与k+i-j时刻的实时运行数据对应的燃烧时序模型;u(k+i-j)、y
m(k+i)的取值范围为正数,k、j、N的取值范围为正整数。
可选的,所述校正单元具体用于:
基于预设校正周期获取实际瓦斯热值,计算实际瓦斯热值与迭加结果的差值;
若计算得到的差值大于预设误差,则根据预设权重对实际瓦斯热值和迭加结果进行加权求和,将加权求和的结果作为瓦斯预估热值。
本发明提供的技术方案带来的有益效果是:
利用运行数据在时序上对瓦斯热值的影响,分别对每个时序单独构建线性的燃烧时序模型,再根据线性迭加原理将加热炉运行数据与瓦斯热值的非线性关系分解为若干个线性关系,实现瓦斯热值的预估,克服了依靠热值分析仪监测瓦斯热值的限制,无需对工厂系统设备进行改造,能够更广泛的应用于不同的加热炉系统。
具体实施方式
为使本发明的结构和优点更加清楚,下面将结合附图对本发明的结构作进一步地描述。
实施例一
如图1所示,本发明提出了一种基于燃烧时序模型的瓦斯热值预估方法,包括:
S1:基于预设采样周期获取加热炉的历史运行数据和历史瓦斯热值。
所述历史运行数据包括瓦斯投入量、炉膛温度、氧含量以及加热炉的设备参数。在本实施例中,基于预设采样周期获取上述历史运行数据和相应的历史瓦斯热值,再对获取到的数据进行标准化处理,所述标准化处理的方法包括min-max、z-zone等标准化算法,最后将标准化处理后的数据基于时间序列排序,存储到系统数据库中。
S2:根据历史运行数据和历史瓦斯热值训练加热炉的燃烧时序模型。
获取在时序j下采集到的历史运行数据和历史瓦斯热值,基于公式一对时序j下的燃烧时序模型
进行训练;
其中,ym(k)为时序k下的燃烧时序模型的输出结果,u(k-j)为时序k-j下采集到的历史运行数据;ym(k)、u(k-j)的取值范围为正数,j的取值范围为正整数;
当y
m(k)与时序k下采集到的历史瓦斯热值之间的差值小于预设阈值时,将
作为训练后的燃烧时序模型。
加热炉在实际应用场景下的热值是不稳定的,燃烧过程呈非线性,增加了热值预估的难度。本实施例提出的瓦斯热值预估方法将非线性的燃烧过程拆解成若干个线性的时序序列,对每个时序下的燃烧过程单独建立并训练燃烧时序模型。其中,u(k-j)为时序k-j下的历史运行数据,通过公式一中的
表征得到过去时刻k-j时发生的运行情况对当前时刻k时的瓦斯热值造成的影响。
S3:获取加热炉在预设时段内的实时运行数据,将实时运行数据输入燃烧时序模型,对燃烧时序模型输出的时序结果进行迭加计算。
获取加热炉在k+i-N时刻至k+i时刻之间的实时运行数据,将获取的实时运行数据输入对应的燃烧时序模型;
基于公式二将燃烧时序模型输出的时序结果迭加;
其中,y
m(k+i)为时刻k+i时预估的瓦斯热值,u(k+i-j)为时刻k+i-j时的实时运行数据,j为时序序号,N为时序的总数,
为与k+i-j时刻的实时运行数据对应的燃烧时序模型;u(k+i-j)、y
m(k+i)的取值范围为正数,k、j、N的取值范围为正整数。
通过公式二可以预估当前时刻k之后的第i个时刻的瓦斯热值,实现在线预估。基于时序关系将加热炉非线性的燃烧过程分解若干个线性的响应过程,简化了瓦斯投入量、炉膛温度、氧含量、加热炉的设备参数等运行数据与瓦斯热值之间的机理模型,虽然将非线性关系近似为线性关系处理,但同时考虑到了过去时序对当前瓦斯热值的滞后影响,实现了对瓦斯热值的精准预估。
S4:基于预设权重对迭加结果进行周期性校正,将周期性校正后的输出结果作为瓦斯热值的预估值。
在实际预估过程中,仅依靠构建的燃烧时序模型对瓦斯热值进行数学推断常常存在误差,因此本实施例提出的瓦斯热值预估方法还包括对燃烧时序模型输出的结果进行校正。
在本实施例中,校正的过程具体包括:基于预设校正周期获取实际瓦斯热值,计算实际瓦斯热值与迭加结果的差值;若计算得到的差值大于预设误差,则根据预设权重对实际瓦斯热值和迭加结果进行加权求和,将加权求和的结果作为瓦斯预估热值。
通过部署在加热炉装置上的热值分析仪测量实际瓦斯热值,将热值分析仪测得的瓦斯热值作为参考,若S3中得迭加结果与实际瓦斯热值偏差过大,则认为通过燃烧时序模型得到的预估结果的准确性达不到要求。同时,考虑到热值分析仪在测量时同样存在误差,因此分别对实际瓦斯热值和迭加结果赋权,例如设置实际瓦斯热值和迭加结果的权重各为50%,将加权相加的结果作为最终的瓦斯预估热值,从而提高预估的准确性。
实施例二
如图2所示,本发明提出了一种基于燃烧时序模型的瓦斯热值预估装置5,包括:
采样单元51:用于基于预设采样周期获取加热炉的历史运行数据和历史瓦斯热值。
所述历史运行数据包括瓦斯投入量、炉膛温度、氧含量以及加热炉的设备参数。在本实施例中,基于预设采样周期获取上述历史运行数据和相应的历史瓦斯热值,再对获取到的数据进行标准化处理,所述标准化处理的方法包括min-max、z-zone等标准化算法,最后将标准化处理后的数据基于时间序列排序,存储到系统数据库中。
建模单元52:用于根据历史运行数据和历史瓦斯热值训练加热炉的燃烧时序模型。具体用于:
获取在时序j下采集到的历史运行数据和历史瓦斯热值,基于公式一对时序j下的燃烧时序模型
进行训练;
其中,ym(k)为时序k下的燃烧时序模型的输出结果,u(k-j)为时序k-j下采集到的历史运行数据;ym(k)、u(k-j)的取值范围为正数,j的取值范围为正整数;
当y
m(k)与时序k下采集到的历史瓦斯热值之间的差值小于预设阈值时,将
作为训练后的燃烧时序模型。
加热炉在实际应用场景下的热值是不稳定的,燃烧过程呈非线性,增加了热值预估的难度。本实施例提出的瓦斯热值预估方法将非线性的燃烧过程拆解成若干个线性的时序序列,对每个时序下的燃烧过程单独建立并训练燃烧时序模型。其中,u(k-j)为时序k-j下的历史运行数据,通过公式一中的
表征得到过去时刻k-j时发生的运行情况对当前时刻k时的瓦斯热值造成的影响。
预估单元53:用于获取加热炉在预设时段内的实时运行数据,将实时运行数据输入燃烧时序模型,对燃烧时序模型输出的时序结果进行迭加计算。具体用于:
获取加热炉在k+i-N时刻至k+i时刻之间的实时运行数据,将获取的实时运行数据输入对应的燃烧时序模型;
基于公式二将燃烧时序模型输出的时序结果迭加;
其中,y
m(k+i)为时刻k+i时预估的瓦斯热值,u(k+i-j)为时刻k+i-j时的实时运行数据,j为时序序号,N为时序的总数,
为与k+i-j时刻的实时运行数据对应的燃烧时序模型;u(k+i-j)、y
m(k+i)的取值范围为正数,k、j、N的取值范围为正整数。
通过公式二可以预估当前时刻k之后的第i个时刻的瓦斯热值,实现在线预估。基于时序关系将加热炉非线性的燃烧过程分解若干个线性的响应过程,简化了瓦斯投入量、炉膛温度、氧含量、加热炉的设备参数等运行数据与瓦斯热值之间的机理模型,虽然将非线性关系近似为线性关系处理,但同时考虑到了过去时序对当前瓦斯热值的滞后影响,实现了对瓦斯热值的精准预估。
校正单元54:用于基于预设权重对迭加结果进行周期性校正,将周期性校正后的输出结果作为瓦斯热值的预估值。具体用于:
在实际预估过程中,仅依靠构建的燃烧时序模型对瓦斯热值进行数学推断常常存在误差,因此本实施例提出的瓦斯热值预估方法还包括对燃烧时序模型输出的结果进行校正。
在本实施例中,校正的过程具体包括:基于预设校正周期获取实际瓦斯热值,计算实际瓦斯热值与迭加结果的差值;若计算得到的差值大于预设误差,则根据预设权重对实际瓦斯热值和迭加结果进行加权求和,将加权求和的结果作为瓦斯预估热值。
通过部署在加热炉装置上的热值分析仪测量实际瓦斯热值,将热值分析仪测得的瓦斯热值作为参考,若S3中得迭加结果与实际瓦斯热值偏差过大,则认为通过燃烧时序模型得到的预估结果的准确性达不到要求。同时,考虑到热值分析仪在测量时同样存在误差,因此分别对实际瓦斯热值和迭加结果赋权,例如设置实际瓦斯热值和迭加结果的权重各为50%,将加权相加的结果作为最终的瓦斯预估热值,从而提高预估的准确性。
上述实施例中的各个序号仅仅为了描述,不代表各部件的组装或使用过程中的先后顺序。
以上所述仅为本发明的实施例,并不用以限制本发明,凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。