CN113111588B - 一种燃气轮机nox排放浓度预测方法及装置 - Google Patents

一种燃气轮机nox排放浓度预测方法及装置 Download PDF

Info

Publication number
CN113111588B
CN113111588B CN202110442134.9A CN202110442134A CN113111588B CN 113111588 B CN113111588 B CN 113111588B CN 202110442134 A CN202110442134 A CN 202110442134A CN 113111588 B CN113111588 B CN 113111588B
Authority
CN
China
Prior art keywords
data
input
feature
variable
data set
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
Application number
CN202110442134.9A
Other languages
English (en)
Other versions
CN113111588A (zh
Inventor
张宝凯
庄义飞
曲晓荷
郭宝
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.)
Datang Boiler Pressure Vessel Examination Center Co Ltd
East China Electric Power Test Institute of China Datang Corp Science and Technology Research Institute Co Ltd
Original Assignee
Datang Boiler Pressure Vessel Examination Center Co Ltd
East China Electric Power Test Institute of China Datang Corp Science and Technology Research Institute 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 Datang Boiler Pressure Vessel Examination Center Co Ltd, East China Electric Power Test Institute of China Datang Corp Science and Technology Research Institute Co Ltd filed Critical Datang Boiler Pressure Vessel Examination Center Co Ltd
Priority to CN202110442134.9A priority Critical patent/CN113111588B/zh
Publication of CN113111588A publication Critical patent/CN113111588A/zh
Application granted granted Critical
Publication of CN113111588B publication Critical patent/CN113111588B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

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
    • G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
    • G06F2119/02—Reliability analysis or reliability optimisation; Failure analysis, e.g. worst case scenario performance, failure mode and effects analysis [FMEA]

Abstract

本发明公开了一种燃气轮机NOX排放浓度预测方法及装置，所述方法包括：建立样本数据集DATA并将样本数据集DATA转换为向量形式，得到向量集合；对向量集合进行预处理，得到预处理后的数据集D*；分别采用偏互信息PMI、决策树CART、套索回归LASSO对预处理后的数据集D*进行特征选择，并根据变量排序原则得到各算法进行特征选择后的重要信息排序，选择每个重要信息排序的前10个特征分别构成新的样本集
Figure DDA0003035413660000011
利用非线性多特征选择组合预测模型进行NOX排放浓度预测；本发明的优点在于：预测精度较高。

Description

一种燃气轮机NOX排放浓度预测方法及装置
技术领域
本发明涉及NOX浓度预测领域，更具体涉及一种燃气轮机NOX排放浓度预测方法及装置。
背景技术
煤炭发电以低廉的经济优势占据着我国能源结构的主要部分，煤炭发电过程中会释放大量NOX污染物，随着严格的环境法规的推进，加大了煤电环保工作的难度。与煤炭发电相比，燃气蒸汽联合循环机组以天然气为介质燃料，发电产物清洁，NOX排放浓度仅为煤炭电厂的1/10。
燃机NOX排放浓度能够反映燃机的燃烧健康水平，是建立燃烧调整模型的重要变量。异常的排放特性影响机组燃烧效率，燃烧脉动不稳定，触发负荷超驰机制。准确的预测NOx可以对异常工况进行预警，消除安全隐患。
构造准确预测模型的核心是针对研究问题找到适合的建模方法。在已有研究中，建模方法以传统物理分析方法、统计学方法和数据驱动的先进智能方法三种。其中，曹军等发表文献《F级燃气-蒸汽联合循环机组高精度全范围仿真系统的开发》，利用APROS软件对燃机热力过程进行质量、动量分析，遵循能量守恒法则对F级燃气蒸汽机组全范围过程进行实时动态仿真。然而，该机理方法在建模精度方面有提升空间。厂级数据监控系统(Supervisory Information System，SIS)作为智慧电厂控制的子系统实现了机组过程控制中大量参数数据状态的监测记录与实时访问，为先进智能建模控制策略提供了保障。其中，李景轩等发表《燃气轮机机理-数据混合建模方法研究》，设计了一种以智能算法作为机理模型误差补偿的混合模型控制器方法，并对不同组合方式的设计进行了基于分布式控制系统(Distributed Control System,DCS)数据的验证实验，将预测精度提高。云世豪等发表《基于RS-RBF的燃气轮机控制系统传感器故障诊断研究》，将传感器故障征兆属性通过改进的等频离散方法处理构建粗糙集，并进行下一步RBF网络的建立减少传感器故障的误判率。已有研究在电站参数建模方面取得了成功，然而以上研究均为浅层机器学习方法，不能够捕捉隐藏在数据底层的深层次有用信息，导致预测精度不够高。
发明内容
本发明所要解决的技术问题在于现有技术NOX浓度预测方法预测精度不够高的问题。
本发明通过以下技术手段实现解决上述技术问题的：一种燃气轮机NOX排放浓度预测方法，所述方法包括：
步骤一：TCS数据采集系统中获取与NOX排放浓度相关的燃烧状态参数与控制参数原始数据，建立样本数据集DATA并将样本数据集DATA转换为向量形式，得到向量集合；
步骤二：对向量集合进行预处理，得到预处理后的数据集D*；
步骤三：分别采用偏互信息PMI、决策树CART、套索回归LASSO对预处理后的数据集D*进行特征选择，并根据变量排序原则得到各算法进行特征选择后的重要信息排序，选择每个重要信息排序的前10个特征分别构成新的样本集
Figure GDA0003880206670000021
步骤四：基于深度置信网络DBN对PMI、CART、LASSO算法下构成的样本集
Figure GDA0003880206670000031
分别进行建模预测，并采用DNN算法构建非线性多特征选择组合预测模型，利用非线性多特征选择组合预测模型进行NOX排放浓度预测。
本发明分别通过PMI、决策树CART、套索回归LASSO对预处理后的数据集D*进行特征选择并排序得到了新的样本集
Figure GDA0003880206670000032
基于深度置信网络DBN对PMI、CART、LASSO算法下构成的样本集
Figure GDA0003880206670000033
分别进行建模预测，并采用DNN算法构建非线性多特征选择组合预测模型，利用非线性多特征选择组合预测模型进行NOX排放浓度预测，预测过程不是单一算法预测结果，而且通过DNN算法对多个预测结果拟合得到较为准确的预测结果，预测精度较高。
进一步地，所述步骤一包括：
从TCS数据采集系统中获取与NOX排放浓度相关的燃烧状态参数与控制参数原始数据，建立样本数据集DATA＝X∪Y，其中，
Figure GDA0003880206670000034
N为特征个数，
Figure GDA0003880206670000035
特征中含有m个数值，记为m个样本；输出特征Y＝{y1,y2,…,ym}，输出特征Y中的每一个数值对应
Figure GDA0003880206670000036
中每个样本的NOX排放浓度值，构造输入输出矩阵
Figure GDA0003880206670000037
将输入输出矩阵D改写为由N+1个列向量构成的向量集合
Figure GDA0003880206670000038
Figure GDA0003880206670000039
表示向量集合中第一个元素，其实际是输入输出矩阵D中第一列向量，对应于样本数据集的第一个特征。
进一步地，所述步骤二包括：采用DBSCAN异常点检测方法与Savitzky-Golay平滑滤波相结合的方法对向量集合进行数据预处理，并将处理后数据映射到[0,1]区间，得到预处理后的数据集D*。
更进一步地，所述步骤三包括：
步骤3-1：数据集D*作为初始数据集，通过公式
Figure GDA0003880206670000041
计算初始数据集中特征
Figure GDA0003880206670000042
与
Figure GDA0003880206670000043
的互信息
Figure GDA0003880206670000044
并选出最大互信息时对应的特征移入初始集合S中；其中，f(·)为基于m组样本的估计密度函数；
步骤3-2：通过公式
Figure GDA0003880206670000045
计算数据集D*中剩余特征
Figure GDA0003880206670000046
中的每一个特征剔除S信息影响后输入残差V，通过公式
Figure GDA0003880206670000047
计算
Figure GDA0003880206670000048
中剔除S信息影响后的输出残差U；其中，E(·)表示条件期望；
步骤3-3：计算I(V,U)，并找出互信息最大时的变量
Figure GDA0003880206670000049
步骤3-4：将
Figure GDA00038802066700000410
放入集合S中更新集合S得到更新后的集合S’，将更新后的集合S’作为初始集合S，将变量集
Figure GDA00038802066700000411
作为初始数据集，返回执行步骤3-2-步骤3-4，直到变量集C为空为止；
步骤3-5：根据所有变量在计算最大互信息时所移入集合S中的变量顺序，得到所有输入变量重要信息排序
Figure GDA00038802066700000412
更进一步地，所述步骤三还包括：
步骤3-6：通过公式
Figure GDA00038802066700000415
计算集合D*中某一个特征的第i个样本的Gini系数，其中，
Figure GDA00038802066700000413
为集合D*中某一个特征的第i个样本划分为左集合后的方差，
Figure GDA00038802066700000414
为集合D*中某一个特征的第i个样本划分为右集合后的方差；
步骤3-7：循环步骤3-6计算集合D*中所有特征，得到每个特征的Gini系数以及其对应的切分点；
步骤3-8：选择Gini系数最小的特征以及对应的切分点为最优特征和最优切分点，根据最小的特征以及对应的切分点将该属性下的样本划分为二部分子集D1与子集D2；
步骤3-9：将子集D1作为集合D*返回执行步骤3-6至步骤3-8，对子集D1继续划分，将子集D2作为集合D*返回执行步骤3-6至步骤3-8，对子集D2继续划分，直到每个特征不再有除该特征本身以外的子集，所有特征划分完成，生成CART树结构；
步骤3-10：通过公式
Figure GDA0003880206670000051
计算特征重要性信息；其中，N是特征个数，m_t是当前节点特征数，Gini表示当前特征的基尼系数，m_t_R为当前节点分裂右孩子数，G in iR对应当前节点分裂的右孩子基尼系数，m_t_L为当前节点分裂左孩子数，G in iL对应当前节点分裂的左孩子基尼系数；
步骤3-11：将获得的所有特征重要性信息从大到小排序，排序结果对应的特征的顺序作为输入变量重要信息排序
Figure GDA0003880206670000052
更进一步地，所述步骤三还包括：
步骤3-12：调用matlab中LASSO特征选择变量工具包中的LASSO(X,Y)函数，计算得到D*中的输入特征
Figure GDA0003880206670000053
对应的系数矩阵H；
步骤3-13：对系数矩阵H从左到右分析，记录每一行最先出现0元素时对应的列，将所有的列中最先出现0元素的列对应的输入特征放在输入变量重要信息排序
Figure GDA0003880206670000061
的最后一位，将所有的列中最后出现0元素的列对应的输入特征放在输入变量重要信息排序
Figure GDA0003880206670000062
的第一位，按照此排序规则对D*中的所有的输入特征进行排序得到最终的输入变量重要信息排序
Figure GDA0003880206670000063
步骤3-14：将输入变量重要信息排序
Figure GDA0003880206670000064
输入变量重要信息排序
Figure GDA0003880206670000065
输入变量重要信息排序
Figure GDA0003880206670000066
中前10个特征分别与输出特征构成新的样本集
Figure GDA0003880206670000067
更进一步地，所述步骤四包括：
步骤4-1：将新的样本集
Figure GDA0003880206670000068
分别输入深度置信网络DBN进行建模预测，分别得到NOx浓度预测结果值y1’、y2’、y3’；
步骤4-2：将DNN网络的输入神经元个数设置为3，输出神经元个数设置为1，构建DNN模型；
步骤4-3：将NOx浓度预测结果值y1’、y2’、y3’作为DNN模型的建模输入变量，实际测量值y作为DNN模型的建模输出变量，对NOx浓度预测结果进行误差修正，得到最终预测结果。
本发明还提供一种燃气轮机NOX排放浓度预测装置，所述装置包括：
数据集获取模块，用于TCS数据采集系统中获取与NOX排放浓度相关的燃烧状态参数与控制参数原始数据，建立样本数据集DATA并将样本数据集DATA转换为向量形式，得到向量集合；
预处理模块，用于对向量集合进行预处理，得到预处理后的数据集D*；
特征选择模块，用于分别采用偏互信息PMI、决策树CART、套索回归LASSO对预处理后的数据集D*进行特征选择，并根据变量排序原则得到各算法进行特征选择后的重要信息排序，选择每个重要信息排序的前10个特征分别构成新的样本集
Figure GDA0003880206670000071
预测模块，用于基于深度置信网络DBN对PMI、CART、LASSO算法下构成的样本集
Figure GDA0003880206670000072
分别进行建模预测，并采用DNN算法构建非线性多特征选择组合预测模型，利用非线性多特征选择组合预测模型进行NOX排放浓度预测。
进一步地，所述数据集获取模块还用于：
从TCS数据采集系统中获取与NOX排放浓度相关的燃烧状态参数与控制参数原始数据，建立样本数据集DATA＝X∪Y，其中，
Figure GDA0003880206670000073
N为特征个数，
Figure GDA0003880206670000074
特征中含有m个数值，记为m个样本；输出特征Y＝{y1,y2,…,ym}，输出特征Y中的每一个数值对应
Figure GDA0003880206670000075
中每个样本的NOX排放浓度值，构造输入输出矩阵
Figure GDA0003880206670000076
将输入输出矩阵D改写为由N+1个列向量构成的向量集合
Figure GDA0003880206670000077
Figure GDA0003880206670000078
表示向量集合中第一个元素，其实际是输入输出矩阵D中第一列向量，对应于样本数据集的第一个特征。
进一步地，所述预处理模块还用于：采用DBSCAN异常点检测方法与Savitzky-Golay平滑滤波相结合的方法对向量集合进行数据预处理，并将处理后数据映射到[0,1]区间，得到预处理后的数据集D*。
更进一步地，所述特征选择模块还用于：
步骤3-1：数据集D*作为初始数据集，通过公式
Figure GDA0003880206670000079
计算初始数据集中特征
Figure GDA00038802066700000710
与
Figure GDA00038802066700000711
的互信息
Figure GDA0003880206670000081
并选出最大互信息时对应的特征移入初始集合S中；其中，f(·)为基于m组样本的估计密度函数；
步骤3-2：通过公式
Figure GDA0003880206670000082
计算数据集D*中剩余特征
Figure GDA0003880206670000083
中的每一个特征剔除S信息影响后输入残差V，通过公式
Figure GDA0003880206670000084
计算
Figure GDA0003880206670000085
中剔除S信息影响后的输出残差U；其中，E(·)表示条件期望；
步骤3-3：计算I(V,U)，并找出互信息最大时的变量
Figure GDA0003880206670000086
步骤3-4：将
Figure GDA0003880206670000087
放入集合S中更新集合S得到更新后的集合S’，将更新后的集合S’作为初始集合S，将变量集
Figure GDA0003880206670000088
作为初始数据集，返回执行步骤3-2-步骤3-4，直到变量集C为空为止；
步骤3-5：根据所有变量在计算最大互信息时所移入集合S中的变量顺序，得到所有输入变量重要信息排序
Figure GDA0003880206670000089
更进一步地，所述特征选择模块还用于：
步骤3-6：通过公式
Figure GDA00038802066700000810
计算集合D*中某一个特征的第i个样本的Gini系数，其中，
Figure GDA00038802066700000811
为集合D*中某一个特征的第i个样本划分为左集合后的方差，
Figure GDA00038802066700000812
为集合D*中某一个特征的第i个样本划分为右集合后的方差；
步骤3-7：循环步骤3-6计算集合D*中所有特征，得到每个特征的Gini系数以及其对应的切分点；
步骤3-8：选择Gini系数最小的特征以及对应的切分点为最优特征和最优切分点，根据最小的特征以及对应的切分点将该属性下的样本划分为二部分子集D1与子集D2；
步骤3-9：将子集D1作为集合D*返回执行步骤3-6至步骤3-8，对子集D1继续划分，将子集D2作为集合D*返回执行步骤3-6至步骤3-8，对子集D2继续划分，直到每个特征不再有除该特征本身以外的子集，所有特征划分完成，生成CART树结构；
步骤3-10：通过公式
Figure GDA0003880206670000091
计算特征重要性信息；其中，N是特征个数，m_t是当前节点特征数，Gini表示当前特征的基尼系数，m_t_R为当前节点分裂右孩子数，G in iR对应当前节点分裂的右孩子基尼系数，m_t_L为当前节点分裂左孩子数，G in iL对应当前节点分裂的左孩子基尼系数；
步骤3-11：将获得的所有特征重要性信息从大到小排序，排序结果对应的特征的顺序作为输入变量重要信息排序
Figure GDA0003880206670000092
更进一步地，所述特征选择模块还用于：
步骤3-12：调用matlab中LASSO特征选择变量工具包中的LASSO(X,Y)函数，计算得到D*中的输入特征
Figure GDA0003880206670000093
对应的系数矩阵H；
步骤3-13：对系数矩阵H从左到右分析，记录每一行最先出现0元素时对应的列，将所有的列中最先出现0元素的列对应的输入特征放在输入变量重要信息排序
Figure GDA0003880206670000094
的最后一位，将所有的列中最后出现0元素的列对应的输入特征放在输入变量重要信息排序
Figure GDA0003880206670000095
的第一位，按照此排序规则对D*中的所有的输入特征进行排序得到最终的输入变量重要信息排序
Figure GDA0003880206670000096
步骤3-14：将输入变量重要信息排序
Figure GDA0003880206670000097
输入变量重要信息排序
Figure GDA0003880206670000098
输入变量重要信息排序
Figure GDA0003880206670000099
中前10个特征分别与输出特征构成新的样本集
Figure GDA0003880206670000101
更进一步地，所述预测模块还用于：
步骤4-1：将新的样本集
Figure GDA0003880206670000102
分别输入深度置信网络DBN进行建模预测，分别得到NOx浓度预测结果值y1’、y2’、y3’；
步骤4-2：将DNN网络的输入神经元个数设置为3，输出神经元个数设置为1，构建DNN模型；
步骤4-3：将NOx浓度预测结果值y1’、y2’、y3’作为DNN模型的建模输入变量，实际测量值y作为DNN模型的建模输出变量，对NOx浓度预测结果进行误差修正，得到最终预测结果。
本发明的优点在于：本发明分别通过PMI、决策树CART、套索回归LASSO对预处理后的数据集D*进行特征选择并排序得到了新的样本集
Figure GDA0003880206670000103
基于深度置信网络DBN对PMI、CART、LASSO算法下构成的样本集
Figure GDA0003880206670000104
分别进行建模预测，并采用DNN算法构建非线性多特征选择组合预测模型，利用非线性多特征选择组合预测模型进行NOX排放浓度预测，预测过程不是单一算法预测结果，而且通过DNN算法对多个预测结果拟合得到较为准确的预测结果，预测精度较高。
附图说明
图1为本发明实施例所提供的一种燃气轮机NOX排放浓度预测方法的流程图；
图2为本发明实施例所提供的一种燃气轮机NOX排放浓度预测方法的预测结果与PMI、CART、LASSO三种特征选择算法进行比较的示意图；
图3为采用相同LASSO特征选择算法不同建模模型的NOx排放预测结果的相对误差箱型图；
图4为本发明实施例所提供的一种燃气轮机NOX排放浓度预测方法与3种特征选择算法经过非线性组合前后的NOx排放预测值拟合实际测量值的散点图对比，其中(a)、(b)、(c)、(d)分别表示的是PMI、CART、LASSO、本发明的预测方法的NOx排放预测值拟合实际测量值的散点图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
实施例1
如图1所示，一种燃气轮机NOX排放浓度预测方法，所述方法包括：
步骤S1：TCS数据采集系统中获取与NOX排放浓度相关的燃烧状态参数与控制参数原始数据，建立样本数据集DATA并将样本数据集DATA转换为向量形式，得到向量集合；具体过程为：
从TCS数据采集系统中获取与NOX排放浓度相关的燃烧状态参数与控制参数原始数据，建立样本数据集DATA＝X∪Y，其中，
Figure GDA0003880206670000111
N为特征个数，
Figure GDA0003880206670000112
特征中含有m个数值，记为m个样本；输出特征Y＝{y1,y2,…,ym}，输出特征Y中的每一个数值对应
Figure GDA0003880206670000113
中每个样本的NOX排放浓度值，构造输入输出矩阵
Figure GDA0003880206670000114
将输入输出矩阵D改写为由N+1个列向量构成的向量集合
Figure GDA0003880206670000121
Figure GDA0003880206670000122
表示向量集合中第一个元素，其实际是输入输出矩阵D中第一列向量，对应于样本数据集的第一个特征。
步骤S2：对向量集合进行预处理，得到预处理后的数据集D*；具体过程为：采用DBSCAN异常点检测方法与Savitzky-Golay平滑滤波相结合的方法对向量集合进行数据预处理，并将处理后数据映射到[0,1]区间，得到预处理后的数据集D*。
步骤S3：分别采用偏互信息PMI、决策树CART、套索回归LASSO对预处理后的数据集D*进行特征选择，并根据变量排序原则得到各算法进行特征选择后的重要信息排序，选择每个重要信息排序的前10个特征分别构成新的样本集
Figure GDA0003880206670000123
具体过程为：
步骤3-1：数据集D*作为初始数据集，通过公式
Figure GDA0003880206670000124
计算初始数据集中特征
Figure GDA0003880206670000125
与
Figure GDA0003880206670000126
的互信息
Figure GDA0003880206670000127
并选出最大互信息时对应的特征移入初始集合S中；其中，f(·)为基于m组样本的估计密度函数；
步骤3-2：通过公式
Figure GDA0003880206670000128
计算数据集D*中剩余特征
Figure GDA0003880206670000129
中的每一个特征剔除S信息影响后输入残差V，通过公式
Figure GDA00038802066700001210
计算
Figure GDA00038802066700001211
中剔除S信息影响后的输出残差U；其中，E(·)表示条件期望；
步骤3-3：计算I(V,U)，并找出互信息最大时的变量
Figure GDA00038802066700001212
步骤3-4：通过公式
Figure GDA00038802066700001213
计算AIC值，其中，u为已选变量计算的U回归残差；p为已选变量个数；AIC值用于表示
Figure GDA0003880206670000131
对应U的剩余信息，将
Figure GDA0003880206670000132
放入集合S中更新集合S得到更新后的集合S’，将更新后的集合S’作为初始集合S，将变量集
Figure GDA0003880206670000133
作为初始数据集，返回执行步骤3-2-步骤3-4，直到变量集C为空为止，得到所有变量对应的AIC值，变量对应的AIC值能够反映该变量对模型复杂度的影响情况，对于模型每加入一个变量这个模型复杂度越高了那么就可以少选几个变量特征，相反，如果对于模型每加入一个变量这个模型复杂度越低了那么就可以多选几个变量特征，本实施例中选10个特征；
步骤3-5：根据所有变量在计算最大互信息时所移入集合S中的变量顺序，得到所有输入变量重要信息排序
Figure GDA0003880206670000134
步骤3-6：通过公式
Figure GDA0003880206670000135
计算集合D*中某一个特征的第i个样本的Gini系数，其中，
Figure GDA0003880206670000136
为集合D*中某一个特征的第i个样本划分为左集合后的方差，
Figure GDA0003880206670000137
为集合D*中某一个特征的第i个样本划分为右集合后的方差；
步骤3-7：循环步骤3-6计算集合D*中所有特征，得到每个特征的Gini系数以及其对应的切分点；
步骤3-8：选择Gini系数最小的特征以及对应的切分点为最优特征和最优切分点，根据最小的特征以及对应的切分点将该属性下的样本划分为二部分子集D1与子集D2；
步骤3-9：将子集D1作为集合D*返回执行步骤3-6至步骤3-8，对子集D1继续划分，将子集D2作为集合D*返回执行步骤3-6至步骤3-8，对子集D2继续划分，直到每个特征不再有除该特征本身以外的子集，所有特征划分完成，生成CART树结构；
步骤3-10：通过公式
Figure GDA0003880206670000141
计算特征重要性信息；其中，N是特征个数，m_t是当前节点特征数，Gini表示当前特征的基尼系数，m_t_R为当前节点分裂右孩子数，G in iR对应当前节点分裂的右孩子基尼系数，m_t_L为当前节点分裂左孩子数，G in iL对应当前节点分裂的左孩子基尼系数；
步骤3-11：将获得的所有特征重要性信息从大到小排序，排序结果对应的特征的顺序作为输入变量重要信息排序
Figure GDA0003880206670000142
步骤3-12：调用matlab中LASSO特征选择变量工具包中的LASSO(X,Y)函数，计算得到D*中的输入特征
Figure GDA0003880206670000143
对应的系数矩阵H；
步骤3-13：对系数矩阵H从左到右分析，记录每一行最先出现0元素时对应的列，将所有的列中最先出现0元素的列对应的输入特征放在输入变量重要信息排序
Figure GDA0003880206670000144
的最后一位，将所有的列中最后出现0元素的列对应的输入特征放在输入变量重要信息排序
Figure GDA0003880206670000145
的第一位，按照此排序规则对D*中的所有的输入特征进行排序得到最终的输入变量重要信息排序
Figure GDA0003880206670000146
步骤3-14：将输入变量重要信息排序
Figure GDA0003880206670000147
输入变量重要信息排序
Figure GDA0003880206670000148
输入变量重要信息排序
Figure GDA0003880206670000149
中前10个特征分别与输出特征构成新的样本集
Figure GDA00038802066700001410
步骤S4：基于深度置信网络DBN对PMI、CART、LASSO算法下构成的样本集
Figure GDA00038802066700001411
分别进行建模预测，并采用DNN算法构建非线性多特征选择组合预测模型，利用非线性多特征选择组合预测模型进行NOX排放浓度预测。具体过程为：
步骤4-1：将新的样本集
Figure GDA0003880206670000151
分别输入深度置信网络DBN进行建模预测，分别得到NOx浓度预测结果值y1’、y2’、y3’；
步骤4-2：将DNN网络的输入神经元个数设置为3，输出神经元个数设置为1，构建DNN模型；
步骤4-3：将NOx浓度预测结果值y1’、y2’、y3’作为DNN模型的建模输入变量，实际测量值y作为DNN模型的建模输出变量，对NOx浓度预测结果进行误差修正，得到最终预测结果。
以下分析本发明的实验结果：
本研究数据来自某热电电厂1#美国GE公司生产的，型号为PG9371FB的燃机TCS数据采集系统，采集了与NOx排放浓度相关的参数特征30个，采样频率为1min，共252组样本。
为了验证MFSA算法(本发明提供的NOx排放浓度预测方法)性能，与PMI、CART、LASSO三种特征选择算法进行比较，为不失一般性，均采样DBN网络作为建模模型。图2为各方法在验证集下的预测值折线图，从图中可以看出三种特征选择算法与经过非线性组合预测的特性选择算法均对实际NOx排放有很高的预测能力，但本发明提供的组合方法更能真实反应排放量的变化趋势。
根据评价指标对各方法进行进一步的比较分析，如表1所示。从表1可以看出MFSA算法的三种指标值均比其他算法有所提高，采用MFSA算法比次优的PMI算法的MAPE、RMSE、MAE、R2精度分别提高了10％、4.76％、11.76％、0.1％，说明MFSA算法达到了提高特征选择精度的要求，算法适用。
表1不同算法评价指标结果
Figure GDA0003880206670000161
图3所示为采用相同LASSO特征选择算法不同建模模型的NOx排放预测结果的相对误差箱型图，其中对比建模模型分别为BP算法与SVR算法。从线型图可以明显看出，深度网络DBN的预测能力比其他传统浅层机器学习算法BP与SVR更好，预测值相对误差上下四分位数更接近0附近。
图4中(a)、(b)、(c)、(d)分别表示的是3种特征选择算法以及本发明的MFSA算法经过非线性组合前后的NOx排放预测值拟合实际测量值的散点图，其中黑色星号代表拟合分布，黑色实对角线为理想分布线，R2代表测量值拟合预测值的程度，值越大，模型预测精度越高。从图4可以看出图(d)的R2值最大并且预测值均匀的集中在理想曲线附近，实验结果说明所提算法能提高模型的预测精度。
通过以上技术方案，本发明分别通过PMI、决策树CART、套索回归LASSO对预处理后的数据集D*进行特征选择并排序得到了新的样本集
Figure GDA0003880206670000162
基于深度置信网络DBN对PMI、CART、LASSO算法下构成的样本集
Figure GDA0003880206670000163
分别进行建模预测，并采用DNN算法构建非线性多特征选择组合预测模型，利用非线性多特征选择组合预测模型进行NOX排放浓度预测，预测过程不是单一算法预测结果，而且通过DNN算法对多个预测结果拟合得到较为准确的预测结果，预测精度较高。
实施例2
与本发明实施例1相对应的，本发明实施例2还提供一种燃气轮机NOX排放浓度预测装置，所述装置包括：
数据集获取模块，用于TCS数据采集系统中获取与NOX排放浓度相关的燃烧状态参数与控制参数原始数据，建立样本数据集DATA并将样本数据集DATA转换为向量形式，得到向量集合；
预处理模块，用于对向量集合进行预处理，得到预处理后的数据集D*；
特征选择模块，用于分别采用偏互信息PMI、决策树CART、套索回归LASSO对预处理后的数据集D*进行特征选择，并根据变量排序原则得到各算法进行特征选择后的重要信息排序，选择每个重要信息排序的前10个特征分别构成新的样本集
Figure GDA0003880206670000171
预测模块，用于基于深度置信网络DBN对PMI、CART、LASSO算法下构成的样本集
Figure GDA0003880206670000172
分别进行建模预测，并采用DNN算法构建非线性多特征选择组合预测模型，利用非线性多特征选择组合预测模型进行NOX排放浓度预测。
具体的，所述数据集获取模块还用于：
从TCS数据采集系统中获取与NOX排放浓度相关的燃烧状态参数与控制参数原始数据，建立样本数据集DATA＝X∪Y，其中，
Figure GDA0003880206670000173
N为特征个数，
Figure GDA0003880206670000174
特征中含有m个数值，记为m个样本；输出特征Y＝{y1,y2,…,ym}，输出特征Y中的每一个数值对应
Figure GDA0003880206670000175
中每个样本的NOX排放浓度值，构造输入输出矩阵
Figure GDA0003880206670000181
将输入输出矩阵D改写为由N+1个列向量构成的向量集合
Figure GDA0003880206670000182
Figure GDA0003880206670000183
表示向量集合中第一个元素，其实际是输入输出矩阵D中第一列向量，对应于样本数据集的第一个特征。
具体的，所述预处理模块还用于：采用DBSCAN异常点检测方法与Savitzky-Golay平滑滤波相结合的方法对向量集合进行数据预处理，并将处理后数据映射到[0,1]区间，得到预处理后的数据集D*。
更具体的，所述特征选择模块还用于：
步骤3-1：数据集D*作为初始数据集，通过公式
Figure GDA0003880206670000184
计算初始数据集中特征
Figure GDA0003880206670000185
与
Figure GDA0003880206670000186
的互信息
Figure GDA0003880206670000187
并选出最大互信息时对应的特征移入初始集合S中；其中，f(·)为基于m组样本的估计密度函数；
步骤3-2：通过公式
Figure GDA0003880206670000188
计算数据集D*中剩余特征
Figure GDA0003880206670000189
中的每一个特征剔除S信息影响后输入残差V，通过公式
Figure GDA00038802066700001810
计算
Figure GDA00038802066700001811
中剔除S信息影响后的输出残差U；其中，E(·)表示条件期望；
步骤3-3：计算I(V,U)，并找出互信息最大时的变量
Figure GDA00038802066700001812
步骤3-4：将
Figure GDA00038802066700001813
放入集合S中更新集合S得到更新后的集合S’，将更新后的集合S’作为初始集合S，将变量集
Figure GDA00038802066700001814
作为初始数据集，返回执行步骤3-2-步骤3-4，直到变量集C为空为止；
步骤3-5：根据所有变量在计算最大互信息时所移入集合S中的变量顺序，得到所有输入变量重要信息排序
Figure GDA0003880206670000191
更具体的，所述特征选择模块还用于：
步骤3-6：通过公式
Figure GDA0003880206670000192
计算集合D*中某一个特征的第i个样本的Gini系数，其中，
Figure GDA0003880206670000193
为集合D*中某一个特征的第i个样本划分为左集合后的方差，
Figure GDA0003880206670000194
为集合D*中某一个特征的第i个样本划分为右集合后的方差；
步骤3-7：循环步骤3-6计算集合D*中所有特征，得到每个特征的Gini系数以及其对应的切分点；
步骤3-8：选择Gini系数最小的特征以及对应的切分点为最优特征和最优切分点，根据最小的特征以及对应的切分点将该属性下的样本划分为二部分子集D1与子集D2；
步骤3-9：将子集D1作为集合D*返回执行步骤3-6至步骤3-8，对子集D1继续划分，将子集D2作为集合D*返回执行步骤3-6至步骤3-8，对子集D2继续划分，直到每个特征不再有除该特征本身以外的子集，所有特征划分完成，生成CART树结构；
步骤3-10：通过公式
Figure GDA0003880206670000195
计算特征重要性信息；其中，N是特征个数，m_t是当前节点特征数，Gini表示当前特征的基尼系数，m_t_R为当前节点分裂右孩子数，G in iR对应当前节点分裂的右孩子基尼系数，m_t_L为当前节点分裂左孩子数，G in iL对应当前节点分裂的左孩子基尼系数；
步骤3-11：将获得的所有特征重要性信息从大到小排序，排序结果对应的特征的顺序作为输入变量重要信息排序
Figure GDA0003880206670000201
更具体的，所述特征选择模块还用于：
步骤3-12：调用matlab中LASSO特征选择变量工具包中的LASSO(X,Y)函数，计算得到D*中的输入特征
Figure GDA0003880206670000202
对应的系数矩阵H；
步骤3-13：对系数矩阵H从左到右分析，记录每一行最先出现0元素时对应的列，将所有的列中最先出现0元素的列对应的输入特征放在输入变量重要信息排序
Figure GDA0003880206670000203
的最后一位，将所有的列中最后出现0元素的列对应的输入特征放在输入变量重要信息排序
Figure GDA0003880206670000204
的第一位，按照此排序规则对D*中的所有的输入特征进行排序得到最终的输入变量重要信息排序
Figure GDA0003880206670000205
步骤3-14：将输入变量重要信息排序
Figure GDA0003880206670000206
输入变量重要信息排序
Figure GDA0003880206670000207
输入变量重要信息排序
Figure GDA0003880206670000208
中前10个特征分别与输出特征构成新的样本集
Figure GDA0003880206670000209
更具体的，所述预测模块还用于：
步骤4-1：将新的样本集
Figure GDA00038802066700002010
分别输入深度置信网络DBN进行建模预测，分别得到NOx浓度预测结果值y1’、y2’、y3’；
步骤4-2：将DNN网络的输入神经元个数设置为3，输出神经元个数设置为1，构建DNN模型；
步骤4-3：将NOx浓度预测结果值y1’、y2’、y3’作为DNN模型的建模输入变量，实际测量值y作为DNN模型的建模输出变量，对NOx浓度预测结果进行误差修正，得到最终预测结果。
以上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。

Claims (9)

1.一种燃气轮机NOX排放浓度预测方法，其特征在于，所述方法包括：
步骤一：TCS数据采集系统中获取与NOX排放浓度相关的燃烧状态参数与控制参数原始数据，建立样本数据集DATA并将样本数据集DATA转换为向量形式，得到向量集合；
步骤二：对向量集合进行预处理，得到预处理后的数据集D*；
步骤三：分别采用偏互信息PMI、决策树CART、套索回归LASSO对预处理后的数据集D*进行特征选择，并根据变量排序原则得到各算法进行特征选择后的重要信息排序，选择每个重要信息排序的前10个特征分别构成新的样本集
Figure FDA0003880206660000011
所述步骤三包括：
步骤3-1：数据集D*作为初始数据集，通过公式
Figure FDA0003880206660000012
计算初始数据集中特征
Figure FDA0003880206660000013
与
Figure FDA0003880206660000014
的互信息
Figure FDA0003880206660000015
并选出最大互信息时对应的特征移入初始集合S中；其中，f(·)为基于m组样本的估计密度函数；
步骤3-2：通过公式
Figure FDA0003880206660000016
计算数据集D*中剩余特征
Figure FDA0003880206660000017
中的每一个特征剔除S信息影响后输入残差V，通过公式
Figure FDA0003880206660000018
计算
Figure FDA0003880206660000019
中剔除S信息影响后的输出残差U；其中，E(·)表示条件期望；
步骤3-3：计算I(V,U)，并找出互信息最大时的变量
Figure FDA00038802066600000110
步骤3-4：将
Figure FDA00038802066600000111
放入集合S中更新集合S得到更新后的集合S’，将更新后的集合S’作为初始集合S，将变量集
Figure FDA00038802066600000112
作为初始数据集，返回执行步骤3-2-步骤3-4，直到变量集C为空为止；
步骤3-5：根据所有变量在计算最大互信息时所移入集合S中的变量顺序，得到所有输入变量重要信息排序
Figure FDA0003880206660000021
步骤四：基于深度置信网络DBN对PMI、CART、LASSO算法下构成的样本集
Figure FDA0003880206660000022
分别进行建模预测，并采用DNN算法构建非线性多特征选择组合预测模型，利用非线性多特征选择组合预测模型进行NOX排放浓度预测。
2.根据权利要求1所述的一种燃气轮机NOX排放浓度预测方法，其特征在于，所述步骤一包括：
从TCS数据采集系统中获取与NOX排放浓度相关的燃烧状态参数与控制参数原始数据，建立样本数据集DATA＝X∪Y，其中，
Figure FDA0003880206660000023
N为特征个数，
Figure FDA0003880206660000024
特征中含有m个数值，记为m个样本；输出特征Y＝{y1,y2,…,ym}，输出特征Y中的每一个数值对应
Figure FDA0003880206660000025
中每个样本的NOX排放浓度值，构造输入输出矩阵
Figure FDA0003880206660000026
将输入输出矩阵D改写为由N+1个列向量构成的向量集合
Figure FDA0003880206660000027
Figure FDA0003880206660000028
表示向量集合中第一个元素，其实际是输入输出矩阵D中第一列向量，对应于样本数据集的第一个特征。
3.根据权利要求1所述的一种燃气轮机NOX排放浓度预测方法，其特征在于，所述步骤二包括：采用DBSCAN异常点检测方法与Savitzky-Golay平滑滤波相结合的方法对向量集合进行数据预处理，并将处理后数据映射到[0,1]区间，得到预处理后的数据集D*。
4.根据权利要求1所述的一种燃气轮机NOX排放浓度预测方法，其特征在于，所述步骤三还包括：
步骤3-6：通过公式
Figure FDA0003880206660000031
计算集合D*中某一个特征的第i个样本的Gini系数，其中，
Figure FDA0003880206660000032
为集合D*中某一个特征的第i个样本划分为左集合后的方差，
Figure FDA0003880206660000033
为集合D*中某一个特征的第i个样本划分为右集合后的方差；
步骤3-7：循环步骤3-6计算集合D*中所有特征，得到每个特征的Gini系数以及其对应的切分点；
步骤3-8：选择Gini系数最小的特征以及对应的切分点为最优特征和最优切分点，根据最小的特征以及对应的切分点将该属性下的样本划分为二部分子集D1与子集D2；
步骤3-9：将子集D1作为集合D*返回执行步骤3-6至步骤3-8，对子集D1继续划分，将子集D2作为集合D*返回执行步骤3-6至步骤3-8，对子集D2继续划分，直到每个特征不再有除该特征本身以外的子集，所有特征划分完成，生成CART树结构；
步骤3-10：通过公式
Figure FDA0003880206660000034
计算特征重要性信息；其中，N是特征个数，m_t是当前节点特征数，Gini表示当前特征的基尼系数，m_t_R为当前节点分裂右孩子数，GiniR对应当前节点分裂的右孩子基尼系数，m_t_L为当前节点分裂左孩子数，GiniL对应当前节点分裂的左孩子基尼系数；
步骤3-11：将获得的所有特征重要性信息从大到小排序，排序结果对应的特征的顺序作为输入变量重要信息排序
Figure FDA0003880206660000035
5.根据权利要求4所述的一种燃气轮机NOX排放浓度预测方法，其特征在于，所述步骤三还包括：
步骤3-12：调用matlab中LASSO特征选择变量工具包中的LASSO(X,Y)函数，计算得到D*中的输入特征
Figure FDA0003880206660000041
对应的系数矩阵H；
步骤3-13：对系数矩阵H从左到右分析，记录每一行最先出现0元素时对应的列，将所有的列中最先出现0元素的列对应的输入特征放在输入变量重要信息排序
Figure FDA0003880206660000042
的最后一位，将所有的列中最后出现0元素的列对应的输入特征放在输入变量重要信息排序
Figure FDA0003880206660000043
的第一位，按照此排序规则对D*中的所有的输入特征进行排序得到最终的输入变量重要信息排序
Figure FDA0003880206660000044
步骤3-14：将输入变量重要信息排序
Figure FDA0003880206660000045
输入变量重要信息排序
Figure FDA0003880206660000046
输入变量重要信息排序
Figure FDA0003880206660000047
中前10个特征分别与输出特征构成新的样本集
Figure FDA0003880206660000048
6.根据权利要求5所述的一种燃气轮机NOX排放浓度预测方法，其特征在于，所述步骤四包括：
步骤4-1：将新的样本集
Figure FDA0003880206660000049
分别输入深度置信网络DBN进行建模预测，分别得到NOx浓度预测结果值y1’、y2’、y3’；
步骤4-2：将DNN网络的输入神经元个数设置为3，输出神经元个数设置为1，构建DNN模型；
步骤4-3：将NOx浓度预测结果值y1’、y2’、y3’作为DNN模型的建模输入变量，实际测量值y作为DNN模型的建模输出变量，对NOx浓度预测结果进行误差修正，得到最终预测结果。
7.一种燃气轮机NOX排放浓度预测装置，其特征在于，所述装置包括：
数据集获取模块，用于TCS数据采集系统中获取与NOX排放浓度相关的燃烧状态参数与控制参数原始数据，建立样本数据集DATA并将样本数据集DATA转换为向量形式，得到向量集合；
预处理模块，用于对向量集合进行预处理，得到预处理后的数据集D*；
特征选择模块，用于分别采用偏互信息PMI、决策树CART、套索回归LASSO对预处理后的数据集D*进行特征选择，并根据变量排序原则得到各算法进行特征选择后的重要信息排序，选择每个重要信息排序的前10个特征分别构成新的样本集
Figure FDA0003880206660000051
所述特征选择模块还用于：
步骤3-1：数据集D*作为初始数据集，通过公式
Figure FDA0003880206660000052
计算初始数据集中特征
Figure FDA0003880206660000053
与
Figure FDA0003880206660000054
的互信息
Figure FDA0003880206660000055
并选出最大互信息时对应的特征移入初始集合S中；其中，f(·)为基于m组样本的估计密度函数；
步骤3-2：通过公式
Figure FDA0003880206660000056
计算数据集D*中剩余特征
Figure FDA0003880206660000057
中的每一个特征剔除S信息影响后输入残差V，通过公式
Figure FDA0003880206660000058
计算
Figure FDA0003880206660000059
中剔除S信息影响后的输出残差U；其中，E(·)表示条件期望；
步骤3-3：计算I(V,U)，并找出互信息最大时的变量
Figure FDA00038802066600000510
步骤3-4：将
Figure FDA00038802066600000511
放入集合S中更新集合S得到更新后的集合S’，将更新后的集合S’作为初始集合S，将变量集
Figure FDA00038802066600000512
作为初始数据集，返回执行步骤3-2-步骤3-4，直到变量集C为空为止；
步骤3-5：根据所有变量在计算最大互信息时所移入集合S中的变量顺序，得到所有输入变量重要信息排序
Figure FDA00038802066600000513
预测模块，用于基于深度置信网络DBN对PMI、CART、LASSO算法下构成的样本集
Figure FDA0003880206660000061
分别进行建模预测，并采用DNN算法构建非线性多特征选择组合预测模型，利用非线性多特征选择组合预测模型进行NOX排放浓度预测。
8.根据权利要求7所述的一种燃气轮机NOX排放浓度预测装置，其特征在于，所述数据集获取模块还用于：
从TCS数据采集系统中获取与NOX排放浓度相关的燃烧状态参数与控制参数原始数据，建立样本数据集DATA＝X∪Y，其中，
Figure FDA0003880206660000062
N为特征个数，
Figure FDA0003880206660000063
特征中含有m个数值，记为m个样本；输出特征Y＝{y1,y2,…,ym}，输出特征Y中的每一个数值对应
Figure FDA0003880206660000064
中每个样本的NOX排放浓度值，构造输入输出矩阵
Figure FDA0003880206660000065
将输入输出矩阵D改写为由N+1个列向量构成的向量集合
Figure FDA0003880206660000066
Figure FDA0003880206660000067
表示向量集合中第一个元素，其实际是输入输出矩阵D中第一列向量，对应于样本数据集的第一个特征。
9.根据权利要求7所述的一种燃气轮机NOX排放浓度预测装置，其特征在于，所述预处理模块还用于：采用DBSCAN异常点检测方法与Savitzky-Golay平滑滤波相结合的方法对向量集合进行数据预处理，并将处理后数据映射到[0,1]区间，得到预处理后的数据集D*。
CN202110442134.9A 2021-04-23 2021-04-23 一种燃气轮机nox排放浓度预测方法及装置 Active CN113111588B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110442134.9A CN113111588B (zh) 2021-04-23 2021-04-23 一种燃气轮机nox排放浓度预测方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110442134.9A CN113111588B (zh) 2021-04-23 2021-04-23 一种燃气轮机nox排放浓度预测方法及装置

Publications (2)

Publication Number Publication Date
CN113111588A CN113111588A (zh) 2021-07-13
CN113111588B true CN113111588B (zh) 2023-01-24

Family

ID=76719852

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110442134.9A Active CN113111588B (zh) 2021-04-23 2021-04-23 一种燃气轮机nox排放浓度预测方法及装置

Country Status (1)

Country Link
CN (1) CN113111588B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114444295B (zh) * 2022-01-21 2023-04-25 南京天洑软件有限公司 一种基于组合时序预测的NOx废气浓度预测方法

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108226046A (zh) * 2017-12-26 2018-06-29 中国科学技术大学 一种机动车尾气遥测结果修正方法
WO2019209753A1 (en) * 2018-04-22 2019-10-31 Viome, Inc. Systems and methods for inferring scores for health metrics
CN110532674A (zh) * 2019-08-27 2019-12-03 东北电力大学 一种燃煤电站锅炉炉膛温度测量方法

Family Cites Families (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108647483A (zh) * 2018-04-26 2018-10-12 国家电投集团河南电力有限公司技术信息中心 一种基于模糊树建模方法的scr入口nox浓度的软测量方法
CN110379463B (zh) * 2019-06-05 2021-10-26 山东大学 基于机器学习的海洋藻类成因分析及浓度预测方法和系统
CN110675920A (zh) * 2019-10-22 2020-01-10 华北电力大学 一种基于MI-LSTM的锅炉NOx预测方法

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108226046A (zh) * 2017-12-26 2018-06-29 中国科学技术大学 一种机动车尾气遥测结果修正方法
WO2019209753A1 (en) * 2018-04-22 2019-10-31 Viome, Inc. Systems and methods for inferring scores for health metrics
CN110532674A (zh) * 2019-08-27 2019-12-03 东北电力大学 一种燃煤电站锅炉炉膛温度测量方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
High-order covariate interacted Lasso for feature selection;Zhihong Zhang等;《Pattern Recognition Letters》;20171231;第139-146页 *
PM2.5浓度预测与影响因素分析;彭岩等;《北京邮电大学学报》;20191231;第42卷(第6期);第2章 *
基于变量选择的深度置信神经网络锅炉烟气NOX排放预测;杨国田等;《热力发电》;20200430;第49卷(第4期);摘要、第1-3章 *

Also Published As

Publication number Publication date
CN113111588A (zh) 2021-07-13

Similar Documents

Publication Publication Date Title
CN109491816A (zh) 基于知识的故障诊断方法
CN109214708B (zh) 基于交叉熵理论优化支持向量机的电力系统风险评估方法
CN110119854A (zh) 基于代价敏感lstm循环神经网络的稳压器水位预测方法
CN111639783A (zh) 一种基于lstm神经网络的线损预测方法及系统
CN111461463A (zh) 一种基于tcn-bp的短期负荷预测方法、系统及设备
CN113505477B (zh) 基于svae-wgan的过程工业软测量数据补充方法
CN112434848A (zh) 基于深度信念网络的非线性加权组合风电功率预测方法
CN116316599A (zh) 一种智能用电负荷预测方法
CN114169434A (zh) 一种负荷预测方法
CN113111588B (zh) 一种燃气轮机nox排放浓度预测方法及装置
CN114971090A (zh) 一种电供暖负荷预测方法、系统、设备和介质
CN110837857A (zh) 工业用电负荷预测方法、系统及其存储介质
CN108537581B (zh) 基于gmdh选择性组合的能源消费量时间序列预测方法及装置
CN112287605B (zh) 一种基于图卷积网络加速的潮流校核方法
CN116662925A (zh) 一种基于加权稀疏神经网络工业过程软测量方法
CN111539508A (zh) 基于改进灰狼算法的发电机励磁系统参数辨识算法
CN113991752B (zh) 一种电网准实时智能控制方法及系统
CN115936303A (zh) 基于机器学习模型进行暂态电压安全分析方法
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
CN115759343A (zh) 一种基于e-lstm的用户电量预测方法和装置
CN114861977A (zh) 一种面向不均衡电力数据的蒸馏集成模式感知算法及系统
CN114139783A (zh) 基于非线性加权组合的风电短期功率预测方法及装置
CN114638421A (zh) 一种发电机组备件需求的预测方法
CN116365519B (zh) 一种电力负荷预测方法、系统、存储介质及设备
CN117556369B (zh) 一种动态生成的残差图卷积神经网络的窃电检测方法及系统

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