CN113536698B - 火电厂循环水加药模型建立方法及装置 - Google Patents

火电厂循环水加药模型建立方法及装置 Download PDF

Info

Publication number
CN113536698B
CN113536698B CN202111083435.3A CN202111083435A CN113536698B CN 113536698 B CN113536698 B CN 113536698B CN 202111083435 A CN202111083435 A CN 202111083435A CN 113536698 B CN113536698 B CN 113536698B
Authority
CN
China
Prior art keywords
circulating water
dosing
model
establishing
data
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
CN202111083435.3A
Other languages
English (en)
Other versions
CN113536698A (zh
Inventor
杨言
刘海洋
谷小兵
白玉勇
麻晓越
彭思伟
荆亚超
高阳
李飞
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 Environment Industry Group Co Ltd
Original Assignee
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 Datang Environment Industry Group Co Ltd filed Critical Datang Environment Industry Group Co Ltd
Priority to CN202111083435.3A priority Critical patent/CN113536698B/zh
Publication of CN113536698A publication Critical patent/CN113536698A/zh
Application granted granted Critical
Publication of CN113536698B publication Critical patent/CN113536698B/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
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/23—Clustering techniques
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G06N20/20—Ensemble learning
    • 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
    • G06N3/044—Recurrent networks, e.g. Hopfield 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
    • G06N3/04—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
    • G06N3/084—Backpropagation, e.g. using gradient descent

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Software Systems (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Mathematical Physics (AREA)
  • Computing Systems (AREA)
  • Biophysics (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Computational Linguistics (AREA)
  • Biomedical Technology (AREA)
  • Molecular Biology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Evolutionary Biology (AREA)
  • Medical Informatics (AREA)
  • Computer Hardware Design (AREA)
  • Geometry (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)
  • Testing And Monitoring For Control Systems (AREA)

Abstract

本发明公开了一种火电厂循环水加药模型建立方法及装置，所述方法包括：获取循环水监测指标及加药量数据，并基于循环水加药机理，对获取的循环水监测指标及加药量数据进行筛选，获取最优加药量数据，并基于所述最优加药量数据及其对应的循环水监测指标，建立循环水监测指标及加药量数据库，基于所述循环水监测指标及加药量数据库建立模型训练样本集；采用均值漂移聚类算法对所述循环水监测指标及加药量数据库中模型训练样本集进行聚类，得到多个工况下的循环水加药训练数据集；基于不同工况下的循环水加药训练数据集，建立对应的智能加药预测模型。本发明能够减少药剂浪费，降低循环水运行和人工成本。

Description

火电厂循环水加药模型建立方法及装置
技术领域
本发明涉及计算机技术领域，尤其是涉及一种火电厂循环水加药模型建立方法及装置。
背景技术
随着经济的不断发展，电力在国民经济中的支柱作用愈发显著，被国家和民生高度重视。同时我国水资源相对匮乏，资源型和水质型缺水已成为制约我国经济可持续发展的紧迫问题。近年来，作为耗水大户的电力企业用水问题也日益显现，实现进一步节水降耗，提高用水效率逐渐成为电力企业所面临的重要课题。
对于火电厂而言，循环冷却水系统的水耗约占全厂生产耗水量的70%，也就是说循环冷却水系统是电厂中最具节水潜力的部分，同时循环水系统中主要设备凝汽器的效能对电厂能耗也有一定的影响，因而推进整体循环水系统的节水减排工作，将具有极大的节水、经济和环境效益。
循环水加药处理过程是一个多变量、大滞后、动态性、干扰严重的非线性动态系统，是一种难以控制的复杂工业过程。传统上药剂添加量是运行人员通过出水水质来判断，为了达到出水水质要求通过反复调整药剂添加量，浪费了大量的时间和人工，属于“后知后觉”行为，具有明显的滞后性；其次药剂的添加量一旦确定后，基本都是固定添加，造成药品的浪费，同时还影响循环水的水质，对锅炉等带来一定的影响。
为此，提供一种循环水最优加药量模型成为火电厂亟需解决的一个问题。
发明内容
本发明的目的在于提供一种火电厂循环水加药模型建立方法及装置，旨在解决现有技术中的上述问题。
本发明提供一种火电厂循环水加药模型建立方法，包括：
获取循环水监测指标及加药量数据，并基于循环水加药机理，对获取的循环水监测指标及加药量数据进行筛选，获取最优加药量数据，并基于所述最优加药量数据及其对应的循环水监测指标，建立循环水监测指标及加药量数据库，基于所述循环水监测指标及加药量数据库建立模型训练样本集；
采用均值漂移聚类算法对所述循环水监测指标及加药量数据库中模型训练样本集进行聚类，得到多个工况下的循环水加药训练数据集；
基于不同工况下的循环水加药训练数据集，建立对应的智能加药预测模型。
本发明提供一种火电厂循环水加药模型建立装置，包括：
处理模块，用于获取循环水监测指标及加药量数据，并基于循环水加药机理，对获取的循环水监测指标及加药量数据进行筛选，获取最优加药量数据，并基于所述最优加药量数据及其对应的循环水监测指标，建立循环水监测指标及加药量数据库，基于所述循环水监测指标及加药量数据库建立模型训练样本集；
聚类模块，用于采用均值漂移聚类算法对所述循环水监测指标及加药量数据库中模型训练样本集进行聚类，得到多个工况下的循环水加药训练数据集；
建立模块，用于基于不同工况下的循环水加药训练数据集，建立对应的智能加药预测模型。
本发明实施例还提供一种火电厂循环水加药模型建立装置，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火电厂循环水加药模型建立方法的步骤。
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火电厂循环水加药模型建立方法的步骤。
采用本发明实施例，解决了传统固定加药的问题，能够减少药剂浪费，降低循环水运行和人工成本。
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是本发明实施例的火电厂循环水加药模型建立方法的流程图；
图2是本发明实施例提供的智能的火电厂循环水加药控制方法流程的示意图；
图3是本发明装置实施例一的火电厂循环水加药模型建立装置的示意图；
图4是本发明装置实施例二的火电厂循环水加药模型建立装置的示意图。
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智能的火电厂循环水加药控制方法及装置，该方法包括：获取循环水监测指标及加药量数据，其中，循环水监测指标作为智能控制方法的输入，加药量作为智能控制方法的输出；基于循环水加药机理，对获取的数据进行筛选，选择最优加药量数据，建立循环水监测指标及加药量数据库，建立模型训练样本集；采用均值漂移聚类算法对训练样本集进行聚类，得到多个工况下的循环水加药训练数据集；基于不同工况下的训练数据集，采用基于BP神经网络、SVR支持回归机、DT决策树的集成算法建立智能加药预测模型；获取实时的循环水监测指标数据，得到当前的循环水加药量。
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，提供了一种火电厂循环水加药模型建立方法，图1是本发明实施例的火电厂循环水加药模型建立方法的流程图，如图1所示，根据本发明实施例的火电厂循环水加药模型建立方法具体包括：
步骤101，获取循环水监测指标及加药量数据，并基于循环水加药机理，对获取的循环水监测指标及加药量数据进行筛选，获取最优加药量数据，并基于所述最优加药量数据及其对应的循环水监测指标，建立循环水监测指标及加药量数据库，基于所述循环水监测指标及加药量数据库建立模型训练样本集；其中，所述循环水监测指标具体包括：循环水的pH值、氧化还原电位ORP值、电导率值；所述循环水加药具体为：阻垢缓蚀剂。
在步骤101中，基于循环水加药机理，对获取的循环水监测指标及加药量数据进行筛选，获取最优加药量数据具体包括：
根据所加药剂与循环水的反应过程，删除过量加药或者加药量不足的样本数据，根据筛选后的数据，确定处理循环水所需要的最优药剂量。
步骤102，采用均值漂移聚类算法对所述循环水监测指标及加药量数据库中模型训练样本集进行聚类，得到多个工况下的循环水加药训练数据集；步骤102具体包括：
步骤1，初始化滑动窗口大小D以及聚类中心center；
步骤2，计算聚类中心center与滑动窗口范围内样本点xi的向量，并得到所有向量的平均值，据此得到偏移量Shift；
步骤3，根据偏移量Shift的大小更新中心点center；
步骤4，重复步骤2和步骤3直到达到迭代次数得到此时的中心点center，并重复步骤1、步骤2和步骤3直到所有样本点都被归类，得到多个聚类中心，也即对应的所有工况，并将原始训练数据集分配到相应的工况下，得到多个工况下的循环水加药训练数据集。
步骤103，基于不同工况下的循环水加药训练数据集，建立对应的智能加药预测模型。步骤103具体包括：
通过网格搜索和十折交叉验证分别得到BP神经网络、SVR支持回归机、DT决策树的模型参数；
基于不同工况下的循环水加药训练数据集，根据相应的模型参数，采用基于BP神经网络、SVR支持回归机、DT决策树的集成算法建立智能加药预测模型。
在本发明实施例中，基于BP神经网络、SVR支持回归机、DT决策树的集成算法建立，每种方法都能得到一个加药量数据，根据三个模型加权平均得到，权值主要为每种模型的正确率归一化得到。
其中，BP神经网络是一种基于梯度下降法的多层前馈神经网络，包含输入层、隐含层和输出层，模型建立过程包括正向和反向计算2个过程。前者从输入层经隐单元层逐层处理，并转向输出层，每一层神经元的状态只影响下一层神经元的状态。如果在输出层不能得到期望的输出，则转入反向计算，将误差信号沿原来的连接通路返回，通过修改各神经元的权值，使得误差信号最小。其主要参数为神经网络隐含层单元个数。
所述SVR支持回归机就是找到一个回归平面，让一个集合的所有数据到该平面的距离最近。对于非线性问题，借助核函数将非线性问题转换为高维空间的线性问题。其主要参数为惩罚因子C和核函数参数gamma。
所述DT决策树模型就是将特征空间划分成若干单元，每一个划分单元有一个特定的输出。划分的过程也就是建立树的过程，每划分一次，随即确定划分单元对应的输出，也就多了一个结点。当根据停止条件划分终止的时候，最终每个单元的输出也就确定了，也就是叶结点。其主要参数为决策树的最大深度、叶子结点所需要的最少样本数以及最大叶子节点个数。
需要说明的是，所述上述3种模型参数的获取主要通过网格搜索和十折交叉验证得到。在本发明实施例中，所述集成算法模型有多个，不同工况下的集成算法模型不同。
在本发明实施例中，得到了上述模型，就可以获取实时的循环水监测指标数据，并根据距离判断所述工况，输入到相应的智能加药预测模型中，得到当前的循环水加药量。
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅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。
本发明实施例提供了一种智能的火电厂循环水加药控制方法，解决了传统固定加药的问题，减少药剂浪费，降低循环水运行和人工成本。
为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合附图和具体实施方式对本发明作进一步详细的说明。
图2是本发明实施例提供的智能的火电厂循环水加药控制方法流程的示意图。如图2所示，具体包括以下步骤：
步骤201，获取循环水监测指标及加药量数据，循环水监测指标作为智能控制方法的输入，加药量作为智能控制方法的输出；其中，所述循环水监测指标主要为循环水的pH值、ORP(氧化还原电位)值、电导率值；所述循环水加药主要为阻垢缓蚀剂。
步骤202，基于循环水加药机理，对获取的数据进行筛选，选择最优加药量数据，建立循环水监测指标及加药量数据库，建立模型训练样本集；其中，循环水加药机理主要用来删除那些不是最优加药量数据的样本数据，建立最优加药量数据的数据库。
步骤203，采用均值漂移聚类算法对训练样本集进行聚类，得到多个工况下的循环水加药训练数据集；所述均值漂移聚类算法主要基于采集的数据，采用数据挖掘方法从数据中得到循环水反应过程中多种工况，并分别建立不同工况下的智能控制模型。
步骤204，基于不同工况下的训练数据集，采用基于BP神经网络、SVR支持回归机、DT决策树的集成算法建立智能加药预测模型；
其中，本发明实施例需要进行基于BP神经网络、SVR支持回归机、DT决策树的集成算法建立，每种方法都能得到一个加药量数据，根据三个模型求均值得到最终的加药量数据。
具体地，BP神经网络建立一个包含输入层、隐含层和输出层的三层结构的网络。所述输入层主要为循环水监测指标数据，也即pH值、ORP(氧化还原电位)值、电导率值等特征参数。所述输出层主要为循环水加药量数据，也即所加阻垢缓蚀剂的量。
所述SVR模型主要是建立一个回归平面，并借助高斯核函数将高维非线性问题转化为线性问题。
所述DT模型主要是将建立的特征空间不断划分，最终建立一颗树模型，也即预测模型。
所述BP神经网络模型的参数主要为隐含层单元个数；所述SVR模型主要参数为惩罚因子C和核函数参数gamma；所述DT决策树模型主要参数为决策树的最大深度、叶子结点所需要的最少样本数以及最大叶子节点个数。
其中，上述3种模型参数的优化主要采用网格搜索和十折交叉验证得到。
最终循环水最优加药量模型主要根据3种模型输出结果加权平均得到，权重主要为每种模型的正确率归一化得到。
步骤205，获取实时的循环水监测指标数据，得到当前的循环水加药量。
综上所述，根据本发明提供的具体实施例，能够减少药剂浪费，降低循环水运行的成本以及人工成本，提高发电企业的利润；本发明实施例采用基于密度的聚类方法，自动从采集历史数据中获取数据的聚类个数。基于此，建立了多种工况下的加药模型，能够在全工况下计算最优的加药量，具有较强的灵活性和适用性；此外，本发明实施例的技术方案解决了传统单一方法存在的缺陷，模型精度更高；采用本发明实施例的数据筛选方法，删除了在获取样本过程中不同情况下加药量都一致的数据，对于建立的模型提供了较为准确的数据基础。
装置实施例一
根据本发明实施例，提供了一种火电厂循环水加药模型建立装置，图3是本发明装置实施例一的火电厂循环水加药模型建立装置的示意图，如图3所示，根据本发明实施例的火电厂循环水加药模型建立装置具体包括：
处理模块30，用于获取循环水监测指标及加药量数据，并基于循环水加药机理，对获取的循环水监测指标及加药量数据进行筛选，获取最优加药量数据，并基于所述最优加药量数据及其对应的循环水监测指标，建立循环水监测指标及加药量数据库，基于所述循环水监测指标及加药量数据库建立模型训练样本集；所述处理模块30具体用于：
根据所加药剂与循环水的反应过程，删除过量加药或者加药量不足的样本数据，根据筛选后的数据，确定处理循环水所需要的最优药剂量；
聚类模块32，用于采用均值漂移聚类算法对所述循环水监测指标及加药量数据库中模型训练样本集进行聚类，得到多个工况下的循环水加药训练数据集；所述聚类模块32具体用于：
步骤1，初始化滑动窗口大小D以及聚类中心center；
步骤2，计算聚类中心center与滑动窗口范围内样本点xi的向量，并得到所有向量的平均值，据此得到偏移量Shift；
步骤3，根据偏移量Shift的大小更新中心点center；
步骤4，重复步骤2和步骤3直到达到迭代次数得到此时的中心点center，并重复步骤1、步骤2和步骤3直到所有样本点都被归类，得到多个聚类中心，也即对应的所有工况，并将原始训练数据集分配到相应的工况下，得到多个工况下的循环水加药训练数据集；
建立模块34，用于基于不同工况下的循环水加药训练数据集，建立对应的智能加药预测模型。建立模块34具体用于：
通过网格搜索和十折交叉验证分别得到BP神经网络、SVR支持回归机、DT决策树的模型参数；
基于不同工况下的循环水加药训练数据集，根据相应的模型参数，采用基于BP神经网络、SVR支持回归机、DT决策树的集成算法建立智能加药预测模型。
在本发明实施例中，上述装置进一步包括：
执行模块，用于获取实时的循环水监测指标数据，并根据距离判断所述工况，输入到相应的智能加药预测模型中，得到当前的循环水加药量；
本发明实施例是与上述方法实施例对应的装置实施例，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。
装置实施例二
本发明实施例提供一种火电厂循环水加药模型建立装置，如图4所示，包括：存储器40、处理器42及存储在所述存储器40上并可在所述处理42上运行的计算机程序，所述计算机程序被所述处理器42执行时实现如方法实施例中所述的步骤。
装置实施例三
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42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。
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 (7)

1.一种火电厂循环水加药模型建立方法，其特征在于，包括：
获取循环水监测指标及加药量数据，并基于循环水加药机理，对获取的循环水监测指标及加药量数据进行筛选，获取最优加药量数据，并基于所述最优加药量数据及其对应的循环水监测指标，建立循环水监测指标及加药量数据库，基于所述循环水监测指标及加药量数据库建立模型训练样本集；其中，基于循环水加药机理，对获取的循环水监测指标及加药量数据进行筛选，获取最优加药量数据具体包括：根据所加药剂与循环水的反应过程，删除过量加药或者加药量不足的样本数据，根据筛选后的数据，确定处理循环水所需要的最优药剂量；
采用均值漂移聚类算法对所述循环水监测指标及加药量数据库中模型训练样本集进行聚类，得到多个工况下的循环水加药训练数据集；具体包括：
步骤1，初始化滑动窗口大小D以及聚类中心center；
步骤2，计算聚类中心center与滑动窗口范围内样本点xi的向量，并得到所有向量的平均值，据此得到偏移量Shift；
步骤3，根据偏移量Shift的大小更新中心点center；
步骤4，重复步骤2和步骤3直到达到迭代次数得到此时的中心点center，并重复步骤1、步骤2和步骤3直到所有样本点都被归类，得到多个聚类中心，也即对应的所有工况，并将原始训练数据集分配到相应的工况下，得到多个工况下的循环水加药训练数据集；
基于不同工况下的循环水加药训练数据集，建立对应的智能加药预测模型，智能加药预测模型是基于BP神经网络、SVR支持回归机、DT决策树的集成算法建立，每种方法都能得到一个加药量数据，根据三个模型加权平均得到，权值主要为每种模型的正确率归一化得到，具体包括：
BP神经网络是一种基于梯度下降法的多层前馈神经网络，包含输入层、隐含层和输出层，模型建立过程包括正向和反向计算2个过程，前者从输入层经隐单元层逐层处理，并转向输出层，每一层神经元的状态只影响下一层神经元的状态，如果在输出层不能得到期望的输出，则转入反向计算，将误差信号沿原来的连接通路返回，通过修改各神经元的权值，使得误差信号最小，其主要参数为神经网络隐含层单元个数；
SVR支持回归机就是找到一个回归平面，让一个集合的所有数据到该平面的距离最近，对于非线性问题，借助核函数将非线性问题转换为高维空间的线性问题，其主要参数为惩罚因子C和核函数参数gamma；
DT决策树模型就是将特征空间划分成若干单元，每一个划分单元有一个特定的输出，划分的过程也就是建立树的过程，每划分一次，随即确定划分单元对应的输出，也就多了一个结点，当根据停止条件划分终止的时候，最终每个单元的输出也就确定了，也就是叶结点，其主要参数为决策树的最大深度、叶子结点所需要的最少样本数以及最大叶子节点个数；
通过网格搜索和十折交叉验证分别得到BP神经网络、SVR支持回归机、DT决策树的模型参数。
2.根据权利要求1所述的方法，其特征在于，所述方法进一步包括：
获取实时的循环水监测指标数据，并根据距离判断所述工况，输入到相应的智能加药预测模型中，得到当前的循环水加药量。
3.根据权利要求1所述的方法，其特征在于，所述循环水监测指标具体包括：循环水的pH值、氧化还原电位ORP值、电导率值；
所述循环水加药具体为：阻垢缓蚀剂。
4.一种火电厂循环水加药模型建立装置，其特征在于，包括：
处理模块，用于获取循环水监测指标及加药量数据，并基于循环水加药机理，对获取的循环水监测指标及加药量数据进行筛选，获取最优加药量数据，并基于所述最优加药量数据及其对应的循环水监测指标，建立循环水监测指标及加药量数据库，基于所述循环水监测指标及加药量数据库建立模型训练样本集；所述处理模块具体用于：根据所加药剂与循环水的反应过程，删除过量加药或者加药量不足的样本数据，根据筛选后的数据，确定处理循环水所需要的最优药剂量；
聚类模块，用于采用均值漂移聚类算法对所述循环水监测指标及加药量数据库中模型训练样本集进行聚类，得到多个工况下的循环水加药训练数据集；所述聚类模块具体用于：
步骤1，初始化滑动窗口大小D以及聚类中心center；
步骤2，计算聚类中心center与滑动窗口范围内样本点xi的向量，并得到所有向量的平均值，据此得到偏移量Shift；
步骤3，根据偏移量Shift的大小更新中心点center；
步骤4，重复步骤2和步骤3直到达到迭代次数得到此时的中心点center，并重复步骤1、步骤2和步骤3直到所有样本点都被归类，得到多个聚类中心，也即对应的所有工况，并将原始训练数据集分配到相应的工况下，得到多个工况下的循环水加药训练数据集；
建立模块，用于基于不同工况下的循环水加药训练数据集，建立对应的智能加药预测模型；
所述建立模块具体用于：
基于不同工况下的循环水加药训练数据集，建立对应的智能加药预测模型，智能加药预测模型是基于BP神经网络、SVR支持回归机、DT决策树的集成算法建立，每种方法都能得到一个加药量数据，根据三个模型加权平均得到，权值主要为每种模型的正确率归一化得到，具体包括：
BP神经网络是一种基于梯度下降法的多层前馈神经网络，包含输入层、隐含层和输出层，模型建立过程包括正向和反向计算2个过程，前者从输入层经隐单元层逐层处理，并转向输出层，每一层神经元的状态只影响下一层神经元的状态，如果在输出层不能得到期望的输出，则转入反向计算，将误差信号沿原来的连接通路返回，通过修改各神经元的权值，使得误差信号最小，其主要参数为神经网络隐含层单元个数；
SVR支持回归机就是找到一个回归平面，让一个集合的所有数据到该平面的距离最近，对于非线性问题，借助核函数将非线性问题转换为高维空间的线性问题，其主要参数为惩罚因子C和核函数参数gamma；
DT决策树模型就是将特征空间划分成若干单元，每一个划分单元有一个特定的输出，划分的过程也就是建立树的过程，每划分一次，随即确定划分单元对应的输出，也就多了一个结点，当根据停止条件划分终止的时候，最终每个单元的输出也就确定了，也就是叶结点，其主要参数为决策树的最大深度、叶子结点所需要的最少样本数以及最大叶子节点个数；
通过网格搜索和十折交叉验证分别得到BP神经网络、SVR支持回归机、DT决策树的模型参数。
5.根据权利要求4所述的装置，其特征在于，
所述装置进一步包括：
执行模块，用于获取实时的循环水监测指标数据，并根据距离判断所述工况，输入到相应的智能加药预测模型中，得到当前的循环水加药量。
6.一种火电厂循环水加药模型建立装置，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3中任一项所述的火电厂循环水加药模型建立方法的步骤。
7.一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3中任一项所述的火电厂循环水加药模型建立方法的步骤。
CN202111083435.3A 2021-09-16 2021-09-16 火电厂循环水加药模型建立方法及装置 Active CN113536698B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111083435.3A CN113536698B (zh) 2021-09-16 2021-09-16 火电厂循环水加药模型建立方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111083435.3A CN113536698B (zh) 2021-09-16 2021-09-16 火电厂循环水加药模型建立方法及装置

Publications (2)

Publication Number Publication Date
CN113536698A CN113536698A (zh) 2021-10-22
CN113536698B true CN113536698B (zh) 2022-01-25

Family

ID=78123194

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111083435.3A Active CN113536698B (zh) 2021-09-16 2021-09-16 火电厂循环水加药模型建立方法及装置

Country Status (1)

Country Link
CN (1) CN113536698B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117056467B (zh) * 2023-10-11 2023-12-15 中国标准化研究院 一种产品循环性数据表模型构建方法

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104529014A (zh) * 2015-01-16 2015-04-22 汪传发 一种循环水处理方法及系统
CN105425592A (zh) * 2016-01-05 2016-03-23 大唐环境产业集团股份有限公司 一种水处理加药数字化在线控制系统
CN107219779A (zh) * 2016-03-22 2017-09-29 周楠 一种水处理药剂的投加方法及装置
CN110515411A (zh) * 2019-09-05 2019-11-29 江苏环保产业技术研究院股份公司 一种水处理加药量控制方法及系统
CN111275335A (zh) * 2020-01-20 2020-06-12 华电莱州发电有限公司 一种基于数据驱动的浆液循环泵寻优方法及系统
CN112216354A (zh) * 2020-09-17 2021-01-12 江苏集萃工业过程模拟与优化研究所有限公司 一种基于cfd数值模拟和机器学习的智能加药系统和方法
CN113075883A (zh) * 2021-03-29 2021-07-06 中南林业科技大学 一种制水业中混凝投药优化方法

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20200231466A1 (en) * 2017-10-09 2020-07-23 Zijun Xia Intelligent systems and methods for process and asset health diagnosis, anomoly detection and control in wastewater treatment plants or drinking water plants

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104529014A (zh) * 2015-01-16 2015-04-22 汪传发 一种循环水处理方法及系统
CN105425592A (zh) * 2016-01-05 2016-03-23 大唐环境产业集团股份有限公司 一种水处理加药数字化在线控制系统
CN107219779A (zh) * 2016-03-22 2017-09-29 周楠 一种水处理药剂的投加方法及装置
CN110515411A (zh) * 2019-09-05 2019-11-29 江苏环保产业技术研究院股份公司 一种水处理加药量控制方法及系统
CN111275335A (zh) * 2020-01-20 2020-06-12 华电莱州发电有限公司 一种基于数据驱动的浆液循环泵寻优方法及系统
CN112216354A (zh) * 2020-09-17 2021-01-12 江苏集萃工业过程模拟与优化研究所有限公司 一种基于cfd数值模拟和机器学习的智能加药系统和方法
CN113075883A (zh) * 2021-03-29 2021-07-06 中南林业科技大学 一种制水业中混凝投药优化方法

Also Published As

Publication number Publication date
CN113536698A (zh) 2021-10-22

Similar Documents

Publication Publication Date Title
Zhang et al. Modeling and simulating of reservoir operation using the artificial neural network, support vector regression, deep learning algorithm
CN109063886B (zh) 一种异常检测方法、装置以及设备
Tsai Using grey models for forecasting China’s growth trends in renewable energy consumption
Ahmed et al. Daily crude oil price forecasting model using arima, generalized autoregressive conditional heteroscedastic and support vector machines
Azar et al. Dynamic policy programming
CN109800898A (zh) 一种智能短期负荷预测方法及系统
CN110686633B (zh) 一种滑坡位移预测方法、装置及电子设备
CN113536698B (zh) 火电厂循环水加药模型建立方法及装置
Park et al. Simulation methods of a system dynamics model for efficient operations and planning of capacity expansion of activated-sludge wastewater treatment plants
Rajamani et al. Achieving state estimation equivalence for misassigned disturbances in offset‐free model predictive control
Ganesan et al. An integrated new threshold FCMs Markov chain based forecasting model for analyzing the power of stock trading trend
Pan et al. Analysis of the variation characteristics of runoff and sediment in the Yellow River within 70 years
Harrou et al. Energy consumption prediction in water treatment plants using deep learning with data augmentation
Liu et al. A parallel approximate evaluation-based model for multi-objective operation optimization of reservoir group
Ye et al. Fuzzy rule based system with feature extraction for environmental governance cost prediction
He et al. Stationary-Sparse Causality Network Learning.
Zhang et al. SageFormer: Series-Aware Framework for Long-Term Multivariate Time Series Forecasting
Huan et al. Multi-step prediction of dissolved oxygen in rivers based on random forest missing value imputation and attention mechanism coupled with recurrent neural network
Vörös Recursive identification of nonlinear cascade systems with time-varying general input backlash
Nagae et al. A generalized complementarity approach to solving real option problems
Edoka et al. Time series forecasting of electrical energy consumption using deep learning algorithm
Machavarapu Reddit sentiments effects on stock market prices
Kudriashov et al. ADAPTIVE CONTROL SYSTEM SYNTHESIS METHODS FOR COMPLEX MANUFACTURING OBJECTS.
Nayak Explaining internal behavior in a fuzzy if-then rule-based flood-forecasting model
Luchko et al. Artificial Neural Networks in Export and Import Forecasting: An Analysis of Opportunities

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