CN113256179B - 脱硫系统浆液品质在线分类评价方法、系统及装置 - Google Patents

脱硫系统浆液品质在线分类评价方法、系统及装置 Download PDF

Info

Publication number
CN113256179B
CN113256179B CN202110760897.8A CN202110760897A CN113256179B CN 113256179 B CN113256179 B CN 113256179B CN 202110760897 A CN202110760897 A CN 202110760897A CN 113256179 B CN113256179 B CN 113256179B
Authority
CN
China
Prior art keywords
sample
slurry
data
steady
desulfurization system
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
CN202110760897.8A
Other languages
English (en)
Other versions
CN113256179A (zh
Inventor
袁照威
王海杰
孟磊
谷小兵
司风琪
曹书涛
于志成
江澄宇
杨大洲
杜明生
李玉宇
宁翔
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.)
Southeast University
Datang Environment Industry Group Co Ltd
Original Assignee
Southeast University
Datang Environment Industry Group 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 Southeast University, Datang Environment Industry Group Co Ltd filed Critical Southeast University
Priority to CN202110760897.8A priority Critical patent/CN113256179B/zh
Publication of CN113256179A publication Critical patent/CN113256179A/zh
Application granted granted Critical
Publication of CN113256179B publication Critical patent/CN113256179B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

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
    • 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
    • G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
    • G06Q10/06393—Score-carding, benchmarking or key performance indicator [KPI] analysis
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/23—Clustering techniques
    • G06F18/232—Non-hierarchical techniques
    • G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
    • G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16C—COMPUTATIONAL CHEMISTRY; CHEMOINFORMATICS; COMPUTATIONAL MATERIALS SCIENCE
    • G16C20/00—Chemoinformatics, i.e. ICT specially adapted for the handling of physicochemical or structural data of chemical particles, elements, compounds or mixtures
    • G16C20/10—Analysis or design of chemical reactions, syntheses or processes

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Human Resources & Organizations (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Economics (AREA)
  • Educational Administration (AREA)
  • Development Economics (AREA)
  • General Physics & Mathematics (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Chemical & Material Sciences (AREA)
  • Strategic Management (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Game Theory and Decision Science (AREA)
  • Computing Systems (AREA)
  • Chemical Kinetics & Catalysis (AREA)
  • Analytical Chemistry (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Evolutionary Biology (AREA)
  • Artificial Intelligence (AREA)
  • Crystallography & Structural Chemistry (AREA)
  • Probability & Statistics with Applications (AREA)
  • Marketing (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Tourism & Hospitality (AREA)
  • General Business, Economics & Management (AREA)
  • Treating Waste Gases (AREA)

Abstract

本发明公开了一种脱硫系统浆液品质在线分类评价方法、系统及装置，所述方法包括：采集脱硫系统相关参数的历史运行数据及对应的浆液品质评价标签，得到原始数据样本D，并进行数据清洗；以稳态判定条件进行稳态筛选，并进行标准化预处理；采用局部保留投影LPP算法对将量纲标准化样本BD进行降维处理，并采用凝聚k‑means聚类方法对降维后样本JD进行模式聚类与识别，对聚类结果进行分析，得到浆液品质分类评价库N；获取脱硫系统相关参数的新样本S，加入稳态运行数据样本集SD进行迭代计算，得到量纲标准化样本BDS以及降维后的样本JDS，并对样本JDS进行模式聚类，与分类评价库中N的典型样本标签进行比较，得到新样本S的评价类别。

Description

脱硫系统浆液品质在线分类评价方法、系统及装置
技术领域
本发明涉及电站脱硫技术领域，尤其是涉及一种脱硫系统浆液品质在线分类评价方法、系统及装置。
背景技术
在现有技术中，湿法脱硫系统是目前电站应用最广的一种脱硫系统，而石灰石-石膏湿法烟气脱硫技术在湿法烟气脱硫中又占主导地位，其主要工艺流程为烟气通过增压风机升压后从底部进入吸收塔，自下而上流经吸收塔至烟囱，而石灰石浆液由浆液循环泵输送至喷淋层，通过喷嘴从上而下喷落与脱硫烟气进行逆流接触并发生脱硫反应，反应生成物CaSO3进入脱硫塔底部的浆液池，被氧化风机鼓入的空气强制氧化，生成CaSO4，最终生成石膏排出。
浆液品质是整个脱硫工艺完成的基础，要使整个系统持续稳定运行，必须要保证浆液具有良好的品质。然而吸收塔内浆液的化学成分极其复杂，浆液品质恶化是经常发生的问题。当浆液品质恶化后，不但使浆液pH值变得难以控制，还会造成系统的脱硫效率降低，同时还会导致脱硫系统的副产品石膏脱水困难和质量不达标等问题。此外，浆液品质的恶化很可能会造成浆液循环泵滤网以及喷嘴堵塞，使得整个管路的通流阻力增大，并且恶化的浆液对浆液循环泵内壳和叶轮的冲击、磨损和腐蚀作用也会加重，使其他设备的寿命缩短，因此对于浆液品质的监测十分重要。目前对于浆液品质的判断大多通过事后的化验，因此具有一定的延迟性和滞后性，因此，目前急需发展一个在线且持续的监测方法，能够对浆液品质进行实时监测和评估，对维持脱硫系统高效运行与延长相关设备工作寿命具有重要的意义。
发明内容
本发明的目的在于提供一种脱硫系统浆液品质在线分类评价方法、系统及装置，旨在解决现有技术中的上述问题。
本发明提供一种脱硫系统浆液品质在线分类评价方法，包括：
在预定时间以预定时间间隔从机组SIS数据库和浆液化验数据库中采集脱硫系统相关参数的历史运行数据及对应的浆液品质评价标签，得到原始数据样本D，并对所述原始数据样本D进行数据清洗，得到清洗后的数据样本CD；
以机组负荷和脱硫系统入口SO2浓度为稳态判定条件对所述数据样本CD进行稳态筛选，得到稳态运行数据样本集SD，并对所述稳态运行数据样本集SD进行标准化预处理，获得量纲标准化样本BD；
采用局部保留投影LPP算法对将所述量纲标准化样本BD进行降维处理，得到降维后样本JD，并采用凝聚k-means聚类方法对降维后样本JD进行模式聚类与识别，对聚类结果进行分析，得到浆液品质分类评价库N；
获取脱硫系统相关参数的新样本S，加入稳态运行数据样本集SD进行迭代计算，得到量纲标准化样本BDS以及降维后的样本JDS，并对样本JDS进行模式聚类，与分类评价库中N的典型样本标签进行比较，得到新样本S的评价类别。
本发明提供一种脱硫系统浆液品质在线分类评价系统，包括：
采集清洗模块，用于在预定时间以预定时间间隔从机组SIS数据库和浆液化验数据库中采集脱硫系统相关参数的历史运行数据及对应的浆液品质评价标签，得到原始数据样本D，并对所述原始数据样本D进行数据清洗，得到清洗后的数据样本CD；
筛选预处理模块，用于以机组负荷和脱硫系统入口SO2浓度为稳态判定条件对所述数据样本CD进行稳态筛选，得到稳态运行数据样本集SD，并对所述稳态运行数据样本集SD进行标准化预处理，获得量纲标准化样本BD；
计算分析模块，用于采用局部保留投影LPP算法对将所述量纲标准化样本BD进行降维处理，得到降维后样本JD，并采用凝聚k-means聚类方法对降维后样本JD进行模式聚类与识别，对聚类结果进行分析，得到浆液品质分类评价库N；
对比模块，用于获取脱硫系统相关参数的新样本S，加入稳态运行数据样本集SD进行迭代计算，得到量纲标准化样本BDS以及降维后的样本JDS，并对样本JDS进行模式聚类，与分类评价库中N的典型样本标签进行比较，得到新样本S的评价类别。
本发明实施例还提供一种脱硫系统浆液品质在线分类评价装置，包括：存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述计算机程序被所述处理器执行时实现上述脱硫系统浆液品质在线分类评价方法的步骤。
本发明实施例还提供一种计算机可读存储介质，所述计算机可读存储介质上存储有信息传递的实现程序，所述程序被处理器执行时实现上述脱硫系统浆液品质在线分类评价方法的步骤。
采用本发明实施例，基于算法的在线分类评价方法，无需额外的硬件设备，此外，本发明实施例的技术方案基于运行数据、融合多种算法的脱硫系统浆液品质在线评价方法，包括了数据清洗、稳态筛选、数据标准化、降维处理以及混合聚类等操作，分类评价的精度较高。
上述说明仅是本发明技术方案的概述，为了能够更清楚了解本发明的技术手段，而可依照说明书的内容予以实施，并且为了让本发明的上述和其它目的、特征和优点能够更明显易懂，以下特举本发明的具体实施方式。
附图说明
为了更清楚地说明本发明具体实施方式或现有技术中的技术方案，下面将对具体实施方式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，下面描述中的附图是本发明的一些实施方式，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他的附图。
图1是本发明实施例的脱硫系统浆液品质在线分类评价方法的流程图；
图2是本发明实施例的融合LPP降维算法和凝聚k-means算法的脱硫系统浆液品质在线评价方法的详细流程图；
图3是本发明实施例的脱硫系统浆液品质在线分类评价系统的示意图；
图4是本发明实施例的脱硫系统浆液品质在线分类评价装置的示意图。
具体实施方式
为了解决现有技术中的问题，本发明实施例提供了一种融合LPP降维算法和凝聚k-means算法的脱硫系统浆液品质在线评价方法、系统及装置，其中，该方法依赖火电机组脱硫系统运行的历史数据和浆液化验的离散历史数据对浆液品质进行聚类分析和品质评判。首先采集机组运行数据库中机组负荷、脱硫系统入口SO2浓度、浆液密度、浆液pH值、液气比、脱硫量、吸收塔液位、浆液循环泵泵前压力和浆液循环泵电流等历史运行数据以及对应的浆液化验的离散历史数据，以机组负荷和脱硫系统入口SO2浓度为筛选条件对历史数据集进行稳态筛选得到稳态运行数据，对稳态数据进行标准化的数据预处理。将标准化处理后的稳态运行数据通过局部保留投影方法投射到低维子空间中，在剔除噪声、提高计算效率的同时保留局部结构。接着，在LPP子空间中，结合传统的分层和非分层聚类算法的优点，使用凝聚k-means算法，对浆液品质过程数据与浆液化验离散数据进行聚类分析，得到浆液品质分类评价库；进行在线评价时，对在线获取的新样本进行迭代计算分类，并与分类评价库中的典型样本标签进行比较，得到新样本的评价类别。
下面将结合实施例对本发明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做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。
在本发明的描述中，需要理解的是，术语“中心”、“纵向”、“横向”、“长度”、“宽度”、“厚度”、“上”、“下”、“前”、“后”、“左”、“右”、“竖直”、“水平”、“顶”、“底”、“内”、“外”、“顺时针”、“逆时针”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。
此外，术语“第一”、“第二”仅用于描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或者隐含地包括一个或者更多个所述特征。在本发明的描述中，“多个”的含义是两个或两个以上，除非另有明确具体的限定。此外，术语“安装”、“相连”、“连接”应做广义理解，例如，可以是固定连接，也可以是可拆卸连接，或一体地连接；可以是机械连接，也可以是电连接；可以是直接相连，也可以通过中间媒介间接相连，可以是两个元件内部的连通。对于本领域的普通技术人员而言，可以具体情况理解上述术语在本发明中的具体含义。
方法实施例
根据本发明实施例，提供了一种脱硫系统浆液品质在线分类评价方法，图1是本发明实施例的脱硫系统浆液品质在线分类评价方法的流程图，如图1所示，根据本发明实施例的脱硫系统浆液品质在线分类评价方法具体包括：
步骤101，在预定时间以预定时间间隔从机组SIS数据库和浆液化验数据库中采集脱硫系统相关参数的历史运行数据及对应的浆液品质评价标签，得到原始数据样本D，并对所述原始数据样本D进行数据清洗，得到清洗后的数据样本CD；在步骤101中，在预定时间以预定时间间隔从机组SIS数据库和浆液化验数据库中采集脱硫系统相关参数的历史运行数据及对应的浆液品质评价标签，得到原始数据样本D，其中，所述脱硫系统相关参数具体包括以：机组负荷、脱硫系统入口SO2浓度、浆液密度、浆液pH值、液气比、脱硫量、吸收塔液位、浆液循环泵泵前压力和浆液循环泵电流；所述预定时间包括：换浆前后十天；所述预定时间间隔包括：1分钟。此外，对所述原始数据样本D进行数据清洗，得到清洗后的数据样本CD具体包括：
采用iforest孤立点检测算法过滤原始样本D中包含死值以及离群值的样本，其中，死值数据由机组停机或者数据传输通道故障所产生，离群值由设备故障或者传感器故障所产生。
也就是说，在本发明的一个实施例中，可以从机组SIS数据库和浆液化验数据库中采集脱硫系统相关参数的历史运行数据及对应的浆液品质评价标签，得到原始数据样本D，取数间隔为1 min，以选择换浆前后十天的数据为宜；对原始数据样本D进行数据清洗，采用iforest孤立点检测算法对异常数据点进行剔除，清洗后的样本记为CD；数据清洗过程为采用iforest孤立点检测算法过滤原始样本D中包含死值以及离群值的样本，死值数据可能是机组停机或者数据传输通道故障所导致的，离群值的出现可能是由于设备故障或者传感器故障所引起的。
此外，脱硫系统相关参数具体包括：机组负荷、脱硫系统入口SO2浓度、浆液密度、浆液pH值、液气比、脱硫量、吸收塔液位、浆液循环泵泵前压力和浆液循环泵电流。
步骤102，以机组负荷和脱硫系统入口SO2浓度为稳态判定条件对所述数据样本CD进行稳态筛选，得到稳态运行数据样本集SD，并对所述稳态运行数据样本集SD进行标准化预处理，获得量纲标准化样本BD；步骤102具体包括：
以机组负荷和脱硫系统入口SO2浓度为稳态判定条件对所述数据样本CD进行稳态筛选，其中，进行稳态筛选时的判定条件为：10min内机组负荷波动幅度不超过10MW、脱硫系统入口SO2浓度波动幅度不超过25mg/m3；
采用z-sorce标准化方法对数据进行标准化预处理，获得量纲标准化样本BD。
步骤103，采用局部保留投影LPP算法对将所述量纲标准化样本BD进行降维处理，得到降维后样本JD，并采用凝聚k-means聚类方法对降维后样本JD进行模式聚类与识别，对聚类结果进行分析，得到浆液品质分类评价库N；在步骤103中，可以采用局部保留投影LPP算法对将所述量纲标准化样本BD进行降维处理，从9维降至4维。
步骤104，获取机组SIS数据库脱硫系统相关参数的新样本S，加入稳态运行数据样本集SD进行迭代计算，得到量纲标准化样本BDS以及降维后的样本JDS，并对样本JDS进行模式聚类，与分类评价库中N的典型样本标签进行比较，得到新样本S的评价类别。
以下结合附图，对本发明实施例的上述技术方案进行详细说明那个。
本发明实施例的技术方案主要由历史数据采样、数据清洗、稳态筛选、数据标准化、局部保留投影（LPP）降维、凝聚k-means模式聚类、聚类分析获得浆液品质分类评价库、在线运行样本迭代计算分类、标签对比得到在线评价等核心步骤，详细流程如图2所示。以某燃煤机组脱硫系统为例，具体操作步骤如下：
（1）原始数据采集：从SIS历史数据库中和浆液化验数据库中采集换浆前后十天的机组负荷、脱硫系统入口SO2浓度、浆液密度、浆液pH值、液气比、脱硫量、吸收塔液位、浆液循环泵泵前压力和浆液循环泵电流数据及对应的浆液品质评价标签，取数间隔为1 min。
（2）数据清洗：采用iforest孤立点检测算法对原始运行数据进行数据清洗，去除其中死值和离群点数据，得到清洗后的样本数据。
（3）稳态筛选：将10分钟内机组负荷波动幅度不超过10MW、脱硫系统SO2浓度波动幅度不超过25mg/m3作为稳态判定条件，对清洗后的数据进行稳态筛选，为进一步去除数据波动性和非稳态性的影响，对筛选出的任一处于稳态过程的10分钟内的10组数据均取其算术平均值作为一组数据。
（4）数据标准化：采用z-sorce标准化方法对数据进行标准化预处理，对数据进行中心化和方差归一化。
（5）局部保留投影（LPP）降维：采用局部保留投影（LPP）算法对将标准化后的样本进行降维处理，将数据从9维降至4维。
（6）凝聚k-means模型聚类：采用凝聚k-means聚类方法对4维样本进行模式聚类与识别，对聚类结果进行分析，得到浆液品质分类评价库
（7）在线运行样本迭代计算：获取机组SIS数据库脱硫系统相关参数的新样本，进行迭代计算，得到量纲标准化样本，进一步得到降维后的4维新样本集。
（8）在线评价：对新样本集进行模式聚类，并与分类评价库中的典型样本标签进行比较，得到新样本的评价类别。
综上所述，借助于本发明实施例的技术方案，基于算法的在线分类评价方法，无需额外的硬件设备，此外，本发明实施例的技术方案基于运行数据、融合多种算法的脱硫系统浆液品质在线评价方法，包括了数据清洗、稳态筛选、数据标准化、降维处理以及混合聚类等操作，分类评价的精度较高。
系统实施例
根据本发明实施例，提供了一种脱硫系统浆液品质在线分类评价系统，图3是本发明实施例的脱硫系统浆液品质在线分类评价系统的示意图，如图3所示，根据本发明实施例的脱硫系统浆液品质在线分类评价系统具体包括：
采集清洗模块50，用于在预定时间以预定时间间隔从机组SIS数据库和浆液化验数据库中采集脱硫系统相关参数的历史运行数据及对应的浆液品质评价标签，得到原始数据样本D，并对所述原始数据样本D进行数据清洗，得到清洗后的数据样本CD；
采集清洗模块50具体用于：
在预定时间以预定时间间隔从机组SIS数据库和浆液化验数据库中采集脱硫系统相关参数的历史运行数据及对应的浆液品质评价标签，得到原始数据样本D，其中，所述脱硫系统相关参数具体包括：机组负荷、脱硫系统入口SO2浓度、浆液密度、浆液pH值、液气比、脱硫量、吸收塔液位、浆液循环泵泵前压力和浆液循环泵电流；所述预定时间包括：换浆前后十天；所述预定时间间隔包括：1分钟；
采用iforest孤立点检测算法过滤原始样本D中包含死值以及离群值的样本，其中，死值数据由机组停机或者数据传输通道故障所产生，离群值由设备故障或者传感器故障所产生。
筛选预处理模块52，用于以机组负荷和脱硫系统入口SO2浓度为稳态判定条件对所述数据样本CD进行稳态筛选，得到稳态运行数据样本集SD，并对所述稳态运行数据样本集SD进行标准化预处理，获得量纲标准化样本BD；所述筛选预处理模块52具体用于：
以机组负荷和脱硫系统入口SO2浓度为稳态判定条件对所述数据样本CD进行稳态筛选，其中，进行稳态筛选时的判定条件为：10min内机组负荷波动幅度不超过10MW、脱硫系统入口SO2浓度波动幅度不超过25mg/m3；采用z-sorce标准化方法对数据进行标准化预处理，获得量纲标准化样本BD；
计算分析模块54，用于采用局部保留投影LPP算法对将所述量纲标准化样本BD进行降维处理，得到降维后样本JD，并采用凝聚k-means聚类方法对降维后样本JD进行模式聚类与识别，对聚类结果进行分析，得到浆液品质分类评价库N；所述计算分析54具体用于：
采用局部保留投影LPP算法对将所述量纲标准化样本BD进行降维处理，从9维降至4维。
对比模块56，用于获取脱硫系统相关参数的新样本S，加入稳态运行数据样本集SD进行迭代计算，得到量纲标准化样本BDS以及降维后的样本JDS，并对样本JDS进行模式聚类，与分类评价库中N的典型样本标签进行比较，得到新样本S的评价类别。
本发明实施例是与上述方法实施例对应的系统实施例，各个模块的具体操作可以参照方法实施例的描述进行理解，在此不再赘述。
装置实施例一
本发明实施例提供一种脱硫系统浆液品质在线分类评价装置，如图4所示，包括：存储器60、处理器62及存储在所述存储器60上并可在所述处理62上运行的计算机程序，所述计算机程序被所述处理器62执行时实现如方法实施例中所述的步骤。
装置实施例二
本发明实施例提供一种计算机可读存储介质，所述计算机可读存储介质上存储有信息传输的实现程序，所述程序被处理器62执行时实现如方法实施例中所述的步骤。
本实施例所述计算机可读存储介质包括但不限于为：ROM、RAM、磁盘或光盘等。
需要说明的是，本说明书中关于存储介质的实施例与本说明书中关于基于区块链的服务提供方法的实施例基于同一发明构思，因此该实施例的具体实施可以参见前述对应的脱硫系统浆液品质在线分类评价方法的实施，重复之处不再赘述。
上述对本说明书特定实施例进行了描述。其它实施例在所附权利要求书的范围内。在一些情况下，在权利要求书中记载的动作或步骤可以按照不同于实施例中的顺序来执行并且仍然可以实现期望的结果。另外，在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中，多任务处理和并行处理也是可以的或者可能是有利的。
在20世纪30年代，对于一个技术的改进可以很明显地区分是硬件上的改进（例如，对二极管、晶体管、开关等电路结构的改进）还是软件上的改进（对于方法流程的改进）。然而，随着技术的发展，当今的很多方法流程的改进已经可以视为硬件电路结构的直接改进。设计人员几乎都通过将改进的方法流程编程到硬件电路中来得到相应的硬件电路结构。因此，不能说一个方法流程的改进就不能用硬件实体模块来实现。例如，可编程逻辑器件（Programmable Logic Device，PLD）（例如现场可编程门阵列（Field Programmable GateArray，FPGA））就是这样一种集成电路，其逻辑功能由用户对器件编程来确定。由设计人员自行编程来把一个数字系统“集成”在一片PLD上，而不需要请芯片制造厂商来设计和制作专用的集成电路芯片。而且，如今，取代手工地制作集成电路芯片，这种编程也多半改用“逻辑编译器（logic compiler）”软件来实现，它与程序开发撰写时所用的软件编译器相类似，而要编译之前的原始代码也得用特定的编程语言来撰写，此称之为硬件描述语言（Hardware Description Language，HDL），而HDL也并非仅有一种，而是有许多种，如ABEL（Advanced Boolean Expression Language）、AHDL（Altera Hardware DescriptionLanguage）、Confluence、CUPL（Cornell University Programming Language）、HDCal、JHDL（Java Hardware Description Language）、Lava、Lola、MyHDL、PALASM、RHDL（RubyHardware Description Language）等，目前最普遍使用的是VHDL（Very-High-SpeedIntegrated Circuit Hardware Description Language）与Verilog。本领域技术人员也应该清楚，只需要将方法流程用上述几种硬件描述语言稍作逻辑编程并编程到集成电路中，就可以很容易得到实现该逻辑方法流程的硬件电路。
控制器可以按任何适当的方式实现，例如，控制器可以采取例如微处理器或处理器以及存储可由该（微）处理器执行的计算机可读程序代码（例如软件或固件）的计算机可读介质、逻辑门、开关、专用集成电路（Application Specific Integrated Circuit，ASIC）、可编程逻辑控制器和嵌入微控制器的形式，控制器的例子包括但不限于以下微控制器：ARC 625D、Atmel AT91SAM、Microchip PIC18F26K20 以及Silicone Labs C8051F320，存储器控制器还可以被实现为存储器的控制逻辑的一部分。本领域技术人员也知道，除了以纯计算机可读程序代码方式实现控制器以外，完全可以通过将方法步骤进行逻辑编程来使得控制器以逻辑门、开关、专用集成电路、可编程逻辑控制器和嵌入微控制器等的形式来实现相同功能。因此这种控制器可以被认为是一种硬件部件，而对其内包括的用于实现各种功能的装置也可以视为硬件部件内的结构。或者甚至，可以将用于实现各种功能的装置视为既可以是实现方法的软件模块又可以是硬件部件内的结构。
上述实施例阐明的系统、装置、模块或单元，具体可以由计算机芯片或实体实现，或者由具有某种功能的产品来实现。一种典型的实现设备为计算机。具体的，计算机例如可以为个人计算机、膝上型计算机、蜂窝电话、相机电话、智能电话、个人数字助理、媒体播放器、导航设备、电子邮件设备、游戏控制台、平板计算机、可穿戴设备或者这些设备中的任何设备的组合。
为了描述的方便，描述以上装置时以功能分为各种单元分别描述。当然，在实施本说明书实施例时可以把各单元的功能在同一个或多个软件和/或硬件中实现。
本领域内的技术人员应明白，本说明书一个或多个实施例可提供为方法、系统或计算机程序产品。因此，本说明书一个或多个实施例可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本说明书可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质（包括但不限于磁盘存储器、CD-ROM、光学存储器等）上实施的计算机程序产品的形式。
本说明书是参照根据本说明书实施例的方法、设备（系统）、和计算机程序产品的流程图和／或方框图来描述的。应理解可由计算机程序指令实现流程图和／或方框图中的每一流程和／或方框、以及流程图和／或方框图中的流程和／或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和／或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和／或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和／或方框图一个方框或多个方框中指定的功能的步骤。
在一个典型的配置中，计算设备包括一个或多个处理器（CPU）、输入/输出接口、网络接口和内存。
内存可能包括计算机可读介质中的非永久性存储器，随机存取存储器（RAM）和/或非易失性内存等形式，如只读存储器（ROM）或闪存（flash RAM）。内存是计算机可读介质的示例。
计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括，但不限于相变内存（PRAM）、静态随机存取存储器（SRAM）、动态随机存取存储器（DRAM）、其他类型的随机存取存储器（RAM）、只读存储器（ROM）、电可擦除可编程只读存储器（EEPROM）、快闪记忆体或其他内存技术、只读光盘只读存储器（CD-ROM）、数字多功能光盘（DVD）或其他光学存储、磁盒式磁带，磁带磁磁盘存储或其他磁性存储设备或任何其他非传输介质，可用于存储可以被计算设备访问的信息。按照本文中的界定，计算机可读介质不包括暂存电脑可读媒体（transitory media），如调制的数据信号和载波。
还需要说明的是，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、商品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、商品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、商品或者设备中还存在另外的相同要素。
本说明书一个或多个实施例可以在由计算机执行的计算机可执行指令的一般上下文中描述，例如程序模块。一般地，程序模块包括执行特定任务或实现特定抽象数据类型的例程、程序、对象、组件、数据结构等等。也可以在分布式计算环境中实践本说明书的一个或多个实施例，在这些分布式计算环境中，由通过通信网络而被连接的远程处理设备来执行任务。在分布式计算环境中，程序模块可以位于包括存储设备在内的本地和远程计算机存储介质中。
本说明书中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。尤其，对于系统实施例而言，由于其基本相似于方法实施例，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。
以上所述仅为本文件的实施例而已，并不用于限制本文件。对于本领域技术人员来说，本文件可以有各种更改和变化。凡在本文件的精神和原理之内所作的任何修改、等同替换、改进等，均应包含在本文件的权利要求范围之内。

Claims (10)

1.一种脱硫系统浆液品质在线分类评价方法，其特征在于，包括：
在预定时间以预定时间间隔从机组SIS数据库和浆液化验数据库中采集脱硫系统相关参数的历史运行数据及对应的浆液品质评价标签，得到原始数据样本D，并对所述原始数据样本D进行数据清洗，得到清洗后的数据样本CD；
以机组负荷和脱硫系统入口SO2浓度为稳态判定条件对所述数据样本CD进行稳态筛选，得到稳态运行数据样本集SD，并对所述稳态运行数据样本集SD进行标准化预处理，获得量纲标准化样本BD；
采用局部保留投影LPP算法对将所述量纲标准化样本BD进行降维处理，得到降维后样本JD，并采用凝聚k-means聚类方法对降维后样本JD进行模式聚类与识别，对聚类结果进行分析，得到浆液品质分类评价库N；
获取脱硫系统相关参数的新样本S，加入稳态运行数据样本集SD进行迭代计算，得到量纲标准化样本BDS以及降维后的样本JDS，并对样本JDS进行模式聚类，与分类评价库中N的典型样本标签进行比较，得到新样本S的评价类别。
2.根据权利要求1所述的方法，其特征在于，在预定时间以预定时间间隔采集脱硫系统相关参数的历史运行数据及对应的浆液品质评价标签，得到原始数据样本D具体包括：
在预定时间以预定时间间隔从机组SIS数据库和浆液化验数据库中采集脱硫系统相关参数的历史运行数据及对应的浆液品质评价标签，得到原始数据样本D，其中，所述脱硫系统相关参数具体包括：机组负荷、脱硫系统入口SO2浓度、浆液密度、浆液pH值、液气比、脱硫量、吸收塔液位、浆液循环泵泵前压力和浆液循环泵电流；所述预定时间包括：换浆前后十天；所述预定时间间隔包括：1分钟。
3.根据权利要求1所述的方法，其特征在于，对所述原始数据样本D进行数据清洗，得到清洗后的数据样本CD具体包括：
采用iforest孤立点检测算法过滤原始样本D中包含死值以及离群值的样本，其中，死值数据由机组停机或者数据传输通道故障所产生，离群值由设备故障或者传感器故障所产生。
4.根据权利要求1所述的方法，其特征在于，以机组负荷和脱硫系统入口SO2浓度为稳态判定条件对所述数据样本CD进行稳态筛选，得到稳态运行数据样本集SD，并对所述稳态运行数据样本集SD进行标准化预处理，获得量纲标准化样本BD具体包括：
以机组负荷和脱硫系统入口SO2浓度为稳态判定条件对所述数据样本CD进行稳态筛选，其中，进行稳态筛选时的判定条件为：10min内机组负荷波动幅度不超过10MW、脱硫系统入口SO2浓度波动幅度不超过25mg/m3；
采用z-sorce标准化方法对数据进行标准化预处理，获得量纲标准化样本BD。
5.根据权利要求1所述的方法，其特征在于，采用局部保留投影LPP算法对将所述量纲标准化样本BD进行降维处理具体包括：
采用局部保留投影LPP算法对将所述量纲标准化样本BD进行降维处理，从9维降至4维。
6.一种脱硫系统浆液品质在线分类评价系统，其特征在于，包括：
采集清洗模块，用于在预定时间以预定时间间隔从机组SIS数据库和浆液化验数据库中采集脱硫系统相关参数的历史运行数据及对应的浆液品质评价标签，得到原始数据样本D，并对所述原始数据样本D进行数据清洗，得到清洗后的数据样本CD；
筛选预处理模块，用于以机组负荷和脱硫系统入口SO2浓度为稳态判定条件对所述数据样本CD进行稳态筛选，得到稳态运行数据样本集SD，并对所述稳态运行数据样本集SD进行标准化预处理，获得量纲标准化样本BD；
计算分析模块，用于采用局部保留投影LPP算法对将所述量纲标准化样本BD进行降维处理，得到降维后样本JD，并采用凝聚k-means聚类方法对降维后样本JD进行模式聚类与识别，对聚类结果进行分析，得到浆液品质分类评价库N；
对比模块，用于获取脱硫系统相关参数的新样本S，加入稳态运行数据样本集SD进行迭代计算，得到量纲标准化样本BDS以及降维后的样本JDS，并对样本JDS进行模式聚类，与分类评价库中N的典型样本标签进行比较，得到新样本S的评价类别。
7.根据权利要求6所述的系统，其特征在于，所述采集清洗模块具体用于：
在预定时间以预定时间间隔从机组SIS数据库和浆液化验数据库中采集脱硫系统相关参数的历史运行数据及对应的浆液品质评价标签，得到原始数据样本D，其中，所述脱硫系统相关参数具体包括：机组负荷、脱硫系统入口SO2浓度、浆液密度、浆液pH值、液气比、脱硫量、吸收塔液位、浆液循环泵泵前压力和浆液循环泵电流；所述预定时间包括：换浆前后十天；所述预定时间间隔包括：1分钟；
采用iforest孤立点检测算法过滤原始样本D中包含死值以及离群值的样本，其中，死值数据由机组停机或者数据传输通道故障所产生，离群值由设备故障或者传感器故障所产生。
8.根据权利要求6所述的系统，其特征在于，
所述筛选预处理模块具体用于：
以机组负荷和脱硫系统入口SO2浓度为稳态判定条件对所述数据样本CD进行稳态筛选，其中，进行稳态筛选时的判定条件为：10min内机组负荷波动幅度不超过10MW、脱硫系统入口SO2浓度波动幅度不超过25mg/m3；采用z-sorce标准化方法对数据进行标准化预处理，获得量纲标准化样本BD；
所述计算分析模块具体用于：
采用局部保留投影LPP算法对将所述量纲标准化样本BD进行降维处理，从9维降至4维。
9.一种脱硫系统浆液品质在线分类评价装置，其特征在于，包括：存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述计算机程序被所述处理器执行时实现如权利要求1至5中任一项所述的脱硫系统浆液品质在线分类评价方法的步骤。
10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质上存储有信息传递的实现程序，所述程序被处理器执行时实现如权利要求1至5中任一项所述的脱硫系统浆液品质在线分类评价方法的步骤。
CN202110760897.8A 2021-07-06 2021-07-06 脱硫系统浆液品质在线分类评价方法、系统及装置 Active CN113256179B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110760897.8A CN113256179B (zh) 2021-07-06 2021-07-06 脱硫系统浆液品质在线分类评价方法、系统及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110760897.8A CN113256179B (zh) 2021-07-06 2021-07-06 脱硫系统浆液品质在线分类评价方法、系统及装置

Publications (2)

Publication Number Publication Date
CN113256179A CN113256179A (zh) 2021-08-13
CN113256179B true CN113256179B (zh) 2021-09-24

Family

ID=77190789

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110760897.8A Active CN113256179B (zh) 2021-07-06 2021-07-06 脱硫系统浆液品质在线分类评价方法、系统及装置

Country Status (1)

Country Link
CN (1) CN113256179B (zh)

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106014858A (zh) * 2016-07-21 2016-10-12 浙江运达风电股份有限公司 一种风电机组对风误差自动校准方法及装置
CN109993225A (zh) * 2019-03-29 2019-07-09 北京航空航天大学 一种基于无监督学习的空域复杂度分类方法及装置
CN112687349A (zh) * 2020-12-25 2021-04-20 广东海洋大学 一种降低辛烷值损失模型的构建方法

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2002014562A2 (en) * 2000-08-11 2002-02-21 Dofasco Inc. Desulphurization reagent control method and system

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106014858A (zh) * 2016-07-21 2016-10-12 浙江运达风电股份有限公司 一种风电机组对风误差自动校准方法及装置
CN109993225A (zh) * 2019-03-29 2019-07-09 北京航空航天大学 一种基于无监督学习的空域复杂度分类方法及装置
CN112687349A (zh) * 2020-12-25 2021-04-20 广东海洋大学 一种降低辛烷值损失模型的构建方法

Also Published As

Publication number Publication date
CN113256179A (zh) 2021-08-13

Similar Documents

Publication Publication Date Title
CN109582741B (zh) 特征数据处理方法和装置
US20230194624A1 (en) Battery management system for classifying a battery module
CN113256179B (zh) 脱硫系统浆液品质在线分类评价方法、系统及装置
CN114943307A (zh) 一种模型训练的方法、装置、存储介质以及电子设备
CN111514663A (zh) 空气净化装置滤芯寿命的计算方法及装置、存储介质
CN115309753A (zh) 一种高效环保智能样本研发系统的数据快速读取方法
CN108536613B (zh) 数据清理方法、装置、及服务器
CN111652286A (zh) 一种基于图嵌入的物体识别方法、设备及介质
CN113448807B (zh) 告警监测方法、系统、电子设备及计算机可读存储介质
CN111967940B (zh) 一种订单量异常检测方法及装置
CN115567371B (zh) 一种异常检测方法、装置、设备及可读存储介质
CN113760658A (zh) 一种监控方法、装置及设备
CN110874652B (zh) 一种设备状态评价方法、装置、设备及系统
CN113902356B (zh) 区域流量数据分析方法及装置
CN113569950B (zh) 电站设备故障监测模型生成方法、系统及装置
CN109325127B (zh) 一种风险识别方法和装置
CN110908870B (zh) 一种大型机的资源监控方法、装置、存储介质及设备
CN111242195B (zh) 模型、保险风控模型训练方法、装置及电子设备
JP6993472B2 (ja) 深層学習チップを検出する方法、装置、電子機器、およびコンピュータ記憶媒体
CN112434624A (zh) 结构健康监测数据失真检测方法、系统、装置及存储介质
WO2022056594A1 (en) Method of managing a system
CN108227038B (zh) 一种台风强度诊断方法、装置、服务器及存储介质
CN116304947A (zh) 业务处理方法、装置及电子设备
CN112817948B (zh) 数据检测的方法、装置、可读存储介质以及电子设备
CN117077013B (zh) 一种睡眠纺锤波检测方法、电子设备、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
GR01 Patent grant
GR01 Patent grant