CN114118543A - 基于联合学习的烟气含氧量负荷预测方法及装置 - Google Patents

基于联合学习的烟气含氧量负荷预测方法及装置 Download PDF

Info

Publication number
CN114118543A
CN114118543A CN202111331379.0A CN202111331379A CN114118543A CN 114118543 A CN114118543 A CN 114118543A CN 202111331379 A CN202111331379 A CN 202111331379A CN 114118543 A CN114118543 A CN 114118543A
Authority
CN
China
Prior art keywords
prediction
model
neural network
equipment
training
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
Application number
CN202111331379.0A
Other languages
English (en)
Inventor
刘胜伟
杨杰
余真鹏
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.)
Xinzhi I Lai Network Technology Co ltd
Original Assignee
Xinzhi I Lai Network 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 Xinzhi I Lai Network Technology Co ltd filed Critical Xinzhi I Lai Network Technology Co ltd
Priority to CN202111331379.0A priority Critical patent/CN114118543A/zh
Publication of CN114118543A publication Critical patent/CN114118543A/zh
Priority to PCT/CN2022/116583 priority patent/WO2023082788A1/zh
Pending legal-status Critical Current

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
    • 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
    • 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
    • G06N3/08—Learning methods

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • Data Mining & Analysis (AREA)
  • Artificial Intelligence (AREA)
  • Business, Economics & Management (AREA)
  • General Engineering & Computer Science (AREA)
  • Economics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Strategic Management (AREA)
  • Human Resources & Organizations (AREA)
  • Software Systems (AREA)
  • Mathematical Physics (AREA)
  • Development Economics (AREA)
  • Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Geometry (AREA)
  • Computer Hardware Design (AREA)
  • Game Theory and Decision Science (AREA)
  • Medical Informatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Marketing (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Tourism & Hospitality (AREA)
  • General Business, Economics & Management (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明提供了一种基于联合学习的烟气含氧量负荷预测方法及装置。该方法包括：通过参与方分别确定本地多组设备的数据集和目标设备数据集对应的样本权重；根据本地多组设备的数据集和对应的样本权重，训练得到多组设备的预测神经网络模型；将本地多组设备的预测神经网络模型上传到中心节点进行模型聚合，以得到聚合后的预测神经网络模型；根据预设训练条件训练聚合后的预测神经网络模型，以得到联合预测模型；根据联合预测模型和目标设备数据集对应的样本权重，预测目标设备烟气含氧量值。本发明解决了现有技术中因无法提高能源设备的烟气含氧量负荷预测的准确性的而造成资源浪费问题。

Description

基于联合学习的烟气含氧量负荷预测方法及装置
技术领域
本公开涉及综合能源技术领域，尤其涉及一种基于联合学习的烟气含氧量负荷预测方法及装置。
背景技术
随着综合能源的广泛应用，热效率是衡量燃气锅炉的重要指标。一般通过控制锅炉烟气含氧量为最优设计值以实现不同能源设备工作下热效率最高。烟气含氧量常用氧化锆测量仪测量和维护，但费用较高。
例如，在分布式能源领域，小型燃气锅炉为了节约成本普遍放弃安装氧化锆测量仪，导致无法实现闭环控制和热效率最优运行，特别是当燃气热值不稳定的情况下，热效率会大部分被牺牲掉。即不同锅炉的数据分布是不一样的，这样很大程度上影响了数据的预测精度，从而锅炉烟气含氧量负荷预测就不会准确，这样给应用能源设备的企业或工厂带来了很大的经济损失，所以目前急需解决此问题。
发明内容
有鉴于此，本公开实施例提供了一种基于联合学习的烟气含氧量负荷预测方法、装置、计算机设备及计算机可读存储介质，以解决现有技术中因无法提高能源设备的烟气含氧量负荷预测的准确性的而造成资源浪费问题。
本公开实施例的第一方面，提供了一种基于联合学习的烟气含氧量负荷预测方法，包括：
参与方分别确定本地多组设备的数据集和目标设备数据集对应的样本权重；
根据本地多组设备的数据集和对应的样本权重，训练得到多组设备的预测神经网络模型；
将本地多组设备的预测神经网络模型上传到中心节点进行模型聚合，以得到聚合后的预测神经网络模型；
根据预设训练条件训练聚合后的预测神经网络模型，以得到联合预测模型；
根据联合预测模型和目标设备数据集对应的样本权重，预测目标设备烟气含氧量值。
本公开实施例的第二方面，提供了一种基于联合学习的烟气含氧量负荷预测装置，包括：
确定模块，用于参与方分别确定本地多组设备的数据集和目标设备数据集对应的样本权重；
第一训练模块，用于根据本地多组设备的数据集和对应的样本权重，训练得到多组设备的预测神经网络模型；
聚合模块，用于将本地多组设备的预测神经网络模型上传到中心节点进行模型聚合，以得到聚合后的预测神经网络模型；
第二训练模块，根据预设训练条件训练聚合后的预测神经网络模型，以得到联合预测模型；
预测模块，用于根据联合预测模型和目标设备数据集对应的样本权重，预测目标设备烟气含氧量值。
本公开实施例的第三方面，提供了一种计算机设备，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。
本公开实施例与现有技术相比存在的有益效果是：通过参与方分别确定本地多组设备的数据集和目标设备数据集对应的样本权重；根据本地多组设备的数据集和对应的样本权重，训练得到多组设备的预测神经网络模型；将本地多组设备的预测神经网络模型上传到中心节点进行模型聚合，以得到聚合后的预测神经网络模型；根据预设训练条件训练聚合后的预测神经网络模型，以得到联合预测模型；根据联合预测模型和目标设备数据集对应的样本权重，预测目标设备烟气含氧量值。本公开实施例解决了现有技术中因无法提高能源设备的烟气含氧量负荷预测的准确性的而造成资源浪费问题。
附图说明
为了更清楚地说明本公开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公开的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其它的附图。
图1是本公开实施例的一种联合学习的架构示意图；
图2是本公开实施例提供的一种基于联合学习的烟气含氧量负荷预测方法的流程图；
图3是本公开实施例提供的一种基于联合学习的烟气含氧量负荷预测装置的框图；
图4是本公开实施例提供的一种计算机设备的示意图。
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。
联合学习是指在确保数据安全及用户隐私的前提下，综合利用多种AI(Artificial Intelligence，人工智能)技术，联合多方合作共同挖掘数据价值，催生基于联合建模的新的智能业态和模式。联合学习至少具有以下特点：
(1)参与节点控制自有数据的弱中心化联合训练模式，确保共创智能过程中的数据隐私安全。
(2)在不同应用场景下，利用筛选和/或组合AI算法、隐私保护计算，建立多种模型聚合优化策略，以获取高层次、高质量的模型。
(3)在确保数据安全及用户隐私的前提下，基于多种模型聚合优化策略，获取提升联合学习的效能方法，其中效能方法可以是通过解决包括计算架构并行、大规模跨域网络下的信息交互、智能感知、异常处理机制等，提升联合学习的整体效能。
(4)获取各场景下多方用户的需求，通过互信机制，确定合理评估各联合参与方的真实贡献度，进行分配激励。
基于上述方式，可以建立基于联合学习的AI技术生态，充分发挥行业数据价值，推动垂直领域的场景落地。
下面将结合附图详细说明根据本公开实施例的一种基于联合学习的烟气排放预测方法和装置。
图1是本公开实施例的一种联合学习的架构示意图。如图1所示，联合学习的架构可以包括服务器(中心节点)101以及参与方102、参与方104和参与方104。参与方可以是一个或多个客户端组成。
在联合学习过程中，基本模型可以通过服务器101建立，服务器101将该模型发送至与其建立通信连接的参与方102、参与方104和参与方104。基本模型还可以是任一参与方建立后上传至服务器101，服务器101将该模型发送至与其建立通信连接的其他参与方。参与方102、参与方104和参与方104根据下载的基本结构和模型参数构建模型，利用本地数据进行模型训练，获得更新的模型参数，并将更新的模型参数加密上传至服务器101。服务器101对参与方102、参与方104和参与方104发送的模型参数进行聚合，获得全局模型参数，并将全局模型参数传回至参与方102、参与方104和参与方104。参与方102、参与方104和参与方104根据接收的全局模型参数对各自的模型进行迭代，直到模型最终收敛，从而实现对模型的训练。在联合学习过程中，参与方102、参与方104和参与方104上传的数据为模型参数，本地数据并不会上传至服务器101，且所有参与方可以共享最终的模型参数，因此可以在保证数据隐私的基础上实现共同建模。
需要说明的是，参与方的数量不限于如上所述的三个，而是可以根据需要进行设置，本公开实施例对此不作限制。
下面将结合附图详细说明根据本公开实施例的一种基于联合学习的烟气含氧量负荷预测方法和装置。
图2是本公开实施例提供的一种基于联合学习的烟气含氧量负荷预测方法的流程图。其中，图2中执行主体设置为参与方，参与方可以是客户端或独立服务器，在此统一简称为参与方；中心节点可以是云端、集成服务器。如图2所示，该基于联合学习的烟气含氧量负荷预测方法包括：
S201，参与方分别确定本地多组设备的数据集和目标设备数据集对应的样本权重。
具体地，参与方分别确定本地多组设备的数据集和目标设备数据集对应的样本权重可以通过下述方式实现：
步骤一、参与方选取本地多组设备的数据集与目标设备的数据集；
其中，数据集可以是蒸汽锅炉烟气温度，节能器出口温度，烟气流量瞬时值，蒸汽锅炉燃气温度，蒸汽锅炉烟气标况流量，蒸汽锅炉天然气入口压力，蒸汽锅炉烟气流速，蒸汽锅炉冷凝器进口烟温，蒸汽锅炉排烟温度，蒸汽锅炉烟气压力，蒸汽锅炉冷凝器进口压力，蒸汽锅炉主蒸汽瞬时流量，蒸汽锅炉运行状态，蒸汽锅炉天然气入口瞬时流量等，对此本发明不限定是蒸汽锅炉，还可以是燃气炉或其他能源设备。
步骤二、合并本地多组的设备的数据集与目标设备的数据集，以得到合并数据；
步骤三、利用所述合并数据训练核密度估计模型；
步骤四、根据核密度估计模型，分别确定本地多组的设备的数据集和目标设备的数据集对应的样本权重。
S202，根据本地多组设备的数据集和对应的样本权重，训练得到多组设备的预测神经网络模型。
S203，将本地多组设备的预测神经网络模型上传到中心节点进行模型聚合，以得到聚合后的预测神经网络模型。
具体地，将本地多组设备的预测神经网络模型上传到中心节点进行模型聚合，以得到聚合后的预测神经网络模型可以通过下述方式实现：
步骤一、将本地多组设备的预测神经网络模型上传到中心节点；
步骤二、响应于中心节点反馈的信息；
步骤三、接收中心节点下发的聚合后的预测神经网络模型。
S204，根据预设训练条件训练聚合后的预测神经网络模型，以得到联合预测模型。
其中，预设训练条件可以包括预设训练次数或预计模型训练的收敛状态值等。
具体地，根据预设训练条件训练聚合后的预测神经网络模型，以得到联合预测模型可以通过下述方式实现：
步骤一、响应于中心节点下发的聚合后的预测神经网络模型；
步骤二、确定预设训练条件；
步骤三、根据预设训练条件训练聚合后的预测神经网络模型，以得到联合预测模型。
S205，根据联合预测模型和目标设备数据集对应的样本权重，预测目标设备烟气含氧量值。
具体地，根据联合预测模型和目标设备数据集对应的样本权重，预测目标设备烟气含氧量值可以通过下述方式实现：
步骤一、参与方将联合预测模型上传至中心节点进行联合学习训练；
步骤二、响应与中收引擎反馈的对联合预测模型的联合学习训练；
步骤三、将经过联合学习训练的联合预测模型发送至目标设备；
步骤四、根据联合预测模型和目标设备数据集对应的样本权重，预测目标设备烟气含氧量值。
进一步地，本发明还针对预测神经网络模型的优化给出相关实施例：
步骤一、参与方利用本地多组设备的数据集建立预测神经网络模型训练样本；
步骤二、利用目标设备的数据集建立预测神经网络模型测试样本；
步骤三、根据预测神经网络模型训练样本和模型测试样本，得到样本预测值；
步骤四、根据样本预测值与样本期望值的误差矩阵的范数，得到预测神经网络模型的适应度值；
步骤五、根据预测神经网络模型的适应度值对预测神经网络模型中的种群中的粒子进行更新，以得到优化的预测神经网络模型。
具体地，可进一步通过下述实施例说明：
优化预测神经网络模型如下：
(a)对预测神经网络模型的学习参数进行编码，得到初始粒子种群，编码规则：每个参数用13bit二进制码表示，并将这些参数拼接成一个粒子；
(b)解码得到预测神经网络模型的参数，并将参数赋值给预测神经网络模型模型；
(c)使用训练样本训练预测神经网络模型模型；
(d)使用测试样本测试预测神经网络模型模型，得到样本预测值；
(e)选择预测样本的预测值与期望值的误差矩阵的范数作为适应度值；
(f)对种群中的粒子进行更新。
粒子算法更新涉及到的参数为：速度，位置，个体极值，种群的群体极值。速度和位置更新方式为如下公式(1)和(2)所示，同时为了防止粒子的盲目搜索，一般建议将其位置和速度限制在区间[-Xmax，Xmax],[-Vmax，Vmax]中。
Figure BDA0003348993720000081
Figure BDA0003348993720000082
变量说明：
Xi＝(xi1,xi2,........xiD)表示含有D维的一个种群粒子，亦代表问题的一个解
Vi＝(vi1,vi2,.....viD)表示含有D维的一个种群粒子的速度
Pi＝(pi1,pi2,.......piD)表示含有D维的个体粒子极值
Pg＝(pg1,pg2,......pgD)表示含有D维的群体极值
w为惯性权重，d＝1，2，......D,i＝1,2,.......n,k为当前迭代次数，Vid为粒子的速度，c1，c2是非负的常数，称为加速度因子，r1，r2是分布在[0,1]的随机数。
(g)对种群中个体进行最优交叉，个体粒子通过和个体极值粒子进行交叉更新，交叉方法采用整数交叉法，首先选定两个交叉位置，然后把个体和个体极值进行交叉，对得到的新个体采用了保留优秀个体策略，只有当新粒子适应度值大于旧粒子适应度值时才更新粒子。
(h)对种群进行最优交叉，此步骤和第八操作相似，只是将个体极值换成群体极值。
(i)对种群中的粒子操作进行变异操作，变异操作采用个体内部两位互换方法，首先随机选择变异位置pos1和pos2，然后把两个变异位置互换。对得到的新个体采用了保留优秀个体策略，只有当新粒子适应度值好于旧粒子时才更新粒子。
(j)得到新种群。
(k)判断是否满足终止条件，或者达到最大迭代次数，或者满足小于限定的误差。
(l)如果不满足条件，则转到第三步，否则，对粒子群进行解码，得到最佳预测神经网络模型网络的初始参数。
针对本发明所提供的一种基于联合学习的烟气含氧量负荷预测方法进一步举例如下：设有锅炉1，锅炉2，锅炉3三台锅炉的数据集，其中，锅炉1和锅炉2为本地设备，锅炉3为目标设备。
首先，选取锅炉1，锅炉2，锅炉3三台锅炉的数据，分别得到本地设备数据集A和本地设备数据集B(下述分别简称，数据集A、数据集B)，以及目标设备数据集C(下述简称数据集C)。
然后，对数据集A，数据集B，数据集C处的数据进行合并，用合并的数据去训练一个KDE(核密度估计模型)模型，将数据集A的数据输入到KDE模型中去，得到锅炉1数据集A的样本权重，将锅炉2数据集B数据输入到KDE模型中去，得到B的样本权重。
具体地，在一个泛能站内，会有很多不同型号不同工艺的锅炉数据，此时可以利用多台锅炉的数据去提高预测的精度，实现减少锅炉传感器的安装，从而实现降低成本减少资源浪费。
第三，可以在锅炉1处，利用数据集A的数据和样本权重训练预测神经网络模型；同时可以在锅炉2处，利用数据集B的数据和样本权重训练预测神经网络模型。然后将数据集A与数据集B训练的预测神经网络模型都上传到中心节点处进行模型聚合。当中心节点再将聚合后的模型在下发到锅炉1和锅炉2处时，锅炉1和锅炉2分别再用聚合的模型去训练，以得到联合预测模型，如此重复多次，直到将模型训练到收敛为止，再将联合预测模型上传至中心节点。
第四、中心节点将第三步中训练好的联合预测模型下发到锅炉3处，用联合预测模型去预测锅炉3处的烟气含氧量值。
根据本公开实施例提供的技术方案，通过参与方分别确定本地多组设备的数据集和目标设备数据集对应的样本权重；根据本地多组设备的数据集和对应的样本权重，训练得到多组设备的预测神经网络模型；将本地多组设备的预测神经网络模型上传到中心节点进行模型聚合，以得到聚合后的预测神经网络模型；根据预设训练条件训练聚合后的预测神经网络模型，以得到联合预测模型；根据联合预测模型和目标设备数据集对应的样本权重，预测目标设备烟气含氧量值。以解决现有技术中因无法提高能源设备的烟气含氧量负荷预测的准确性的而造成资源浪费问题。
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一种基于联合学习的烟气含氧量负荷预测装置的示意图。如图3所示，该基于联合学习的烟气含氧量负荷预测装置包括：
确定模块301，用于参与方分别确定本地多组设备的数据集和目标设备数据集对应的样本权重；
第一训练模块302，用于根据本地多组设备的数据集和对应的样本权重，训练得到多组设备的预测神经网络模型；
聚合模块303，用于将本地多组设备的预测神经网络模型上传到中心节点进行模型聚合，以得到聚合后的预测神经网络模型；
第二训练模块304，根据预设训练条件训练聚合后的预测神经网络模型，以得到联合预测模型；
预测模块305，用于根据联合预测模型和目标设备数据集对应的样本权重，预测目标设备烟气含氧量值。
根据本公开实施例提供的技术方案，通过参与方分别确定本地多组设备的数据集和目标设备数据集对应的样本权重；根据本地多组设备的数据集和对应的样本权重，训练得到多组设备的预测神经网络模型；将本地多组设备的预测神经网络模型上传到中心节点进行模型聚合，以得到聚合后的预测神经网络模型；根据预设训练条件训练聚合后的预测神经网络模型，以得到联合预测模型；根据联合预测模型和目标设备数据集对应的样本权重，预测目标设备烟气含氧量值。以解决现有技术中因无法提高能源设备的烟气含氧量负荷预测的准确性的而造成资源浪费问题。
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404。处理器401执行计算机程序404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404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404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404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)

1.一种基于联合学习的烟气含氧量负荷预测方法，其特征在于，包括：
参与方分别确定本地多组设备的数据集和目标设备数据集对应的样本权重；
根据本地多组设备的数据集和对应的样本权重，训练得到多组设备的预测神经网络模型；
将本地多组设备的预测神经网络模型上传到中心节点进行模型聚合，以得到聚合后的预测神经网络模型；
根据预设训练条件训练聚合后的预测神经网络模型，以得到联合预测模型；
根据联合预测模型和目标设备数据集对应的样本权重，预测目标设备烟气含氧量值。
2.根据权利要求1所述的方法，其特征在于，参与方分别确定本地多组设备的数据集和目标设备数据集对应的样本权重包括：
参与方选取本地多组设备的数据集与目标设备的数据集；
合并本地多组的设备的数据集与目标设备的数据集，以得到合并数据；
利用所述合并数据训练核密度估计模型；
根据核密度估计模型，分别确定本地多组的设备的数据集和目标设备的数据集对应的样本权重。
3.根据权利要求1所述的方法，其特征在于，将本地多组设备的预测神经网络模型上传到中心节点进行模型聚合，以得到聚合后的预测神经网络模型包括：
将本地多组设备的预测神经网络模型上传到中心节点；
响应于中心节点反馈的信息；
接收中心节点下发的聚合后的预测神经网络模型。
4.根据权利要求1所述的方法，其特征在于，根据预设训练条件训练聚合后的预测神经网络模型，以得到联合预测模型包括：
响应于中心节点下发的聚合后的预测神经网络模型；
确定预设训练条件；
根据预设训练条件训练聚合后的预测神经网络模型，以得到联合预测模型。
5.根据权利要求1所述的方法，其特征在于，根据联合预测模型和目标设备数据集对应的样本权重，预测目标设备烟气含氧量值包括：
参与方将联合预测模型上传至中心节点进行联合学习训练；
响应与中收引擎反馈的对联合预测模型的联合学习训练；
将经过联合学习训练的联合预测模型发送至目标设备；
根据联合预测模型和目标设备数据集对应的样本权重，预测目标设备烟气含氧量值。
6.根据权利要求1所述的方法，其特征在于，还包括：
参与方利用本地多组设备的数据集建立预测神经网络模型训练样本；
利用目标设备的数据集建立预测神经网络模型测试样本；
根据所述模型训练样本和模型测试样本，得到样本预测值；
根据样本预测值与样本期望值的误差矩阵的范数，得到预测神经网络模型的适应度值；
根据所述适应度值对预测神经网络模型中的种群中的粒子进行更新，以得到优化的预测神经网络模型。
7.根据权利要求1至6中任一项所述的方法，其特征在于，参与方和中心节点均为联合学习架构中。
8.一种基于联合学习的烟气含氧量负荷预测装置，其特征在于，包括：
确定模块，用于参与方分别确定本地多组设备的数据集和目标设备数据集对应的样本权重；
第一训练模块，用于根据本地多组设备的数据集和对应的样本权重，训练得到多组设备的预测神经网络模型；
聚合模块，用于将本地多组设备的预测神经网络模型上传到中心节点进行模型聚合，以得到聚合后的预测神经网络模型；
第二训练模块，根据预设训练条件训练聚合后的预测神经网络模型，以得到联合预测模型；
预测模块，用于根据联合预测模型和目标设备数据集对应的样本权重，预测目标设备烟气含氧量值。
9.一种计算机设备，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7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权利要求1至7中任一项所述方法的步骤。
CN202111331379.0A 2021-11-11 2021-11-11 基于联合学习的烟气含氧量负荷预测方法及装置 Pending CN114118543A (zh)

Priority Applications (2)

Application Number Priority Date Filing Date Title
CN202111331379.0A CN114118543A (zh) 2021-11-11 2021-11-11 基于联合学习的烟气含氧量负荷预测方法及装置
PCT/CN2022/116583 WO2023082788A1 (zh) 2021-11-11 2022-09-01 烟气含氧量负荷预测方法、预测模型选择方法、烟气排放预测方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111331379.0A CN114118543A (zh) 2021-11-11 2021-11-11 基于联合学习的烟气含氧量负荷预测方法及装置

Publications (1)

Publication Number Publication Date
CN114118543A true CN114118543A (zh) 2022-03-01

Family

ID=80378409

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111331379.0A Pending CN114118543A (zh) 2021-11-11 2021-11-11 基于联合学习的烟气含氧量负荷预测方法及装置

Country Status (1)

Country Link
CN (1) CN114118543A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2023082788A1 (zh) * 2021-11-11 2023-05-19 新智我来网络科技有限公司 烟气含氧量负荷预测方法、预测模型选择方法、烟气排放预测方法及装置

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2023082788A1 (zh) * 2021-11-11 2023-05-19 新智我来网络科技有限公司 烟气含氧量负荷预测方法、预测模型选择方法、烟气排放预测方法及装置

Similar Documents

Publication Publication Date Title
Zou et al. Mobile device training strategies in federated learning: An evolutionary game approach
CN113487084A (zh) 一种设备使用寿命的预测方法、装置、计算机设备及计算机可读存储介质
CN113988310A (zh) 深度学习模型选择方法、装置、计算机设备和介质
CN114777192B (zh) 基于数据关联和深度学习的二级网供热自主优化调控方法
Mishra et al. A review of random test case generation using genetic algorithm
CN114511063A (zh) 电力数据预测模型构建方法、装置、设备、介质及程序
CN116663419A (zh) 一种基于优化的Elman神经网络的无传感器设备故障预测方法
CN114118543A (zh) 基于联合学习的烟气含氧量负荷预测方法及装置
Zhijun RBF neural networks optimization algorithm and application on tax forecasting
WO2023082788A1 (zh) 烟气含氧量负荷预测方法、预测模型选择方法、烟气排放预测方法及装置
CN114970357A (zh) 节能效果评价方法、系统、装置及存储介质
CN114154415A (zh) 设备寿命的预测方法及装置
Luo Application of BP neural network in economic management of coastal area
CN113645702A (zh) 一种利用策略梯度技术优化的支持区块链的物联网系统
CN114118541A (zh) 基于联合学习的烟气排放预测方法及装置
CN112101406A (zh) 一种多智能体网络的智能水平量化方法
Li et al. Improved teaching-learning-based optimization algorithm for modeling NOX emissions of a boiler
TWI812423B (zh) 分散式結構設計系統與方法
CN114118584A (zh) 资源使用量的预测方法及装置
CN117291439A (zh) 电力代价值预测方法、装置、设备和介质
CN114118540A (zh) 基于样本迁移的烟气含氧量负荷预测方法及装置
Krasnova et al. Digital twin as a driver of digitalization of organizations' activities and creation of digital models
Yuan Analysis of Regional Financial Risk in Guangdong Province Based on the DCN Deep Learning Model
Meng et al. Prophet-LSTM-BP Ensemble Carbon Trading Price Prediction Model
CN114004398A (zh) 基于联合学习的电力负荷预测模型建立方法和装置

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