CN113723005A - 电解铝系统的功率预测方法、终端和计算机可读存储介质 - Google Patents
电解铝系统的功率预测方法、终端和计算机可读存储介质 Download PDFInfo
- Publication number
- CN113723005A CN113723005A CN202111045385.XA CN202111045385A CN113723005A CN 113723005 A CN113723005 A CN 113723005A CN 202111045385 A CN202111045385 A CN 202111045385A CN 113723005 A CN113723005 A CN 113723005A
- Authority
- CN
- China
- Prior art keywords
- electrolytic
- aluminum system
- electrolytic aluminum
- production period
- power
- 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.)
- Pending
Links
- XAGFODPZIPBFFR-UHFFFAOYSA-N aluminium Chemical compound [Al] XAGFODPZIPBFFR-UHFFFAOYSA-N 0.000 title claims abstract description 185
- 229910052782 aluminium Inorganic materials 0.000 title claims abstract description 185
- 238000000034 method Methods 0.000 title claims abstract description 61
- 238000003860 storage Methods 0.000 title claims abstract description 14
- 238000004519 manufacturing process Methods 0.000 claims abstract description 166
- 230000008859 change Effects 0.000 claims abstract description 10
- 238000012549 training Methods 0.000 claims description 48
- 238000004590 computer program Methods 0.000 claims description 21
- 238000011156 evaluation Methods 0.000 claims description 21
- 230000008569 process Effects 0.000 claims description 15
- 238000005868 electrolysis reaction Methods 0.000 claims description 14
- 238000012545 processing Methods 0.000 claims description 11
- 238000004146 energy storage Methods 0.000 claims description 9
- 238000013136 deep learning model Methods 0.000 claims description 6
- 239000003792 electrolyte Substances 0.000 claims description 5
- 238000003062 neural network model Methods 0.000 claims description 4
- 239000004411 aluminium Substances 0.000 claims description 2
- 238000006243 chemical reaction Methods 0.000 description 7
- BQCADISMDOOEFD-UHFFFAOYSA-N Silver Chemical compound [Ag] BQCADISMDOOEFD-UHFFFAOYSA-N 0.000 description 5
- 238000005266 casting Methods 0.000 description 5
- 238000010586 diagram Methods 0.000 description 5
- 230000006870 function Effects 0.000 description 5
- 239000004332 silver Substances 0.000 description 5
- 229910052709 silver Inorganic materials 0.000 description 5
- IRPGOXJVTQTAAN-UHFFFAOYSA-N 2,2,3,3,3-pentafluoropropanal Chemical compound FC(F)(F)C(F)(F)C=O IRPGOXJVTQTAAN-UHFFFAOYSA-N 0.000 description 3
- KLZUFWVZNOTSEM-UHFFFAOYSA-K Aluminum fluoride Inorganic materials F[Al](F)F KLZUFWVZNOTSEM-UHFFFAOYSA-K 0.000 description 3
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 230000001186 cumulative effect Effects 0.000 description 3
- 238000002844 melting Methods 0.000 description 3
- 230000008018 melting Effects 0.000 description 3
- 244000173207 Phyllanthus amarus Species 0.000 description 2
- PNEYBMLMFCGWSK-UHFFFAOYSA-N aluminium oxide Inorganic materials [O-2].[O-2].[O-2].[Al+3].[Al+3] PNEYBMLMFCGWSK-UHFFFAOYSA-N 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 238000005265 energy consumption Methods 0.000 description 2
- PUZPDOWCWNUUKD-UHFFFAOYSA-M sodium fluoride Chemical compound [F-].[Na+] PUZPDOWCWNUUKD-UHFFFAOYSA-M 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000006866 deterioration Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 239000000428 dust Substances 0.000 description 1
- 230000005611 electricity Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 150000003839 salts Chemical class 0.000 description 1
- 235000013024 sodium fluoride Nutrition 0.000 description 1
- 239000011775 sodium fluoride Substances 0.000 description 1
- 239000004575 stone Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
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
- G06F18/24—Classification techniques
-
- 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
-
- 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
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/06—Energy or water supply
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Data Mining & Analysis (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Human Resources & Organizations (AREA)
- Marketing (AREA)
- Tourism & Hospitality (AREA)
- Software Systems (AREA)
- Evolutionary Biology (AREA)
- General Health & Medical Sciences (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- General Business, Economics & Management (AREA)
- Quality & Reliability (AREA)
- Computer Hardware Design (AREA)
- Operations Research (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- Entrepreneurship & Innovation (AREA)
- Primary Health Care (AREA)
- Medical Informatics (AREA)
- Development Economics (AREA)
- Game Theory and Decision Science (AREA)
- Geometry (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
Abstract
本发明提供了一种电解铝系统的功率预测方法、终端及计算机可读存储介质，该方法包括：在一个目标生产周期中，获取电解铝系统的理论功率时间模型，其中理论功率时间模型用于表示电解铝系统在预设运行状态下的功率随时间变化的理论值；根据预设策略，对电解铝系统中的所有电解槽的运行状态进行评估，获得每个电解槽在目标生产周期的运行状态；根据每个电解槽在目标生产周期的运行状态，对理论功率时间模型进行修正，得到电解铝系统在目标生产周期的预测功率时间模型，预测功率时间模型用于表示电解铝系统在目标生产周期功率随时间变化的预测值。本发明能够对电解铝系统在一个目标生产周期的功率预测精度。
Description
技术领域
本发明属于电力系统技术领域，尤其涉及一种电解铝系统的功率预测方法、终端及计算机可读存储介质。
背景技术
高耗能行业是指能源成本在产品产值中所占比重较高的行业，如电解铝行业，该行业的电力成本已占生产成本的45％以上。
一方面，中国电解铝行业的电能利用率较低，随着电价的上调，使得行业生产成本明显上升；另一方面，电解铝等高耗能行业是公用电网主要的电能质量干扰源，随着其高速发展，电网中的负荷越来越趋向于非线性化和时变化，大量的干扰源给电网的电能质量带来的严重的污染，会导致供电电压偏差、频率偏差、谐波、电压三相不平衡度等电能质量指标变差，甚至影响电力系统的正常运行以及电力用户的正常生产、生活需求。
现有技术在对电解铝系统在一个生产周期的功率进行预测时，仅通过电解铝系统中每个设备的工作时间以及额定工作功率进行计算，与电解铝系统在实际运行过程中的实际功率偏差较大，因此，如何提高对电解铝系统在一个生产周期的功率预测精度，以实现对电解铝系统用电的精准管理，是现有技术急需解决的问题。
发明内容
有鉴于此，本发明提供了一种电解铝系统的功率预测方法、终端及计算机可读存储介质，在对电解铝系统在一个生产周期的功率进行预测的过程中，将电解槽的运行状态对电解铝系统运行功率的影响考虑在内，能够提高对电解铝系统在一个生产周期的功率预测精准度。
本发明实施例的第一方面提供了一种电解铝系统的功率预测方法，包括：
在一个目标生产周期中，获取电解铝系统的理论功率时间模型，其中所述理论功率时间模型用于表示电解铝系统在预设运行状态下的功率随时间变化的理论值；
根据预设策略，对所述电解铝系统中的所有电解槽的运行状态进行评估，获得每个电解槽在所述目标生产周期的运行状态；
根据所述每个电解槽在所述目标生产周期的运行状态，对所述理论功率时间模型进行修正，得到所述电解铝系统在所述目标生产周期的预测功率时间模型，所述预测功率时间模型用于表示电解铝系统在所述目标生产周期功率随时间变化的预测值。
在一种可能的实现方式中，所述获取电解铝系统的理论功率时间模型包括：
根据电解铝系统的工艺生产流程建立设备负荷模型，所述设备负荷模型中包含所述电解铝系统中所有设备的连接关系和运行顺序关系；
将所述目标生产周期划分为多个连续且不重合的时间段，根据所述设备负荷模型确定电解铝系统中每个设备在所述目标生产周期中处于工作状态的时间段；
根据每个设备的额定功率和每个设备在所述目标生产周期中处于工作状态的时间段，获取所述电解铝系统在所述目标生产周期的额定功率时间模型，将所述额定功率时间模型作为所述理论时间模型，其中，所述额定功率时间模型用于表示所述电解铝系统在所述目标生产周期功率随时间变化的额定值。
在一种可能的实现方式中，该方法还包括：
获取所述电解铝系统在多个历史生产周期的额定功率时间模型、每个生产周期的温度信息、湿度信息，以及所述电解铝系统在每个生产周期的实际功率时间模型，其中，所述实际功率时间模型用于表示所述电解铝系统在对应生产周期功率随时间变化的实际值，所述电解铝系统在所述多个生产周期都处于预设运行状态；
进行数据处理，得到第一训练集，针对所述第一训练集的一个训练样本，所述训练样本的输入为所述电解铝系统在一个生产周期的额定功率时间模型的数据、温度信息、湿度信息，输出为所述电解铝系统在同一生产周期的实际功率时间模型；
通过所述第一训练集对预设的神经网络模型进行训练，得到预测器；
对所述电解铝系统在所述目标生产周期的额定功率时间模型和所述目标生产周期的温度信息、湿度信息进行数据处理，输入所述预测器，将输出结果作为所述电解铝系统的理论功率时间模型。
在一种可能的实现方式中，所述预设运行状态是指所述电解铝系统的每个电解槽的电解质温度在预设温度范围内，针对任一电解槽，所述电解槽的运行电压在所述电解槽对应的预设电压范围内。
在一种可能的实现方式中，所述根据预设策略，对所述电解铝系统中的所有电解槽的运行状态进行评估包括：
针对任一电解槽，获取所述电解槽在所述目标周期开始前对应的多个预设状态参数；
将所述电解槽的多个预设状态参数输入预设的电解槽运行状态等级分类器，得到所述电解槽在所述目标周期的运行状态所对应的等级。
在一种可能的实现方式中，该方法还包括：
根据预设的状态评价指标，对电解槽的运行状态分为M个等级，M为大于等于2的正整数；
针对任一电解槽，获取所述电解槽在一个历史生产周期的状态评价指标；
根据所述电解槽的状态评价指标，得到所述电解槽在所述历史生产周期的运行状态所对应的等级；
建立第二训练集，所述训练集包括N个样本，其中，一个电解槽在一个历史生产周期的多个预设状态参数和该电解槽在该生产周期的运行状态所对应的等级构成所述第二训练集的一个样本；
通过预设的深度学习模型对所述第二训练集进行训练，得到所述电解槽运行状态等级分类器。
在一种可能的实现方式中，所述根据所述每个电解槽在所述目标生产周期的运行状态，对所述理论功率时间模型进行修正包括：
根据电解铝系统中的所有电解槽所述目标生产周期中处于工作状态的时间段、每个电解槽的运行状态所对应的等级和每个等级对应的预设加权系数，对所述理论功率时间模型进行修正。
在一种可能的实现方式中，该方法还包括：
根据所述电解铝系统在所述目标生产周期的功率时间模型，判断所述电解铝系统在所述目标生产周期的预设时间段内的功率平均值是否超过预设阈值；
若是，则调用储能模块，由储能模块在所述预设时间段内对所述电解铝系统进行供电。
第二方面，本发明实施例提供了一种终端，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现如上第一方面或第一方面的任一种可能的实现方式所述方法的步骤。
第三方面，本发明实施例提供了一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现如上第一方面或第一方面的任一种可能的实现方式所述方法的步骤。
本发明实施例提供一种电解铝系统的功率预测、终端及计算机可读存储介质，通过对电解槽的运行状态进行评估，获取目标周期内电解槽的运行状态，根据电解槽的运行状态对电解铝系统在目标生产周期的理论功率时间模型进行修正，得到预测功率时间模型，由于电解槽的运行状态是电解铝系统运行功率发生改变的直接因素，本发明在对电解铝系统进行功率预测时，将电解槽的运行状态考虑在内，使得到的预测功率模型更接近电解铝系统实际运行状态下的功率时间模型，从而提高了对电解铝系统在一个生产周期的功率预测的精准度。
附图说明
为了更清楚地说明本发明实施例中的技术方案，下面将对实施例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，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
图1是本发明实施例提供的一种电解铝系统的功率预测方法的实现流程图；
图2是本发明实施例提供的另一种电解铝系统的功率预测方法的实现流程图；
图3是本发明实施例提供的一种电解铝系统的设备负荷模型的示意图；
图4是本发明实施例提供的另一种电解铝系统的功率预测方法的实现流程图；
图5是本发明实施例提供的另一种电解铝系统的功率预测方法的实现流程图；
图6是本发明实施例提供的另一种电解铝系统的功率预测方法的实现流程图；
图7是本发明实施例提供的电解铝系统的功率预测装置的结构示意图；
图8是本发明实施例提供的终端的示意图。
具体实施方式
以下描述中，为了说明而不是为了限定，提出了诸如特定系统结构、技术之类的具体细节，以便透彻理解本发明实施例。然而，本领域的技术人员应当清楚，在没有这些具体细节的其它实施例中也可以实现本发明。在其它情况中，省略对众所周知的系统、装置、电路以及方法的详细说明，以免不必要的细节妨碍本发明的描述。
为使本发明的目的、技术方案和优点更加清楚，下面将结合附图通过具体实施例来进行说明。
参见图1，其示出了本发明实施例提供的一种电解铝系统的功率预测方法的实现流程图，详述如下：
S101，在一个目标生产周期中，获取电解铝系统的理论功率时间模型，其中理论功率时间模型用于表示电解铝系统在预设运行状态下的功率随时间变化的理论值。
可选的，根据电解铝系统中每个设备的额定功率和每个设备在一个运行周期中工作的时段，获取上述理论功率时间模型。
可选的，所述预设运行状态是指所述电解铝系统的每个电解槽的电解质温度在预设温度范围内，针对任一电解槽，所述电解槽的运行电压在所述电解槽对应的预设电压范围内。
结合图2，本发明实施例还提供了一种电解铝系统的功率预测方法，该方法用于获取电解铝系统的理论功率时间模型，该方法包括：
S1011，根据电解铝系统的工艺生产流程建立设备负荷模型，设备负荷模型中包含电解铝系统中所有设备的连接关系和运行顺序关系。
结合图3，本发明实施例示例性的提供了一种电解铝系统的设备负荷模型。
根据电解铝系统的工艺生产流程进行设备分析，可知电解铝的设备包括但不限于：破石机、电解槽、银锭铸造机、电熔炉等。其连接关系如图3所示，箭头指向表示了设备之间的运行顺序关系。
即，破石机工作完成后，进入电解槽工作阶段，电解槽工作完成后，银锭铸造机开始工作，银锭铸造机完成工作后，电熔炉开始工作。
需要说明的是，图3所示的电解铝系统的设备负荷模型仅是一种示例性的描述，实际的电解铝系统更为复杂，除了图3示出的设备，还包括多种其他设备，如蒸汽压力机、除尘反应器等。
另一方面，电解铝系统中，还有一种或多种设备的运行时间是相互重合的，例如，银锭铸造机和蒸汽压力机，其在整个生产周期的工作时段基本重合。
因此，图3仅是针对本发明实施例提供的一种示例性的设备负荷模型，实际的设备负荷模型需要根据不同的电解铝系统的实际运行情况进行创建。任何基于本发明思想创建的设备负荷模型，都在本发明的保护范围之内，本发明实施例对此不再赘述。
S1012，将目标生产周期划分为多个连续且不重合的时间段，根据设备负荷模型确定电解铝系统中每个设备在目标生产周期中处于工作状态的时间段。
可选的，每个时间段的时间相同，举例来说，一个生产周期为24小时，以15分钟为一个时间段，将24小时划分为96个时间段。
依次确定电解铝系统中每个设备在一个生产周期中处于工作状态的时间段。举例来说，对时间段进行编号，则96个时间段的编号依次为1至96，根据电解铝系统的工艺生产流程，确定每个设备所对应的处于工作状态的时间段编号，例如，破石机处于工作状态的时间段的编号为1-8；电解槽处于工作状态的时间段编号为9-60；银锭铸造机处于工作状态的时间段编号为61-80；电熔炉处于工作状态的时间编号为81-96。
S1013，根据每个设备的额定功率和每个设备在目标生产周期中处于工作状态的时间段，获取电解铝系统在目标生产周期的额定功率时间模型，将额定功率时间模型作为理论时间模型，其中，额定功率时间模型用于表示电解铝系统在目标生产周期功率随时间变化的额定值。
由步骤S1011和步骤S1012可知，一个生产周期的时间段划分的越小，则该系统的额定功率时间模型越精准，具体的，一个生产周期时间段数量的划分依据具体的系统运行情况而定，本发明实施例对此不作限定。
当电解铝系统中每个设备的额定功率已知、其对应的处于工作状态的时间段也确定的情况下，系统在每个时刻的额定运行功率即为当前时刻所有处于工作状态的设备的额定功率的和。
S102，根据预设策略，对电解铝系统中的所有电解槽的运行状态进行评估，获得每个电解槽在目标生产周期的运行状态。
现代电解铝工业的生产普遍采用冰晶石-氧化铝熔盐电解法，主要的设备是铝电解槽。电解槽由阳极和阴极组成，其生产采用的是直流电，通过整流器与母线连接并导入串联的电解槽，整个电解铝生产的过程中采用恒定的电流来控制。一个电解铝生产企业串联在一起的电解槽通常有几十至上百个。
电解铝正常的生产过程中，生产线的电流是基本保持在某个定值不变的。但是，当电解槽的运行状态不好，如发生阳极反应时，该电解槽的电压会大幅上升，使得该电解槽的功率大幅上升。因此，电解槽的运行状态是电解铝系统运行功率发生改变的主要因素。
基于此，通过对电解铝系统中电解槽的运行状态进行预测评估，即可预测电解铝系统在目标生产周期的理论功率时间模型与实际运行状态下的功率时间模型的差异。
S103，根据每个电解槽在目标生产周期的运行状态，对理论功率时间模型进行修正，得到电解铝系统在目标生产周期的预测功率时间模型，预测功率时间模型用于表示电解铝系统在目标生产周期功率随时间变化的预测值。
通过电解槽在目标生产周期的运行状态，对理论功率时间模型进行修正，使得到的预测功率时间模型更接近电解铝实际运行状态下的功率时间模型，提高了对电解铝系统在一个生产周期的功率预测的精准度。
由上可知，本发明实施例通过获取电解铝系统在目标生产周期的理论功率时间模型和电解铝系统中每个电解槽的运行状态的评估结果，通过电解槽在目标生产周期的运行状态，对理论功率时间模型进行修正，使得到的预测功率时间模型更接近电解铝实际运行状态下的功率时间模型，提高了对电解铝系统在一个生产周期的功率预测的精准度。
图4示出了本发明实施例提供的一种电解铝系统的功率预测方法的实现流程图，详述如下：
S401，获取电解铝系统在多个历史生产周期的额定功率时间模型、每个生产周期的温度信息、湿度信息，以及电解铝系统在每个生产周期的实际功率时间模型，其中，实际功率时间模型用于表示电解铝系统在对应生产周期功率随时间变化的实际值，电解铝系统在多个生产周期都处于预设运行状态。
可选的，本发明实施例中的预设状态是指电解槽的运行状态处于预设条件下，例如，电解铝系统的每个电解槽的电解质温度在预设温度范围内，针对任一电解槽，所述电解槽的运行电压在所述电解槽对应的预设电压范围内。此时，电解槽的运行状态处于正常状态，没有发生阳极反应。
获取电解槽系统的多个历史生产周期的数据，在多个选定的历史生产周期中，电解铝系统中的每个电解槽的运行状态都处于预设运行状态。
S402，进行数据处理，得到第一训练集，针对第一训练集的一个训练样本，训练样本的输入为电解铝系统在一个生产周期的额定功率时间模型的数据、温度信息、湿度信息，输出为电解铝系统在同一生产周期的实际功率时间模型。
可选的，模型的输入可以是根据电解铝系统在一个生产周期的额定功率时间模型，获取电解铝系统在第一时段的负荷值、第一至第二时段的平均负荷值、该生产周期的平均负荷值、最大负荷值、最小负荷值和该生产周期的平均温度值、平均湿度值。
S403，通过第一训练集对预设的神经网络模型进行训练，得到预测器。
S404，对电解铝系统在目标生产周期的额定功率时间模型和目标生产周期的温度信息、湿度信息进行数据处理，输入预测器，将输出结果作为电解铝系统的理论功率时间模型。
可选的，根据电解铝系统在目标生产周期的额定功率时间模型，获取电解铝系统在第一时段的负荷值、第一至第二时段的平均负荷值、目标生产周期的平均负荷值、最大负荷值、最小负荷值和目标生产周期的平均温度值、平均湿度值，作为预测器的输入，将输出结果作为电解铝系统的理论功率时间模型。
由上可知，通过本发明实施例提供的方法，使得电解铝的理论功率时间模型更接近电解铝系统在所有电解槽都处于预设运行状态下的实际的功率时间模型，在此基础上，再通过电解铝系统在目标生产周期中每个电解槽运行状态的评估结果对其理论功率时间模型进行修正，得到的预测功率时间模型更加精准。
图5示出了本发明实施例提供的一种电解铝系统的功率预测方法的实现流程图，通过该方法对电解铝系统中所有电解槽的运行状态进行评估，详述如下：
S501，针对任一电解槽，获取电解槽在目标周期开始前对应的多个预设状态参数。
S502，将电解槽的多个预设状态参数输入预设的电解槽运行状态等级分类器，得到电解槽在目标周期的运行状态所对应的等级。
可选的，结合图6，本发明实施例还提供了一种电解铝系统的功率预测方法，该方法用于获取步骤S502中的电解槽运行状态等级分类器，详述如下：
S5021，根据预设的状态评价指标，对电解槽的运行状态分为M个等级，M为大于等于2的正整数。
可选的，通过如下几个状态评价指标对一个电解槽的运行状态进行等级划分：
电解槽在一个生产周期中发生阳极反应的累积发生时长；
电解槽在该生产周期的平均电压，或电解槽在该生产周期中运行电压超过预设阈值的累积发生时长；
电解槽的电流效率。
在本发明实施例中，定义一个标准电解槽，标准电解槽在一个生产周期中发生阳极反应的累计时长为0，该在生产周期内的平均电压为预设值，或在标准预设电压范围，在该周期内运行电压超过预设阈值的累积发生时长为0，电流效率为1。
根据电解槽的实际运行状态，获取评级指标的对应值，与上述定义的标准槽进行比较：
欧氏距离在第一预设范围[0，x1]内的电解槽为第一级电解槽，其对应的运行状态为优，第一预设范围包括0和x1；
欧式距离在第二预设范围[x1，x2]内的电解槽为第二级电解槽，其对应的运行状态为良，第二预设范围包括x2，不包括x1；
欧式距离大于x2的电解槽为第三级电解槽，其对应的运行状态为差。
可选的，上述仅为一个具体的实现方式，针对电解铝系统的工艺生产特性，还可以选择其他的状态评价指标，其等级划分结果也不限于上述三种等级，基于本发明思想的电解槽运行状态等级划分方法，都在本发明实施例的保护范围内。
S5022，针对任一电解槽，获取电解槽在一个历史生产周期的状态评价指标。
S5023，根据电解槽的状态评价指标，得到电解槽在历史生产周期的运行状态所对应的等级。
步骤S5022和步骤S5023的具体实现方式可参见上述步骤S5021，本发明实施例对此不再赘述。
S5024，建立第二训练集，训练集包括N个样本，其中，一个电解槽在一个历史生产周期的多个预设状态参数和该电解槽在该生产周期的运行状态所对应的等级构成第二训练集的一个样本。
影响电解槽运行状态的工艺参数很多，主要的，包括：
电解温度，是电解槽运行状态的重要参数，通常控制在预设温度范围内，电解槽温度过高或过低都会使得电解槽运行状态变差。
分子比，指的是氟化钠和氟化铝之比，分子比降低有利于提高电流效率；
出铝量；
氟化铝过剩量等；
以及一些电解槽在生产周期开始时的设定参数，包括：
槽电压设定值；
氟化铝设定值；
氧化铝下料基准间隔等。
上述工艺参数和设定参数都可以是电解槽的预设状态参数，是深度学习模型的输入，其输出为该电解槽在该生产周期的运行状态所对应的等级。
S5025，通过预设的深度学习模型对第二训练集进行训练，得到电解槽运行状态等级分类器。
通过对第二训练集的学习，得到电解槽运行状态等级分类器。
可选的，在获得得到电解槽在目标周期的运行状态所对应的等级之后，可通过如下方法对电解铝系统在目标生产周期的理论功率时间模型进行修正：
根据电解铝系统中的所有电解槽在目标生产周期中处于工作状态的时间段、每个电解槽的运行状态所对应的等级和每个等级对应的预设加权系数，对理论功率时间模型进行修正。
可选的，结合步骤S5021至步骤S5025，若电解槽为第一级电解槽，说明其运行状态为优，该电解槽对应的加权系数为1，其在目标周期发生阳极反应的可能性较小，实际运行电压更接近于理论电压；说电解槽为第二级电解槽，则说明其在目标生产周期的运行状态为良，其有一定的可能性发生阳极反应，该电解槽对应的加权系数为S1；说电解槽为第三级电解槽，则说明其在目标生产周期的运行状态为差，其在目标周期发生阳极反应的可能性比较大，该电解槽对应的加权系数为S2，1＜S1小于S2。
可选的，该方法还包括：根据电解铝系统在目标生产周期的功率时间模型，判断电解铝系统在目标生产周期的预设时间段内的功率平均值是否超过预设阈值；若是，则调用储能模块，由储能模块在预设时间段内对电解铝系统进行供电。通过这种方法，使得电解铝企业减少电费较高时段的用电量，降低企业生产成本。
应理解，上述实施例中各步骤的序号的大小并不意味着执行顺序的先后，各过程的执行顺序应以其功能和内在逻辑确定，而不应对本发明实施例的实施过程构成任何限定。
以下为本发明的装置实施例，对于其中未详尽描述的细节，可以参考上述对应的方法实施例。
图7示出了本发明实施例提供的一种电解铝系统的功率预测装置的结构示意图，为了便于说明，仅示出了与本发明实施例相关的部分，详述如下：
如图7所示，电解铝系统的功率预测装置7包括：理论功率时间模型获取模块71、电解槽运行状态评估模块72和预测功率时间模型获取模块73。
所述理论功率时间模型获取模块71，用于在一个目标生产周期中，获取电解铝系统的理论功率时间模型，其中所述理论功率时间模型用于表示电解铝系统在预设运行状态下的功率随时间变化的理论值；
所述电解槽运行状态评估模块72，用于根据预设策略，对所述电解铝系统中的所有电解槽的运行状态进行评估，获得每个电解槽在所述目标生产周期的运行状态；
所述预测功率时间模型获取模块73，用于根据所述每个电解槽在所述目标生产周期的运行状态，对所述理论功率时间模型进行修正，得到所述电解铝系统在所述目标生产周期的预测功率时间模型，所述预测功率时间模型用于表示电解铝系统在所述目标生产周期功率随时间变化的预测值。
可选的，理论功率时间模型获取模块71用于：
根据电解铝系统的工艺生产流程建立设备负荷模型，所述设备负荷模型中包含所述电解铝系统中所有设备的连接关系和运行顺序关系；
将所述目标生产周期划分为多个连续且不重合的时间段，根据所述设备负荷模型确定电解铝系统中每个设备在所述目标生产周期中处于工作状态的时间段；
根据每个设备的额定功率和每个设备在所述目标生产周期中处于工作状态的时间段，获取所述电解铝系统在所述目标生产周期的额定功率时间模型，将所述额定功率时间模型作为所述理论时间模型，其中，所述额定功率时间模型用于表示所述电解铝系统在所述目标生产周期功率随时间变化的额定值。
可选的，理论功率时间模型获取模块71还用于：
获取所述电解铝系统在多个历史生产周期的额定功率时间模型、每个生产周期的温度信息、湿度信息，以及所述电解铝系统在每个生产周期的实际功率时间模型，其中，所述实际功率时间模型用于表示所述电解铝系统在对应生产周期功率随时间变化的实际值，所述电解铝系统在所述多个生产周期都处于预设运行状态；
进行数据处理，得到第一训练集，针对所述第一训练集的一个训练样本，所述训练样本的输入为所述电解铝系统在一个生产周期的额定功率时间模型的数据、温度信息、湿度信息，输出为所述电解铝系统在同一生产周期的实际功率时间模型；
通过所述第一训练集对预设的神经网络模型进行训练，得到预测器；
对所述电解铝系统在所述目标生产周期的额定功率时间模型和所述目标生产周期的温度信息、湿度信息进行数据处理，输入所述预测器，将输出结果作为所述电解铝系统的理论功率时间模型。
可选的，所述预设运行状态是指所述电解铝系统的每个电解槽的电解质温度在预设温度范围内，针对任一电解槽，所述电解槽的运行电压在所述电解槽对应的预设电压范围内。
可选的，电解槽运行状态评估模块72用于：
针对任一电解槽，获取所述电解槽在所述目标周期开始前对应的多个预设状态参数；
将所述电解槽的多个预设状态参数输入预设的电解槽运行状态等级分类器，得到所述电解槽在所述目标周期的运行状态所对应的等级。
可选的，电解槽运行状态评估模块72还用于：
根据预设的状态评价指标，对电解槽的运行状态分为M个等级，M为大于等于2的正整数；
针对任一电解槽，获取所述电解槽在一个历史生产周期的状态评价指标；
根据所述电解槽的状态评价指标，得到所述电解槽在所述历史生产周期的运行状态所对应的等级；
建立第二训练集，所述训练集包括N个样本，其中，一个电解槽在一个历史生产周期的多个预设状态参数和该电解槽在该生产周期的运行状态所对应的等级构成所述第二训练集的一个样本；
通过预设的深度学习模型对所述第二训练集进行训练，得到所述电解槽运行状态等级分类器。
可选的，预测功率时间模型获取模块73：
根据电解铝系统中的所有电解槽在所述目标生产周期中处于工作状态的时间段、每个电解槽的运行状态所对应的等级和每个等级对应的预设加权系数，对所述理论功率时间模型进行修正。
可选的，该装置还包括储能调用模块74，用于：
根据所述电解铝系统在所述目标生产周期的功率时间模型，判断所述电解铝系统在所述目标生产周期的预设时间段内的功率平均值是否超过预设阈值；若是，则调用储能模块，由储能模块在所述预设时间段内对所述电解铝系统进行供电。
由上可知，本发明实施例通过获取电解铝系统在目标生产周期的理论功率时间模型和电解铝系统中每个电解槽的运行状态的评估结果，通过电解槽在目标生产周期的运行状态，对理论功率时间模型进行修正，使得到的预测功率时间模型更接近电解铝实际运行状态下的功率时间模型，提高了对电解铝系统在一个生产周期的功率预测的精准度。
图8是本发明实施例提供的终端的示意图。如图8所示，该实施例的终端8包括：处理器80、存储器81以及存储在所述存储器81中并可在所述处理器80上运行的计算机程序82。所述处理器80执行所述计算机程序82时实现上述各个电解铝系统的功率预测方法实施例中的步骤，例如图1所示的步骤101至步骤103。或者，所述处理器80执行所述计算机程序82时实现上述各装置实施例中各模块/单元的功能，例如图7所示模块/单元71至73的功能。
示例性的，所述计算机程序82可以被分割成一个或多个模块/单元，所述一个或者多个模块/单元被存储在所述存储器81中，并由所述处理器80执行，以完成本发明。所述一个或多个模块/单元可以是能够完成特定功能的一系列计算机程序指令段，该指令段用于描述所述计算机程序82在所述终端8中的执行过程。例如，所述计算机程序82可以被分割成图7所示的模块/单元71至73。
所述终端8可以是桌上型计算机、笔记本、掌上电脑及云端服务器等计算设备。所述终端8可包括，但不仅限于，处理器80、存储器81。本领域技术人员可以理解，图8仅仅是终端8的示例，并不构成对终端8的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件，例如所述终端还可以包括输入输出设备、网络接入设备、总线等。
所称处理器80可以是中央处理单元(Central Processing Unit，CPU)，还可以是其他通用处理器、数字信号处理器(Digital Signal Processor，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现场可编程门阵列(Field-Programmable Gate Array，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
所述存储器81可以是所述终端8的内部存储单元，例如终端8的硬盘或内存。所述存储器81也可以是所述终端8的外部存储设备，例如所述终端8上配备的插接式硬盘，智能存储卡(Smart Media Card，SMC)，安全数字(Secure Digital，SD)卡，闪存卡(Flash Card)等。进一步地，所述存储器81还可以既包括所述终端8的内部存储单元也包括外部存储设备。所述存储器81用于存储所述计算机程序以及所述终端所需的其他程序和数据。所述存储器81还可以用于暂时地存储已经输出或者将要输出的数据。
所属领域的技术人员可以清楚地了解到，为了描述的方便和简洁，仅以上述各功能单元、模块的划分进行举例说明，实际应用中，可以根据需要而将上述功能分配由不同的功能单元、模块完成，即将所述装置的内部结构划分成不同的功能单元或模块，以完成以上描述的全部或者部分功能。实施例中的各功能单元、模块可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中，上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。另外，各功能单元、模块的具体名称也只是为了便于相互区分，并不用于限制本申请的保护范围。上述系统中单元、模块的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
在上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述或记载的部分，可以参见其它实施例的相关描述。
本领域普通技术人员可以意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本发明的范围。
在本发明所提供的实施例中，应该理解到，所揭露的装置/终端和方法，可以通过其它的方式实现。例如，以上所描述的装置/终端实施例仅仅是示意性的，例如，所述模块或单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通讯连接可以是通过一些接口，装置或单元的间接耦合或通讯连接，可以是电性，机械或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外，在本发明各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。
所述集成的模块/单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明实现上述实施例方法中的全部或部分流程，也可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一计算机可读存储介质中，该计算机程序在被处理器执行时，可实现上述各个电解铝系统的功率预测方法实施例的步骤。其中，所述计算机程序包括计算机程序代码，所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读介质可以包括：能够携带所述计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(Read-Only Memory，ROM)、随机存取存储器(Random Access Memory，RAM)、电载波信号、电信信号以及软件分发介质等。需要说明的是，所述计算机可读介质包含的内容可以根据司法管辖区内立法和专利实践的要求进行适当的增减，例如在某些司法管辖区，根据立法和专利实践，计算机可读介质不包括是电载波信号和电信信号。
以上所述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，均应包含在本发明的保护范围之内。
Claims (10)
1.一种电解铝系统的功率预测方法，其特征在于，包括：
在一个目标生产周期中，获取电解铝系统的理论功率时间模型，其中所述理论功率时间模型用于表示电解铝系统在预设运行状态下的功率随时间变化的理论值；
根据预设策略，对所述电解铝系统中的所有电解槽的运行状态进行评估，获得每个电解槽在所述目标生产周期的运行状态；
根据所述每个电解槽在所述目标生产周期的运行状态，对所述理论功率时间模型进行修正，得到所述电解铝系统在所述目标生产周期的预测功率时间模型，所述预测功率时间模型用于表示电解铝系统在所述目标生产周期功率随时间变化的预测值。
2.根据权利要求1所述的方法，其特征在于，所述获取电解铝系统的理论功率时间模型包括：
根据电解铝系统的工艺生产流程建立设备负荷模型，所述设备负荷模型中包含所述电解铝系统中所有设备的连接关系和运行顺序关系；
将所述目标生产周期划分为多个连续且不重合的时间段，根据所述设备负荷模型确定电解铝系统中每个设备在所述目标生产周期中处于工作状态的时间段；
根据每个设备的额定功率和每个设备在所述目标生产周期中处于工作状态的时间段，获取所述电解铝系统在所述目标生产周期的额定功率时间模型，将所述额定功率时间模型作为所述理论时间模型，其中，所述额定功率时间模型用于表示所述电解铝系统在所述目标生产周期功率随时间变化的额定值。
3.根据权利要求2所述的方法，其特征在于，该方法还包括：
获取所述电解铝系统在多个历史生产周期的额定功率时间模型、每个生产周期的温度信息、湿度信息，以及所述电解铝系统在每个生产周期的实际功率时间模型，其中，所述实际功率时间模型用于表示所述电解铝系统在对应生产周期功率随时间变化的实际值，所述电解铝系统在所述多个生产周期都处于预设运行状态；
进行数据处理，得到第一训练集，针对所述第一训练集的一个训练样本，所述训练样本的输入为所述电解铝系统在一个生产周期的额定功率时间模型的数据、温度信息、湿度信息，输出为所述电解铝系统在同一生产周期的实际功率时间模型；
通过所述第一训练集对预设的神经网络模型进行训练，得到预测器；
对所述电解铝系统在所述目标生产周期的额定功率时间模型和所述目标生产周期的温度信息、湿度信息进行数据处理，输入所述预测器，将输出结果作为所述电解铝系统的理论功率时间模型。
4.根据权利要求1至3任一项所述的方法，其特征在于，所述预设运行状态是指所述电解铝系统的每个电解槽的电解质温度在预设温度范围内，针对任一电解槽，所述电解槽的运行电压在所述电解槽对应的预设电压范围内。
5.根据权利要求1所述的方法，其特征在于，所述根据预设策略，对所述电解铝系统中的所有电解槽的运行状态进行评估包括：
针对任一电解槽，获取所述电解槽在所述目标周期开始前对应的多个预设状态参数；
将所述电解槽的多个预设状态参数输入预设的电解槽运行状态等级分类器，得到所述电解槽在所述目标周期的运行状态所对应的等级。
6.根据权利要求5所述的方法，其特征在于，该方法还包括：
根据预设的状态评价指标，对电解槽的运行状态分为M个等级，M为大于等于2的正整数；
针对任一电解槽，获取所述电解槽在一个历史生产周期的状态评价指标；
根据所述电解槽的状态评价指标，得到所述电解槽在所述历史生产周期的运行状态所对应的等级；
建立第二训练集，所述训练集包括N个样本，其中，一个电解槽在一个历史生产周期的多个预设状态参数和该电解槽在该生产周期的运行状态所对应的等级构成所述第二训练集的一个样本；
通过预设的深度学习模型对所述第二训练集进行训练，得到所述电解槽运行状态等级分类器。
7.根据权利要求5所述的方法，其特征在于，所述根据所述每个电解槽在所述目标生产周期的运行状态，对所述理论功率时间模型进行修正包括：
根据电解铝系统中的所有电解槽在所述目标生产周期中处于工作状态的时间段、每个电解槽的运行状态所对应的等级和每个等级对应的预设加权系数，对所述理论功率时间模型进行修正。
8.根据权利要求1所述的方法，其特征在于，该方法还包括：
根据所述电解铝系统在所述目标生产周期的功率时间模型，判断所述电解铝系统在所述目标生产周期的预设时间段内的功率平均值是否超过预设阈值；
若是，则调用储能模块，由储能模块在所述预设时间段内对所述电解铝系统进行供电。
9.一种终端，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现如上的权利要求1至8中任一项所述方法的步骤。
10.一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如上的权利要求1至8中任一项所述方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111045385.XA CN113723005A (zh) | 2021-09-07 | 2021-09-07 | 电解铝系统的功率预测方法、终端和计算机可读存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111045385.XA CN113723005A (zh) | 2021-09-07 | 2021-09-07 | 电解铝系统的功率预测方法、终端和计算机可读存储介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN113723005A true CN113723005A (zh) | 2021-11-30 |
Family
ID=78682313
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202111045385.XA Pending CN113723005A (zh) | 2021-09-07 | 2021-09-07 | 电解铝系统的功率预测方法、终端和计算机可读存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113723005A (zh) |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108984813A (zh) * | 2018-03-09 | 2018-12-11 | 重庆科技学院 | 基于递归神经网络与角度偏好的铝电解建模与优化方法 |
| CN108977854A (zh) * | 2018-08-07 | 2018-12-11 | 中铝视拓智能科技有限公司 | 电解槽温度监控方法、装置、设备、系统及可读存储介质 |
| CN112260286A (zh) * | 2020-10-10 | 2021-01-22 | 中国电力科学研究院有限公司 | 电解铝负荷参与电力系统控制的方法、系统、设备及介质 |
| CN112952811A (zh) * | 2021-02-25 | 2021-06-11 | 中国电力科学研究院有限公司 | 一种电解铝可调节负荷潜力分析方法及系统 |
| CN113258589A (zh) * | 2021-04-25 | 2021-08-13 | 国网山东省电力公司 | 基于生产运行的储能与电解铝负荷聚合调频方法及装置 |
| WO2021163142A1 (en) * | 2020-02-10 | 2021-08-19 | University Of Rochester | Systems and methods for energy efficient electrolysis cells |
-
2021
- 2021-09-07 CN CN202111045385.XA patent/CN113723005A/zh active Pending
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108984813A (zh) * | 2018-03-09 | 2018-12-11 | 重庆科技学院 | 基于递归神经网络与角度偏好的铝电解建模与优化方法 |
| CN108977854A (zh) * | 2018-08-07 | 2018-12-11 | 中铝视拓智能科技有限公司 | 电解槽温度监控方法、装置、设备、系统及可读存储介质 |
| WO2021163142A1 (en) * | 2020-02-10 | 2021-08-19 | University Of Rochester | Systems and methods for energy efficient electrolysis cells |
| CN112260286A (zh) * | 2020-10-10 | 2021-01-22 | 中国电力科学研究院有限公司 | 电解铝负荷参与电力系统控制的方法、系统、设备及介质 |
| CN112952811A (zh) * | 2021-02-25 | 2021-06-11 | 中国电力科学研究院有限公司 | 一种电解铝可调节负荷潜力分析方法及系统 |
| CN113258589A (zh) * | 2021-04-25 | 2021-08-13 | 国网山东省电力公司 | 基于生产运行的储能与电解铝负荷聚合调频方法及装置 |
Non-Patent Citations (1)
| Title |
|---|
| 李界家;王朝骏;朱景林;: "基于量子优化的铝电解多目标控制系统理论研究", 轻金属, no. 06, 20 June 2016 (2016-06-20) * |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110161425B (zh) | 一种基于锂电池退化阶段划分的剩余使用寿命的预测方法 | |
| CN106772205B (zh) | 一种电力计量自动化系统终端设备异常监测方法及装置 | |
| CN113381417B (zh) | 一种配电网台区三相负荷不平衡优化方法、装置及终端 | |
| Xue et al. | Adaptive ultra-short-term wind power prediction based on risk assessment | |
| CN114369849A (zh) | 一种电解槽健康度的监控方法、装置及电解槽监控系统 | |
| CN114936681A (zh) | 一种基于深度学习的碳排放预测方法 | |
| CN111231758A (zh) | 一种电池容量的估算方法、装置、电子设备及介质 | |
| CN115496278A (zh) | 一种水电机组定子线圈温度预警方法及系统 | |
| CN113642988B (zh) | 一种多工况多类型储能电站成本效益分析方法及定型系统 | |
| CN113642886B (zh) | 规划电网线路利用率分析方法、系统、介质及计算设备 | |
| CN113723005A (zh) | 电解铝系统的功率预测方法、终端和计算机可读存储介质 | |
| CN117764601A (zh) | 基于电力数据的碳排放量预测方法、装置、设备及介质 | |
| CN116706884A (zh) | 光伏发电量的预测方法、装置、终端及存储介质 | |
| CN114819391B (zh) | 基于历史数据集时间跨度优化的光伏发电功率预测方法及系统 | |
| CN116488149A (zh) | 微电网发电策略确定方法、装置以及微电网 | |
| CN113131476B (zh) | 一种用电负荷预测方法 | |
| CN114580968A (zh) | 一种用电管理方法、装置、设备和存储介质 | |
| CN109657735A (zh) | 基于相关向量机的铝电解槽寿命预测方法 | |
| CN111861798A (zh) | 一种基于近邻算法的居民用电数据缺失值插补方法 | |
| CN111058061A (zh) | 一种提高工业铝电解生产电流效率的方法 | |
| CN116362558A (zh) | 电网建设效益评价方法、装置、终端及存储介质 | |
| CN115221472B (zh) | 一种用户电压限值的自适应设置方法、装置、存储器及计算设备 | |
| CN117332901B (zh) | 采用分层时间聚合策略的新能源小时间尺度功率预测方法 | |
| CN112734093B (zh) | 基于计算机的制氢装置容量优化配置方法 | |
| CN115637464A (zh) | 一种阳极碳块消耗预测方法、装置、设备及介质 |
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 |