CN112800672B - 锅炉粘污系数的评估方法、系统、介质及电子设备 - Google Patents
锅炉粘污系数的评估方法、系统、介质及电子设备 Download PDFInfo
- Publication number
- CN112800672B CN112800672B CN202110107302.9A CN202110107302A CN112800672B CN 112800672 B CN112800672 B CN 112800672B CN 202110107302 A CN202110107302 A CN 202110107302A CN 112800672 B CN112800672 B CN 112800672B
- Authority
- CN
- China
- Prior art keywords
- change trend
- monitoring data
- trend index
- training
- coefficient
- 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
- 238000011156 evaluation Methods 0.000 title claims abstract description 33
- 230000008859 change Effects 0.000 claims abstract description 125
- 238000012544 monitoring process Methods 0.000 claims abstract description 115
- 238000012549 training Methods 0.000 claims abstract description 94
- 238000010801 machine learning Methods 0.000 claims abstract description 72
- 238000000034 method Methods 0.000 claims abstract description 29
- 238000010438 heat treatment Methods 0.000 claims abstract description 21
- 238000012360 testing method Methods 0.000 claims description 62
- 238000004364 calculation method Methods 0.000 claims description 33
- 230000002159 abnormal effect Effects 0.000 claims description 20
- 238000004458 analytical method Methods 0.000 claims description 12
- 238000007637 random forest analysis Methods 0.000 claims description 12
- 238000004590 computer program Methods 0.000 claims description 11
- 238000012545 processing Methods 0.000 claims description 6
- 238000012216 screening Methods 0.000 claims description 6
- 230000008569 process Effects 0.000 abstract description 9
- 238000002485 combustion reaction Methods 0.000 abstract description 5
- 238000005192 partition Methods 0.000 description 10
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 8
- 230000008021 deposition Effects 0.000 description 6
- 238000009825 accumulation Methods 0.000 description 5
- 239000000843 powder Substances 0.000 description 4
- 230000011218 segmentation Effects 0.000 description 4
- 238000010586 diagram Methods 0.000 description 3
- 239000000428 dust Substances 0.000 description 3
- 239000002893 slag Substances 0.000 description 3
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 description 2
- 229910052799 carbon Inorganic materials 0.000 description 2
- 238000010276 construction Methods 0.000 description 2
- 238000013210 evaluation model Methods 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 238000013507 mapping Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 239000002245 particle Substances 0.000 description 2
- 238000000926 separation method Methods 0.000 description 2
- UGFAIRIUMAVXCW-UHFFFAOYSA-N Carbon monoxide Chemical compound [O+]#[C-] UGFAIRIUMAVXCW-UHFFFAOYSA-N 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 238000007664 blowing Methods 0.000 description 1
- 239000003245 coal Substances 0.000 description 1
- 239000000571 coke Substances 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000005137 deposition process Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 239000003546 flue gas Substances 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000010926 purge Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 239000004071 soot Substances 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
-
- 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
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2111/00—Details relating to CAD techniques
- G06F2111/08—Probabilistic or stochastic CAD
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
- G06F2119/08—Thermal analysis or thermal optimisation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
- G06F2119/14—Force analysis or force optimisation, e.g. static or dynamic forces
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- General Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Software Systems (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Computing Systems (AREA)
- Geometry (AREA)
- Computer Hardware Design (AREA)
- Mathematical Physics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Testing And Monitoring For Control Systems (AREA)
- Testing Resistance To Weather, Investigating Materials By Mechanical Methods (AREA)
Abstract
本发明公开了一种锅炉粘污系数的评估方法、系统、介质及电子设备,所述评估方法包括:获取锅炉的目标受热面的历史监测数据组和粘污系数;利用历史监测数据组计算压力变化趋势指标及温度变化趋势指标;以压力变化趋势指标及温度变化趋势指标作为输入,以粘污系数作为输出,对机器学习模型进行训练;将待评估的监测数据组输入训练后的机器学习模型,以得到所述待评估的监测数据组对应的粘污系数。该技术方案在评估锅炉粘污系数的过程中,考虑到压力变化趋势和温度变化趋势这两个特征,充分考虑了锅炉燃烧的周期性。另外,还降低了对技术人员人为经验的依赖,优化了评估的准确性和精度,还提高了历史监测数据的利用率。
Description
技术领域
本发明涉及数据分析与建模技术领域,尤其涉及一种锅炉粘污系数的评估方法、系统、介质及电子设备。
背景技术
锅炉作为能源行业的关键设备,其运行状态会影响整个系统的工作效率,而锅炉的积灰污染则是影响锅炉正常运转的非常重要的因素之一。
积灰污染是由于锅炉在工作时,煤粉在锅炉内燃烧过程中,除了一部分产物结渣下落从排渣口排出外,一部分没有充分燃烧的挥发粉、碳粒、灰粉等,会随着烟气进入受热面,在受热面上冷却、附着、粘连,成为积灰、积焦,使得受热面热阻增加、热效率下降,降低了受热面的导热能力,致使锅炉出力不足,锅炉效率降低,煤耗增加,其运行的经济性大大降低。因此,采取措施准确地监测炉内积灰程度,并根据积灰程度的状况及时有效地采取手段进行吹灰清渣,维持锅炉受热面的受热均衡具有十分重要的意义。
粘污系数是定量表征锅炉积灰污染程度的指标,根据粘污系数是否在合理区间范围,可直观有效地指导工作人员对受热面进行吹扫,保障锅炉安全运行。
现有技术中,不同的锅炉厂通常会根据自身的需求以及操作人员的经验来设计粘污系数的评估方式,只能较为粗略地评估锅炉积灰程度,再加上积灰污染是一项相当复杂的物理化学过程,其机理尚不清楚,有关积灰过程的理论和试验研究目前十分欠缺,使得粘污系数的评估存在着公式模糊、计算困难、无法统一计算标准的问题,最终导致不能准确地描述锅炉的积灰程度。
发明内容
本发明要解决的技术问题是为了克服现有技术中依靠人工经验来评估锅炉的积灰程度,标准不统一且准确性低的缺陷,提供一种锅炉粘污系数的评估方法、系统、介质及电子设备。
本发明是通过下述技术方案来解决上述技术问题:
本发明提供了一种锅炉粘污系数的评估方法,所述评估方法包括:
获取所述锅炉的目标受热面的历史监测数据组和粘污系数,所述历史监测数据组包括温度、压力及负荷,所述历史监测数据组与所述粘污系数一一对应;
利用所述历史监测数据组计算压力变化趋势指标及温度变化趋势指标;
以所述压力变化趋势指标及所述温度变化趋势指标作为输入,以所述粘污系数作为输出,对机器学习模型进行训练;
将待评估的监测数据组输入训练后的所述机器学习模型,以得到所述待评估的监测数据组对应的所述粘污系数。
较佳地,所述历史监测数据组包括训练集和测试集;所述以所述压力变化趋势指标及所述温度变化趋势指标作为输入,以粘污系数作为输出,对机器学习模型进行训练,包括:
利用所述训练集中的所述压力变化趋势指标及所述温度变化趋势指标作为输入,以相应的粘污系数作为输出,对机器学习模型进行训练;
将所述测试集中的所述压力变化趋势指标及所述温度变化趋势指标输入训练后的所述机器学习模型,得到相应的粘污系数预测值;
利用所述粘污系数预测值及所述测试集对应的粘污系数实际值计算精度;
若所述精度小于预设精度,则调整所述机器学习模型内的计算参数,并返回执行利用所述训练集中的所述压力变化趋势指标及所述温度变化趋势指标作为输入,以相应的粘污系数作为输出,对机器学习模型进行训练的步骤;
或者,
所述历史监测数据组包括训练集和测试集;所述以所述压力变化趋势指标及所述温度变化趋势指标作为输入,以粘污系数作为输出,对机器学习模型进行训练,包括:
利用所述训练集中的所述压力变化趋势指标及所述温度变化趋势指标作为输入,以相应的粘污系数作为输出,对机器学习模型进行训练;
将所述测试集中的所述压力变化趋势指标及所述温度变化趋势指标输入训练后的所述机器学习模型,得到相应的粘污系数预测值;
利用所述粘污系数预测值及所述测试集对应的粘污系数实际值计算误差;
若所述误差大于预设误差,则调整所述机器学习模型内的计算参数,并返回执行利用所述训练集中的所述压力变化趋势指标及温度变化趋势指标作为输入,以相应的粘污系数作为输出,对机器学习模型进行训练的步骤。
较佳地,利用所述历史监测数据组计算所述压力变化趋势指标的公式为:
其中,kpi为压力变化趋势指标,n=N/2,N为目标时间段内采集的样本个数且N为正整数,w为负荷,为所述目标时间段内所有历史监测数据组中的负荷的均值,T为温度,/>为所述目标时间段内所有历史监测数据组中的温度的均值,P为压力,/>为所述目标时间段内所有历史监测数据组中的压力的均值;
和/或,
利用所述历史监测数据组计算所述温度变化趋势指标的公式为:
其中,kTi为温度变化趋势指标,n=N/2,N为目标时间段内采集的样本个数且N为正整数,w为负荷,为所述目标时间段内所有历史监测数据组中的负荷的均值,T为温度,/>为所述目标时间段内所有历史监测数据组中的温度的均值,P为压力,/>为所述目标时间段内所有历史监测数据组中的压力的均值。
较佳地,在所述利用所述历史监测数据组计算压力变化趋势指标及温度变化趋势指标之前,还包括:筛选并剔除异常的历史监测数据组,所述异常的历史监测数据组中的负荷为负值;
和/或,
所述机器学习模型包括随机森林模型或XGBoost模型。
本发明还提供了一种锅炉粘污系数的评估系统,所述评估系统包括:
历史数据获取模块,用于获取所述锅炉的目标受热面的历史监测数据组和粘污系数,所述历史监测数据组包括温度、压力及负荷,所述历史监测数据组与所述粘污系数一一对应;
特征计算模块,用于利用所述历史监测数据组计算压力变化趋势指标及温度变化趋势指标;
模型训练模块,用于以所述压力变化趋势指标及所述温度变化趋势指标作为输入,以所述粘污系数作为输出,对机器学习模型进行训练;
评估模块,用于将待评估的监测数据组输入训练后的所述机器学习模型,以得到所述待评估的监测数据组对应的所述粘污系数。
较佳地,所述历史监测数据组包括训练集和测试集;所述模型训练模块包括训练执行单元、测试执行单元、分析执行单元及调参执行单元;
所述训练执行单元用于利用所述训练集中的所述压力变化趋势指标及所述温度变化趋势指标作为输入,以相应的粘污系数作为输出,对机器学习模型进行训练;
所述测试执行单元用于将所述测试集中的所述压力变化趋势指标及所述温度变化趋势指标输入训练后的所述机器学习模型,得到相应的粘污系数预测值;
所述分析执行单元用于利用所述粘污系数预测值及所述测试集对应的粘污系数实际值计算精度;
若所述精度小于预设精度,则调用所述调参执行单元,所述调参执行单元用于调整所述机器学习模型内的计算参数,所述调参执行单元调整完毕所述计算参数后,还用于调用所述训练执行单元;
或者,
所述历史监测数据组包括训练集和测试集;所述模型训练模块包括训练执行单元、测试执行单元、分析执行单元及调参执行单元;
所述训练执行单元用于利用所述训练集中的所述压力变化趋势指标及所述温度变化趋势指标作为输入,以相应的粘污系数作为输出,对机器学习模型进行训练;
所述测试执行单元用于将所述测试集中的所述压力变化趋势指标及所述温度变化趋势指标输入训练后的所述机器学习模型,得到相应的粘污系数预测值;
所述分析执行单元用于利用所述粘污系数预测值及所述测试集对应的粘污系数实际值计算误差;
若所述误差大于预设误差,则调用所述调参执行单元,所述调参执行单元用于调整所述机器学习模型内的计算参数,所述调参执行单元调整完毕所述计算参数后,还用于调用所述训练执行单元。
较佳地,所述特征计算模块利用如下公式计算所述压力变化趋势指标:
其中,kpi为压力变化趋势指标,n=N/2,N为目标时间段内采集的样本个数且N为正整数,w为负荷,为所述目标时间段内所有历史监测数据组中的负荷的均值,T为温度,/>为所述目标时间段内所有历史监测数据组中的温度的均值,P为压力,/>为所述目标时间段内所有历史监测数据组中的压力的均值;
和/或,
所述特征计算模块利用如下公式计算所述温度变化趋势指标:
其中,kTi为温度变化趋势指标,n=N/2,N为目标时间段内采集的样本个数且N为正整数,w为负荷,为所述目标时间段内所有历史监测数据组中的负荷的均值,T为温度,/>为所述目标时间段内所有历史监测数据组中的温度的均值,P为压力,/>为所述目标时间段内所有历史监测数据组中的压力的均值。
较佳地,所述评估系统还包括异常数据处理模块,所述异常数据处理模块用于筛选并剔除异常的历史监测数据组,所述异常的历史监测数据组中的负荷为负值;
和/或,
所述机器学习模型包括随机森林模型或XGBoost模型。
本发明还提供了一种电子设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行计算机程序时实现前述的锅炉粘污系数的评估方法的步骤。
本发明还提供了一种计算机可读存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时实现前述的锅炉粘污系数的评估方法的步骤。
本发明的积极进步效果在于:本发明提供的锅炉粘污系数的评估方法及系统通过获取所述锅炉的目标受热面的历史监测数据组和粘污系数,然后利用所述历史监测数据组计算压力变化趋势指标及温度变化趋势指标;接下来,以所述压力变化趋势指标及温度变化趋势指标作为输入,以粘污系数作为输出,对机器学习模型进行训练;再将当下某时段中待评估的监测数据输入训练后的所述机器学习模型,以得到对应的粘污系数。由此,在评估锅炉粘污系数的过程中,考虑到压力变化趋势和温度变化趋势这两个特征,充分考虑了锅炉燃烧的周期性。另外,还降低了对技术人员人为经验的依赖,优化了评估的准确性和精度,还提高了历史监测数据的利用率。
附图说明
图1为本发明实施例1中的锅炉粘污系数的评估方法的流程图。
图2为本发明实施例2中的锅炉粘污系数的评估方法的流程图。
图3为本发明实施例3中的锅炉粘污系数的评估系统的结构框图。
图4为本发明实施例4中的锅炉粘污系数的评估系统的结构框图。
图5为本发明实施例5中的电子设备的结构框图。
具体实施方式
下面通过实施例的方式进一步说明本发明,但并不因此将本发明限制在所述的实施例范围之中。
实施例1
本实施例提供了一种锅炉粘污系数的评估方法,所述锅炉可以用于电厂中,该锅炉除了包括锅炉本体之外,还可以包括排风设备、汽水分离器、末级过热器、减温器及过热器分隔屏等辅助设备。
如图1所示,所述评估方法可以包括如下步骤:
步骤S1:获取所述锅炉的目标受热面的历史监测数据组和粘污系数,所述历史监测数据组包括温度、压力及负荷,所述历史监测数据组与所述粘污系数一一对应;
其中,所述目标受热面可以是锅炉本体的受热面,还可以是排风设备、汽水分离器、末级过热器、减温器或过热器分隔屏等辅助设备的受热面,本实施例对此不作限制。
优选地,所述温度可以为过热器一级减温器A进口温度、过热器一级减温器B进口温度、过热器分隔屏C进口温度、过热器分隔屏D进口温度、过热器分隔屏E进口温度以及过热器分隔屏F进口温度的均值,所述压力可以为汽水分离器H出口压力、汽水分离器J出口压力、末级过热器K出口右侧压力、末级过热器K出口左侧压力的均值。
步骤S2:利用所述历史监测数据组计算压力变化趋势指标及温度变化趋势指标;
优选地,用所述历史监测数据组计算所述压力变化趋势指标的公式为:
其中,kpi为压力变化趋势指标,n=N/2,N为目标时间段内采集的样本个数且N为正整数,w为负荷,为所述目标时间段内所有历史监测数据组中的负荷的均值,T为温度,/>为所述目标时间段内所有历史监测数据组中的温度的均值,P为压力,/>为所述目标时间段内所有历史监测数据组中的压力的均值。
优选地,利用所述历史监测数据组计算所述温度变化趋势指标的公式为:
其中,kTi为温度变化趋势指标,n=N/2,N为目标时间段内采集的样本个数且N为正整数,w为负荷,为所述目标时间段内所有历史监测数据组中的负荷的均值,T为温度,/>为所述目标时间段内所有历史监测数据组中的温度的均值,P为压力,/>为所述目标时间段内所有历史监测数据组中的压力的均值。
优选地,可以将锅炉一天的运行时间分成多个排班时间段,例如:3个排班时间段,分别为0:00~8:00,8:00~16:00,16:00~24:00。如此,一整天的运行数据可以分为三班,然后利用每个班次的历史数据分别进行特征计算,以得到某个具体的班次(即目标时间段)对应的压力变化趋势指标及所述温度变化趋势指标。对于每个班次来说,都可以单独执行下文中的模型训练的过程,以得到适应该班次的粘污系数评估模型。
步骤S3:以所述压力变化趋势指标及所述温度变化趋势指标作为输入,以所述粘污系数作为输出,对机器学习模型进行训练;
具体地,所述机器学习模型可以是随机森林模型或XGBoost模型。
步骤S4:将待评估的监测数据组输入训练后的所述机器学习模型,以得到所述待评估的监测数据组对应的所述粘污系数。
本实施例提供的锅炉粘污系数的评估方法利用训练后的评估模型以及当前需要评估的监测数据组,便可以得到对应的粘污系数,而且整个计算过程考虑到压力变化趋势和温度变化趋势这两个特征,充分考虑了锅炉燃烧的周期性。另外,还降低了对技术人员人为经验的依赖,优化了评估的准确性和精度,还提高了历史监测数据的利用率。
实施例2
本实施例提供一种锅炉粘污系数的评估方法,如图2所示,该评估方法是在实施例1基础上的进一步改进。
进一步地,所述历史监测数据组可以包括训练集和测试集,所述测试集的分割比例可以为20%,所述训练集的分割比例可以为80%。
在训练集和测试集中,分别各自具有Xi→Y的一一映射关系,其中,Xi为历史监测数据组,包含的特征为目标时间段中的负荷、温度和压力,Y为粘污系数。
在一个非限制性的具体实施方式中,测试对象的评估方式可以是通过精度评估。
基于此,所述步骤S3具体可以包括:
步骤S31:利用所述训练集中的所述压力变化趋势指标及所述温度变化趋势指标作为输入,以相应的粘污系数作为输出,对机器学习模型进行训练;
步骤S32:将所述测试集中的所述压力变化趋势指标及所述温度变化趋势指标输入训练后的所述机器学习模型,得到相应的粘污系数预测值;
步骤S33:利用所述粘污系数预测值及所述测试集对应的粘污系数实际值计算精度;
优选地,所述精度(W)可以通过如下方式计算得到:
其中,y为真实值,为预测值,m为测试集中样本(即历史监测数据组)的数量。
步骤S34:判断所述精度是否小于预设精度;
若是,则执行步骤S35:调整所述机器学习模型内的计算参数,并返回执行所述步骤S31。
若否,则执行步骤S36:停止迭代计算。
本实施例中,可以认为当精度不小于93%时,该机器学习模型符合目标需求,可以停止迭代计算。当然,本领域技术人员可以根据具体应用场合来适应性的设置精度的标准,本实施例中只是进行示例性的说明,并不做唯一限制。
在另一个非限制性的具体实施方式中,所述历史监测数据组包括训练集和测试集,测试对象的评估方式可以是通过误差评估,此处的误差可以是均方根误差(RMSE)。
基于此,所述步骤S3具体可以包括:
步骤S31:利用所述训练集中的所述压力变化趋势指标及所述温度变化趋势指标作为输入,以相应的粘污系数作为输出,对机器学习模型进行训练;
步骤S32:将所述测试集中的所述压力变化趋势指标及所述温度变化趋势指标输入训练后的所述机器学习模型,得到相应的粘污系数预测值;
步骤S37:利用所述粘污系数预测值及所述测试集对应的粘污系数实际值计算误差;
优选地,可以通过如下方式计算误差:
步骤S38:判断所述误差是否大于预设误差;
若是,则执行步骤S35:调整所述机器学习模型内的计算参数,并返回执行所述步骤S31。
若否,则执行步骤S36:停止迭代计算。
本实施例中,可以认为当误差不大于0.00775时,该机器学习模型符合目标需求,可以停止迭代计算。当然,本领域技术人员可以根据具体应用场合来适应性的设置误差的标准,本实施例中只是进行示例性的说明,并不做唯一限制。
本实施例中,若采用随机森林模型作为机器学习模型,则所述计算参数可以是随机树生长的最大深度,和/或当前节点的信息增益的最小阈值。在随机模型中,可以采用随机森林回归方法进行样本训练,当随机树生长到预设的最大深度时,或者是当前节点的信息增益小于最小阈值时,此时若对应的精度或误差满足要求,则停止随机树的生长并生成叶子节点,否则继续迭代分裂,直到获得最佳随机森林模型。
优选地,所述步骤S2之前还可以包括:
步骤S5:筛选并剔除异常的历史监测数据组,所述异常的历史监测数据组中的负荷为负值。
具体地,由于为负值的负荷所占比例非常小,可以采用现有技术中较为常用的删除异常值的方式筛选出并剔除异常数据。
本实施例提供的锅炉粘污系数的评估方法在模型训练之前删除异常数据,在模型训练的过程中,根据测试集的测试结果及时进行参数调整,使得最终训练得到的模型更加准确,可用性更高。
实施例3
本实施例提供一种锅炉粘污系数的评估系统,所述锅炉可以用于电厂中,该锅炉除了包括锅炉本体之外,还可以包括排风设备、汽水分离器、末级过热器、减温器及过热器分隔屏等辅助设备。
如图3所示,所述评估系统1可以包括:
历史数据获取模块11,用于获取所述锅炉的目标受热面的历史监测数据组和粘污系数,所述历史监测数据组包括温度、压力及负荷,所述历史监测数据组与所述粘污系数一一对应;
其中,所述目标受热面可以是锅炉本体的受热面,还可以是排风设备、汽水分离器、末级过热器、减温器或过热器分隔屏等辅助设备的受热面,本实施例对此不作限制。
优选地,所述温度可以为过热器一级减温器A进口温度、过热器一级减温器B进口温度、过热器分隔屏C进口温度、过热器分隔屏D进口温度、过热器分隔屏E进口温度以及过热器分隔屏F进口温度的均值,所述压力可以为汽水分离器H出口压力、汽水分离器J出口压力、末级过热器K出口右侧压力、末级过热器K出口左侧压力的均值。
特征计算模块12,用于利用所述历史监测数据组计算压力变化趋势指标及温度变化趋势指标;
优选地,用所述历史监测数据组计算所述压力变化趋势指标的公式为:
其中,kpi为压力变化趋势指标,n=N/2,N为目标时间段内采集的样本个数且N为正整数,w为负荷,为所述目标时间段内所有历史监测数据组中的负荷的均值,T为温度,/>为所述目标时间段内所有历史监测数据组中的温度的均值,P为压力,/>为所述目标时间段内所有历史监测数据组中的压力的均值。
优选地,利用所述历史监测数据组计算所述温度变化趋势指标的公式为:
其中,kTi为温度变化趋势指标,n=N/2,N为目标时间段内采集的样本个数且N为正整数,w为负荷,为所述目标时间段内所有历史监测数据组中的负荷的均值,T为温度,/>为所述目标时间段内所有历史监测数据组中的温度的均值,P为压力,/>为所述目标时间段内所有历史监测数据组中的压力的均值。
优选地,可以将锅炉一天的运行时间分成多个排班时间段,例如:3个排班时间段,分别为0:00~8:00,8:00~16:00,16:00~24:00。如此,一整天的运行数据可以分为三班,然后利用每个班次的历史数据分别进行特征计算,以得到某个具体的班次(即目标时间段)对应的压力变化趋势指标及所述温度变化趋势指标。对于每个班次来说,都可以单独执行下文中的模型训练的过程,以得到适应该班次的粘污系数评估模型。
模型训练模块13,用于以所述压力变化趋势指标及所述温度变化趋势指标作为输入,以所述粘污系数作为输出,对机器学习模型进行训练;
具体地,所述机器学习模型可以是随机森林模型或XGBoost模型。
评估模块14,用于将待评估的监测数据组输入训练后的所述机器学习模型,以得到所述待评估的监测数据组对应的所述粘污系数。
本实施例提供的锅炉粘污系数的评估系统1利用训练后的评估模型以及当前需要评估的监测数据组,便可以得到对应的粘污系数,而且整个计算过程考虑到压力变化趋势和温度变化趋势这两个特征,充分考虑了锅炉燃烧的周期性。另外,还降低了对技术人员人为经验的依赖,优化了评估的准确性和精度,还提高了历史监测数据的利用率。
实施例4
本实施例提供一种锅炉粘污系数的评估系统,如图4所示,该评估系统1是在实施例3基础上的进一步改进。
进一步地,所述历史监测数据组可以包括训练集和测试集,所述测试集的分割比例可以为20%,所述训练集的分割比例可以为80%。
在训练集和测试集中,分别各自具有Xi→Y的一一映射关系,其中,Xi为历史监测数据组,包含的特征为目标时间段中的负荷、温度和压力,Y为粘污系数。
在一个非限制性的具体实施方式中,测试对象的评估方式可以是通过精度评估。
基于此,所述模型训练模块13包括训练执行单元131、测试执行单元132、分析执行单元133及调参执行单元134;
所述训练执行单元131用于利用所述训练集中的所述压力变化趋势指标及所述温度变化趋势指标作为输入,以相应的粘污系数作为输出,对机器学习模型进行训练;
所述测试执行单元132用于将所述测试集中的所述压力变化趋势指标及所述温度变化趋势指标输入训练后的所述机器学习模型,得到相应的粘污系数预测值;
所述分析执行单元133用于利用所述粘污系数预测值及所述测试集对应的粘污系数实际值计算精度;
优选地,所述精度(W)可以通过如下方式计算得到:
其中,y为真实值,为预测值,m为测试集中样本(即历史监测数据组)的数量。
若所述精度小于预设精度,则调用所述调参执行单元134,所述调参执行单元134用于调整所述机器学习模型内的计算参数,所述调参执行单元134调整完毕所述计算参数后,还用于调用所述训练执行单元131。
本实施例中,可以认为当精度不小于93%时,该机器学习模型符合目标需求,可以停止迭代计算。当然,本领域技术人员可以根据具体应用场合来适应性的设置精度的标准,本实施例中只是进行示例性的说明,并不做唯一限制。
在另一个非限制性的具体实施方式中,所述历史监测数据组包括训练集和测试集,测试对象的评估方式可以是通过误差评估,此处的误差可以是均方根误差(RMSE)。
基于此,所述模型训练模块13包括训练执行单元131、测试执行单元132、分析执行单元133及调参执行单元134;
所述训练执行单元131用于利用所述训练集中的所述压力变化趋势指标及所述温度变化趋势指标作为输入,以相应的粘污系数作为输出,对机器学习模型进行训练;
所述测试执行单元132用于将所述测试集中的所述压力变化趋势指标及所述温度变化趋势指标输入训练后的所述机器学习模型,得到相应的粘污系数预测值;
所述分析执行单元133用于利用所述粘污系数预测值及所述测试集对应的粘污系数实际值计算误差;
优选地,可以通过如下方式计算误差:
若所述误差大于预设误差,则调用所述调参执行单元134,所述调参执行单元134用于调整所述机器学习模型内的计算参数,所述调参执行单元134调整完毕所述计算参数后,还用于调用所述训练执行单元131。
本实施例中,可以认为当误差不大于0.00775时,该机器学习模型符合目标需求,可以停止迭代计算。当然,本领域技术人员可以根据具体应用场合来适应性的设置误差的标准,本实施例中只是进行示例性的说明,并不做唯一限制。
本实施例中,若采用随机森林模型作为机器学习模型,则所述计算参数可以是随机树生长的最大深度,和/或当前节点的信息增益的最小阈值。在随机模型中,可以采用随机森林回归方法进行样本训练,当随机树生长到预设的最大深度时,或者是当前节点的信息增益小于最小阈值时,此时若对应的精度或误差满足要求,则停止随机树的生长并生成叶子节点,否则继续迭代分裂,直到获得最佳随机森林模型。
优选地,所述评估系统1还包括异常数据处理模块15,所述异常数据处理模块15用于筛选并剔除异常的历史监测数据组,所述异常的历史监测数据组中的负荷为负值。
具体地,由于为负值的负荷所占比例非常小,可以采用现有技术中较为常用的删除异常值的方式筛选出并剔除异常数据。
本实施例提供的锅炉粘污系数的评估系统1在模型训练之前删除异常数据,在模型训练的过程中,根据测试集的测试结果及时进行参数调整,使得最终训练得到的模型更加准确,可用性更高。
实施例5
本发明还提供一种电子设备,如图5所示,所述电子设备可以包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行计算机程序时实现前述实施例1-4中任一实施例所述的锅炉粘污系数的评估方法的步骤。
可以理解的是,图5所示的电子设备仅仅是一个示例,不应对本发明实施例的功能和使用范围带来任何限制。
如图5所示,电子设备2可以以通用计算设备的形式表现,例如:其可以为服务器设备。电子设备2的组件可以包括但不限于:上述至少一个处理器3、上述至少一个存储器4、连接不同系统组件(包括存储器4和处理器3)的总线5。
所述总线5可以包括数据总线、地址总线和控制总线。
所述存储器4可以包括易失性存储器,例如随机存取存储器(RAM)41和/或高速缓存存储器42,还可以进一步包括只读存储器(ROM)43。
所述存储器4还可以包括具有一组(至少一个)程序模块44的程序工具45(或实用工具),这样的程序模块44包括但不限于:操作系统、一个或者多个应用程序、其它程序模块以及程序数据,这些示例中的每一个或某种组合中可能包括网络环境的实现。
所述处理器3通过运行存储在所述存储器4中的计算机程序,从而执行各种功能应用以及数据处理,例如本发明前述实施例1-5中任一实施例所述的锅炉粘污系数的评估方法的步骤。
所述电子设备2也可以与一个或多个外部设备6(例如键盘、指向设备等)通信。这种通信可以通过输入/输出(I/O)接口7进行。并且,模型生成的电子设备2还可以通过网络适配器8与一个或者多个网络(例如局域网LAN,广域网WAN和/或公共网络)通信。
如图5所示,网络适配器8可以通过总线5与模型生成的电子设备2的其它模块通信。本领域技术人员应当明白,尽管图中未示出,可以结合模型生成的电子设备2使用其它硬件和/或软件模块,包括但不限于:微代码、设备驱动器、冗余处理器、外部磁盘驱动阵列、RAID(磁盘阵列)系统、磁带驱动器以及数据备份存储系统等。
需要说明的是,尽管在上文详细描述中提及了电子设备的若干单元/模块或子单元/模块,但是这种划分仅仅是示例性的并非强制性的。实际上,根据本发明的实施方式,上文描述的两个或更多单元/模块的特征和功能可以在一个单元/模块中具体化。反之,上文描述的一个单元/模块的特征和功能可以进一步划分为由多个单元/模块来具体化。
实施例6
本实施例提供了一种计算机可读存储介质,其上存储有计算机程序,程序被处理器执行时实现前述实施例1-4中任一实施例所述的锅炉粘污系数的评估方法的步骤。
其中,计算机可读存储介质可以采用的更具体方式可以包括但不限于:便携式盘、硬盘、随机存取存储器、只读存储器、可擦拭可编程只读存储器、光存储器件、磁存储器件或上述的任意合适的组合。
在可能的实施方式中,本发明还可以实现为一种程序产品的形式,其包括程序代码,当程序产品在终端设备上运行时,程序代码用于使终端设备执行实现前述实施例1-4中任一实施例所述的锅炉粘污系数的评估方法的步骤。
其中,可以以一种或多种程序设计语言的任意组合来编写用于执行本发明的程序代码,程序代码可以完全地在用户设备上执行、部分地在用户设备上执行、作为一个独立的软件包执行、部分在用户设备上部分在远程设备上执行或完全在远程设备上执行。
虽然以上描述了本发明的具体实施方式,但是本领域的技术人员应当理解,这仅是举例说明,本发明的保护范围是由所附权利要求书限定的。本领域的技术人员在不背离本发明的原理和实质的前提下,可以对这些实施方式做出多种变更或修改,但这些变更和修改均落入本发明的保护范围。
Claims (6)
1.一种锅炉粘污系数的评估方法,其特征在于,所述评估方法包括:
获取所述锅炉的目标受热面的历史监测数据组和粘污系数,所述历史监测数据组包括温度、压力及负荷,所述历史监测数据组与所述粘污系数一一对应;
利用所述历史监测数据组计算压力变化趋势指标及温度变化趋势指标;
以所述压力变化趋势指标及所述温度变化趋势指标作为输入,以所述粘污系数作为输出,对机器学习模型进行训练;
将待评估的监测数据组输入训练后的所述机器学习模型,以得到所述待评估的监测数据组对应的所述粘污系数;
所述历史监测数据组包括训练集和测试集;所述以所述压力变化趋势指标及所述温度变化趋势指标作为输入,以所述粘污系数作为输出,对机器学习模型进行训练,包括:
利用所述训练集中的所述压力变化趋势指标及所述温度变化趋势指标作为输入,以相应的粘污系数作为输出,对机器学习模型进行训练;
将所述测试集中的所述压力变化趋势指标及所述温度变化趋势指标输入训练后的所述机器学习模型,得到相应的粘污系数预测值;
利用所述粘污系数预测值及所述测试集对应的粘污系数实际值计算精度;
若所述精度小于预设精度,则调整所述机器学习模型内的计算参数,并返回执行利用所述训练集中的所述压力变化趋势指标及所述温度变化趋势指标作为输入,以相应的粘污系数作为输出,对机器学习模型进行训练的步骤;
或者,
所述历史监测数据组包括训练集和测试集;所述以所述压力变化趋势指标及所述温度变化趋势指标作为输入,以所述粘污系数作为输出,对机器学习模型进行训练,包括:
利用所述训练集中的所述压力变化趋势指标及所述温度变化趋势指标作为输入,以相应的粘污系数作为输出,对机器学习模型进行训练;
将所述测试集中的所述压力变化趋势指标及所述温度变化趋势指标输入训练后的所述机器学习模型,得到相应的粘污系数预测值;
利用所述粘污系数预测值及所述测试集对应的粘污系数实际值计算误差;
若所述误差大于预设误差,则调整所述机器学习模型内的计算参数,并返回执行利用所述训练集中的所述压力变化趋势指标及温度变化趋势指标作为输入,以相应的粘污系数作为输出,对机器学习模型进行训练的步骤;
利用所述历史监测数据组计算所述压力变化趋势指标的公式为:
其中,kpi为压力变化趋势指标,n=N/2,N为目标时间段内采集的样本个数且N为正整数,w为负荷,为所述目标时间段内所有历史监测数据组中的负荷的均值,T为温度,/>为所述目标时间段内所有历史监测数据组中的温度的均值,P为压力,/>为所述目标时间段内所有历史监测数据组中的压力的均值;
和/或,
利用所述历史监测数据组计算所述温度变化趋势指标的公式为:
其中,kTi为温度变化趋势指标,n=N/2,N为目标时间段内采集的样本个数且N为正整数,w为负荷,为所述目标时间段内所有历史监测数据组中的负荷的均值,T为温度,/>为所述目标时间段内所有历史监测数据组中的温度的均值,P为压力,/>为所述目标时间段内所有历史监测数据组中的压力的均值。
2.如权利要求1所述的锅炉粘污系数的评估方法,其特征在于,在所述利用所述历史监测数据组计算压力变化趋势指标及温度变化趋势指标之前,还包括:筛选并剔除异常的历史监测数据组,所述异常的历史监测数据组中的负荷为负值;
和/或,
所述机器学习模型包括随机森林模型或XGBoost模型。
3.一种锅炉粘污系数的评估系统,其特征在于,所述评估系统包括:
历史数据获取模块,用于获取所述锅炉的目标受热面的历史监测数据组和粘污系数,所述历史监测数据组包括温度、压力及负荷,所述历史监测数据组与所述粘污系数一一对应;
特征计算模块,用于利用所述历史监测数据组计算压力变化趋势指标及温度变化趋势指标;
模型训练模块,用于以所述压力变化趋势指标及所述温度变化趋势指标作为输入,以所述粘污系数作为输出,对机器学习模型进行训练;
评估模块,用于将待评估的监测数据组输入训练后的所述机器学习模型,以得到所述待评估的监测数据组对应的所述粘污系数;
所述历史监测数据组包括训练集和测试集;所述模型训练模块包括训练执行单元、测试执行单元、分析执行单元及调参执行单元;
所述训练执行单元用于利用所述训练集中的所述压力变化趋势指标及所述温度变化趋势指标作为输入,以相应的粘污系数作为输出,对机器学习模型进行训练;
所述测试执行单元用于将所述测试集中的所述压力变化趋势指标及所述温度变化趋势指标输入训练后的所述机器学习模型,得到相应的粘污系数预测值;
所述分析执行单元用于利用所述粘污系数预测值及所述测试集对应的粘污系数实际值计算精度;
若所述精度小于预设精度,则调用所述调参执行单元,所述调参执行单元用于调整所述机器学习模型内的计算参数,所述调参执行单元调整完毕所述计算参数后,还用于调用所述训练执行单元;
或者,
所述历史监测数据组包括训练集和测试集;所述模型训练模块包括训练执行单元、测试执行单元、分析执行单元及调参执行单元;
所述训练执行单元用于利用所述训练集中的所述压力变化趋势指标及所述温度变化趋势指标作为输入,以相应的粘污系数作为输出,对机器学习模型进行训练;
所述测试执行单元用于将所述测试集中的所述压力变化趋势指标及所述温度变化趋势指标输入训练后的所述机器学习模型,得到相应的粘污系数预测值;
所述分析执行单元用于利用所述粘污系数预测值及所述测试集对应的粘污系数实际值计算误差;
若所述误差大于预设误差,则调用所述调参执行单元,所述调参执行单元用于调整所述机器学习模型内的计算参数,所述调参执行单元调整完毕所述计算参数后,还用于调用所述训练执行单元;
所述特征计算模块利用如下公式计算所述压力变化趋势指标:
其中,kpi为压力变化趋势指标,n=N/2,N为目标时间段内采集的样本个数且N为正整数,w为负荷,为所述目标时间段内所有历史监测数据组中的负荷的均值,T为温度,/>为所述目标时间段内所有历史监测数据组中的温度的均值,P为压力,/>为所述目标时间段内所有历史监测数据组中的压力的均值;
和/或,
所述特征计算模块利用如下公式计算所述温度变化趋势指标:
其中,kTi为温度变化趋势指标,n=N/2,N为目标时间段内采集的样本个数且N为正整数,w为负荷,为所述目标时间段内所有历史监测数据组中的负荷的均值,T为温度,/>为所述目标时间段内所有历史监测数据组中的温度的均值,P为压力,/>为所述目标时间段内所有历史监测数据组中的压力的均值。
4.如权利要求3所述的锅炉粘污系数的评估系统,其特征在于,所述评估系统还包括异常数据处理模块,所述异常数据处理模块用于筛选并剔除异常的历史监测数据组,所述异常的历史监测数据组中的负荷为负值;
和/或,
所述机器学习模型包括随机森林模型或XGBoost模型。
5.一种电子设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,其特征在于,所述处理器执行计算机程序时实现权利要求1或2所述的锅炉粘污系数的评估方法的步骤。
6.一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,所述计算机程序被处理器执行时实现权利要求1或2所述的锅炉粘污系数的评估方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110107302.9A CN112800672B (zh) | 2021-01-27 | 2021-01-27 | 锅炉粘污系数的评估方法、系统、介质及电子设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110107302.9A CN112800672B (zh) | 2021-01-27 | 2021-01-27 | 锅炉粘污系数的评估方法、系统、介质及电子设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112800672A CN112800672A (zh) | 2021-05-14 |
CN112800672B true CN112800672B (zh) | 2024-04-16 |
Family
ID=75811998
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110107302.9A Active CN112800672B (zh) | 2021-01-27 | 2021-01-27 | 锅炉粘污系数的评估方法、系统、介质及电子设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112800672B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116881715A (zh) * | 2023-07-11 | 2023-10-13 | 南方电网电力科技股份有限公司 | 一种锅炉积灰状态预测方法、系统、设备和介质 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO1996023169A1 (de) * | 1995-01-24 | 1996-08-01 | Clyde Bergemann Gmbh | Verfahren und vorrichtung zur steuerung von russbläsern in einer kesselanlage |
CN109214948A (zh) * | 2018-09-25 | 2019-01-15 | 新智数字科技有限公司 | 一种电力系统热负荷预测的方法和装置 |
CN109695892A (zh) * | 2018-12-03 | 2019-04-30 | 中冶南方都市环保工程技术股份有限公司 | 一种锅炉受热面壁温保护方法及装置 |
CN111550763A (zh) * | 2020-01-20 | 2020-08-18 | 张铭源 | 锅炉受热面灰渣污染的监测方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US11494651B2 (en) * | 2018-01-30 | 2022-11-08 | Imubit Israel Ltd | Systems and methods for optimizing refinery coker process |
-
2021
- 2021-01-27 CN CN202110107302.9A patent/CN112800672B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO1996023169A1 (de) * | 1995-01-24 | 1996-08-01 | Clyde Bergemann Gmbh | Verfahren und vorrichtung zur steuerung von russbläsern in einer kesselanlage |
CN109214948A (zh) * | 2018-09-25 | 2019-01-15 | 新智数字科技有限公司 | 一种电力系统热负荷预测的方法和装置 |
CN109695892A (zh) * | 2018-12-03 | 2019-04-30 | 中冶南方都市环保工程技术股份有限公司 | 一种锅炉受热面壁温保护方法及装置 |
CN111550763A (zh) * | 2020-01-20 | 2020-08-18 | 张铭源 | 锅炉受热面灰渣污染的监测方法 |
Non-Patent Citations (3)
Title |
---|
基于随机森林回归算法的锅炉沾污因数预测方法;谢春 等;《上海电气技术》;第15卷(第1期);29-32 * |
生物质与煤混燃灰熔融特性及其影响研究;李至;《中国优秀硕士学位论文全文数据库 工程科技Ⅱ辑》(第6期);C042-325 * |
电站锅炉受热面污染监测及优化吹灰的理论与实验研究;陈宝康;《中国博士学位论文全文数据库 (工程科技Ⅱ辑)》(第1期);C039-7 * |
Also Published As
Publication number | Publication date |
---|---|
CN112800672A (zh) | 2021-05-14 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109670625B (zh) | 基于无迹卡尔曼滤波最小二乘支持向量机的NOx排放浓度预测方法 | |
CN111754093B (zh) | 一种基于煤质预测和pso-svm的飞灰含碳量预测方法 | |
CN111260107A (zh) | 锅炉燃烧优化系统及方法 | |
CN110530650B (zh) | 基于广义回归神经网络与箱型图分析的重型燃气轮机性能状态监测方法 | |
KR102094288B1 (ko) | 보일러의 연소 최적화 연산을 위한 시스템 및 방법 | |
CN110701796B (zh) | 一种基于云预测算法的热水系统节能控制系统 | |
CN110658308B (zh) | 考虑共因失效的烟气在线监测系统安全可靠性评价方法 | |
WO2023207190A1 (zh) | 一种火电厂故障预警系统、方法、电子设备及存储介质 | |
CN113515049A (zh) | 一种燃气蒸汽联合循环发电机组运行调控系统及调控方法 | |
CN113011010A (zh) | 基于结构机理和运行数据的锅炉故障诊断方法及诊断系统 | |
CN117008479B (zh) | 基于生物质气化炉的负碳排放优化控制方法及系统 | |
CN109146141B (zh) | 一种燃煤电站回转式空气预热器漏风率预测方法 | |
CN112800672B (zh) | 锅炉粘污系数的评估方法、系统、介质及电子设备 | |
CN116186624A (zh) | 一种基于人工智能的锅炉评估方法及系统 | |
CN112836920A (zh) | 煤电机组能效状态评价方法、装置及煤电机组系统 | |
CN117150677A (zh) | 一种电除尘器选型参数的确定方法及装置 | |
CN114487856A (zh) | 换电站电池的热失控预警方法及系统 | |
CN109032117A (zh) | 基于arma模型的单回路控制系统性能评价方法 | |
CN115510904A (zh) | 基于时序预测的锅炉受热面积灰监测方法 | |
CN117556366B (zh) | 基于数据筛选的数据异常检测系统及方法 | |
CN114429248A (zh) | 一种变压器视在功率预测方法 | |
CN115017818A (zh) | 基于注意力机制和多层lstm的电厂烟气含氧量智能预测方法 | |
CN114971258A (zh) | 基于焦炭质量预测的工业流程优化方法及系统 | |
CN115113519A (zh) | 一种煤-煤气混烧锅炉脱硝系统出口NOx浓度预警方法 | |
CN112801388B (zh) | 一种基于非线性时间序列算法的电力负荷预测方法及系统 |
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 |