CN113379166B - 一种工艺参数的预测方法、装置、电子设备及存储介质 - Google Patents

一种工艺参数的预测方法、装置、电子设备及存储介质 Download PDF

Info

Publication number
CN113379166B
CN113379166B CN202110849280.3A CN202110849280A CN113379166B CN 113379166 B CN113379166 B CN 113379166B CN 202110849280 A CN202110849280 A CN 202110849280A CN 113379166 B CN113379166 B CN 113379166B
Authority
CN
China
Prior art keywords
preset
predicted
working condition
condition data
time period
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
CN202110849280.3A
Other languages
English (en)
Other versions
CN113379166A (zh
Inventor
廖强
王向勇
陈俊
李辰
罗磊
段斌
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.)
Chengdu Jiahua Chain Cloud Technology Co ltd
Original Assignee
Chengdu Jiahua Chain Cloud Technology 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 Chengdu Jiahua Chain Cloud Technology Co ltd filed Critical Chengdu Jiahua Chain Cloud Technology Co ltd
Priority to CN202110849280.3A priority Critical patent/CN113379166B/zh
Publication of CN113379166A publication Critical patent/CN113379166A/zh
Application granted granted Critical
Publication of CN113379166B publication Critical patent/CN113379166B/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
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • 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
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • General Physics & Mathematics (AREA)
  • Computational Linguistics (AREA)
  • Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Biophysics (AREA)
  • Strategic Management (AREA)
  • Economics (AREA)
  • Human Resources & Organizations (AREA)
  • Game Theory and Decision Science (AREA)
  • Development Economics (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Marketing (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Tourism & Hospitality (AREA)
  • General Business, Economics & Management (AREA)
  • Feedback Control In General (AREA)

Abstract

本申请公开了一种工艺参数的预测方法、装置、电子设备及存储介质，能够解决现有技术中因依靠人工经验来确定工艺参数而导致所确定的工艺参数精确度较低的问题。工艺参数的预测方法包括：获取预设时间段内的第一工况数据；随机生成待预测时间段内的第二工况数据，第二工况数据包括各个预设时刻的至少一种调控设备所对应的初始工艺参数；将第一工况数据与第二工况数据输入到预训练的酸性气体排放量的预测模型，输出待预测时间段内酸性气体的预测排放量，并基于预设的第一损失函数对待预测时间段内初始工艺参数进行更新，第一损失函数定义有预测排放量与预设排放阈值的排放量损失；输出待预测时间段内至少一种调控设备在目标时刻的目标工艺参数。

Description

一种工艺参数的预测方法、装置、电子设备及存储介质
技术领域
本申请涉及工业生产技术领域，具体而言，涉及一种工艺参数的预测方法、装置、电子设备及存储介质。
背景技术
现有技术中，当酸性气体排放超标或者低于国家排放标准时，只能根据人工经验来对相关的工艺参数进行调节，那么可能出现调节的幅度过大或者过小的情况或者调节的时间不恰当的问题，即无法实现工艺参数的精确调节。
发明内容
本申请实施例提供了一种工艺参数的预测方法、装置、电子设备及存储介质，能够解决现有技术因依靠人工经验来确定工艺参数而导致所确定的工艺参数精确度较低的问题。
第一方面，本申请实施例提供了一种工艺参数的预测方法，所述方法包括：
获取预设时间段内的第一工况数据，所述第一工况数据至少包括所述预设时间段内各个预设时刻的至少一种调控设备所对应的工艺参数以及各个预设时刻的酸性气体排放量；
随机生成待预测时间段内的第二工况数据，所述第二工况数据包括所述待预测时间段内各个预设时刻的所述至少一种调控设备所对应的初始工艺参数，所述待预测时间段位于所述预设时间段之后；
将所述第一工况数据与所述第二工况数据输入到预训练的酸性气体排放量的预测模型，输出所述待预测时间段内各个预设时刻的酸性气体的预测排放量，并基于预设的第一损失函数对所述待预测时间段内各个预设时刻的初始工艺参数进行更新，其中，所述预测模型包括依次连接的第一循环神经网络、第二循环神经网络以及全连接网络，所述第一循环神经网络用于提取所述第一工况数据中呈现的工艺参数与酸性气体排放量之间的周期性特征，所述第二循环神经网络用于接收所述周期性特征，并基于所述周期性特征以及所述第二工况数据所呈现的突变性工艺参数输出表征酸性气体排放量的状态特征，所述全连接网络基于所述状态特征确定出所述预测排放量，所述第一损失函数定义有所述预测排放量与预设排放阈值的排放量损失；
输出所述待预测时间段内所述至少一种调控设备在目标时刻的目标工艺参数。
本申请实施例中，预训练的酸性气体排放量的预测模型中包括依次连接的第一循环神经网络、第二循环神经网络以及全连接网络，第一循环神经网络用于提取历史上所设置的工艺参数与酸性气体排放量之间的周期性特征，第二循环神经网络用于接收上述周期性特征，并基于该周期性特征以及突变性工艺参数输出表征酸性气体排放量的状态特征，最后全连接网络基于上述状态特征输出酸性气体的预测排放量。
当需要基于上述预测模型对未来一段时间内的酸性气体排放量进行预测时，首先可以获取预设时间段内(即历史时间段)的第一工况数据，该第一工况数据至少包括预设时间段内各个预设时刻的至少一种调控设备所对应的工艺参数以及各个预设时间的酸性气体排放量；由于未来一段时间内所需要设置的工艺参数是未知的，因此可以随机生成待预测时间段内的第二工况数据，该第二工况数据包括待预测时间段内各个预设时刻的至少一种调控设备所对应的初始工艺参数，那么在将上述第一工况数据与第二工况数据输入到预测模型之后，就可以输出在第一工况数据以及第二工况数据的影响下酸性气体的预测排放量。由于酸性气体的排放量需要以预设排放阈值作为标准，因此可以构建基于酸性气体的预测排放量与预设排放阈值的第一损失函数，通过优化第一损失函数来对随机生成的第二工况数据进行更新，便可以输出更新完成的第二工况数据，即在待预测时间段内至少一种调控设备在目标时刻的目标参数。
该方法中，在保证预测模型能够基于第一工况数据与第二工况数据对未来一段时间内的酸性气体排放量进行较为准确预测的基础上，即可以认为预测模型所输出的酸性气体的预测排放量可以表征酸性气体的实际排放量，通过构建酸性气体的预测排放量与预设排放阈值的损失函数来对第二工况数据进行更新，从而在满足酸性气体的预测排放量(实际排放量)符合预测排放阈值要求的情况下，获得更新后的第二工况数据，即待预测时间段内至少一种调控设备在目标时刻的目标工艺参数。那么该目标工艺参数可以认为是较为精确的工艺参数，从而可以提高工艺参数调节的精确性。
可选的，随机生成待预测时间段内的第二工况数据包括：
随机对所述待预测时间段内各个预设时刻的至少一种调控设备所对应的工艺参数进行初始化，以得到部分预设时刻的所述初始化工艺参数，其中，所述部分预设时刻至少包括第一时刻；
将所述待预测时间段内位于所述第一时刻之前的各个预设时刻的所述至少一种调控设备的工艺参数赋值为当前时刻的工艺参数，将位于所述第一时刻之后的各个预设时刻的所述至少一种调控设备的工艺参数赋值为所述初始化工艺参数，其中，所述当前时刻位于所述待预测时间段之前。
本申请实施例中，首先通过随机初始化的方式为至少一种调控设备在待预测时间段内的部分预设时刻赋予初始工艺参数，即可以认为在上述部分预设时刻至少一种调控设备需要基于自身被赋予的初始工艺参数来进行动作，从而对酸性气体的排放量进行调节。例如，上述部分预设时刻至少包括第一时刻，那么为了保证第二工况数据可以满足预测模型的输入要求，那么可以将位于第一时刻之前的各个预设时刻的工艺参数赋值为当前时刻(即位于待预测时间段之前)的工艺参数，而将位于第一时刻之后的各个预测的工艺参数赋值为第一时刻所对应的工艺参数。
可选的，所述至少一种调控设备包括循环泵和/或吸收塔，所述第一损失函数还定义有循环泵的启停状态所对应的功耗损失和/或吸收塔的酸碱度所对应的物料损失。
本申请实施例中，至少一种调控设备可以包括循环泵和/或吸收塔，循环泵的启停涉及能源消耗，吸收塔的pH值涉及碱性物料的使用量，那么第一损失函数中除了基于酸性气体的预测排放量与预设排放阈值对待预测时间段内的第二工况数据进行更新以外，还可以结合循环泵的启停状态所对应的功耗损失以及吸收塔的酸碱度所对应的物料损失来对第二工况数据进行优化，使得所得到的第二工况数据在满足酸性气体的预测排放量达到标准的情况下，能够尽量减低对于能耗以及物料的损耗。
可选的，所述第一损失函数中所定义的酸性气体的预测排放量与预设排放阈值的排放量损失对应第一权重，所述第一损失函数所定义的循环泵的启停状态所对应的功耗损失对应第二权重，所述第一损失函数所定义的吸收塔的酸碱度所对应的物料损失对应第三权重，所述第一权重大于所述第二权重，所述第二权重大于所述第三权重。
本申请实施例中，可以为第一损失函数中所定义的三个优化部分(酸性气体排放量、循环泵能耗以及吸收塔酸碱度)赋予不同的权重值，例如，与酸性气体排放量相对应的权重(第一权重)大于与循环泵能耗对应的权重(第二权重)，且与循环泵能耗对应的权重(第二权重)大于与吸收塔酸碱度对应的权重(第三权重)，使得所得到的第二工况数据，可以优先满足酸性气体排放量的要求，其次，满足尽量降低能耗的要求，最后才满足尽量降低碱性物料使用量的要求。
可选的，获取第一历史时间段内的第三工况数据以及第二历史时间段内的第四工况数据，所述第三工况数据至少包括所述第一历史时间段内各个预设时刻的至少一种调控设备所对应的工艺参数以及各个预设时刻的酸性气体排放量，所述第四工况数据包括所述第二历史时间各个预设时刻的至少一种调控设备所对应的工艺参数以及各个预设时刻的酸性气体排放量，其中，所述第二历史时间段位于所述第一历史时间段之后；
将所述第三工况数据与所述第四工况数据输入所述预测模型中，并基于预设的第二损失函数对所述预测模型进行训练至满足预设条件，以获得训练完成的所述预测模型，其中，所述第三工况数据以及所述第四工况数据中所包括的所述第二历史时间段内各个预设时刻的至少一种调控设备所对应的工艺参数作为训练样本，所述第四工况数据中所包括的所述第二历史时间段内的各个预设时刻的酸性气体排放量作为标签，所述预设条件为所述第二损失函数达到收敛状态，所述第二损失函数如下：
loss＝MAE(Y,Y-pred)+0.5*(1-cosine-similarity(Y,Y-pred))
其中，loss表示第二损失函数，Y表示第二历史时间段内所包括的各个时刻的酸性气体排放量，Y_pred表示预设模型所输出的酸性气体的预测排放量，MAE表示求取第二历史时间段内所包括的各个预设时刻的酸性气体排放量与酸性气体的预测排放量之间的平均绝对误差，cosine_similarity表示求取第二历史时间段内所包括的各个预设时刻的酸性气体排放量与酸性气体的预测排放量之间的余弦相似度。
本申请实施例中，通过第一历史时间段内的第三工况数据与第二历史时间段内的第四工况数据对预先构建的预测模型进行训练，并针对性设置第二损失函数，使得训练后所形成的预测模型可以较为准确的预测出酸性气体的排放量。
第二方面，本申请实施例提供了一种工艺参数的预测装置，所述装置包括：
获取单元，用于获取预设时间段内的第一工况数据，所述第一工况数据至少包括所述预设时间段内各个预设时刻的至少一种调控设备所对应的工艺参数以及各个预设时刻的酸性气体排放量；
初始化单元，用于随机生成待预测时间段内的第二工况数据，所述第二工况数据包括所述待预测时间段内各个预设时刻的所述至少一种调控设备所对应的初始工艺参数，所述待预测时间段位于所述预设时间段之后；
优化单元，用于将所述第一工况数据与所述第二工况数据输入到预训练的酸性气体排放量的预测模型，输出所述待预测时间段内各个预设时刻的酸性气体的预测排放量，并基于预设的第一损失函数对所述待预测时间段内各个预设时刻的初始工艺参数进行更新，其中，所述预测模型包括依次连接的第一循环神经网络、第二循环神经网络以及全连接网络，所述第一循环神经网络用于提取所述第一工况数据中呈现的工艺参数与酸性气体排放量之间的周期性特征，所述第二循环神经网络用于接收所述周期性特征，并基于所述周期性特征以及所述第二工况数据所呈现的突变性工艺参数输出表征酸性气体排放量的状态特征，所述全连接网络基于所述状态特征确定出所述预测排放量，所述第一损失函数定义有所述预测排放量与预设排放阈值的排放量损失；
输出单元，用于输出所述待预测时间段内所述至少一种调控设备在目标时刻的目标工艺参数。
可选的，所述初始化单元具体用于：
随机对所述待预测时间内各个预设时刻的至少一种调控设备所对应的工艺参数进行初始化，以得到部分预设时刻的所述初始化工艺参数，其中，所述部分预设时刻至少包括第一时刻；
将所述待预测时间段内位于所述第一时刻之前的各个预设时刻的所述至少一种调控设备的工艺参数赋值为当前时刻的工艺参数，将位于所述第一时刻之后的各个预设时刻的所述至少一种调控设备的工艺参数赋值为所述初始化工艺参数，其中，所述当前时刻位于所述待预测时间段之前。
可选的，所述至少一种调控设备包括循环泵和/或吸收塔，所述第一损失函数还定义有循环泵的启停状态所对应的功耗损失和/或吸收塔的酸碱度所对应的物料损失。
可选的，所述第一损失函数中所定义的酸性气体的预测排放量与预设排放阈值的排放量损失对应第一权重，所述第一损失函数所定义的循环泵的启停状态所对应的功耗损失对应第二权重，所述第一损失函数所定义的吸收塔的酸碱度所对应的物料损失对应第三权重，所述第一权重大于所述第二权重，所述第二权重大于所述第三权重。
可选的，所述装置还包括：
所述获取单元还用于：获取第一历史时间段内的第三工况数据以及第二历史时间段内的第四工况数据，所述第三工况数据至少包括所述第一历史时间段内各个预设时刻的至少一种调控设备所对应的工艺参数以及各个预设时刻的酸性气体排放量，所述第四工况数据包括所述第二历史时间各个预设时刻的至少一种调控设备所对应的工艺参数以及各个预设时刻的酸性气体排放量，其中，所述第二历史时间段位于所述第一历史时间段之后；
训练单元，用于将所述第三工况数据与所述第四工况数据输入所述预测模型中，并基于预设的第二损失函数对所述预测模型进行训练至满足预设条件，以获得训练完成的所述预测模型，其中，所述第三工况数据以及所述第四工况数据中所包括的所述第二历史时间段内各个预设时刻的至少一种调控设备所对应的工艺参数作为训练样本，所述第四工况数据中所包括的所述第二历史时间段内的各个预设时刻的酸性气体排放量作为标签，所述预设条件为所述第二损失函数达到收敛状态，所述第二损失函数如下：
loss＝MAE(Y,Y-pred)+0.5*(1-cosine-similarity(Y,Y-pred))
其中，loss表示第二损失函数，Y表示第二历史时间段内所包括的各个时刻的酸性气体排放量，Y_pred表示预设模型所输出的酸性气体的预测排放量，MAE表示求取第二历史时间段内所包括的各个预设时刻的酸性气体排放量与酸性气体的预测排放量之间的平均绝对误差，cosine_similarity表示求取第二历史时间段内所包括的各个预设时刻的酸性气体排放量与酸性气体的预测排放量之间的余弦相似度。
第三方面，本申请实施例了提供一种电子设备，所述电子设备包括处理器和存储器，所述处理器用于执行所述存储器中存储的计算机程序时实现如第一方面任一实施例所述方法的步骤。
第四方面，本申请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如第一方面任一实施例所述方法的步骤。
附图说明
图1为本申请实施例提供的一种工艺参数的预测方法的流程示意图；
图2为本申请实施例提供的一种工艺参数的预测装置的结构示意图；
图3为本申请实施例提供的一种电子设备的结构示意图。
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。
目前，在工业生产过程中往往伴随着酸性气体的排放，例如，火力发电厂通过燃烧煤炭来进行发电，那么在发电过程中就会产生二氧化硫这样的酸性气体，若直接将产生的酸性气体排放到大气中，则无法满足国家的排放标准。因此，企业通常采用先治理后排放的方式。现有技术中，往往是基于人工经验来对相关调控设备的工艺参数进行调节，来达到治理酸性气体的目的。但是可能出现对调控设备的工艺参数调节幅度多大或者过小，有或者调节时间不恰当的问题，即现有技术中存在调控设备的工艺参数无法进行精确调节的问题。
鉴于此，本申请实施例提供了一种工艺参数的预测方法，该方法中，在保证预测模型能够对未来一段时间内的酸性气体排放量进行较为准确预测的基础上，即可以认为预测模型所输出的酸性气体的预测排放量可以表征酸性气体的实际排放量，通过构建酸性气体的预测排放量与预设排放阈值的损失函数来对未来一段时间的至少一种调控设备所对应的工艺参数进行更新，从而在满足酸性气体的预测排放量符合预设排放阈值要求的情况下(即相当于酸性气体的实际排放量符合预设排放阈值)，获得更新后的工艺参数,即待预测时间段内至少一种调控设备在目标时刻的目标工艺参数。那么该目标工艺参数可以认为是较为精确的工艺参数，从而可以提高工艺参数调节的精确性。
下面结合附图本申请实施例提供的技术方案进行介绍。请参见图1，本申请实施例提供了一种工艺参数的预测方法，该方法的流程描述如下：
步骤101：获取预设时间段内的第一工况数据，第一工况数据至少包括预设时间段内各个预设时刻的至少一种调控设备所对应的工艺参数以及各个预设时刻的酸性气体排放量。
考虑到现有技术中基于人工经验来对至少一种调控设备所对应的工艺参数进行调节时，可能会出现调节幅度过大或过小，或者调节时间不恰当的问题，即存在针对至少一种调控设备所对应的工艺参数调节不精确的问题，从而导致酸性气体的实际排放量与排放标准(这里的排放标准可以是国家排放标准，也可以是企业内部的排放标准，应理解，企业内部的排放标准应该与国家排放标准相持平，或者比国家排放标准更为严格)差别较大。例如，酸性气体的实际排放量超过排放标准较多，或者酸性气体的排放标准低于排放标准较多，对于前者而言，企业会因酸性气体的实际排放量超标而受到相关处罚，而对于后者而言，企业需要付出较多的物力成本。
鉴于此，本申请实施例中，为了实现针对至少一种调控设备所对应的工艺参数的精确调节，可以先实现对未来一段时间内酸性气体排放量的准确预测，即在此基础上，通过将酸性气体的预测排放量与排放标准进行比较，从而再反向调整至少一种调控设备所对应的工艺参数。那么当酸性气体的预测排放量达到排放标准(即与排放标准的差值的绝对值小于设定阈值)时，则可以较为精确的得到至少一种调控设备所对应的工艺参数。
下面针对如何训练酸性气体排放量的预测模型进行具体说明。
首先可以获取第一历史时间段内的工况数据，例如，第三工况数据，该第三工况数据至少包括第一历史时间段内各个预设时刻至少一种调控设备所对应的工艺参数以及各个预设时刻的酸性气体排放量。同时还可以获取第二历史时间段内的工况数据，例如，第四工况数据，该第四工况数据至少包括第二历史时间段内各个预设时刻至少一种调控设备所对应的工艺参数以及各个预设时刻的酸性气体排放量。第二历史时间段位于第一历史时间段之后，可以是与第一历史时间段连续的时间段，上述两个时间段可以以历史时刻T1作为临界点，位于历史时刻T1之前的历史时间段作为第一历史时间段，位于历史时刻T1之后的历史时间段作为第二历史时间段。当然，第二历史时间段也可以与第一历史时间段不连续，两个历史时间段之间可以间隔多个历史时刻T1，此处不做特别限制。
应理解，至少一种调控设备可以包括循环泵和/或吸收塔，吸收塔中存储有碱性物料所形成的浆液，例如，碱性物料可以为碳酸钙(CaCO3)，也可以是其他碱性物料，此处不做特别限制。循环泵可以通过抽取碱性物料所形成的浆液，然后喷淋在烟气管道中与酸性气体进行中和，从而达到调节酸性气体排放量的目的。那么循环泵所对应的工艺参数可以认为是循环泵使用的数量(例如，当循环泵的工作电流大于额定电流的一半时，认为该循环泵处于开启状态；当循环泵的工作电流小于或等于额定电流的一半时，认为该循环泵处于关闭状态)，在同等酸性气体浓度以及吸收塔中碱性物料所形成的浆液pH值不变的情况下，通过提高循环泵的使用数量可以在单位时间内喷淋出更多的碱性物料浆液，从而能够更大程度的去中和酸性气体。吸收塔所对应的工艺参数可以认为是吸收塔中碱性物料所形成的浆液的pH值，在同等酸性气体浓度以及使用同等数量循环泵的情况下，吸收塔中碱性物料所形成的浆液的pH值越大，那么就能够更大程度的去中和酸性气体。因此，循环泵的数量以及吸收塔中碱性浆液的pH可以同时进行调节，也可以调节其中任意一个，此处不做特别限制。
在获取到第一历史时间段的第三工况数据以及第二历史时间段的第四工况数据之后，可以将上述第三工况数据与第四工况数据输入到预先构建的预测模型中，其中，第三工况数据以及第四工况数据中所包括的第二历史时间段内各个预测时刻的至少一种调控设备所对应的工艺参数作为训练样本，第四工况数据中所包括的第二历史时间段内各个预设时间的酸性气体排放量作为标签。应理解，输入到上述预测模型中的各项工况数据可以认为均进行了归一化处理。
该预测模型包括依次连接的第一循环神经网络、第二循环神经网络以及全连接网络，第三工况数据作为第一循环神经网络的输入，基于第一循环神经网络可以提取出历史上所设置的至少一个调控设备的工艺参数与酸性气体排放量的周期性特征，第二循环神经网络用于接收上述周期性特征，以及将第四工况数据中所包括的第二历史时间段内各个预设时刻的至少一种调控设备所对应的工艺参数(相较于第一历史时间段内的工艺参数而言，第二历史时间段内的工艺参数可以认为是突变性的工艺参数)作为第二循环神经网络的输入，那么第二循环神经网络可以输出表征酸性气体排放量的状态特征。最后，全连接网络基于上述状态特征，输出第二历史时间段内各个预设时刻酸性气体的预测排放量。然后通过预先定义的损失函数，例如，第二损失函数，来对上述预测模型进行不断训练，直到满足预设条件为止。应理解，该预设条件为上述第二损失函数达到收敛状态，例如，在训练次数达到预设训练次数后，可以认为第二损失函数处于收敛状态，或者，当第二损失函数小于设定阈值时，可以认为第二损失函数处于收敛状态。第二损失函数可以定义如下：
loss＝MAE(Y,Y-pred)+0.5*(1-cosine-similarity(Y,Y-pred))
其中，loss表示第二损失函数，Y表示第二历史时间段内所包括的各个时刻的酸性气体排放量，Y_pred表示预设模型所输出的酸性气体的预测排放量，MAE表示求取第二历史时间段内所包括的各个预设时刻的酸性气体排放量与酸性气体的预测排放量之间的平均绝对误差，cosine_similarity表示求取第二历史时间段内所包括的各个预设时刻的酸性气体排放量与酸性气体的预测排放量之间的余弦相似度。
应理解，上述第二损失函数中所定义的第一部分是为了控制酸性气体的预测排放量与酸性气体的实际排放量(标签)之间的偏差，即MAE(Y,Y-pred)；上述第二损失函数中所定义的第二部分是为了使酸性气体的预测排放量与酸性气体的实际排放量(标签)的变化趋势尽量保持一致，即0.5*(1-cosine-similarity(Y,Y-pred)。
当上述预测模型训练完成之后，需要基于上述预测模型对未来一段时间内的酸性气体排放量进行预测时，就需要获取两个部分的工况数据，第一部分工况数据为与当前时刻T2相比的历史时间段的工况数据。
作为一种可能的实施方式，可以获取预设时间段内的工况数据，例如，第一工况数据，该第一工况数据至少包括预设时间段内各个预设时刻的至少一种调控设备所对应的工艺参数以及各个预设时刻的酸性气体排放量。应理解，上述预设时间段为位于当前时刻T2之前。
步骤102：随机生成待预测时间段内的第二工况数据，第二工况数据包括待预测时间段内各个预设时刻的至少一种调控设备所对应的初始工艺参数，待预测时间段位于所述预设时间段之后。
本申请实施例中，在获取到位于当前时刻T2之前的预设时间段的第一工况数据之后，还可以继续获取位于当前时刻T2之后的未来一段时间的工况数据，由于未来一段时间的工况数据是未知的，因此，可以随机生成未来一段时间的工况数据，从而满足预测模型对于输入数据的形式要求。
作为一种可能的实施方式，可以随机生成待预测时间段内的工况数据，例如，第二工况数据，该第二工况数据可以包括上述待预测时间段内各个预设时刻的至少一种调控设备所对应的初始工艺参数，应理解，待预测时间段位于上述预设时间段之后。
具体的，可以随机对待预测时间段内各个预设时刻的至少一种调控设备所对应的工艺参数进行初始化，那么至少一种调控设备在待预测时间段内的部分预设时刻会被赋予初始工艺参数，即可以认为在上述部分预设时刻至少一种调控设备需要基于自身被赋予的初始工艺参数来进行动作，从而对酸性气体的排放量进行调节。例如，上述部分预设时刻至少包括第一时刻，那么为了保证第二工况数据可以满足预测模型的输入要求，那么可以将位于第一时刻之前的各个预设时刻的工艺参数赋值为当前时刻(即位于待预测时间段之前)的工艺参数，而将位于第一时刻之后的各个预测的工艺参数赋值为第一时刻所对应的工艺参数。
步骤103：将第一工况数据与第二工况数据输入到预训练的酸性气体排放量的预测模型，输出待预测时间段内各个预设时刻的酸性气体的预测排放量，并基于预设的第一损失函数对待预测时间段内各个预设时刻的初始工艺参数进行更新。
本申请实施例中，在获取到第一工况数据与第二工况数据之后，便可以对待预测时间段内的酸性气体排放量进行预测，并将酸性气体的预测排放量与排放标准进行比较，从而来反向更新至少一种调控设备所对应的工艺参数，以便于可以得到工艺参数的最优值。
作为一种可能的实施方式，可以将第一工况数据与第二工况数据输入到预先训练的酸性气体排放量的预测模型，该预测模型包括依次连接的第一循环神经网络、第二循环神经网络以及全连接网络，第一循环神经网络用于提取第一工况数据中呈现的工艺参数与酸性气体排放量之间的周期性特征，第二循环神经网络用于接收周期性特征，并基于该周期性特征以及第二工况数据所呈现的突变性工艺参数(由于第二工况数据是待预测时间段内的，因此可以认为相较于预设时间段内的至少一种调控设备所对应的工艺参数发生了突变)输出表征酸性气体排放量的状态特征，全连接网络基于上述状态特征可以确定出待预测时间段内各个预设时刻的酸性气体排放量。然后利用预先定义的损失函数，例如第一损失函数，对第二工况数据进行更新。
具体的，该第一损失函数中定义有酸性气体的预测排放量与预设排放阈值的排放量损失，通过不断优化第一损失函数，实现对第二工况数据进行更新。此外，在对第二工况数据进行更新的过程中，还可以引入启发式算法(例如，模拟退火算法、遗传算法、蚁群算法等)，使得第二工况数据的更新过程更具有目标性，即能够更快的找出最优的第二工况数据，从而可以减少更新第二工况数据所需的时间。
应理解，在预测模型的性能较高的情况下，预测模型所输出的酸性气体的预测排放量可以认为基本与酸性气体的实际排放量相一致，那么第一损失函数的优化目标为使酸性气体的预测排放量(实际排放量)与预设排放阈值尽量接近，例如，预测排放量与预测排放阈值的差值的绝对值小于设定阈值，那么在上述情况下所获得第二工况数据即为较为精确的工况数据。
步骤104：输出待预测时间段内至少一种调控设备在目标时刻的目标工艺参数。
本申请实施例中，当达到第一损失函数的优化目标时，即酸性气体的预测排放量与预设排放阈值较为接近，此时所获得的第二工况数据可以认为是较为精确的，那么可以将该第二工况数据进行输出，以便于对相关调控设备的工艺参数进行较为精确的调整。
作为一种可能的实施方式，可以输出待预测时间段内至少一种调控设备在目标时刻的目标工艺参数。
应理解，可以基于所输出的至少一种调控设备在目标时刻的目标工艺参数对至少一种调控设备的工艺参数进行自动调整，也可以有人工来进行手动调整，此处不做特别限制。
在一些实施例中，考虑到在利用循环泵抽取吸收塔中的碱性物料所形成的浆液对酸性气体进行喷淋的过程中，对于循环泵而言，需要消耗电能，并且所使用的循环泵的数量越多，需要消耗的电能也越多；对于吸收塔而言，需要消耗碱性物料，并且吸收塔中pH值越大，所需要消耗的碱性物料也越多。因此，本申请实施例中，除了基于酸性气体的预测排放量与预设排放阈值对待预测时间段内的第二工况数据进行更新以外，还可以结合循环泵的启停状态所对应的功耗损失和/或吸收塔的酸碱度所对应的物料损失来对第二工况数据进行优化，使得所得到的第二工况数据在满足酸性气体的预测排放量达到标准的情况下，能够尽量减低对于能耗和/或物料的损耗。
作为一种可能的实施方式，第一损失函数中还定义有循环泵的启停状态所对应的功耗损失和/或吸收塔的酸碱度所对应的物料损失。
在一些实施例中，考虑到基于酸性气体的预测排放量与预设排放阈值的排放量损失、循环泵的启停状态所对应的功耗损失以及吸收塔的酸碱度所对应的物料损失上述方面来同时对第二工况数据进行优化时，需要优先满足酸性气体排放量的要求，在优先满足酸性气体排放量要求的情况下，尽量降低能耗的要求，其次是尽量降低碱性物料使用量的要求，从而从整体上降低企业的生产成本。
作为一种可能的实施方式，可以为第一损失函数中所定义的三个优化部分(酸性气体的预测排放量与预设排放阈值所形成的排放量损失、循环泵的启停状态所对应的功耗损失以及吸收塔的酸碱度所对应的物料损失)赋予不同的权重值，例如，酸性气体的预测排放量与预设排放阈值所形成的排放量损失对应的权重(第一权重)大于与循环泵的启停状态所对应的功耗损失对应的权重(第二权重)，且与循环泵的启停状态所对应的功耗损失对应的权重(第二权重)大于与吸收塔的酸碱度所对应的物料损失(第三权重)。
请参见图2，基于同一发明构思，本申请实施例还提供了一种工艺参数的预测装置，该装置包括：获取单元201、初始化单元202、优化单元203、以及输出单元204。
获取单元201，用于获取预设时间段内的第一工况数据，第一工况数据至少包括预设时间段内各个预设时刻的至少一种调控设备所对应的工艺参数以及各个预设时刻的酸性气体排放量；
初始化单元202，用于随机生成待预测时间段内的第二工况数据，第二工况数据包括待预测时间段内各个预设时刻的至少一种调控设备所对应的初始工艺参数，待预测时间段位于预设时间段之后；
优化单元203，用于将第一工况数据与第二工况数据输入到预训练的酸性气体排放量的预测模型，输出所述待预测时间段内各个预设时刻的酸性气体的预测排放量，并基于预设的第一损失函数对待预测时间段内各个预设时刻的初始工艺参数进行更新，其中，预测模型包括依次连接的第一循环神经网络、第二循环神经网络以及全连接网络，第一循环神经网络用于提取第一工况数据中呈现的工艺参数与酸性气体排放量之间的周期性特征，第二循环神经网络用于接收周期性特征，并基于周期性特征以及第二工况数据所呈现的突变性工艺参数输出表征酸性气体排放量的状态特征，全连接网络基于状态特征确定出预测排放量，第一损失函数定义有预测排放量与预设排放阈值的排放量损失；
输出单元204，用于输出待预测时间段内至少一种调控设备在目标时刻的目标工艺参数。
可选的，初始化单元202具体用于：
随机对待预测时间内各个预设时刻的至少一种调控设备所对应的工艺参数进行初始化，以得到部分预设时刻的所述初始化工艺参数，其中，部分预设时刻至少包括第一时刻；
将待预测时间段内位于第一时刻之前的各个预设时刻的至少一种调控设备的工艺参数赋值为当前时刻的工艺参数，将位于第一时刻之后的各个预设时刻的至少一种调控设备的工艺参数赋值为初始化工艺参数，其中，当前时刻位于待预测时间段之前。
可选的，至少一种调控设备包括循环泵和/或吸收塔，第一损失函数还定义有循环泵的启停状态所对应的功耗损失和/或吸收塔的酸碱度所对应的物料损失。
可选的，第一损失函数中所定义的酸性气体的预测排放量与预设排放阈值的排放量损失对应第一权重，第一损失函数所定义的循环泵的启停状态所对应的功耗损失对应第二权重，第一损失函数所定义的吸收塔的酸碱度所对应的物料损失对应第三权重，第一权重大于所述第二权重，第二权重大于第三权重。
可选的，该装置还包括：
获取单元201还用于：获取第一历史时间段内的第三工况数据以及第二历史时间段内的第四工况数据，第三工况数据至少包括第一历史时间段内各个预设时刻的至少一种调控设备所对应的工艺参数以及各个预设时刻的酸性气体排放量，第四工况数据包括第二历史时间各个预设时刻的至少一种调控设备所对应的工艺参数以及各个预设时刻的酸性气体排放量，其中，第二历史时间段位于第一历史时间段之后；
训练单元，用于将第三工况数据与第四工况数据输入预测模型中，并基于预设的第二损失函数对预测模型进行训练至满足预设条件，以获得训练完成的预测模型，其中，第三工况数据以及第四工况数据中所包括的第二历史时间段内各个预设时刻的至少一种调控设备所对应的工艺参数作为训练样本，第四工况数据中所包括的第二历史时间段内的各个预设时刻的酸性气体排放量作为标签，预设条件为第二损失函数达到收敛状态，第二损失函数如下：
loss＝MAE(Y,Y-pred)+0.5*(1-cosine-similarity(Y,Y-pred))
其中，loss表示第二损失函数，Y表示第二历史时间段内所包括的各个时刻的酸性气体排放量，Y_pred表示预设模型所输出的酸性气体的预测排放量，MAE表示求取第二历史时间段内所包括的各个预设时刻的酸性气体排放量与酸性气体的预测排放量之间的平均绝对误差，cosine_similarity表示求取第二历史时间段内所包括的各个预设时刻的酸性气体排放量与酸性气体的预测排放量之间的余弦相似度。
请参见图3，基于同一发明构思，本申请实施例还提供一种电子设备，该电子设备包括至少一个处理器301，处理器301用于执行存储器中存储的计算机程序，实现本申请实施例提供的如图1所示的工艺参数的预测方法的步骤。
可选的，处理器301具体可以是中央处理器、特定ASIC，可以是一个或多个用于控制程序执行的集成电路。
可选的，该电子设备还可以包括与至少一个处理器301连接的存储器302，存储器302可以包括ROM、RAM和磁盘存储器。存储器302用于存储处理器301运行时所需的数据，即存储有可被至少一个处理器301执行的指令，至少一个处理器301通过执行存储器302存储的指令，执行如图1所示的方法。其中，存储器302的数量为一个或多个。其中，存储器302在图3中一并示出，但需要知道的是存储器302不是必选的功能模块，因此在图3中以虚线示出。
其中，获取单元201、初始化单元202、优化单元203、以及输出单元204所对应的实体设备均可以是前述的处理器301。该电子设备可以用于执行图1所示的实施例所提供的方法。因此关于该电子设备中各功能模块所能够实现的功能，可参考图1所示的实施例中的相应描述，不多赘述。
本发明实施例还提供一种计算机存储介质，其中，计算机存储介质存储有计算机指令，当计算机指令在计算机上运行时，使得计算机执行如图1所述的方法。
显然，本领域的技术人员可以对本申请进行各种改动和变型而不脱离本申请的精神和范围。这样，倘若本申请的这些修改和变型属于本申请权利要求及其等同技术的范围之内，则本申请也意图包含这些改动和变型在内。

Claims (10)

1.一种工艺参数的预测方法，其特征在于，所述方法包括：
获取预设时间段内的第一工况数据，所述第一工况数据至少包括所述预设时间段内各个预设时刻的至少一种调控设备所对应的工艺参数以及各个预设时刻的酸性气体排放量；
随机生成待预测时间段内的第二工况数据，所述第二工况数据包括所述待预测时间段内各个预设时刻的所述至少一种调控设备所对应的初始工艺参数，所述待预测时间段位于所述预设时间段之后；
将所述第一工况数据与所述第二工况数据输入到预训练的酸性气体排放量的预测模型，输出所述待预测时间段内各个预设时刻的酸性气体的预测排放量，并基于预设的第一损失函数对所述待预测时间段内各个预设时刻的初始工艺参数进行更新，其中，所述预测模型包括依次连接的第一循环神经网络、第二循环神经网络以及全连接网络，所述第一循环神经网络用于提取所述第一工况数据中呈现的工艺参数与酸性气体排放量之间的周期性特征，所述第二循环神经网络用于接收所述周期性特征，并基于所述周期性特征以及所述第二工况数据所呈现的突变性工艺参数输出表征酸性气体排放量的状态特征，所述全连接网络基于所述状态特征确定出所述预测排放量，所述第一损失函数定义有所述预测排放量与预设排放阈值的排放量损失；
输出所述待预测时间段内所述至少一种调控设备在目标时刻的目标工艺参数。
2.如权利要求1所述的方法，其特征在于，随机生成待预测时间段内的第二工况数据包括：
随机对所述待预测时间段内各个预设时刻的至少一种调控设备所对应的工艺参数进行初始化，以得到部分预设时刻的所述初始工艺参数，其中，所述部分预设时刻至少包括第一时刻；
将所述待预测时间段内位于所述第一时刻之前的各个预设时刻的所述至少一种调控设备的工艺参数赋值为当前时刻的工艺参数，将位于所述第一时刻之后的各个预设时刻的所述至少一种调控设备的工艺参数赋值为所述初始工艺参数，其中，所述当前时刻位于所述待预测时间段之前。
3.如权利要求1所述的方法，其特征在于，所述至少一种调控设备包括循环泵和/或吸收塔，所述第一损失函数还定义有循环泵的启停状态所对应的功耗损失和/或吸收塔的酸碱度所对应的物料损失。
4.如权利要求3所述的方法，其特征在于，所述第一损失函数中所定义的酸性气体的预测排放量与预设排放阈值的排放量损失对应第一权重，所述第一损失函数所定义的循环泵的启停状态所对应的功耗损失对应第二权重，所述第一损失函数所定义的吸收塔的酸碱度所对应的物料损失对应第三权重，所述第一权重大于所述第二权重，所述第二权重大于所述第三权重。
5.如权利要求1所述的方法，其特征在于，所述方法还包括：
获取第一历史时间段内的第三工况数据以及第二历史时间段内的第四工况数据，所述第三工况数据至少包括所述第一历史时间段内各个预设时刻的至少一种调控设备所对应的工艺参数以及各个预设时刻的酸性气体排放量，所述第四工况数据包括所述第二历史时间各个预设时刻的至少一种调控设备所对应的工艺参数以及各个预设时刻的酸性气体排放量，其中，所述第二历史时间段位于所述第一历史时间段之后；
将所述第三工况数据与所述第四工况数据输入所述预测模型中，并基于预设的第二损失函数对所述预测模型进行训练至满足预设条件，以获得训练完成的所述预测模型，其中，所述第三工况数据以及所述第四工况数据中所包括的所述第二历史时间段内各个预设时刻的至少一种调控设备所对应的工艺参数作为训练样本，所述第四工况数据中所包括的所述第二历史时间段内的各个预设时刻的酸性气体排放量作为标签，所述预设条件为所述第二损失函数达到收敛状态，所述第二损失函数如下：
loss＝MAE(Y,Y_pred)+0.5*(1-cosine_similarity(Y,Y_pred))
其中，loss表示第二损失函数，Y表示第二历史时间段内所包括的各个时刻的酸性气体排放量，Y_pred表示预设模型所输出的酸性气体的预测排放量，MAE表示求取第二历史时间段内所包括的各个预设时刻的酸性气体排放量与酸性气体的预测排放量之间的平均绝对误差，cosine_similarity表示求取第二历史时间段内所包括的各个预设时刻的酸性气体排放量与酸性气体的预测排放量之间的余弦相似度。
6.一种工艺参数的预测装置，其特征在于，所述装置包括：
获取单元，用于获取预设时间段内的第一工况数据，所述第一工况数据至少包括所述预设时间段内各个预设时刻的至少一种调控设备所对应的工艺参数以及各个预设时刻的酸性气体排放量；
初始化单元，用于随机生成待预测时间段内的第二工况数据，所述第二工况数据包括所述待预测时间段内各个预设时刻的所述至少一种调控设备所对应的初始工艺参数，所述待预测时间段位于所述预设时间段之后；
优化单元，用于将所述第一工况数据与所述第二工况数据输入到预训练的酸性气体排放量的预测模型，输出所述待预测时间段内各个预设时刻的酸性气体的预测排放量，并基于预设的第一损失函数对所述待预测时间段内各个预设时刻的初始工艺参数进行更新，其中，所述预测模型包括依次连接的第一循环神经网络、第二循环神经网络以及全连接网络，所述第一循环神经网络用于提取所述第一工况数据中呈现的工艺参数与酸性气体排放量之间的周期性特征，所述第二循环神经网络用于接收所述周期性特征，并基于所述周期性特征以及所述第二工况数据所呈现的突变性工艺参数输出表征酸性气体排放量的状态特征，所述全连接网络基于所述状态特征确定出所述预测排放量，所述第一损失函数定义有所述预测排放量与预设排放阈值的排放量损失；
输出单元，用于输出所述待预测时间段内所述至少一种调控设备在目标时刻的目标工艺参数。
7.如权利要求6所述的装置，其特征在于，所述初始化单元具体用于：
随机对所述待预测时间段内各个预设时刻的所述至少一种调控设备所对应的工艺参数进行初始化，以得到部分预设时刻的所述初始工艺参数，其中，所述部分预设时刻至少包括第一时刻；
将所述待预测时间段内位于所述第一时刻之前的各个预设时刻的所述至少一种调控设备的工艺参数赋值为当前时刻的工艺参数，将位于所述第一时刻之后的各个预设时刻的所述至少一种调控设备的工艺参数赋值为所述初始工艺参数，其中，所述当前时刻位于所述待预测时间段之前。
8.如权利要求6所述的装置，其特征在于，所述至少一种调控设备包括循环泵和/或吸收塔，所述第一损失函数还定义有循环泵的启停状态所对应的功耗损失和/或吸收塔的酸碱度所对应的物料损失。
9.一种电子设备，其特征在于，所述电子设备包括至少一个处理器以及与所述至少一个处理器连接的存储器，所述至少一个处理器用于执行存储器中存储的计算机程序时实现如权利要求1-5任一项所述方法的步骤。
10.一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是实现如权利要求1-5任一项所述方法的步骤。
CN202110849280.3A 2021-07-27 2021-07-27 一种工艺参数的预测方法、装置、电子设备及存储介质 Active CN113379166B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110849280.3A CN113379166B (zh) 2021-07-27 2021-07-27 一种工艺参数的预测方法、装置、电子设备及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110849280.3A CN113379166B (zh) 2021-07-27 2021-07-27 一种工艺参数的预测方法、装置、电子设备及存储介质

Publications (2)

Publication Number Publication Date
CN113379166A CN113379166A (zh) 2021-09-10
CN113379166B true CN113379166B (zh) 2023-05-26

Family

ID=77582914

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110849280.3A Active CN113379166B (zh) 2021-07-27 2021-07-27 一种工艺参数的预测方法、装置、电子设备及存储介质

Country Status (1)

Country Link
CN (1) CN113379166B (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113821934B (zh) * 2021-09-30 2024-01-19 国网青海省电力公司电力科学研究院 一种工况参数的预测方法、装置、设备及存储介质
CN114489528B (zh) * 2022-04-18 2022-07-08 中体彩印务技术有限公司 一种印刷设备故障监测方法及系统

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2948810B1 (ja) * 1998-06-23 1999-09-13 川崎重工業株式会社 湿式排煙脱硫装置の制御方法および装置
CN106777465A (zh) * 2016-11-14 2017-05-31 重庆科技学院 高含硫天然气净化工艺动态演化建模与节能优化方法
CN109224815A (zh) * 2018-10-18 2019-01-18 中国石化扬子石油化工有限公司 一种基于多变量约束区间预测控制的氨法脱硫优化控制方法
CN111013370A (zh) * 2019-11-08 2020-04-17 中国大唐集团科学技术研究院有限公司火力发电技术研究院 一种基于深度神经网络的湿法脱硫浆液供给量预测方法
CN111240282A (zh) * 2019-12-31 2020-06-05 联想(北京)有限公司 一种工艺优化方法、装置、设备及计算机可读存储介质
CN111611691A (zh) * 2020-04-21 2020-09-01 大唐环境产业集团股份有限公司 基于多模态模型预测控制脱硫系统多目标优化控制方法
CN112742187A (zh) * 2020-12-10 2021-05-04 山西漳山发电有限责任公司 一种脱硫系统中pH值的控制方法及装置
CN113012767A (zh) * 2021-02-24 2021-06-22 大唐环境产业集团股份有限公司 基于时间序列的脱硫系统浆液pH值在线预测方法及装置

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US7117046B2 (en) * 2004-08-27 2006-10-03 Alstom Technology Ltd. Cascaded control of an average value of a process parameter to a desired value

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2948810B1 (ja) * 1998-06-23 1999-09-13 川崎重工業株式会社 湿式排煙脱硫装置の制御方法および装置
CN106777465A (zh) * 2016-11-14 2017-05-31 重庆科技学院 高含硫天然气净化工艺动态演化建模与节能优化方法
CN109224815A (zh) * 2018-10-18 2019-01-18 中国石化扬子石油化工有限公司 一种基于多变量约束区间预测控制的氨法脱硫优化控制方法
CN111013370A (zh) * 2019-11-08 2020-04-17 中国大唐集团科学技术研究院有限公司火力发电技术研究院 一种基于深度神经网络的湿法脱硫浆液供给量预测方法
CN111240282A (zh) * 2019-12-31 2020-06-05 联想(北京)有限公司 一种工艺优化方法、装置、设备及计算机可读存储介质
CN111611691A (zh) * 2020-04-21 2020-09-01 大唐环境产业集团股份有限公司 基于多模态模型预测控制脱硫系统多目标优化控制方法
CN112742187A (zh) * 2020-12-10 2021-05-04 山西漳山发电有限责任公司 一种脱硫系统中pH值的控制方法及装置
CN113012767A (zh) * 2021-02-24 2021-06-22 大唐环境产业集团股份有限公司 基于时间序列的脱硫系统浆液pH值在线预测方法及装置

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
Artificial Intelligence Based Emission Reduction Strategy for Limestone Forced Oxidation Flue Gas Desulfurization System;Ghulam Uddin,等;《Journal of Energy Resources Technology》;第142卷(第9期);第092103-1-092103-16页 *
Modeling and optimization of wet flue gas desulfurization system based on a hybrid modeling method;Yishan Guo, 等;《Journal of the Air & Waste Management Association》;第69卷(第5期);第565-575页 *
基于深度神经网络的脱硫系统预测模型及应用;马双忱, 等;《化工进展》;第40卷(第3期);第1689-1698页 *
现代预测和优化算法在脱硫系统运行中的应用;曹建宗,等;《华电技术》;第42卷(第3期);第59-66页 *

Also Published As

Publication number Publication date
CN113379166A (zh) 2021-09-10

Similar Documents

Publication Publication Date Title
CN113379166B (zh) 一种工艺参数的预测方法、装置、电子设备及存储介质
JP5448841B2 (ja) 技術システムの、とりわけガスタービンの、計算機支援による閉ループ制御および／または開ループ制御のための方法
CN106462117B (zh) 控制目标系统
CN107203687B (zh) 吸收塔脱硫过程多目标协同智能优化控制方法
CN112292642B (zh) 用于控制技术系统的控制装置和用于配置控制装置的方法
US11132009B2 (en) Electric power converter
CN114066333A (zh) 数据处理方法及装置
CN117093823B (zh) 基于数据分析的工厂能源消耗管理方法
US9926853B2 (en) Method for the computerized control and/or regulation of a technical system
CN113672073A (zh) 异构计算硬件能耗和性能优化方法、系统和存储介质
CN102629105A (zh) 一种自适应控制方法和装置
CN107871157B (zh) 基于bp和pso的数据预测方法、系统及相关装置
US11628562B2 (en) Method, device and computer program for producing a strategy for a robot
Kazmi et al. Demonstrating model-based reinforcement learning for energy efficiency and demand response using hot water vessels in net-zero energy buildings
JP7196935B2 (ja) 演算装置、アクション決定方法、及び制御プログラム
CN111008735A (zh) 预测排放管理系统及方法
Koszaka et al. An idea of using reinforcement learning in adaptive control systems
CN115526504A (zh) 泵站供水系统节能调度方法、系统、电子设备及存储介质
CN114841595A (zh) 一种基于深度强化算法的水电站厂内实时优化调度方法
FI129470B (en) Check
KR20230119988A (ko) 건물 에너지 제어 시스템
CN117130280B (zh) 泵房控制方法、装置、电子设备及存储介质
CN114967780B (zh) 一种基于预测控制的脱硫系统pH值控制方法及系统
Noda Limitations of simultaneous multiagent learning in nonstationary environments
CN117691713A (zh) 电池充放电的控制方法、装置、设备及存储介质

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
GR01 Patent grant
GR01 Patent grant