CN112883631B - 燃气轮机的排烟含氧量预测方法及装置 - Google Patents
燃气轮机的排烟含氧量预测方法及装置 Download PDFInfo
- Publication number
- CN112883631B CN112883631B CN202110040035.8A CN202110040035A CN112883631B CN 112883631 B CN112883631 B CN 112883631B CN 202110040035 A CN202110040035 A CN 202110040035A CN 112883631 B CN112883631 B CN 112883631B
- Authority
- CN
- China
- Prior art keywords
- gas turbine
- target
- model
- oxygen content
- energy stations
- 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
- 239000007789 gas Substances 0.000 title claims abstract description 297
- QVGXLLKOCUKJST-UHFFFAOYSA-N atomic oxygen Chemical compound [O] QVGXLLKOCUKJST-UHFFFAOYSA-N 0.000 title claims abstract description 131
- 239000001301 oxygen Substances 0.000 title claims abstract description 131
- 229910052760 oxygen Inorganic materials 0.000 title claims abstract description 131
- 238000000034 method Methods 0.000 title claims abstract description 46
- 239000000779 smoke Substances 0.000 claims abstract description 39
- 230000004044 response Effects 0.000 claims abstract description 23
- 238000004590 computer program Methods 0.000 claims description 23
- 238000012549 training Methods 0.000 claims description 16
- 230000006870 function Effects 0.000 claims description 10
- 230000008569 process Effects 0.000 claims description 9
- UGFAIRIUMAVXCW-UHFFFAOYSA-N Carbon monoxide Chemical compound [O+]#[C-] UGFAIRIUMAVXCW-UHFFFAOYSA-N 0.000 claims description 6
- 238000013145 classification model Methods 0.000 claims description 6
- 239000003546 flue gas Substances 0.000 claims description 6
- 238000005259 measurement Methods 0.000 abstract description 16
- 238000012423 maintenance Methods 0.000 description 7
- 238000002485 combustion reaction Methods 0.000 description 5
- 239000008186 active pharmaceutical agent Substances 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 239000000446 fuel Substances 0.000 description 4
- 238000012544 monitoring process Methods 0.000 description 4
- 238000012545 processing Methods 0.000 description 4
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- MCMNRKCIXSYSNV-UHFFFAOYSA-N Zirconium dioxide Chemical compound O=[Zr]=O MCMNRKCIXSYSNV-UHFFFAOYSA-N 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000013499 data model Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 239000003344 environmental pollutant Substances 0.000 description 1
- 239000003517 fume Substances 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000007789 sealing Methods 0.000 description 1
- 238000006467 substitution reaction Methods 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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Evolutionary Computation (AREA)
- Software Systems (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Medical Informatics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Computing Systems (AREA)
- Data Mining & Analysis (AREA)
- Mathematical Physics (AREA)
- Computer Hardware Design (AREA)
- Geometry (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明适用于燃气分布式能源领域，提供了燃气轮机的排烟含氧量预测方法及装置，该方法包括：获取目标燃气轮机的运行数据；响应于检测到所述目标燃气轮机的排烟含氧量的需求申请，确定是否存在与所述需求申请匹配的排烟含氧量预测模型；响应于确定存在，根据所述匹配到的排烟含氧量预测模型和所述运行数据，生成所述目标燃气轮机的排烟含氧量。该实施例实现了无需使用传感器测量排烟含氧量，能够实时监测排烟含氧量，便于维护，降低测量误差，同时联合排烟含氧量测量模型依赖于真实数据，不容易受到外界环境的影响，可较为准确的确定出排烟含氧量。
Description
技术领域
本发明属于燃气分布式能源领域，尤其涉及燃气轮机的排烟含氧量预测方法及装置。
背景技术
排烟含氧量是指燃料燃烧之后排出的烟气中的含量，它是燃气轮机燃烧的一个重要指标，其值的大小与燃气轮机结构、燃料的种类和性质、负荷的大小、运行配风工况及设备密封状况等因素有关。在燃气轮机的实际运行过程中，为了让燃料可以充分燃烧，实际供给的空气量比理论上的空气供给量要大的多。这多供给的空气量，我们通常称它为过量空气量。过量空气系数就是实际供给空气量与理论供给空气量的比值。排烟含氧量过低，即过量空气系数越小，会导致供给燃气轮机燃烧的氧气量不足，燃料不能充分燃烧，热损失增加；排烟含氧量过高，即过量空气系数越大，会使燃气轮机的热效率降低，不但影响燃烧，同时容易造成环境污染物排放超标，也增加了排烟的耗电量。因此，将燃气轮机的排烟含氧量控制在合理的范围内，对于节约能源、维护燃气轮机经济性燃烧，实现安全、高效和低污染的排放具有重要的意义，换言之，燃气轮机的排烟含氧量是衡量燃气轮机是否安全、经济、环保运行的重要标志之一。
目前，工业中一般使用氧化锆传感器来测量排烟含氧量。
但是，这种传感器存在成本高、测量滞后大、维护困难、测量误差大、寿命短等许多缺点，不适合在分布式能源以中小型燃气燃气轮机为主的场景中长期使用。
发明内容
有鉴于此，本发明实施例提供了燃气轮机的排烟含氧量预测方法及装置，仅需要少量的标签数据，能够克服传感器完全实际测量的缺点，也不需要像物理建模那样依赖大量物理参数。
本发明实施例的第一方面提供了一种燃气轮机的排烟含氧量预测方法，包括：
获取目标燃气轮机的运行数据；
响应于检测到所述目标燃气轮机的排烟含氧量的需求申请，确定是否存在与所述需求申请匹配的排烟含氧量预测模型；
响应于确定存在，根据所述匹配到的排烟含氧量预测模型和所述运行数据，生成所述目标燃气轮机的排烟含氧量。
本发明实施例的第二方面提供了一种燃气轮机的排烟含氧量预测装置，包括：
获取模块，被配置成获取目标燃气轮机的运行数据；
确定模块，被配置成响应于检测到所述目标燃气轮机的排烟含氧量的需求申请，确定是否存在与所述需求申请匹配的排烟含氧量预测模型；
生成模块，被配置成响应于确定存在，根据所述匹配到的排烟含氧量预测模型和所述运行数据，生成所述目标燃气轮机的排烟含氧量。
本发明实施例的第三方面提供了一种终端设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现如权利要求1至7任一项所述方法的步骤。
本发明实施例的第四方面提供了一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至7任一项所述方法的步骤。
本发明实施例与现有技术相比存在的有益效果是：首先，获取目标燃气轮机的运行数据；然后，响应于检测到所述目标燃气轮机的排烟含氧量的需求申请，确定是否存在与所述需求申请匹配的排烟含氧量预测模型；最后，响应于确定存在，根据所述匹配到的排烟含氧量预测模型和所述运行数据，生成所述目标燃气轮机的排烟含氧量。综上所述，通过本发明的技术方案，无需使用传感器测量排烟含氧量，能够实时监测排烟含氧量，便于维护，降低测量误差，同时联合排烟含氧量测量模型依赖于真实数据，不容易受到外界环境的影响，可较为准确的确定出排烟含氧量。
附图说明
为了更清楚地说明本发明实施例中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其它的附图。
图1是本发明实施例提供的一种燃气轮机的排烟含氧量预测方法的实现流程示意图；
图2是本发明实施例提供的另一种燃气轮机的排烟含氧量预测方法的实现流程示意图；
图3是本发明实施例提供的一种燃气轮机的排烟含氧量预测装置的结构示意图；
图4为本发明一实施例提供的一种电子设备的结构示意图；
图5为本发明一实施例提供的场景应用图。
具体实施方式
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、技术之类的具体细节，以便透彻理解本发明实施例。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、装置、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。
为了说明本发明所述的技术方案，下面通过具体实施例来进行说明。
如图1所示，为本发明实施例提供的一种方法。本发明实施例所提供的方法可应用在电子设备上，具体可以应用于服务器或一般计算机上。本发明实施例提供了一种燃气轮机的排烟含氧量预测方法，包括如下各个步骤：
步骤101，获取目标燃气轮机的运行数据。
在一些实施例中，执行主体可以通过有线或无线的方式获取目标燃气轮机的运行数据。其中，目标燃气轮机存在燃气轮机标识，上述燃气轮机标识包括燃气轮机所属的待监测能源站、燃气轮机数量，燃气轮机的信号，工作环境，额定功率，额定效率，生产商等描述信息，具体需要结合实际需求确定燃气轮机标识。这里，待监测能源站中的若干个燃气轮机的型号相同或者若干个燃气轮机相似。
步骤102，响应于检测到所述目标燃气轮机的排烟含氧量的需求申请，确定是否存在与所述需求申请匹配的排烟含氧量预测模型。
在一些实施例中，上述执行主体可以在检测到所述目标燃气轮机的排烟含氧量的需求申请的情况下，确定是否存在与所述需求申请匹配的排烟含氧量预测模型。
在实际应用中，可以开发联合学习物联网平台，联合学习物联网平台用于与联合学习客户端(进行联合学习的客户端)进行联合学习，得到联合学习模型，并存储联合学习模型。待监测能源站对应的客户端通过API接口发送排烟含氧量的需求申请，联合学习物联网平台获取该排烟含氧量的需求申请。
具体地，能源站一般被配置为向指定区域例如与能源站相邻的区域提供能源，能源系统可以包括多个能源站，并通过该多个能源站向多个区域供能，能源站中的多个燃气轮机是相似的，也可以是相同型号的。本申请实施例中，每个能源站作为一个物联网中的一个节点，设置有一个客户端，如果能源站的数据用于联合学习，则该能源站对应的客户端被称之为联合学习客户端。其中，联合学习通过分布式训练及加密技术确保用户隐私数据得到最大限度的保护，以提升用户对人工智能技术的信任。在本申请实施例中，在联合学习机制下，各参与方(目标联合能源站各自对应的联合学习客户端)把加密后的数据模型贡献给联盟(联合学习物联网平台)，联合训练一个联合学习模型。
获取燃气轮机标识携带的待监测能源站内的燃气轮机的描述信息，然后，获取能够参与联合学习的多个候选联合能源站内的候选燃气轮机的描述信息，计算燃气轮机的描述信息和候选燃气轮机的描述信息之间的相似度，以确定候选联合能源站和待监测能源站之间的相似度，根据候选联合能源站和待监测能源站之间的相似度，确定目标联合能源站。其中，描述信息包括多个参数以及每个参数的参数值。上述多个参数包括但不限于额定容量、额定效率、工作方式、型号(指示了燃气轮机的性能、规格和大小)、品牌以及工作地点，具体需要结合实际情况确定。可以理解的，燃气轮机的描述信息和候选燃气轮机的描述信息的相似度越高，候选燃气轮机的参考价值越高，从而确保后续预测出的目标联合能源站的准确性。优选地，燃气轮机和候选燃气轮机的型号应该相同。
作为一种可能的情况，当候选联合能源站和待监测能源站之间的相似度不小于预设阈值时，将候选联合能源站确定为目标联合能源站。具体可以通过对燃气轮机和候选燃气轮机之间的描述信息进行相似度比较，以确定候选联合能源站和待监测能源站之间的相似度。在一个例子中，基于燃气轮机和候选燃气轮机的描述信息中每个参数的参数值，确定燃气轮机和候选燃气轮机的描述信息中每个参数的相似度，对各个参数的相似度进行加权平均，并将结果确定为候选联合能源站和待监测能源站之间的相似度。在实际应用中，还可以以燃气轮机的描述信息为模型输入，目标联合能源站为模型输出，训练一个分类模型，将候选燃气轮机的描述信息输入到训练好的分类模型，从而确定其对应的候选联合能源站是否为目标联合能源站。
在一些实施例的一些可选的实施方式中，基于目标接口，所述目标终端向联合学习平台发送所述需求申请。具体地，所述目标燃气轮机的客户端通过API接口发送排烟含氧量的需求申请。
在一些实施例的一些可选的实施方式中，所述需求申请包括：所述目标终端对应的能源站的燃气轮机类型信息。
在一些实施例的一些可选的实施方式中，响应于确定存在，将匹配到的排烟含氧量预测模型及模型相关信息发送到发送所述目标终端上；所述目标终端基于所述匹配到的排烟含氧量预测模型及所述模型相关信息，选择并下载所述匹配到的排烟含氧量预测模型。
步骤103，响应于确定存在，根据所述匹配到的排烟含氧量预测模型和所述运行数据，生成所述目标燃气轮机的排烟含氧量。
在一些实施例中，上述执行主体可以在确定存在的时候，根据所述匹配到的排烟含氧量预测模型和所述运行数据，生成所述目标燃气轮机的排烟含氧量。
在实际应用中，将上述目标燃气轮机的运行数据上传到对应的客户端，客户端将该运行数据代入下载的所述匹配到的排烟含氧量预测模型，通过下载的所述匹配到的排烟含氧量预测模型预测所述目标燃气轮机的排烟含氧量。
在一些实施例的一些可选的实施方式中，将所述排烟含氧量发送到具有显示功能的终端设备上，并进行显示。
本公开的一些实施例公开的燃气轮机的排烟含氧量预测方法，首先，获取目标燃气轮机的运行数据；然后，响应于检测到所述目标燃气轮机的排烟含氧量的需求申请，确定是否存在与所述需求申请匹配的排烟含氧量预测模型；最后，响应于确定存在，根据所述匹配到的排烟含氧量预测模型和所述运行数据，生成所述目标燃气轮机的排烟含氧量。综上所述，通过本发明的技术方案，无需使用传感器测量排烟含氧量，能够实时监测排烟含氧量，便于维护，降低测量误差，同时联合排烟含氧量测量模型依赖于真实数据，不容易受到外界环境的影响，可较为准确的确定出排烟含氧量。
应理解，上述实施例中各步骤的序号的大小并不意味着执行顺序的先后，各过程的执行顺序应以其功能和内在逻辑确定，而不应对本发明实施例的实施过程构成任何限定。
图1所示仅为本发明所述方法的基础实施例，在其基础上进行一定的优化和拓展，还能够得到所述方法的其他优选实施例。
如图2所示，为本发明所述燃气轮机的排烟含氧量测量方法的另一个具体实施例。本实施例在前述实施例的基础上，结合应用场景进行了更加具体的描述。当然应该认为，在其他有关的场景下，本实施例所述方法亦同样适用。
本实施例所结合的具体场景为：如图5所示，假设有3个能源站(能源站中的若干个燃气轮机相似)以及一个联合学习物联网平台T，3个能源站分别为联合能源站A、联合能源站B以及待监测能源站C，联合学习物联网平台T和联合学习客户端Ac、联合学习客户端Bc以及监测客户端Cc进行交互，其中，联合能源站A和B有较丰富的数据，可利用自身燃气轮机运行数据训练局部排烟含氧量测量模型，也就是联合学习模型的贡献方；待监测能源站C中的燃气轮机没有排烟含氧量测点；联合学习客户端Ac存储联合能源站A中的燃气轮机A1、A2、A3的运行数据，联合学习客户端Bc存储联合能源站B中的燃气轮机B1、B2、B3的运行数据，监测客户端Cs存储待监测能源站C中的燃气轮机C1、C2、C3的运行数据；联合学习客户端Ac、联合学习客户端Bc以及监测客户端Cc分别部署在本地运维服务器As、Bs、Cs，这里，本地运维服务器指的是用于燃气轮机运行维护的服务器。本实施例所述方法的目的在于，结合联合学习客户端内的燃气轮机运行数据，构建联合排烟含氧量测量模型用于待监测能源站的燃气轮机的排烟含氧量预测。
本实施例中所述方法包括以下步骤：
步骤201、响应于确定不存在，基于所述燃气轮机类型信息从所述联合学习平台关联的能源站中确定第一目标燃气轮机和第二目标燃气轮机。
在一些实施例中，上述执行主体可以在确定不存在时，基于所述燃气轮机类型信息从所述联合学习平台关联的能源站中确定第一目标燃气轮机(如图5中的A1)和第二目标燃气轮机(如图5中的B1)。
待监测能源站C通过本地运维服务器Cs上部署的监测客户端Cc和API接口向联合学习物联网平台T发起燃气轮机的排烟含氧量预测模型的需求申请。联合学习物联网平台T基于燃气轮机C1的类型信息，这里，燃气轮机C1、C2、C3的类型信息相同，并获取联合能源站A中的燃气轮机A1的类型信息，燃气轮机A1、A2、A3的类型信息相同，以及联合能源站B中的燃气轮机B1的类型信息，燃气轮机B1、B2、B3的类型信息相同。
联合能源站A中的燃气轮机A1的型号与燃气轮机C1的型号相同，待监测能源站C和联合能源站A之间的相似度为1，联合能源站B中的燃气轮机B1的型号与燃气轮机C1的型号相同，待监测能源站C和联合能源站B之间的相似度为1。
步骤202、分别向所述第一目标燃气轮机和所述第二目标燃气轮机对应的能源站的终端发送联合训练请求。
在一些实施例中，上述执行主体可以分别向所述第一目标燃气轮机和所述第二目标燃气轮机对应的能源站的终端发送联合训练请求。联合学习物联网平台T向联合学习客户端Ac和联合学习客户端Bc发送联合训练请求。
步骤203、响应于所述第一目标燃气轮机和所述第二目标燃气轮机对应的能源站的终端接收到所述联合训练请求并同意，所述第一目标燃气轮机和所述第二目标燃气轮机对应的能源站的终端分别得到第一目标模型和第二目标模型。
在一些实施例中，上述执行主体可以在所述第一目标燃气轮机和所述第二目标燃气轮机对应的能源站的终端接收到所述联合训练请求并同意的情况下，所述第一目标燃气轮机和所述第二目标燃气轮机对应的能源站的终端分别得到第一目标模型和第二目标模型。联合学习客户端Ac和联合学习客户端Bc返回的是同意，
步骤204、基于所述目标接口，所述第一目标燃气轮机和所述第二目标燃气轮机对应的能源站的终端分别将所述第一目标模型和所述第二目标模型发送到所述联合学习平台上。
在一些实施例中，上述执行主体可以基于所述目标接口，所述第一目标燃气轮机和所述第二目标燃气轮机对应的能源站的终端分别将所述第一目标模型和所述第二目标模型发送到所述联合学习平台上。
联合学习客户端Ac基于燃气轮机A1、A2、A3的运行数据对待训练模型进行模型训练，并通过API接口上传模型参数到联合学习物联网平台T，联合学习客户端Bc基于燃气轮机B1、B2、B3的运行数据对待训练模型进行模型训练，并上传模型参数到联合学习物联网平台T。
步骤205、所述联合学习平台对所述第一目标模型和所述第二目标模型进行处理，得到联合学习智能模型及模型相关信息。
在一些实施例中，上述联合学习平台对所述第一目标模型和所述第二目标模型进行处理，得到联合学习智能模型及模型相关信息。
联合学习物联网平台T下发聚合后的模型参数至联合学习客户端Ac和联合学习客户端Bc进行模型迭代，联合学习客户端Ac和联合学习客户端Bc各自得到局部排烟含氧量测量模型，联合学习物联网平台T对联合学习客户端Ac和联合学习客户端Bc得到的局部排烟含氧量测量模型进行融合，得到联合学习智能模型。
步骤206、所述联合学习平台将所述联合学习智能模型及模型相关信息保存在模型信息库中。
在一些实施例中，上述联合学习平台将所述联合学习智能模型及模型相关信息保存在模型信息库中。
在一些实施例的一些可选的实施方式中，所述目标终端基于所述联合学习智能模型和所述运行数据，生成所述目标燃气轮机的排烟含氧量。本公开的一些实施例公开的燃气轮机的排烟含氧量预测方法，通过需求申请，发起联合学习，确定出和燃气轮机相似的目标联合能源站，基于目标联合能源站对应的燃气轮机数据进行联合学习，融合局部排烟含氧量测量模型得到联合排烟含氧量测量模型，联合排烟含氧量测量模型综合了目标联合能源站中的真实的燃气轮机运行数据，不容易受到外界环境的影响，可较为准确的确定出排烟含氧量。
图3是本发明实施例提供的燃气轮机的排烟含氧量预测装置的示意图；上述燃气轮机的排烟含氧量预测装置300，包括：获取模块301，确定模块302和生成模块303。其中，获取模块301，被配置成获取目标燃气轮机的运行数据；确定模块302，被配置成响应于检测到所述目标燃气轮机的排烟含氧量的需求申请，确定是否存在与所述需求申请匹配的排烟含氧量预测模型；而生成模块303，被配置成响应于确定存在，根据所述匹配到的排烟含氧量预测模型和所述运行数据，生成所述目标燃气轮机的排烟含氧量。
在一些实施例的一些可选的实施方式中，上述燃气轮机的排烟含氧量预测装置300被进一步配置成：响应于确定存在，将匹配到的排烟含氧量预测模型及模型相关信息发送到发送所述目标终端上；所述目标终端基于所述匹配到的模型及所述模型相关信息，选择并下载所述匹配到的模型。
在一些实施例的一些可选的实施方式中，上述燃气轮机的排烟含氧量预测装置300被进一步配置成：将所述排烟含氧量发送到具有显示功能的终端设备上，并进行显示。
在一些实施例的一些可选的实施方式中，上述燃气轮机的排烟含氧量预测装置300被进一步配置成：基于目标接口，所述目标终端向联合学习平台发送所述需求申请。
在一些实施例的一些可选的实施方式中，所述需求申请包括：所述目标终端对应的能源站的燃气轮机类型信息。
在一些实施例的一些可选的实施方式中，上述燃气轮机的排烟含氧量预测装置300被进一步配置成：响应于确定不存在，基于所述燃气轮机类型信息从所述联合学习平台关联的能源站中确定第一目标燃气轮机和第二目标燃气轮机；分别向所述第一目标燃气轮机和所述第二目标燃气轮机对应的能源站的终端发送联合训练请求；响应于所述第一目标燃气轮机和所述第二目标燃气轮机对应的能源站的终端接收到所述联合训练请求并同意，所述第一目标燃气轮机和所述第二目标燃气轮机对应的能源站的终端分别得到第一目标模型和第二目标模型；基于所述目标接口，所述第一目标燃气轮机和所述第二目标燃气轮机对应的能源站的终端分别将所述第一目标模型和所述第二目标模型发送到所述联合学习平台上；所述联合学习平台对所述第一目标模型和所述第二目标模型进行处理，得到联合学习智能模型及模型相关信息；所述联合学习平台将所述联合学习智能模型及模型相关信息保存在模型信息库中。
在一些实施例的一些可选的实施方式中，上述燃气轮机的排烟含氧量预测装置300中的生成模块303被进一步配置成：所述目标终端基于所述联合学习智能模型和所述运行数据，生成所述目标燃气轮机的排烟含氧量。
可以理解的是，该装置300中记载的诸单元与参考图1描述的方法中的各个步骤相对应。由此，上文针对方法描述的操作、特征以及产生的有益效果同样适用于装置300及其中包含的单元，在此不再赘述。
图4是本发明一实施例提供的燃气轮机的排烟含氧量预测装置/终端设备的示意图。如图4所示，该实施例的燃气轮机的排烟含氧量预测装置/终端设备4包括：处理器40、存储器41以及存储在所述存储器41中并可在所述处理器40上运行的计算机程序42。所述处理器40执行所述计算机程序42时实现上述各个燃气轮机的排烟含氧量预测方法实施例中的步骤，例如图1所示的步骤101至103。或者，所述处理器40执行所述计算机程序42时实现上述各装置实施例中各模块/单元的功能，例如图4所示模块401至404的功能。
示例性的，所述计算机程序42可以被分割成一个或多个模块/单元，所述一个或者多个模块/单元被存储在所述存储器41中，并由所述处理器40执行，以完成本发明。所述一个或多个模块/单元可以是能够完成特定功能的一系列计算机程序指令段，该指令段用于描述所述计算机程序42在所述燃气轮机的排烟含氧量预测装置/终端设备4中的执行过程。例如，所述计算机程序42可以被分割成同步模块、汇总模块、获取模块、返回模块(虚拟装置中的模块)，各模块具体功能如下：
所述燃气轮机的排烟含氧量预测装置/终端设备4可以是桌上型计算机、笔记本、掌上电脑及云端服务器等计算设备。所述燃气轮机的排烟含氧量预测装置/终端设备可包括，但不仅限于，处理器40、存储器41。本领域技术人员可以理解，图4仅仅是燃气轮机的排烟含氧量预测装置/终端设备4的示例，并不构成对燃气轮机的排烟含氧量预测装置/终端设备4的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件，例如所述燃气轮机的排烟含氧量预测装置/终端设备还可以包括输入输出设备、网络接入设备、总线等。
所称处理器40可以是中央处理单元(Central Processing Unit，CPU)，还可以是其它通用处理器、数字信号处理器(Digital Signal Processor，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现场可编程门阵列(Field-Programmable Gate Array，FPGA)或者其它可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。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。
所述存储器41可以是所述燃气轮机的排烟含氧量预测装置/终端设备4的内部存储单元，例如燃气轮机的排烟含氧量预测装置/终端设备4的硬盘或内存。所述存储器41也可以是所述燃气轮机的排烟含氧量预测装置/终端设备4的外部存储设备，例如所述燃气轮机的排烟含氧量预测装置/终端设备4上配备的插接式硬盘，智能存储卡(Smart MediaCard,SMC)，安全数字(Secure Digital,SD)卡，闪存卡(Flash Card)等。进一步地，所述存储器41还可以既包括所述燃气轮机的排烟含氧量预测装置/终端设备4的内部存储单元也包括外部存储设备。所述存储器41用于存储所述计算机程序以及所述燃气轮机的排烟含氧量预测装置/终端设备所需的其它程序和数据。所述存储器41还可以用于暂时地存储已经输出或者将要输出的数据。
所属领域的技术人员可以清楚地了解到，为了描述的方便和简洁，仅以上述各功能单元、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单元、模块完成，即将所述装置的内部结构划分成不同的功能单元或模块，以完成以上描述的全部或者部分功能。实施例中的各功能单元、模块可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中，上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。另外，各功能单元、模块的具体名称也只是为了便于相互区分，并不用于限制本申请的保护范围。上述系统中单元、模块的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
在上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述或记载的部分，可以参见其它实施例的相关描述。
本领域普通技术人员可以意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本发明的范围。
在本发明所提供的实施例中，应该理解到，所揭露的装置/终端设备和方法，可以通过其它的方式实现。例如，以上所描述的装置/终端设备实施例仅仅是示意性的，例如，所述模块或单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通讯连接可以是通过一些接口，装置或单元的间接耦合或通讯连接，可以是电性，机械或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外，在本发明各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。
所述集成的模块/单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明实现上述实施例方法中的全部或部分流程，也可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一计算机可读存储介质中，该计算机程序在被处理器执行时，可实现上述各个方法实施例的步骤。其中，所述计算机程序包括计算机程序代码，所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读介质可以包括：能够携带所述计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、电载波信号、电信信号以及软件分发介质等。需要说明的是，所述计算机可读介质包含的内容可以根据司法管辖区内立法和专利实践的要求进行适当的增减，例如在某些司法管辖区，根据立法和专利实践，计算机可读介质不包括电载波信号和电信信号。
以上所述实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围，均应包含在本发明的保护范围之内。
Claims (7)
1.一种燃气轮机的排烟含氧量预测方法，其特征在于，包括：
获取目标燃气轮机的运行数据；
响应于检测到所述目标燃气轮机的排烟含氧量的需求申请，确定是否存在与所述需求申请匹配的排烟含氧量预测模型，所述需求申请包括目标终端对应的能源站的燃气轮机类型信息；
响应于确定存在，根据所述匹配到的排烟含氧量预测模型和所述运行数据，生成所述目标燃气轮机的排烟含氧量；
响应于确定不存在，获取待监测能源站内的燃气轮机的描述信息以及候选联合能源站内的候选燃气轮机的描述信息，通过计算所述燃气轮机的描述信息和所述候选燃气轮机的描述信息的相似度，确定候选联合能源站和待监测能源站之间的相似度；当所述候选联合能源站和待监测能源站之间的相似度不小于预设阈值时，确定所述候选联合能源站为目标联合能源站，或，以所述燃气轮机的描述信息为模型输入，所述目标联合能源站为模型输出，训练一个分类模型，将所述候选燃气轮机的描述信息输入到训练好的分类模型，从而确定其对应的候选联合能源站是否为所述目标联合能源站，所述目标联合能源站为第一目标燃气轮机对应的能源站和第二目标燃气轮机对应的能源站；
分别向所述第一目标燃气轮机和所述第二目标燃气轮机对应的能源站的终端发送联合训练请求；响应于所述第一目标燃气轮机和所述第二目标燃气轮机对应的能源站的终端接收到所述联合训练请求并同意，所述第一目标燃气轮机和所述第二目标燃气轮机对应的能源站的终端分别得到第一目标模型和第二目标模型；基于目标接口，所述第一目标燃气轮机和所述第二目标燃气轮机对应的能源站的终端分别将所述第一目标模型和所述第二目标模型发送到联合学习平台上；所述联合学习平台对所述第一目标模型和所述第二目标模型进行处理，得到所述联合学习智能模型及模型相关信息；所述联合学习平台将所述联合学习智能模型及模型相关信息保存在模型信息库中；
所述目标终端基于所述联合学习智能模型和所述运行数据，生成所述目标燃气轮机的排烟含氧量。
2.如权利要求1所述的燃气轮机的排烟含氧量预测方法，其特征在于，所述方法还包括：
响应于确定存在，将匹配到的排烟含氧量预测模型及模型相关信息发送到所述目标终端上；
所述目标终端基于所述匹配到的模型及所述模型相关信息，选择并下载所述匹配到的模型。
3.如权利要求1所述的燃气轮机的排烟含氧量预测方法，其特征在于，所述方法还包括：
将所述排烟含氧量发送到具有显示功能的终端设备上，并进行显示。
4.如权利要求1所述的燃气轮机的排烟含氧量预测方法，其特征在于，所述方法还包括：
基于所述目标接口，所述目标终端向所述联合学习平台发送所述需求申请。
5.一种燃气轮机的排烟含氧量预测装置，其特征在于，包括：
获取模块，被配置成获取目标燃气轮机的运行数据；
确定模块，被配置成响应于检测到所述目标燃气轮机的排烟含氧量的需求申请，确定是否存在与所述需求申请匹配的排烟含氧量预测模型，所述需求申请包括目标终端对应的能源站的燃气轮机类型信息；
生成模块，被配置成响应于确定存在，根据所述匹配到的排烟含氧量预测模型和所述运行数据，生成所述目标燃气轮机的排烟含氧量；
和，被配置成响应于确定不存在，获取待监测能源站内的燃气轮机的描述信息以及候选联合能源站内的候选燃气轮机的描述信息，通过计算所述燃气轮机的描述信息和所述候选燃气轮机的描述信息的相似度，确定候选联合能源站和待监测能源站之间的相似度；当所述候选联合能源站和待监测能源站之间的相似度不小于预设阈值时，确定所述候选联合能源站为目标联合能源站，或，以所述燃气轮机的描述信息为模型输入，所述目标联合能源站为模型输出，训练一个分类模型，将所述候选燃气轮机的描述信息输入到训练好的分类模型，从而确定其对应的候选联合能源站是否为所述目标联合能源站，所述目标联合能源站为第一目标燃气轮机对应的能源站和第二目标燃气轮机对应的能源站；
分别向所述第一目标燃气轮机和所述第二目标燃气轮机对应的能源站的终端发送联合训练请求；响应于所述第一目标燃气轮机和所述第二目标燃气轮机对应的能源站的终端接收到所述联合训练请求并同意，所述第一目标燃气轮机和所述第二目标燃气轮机对应的能源站的终端分别得到第一目标模型和第二目标模型；基于目标接口，所述第一目标燃气轮机和所述第二目标燃气轮机对应的能源站的终端分别将所述第一目标模型和所述第二目标模型发送到联合学习平台上；所述联合学习平台对所述第一目标模型和所述第二目标模型进行处理，得到所述联合学习智能模型及模型相关信息；所述联合学习平台将所述联合学习智能模型及模型相关信息保存在模型信息库中；
所述目标终端基于所述联合学习智能模型和所述运行数据，生成所述目标燃气轮机的排烟含氧量。
6.一种终端设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现如权利要求1至4任一项所述方法的步骤。
7.一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至4任一项所述方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110040035.8A CN112883631B (zh) | 2021-01-13 | 2021-01-13 | 燃气轮机的排烟含氧量预测方法及装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110040035.8A CN112883631B (zh) | 2021-01-13 | 2021-01-13 | 燃气轮机的排烟含氧量预测方法及装置 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN112883631A CN112883631A (zh) | 2021-06-01 |
| CN112883631B true CN112883631B (zh) | 2024-05-24 |
Family
ID=76045001
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110040035.8A Active CN112883631B (zh) | 2021-01-13 | 2021-01-13 | 燃气轮机的排烟含氧量预测方法及装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112883631B (zh) |
Families Citing this family (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113988434A (zh) * | 2021-10-28 | 2022-01-28 | 新智我来网络科技有限公司 | 燃气负荷预测模型的训练方法和装置 |
| CN114118540A (zh) * | 2021-11-11 | 2022-03-01 | 新智我来网络科技有限公司 | 基于样本迁移的烟气含氧量负荷预测方法及装置 |
Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104504440A (zh) * | 2014-08-25 | 2015-04-08 | 朱江 | 一种基于解释结构模型知识求精的弹药消耗预测系统及其方法 |
| CN105867132A (zh) * | 2016-04-19 | 2016-08-17 | 东南大学 | 稳态追踪自矫正的联合循环机组排烟含氧量在线测量方法 |
| CN109359346A (zh) * | 2018-09-25 | 2019-02-19 | 新智数字科技有限公司 | 一种热负荷预测方法、装置、可读介质及电子设备 |
| CN109992866A (zh) * | 2019-03-25 | 2019-07-09 | 新奥数能科技有限公司 | 负荷预测模型的训练方法、装置、可读介质及电子设备 |
| CN110135655A (zh) * | 2019-05-27 | 2019-08-16 | 国网上海市电力公司 | 一种用于确定能源站的运行控制策略的方法与设备 |
| CN110739076A (zh) * | 2019-10-29 | 2020-01-31 | 上海华东电信研究院 | 一种医疗人工智能公共训练平台 |
| CN110991774A (zh) * | 2019-12-31 | 2020-04-10 | 新奥数能科技有限公司 | 一种电量负荷预测方法及装置 |
| CN114764539A (zh) * | 2020-12-31 | 2022-07-19 | 新智数字科技有限公司 | 燃气轮机的排烟含氧量确定方法、装置、设备和介质 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| EP2873924A1 (en) * | 2013-11-15 | 2015-05-20 | Siemens Aktiengesellschaft | Intelligent control method with predictive emissions monitoring ability for a gas turbine combustor |
-
2021
- 2021-01-13 CN CN202110040035.8A patent/CN112883631B/zh active Active
Patent Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104504440A (zh) * | 2014-08-25 | 2015-04-08 | 朱江 | 一种基于解释结构模型知识求精的弹药消耗预测系统及其方法 |
| CN105867132A (zh) * | 2016-04-19 | 2016-08-17 | 东南大学 | 稳态追踪自矫正的联合循环机组排烟含氧量在线测量方法 |
| CN109359346A (zh) * | 2018-09-25 | 2019-02-19 | 新智数字科技有限公司 | 一种热负荷预测方法、装置、可读介质及电子设备 |
| CN109992866A (zh) * | 2019-03-25 | 2019-07-09 | 新奥数能科技有限公司 | 负荷预测模型的训练方法、装置、可读介质及电子设备 |
| CN110135655A (zh) * | 2019-05-27 | 2019-08-16 | 国网上海市电力公司 | 一种用于确定能源站的运行控制策略的方法与设备 |
| CN110739076A (zh) * | 2019-10-29 | 2020-01-31 | 上海华东电信研究院 | 一种医疗人工智能公共训练平台 |
| CN110991774A (zh) * | 2019-12-31 | 2020-04-10 | 新奥数能科技有限公司 | 一种电量负荷预测方法及装置 |
| CN114764539A (zh) * | 2020-12-31 | 2022-07-19 | 新智数字科技有限公司 | 燃气轮机的排烟含氧量确定方法、装置、设备和介质 |
Non-Patent Citations (1)
| Title |
|---|
| 基于KPCA-LS-SVM的工业锅炉烟气含氧量预测;许巧玲等;《计算机与应用化学》;第29卷(第7期);834-838 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN112883631A (zh) | 2021-06-01 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111262759B (zh) | 一种物联网平台测试方法、装置、设备和存储介质 | |
| CN112883631B (zh) | 燃气轮机的排烟含氧量预测方法及装置 | |
| CN107167497B (zh) | 一种设备故障检测方法及系统 | |
| US20230198856A1 (en) | Method and Apparatus for Updating Gateway Resource, and IOT Control Platform | |
| CN116882790B (zh) | 一种矿山生态修复区域的碳排放设备管理方法及系统 | |
| CN115952884A (zh) | 一种基于工业互联网的纺织行业碳排放与碳足迹监测方法及系统 | |
| CN112541841B (zh) | 用于模拟过去未来数据的方法、装置及终端设备 | |
| CN114764093B (zh) | 燃气锅炉烟气一氧化碳含量监测方法及装置 | |
| CN114819237B (zh) | 燃气锅炉的烟气含氧量预测方法及装置 | |
| US20220215138A1 (en) | Method for Validating System Parameters of an Energy System, Method for Operating an Energy System, and Energy Management System for an Energy System | |
| CN114764587A (zh) | 燃气轮机的烟气一氧化碳含量监测方法及装置 | |
| CN114819238A (zh) | 燃气锅炉的烟气含氧量预测方法及装置 | |
| CN114764649A (zh) | 燃气锅炉的烟气含氧量预测方法及装置 | |
| CN114818840A (zh) | 燃气轮机的烟气一氧化碳含量监测方法及装置 | |
| CN114593920B (zh) | 燃气内燃机的排烟含氧量测量方法、装置及可读存储介质 | |
| CN111985681B (zh) | 数据预测方法、模型训练方法、装置、设备 | |
| CN115328786A (zh) | 一种基于区块链的自动化测试方法、装置和存储介质 | |
| CN112714155B (zh) | 基于端云协同服务的电力运行数据一致性校验方法及装置 | |
| CN114637350A (zh) | 空间环境控制方法、装置及存储介质 | |
| CN111124321B (zh) | 激光打印机的调试方法及系统 | |
| CN113866536A (zh) | 温升检测方法、装置和温升检测系统 | |
| CN114577481B (zh) | 燃气内燃机的污染指标监测方法及装置 | |
| CN114764542A (zh) | 燃气轮机的烟气一氧化碳含量监测方法及装置 | |
| CN113179309A (zh) | 一种基于区块链的电力能源消耗监测方法及系统 | |
| CN114580257A (zh) | 燃气内燃机的烟气含氧量测量方法、装置及可读存储介质 |
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 |
Effective date of registration: 20240422 Address after: 2101 Science and Technology Innovation Base, Hangyidao Free Trade Zone, Langfang Airport Economic Zone, Daxing District, Beijing, China (Hebei) Pilot Free Trade Zone, Daxing Airport Area Applicant after: Xinao Xinzhi Technology Co.,Ltd. Country or region after: China Address before: 100020 10th floor, Motorola building, 1 Wangjing East Road, Chaoyang District, Beijing Applicant before: ENNEW DIGITAL TECHNOLOGY Co.,Ltd. Country or region before: China |
|
| TA01 | Transfer of patent application right | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |