CN113971485A - 工业锅炉系统的剩余维护时间预测方法、装置和电子设备 - Google Patents
工业锅炉系统的剩余维护时间预测方法、装置和电子设备 Download PDFInfo
- Publication number
- CN113971485A CN113971485A CN202111225933.7A CN202111225933A CN113971485A CN 113971485 A CN113971485 A CN 113971485A CN 202111225933 A CN202111225933 A CN 202111225933A CN 113971485 A CN113971485 A CN 113971485A
- Authority
- CN
- China
- Prior art keywords
- boiler system
- industrial boiler
- value
- operation result
- 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.)
- Pending
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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/15—Correlation function computation including computation of convolution operations
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
-
- 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
- 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
-
- 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
- G06Q10/06—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
- 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
- G06Q10/20—Administration of product repair or maintenance
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/80—Management or planning
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Human Resources & Organizations (AREA)
- Data Mining & Analysis (AREA)
- Mathematical Physics (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- General Engineering & Computer Science (AREA)
- Software Systems (AREA)
- Operations Research (AREA)
- Pure & Applied Mathematics (AREA)
- Computational Mathematics (AREA)
- Entrepreneurship & Innovation (AREA)
- Evolutionary Computation (AREA)
- Mathematical Optimization (AREA)
- Mathematical Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Tourism & Hospitality (AREA)
- Development Economics (AREA)
- Quality & Reliability (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Computing Systems (AREA)
- Biomedical Technology (AREA)
- Health & Medical Sciences (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Algebra (AREA)
- Game Theory and Decision Science (AREA)
- Databases & Information Systems (AREA)
- Educational Administration (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
Abstract
本公开涉及能源技术领域,本公开的实施例公开了工业锅炉系统的剩余维护时间预测方法、装置和电子设备。该方法的一具体实施方式包括:获取工业锅炉系统的负荷预测结果、负荷性能曲线、参数、历史数据和当前运行数据;基于负荷预测结果和负荷性能曲线,计算工业锅炉系统在目标时间段内的运行总收入、运行总成本和运行总成果值;基于参数,获取工业锅炉系统的运行成果相关拟合函数;基于历史数据和当前运行数据,确定工业锅炉系统的运行成果参考值;基于运行成果相关拟合函数、运行成果参考值和预设运行成果下限值,生成工业锅炉系统的剩余维护时间预测值。该实施方式为维护人员提供准确的剩余维护时间预测值,减少停机检测频率,节约人工物力。
Description
技术领域
本公开的实施例涉及能源技术领域,具体涉及工业锅炉系统的剩余维护时间预测方法、装置和电子设备。
背景技术
目前,大多数锅炉的运维都是依赖操作人员的业务能力,设备运行过程中参数异常变化、设备故障诊断、应急处理措施等一般都是操作人员根据个人经验判断,问题处理受个人能力局限,设备保养、缺陷、故障处理不及时。运行人员设置一般比较紧张,加上运行人员业务水平参差不齐,预防性维护保养工作较少,更多的是哪里出现问题找专业厂家抢修哪里。非预防性维修对系统运行效率造成一定影响,同时也会缩短设备的使用寿命。
目前在进行工业锅炉系统的预测性维护时,不仅要求的参数繁多,而且现场工作人员需要时刻对不同物理参数进行测量等繁琐工作,测量值的准确性不高,导致工业锅炉系统的预测性维护效果不佳。
发明内容
有鉴于此,本公开实施例提供了一种工业锅炉系统的剩余维护时间预测方法、装置和电子设备,以解决现有技术中对工业锅炉系统进行有效监测、准确的预测剩余维护时间,以提醒维护人员对工业锅炉系统进行维修保养的问题。
本公开实施例的第一方面,提供了一种工业锅炉系统的剩余维护时间预测方法,包括:获取工业锅炉系统的负荷预测结果、负荷性能曲线、参数、历史数据和当前运行数据;基于上述负荷预测结果和上述负荷性能曲线,计算上述工业锅炉系统在目标时间段内的运行总收入、运行总成本和运行总成果值;基于上述参数,获取上述工业锅炉系统的运行成果相关拟合函数;基于上述历史数据和上述当前运行数据,确定上述工业锅炉系统的运行成果参考值;基于上述运行成果相关拟合函数、上述运行成果参考值和预设运行成果下限值,生成上述工业锅炉系统的剩余维护时间预测值。
本公开实施例的第二方面,提供了一种工业锅炉系统的剩余维护时间预测装置,装置包括:获取单元,被配置成获取工业锅炉系统的负荷预测结果、负荷性能曲线、参数、历史数据和当前运行数据;计算单元,被配置成基于上述负荷预测结果和上述负荷性能曲线,计算上述工业锅炉系统在目标时间段内的运行总收入、运行总成本和运行总成果值;运行成果相关拟合函数获取单元,被配置成基于上述参数,获取上述工业锅炉系统的运行成果相关拟合函数;确定单元,被配置成基于上述历史数据和上述当前运行数据,确定上述工业锅炉系统的运行成果参考值;生成单元,被配置成基于上述运行成果相关拟合函数、上述运行成果参考值和预设运行成果下限值,生成上述工业锅炉系统的剩余维护时间预测值。
本公开实施例的第三方面,提供了一种电子设备,包括存储器、处理器以及存储在存储器中并且可以在处理器上运行的计算机程序,该处理器执行计算机程序时实现上述方法的步骤。
本公开实施例的第四方面,提供了一种计算机可读存储介质,该计算机可读存储介质存储有计算机程序,该计算机程序被处理器执行时实现上述方法的步骤。
本公开的上述各个实施例中的一个实施例具有如下有益效果:首先,获取工业锅炉系统的负荷预测结果、负荷性能曲线、参数、历史数据和当前运行数据;然后,基于上述负荷预测结果和上述负荷性能曲线,计算目标时间段内的运行总收入、运行总成本和运行总成果值;再然后,基于上述参数,获取运行成果相关拟合函数;之后,基于上述历史数据和上述当前运行数据,确定运行成果参考值;再之后,基于上述运行成果相关拟合函数、上述运行成果参考值和预设成果下限值,生成上述工业锅炉系统的剩余维护时间预测值;最后,将上述剩余维护时间预测值传输至具有访问权限的目标设备,以及控制上述目标设备显示上述剩余维护时间预测值。本公开提供的方法为维护人员提供准确的剩余维护时间预测值,有助于维护人员对工业锅炉系统的维保工作提前做出计划,避免保养不及时造成的设备损坏,或保养过度造成成本增加的现象。进而,使得运行效率对工业锅炉系统的影响大大下降,保持工业锅炉系统的正常运行总成果值。通过快捷、高效的方式实时监测工业锅炉系统的运行总成果的变化,减少停机检测频率,节约人工物力。
附图说明
结合附图并参考以下具体实施方式,本公开各实施例的上述和其他特征、优点及方面将变得更加明显。贯穿附图中,相同或相似的附图标记表示相同或相似的元素。应当理解附图是示意性的,元件和元素不一定按照比例绘制。
图1是根据本公开的一些实施例的工业锅炉系统的剩余维护时间预测方法的一个应用场景的示意图;
图2是根据本公开的工业锅炉系统的剩余维护时间预测方法的一些实施例的流程示意图;
图3是根据本公开的工业锅炉系统的剩余维护时间预测装置的一些实施例的结构示意图;
图4是适于用来实现本公开的一些实施例的电子设备的结构示意图。
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,以便透彻理解本公开实施例。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公开。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公开的描述。
下面将结合附图详细说明根据本公开实施例的一种工业锅炉系统的剩余维护时间预测方法、装置和电子设备。
图1是根据本公开一些实施例的工业锅炉系统的剩余维护时间预测方法的一个应用场景的示意图。
在图1的应用场景中,首先,计算设备101可以获取工业锅炉系统的负荷预测结果102、负荷性能曲线103、参数104、历史数据105和当前运行数据106。然后,计算设备101可以基于上述负荷预测结果102和上述负荷性能曲线103,计算上述工业锅炉系统在目标时间段内的运行总收入107、运行总成本108和运行总成果值109(例如,运行的总净利润)。再然后,基于上述参数104,,计算设备101可以获取上述工业锅炉系统的运行成果相关拟合函数110(例如,运行净利润拟合函数)。之后,基于上述历史数据105和上述当前运行数据106,计算设备101可以确定上述工业锅炉系统的运行成果参考值111(例如,运行净利润参考值)。最后,基于上述运行成果相关拟合函110数、上述运行成果参考值111和预设运行成果下限值112,生成上述工业锅炉系统的剩余维护时间预测值113。
需要说明的是,上述计算设备101可以是硬件,也可以是软件。当计算设备为硬件时,可以实现成多个服务器或终端设备组成的分布式集群,也可以实现成单个服务器或单个终端设备。当计算设备体现为软件时,可以安装在上述所列举的硬件设备中。其可以实现成例如用来提供分布式服务的多个软件或软件模块,也可以实现成单个软件或软件模块。在此不做具体限定。
应该理解,图1中的计算设备的数目仅仅是示意性的。根据实现需要,可以具有任意数目的计算设备。
图2是本公开实施例提供的工业锅炉系统的剩余维护时间预测方法的流程示意图。图2的工业锅炉系统的剩余维护时间预测方法可以由图1的计算设备101执行。如图2所示,该工业锅炉系统的剩余维护时间预测方法,包括以下步骤:
步骤S201,获取工业锅炉系统的负荷预测结果、负荷性能曲线、参数、历史数据和当前运行数据。
在一些实施例中,工业锅炉系统的剩余维护时间预测方法的执行主体(如图1所示的计算设备101)可以通过有线连接方式或无线连接方式获取上述工业锅炉系统的负荷预测结果、负荷性能曲线、参数、历史数据和当前运行数据。这里,上述负荷预测结果可以是对上述工业锅炉系统在某一时刻的负荷预测的预测值。上述负荷性能曲线中至少包括时间项、负荷值项、负荷需求项,上述负荷性能曲线主要用于表示上述时间项、上述负荷值项和上述负荷需求项之间的函数关系。上述参数可以是上述工业锅炉系统的设备相关参数。上述历史数据可以是从时间维度对数据进行分类的,上述工业锅炉系统历史开机运行产生的数据为上述历史数据,当前开机运行产生的数据为上述当前运行数据。作为示例,上述历史数据和上述当前运行数据至少可以包括:给水PH值、给水电导率、给水溶解氧含量、给水硬度、给水磷酸根含量、给水全碱度和给水氯离子含量等。
在一些实施例的一些可选的实现方式中,上述负荷预测结果和上述负荷性能曲线可以是根据以下步骤得到的:第一步,上述执行主体可以采集上述工业锅炉系统的负荷及负荷影响因素相关的历史运行数据;第二步,上述执行主体可以将上述历史运行数据作为训练样本集,对初始神经网络模型进行训练,得到负荷预测神经网络模型;第三步,上述执行主体可以获取气象预报数据、预测日期和用能侧生产计划作为上述负荷预测神经网络模型的输入,得到上述负荷预测结果和上述负荷性能曲线。这里,上述负荷相关的历史运行数据至少包括:热负荷的历史运行数据、汽负荷的历史运行数据和电负荷的历史运行数据。上述负荷影响因素相关的历史运行数据至少包括:室外温度的历史运行数据、室外相对湿度、风速、风向和光照度的历史运行数据。
在一些实施例的一些可选的实现方式中,为保持负荷预测神经网络模型的预测精度,负荷预测神经网络模型的训练方式设置为滚动模式,不断添加新近历史数据,以便实时反映工业锅炉系统最近的负荷情况。具体步骤还包括:设定预测周期,采用滚动模式将前一个历史周期内的真实负荷数据添加到历史数据,更新上述负荷预测神经网络模型。然后,利用更新后的负荷预测神经网络模型对未来一个周期内上述工业锅炉系统的负荷进行预测。
在一些实施例的一些可选的实现方式中,上述历史数据可以是根据以下步骤得到的:首先,上述执行主体可以通过有线连接方式或无线连接方式获取预设历史时间段内上述工业锅炉系统的原始历史数据;然后,上述执行主体可以对上述原始历史数据进行数据清洗和数据聚合,得到上述历史数据。上述的预设历史时间段的选取可以是随机选取的,可以是以小时为单位的历史时间段,可以是以秒为单位的历史时间段,也可以是以分钟为单位的历史时间段。
可选的,上述数据清洗主要用于除去上述工业锅炉系统在设备停机时的原始历史数据,并不只用于除去设备停机时的原始历史数据。上述数据聚合主要用于对选取到的小时级的原始历史数据进行聚合,计算出上述工业锅炉系统每天的运行成果平均值,也可以对秒级、分钟级的原始历史数据进行聚合、计算。
作为示例,这里我们采用以小时为单位的历史时间段,选取到小时级的原始历史数据。上述数据清洗主要用于除去上述工业锅炉系统在设备停机时的原始历史数据。上述数据聚合主要用于对选取到的小时级的原始历史数据进行聚合,计算出上述工业锅炉系统每天的运行成果平均值。
需要指出的是,上述无线连接方式可以包括但不限于3G/4G连接、WiFi连接、蓝牙连接、WiMAX连接、Zigbee连接、UWB(ultra wideband)连接、以及其他现在已知或将来开发的无线连接方式。
步骤S202,基于上述负荷预测结果和上述负荷性能曲线,计算上述工业锅炉系统在目标时间段内的运行总收入、运行总成本和运行总成果值。
在一些实施例中,上述执行主体可以基于上述负荷预测结果和上述负荷性能曲线,通过如下步骤计算上述工业锅炉系统在目标时间段内的运行总收入、运行总成本和运行总成果值:
第一步,上述执行主体可以获取上述工业锅炉系统的价值相关指标。这里,价值相关指标至少包括:供热价值相关指标、用能价值相关指标、用水价值相关指标、用电价值相关指标、化学药品价值相关指标和人工价值相关指标。例如,上述价值相关指标可以包括:供热价格、用能价格、用水价格、用电价格、化学药品价格和人工价格。
第二步,上述执行主体可以基于上述工业锅炉系统的物理机理,搭建与之对应的数字机理模型。这里,上述数字机理模型可以是根据上述工业锅炉系统的各项参数搭建的用于了解工业锅炉系统的性能的普通数学模型。
第三步,上述执行主体可以利用上述数字机理模型,模拟计算上述工业锅炉系统的性能、状态参数和能效预估值。作为示例,上述执行主体可以模拟计算上述工业锅炉系统的性能以及各连接点的状态参数,得到性能参数,上述执行主体可以基于上述价值相关指标,计算不同工况下上述工业锅炉系统的收入状况,得到能效预估值。作为示例,上述执行主体可以将用于表征上述收入状况的值确定为上述能效预估值。
第四步,上述执行主体可以基于上述价值相关指标和上述能效预估值,确定上述运行总收入、上述运行总成本和上述运行总成果值。作为示例,上述执行主体可以将燃料成本、电耗成本、水耗成本、物料成本和人工成本的和确定为运行成本,将运行成本的累计值确定为运行总成本。作为示例,上述执行主体可以将供热价值相关指标与供热量的乘积的累计值确定为运行总收入。作为示例,上述执行主体可以将运行总收入和运行总成本进行求差得到运行总成果值。
步骤S203,基于上述参数,获取上述工业锅炉系统的运行成果相关拟合函数。
在一些实施例中,基于上述参数,上述执行主体可以通过如下步骤获取上述运行成果相关拟合函数:
第一步,上述执行主体可以将上述参数输入至预先训练的参数和热力学模型,得到上述工业锅炉系统的运行成果相关模型。作为示例,上述参数和热力学模型可以是包含麦克斯韦关系原理的热力学模型。这里,上述运行成果相关模型主要包括以下运算方式:将运行总收入和运行总成本进行求差得到运行总成果值;将供热价值相关指标与供热量的乘积的累计值确定为运行总收入;将运行成本的累计值确定为运行总成本;将燃料成本、电耗成本、水耗成本、物料成本和人工成本的和确定为运行成本。
上文陈述的燃料成本可以将总耗燃料量值与燃料价值相关信息(例如,燃料单价)进行相乘得到。上述电耗成本可以将总耗电量值与厂用电力价值相关信息(例如,电力单价)进行相乘得到。上述水耗成本可以将总耗水量与用水价值相关信息(例如,用水单价)进行相乘得到。上述物料成本可以将总耗环保和化学物料值与物料价值相关信息(例如,物料单价)进行相乘得到。
第二步,基于上述运行成果相关模型,上述执行主体可以获取初始运行成果相关拟合函数。这里,上述初始运行成果相关拟合函数中采用了泰勒公式。
上文陈述的泰勒公式是将一个在x=x0处具有n阶导数的函数f(x)利用关于(x-x0)的n次多项式来逼近函数的方法。其应用于数学、物理领域,是一个用函数在某点的信息描述其附近取值的公式。如果函数足够平滑的话,在已知函数在某一点的各阶导数值的情况之下,泰勒公式可以用这些导数值做系数构建一个多项式来近似函数在这一点的邻域中的值。泰勒公式还给出了这个多项式和实际的函数值之间的偏差。
泰勒展开式公式在数学分析中有着广泛的用途,如极限计算、无穷小量阶的估计、构造不等式以及方程求解方面应用效果较好。确定一组数据,寻求函数的一个近似表达式y=f(x),要求近似表达式能够反映数据的基本趋势而又不一定过全部的点(xi,yi),这就是曲线拟合问题。函数的近似表达式y=f(x)称为拟合曲线。
第三步,上述执行主体可以对上述初始运行成果相关拟合函数和上述历史数据进行曲线拟合,得到上述运行成果相关拟合函数。这里,上述运行成果相关拟合函数主要用于表示上述工业锅炉系统的运行成果与累计运行时间之间的函数关系。同时,累计运行时间与运行成果是呈正比例关系的。具体地,上述执行主体可以采用最小二乘法(又称最小平方法)对上述初始运行成果相关拟合函数和上述历史数据进行曲线拟合,得到上述运行成果相关拟合函数。最小二乘法可以通过最小化误差的平方和寻找数据的最佳函数匹配。利用最小二乘法可以简便地求得未知的数据,并使得这些求得的数据与实际数据之间误差的平方和为最小。最小二乘法还可用于曲线拟合。其他一些优化问题也可通过最小化能量或最大化熵用,最小二乘法来表达。
可选的,除了最小二乘法外,还可以采用线性回归模型、分段线性回归模型、多项式回归模型、二次样条模型和三次样条模型来对上述初始运行成果相关拟合函数和上述历史数据进行曲线拟合。
步骤S204,基于上述历史数据和上述当前运行数据,确定上述工业锅炉系统的运行成果参考值。
在一些实施例中,基于上述历史数据和上述当前运行数据,上述执行主体可以通过如下步骤确定上述工业锅炉系统的运行成果参考值:
第一步,上述执行主体可以利用差分整合移动平均自回归模型对上述历史数据进行拟合,得到上述工业锅炉系统在目标时刻的运行成果预测值。这里,差分整合移动平均自回归模型(Autoregressive Integrated Moving Average Model,ARIMA)主要是将非平稳时间序列转化为平稳时间序列,然后将因变量仅对它的滞后值以及随机误差项的现值和滞后值进行回归所建立的模型
可选的,由于历史数据波动性较大,因此,可以认为当前运行数据求得的运行成果当前值为工业锅炉系统的运行总成果值的一个扰动,可以用时间序列预测的方法对工业锅炉系统的运行成果进行预测。此处的时间序列模型不限于上述差分整合移动平均自回归模型,还可以为ETS(Error Trend Seasonality)模型和STL模型。ETS模型族可以是基于简单的指数平滑法(加权移动平均法)的一系列模型。STL(Seasonal and Trend decompositionusing Loess)方法可以是以鲁棒局部加权回归作为平滑方法的时间序列分解方法,STL模型可以是采用STL方法的回归神经网络模型。
第二步,基于上述当前运行数据,上述执行主体可以获取上述工业锅炉系统在上述目标时刻的运行成果当前值。
第三步,上述执行主体可以对上述运行成果预测值和上述运行成果当前值进行加权求和,得到作为上述运行成果参考值的值。
可选的,上述执行主体可以对上述运行成果预测值和上述运行成果当前值进行求均值,得到作为上述运行成果参考值的值。
步骤S205,基于上述运行成果相关拟合函数、上述运行成果参考值和预设运行成果下限值,生成上述工业锅炉系统的剩余维护时间预测值。
在一些实施例中,基于上述运行成果相关拟合函数、上述运行成果参考值和上述预设运行成果下限值,上述执行主体可以通过如下步骤生成上述工业锅炉系统的剩余维护时间预测值:
第一步,基于上述运行成果相关拟合函数和上述预设运行成果下限值,上述执行主体可以确定上述工业锅炉系统的理论维护时间。作为示例,上述执行主体可以基于上述运行成果相关拟合函数,构建运行总成果值与时间相关的函数曲线,上述执行主体可以将上述预设运行成果下限值确定为横坐标,将对应的纵坐标对应的时间确定为上述理论维护时间。
第二步,基于上述运行成果相关拟合函数和上述运行成果参考值,上述执行主体可以确定上述工业锅炉系统的当前累计运行时间。
第三步,上述执行主体可以对上述理论维护时间和上述当前累计运行时间进行求差,得到作为上述剩余维护时间预测值的差值。
在一些实施例的一些可选的实现方式中,上述执行主体可以将上述剩余维护时间预测值传输至具有访问权限的目标设备,以及控制上述目标设备显示上述剩余维护时间预测值。
应当理解的是,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。
应当理解的是,本预测性维护方法使用范围较广,不限于工业锅炉系统,还可应用于其他的泛能站能源转换设备。此处不做限制。
本公开的上述各个实施例中的一个实施例具有如下有益效果:首先,获取工业锅炉系统的负荷预测结果、负荷性能曲线、参数、历史数据和当前运行数据;然后,基于上述负荷预测结果和上述负荷性能曲线,计算目标时间段内的运行总收入、运行总成本和运行总成果值;再然后,基于上述参数,获取运行成果相关拟合函数;之后,基于上述历史数据和上述当前运行数据,确定运行成果参考值;再之后,基于上述运行成果相关拟合函数、上述运行成果参考值和预设成果下限值,生成上述工业锅炉系统的声誉维护时间预测值;最后,将上述剩余维护时间预测值传输至具有访问权限的目标设备,以及控制上述目标设备显示上述剩余维护时间预测值。本公开提供的方法为维护人员提供准确的剩余维护时间预测值,有助于维护人员对工业锅炉系统的维保工作提前做出计划,避免保养不及时造成的设备损坏,或保养过度造成成本增加的现象。进而,使得运行效率对工业锅炉系统的影响大大下降,保持工业锅炉系统的正常运行总成果值。通过快捷、高效的方式实时监测工业锅炉系统的运行总成果的变化,减少停机检测频率,节约人工物力。另外,对于传统物理模型的优化,大大减少了测量数据的工作量,提高了预测的准确性。
上述所有可选技术方案,可以采用任意结合形成本申请的可选实施例,在此不再一一赘述。
下述为本公开装置实施例,可以用于执行本公开方法实施例。对于本公开装置实施例中未披露的细节,请参照本公开方法实施例。
图3是本公开实施例提供的工业锅炉系统的剩余维护时间预测装置的示意图。如图3所示,该工业锅炉系统的剩余维护时间预测装置300包括:
获取单元301,被配置成获取工业锅炉系统的负荷预测结果、负荷性能曲线、参数、历史数据和当前运行数据;
计算单元302,被配置成基于上述负荷预测结果和上述负荷性能曲线,计算上述工业锅炉系统在目标时间段内的运行总收入、运行总成本和运行总成果值;
运行成果相关拟合函数获取单元303,被配置成基于上述参数,获取上述工业锅炉系统的运行成果相关拟合函数;
确定单元304,被配置成基于上述历史数据和上述当前运行数据,确定上述工业锅炉系统的运行成果参考值;
生成单元305,被配置成基于上述运行成果相关拟合函数、上述运行成果参考值和预设运行成果下限值,生成上述工业锅炉系统的剩余维护时间预测值。
在一些实施例的一些可选的实现方式中,上述工业锅炉系统的负荷预测结果和上述负荷性能曲线是根据以下步骤得到的:采集上述工业锅炉系统的负荷及负荷影响因素相关的历史运行数据;将上述历史运行数据作为训练样本集,对初始神经网络模型进行训练,得到负荷预测神经网络模型;获取气象预报数据、预测日期和用能侧生产计划作为上述负荷预测神经网络模型的输入,得到上述负荷预测结果和上述负荷性能曲线。
在一些实施例的一些可选的实现方式中,工业锅炉系统的剩余维护时间预测装置300的计算单元302被进一步配置成:获取上述工业锅炉系统的价值相关指标;基于上述工业锅炉系统的物理机理,搭建与之对应的数字机理模型;利用上述数字机理模型,模拟计算上述工业锅炉系统的性能、状态参数和能效预估值;基于上述价值相关指标和上述能效预估值,确定上述运行总收入、上述运行总成本和上述运行总成果值。
在一些实施例的一些可选的实现方式中,工业锅炉系统的剩余维护时间预测装置300的运行成果相关拟合函数获取单元303被进一步配置成:将上述参数输入至预先训练的参数和热力学模型,获取上述工业锅炉系统的运行成果相关模型;基于上述运行成果相关模型,获取初始运行成果相关拟合函数;对上述初始运行成果相关拟合函数和上述历史数据进行曲线拟合,得到上述运行成果相关拟合函数。
在一些实施例的一些可选的实现方式中,上述历史数据是根据以下步骤得到的:获取预设历史时间段内上述工业锅炉系统的原始历史数据;对上述原始历史数据进行数据清洗和数据聚合,得到上述历史数据。
在一些实施例的一些可选的实现方式中,工业锅炉系统的剩余维护时间预测装置300的确定单元304被进一步配置成:利用差分整合移动平均自回归模型对上述历史数据进行拟合,得到上述工业锅炉系统在目标时刻的运行成果预测值;基于上述当前运行数据,获取上述工业锅炉系统在上述目标时刻的运行成果当前值;对上述运行成果预测值和上述运行成果当前值进行加权求和,得到作为上述运行成果参考值的值。
在一些实施例的一些可选的实现方式中,工业锅炉系统的剩余维护时间预测装置300的生成单元305被进一步配置成:基于上述运行成果相关拟合函数和上述预设运行成果下限值,确定上述工业锅炉系统的理论维护时间;基于上述运行成果相关拟合函数和上述运行成果参考值,确定上述工业锅炉系统的当前累计运行时间;对上述理论维护时间和上述当前累计运行时间进行求差,得到作为上述剩余维护时间预测值的差值。
在一些实施例的一些可选的实现方式中,工业锅炉系统的剩余维护时间预测装置300被进一步配置成:将上述剩余维护时间预测值传输至具有访问权限的目标设备,以及控制上述目标设备显示上述剩余维护时间预测值。
可以理解的是,该装置300中记载的诸单元与参考图2描述的方法中的各个步骤相对应。由此,上文针对方法描述的操作、特征以及产生的有益效果同样适用于装置300及其中包含的单元,在此不再赘述。
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,而不应对本公开实施例的实施过程构成任何限定。
图4是本公开实施例提供的计算机设备4的示意图。如图4所示,该实施例的计算机设备4包括:处理器401、存储器402以及存储在该存储器402中并且可以在处理器401上运行的计算机程序403。处理器401执行计算机程序403时实现上述各个方法实施例中的步骤。或者,处理器401执行计算机程序403时实现上述各装置实施例中各模块/单元的功能。
示例性地,计算机程序403可以被分割成一个或多个模块/单元,一个或多个模块/单元被存储在存储器402中,并由处理器401执行,以完成本公开。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,该指令段用于描述计算机程序403在计算机设备4中的执行过程。
计算机设备4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机设备。计算机设备4可以包括但不仅限于处理器401和存储器402。本领域技术人员可以理解,图4仅仅是计算机设备4的示例,并不构成对计算机设备4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,计算机设备还可以包括输入输出设备、网络接入设备、总线等。
处理器401可以是中央处理单元(Central Processing Unit,CPU),也可以是其它通用处理器、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)或者其它可编程逻辑器件、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。
存储器402可以是计算机设备4的内部存储单元,例如,计算机设备4的硬盘或内存。存储器402也可以是计算机设备4的外部存储设备,例如,计算机设备4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,存储器402还可以既包括计算机设备4的内部存储单元也包括外部存储设备。存储器402用于存储计算机程序以及计算机设备所需的其它程序和数据。存储器402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公开的范围。
在本公开所提供的实施例中,应该理解到,所揭露的装置/计算机设备和方法,可以通过其它的方式实现。例如,以上所描述的装置/计算机设备实施例仅仅是示意性的,例如,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,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。
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,在本公开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。
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存储介质中。基于这样的理解,本公开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,计算机程序可以存储在计算机可读存储介质中,该计算机程序在被处理器执行时,可以实现上述各个方法实施例的步骤。计算机程序可以包括计算机程序代码,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。计算机可读介质可以包括:能够携带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,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电载波信号和电信信号。
以上实施例仅用以说明本公开的技术方案,而非对其限制;尽管参照前述实施例对本公开进行了详细的说明,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公开各实施例技术方案的精神和范围,均应包含在本公开的保护范围之内。
Claims (10)
1.一种工业锅炉系统的剩余维护时间预测方法,其特征在于,包括:
获取工业锅炉系统的负荷预测结果、负荷性能曲线、参数、历史数据和当前运行数据;
基于所述负荷预测结果和所述负荷性能曲线,计算所述工业锅炉系统在目标时间段内的运行总收入、运行总成本和运行总成果值;
基于所述参数,获取所述工业锅炉系统的运行成果相关拟合函数;
基于所述历史数据和所述当前运行数据,确定所述工业锅炉系统的运行成果参考值;
基于所述运行成果相关拟合函数、所述运行成果参考值和预设运行成果下限值,生成所述工业锅炉系统的剩余维护时间预测值。
2.根据权利要求1所述的方法,其特征在于,所述工业锅炉系统的负荷预测结果和所述负荷性能曲线是根据以下步骤得到的:
采集所述工业锅炉系统的负荷及负荷影响因素相关的历史运行数据;
将所述历史运行数据作为训练样本集,对初始神经网络模型进行训练,得到负荷预测神经网络模型;
获取气象预报数据、预测日期和用能侧生产计划作为所述负荷预测神经网络模型的输入,得到所述负荷预测结果和所述负荷性能曲线。
3.根据权利要求1所述的方法,其特征在于,所述基于所述负荷预测结果和所述负荷性能曲线,计算所述工业锅炉系统在目标时间段内的运行总收入、运行总成本和运行总成果值,包括:
获取所述工业锅炉系统的价值相关指标;
基于所述工业锅炉系统的物理机理,搭建与之对应的数字机理模型;
利用所述数字机理模型,模拟计算所述工业锅炉系统的性能、状态参数和能效预估值;
基于所述价值相关指标和所述能效预估值,确定所述运行总收入、所述运行总成本和所述运行总成果值。
4.根据权利要求1所述的方法,其特征在于,所述基于所述参数,获取所述工业锅炉系统的运行成果相关拟合函数,包括:
将所述参数输入至预先训练的参数和热力学模型,获取所述工业锅炉系统的运行成果相关模型;
基于所述运行成果相关模型,获取初始运行成果相关拟合函数;
对所述初始运行成果相关拟合函数和所述历史数据进行曲线拟合,得到所述运行成果相关拟合函数。
5.根据权利要求1所述的方法,其特征在于,所述历史数据是根据以下步骤得到的:
获取预设历史时间段内所述工业锅炉系统的原始历史数据;
对所述原始历史数据进行数据清洗和数据聚合,得到所述历史数据。
6.根据权利要求1所述的方法,其特征在于,所述基于所述历史数据和所述当前运行数据,确定所述工业锅炉系统的运行成果参考值,包括:
利用差分整合移动平均自回归模型对所述历史数据进行拟合,得到所述工业锅炉系统在目标时刻的运行成果预测值;
基于所述当前运行数据,获取所述工业锅炉系统在所述目标时刻的运行成果当前值;
对所述运行成果预测值和所述运行成果当前值进行加权求和,得到作为所述运行成果参考值的值。
7.根据权利要求1所述的方法,其特征在于,所述基于所述运行成果相关拟合函数、所述运行成果参考值和预设运行成果下限值,生成所述工业锅炉系统的剩余维护时间预测值,包括:
基于所述运行成果相关拟合函数和所述预设运行成果下限值,确定所述工业锅炉系统的理论维护时间;
基于所述运行成果相关拟合函数和所述运行成果参考值,确定所述工业锅炉系统的当前累计运行时间;
对所述理论维护时间和所述当前累计运行时间进行求差,得到作为所述剩余维护时间预测值的差值。
8.根据权利要求1所述的方法,其特征在于,所述方法还包括:
将所述剩余维护时间预测值传输至具有访问权限的目标设备,以及控制所述目标设备显示所述剩余维护时间预测值。
9.一种工业锅炉系统的剩余维护时间预测装置,其特征在于,包括:
获取单元,被配置成获取工业锅炉系统的负荷预测结果、负荷性能曲线、参数、历史数据和当前运行数据;
计算单元,被配置成基于所述负荷预测结果和所述负荷性能曲线,计算所述工业锅炉系统在目标时间段内的运行总收入、运行总成本和运行总成果值;
运行成果相关拟合函数获取单元,被配置成基于所述参数,获取所述工业锅炉系统的运行成果相关拟合函数;
确定单元,被配置成基于所述历史数据和所述当前运行数据,确定所述工业锅炉系统的运行成果参考值;
生成单元,被配置成基于所述运行成果相关拟合函数、所述运行成果参考值和预设运行成果下限值,生成所述工业锅炉系统的剩余维护时间预测值。
10.一种电子设备,包括存储器、处理器以及存储在所述存储器中并且可以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 |
---|---|---|---|
CN202111225933.7A CN113971485A (zh) | 2021-10-21 | 2021-10-21 | 工业锅炉系统的剩余维护时间预测方法、装置和电子设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111225933.7A CN113971485A (zh) | 2021-10-21 | 2021-10-21 | 工业锅炉系统的剩余维护时间预测方法、装置和电子设备 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113971485A true CN113971485A (zh) | 2022-01-25 |
Family
ID=79587658
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111225933.7A Pending CN113971485A (zh) | 2021-10-21 | 2021-10-21 | 工业锅炉系统的剩余维护时间预测方法、装置和电子设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113971485A (zh) |
-
2021
- 2021-10-21 CN CN202111225933.7A patent/CN113971485A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP7482167B2 (ja) | 動的エネルギーストレージシステム制御のためのシステムおよび方法 | |
Mawson et al. | Deep learning techniques for energy forecasting and condition monitoring in the manufacturing sector | |
US10223167B2 (en) | Discrete resource management | |
Hahn et al. | Electric load forecasting methods: Tools for decision making | |
US20120158631A1 (en) | Analyzing inputs to an artificial neural network | |
KR102482043B1 (ko) | 소규모 이력 데이터에서 냉방부하를 예측하기 위한 학습 방법 및 장치 | |
CN111680841B (zh) | 基于主成分分析的短期负荷预测方法、系统及终端设备 | |
CN109461091B (zh) | 考虑光伏和冷负荷相关性的用电负荷计算方法及信息系统 | |
CN113036913B (zh) | 一种综合能源设备状态监测方法及装置 | |
Moradzadeh et al. | A secure federated deep learning-based approach for heating load demand forecasting in building environment | |
CN114372360A (zh) | 用于电力负荷预测的方法、终端及存储介质 | |
KR20150116966A (ko) | 용수량 수요 예측 장치 | |
CN111008727A (zh) | 一种配电台区负荷预测方法及装置 | |
CN116937569A (zh) | 光伏发电智能储能方法、装置及电子设备 | |
CN110705768B (zh) | 用于风电场的风力发电功率预测优化方法和装置 | |
CN115789957A (zh) | 一种供能调控方法、装置、设备及存储介质 | |
CN110880055A (zh) | 楼宇智能电表系统 | |
Zhu et al. | Rapid quantification of demand response potential of building HAVC system via data-driven model | |
CN114879619A (zh) | 数字车间能源优化方法及系统 | |
CN113971485A (zh) | 工业锅炉系统的剩余维护时间预测方法、装置和电子设备 | |
CN113642248B (zh) | 定位设备剩余使用时间的评估方法及装置 | |
CN114971024A (zh) | 风机状态预测方法及装置 | |
Yang et al. | A Combined ARIMA-PPR Model for Short-Term Load Forecasting | |
Hou et al. | Cooling load prediction based on the combination of rough set theory and support vector machine | |
Hou et al. | A novel algorithm for multi-node load forecasting based on big data of distribution network |
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 |