CN113095951B - 一种瓦斯抽采智能调控方法、设备、装置及存储介质 - Google Patents
一种瓦斯抽采智能调控方法、设备、装置及存储介质 Download PDFInfo
- Publication number
- CN113095951B CN113095951B CN202110502124.XA CN202110502124A CN113095951B CN 113095951 B CN113095951 B CN 113095951B CN 202110502124 A CN202110502124 A CN 202110502124A CN 113095951 B CN113095951 B CN 113095951B
- Authority
- CN
- China
- Prior art keywords
- gas extraction
- target
- control
- data
- controlled quantity
- 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
- 238000000605 extraction Methods 0.000 title claims abstract description 246
- 230000033228 biological regulation Effects 0.000 title claims abstract description 53
- 238000000034 method Methods 0.000 title claims abstract description 52
- 238000003860 storage Methods 0.000 title claims abstract description 14
- 238000005070 sampling Methods 0.000 claims abstract description 101
- 239000007789 gas Substances 0.000 claims description 206
- 238000012549 training Methods 0.000 claims description 23
- 238000004590 computer program Methods 0.000 claims description 15
- 230000008569 process Effects 0.000 claims description 14
- QVGXLLKOCUKJST-UHFFFAOYSA-N atomic oxygen Chemical compound [O] QVGXLLKOCUKJST-UHFFFAOYSA-N 0.000 claims description 8
- 229910052760 oxygen Inorganic materials 0.000 claims description 8
- 239000001301 oxygen Substances 0.000 claims description 8
- 230000001105 regulatory effect Effects 0.000 claims description 7
- VGGSQFUCUMXWEO-UHFFFAOYSA-N Ethene Chemical compound C=C VGGSQFUCUMXWEO-UHFFFAOYSA-N 0.000 claims description 6
- 239000005977 Ethylene Substances 0.000 claims description 6
- 239000011159 matrix material Substances 0.000 claims description 5
- UGFAIRIUMAVXCW-UHFFFAOYSA-N Carbon monoxide Chemical compound [O+]#[C-] UGFAIRIUMAVXCW-UHFFFAOYSA-N 0.000 claims description 3
- 229910002091 carbon monoxide Inorganic materials 0.000 claims description 3
- 238000004458 analytical method Methods 0.000 claims description 2
- 230000003750 conditioning effect Effects 0.000 claims 2
- 230000008859 change Effects 0.000 abstract description 12
- 238000012545 processing Methods 0.000 abstract description 8
- 238000010586 diagram Methods 0.000 description 11
- 238000004088 simulation Methods 0.000 description 9
- 239000003245 coal Substances 0.000 description 8
- 238000005086 pumping Methods 0.000 description 7
- 230000000694 effects Effects 0.000 description 6
- 230000006870 function Effects 0.000 description 6
- 238000011217 control strategy Methods 0.000 description 5
- 230000001276 controlling effect Effects 0.000 description 5
- 238000012360 testing method Methods 0.000 description 5
- 238000004891 communication Methods 0.000 description 4
- 230000007547 defect Effects 0.000 description 3
- 238000005553 drilling Methods 0.000 description 3
- 210000002569 neuron Anatomy 0.000 description 3
- 230000003247 decreasing effect Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 238000007254 oxidation reaction Methods 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- 230000002159 abnormal effect Effects 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000000295 complement effect Effects 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000011478 gradient descent method Methods 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000005065 mining Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000003647 oxidation Effects 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 238000013139 quantization Methods 0.000 description 1
- 238000005096 rolling process Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/02—Agriculture; Fishing; Forestry; Mining
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/067—Enterprise or organisation modelling
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Economics (AREA)
- Entrepreneurship & Innovation (AREA)
- General Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- Marketing (AREA)
- General Health & Medical Sciences (AREA)
- Educational Administration (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Quality & Reliability (AREA)
- Operations Research (AREA)
- Game Theory and Decision Science (AREA)
- Development Economics (AREA)
- Artificial Intelligence (AREA)
- Data Mining & Analysis (AREA)
- Animal Husbandry (AREA)
- Marine Sciences & Fisheries (AREA)
- Mining & Mineral Resources (AREA)
- Primary Health Care (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Agronomy & Crop Science (AREA)
- Evolutionary Computation (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Feedback Control In General (AREA)
Abstract
本发明提供一种瓦斯抽采智能调控方法、设备、装置及存储介质，涉及瓦斯抽采技术领域，其中方法包括：确定瓦斯抽采中被控量在未来采样时刻的目标参考数据；其中，被控量包括瓦斯抽采浓度、瓦斯抽采纯量、瓦斯抽采负压和抽采泵效能比；获取被控量在未来采样时刻的目标实际数据；确定影响瓦斯抽采中控制量与被控量之间状态关系的目标影响因子；其中，控制量包括阀门开度和抽采泵功率；基于目标参考数据和目标实际数据之间的目标误差，对目标影响因子进行目标调控。以此通过分析处理被控量和控制量之间状态关系的变化规律，实现动态调整瓦斯抽采系统中工况参数的目的，从而大大提高了瓦斯抽采系统的安全性和高效性。
Description
技术领域
本发明属于瓦斯抽采技术领域，涉及但不限于一种瓦斯抽采智能调控方法、设备、装置及存储介质。
背景技术
如今我国煤炭深部开采比重逐年增加，导致瓦斯安全事故频发。因此，如何保证瓦斯抽采的安全性和效能性成为当前亟需解决的关键问题。
传统瓦斯抽采方法中，利用采集到的生产数据，通过特征提取、数学处理、神经网络量化分类等现代技术对瓦斯抽采过程进行调控。
然而，由于传统瓦斯抽采方法很大程度上依赖人工经验进行调控，使得调控后的实时数据与理想数据存在偏差，从而导致瓦斯抽采的调控效率不高，同时也降低了瓦斯抽采系统的安全性和高效性。
发明内容
本发明的目的在于，针对传统瓦斯抽采方法中存在的不足，提出一种瓦斯抽采智能调控方法、设备、装置及存储介质，以解决传统瓦斯抽采方法中存在的瓦斯抽采的调控效率不高以及降低了瓦斯抽采系统的安全性和高效性的问题。
为实现上述目的，本发明实施例采用的技术方案如下：
第一方面，本发明实施例提供了一种瓦斯抽采智能调控方法，所述方法包括：
确定瓦斯抽采中被控量在未来采样时刻的目标参考数据；其中，所述被控量包括瓦斯抽采浓度、瓦斯抽采纯量、瓦斯抽采负压和抽采泵效能比；
获取所述被控量在所述未来采样时刻的目标实际数据；
确定影响所述瓦斯抽采中控制量与所述被控量之间状态关系的目标影响因子；其中，所述控制量包括阀门开度和抽采泵功率；
基于所述目标参考数据和所述目标实际数据之间的目标误差，对所述目标影响因子进行目标调控。
可选的，所述确定瓦斯抽采中被控量在未来采样时刻的目标参考数据，包括：
确定所述被控量的目标网络模型；其中，所述目标网络模型用于预测所述被控量在当前采样时刻之后的参考数据；
基于所述被控量在所述当前采样时刻的第一真实数据和所述目标网络模型，确定所述瓦斯抽采中所述被控量在所述未来采样时刻的所述目标参考数据。
可选的，所述确定所述被控量的目标网络模型，包括：
获取所述被控量在历史采样时间的第一历史数据；
基于所述第一历史数据对初始simpleRNN网络模型进行训练和预测处理，得到所述被控量的所述目标网络模型。
可选的，所述获取所述被控量在所述未来采样时刻的目标实际数据，包括：
获取所述被控量和所述控制量在当前采样时刻的第二真实数据；
将所述第二真实数据作为MPC初始模型的输入且在预设输入条件的约束下，获取所述MPC初始模型输出的目标调控策略；
基于所述目标调控策略，对所述控制量在所述当前采样时刻的第三真实数据进行调整；
当确定所述第三真实数据被调整后，获取所述被控量在所述未来采样时刻的所述目标实际数据。
可选的，所述确定影响所述瓦斯抽采中控制量与所述被控量之间状态关系的目标影响因子，包括：
获取所述控制量在所述历史采样时间的第二历史数据；
使用所述MPC初始模型学习所述第一历史数据和所述第二历史数据之间的关系，得到所述影响所述瓦斯抽采中所述控制量与所述被控量之间状态关系的所述目标影响因子。
可选的，在执行所述确定所述被控量的目标网络模型的步骤之前，所述方法还包括：
判断所述第二真实数据分别与预设安全约束及预设效率约束之间的匹配关系；
确定所述第二真实数据分别与所述预设安全约束及所述预设效率约束均匹配时，执行所述确定所述被控量的目标网络模型的步骤；
确定所述第二真实数据与所述预设安全约束和所述预设效率约束中至少一个不匹配时，停止调控过程。
可选的，所述预设安全约束，包括：乙烯浓度等于0、一氧化碳浓度小于60*10-6％、瓦斯抽采过程中的温度小于70℃、氧气浓度小于7％、瓦斯抽采过程中的负压小于40KPa；
所述预设效率约束，包括：抽采瓦斯浓度高于预设最小浓度临界值、抽采瓦斯纯量高于预设最小纯量临界值。
第二方面，本发明实施例提供了一种瓦斯抽采智能调控装置，所述装置包括：第一确定模块、获取模块、第二确定模块和调控模块，其中：
第一确定模块，用于确定瓦斯抽采中被控量在未来采样时刻的目标参考数据；其中，所述被控量包括瓦斯抽采浓度、瓦斯抽采纯量、瓦斯抽采负压和抽采泵效能比；
获取模块，用于获取所述被控量在所述未来采样时刻的目标实际数据；
第二确定模块，用于确定影响所述瓦斯抽采中控制量与所述被控量之间状态关系的目标影响因子；其中，所述控制量包括阀门开度和抽采泵功率；
调控模块，用于基于所述目标参考数据和所述目标实际数据之间的目标误差，对所述目标影响因子进行目标调控。
第三方面，本发明实施例提供了一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现前述实施例所述方法的步骤。
第四方面，本发明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，所述计算机程序被处理器执行时实现前述实施例中所述方法的步骤。
本发明的有益效果是：本发明中的一种瓦斯抽采智能调控方法、设备、装置及存储介质，其中瓦斯抽采智能调控方法包括：确定瓦斯抽采中被控量在未来采样时刻的目标参考数据；其中，所述被控量包括瓦斯抽采浓度、瓦斯抽采纯量、瓦斯抽采负压和抽采泵效能比；获取所述被控量在所述未来采样时刻的目标实际数据；确定影响所述瓦斯抽采中控制量与所述被控量之间状态关系的目标影响因子；其中，所述控制量包括阀门开度和抽采泵功率；基于所述目标参考数据和所述目标实际数据之间的目标误差，对所述目标影响因子进行目标调控。以此通过分析处理被控量和控制量之间状态关系的变化规律，实现动态调整瓦斯抽采系统中工况参数的目的，避免了传统瓦斯抽采方法中依赖人为经验进行调控导致的调控效率不高的弊端，大大提高了瓦斯抽采过程的灵活性和智能性；进一步的，由于控制量包括瓦斯抽采浓度、瓦斯抽采纯量、瓦斯抽采负压和抽采泵效能比，且被控量包括阀门开度和抽采泵功率，因此使得调控结果更加可靠和准确，从而也大大提高了瓦斯抽采系统的安全性和高效性。
附图说明
为了更清楚地说明本发明实施例的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本发明的某些实施例，因此不应被看作是对范围的限定，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相关的附图。
图1为本发明一实施例提供的瓦斯抽采系统示意图；
图2为本发明一实施例提供的瓦斯抽采智能调控方法流程示意图；
图3为本发明一实施例提供的被控量的理想参考曲线仿真示意图；
图4为本发明一实施例提供的瓦斯抽采智能调控装置示意图；
图5为一个实施例中计算机设备的内部结构图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本申请进行进一步详细说明。应当理解，此处描述的具体实施例仅仅用以解释本申请，并不用于限定本申请。
本申请提供的瓦斯抽采智能调控方法，应用于图1所示的瓦斯抽采系统中，如图1所示，地面的瓦斯抽采泵是整个系统的动力设备。多个抽采钻孔形成一个抽采群组，而整个分路管道子系统由多个抽采群组组成，最终抽采气体汇集到总管道中送至地面。而每个管道的阀门设备对整个抽采系统的抽采效果有一定的调控作用。抽采系统的控制任务是相辅相成的，首先需要满足所有的前提条件制约，其次每一时刻最佳状态下的瓦斯抽采浓度，瓦斯抽采纯量及瓦斯抽采负压，需要通过调节抽采泵功率及阀门开度实现。同时，瓦斯抽采纯量及抽采泵功率又影响着瓦斯效能比这一控制目标。
在一个实施例中，如图2所示，提供了一种瓦斯抽采智能调控方法，该方体可以为具备数据采集功能和处理功能的计算机设备，瓦斯抽采系统具备数据采集和数据处理功能，所述方法包括以下步骤：
步骤S11、确定瓦斯抽采中被控量在未来采样时刻的目标参考数据。
其中，被控量可以包括阀门开度和抽采泵功率，未来采样时刻可以为当前采样时刻之后的时刻。
具体的，计算机设备可以基于当前采样时刻之前被控量和控制量的历史数据，通过simpleRNN网络模型分别分析被控量的时间序列信息，从而得到被控量在未来采样时刻的目标参考数据。
在实际处理过程中，步骤S11可以通过以下子步骤实现：
步骤S111、确定所述被控量的目标网络模型。
其中，目标网络模型可以用于预测被控量在当前采样时刻之后的参考数据。
需要说明的是，步骤S111可以通过下述过程实现：
步骤S1111、获取所述被控量在历史采样时间的第一历史数据。
其中，历史采样时间可以包括当前采样时刻之前的一段时间。示例性的，如果当前采样时刻为第11天，那么历史采样时间可以为前10天。
具体的，计算机设备可以经由传感器采集瓦斯抽采系统中被控量在历史采样时间的第一历史数据，并且由于被控量包括瓦斯抽采浓度、瓦斯抽采纯量、瓦斯抽采负压和抽采泵效能比，因此第一历史数据可以包括瓦斯抽采浓度在历史采样时间的历史数据、瓦斯抽采纯量在历史采样时间的历史数据、瓦斯抽采负压在历史采样时间的历史数据及抽采泵效能比在历史采样时间的历史数据。
步骤S1112、基于所述第一历史数据对初始simpleRNN网络模型进行训练和预测处理，得到所述被控量的所述目标网络模型。
具体的，由于第一历史数据包括瓦斯抽采浓度、瓦斯抽采纯量、瓦斯抽采负压和抽采泵效能比各自的历史数据，因此可以基于初始simpleRNN网络模型分别进行训练和预测处理，从而得到的被控量的目标网络模型可以包括4个，分别为瓦斯抽采浓度的目标网络模型、瓦斯抽采纯量的目标网络模型、瓦斯抽采负压的目标网络模型和抽采泵效能比的目标网络模型。
需要说明的是，由于simpleRNN网络模型一样分析被控量的时间序列信息，因此瓦斯抽采浓度的目标网络模型可以为瓦斯抽采浓度理想变化曲线，瓦斯抽采纯量的目标网络模型可以为瓦斯抽采纯量理想变化曲线，瓦斯抽采负压的目标网络模型可以为瓦斯抽采负压理想变化曲线，抽采泵效能比的目标网络模型可以为抽采泵效能比理想变化曲线，并且将其都作为MPC模型需要无限接近的参考曲线。
在实际处理过程中，以瓦斯抽采浓度为例，设定当前采样时刻为第11天，得到瓦斯抽采浓度的目标网络模型的过程可以包括：计算机设备将前10天瓦斯抽采浓度的历史数据划分为训练数据和测试数据，比如[x1,x2,……,x7]为训练数据，[x8,x9,x10]为测试数据，设定训练次数为10次，那么，将[x1]输入至初始simpleRNN网络模型进行第1次训练后，输出[o1]，计算[o1]与[x2]的误差，并基于该误差自动更新初始simpleRNN网络模型中当前隐藏层和输出层所有的权重和偏置，得到经过1次训练的simpleRNN网络模型，然后再将[x2]输入至经过1次训练的simpleRNN网络模型中进行第1次训练，输出[o2]，并基于[o2]与[x3]的误差更新经过1次训练的simpleRNN网络模型中隐藏层和输出层所有的权重和偏置，……，将[x6]输入至经过1次训练的simpleRNN网络模型中进行第1次训练，输出[o6]，并基于[o6]与[x7]的误差更新经过1次训练的simpleRNN网络模型中隐藏层和输出层所有的权重和偏置，此时完成训练数据的第1次迭代，得到1次训练后simpleRNN网络模型且其输出为[o1,o2,……,o6]，误差可以用平方差或者平方开更等方式量化计算，即第一次迭代后误差为y＝(x2-o1)2+(x3-o2)2+……(x7-o6)2。
按照上述过程，再将训练数据[x1,x2,……,x7]输入至1次训练后simpleRNN网络模型中进行第2次训练，得到2次训练后simpleRNN网络模型。
如此重复，直至得到10次训练后simpleRNN网络模型，并且该10次训练后simpleRNN网络模型为瓦斯抽采浓度的目标网络模型；其中，理想情况下，每一次迭代产生的误差都会进一步减小，但实际情况中，当迭代次数达到一定次数后，误差不会有明显减小提升，因此可以根据实际问题人为需要调整迭代次数，也即迭代次数可根据实际情况调节，测试数据可以用于验证模型的优劣，使用测试数据输入能更好的验证模型的鲁棒性。比如，将[x8,x9,x10]输入模型得到输出[o7,o8]，同样通过计算误差来判断模型的优劣，误差越小模型越优。
步骤S112、基于所述被控量在所述当前采样时刻的第一真实数据和所述目标网络模型，确定所述瓦斯抽采中所述被控量在所述未来采样时刻的所述目标参考数据。
其中，第一真实数据可以包括瓦斯抽采浓度在当前采样时刻的真实数据、瓦斯抽采纯量在当前采样时刻的真实数据、瓦斯抽采负压在当前采样时刻的真实数据和抽采泵效能比在当前采样时刻的真实数据。
具体的，由于被控量包括瓦斯抽采浓度、瓦斯抽采纯量、瓦斯抽采负压和抽采泵效能比，并且目标网络模型包括瓦斯抽采浓度的目标网络模型、瓦斯抽采纯量的目标网络模型、瓦斯抽采负压的目标网络模型和抽采泵效能比的目标网络模型，因此，计算机设备将第一真实数据输入至目标网络模型中后，输出的目标参考数据可以包括瓦斯抽采浓度在未来采样时刻的参考数据、瓦斯抽采纯量在未来采样时刻的参考数据、瓦斯抽采负压在未来采样时刻的参考数据以及抽采泵效能比在未来采样时刻的参考数据。
步骤S12、获取所述被控量在所述未来采样时刻的目标实际数据。
在实际处理过程中，步骤S12可以通过下述过程实现：
步骤S121、获取所述被控量和所述控制量在当前采样时刻的第二真实数据。
具体的，计算机设备可以经由传感器采集获取被控量和控制量在当前采样时刻的第二真实数据，第二真实数据可以包括被控量在当前采样时刻的真实数据以及控制量在当前采样时刻的真实数据。
步骤S122、将所述第二真实数据作为MPC初始模型的输入且在预设输入条件的约束下，获取所述MPC初始模型输出的目标调控策略。
其中，预设输入条件可以包括第二真实数据输入至MPC初始模型中时以无限接近瓦斯抽采浓度理想变化曲线、瓦斯抽采纯量理想变化曲线、瓦斯抽采负压理想变化曲线以及抽采泵效能比理想变化曲线为目标。
具体的，计算机设备控制第二真实数据在预设输入条件的约束下输入MPC初始模型中时，可以输出目标调控策略，该目标调控策略可以用于表征对控制量的当前数据进行调整的策略且携带有控制量的调整值。其中，第二真实数据包括第一真实数据和第三真实数据。
步骤S123、基于所述目标调控策略，对所述控制量在所述当前采样时刻的第三真实数据进行调整。
具体的，计算机设备在得到目标调控策略后，可以基于该目标调控策略对控制量在当前采样时刻的第三真实数据进行调整，以使得调整后的数据与目标调整策略携带的调整值相等。
步骤S124、当确定所述第三真实数据被调整后，获取所述被控量在所述未来采样时刻的所述目标实际数据。
具体的，计算机设备确定控制量在当前采样时刻的第三真实数据被调整后，可以经由传感器采集被控量在未来采样时刻的目标实际数据。
步骤S13、确定影响所述瓦斯抽采中控制量与所述被控量之间状态关系的目标影响因子。
其中，控制量包括阀门开度和抽采泵功率。
在实际处理过程在，计算机设备可以通过MPC确定影响瓦斯抽采中控制量与被控量之间状态关系的目标影响因子，也即步骤S13可以包括下述子步骤实现：
步骤S131，获取所述控制量在所述历史采样时间的第二历史数据。
其中，历史采样时间可以为当前采样时刻之后的时间。
具体的，计算机设备可以从自身存储器或者瓦斯抽采系统在获取控制量在历史采样时间的第二历史数据，由于控制量包括阀门开度和抽采泵功率，因此，第二历史数据可以包括阀门开度在历史采样时间的历史数据以及抽采泵功率在历史采样时间的历史数据。
步骤S132，使用所述MPC初始模型学习所述第一历史数据和所述第二历史数据之间的关系，得到所述影响所述瓦斯抽采中所述控制量与所述被控量之间状态关系的所述目标影响因子。
其中，第一历史数据可以包括瓦斯抽采浓度在历史采样时间的历史数据、瓦斯抽采纯量在历史采样时间的历史数据、瓦斯抽采负压在历史采样时间的历史数据及抽采泵效能比在历史采样时间的历史数据。
具体的，计算机设备在获取到第一历史数据和第二历史数据后，可以进一步将其输入至MPC初始模型中进行分析学习，得到瓦斯抽采系统获取的瓦斯抽采中影响控制量与被控量之间状态关系，包括：
Yt＝AYt-1+BDt+E (1)
Yt+1＝AYt+BDt+1+E (2)
Yt+2＝AYt+1+BDt+2+E＝A2Yt+1+ABDt+BDt+1+AE+E (3)
Yt+T＝ATYt+AT-1BDt+…+AT-iBDt+i-1+…+BDt+T-1+AT-1E+…E (4)
式(1)-(4)中，Yt代表当前采样时刻的状态向量，Yt-1代表上一采样时刻的状态向量，Dt代表当前采样时刻的控制输入，下标t+1代表下一采样时刻，下标t+2代表下下一采样时刻，E代表常数项，A与B则分别代表各状态向量的权重矩阵和各控制输入的权重矩阵。假定未来T步的控制输入已知，则可得到未来T步的状态。并且，A、B、E均为瓦斯抽采中影响控制量与被控量之间状态关系的目标影响因子。也即确定出了影响瓦斯抽采中控制量与被控量之间状态关系的目标影响因子。
需要说明的是，在执行步骤S111之前，所述方法还包括：
步骤S101、判断所述第二真实数据分别与预设安全约束及预设效率约束之间的匹配关系。
其中，预设安全约束可以包括：乙烯浓度等于0、一氧化碳浓度小于60*10-6％、瓦斯抽采过程中的温度小于70℃、氧气浓度小于7％、瓦斯抽采过程中的负压小于40KPa；预设效率约束可以包括：抽采瓦斯浓度高于预设最小浓度临界值、抽采瓦斯纯量高于预设最小纯量临界值。
具体的，由于瓦斯抽采过程中的不稳定性，瓦斯抽采系统有四大控制任务：①提高瓦斯抽采浓度以满足瓦斯高效抽采需要；②提高瓦斯抽采纯量以满足瓦斯高效抽采需要；③维持抽采泵效能比在理想范围内以保证经济抽采；④确保瓦斯抽采在合理的负压条件下以避免发生瓦斯安全事故。
并且，瓦斯抽采系统的四个控制任务互相影响，是一个有机组合。瓦斯抽采浓度、瓦斯抽采纯量受阀门开度、抽采泵功率的影响；抽采泵效能比与抽采泵功率，瓦斯抽采效果紧密相关；合理的负压条件是安全原则下必须满足的前提条件。
此外，瓦斯安全生产与瓦斯含量直接相关，当瓦斯浓度过低时，抽采效果不达标，瓦斯浓度过高又会带来煤与瓦斯突出的安全隐患，所以需要维持瓦斯含量在一定的范围内。根据参考文献中的参数标准，确定瓦斯抽采过程中的安全条件[23-26]。抽采过程中CO的含量若高于60*10-6％,则表示煤矿中煤质达到了较高的氧化程度，产生煤火导致火灾的可能性急剧增加。为避免产生煤火影响瓦斯抽采安全，同时需要对氧气指标及温度指标进行参数监控。一般情况下，氧气含量控制在7％以下，管路出口处的气体温度需要维持在70℃以下。这是由于当温度进一步升高时，抽采区的氧气含量会随着瓦斯的高效抽采增加，造成煤层的氧化反应加快，带来一定的安全隐患。负压超过40kPa时，会造成煤与瓦斯突出的潜在危险。同时若检测到周边气体含有乙烯气体时，也需要给出相应的调控策略。
步骤S102、确定所述第二真实数据分别与所述预设安全约束及所述预设效率约束均匹配时，执行所述确定所述被控量的目标网络模型的步骤。
具体的，当计算机设备确定被控量在当前采样时刻的真实数据以及控制量在当前采样时刻的真实数据都满足预设安全约束和预设效率约束时，可以控制执行确定被控量的目标网络模型的步骤。
步骤S103、确定所述第二真实数据与所述预设安全约束和所述预设效率约束中至少一个不匹配时，停止调控过程。
具体的，当计算机设备确定第二真实数据与预设安全约束和预设效率约束中至少一个不匹配时，停止调控过程，也即停止调控过程的条件包括乙烯浓度大于零、CO浓度大于60*10-6％、气体温度大于70℃、氧气浓度大于7％、抽采负压大于40kPa、瓦斯浓度低于预设最小浓度临界值、瓦斯抽采纯量低于预设最小纯量临界值中任意一个。
步骤S14、基于所述目标参考数据和所述目标实际数据之间的目标误差，对所述目标影响因子进行目标调控。
具体的，计算机设备可以基于目标参考数据和目标实际数据之间的目标误差，可以基于批量梯度下降法对目标影响因子进行滚动优化和校正反馈，以此实现对目标影响因子进行目标调控的目的。
在实际处理过程中，每进行一次目标调控后，可以判断当前采样时刻是否为预设调结束时刻，如果不是，则更新当前采样时刻为下一采样时刻，再次执行步骤S11至步骤S14的过程，如果是，则停止调控过程。
示例性的，针对式(1)进行目标影响因子进行智能调控的过程可以包括：
步骤S141、假设第11天采集到的被控量的真实数据为当前采样时刻的状态向量Yt且Yt包括：瓦斯抽采浓度为80％，瓦斯抽采纯量为8.0m3/min，瓦斯抽采负压为20KPa，抽采泵效率比1.5m3/(kw*h)。
步骤S142、当前采样时刻的控制输入Dt包括：阀门开度为85°，抽采泵功率为240kw/h。
步骤S143、将当前采样时刻的状态向量Yt输入至simpleRNN网络模型预测得到第12天被控量的理想数据，基于所述第12天被控量的理想数据，MPC智能调控模型得到的控制输入为Dt+1，且Dt+1包括：阀门开度为90°，抽采泵效率比为1.6m3/(kw*h)。
其中，控制输入Dt+1可以是以达到第12天被控量的理想数据为目标而得到的。
步骤S144、根据第12天采集到的被控量的真实数据计算误差，得到损失函数对损失函数进行求导，得到误差下降方向，再根据误差下降方向确定目标影响因子A、B和E的更新值，例如将Yt和Dt+1简化为X1和X2，A和B简化为θ1和θ2，将E简化为θ0X0，X0＝1，式(1)可变形为Yt+1＝θ1X1+θ2X2+θ0X0，矩阵方程式表示为hθ(X)＝Xθ，损失函数表达式可变形为/>确定每个目标影响因子的下降梯度为/>下降梯度是为了得到损失函数的最小值时每个目标影响因子应该更新的方向，因此每个目标影响因子的更新值为/>β是一个常数变量，用于控制目标影响因子的更新速度，θ可以为θ1、θ2或者θ0。
下面结合仿真实验对本发明效果做进一步详细说明。
在本发明的仿真实验中，以每30min的时间间隔进行一组数据采样，统计21天的数据变化，共计1003条数据。数据包括6个参数：瓦斯抽采浓度、瓦斯抽采纯量、瓦斯抽采负压、瓦斯抽采效能比，阀门开度及抽采泵功率，对原始数据进行清洗，采用邻近均值法对数据缺失值和异常值进行补全。由于数据中含有不同量纲的数值，为提高预测的准确度及运算速度，利用归一化方法将数据缩放至0-1之间。再将数据以常规的比例7:3划分为训练集和测试集，利用simpleRNN分别处理被控量数据中的时间信息，得到的理想参考曲线如图3所示，图3包括图3a～图3f，图3a为本发明一实施例提供的抽采泵功率的理想参考曲线仿真示意图，图3b为本发明一实施例提供的阀门开度的理想参考曲线仿真示意图，图3c为本发明一实施例提供的抽采泵效能比的理想参考曲线仿真示意图，图3d为本发明一实施例提供的瓦斯抽采负压的理想参考曲线仿真示意图，图3e为本发明一实施例提供的瓦斯抽采纯量的理想参考曲线仿真示意图，图3f为本发明一实施例提供的瓦斯浓度的理想参考曲线仿真示意图。
由图3a～图3f可以看出，随着超参数神经元个数和迭代次数的增加，模型的输出数据与各个特征的真实数据之间的拟合度增加。当模型超参数达到合理取值时，神经元个数和迭代次数的持续增加并没有明显的提升模型输出数据的拟合度，仅仅提高了模型的复杂度，加大模型过拟合的风险。
综合考虑模型复杂度和数据拟合效果的基础上，抽采泵效能比分别维持在15-25kPa,1.3-1.5m3/(kw*h)附近。
综上所示，模型超参数选择为神经元128个，迭代次数为100次时，模型输出结果适合作为模型预测控制的理想参考曲线，并且模型负责度较低。
此外，由图3可以看出，阀门开度的调控值在-15°至15°之间，抽采泵功率的调控值在150KW/h至-100KW/h之间。大多时刻的调控幅度较为平缓，当出现大幅度调控值时，是在环境或非线性因素干扰的情况下，当前时刻被控量的理想参考曲线与真实值出现大幅度的差值。
上述钻机电控的远程监控方法中，确定瓦斯抽采中被控量在未来采样时刻的目标参考数据；其中，所述被控量包括瓦斯抽采浓度、瓦斯抽采纯量、瓦斯抽采负压和抽采泵效能比；获取所述被控量在所述未来采样时刻的目标实际数据；确定影响所述瓦斯抽采中控制量与所述被控量之间状态关系的目标影响因子；其中，所述控制量包括阀门开度和抽采泵功率；基于所述目标参考数据和所述目标实际数据之间的目标误差，对所述目标影响因子进行目标调控。以此通过分析处理被控量和控制量之间状态关系的变化规律，实现动态调整瓦斯抽采系统中工况参数的目的，避免了传统瓦斯抽采方法中依赖人为经验进行调控导致的调控效率不高的弊端，大大提高了瓦斯抽采过程的灵活性和智能性；进一步的，由于控制量包括瓦斯抽采浓度、瓦斯抽采纯量、瓦斯抽采负压和抽采泵效能比，且被控量包括阀门开度和抽采泵功率，因此使得调控结果更加可靠和准确，从而也大大提高了瓦斯抽采系统的安全性和高效性。
在一个实施例中，如图4所示，提供了一种瓦斯抽采智能调控装置，所述装置包括：第一确定模块41、获取模块42和第二确定模块43和调控模块44，其中：
第一确定模块41，用于确定瓦斯抽采中被控量在未来采样时刻的目标参考数据；其中，所述被控量包括瓦斯抽采浓度、瓦斯抽采纯量、瓦斯抽采负压和抽采泵效能比。获取模块42，用于获取所述被控量在所述未来采样时刻的目标实际数据。第二确定模块43，用于确定影响所述瓦斯抽采中控制量与所述被控量之间状态关系的目标影响因子；其中，所述控制量包括阀门开度和抽采泵功率。调控模块44，用于基于所述目标参考数据和所述目标实际数据之间的目标误差，对所述目标影响因子进行目标调控。
关于瓦斯抽采智能调控装置的具体限定可以参见上文中对于瓦斯抽采智能调控方法的限定，在此不再赘述。上述瓦斯抽采智能调控装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中，也可以以软件形式存储于计算机设备中的存储器中，以便于处理器调用执行以上各个模块对应的操作。
在一个实施例中，提供了一种计算机设备，该计算机设备可以是终端，其内部结构图可以如图5所示。该计算机设备包括通过系统总线连接的处理器、存储器、通信接口、显示屏和输入装置。其中，该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统和计算机程序。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的通信接口用于与外部的终端进行有线或无线方式的通信，无线方式可通过WIFI、运营商网络、NFC(近场通信)或其他技术实现。该计算机程序被处理器执行时以实现一种钻机电控的远程监控方法。该计算机设备的显示屏可以是液晶显示屏或者电子墨水显示屏，该计算机设备的输入装置可以是显示屏上覆盖的触摸层，也可以是计算机设备外壳上设置的按键、轨迹球或触控板，还可以是外接的键盘、触控板或鼠标等。
本领域技术人员可以理解，图5中示出的结构，仅仅是与本申请方案相关的部分结构的框图，并不构成对本申请方案所应用于其上的计算机设备的限定，具体的计算机设备可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。
在一个实施例中，提供了一种计算机设备，包括存储器和处理器，存储器中存储有计算机程序，该处理器执行计算机程序时实现前述各方法实施例中的步骤。
在一个实施例中，提供了一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行前述各方法实施例中的步骤。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是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非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用，均可包括非易失性和易失性存储器中的至少一种。非易失性存储器可包括只读存储器(Read-Only Memory，ROM)、磁带、软盘、闪存或光存储器等。易失性存储器可包括随机存取存储器(Random Access Memory，RAM)或外部高速缓冲存储器。作为说明而非局限，RAM可以是多种形式，比如静态随机存取存储器(Static Random Access Memory，SRAM)或动态随机存取存储器(Dynamic RandomAccess Memory，DRAM)等。
以上实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本申请的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本申请构思的前提下，还可以做出若干变形和改进，这些都属于本申请的保护范围。因此，本申请专利的保护范围应以所附权利要求为准。
Claims (5)
1.一种瓦斯抽采智能调控方法，其特征在于，所述方法包括：
确定瓦斯抽采中被控量在未来采样时刻的目标参考数据；其中，所述被控量包括瓦斯抽采浓度、瓦斯抽采纯量、瓦斯抽采负压和抽采泵效能比；
所述确定瓦斯抽采中被控量在未来采样时刻的目标参考数据，包括：确定所述被控量的目标网络模型；其中，所述目标网络模型用于预测所述被控量在当前采样时刻之后的参考数据；基于所述被控量在所述当前采样时刻的第一真实数据和所述目标网络模型，确定所述瓦斯抽采中所述被控量在所述未来采样时刻的所述目标参考数据；
所述确定所述被控量的目标网络模型，包括：获取所述被控量在历史采样时间的第一历史数据；基于所述第一历史数据对初始simpleRNN网络模型进行训练和预测处理，得到所述被控量的所述目标网络模型；
获取所述被控量在所述未来采样时刻的目标实际数据；所述获取所述被控量在所述未来采样时刻的目标实际数据，包括：获取所述被控量和控制量在当前采样时刻的第二真实数据；将所述第二真实数据作为MPC初始模型的输入且在预设输入条件的约束下，获取所述MPC初始模型输出的目标调控策略；基于所述目标调控策略，对所述控制量在所述当前采样时刻的第三真实数据进行调整；当确定所述第三真实数据被调整后，获取所述被控量在所述未来采样时刻的所述目标实际数据；
确定影响所述瓦斯抽采中控制量与所述被控量之间状态关系的目标影响因子；其中，所述控制量包括阀门开度和抽采泵功率；所述确定影响所述瓦斯抽采中控制量与所述被控量之间状态关系的目标影响因子，包括：获取所述控制量在所述历史采样时间的第二历史数据；使用所述MPC初始模型学习所述第一历史数据和所述第二历史数据之间的关系，得到所述影响所述瓦斯抽采中所述控制量与所述被控量之间状态关系的所述目标影响因子；计算机设备在获取到第一历史数据和第二历史数据后，进一步将其输入至MPC初始模型中进行分析学习，得到瓦斯抽采系统获取的瓦斯抽采中影响控制量与被控量之间状态关系，包括：
Yt＝AYt-1+BDt+E (1)
Yt+1＝AYt+BDt+1+E (2)
Yt+2＝AYt+1+BDt+2+E＝A2Yt+1+ABDt+BDt+1+AE+E (3)
Yt+T＝ATYt+AT-1BDt+…+AT-iBDt+i-1+…+BDt+T-1+AT-1E+…E (4)
式(1)-(4)中，Yt代表当前采样时刻的状态向量，Yt-1代表上一采样时刻的状态向量，Dt代表当前采样时刻的控制输入，下标t+1代表下一采样时刻，下标t+2代表下下一采样时刻，E代表常数项，A与B则分别代表各状态向量的权重矩阵和各控制输入的权重矩阵；假定未来T步的控制输入已知，则可得到未来T步的状态；并且，A、B、E均为瓦斯抽采中影响控制量与被控量之间状态关系的目标影响因子；也即确定出了影响瓦斯抽采中控制量与被控量之间状态关系的目标影响因子；
基于所述目标参考数据和所述目标实际数据之间的目标误差，对所述目标影响因子进行目标调控；当计算机设备确定第二真实数据与预设安全约束和预设效率约束中至少一个不匹配时，停止调控过程，也即停止调控过程的条件包括乙烯浓度大于零、CO浓度大于60*10-6％、气体温度大于70℃、氧气浓度大于7％、抽采负压大于40kPa、瓦斯浓度低于预设最小浓度临界值、瓦斯抽采纯量低于预设最小纯量临界值中任意一个；
在执行所述确定所述被控量的目标网络模型的步骤之前，所述方法还包括：判断所述第二真实数据分别与预设安全约束及预设效率约束之间的匹配关系；确定所述第二真实数据分别与所述预设安全约束及所述预设效率约束均匹配时，执行所述确定所述被控量的目标网络模型的步骤；确定所述第二真实数据与所述预设安全约束和所述预设效率约束中至少一个不匹配时，停止调控过程。
2.根据权利要求1所述的瓦斯抽采智能调控方法，其特征在于，所述预设安全约束，包括：乙烯浓度等于0、一氧化碳浓度小于60*10-6％、瓦斯抽采过程中的温度小于70℃、氧气浓度小于7％、瓦斯抽采过程中的负压小于40KPa；
所述预设效率约束，包括：抽采瓦斯浓度高于预设最小浓度临界值、抽采瓦斯纯量高于预设最小纯量临界值。
3.一种瓦斯抽采智能调控装置，实施如权利要求1所述方法，其特征在于，所述装置包括：第一确定模块、获取模块、第二确定模块和调控模块，其中：
第一确定模块，用于确定瓦斯抽采中被控量在未来采样时刻的目标参考数据；其中，所述被控量包括瓦斯抽采浓度、瓦斯抽采纯量、瓦斯抽采负压和抽采泵效能比；
获取模块，用于获取所述被控量在所述未来采样时刻的目标实际数据；
第二确定模块，用于确定影响所述瓦斯抽采中控制量与所述被控量之间状态关系的目标影响因子；其中，所述控制量包括阀门开度和抽采泵功率；
调控模块，用于基于所述目标参考数据和所述目标实际数据之间的目标误差，对所述目标影响因子进行目标调控。
4.一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求1至2中任一项所述方法的步骤。
5.一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至2中任一项所述方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110502124.XA CN113095951B (zh) | 2021-05-08 | 2021-05-08 | 一种瓦斯抽采智能调控方法、设备、装置及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110502124.XA CN113095951B (zh) | 2021-05-08 | 2021-05-08 | 一种瓦斯抽采智能调控方法、设备、装置及存储介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN113095951A CN113095951A (zh) | 2021-07-09 |
| CN113095951B true CN113095951B (zh) | 2023-09-22 |
Family
ID=76664997
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110502124.XA Active CN113095951B (zh) | 2021-05-08 | 2021-05-08 | 一种瓦斯抽采智能调控方法、设备、装置及存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113095951B (zh) |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113605866B (zh) * | 2021-08-25 | 2024-04-02 | 上海大屯能源股份有限公司孔庄煤矿 | 一种矿井瓦斯抽采动态调控系统及方法 |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108921359A (zh) * | 2018-07-26 | 2018-11-30 | 安徽大学 | 一种分布式瓦斯浓度预测方法及装置 |
| CN109711641A (zh) * | 2019-01-28 | 2019-05-03 | 辽宁工程技术大学 | 一种基于改进ga-bp网络模型的瓦斯涌出量预测方法 |
| CN111351180A (zh) * | 2020-03-06 | 2020-06-30 | 上海外高桥万国数据科技发展有限公司 | 一种运用人工智能实现数据中心节能温控的系统及方法 |
| CN111612643A (zh) * | 2020-05-18 | 2020-09-01 | 中国矿业大学 | 一种瓦斯抽采对象与抽采措施优选匹配方法 |
| CN111799847A (zh) * | 2020-07-16 | 2020-10-20 | 国网北京市电力公司 | 计及风险的主动配电网两阶段随机模型的预测控制方法 |
| WO2021007744A1 (zh) * | 2019-07-15 | 2021-01-21 | 广东工业大学 | 一种集成空间约束的核模糊c均值快速聚类算法 |
| WO2021063033A1 (zh) * | 2019-09-30 | 2021-04-08 | 北京国双科技有限公司 | 空调能耗模型训练方法与空调系统控制方法 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| EP3289415B1 (en) * | 2015-04-30 | 2020-05-06 | Aspen Technology Inc. | Formulating steady-state targets using prioritized objective functions |
-
2021
- 2021-05-08 CN CN202110502124.XA patent/CN113095951B/zh active Active
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108921359A (zh) * | 2018-07-26 | 2018-11-30 | 安徽大学 | 一种分布式瓦斯浓度预测方法及装置 |
| CN109711641A (zh) * | 2019-01-28 | 2019-05-03 | 辽宁工程技术大学 | 一种基于改进ga-bp网络模型的瓦斯涌出量预测方法 |
| WO2021007744A1 (zh) * | 2019-07-15 | 2021-01-21 | 广东工业大学 | 一种集成空间约束的核模糊c均值快速聚类算法 |
| WO2021063033A1 (zh) * | 2019-09-30 | 2021-04-08 | 北京国双科技有限公司 | 空调能耗模型训练方法与空调系统控制方法 |
| CN111351180A (zh) * | 2020-03-06 | 2020-06-30 | 上海外高桥万国数据科技发展有限公司 | 一种运用人工智能实现数据中心节能温控的系统及方法 |
| CN111612643A (zh) * | 2020-05-18 | 2020-09-01 | 中国矿业大学 | 一种瓦斯抽采对象与抽采措施优选匹配方法 |
| CN111799847A (zh) * | 2020-07-16 | 2020-10-20 | 国网北京市电力公司 | 计及风险的主动配电网两阶段随机模型的预测控制方法 |
Non-Patent Citations (4)
| Title |
|---|
| Crop Yield Prediction Using Machine Learning Algorithms;Aruvansh Nigam等;2019 Fifth International Conference on Image Information Processing (ICIIP);全文 * |
| 制粉系统抗扰动预测控制算法研究;曾德良;简一帆;高耀岿;;控制与决策(第06期);全文 * |
| 潘一东煤矿煤层气智能抽采监控装备;黄鹤;;煤矿安全(第10期);全文 * |
| 煤层气智能抽采监控系统的研究与设计;黄鹤;;中国煤炭(第01期);全文 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN113095951A (zh) | 2021-07-09 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111045326B (zh) | 一种基于递归神经网络的烘丝过程水分预测控制方法及系统 | |
| CN112149903B (zh) | 基于bp神经网络算法的火电机组一次调频分析与优化方法 | |
| CN110782067B (zh) | 一种基于模糊信息粒化的烧结终点波动范围预测方法 | |
| CN113095951B (zh) | 一种瓦斯抽采智能调控方法、设备、装置及存储介质 | |
| Al-Mahasneh et al. | Applications of general regression neural networks in dynamic systems | |
| CN105867138A (zh) | 一种基于pid控制器的稳定平台控制方法及装置 | |
| CN115689353A (zh) | 基于gs-svm算法的水电站调速系统健康评估方法 | |
| CN108154266B (zh) | 一种含风电电力系统经济调度方法 | |
| CN110852522B (zh) | 一种短期电力负荷预测方法及系统 | |
| CN114403486B (zh) | 基于局部峰值编码循环网络的气流式烘丝机智能控制方法 | |
| CN111600309B (zh) | 电压控制方法、装置、设备、计算机设备和存储介质 | |
| CN112819224B (zh) | 基于深度学习融合模型的机组出力预测及置信评估方法 | |
| CN114036506A (zh) | 一种基于lm-bp神经网络的检测和防御虚假数据注入攻击的方法 | |
| CN113204857A (zh) | 基于极端梯度提升树算法的电子器件剩余寿命预测方法 | |
| CN114139442A (zh) | 基于K-means-LSTM的汽轮机阀门流量特性函数的优化方法 | |
| CN113705929A (zh) | 一种基于负荷特征曲线及典型特征值融合的春节假期负荷预测方法 | |
| CN111695300A (zh) | 一种汽轮机阀门流量拟合方法及系统 | |
| CN116307746A (zh) | 基于分时体感温度相关性的lstm配变负荷预测实现方法 | |
| CN116505556B (zh) | 基于一次调频的风电场功率控制系统及方法 | |
| Dai et al. | Electro-hydraulic servo control system based on a novel generic model control method | |
| CN117829000B (zh) | 一种基于实时力学分析的光伏系统调控方法 | |
| CN116345495B (zh) | 基于数据分析和建模的电厂机组调频优化方法 | |
| CN116894390A (zh) | 一种极端天气下风速预测方法和系统 | |
| Dai et al. | A Prediction Method for Power Transformer State Parameters Based on Grid Long Short-Term Memory Network | |
| Zhou et al. | A Two‐Stage Scheduling RPC Based on Time‐Varying Coefficient Information of State‐Dependent ARX Model |
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 |