CN114548539A - 循环水系统压缩机透平能耗预测方法、装置、设备及介质 - Google Patents

循环水系统压缩机透平能耗预测方法、装置、设备及介质 Download PDF

Info

Publication number
CN114548539A
CN114548539A CN202210145680.0A CN202210145680A CN114548539A CN 114548539 A CN114548539 A CN 114548539A CN 202210145680 A CN202210145680 A CN 202210145680A CN 114548539 A CN114548539 A CN 114548539A
Authority
CN
China
Prior art keywords
compressor
predicted
turbine energy
energy consumption
prediction
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
CN202210145680.0A
Other languages
English (en)
Inventor
汪谷银
刁俊武
房兢
蓝新志
伊向良
郑芳雄
沈勇
王维斌
张用新
曹晓红
江居传
陆鹏飞
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.)
CNOOC Information Technology Co Ltd
Original Assignee
CNOOC Information 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 CNOOC Information Technology Co Ltd filed Critical CNOOC Information Technology Co Ltd
Priority to CN202210145680.0A priority Critical patent/CN114548539A/zh
Publication of CN114548539A publication Critical patent/CN114548539A/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
    • 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
    • G06N3/08—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
    • 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
    • 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
    • Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
    • Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
    • Y04S10/00—Systems supporting electrical power generation, transmission or distribution
    • Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications

Landscapes

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

Abstract

本申请公开了一种循环水系统压缩机透平能耗预测方法、装置、电子设备及可读存储介质。其中，方法包括预先基于待预测压缩机的驱动透平能源的流量时间序列历史数据，通过训练长短期记忆网络得到透平能源预测模型；获取待预测压缩机在当前时刻的驱动透平能源的当前测量数据；将当前测量数据输入至透平能源预测模型，得到驱动透平能源的预测流量数据；基于预测流量数据，确定待预测压缩机的透平能耗预测值，从而可以有效提高循环水系统压缩机透平能耗预测精度和预测效率，实现节能降耗。

Description

循环水系统压缩机透平能耗预测方法、装置、设备及介质
技术领域
本申请涉及化工循环水能耗预测技术领域，特别是涉及一种循环水系统压缩机透平能耗预测方法、装置、电子设备及可读存储介质。
背景技术
循环水系统将冷却水(如海水)送至高低压凝气器去冷却汽轮机低压缸排汽，以维持高低压凝气器的真空，使汽水循环得以继续。压缩机作为一种将低压气体提升为高压气体的从动的流体机械，被应用于循环水系统中。它从吸气管吸入低温低压的制冷剂气体，通过电机运转带动活塞对其进行压缩后，向排气管排出高温高压的制冷剂气体，为制冷循环提供动力。为了更好地进行水系统循环，需要预测压缩机的动力需求量，如燃气需求量或蒸汽需求量。随着机器学习的广泛应用，以及其计算性能和存储能力的提高，基于大数据训练的深度学习模型越来越受到学术界和工业界的欢迎，相关技术通常采用深度学习方法对压缩机的需求量进行预测。对于使用燃气或透平进行驱动的压缩机如海南富岛，在使用深度学习方法预测燃气需求量或蒸汽需求量之前，需要依靠现场操作人员的经验进行调节。
可以理解的是，依赖人工调节，不仅无法科学地从循环水系统整体上考虑问题，偶然性较大，最终预测精度不高；而且效率不高，对用户不友好。
鉴于此，如何提高循环水系统压缩机透平能耗预测精度和预测效率，是所属领域技术人员需要解决的技术问题。
发明内容
本申请提供了一种循环水系统压缩机透平能耗预测方法、装置、电子设备及可读存储介质，可以有效提高循环水系统压缩机透平能耗预测精度和预测效率，实现节能降耗。
为解决上述技术问题，本发明实施例提供以下技术方案：
本发明实施例一方面提供了一种循环水系统压缩机透平能耗预测方法，包括：
预先基于待预测压缩机的驱动透平能源的流量时间序列历史数据，通过训练长短期记忆网络得到透平能源预测模型；
获取所述待预测压缩机在当前时刻的驱动透平能源的当前测量数据；
将所述当前测量数据输入至所述透平能源预测模型，得到所述驱动透平能源的预测流量数据；
基于所述预测流量数据，确定所述待预测压缩机的透平能耗预测值。
可选的，所述驱动透平能源为燃气，所述基于所述预测流量数据，确定所述待预测压缩机的透平能耗预测值，包括：
对所述燃气进行分析，得到燃气组分以及各组分比例；
根据所述燃气组分及各组分比例确定总燃烧焓；
根据所述预测流量数据、所述总燃烧焓及其对应的燃烧效率，确定实际燃烧释放能量；
根据所述实际燃烧释放能量和所述待预测压缩机的工作环境参数，确定所述透平能耗预测值。
可选的，所述驱动透平能源为蒸汽，所述基于所述预测流量数据，确定所述待预测压缩机的透平能耗预测值，包括：
根据所述预测流量数据和所述待预测压缩机的工作环境参数，确定焓变值；
将所述焓变值作为所述待预测压缩机的透平能耗预测值。
可选的，所述基于待预测压缩机的驱动透平能源的流量时间序列历史数据，通过训练长短期记忆网络得到透平能源预测模型，包括：
按照预测比例将待预测压缩机的驱动透平能源的流量时间序列历史数据，分割为训练数据集和测试数据集；
对所述训练数据集中的流量时间序列历史数据，进行归一化处理；
利用归一化处理之后的训练数据集，训练预先搭建的长短期记忆网络模型，并根据训练情况不断调整所述长短期记忆网络模型超参数，直至符合训练停止条件，得到初始预测模型；
利用所述测试数据集对所述初始预测模型进行预测性能检测，得到性能预测检测信息；
若所述性能预测检测信息满足预设预测性能条件，则将所述初始预测模型作为透平能源预测模型；若所述性能预测检测信息不满足预设预测性能条件，则输出重新训练所述初始预测模型的指令。
可选的，所述训练预先搭建的长短期记忆网络模型之前，还包括：
响应模型搭建指令，基于TensorFlow.Keras自动生成长短期记忆网络模型；
响应模型参数设置指令，自动为所述长短期记忆网络模型设置输入维度、输入数据的时间步长、模型结构和各层神经元个数；
响应训练参数设置指令，自动设置模型优化器、学习率和迭代次数。
本发明实施例另一方面提供了一种循环水系统压缩机透平能耗预测装置，包括：
模型预训练模块，用于预先基于待预测压缩机的驱动透平能源的流量时间序列历史数据，通过训练长短期记忆网络得到透平能源预测模型；
数据获取模块，用于获取所述待预测压缩机在当前时刻的驱动透平能源的当前测量数据；
流量预测模块，用于将所述当前测量数据输入至所述透平能源预测模型，得到所述驱动透平能源的预测流量数据；
能耗预测模块，用于基于所述预测流量数据，确定所述待预测压缩机的透平能耗预测值。
可选的，所述能耗预测模块进一步用于：所述驱动透平能源为燃气，对所述燃气进行分析，得到燃气组分以及各组分比例；根据所述燃气组分及各组分比例确定总燃烧焓；根据所述预测流量数据、所述总燃烧焓及其对应的燃烧效率，确定实际燃烧释放能量；根据所述实际燃烧释放能量和所述待预测压缩机的工作环境参数，确定所述透平能耗预测值。
可选的，所述能耗预测模块进一步用于：所述驱动透平能源为蒸汽，根据所述预测流量数据和所述待预测压缩机的工作环境参数，确定焓变值；将所述焓变值作为所述待预测压缩机的透平能耗预测值。
本发明实施例还提供了一种电子设备，包括处理器，所述处理器用于执行存储器中存储的计算机程序时实现如前任一项所述循环水系统压缩机透平能耗预测方法的步骤。
本发明实施例最后还提供了一种可读存储介质，所述可读存储介质上存储有计算机程序，所述计算机程序被处理器执行时实现如前任一项所述循环水系统压缩机透平能耗预测方法的步骤。
本申请提供的技术方案的优点在于，采用长短期记忆网络来预测循环水系统压缩机透平能源的流量数据，无需人为凭经验进行调节，不仅有效缓解了建立预测模型困难的限制，还解决了循环神经网络RNN长序列训练过程中的梯度消失和梯度爆炸问题，提高了循环水系统压缩机透平能耗预测精度和预测效率。进一步的，通过精准预测压缩机透平能耗，可以提前提示操作人员增加或减少驱动压缩机的耗能，更加精细地使用能量，实现节能降耗。
此外，本发明实施例还针对循环水系统压缩机透平能耗预测方法提供了相应的实现装置、电子设备及可读存储介质，进一步使得所述方法更具有实用性，所述装置、电子设备及可读存储介质具有相应的优点。
应当理解的是，以上的一般描述和后文的细节描述仅是示例性的，并不能限制本公开。
附图说明
为了更清楚的说明本发明实施例或相关技术的技术方案，下面将对实施例或相关技术描述中所需要使用的附图作简单的介绍，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的前提下，还可以根据这些附图获得其他的附图。
图1为本发明实施例提供的一种循环水系统压缩机透平能耗预测方法的流程示意图；
图2为本发明实施例提供的另一种循环水系统压缩机透平能耗预测方法的流程示意图；
图3为本发明实施例提供的蒸汽数据曲线示意图；
图4为本发明实施例提供的长短期记忆网络的神经元结构示意图；
图5为本发明实施例提供的训练损失曲线示意图；
图6为本发明实施例提供的预测效果曲线示意图；
图7为本发明实施例提供的示意性例子的实际部署效果示意图；
图8为本发明实施例提供的循环水系统压缩机透平能耗预测装置的一种具体实施方式结构图；
图9为本发明实施例提供的电子设备的一种具体实施方式结构图。
具体实施方式
为了使本技术领域的人员更好地理解本发明方案，下面结合附图和具体实施方式对本发明作进一步的详细说明。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。
本申请的说明书和权利要求书及上述附图中的术语“第一”、“第二”、“第三”、“第四”等是用于区别不同的对象，而不是用于描述特定的顺序。此外术语“包括”和“具有”以及他们任何变形，意图在于覆盖不排他的包含。例如包含了一系列步骤或单元的过程、方法、系统、产品或设备没有限定于已列出的步骤或单元，而是可包括没有列出的步骤或单元。
在介绍了本发明实施例的技术方案后，下面详细的说明本申请的各种非限制性实施方式。
首先参见图1，图1为本发明实施例提供的一种循环水系统压缩机透平能耗预测方法的流程示意图，本发明实施例可包括以下内容：
S101：预先基于待预测压缩机的驱动透平能源的流量时间序列历史数据，通过训练长短期记忆网络得到透平能源预测模型。
在本实施例中，驱动透平能源为驱动透平所使用的能源，例如可为燃气或蒸汽，流量时间序列历史数据为待预测压缩机的驱动透平能源在过去某段时间内的流量时间序列数据，流量时间序列历史数据包括但并不限制于过去某个时间段内每个时刻的流量、温度、压力等数据。流量时间序列历史数据例如可由PI-OPC接口获得PI(Plant InformationSystem)数据库对应燃气或蒸汽的历史数据，历史数据包括预测时间之前设定时间的流量、温度、压力等数据。将获取的流量时间序列历史数据作为机器学习的数据集，基于任何一种机器学习算法通过训练预先搭建的长短期记忆网络，得到用于对待测压缩机的耗能情况进行预测的透平能源预测模型。透平能源预测模型可以科学地从循环水系统整体上考虑问题，以循环水系统机理模型和数据驱动模型的支撑，而且有效利用了现场产生的海量工艺数据，可以有利于精细管理循环水系统的运行。透平能源预测模型基于长短期记忆网络所搭建，可以解决长序列训练过程中的梯度消失和梯度爆炸问题，提升预测精度。
S102：获取待预测压缩机在当前时刻的驱动透平能源的当前测量数据。
当前时刻即为需要预设的时间，当前测量数据为当前时刻所采集的流量、温度、压力等数据。为了提高测量准确度，当前测量数据所包括的数据类型可以S101的流量时间序列历史数据所包含的数据类型相同。
S103：将当前测量数据输入至透平能源预测模型，得到驱动透平能源的预测流量数据。
将上个步骤所采集的当前时刻的测量数据输出至透平能源预测模型，透平能源预测模型基于这些测量数据预测该时刻为起点未来某段时间段内驱动透平能源的流量数据，并将未来这段时间内的流量数据作为驱动透平能源的预测流量数据。
S104：基于预测流量数据，确定待预测压缩机的透平能耗预测值。
在上个步骤通过透平能源预测模型预测到当前时刻的未来一段时间内的预测流量数据之后，结合驱动透平能源类型对待预测压缩机的透平能耗进行预测。
在本发明实施例提供的技术方案中，采用长短期记忆网络来预测循环水系统压缩机透平能源的流量数据，无需人为凭经验进行调节，不仅有效缓解了建立预测模型困难的限制，还解决了循环神经网络RNN长序列训练过程中的梯度消失和梯度爆炸问题，提高了循环水系统压缩机透平能耗预测精度和预测效率。进一步的，通过精准预测压缩机透平能耗，可以提前提示操作人员增加或减少驱动压缩机的耗能，更加精细地使用能量，实现节能降耗。
需要说明的是，本申请中各步骤间没有严格的先后执行顺序，只要符合逻辑上的顺序，则这些步骤可以同时执行，也可按照某种预设顺序执行，图1只是一种示意方式，并不代表只能是这样的执行顺序。
在上述实施例中，对于如何执行步骤S104并不做限定，本实施例中给出待预测压缩机的透平能耗的多种可选的预测方式，可包括如下步骤：
若驱动透平能源为燃气，则对燃气进行分析，得到燃气组分以及各组分比例；根据燃气组分及各组分比例确定总燃烧焓；根据预测流量数据、总燃烧焓及其对应的燃烧效率，确定实际燃烧释放能量；根据实际燃烧释放能量和待预测压缩机的工作环境参数，确定透平能耗预测值。
在本实施例中，对于燃气能耗，首先根据燃气组分和比例计算出总燃烧焓，再将燃烧焓乘以相应的燃烧效率和预测的流量计算实际燃烧释放能量，最后根据当前进气温度、压力和出气温度、压力等计算实际能耗。具体的，可通过调用下述燃气能耗关系式计算得到透平能耗预测值，燃气能耗关系式可表示为：
Figure BDA0003499967920000081
Cp,i＝a+bT+cT2
其中，ΔH1为燃气的透平能耗预测值，Q1是预测流量数据也即预测的燃气流量，ΔHC,i、Mi为燃气中第i个组分的燃烧热和摩尔分数，ωi为第i个燃气组分的比例，V1为燃气的体积流量，T1、T2、p1、p2分别为进出透平的温度和压力，这些数值可通过燃气组分检测仪表获得。Cp,i为第i个组分的定压比热容，可通过与温度的关系式计算得到，关系式中的a、b、c通过查表可获得。
本申请还提供了另一种实施方式，与上述方式并列，若驱动透平能源为蒸汽，根据预测流量数据和待预测压缩机的工作环境参数，确定焓变值；将焓变值作为待预测压缩机的透平能耗预测值。具体的，可通过调用下述蒸气能耗关系式计算得到透平能耗预测值，蒸气能耗关系式可表示为：
Figure BDA0003499967920000082
Cp＝a+bT+cT2；
其中，ΔH2为蒸气的透平能耗预测值，Q2是预测流量数据也即预测的蒸气流量，M2为蒸气的摩尔分数，V2为蒸气的体积流量，T1、T2、p1、p2分别为进出透平的温度和压力，这些数值可通过蒸汽检测仪表获得。Cp为蒸汽的定压比热容，可通过与温度的关系式计算得到，关系式中的a、b、c通过查表可获得。
在上述实施例中，对于如何训练得到透平能源预测模型并不做限定，本实施例中给出透平能源预测模型的一种训练方式，如图2所示，可包括下述内容：
A1、按照预测比例将待预测压缩机的驱动透平能源的流量时间序列历史数据，分割为训练数据集和测试数据集；
A2、对训练数据集中的流量时间序列历史数据，进行归一化处理；
为了进一步提高模型训练准确度，可对训练数据集的各训练样本数据进行归一化处理，相应的，为了提高数据预测精度，还可在S102步骤获取得到当前测量数据之后，对当前测量数据进行相应的归一化处理。
A3、利用归一化处理之后的训练数据集，训练预先搭建的长短期记忆网络模型，并根据训练情况不断调整长短期记忆网络模型超参数，直至符合训练停止条件，得到初始预测模型。
在本步骤中，训练停止条件可为迭代次数，可以为模型收敛条件，所属领域技术人员可根据实际需求进行灵活确定。
A4、利用测试数据集对初始预测模型进行预测性能检测，得到性能预测检测信息；
在本步骤中，将测试数据集中的各测试数据按照步骤A2的归一化方法进行处理，处理后的样本使用LSTM进行流量预测，预测结果逆归一化后与标签值进行比较，测试模型性能。
A5、若性能预测检测信息满足预设预测性能条件，则将初始预测模型作为透平能源预测模型；若性能预测检测信息不满足预设预测性能条件，则输出重新训练初始预测模型的指令。
其中，预设预测性能条件可为模型预测准确度不低于具体某个数值，也可为预测标签和实际标签不相同的占比低于某个数值，举例来说，统计初始预测模型对测试数据集的测试标签与实际标签相同的总数，基于统计信息计算初始模型的预测准确度，若预测准确度大于等于98％，则性能预测检测信息满足预设预测性能条件；若预测准确度小于98％，则性能预测检测信息不满足预设预测性能条件。
在本实施例的一些可选的实施方式中，长短期记忆网络模型的搭建过程可包括：
响应模型搭建指令，基于TensorFlow.Keras自动生成长短期记忆网络模型；
响应模型参数设置指令，自动为长短期记忆网络模型设置输入维度、输入数据的时间步长、模型结构和各层神经元个数；
响应训练参数设置指令，自动设置模型优化器、学习率和迭代次数。
在本实施例中，可基于TensorFlow.Keras搭建长短期记忆网络模型，设置长短期记忆网络模型的输入维度和输入数据的时间步长，设置长短期记忆网络模型的模型结构和各层神经元个数，设置模型优化器和学习率，设置模型的迭代次数，设置模型的其他超参数。
为了使所属领域技术人员更加清楚本申请的技术方案，本申请还给出了一个示意性例子，可包括下述内容：
步骤1：采集海洋石油富岛有限公司化肥二部循环水系统压缩机的驱动燃气或蒸汽的流量时间序列历史数据。
具体的，可通过配置PI-OPC接口的方式获取2021年5月1日00:00:00到2021年8月3日00:00:00的四台压缩机燃气或蒸汽的流量、压力和流量数据，采样频率为6样本/小时，共采集到流量数据4×13536点的样本点。燃气流量如图3所示。将4组样本分别按照样本长度109，标签长度12的点数，步长为1切分时间序列数据，共获得样本4×13416组；
步骤2：将上个步骤所采集的样本数据按照7:3的比例分为训练集和测试集，即训练集4×9391组，测试集4×4025组，将每组训练集样本缩放到(0，1)的区间。
具体的，可通过采用下述归一化处理公式实现每组训练集样本缩放到(0，1)的区间，归一化处理公式可如下：
Figure BDA0003499967920000111
其中，x表示原始数据，xmax、xmin分别表示原始数据的最大值和最小值，xnorm表示归一化处理后的数值。
步骤3：搭建LSTM模型，使用训练集数据进行训练。
使用TensorFlow.Keras构建如图4所示的LSTM模型，设置结构和超参数，将训练集数据按照8:2的比例分出验证集进行训练和评价，调整模型结构和超参数直到验证集性能达到最优。模型结构为109个结点输入，隐含层有两层，分别为256和64个结点，输出层为12个结点。优化器为Adam，迭代次数为20轮。LSTM模型中隐含层状态ht可表示为：
ft＝σ(Wf·[ht-1,xt]+bf)
Figure BDA0003499967920000112
ot＝σ(Wo·[ht-1,xt]+bo)
ht＝ot*tanh(Ct)
其中，ft表示遗忘门的输出，xt表示输入的向量，Wf是遗忘门的权重矩阵，[ht-1，xt]把两个向量连接成一个更长的向量，bf是遗忘门的偏置项，σ是sigmoid函数；it表示输入门的运算结果，Wi、bi分别表示输入门的权重矩阵和偏置；
Figure BDA0003499967920000113
表示当前输入的单元状态；Ct表示当前时刻的单元状态；ot为输出门。
模型训练过程中使用的损失函数可为均方误差(MSE)，训练过程的效果图可参阅图5所示，也即损失函数可表示为：
Figure BDA0003499967920000114
其中，N表示样本数，f(xi)和yi分别表示第i个样本的预测值和真实值。
步骤4：根据训练情况，调整模型结构和模型超参数，重复步骤4，直到取得满意的结果。
步骤5：使用训练好的模型预测测试集数据，得出模型预测性能数据。
训练好4台压缩机对应的LSTM模型后，使用验证集数据分别验证过模型的性能，预测效果如图6所示，通过燃气或蒸汽流量与能耗的关系式计算能耗值，能耗的预测值也可根据燃气或蒸汽流量的预测值进行计算。
步骤6：根据燃气或蒸汽流量与能耗的关系式计算能耗值。
如图7所示，将本实施例所提供的技术方案所依赖的计算机程序封装至循环水系统的存储空间，循环水系统的处理器通过调用该计算机程序实现对循环水系统中的某个压缩机如103J空气压缩机能耗的预测，在循环水系统的上位机的用户界面展示预测数据。
由上可知，本实施例所提供的技术方案可基于深度学习和大数据技术，实现了对富岛循环水系统压缩机透平能耗预测的目标，为节能降耗提供了基础
本发明实施例还针对循环水系统压缩机透平能耗预测方法提供了相应的装置，进一步使得方法更具有实用性。其中，装置可从功能模块的角度和硬件的角度分别说明。下面对本发明实施例提供的循环水系统压缩机透平能耗预测装置进行介绍，下文描述的循环水系统压缩机透平能耗预测装置与上文描述的循环水系统压缩机透平能耗预测方法可相互对应参照。
基于功能模块的角度，参见图8，图8为本发明实施例提供的循环水系统压缩机透平能耗预测装置在一种具体实施方式下的结构图，该装置可包括：
模型预训练模块801，用于预先基于待预测压缩机的驱动透平能源的流量时间序列历史数据，通过训练长短期记忆网络得到透平能源预测模型。
数据获取模块802，用于获取待预测压缩机在当前时刻的驱动透平能源的当前测量数据。
流量预测模块803，用于将当前测量数据输入至透平能源预测模型，得到驱动透平能源的预测流量数据；
能耗预测模块804，用于基于预测流量数据，确定待预测压缩机的透平能耗预测值。
可选的，在本实施例的一些实施方式中，上述能耗预测模块804可用于：驱动透平能源为燃气，对燃气进行分析，得到燃气组分以及各组分比例；根据燃气组分及各组分比例确定总燃烧焓；根据预测流量数据、总燃烧焓及其对应的燃烧效率，确定实际燃烧释放能量；根据实际燃烧释放能量和待预测压缩机的工作环境参数，确定透平能耗预测值。
作为与上述实施例的一种并列的可选的实施方式，上述能耗预测模块804还可进一步用于：驱动透平能源为蒸汽，根据预测流量数据和待预测压缩机的工作环境参数，确定焓变值；将焓变值作为待预测压缩机的透平能耗预测值。
可选的，在本实施例的另一些实施方式中，上述模型预训练模块801还可用于：按照预测比例将待预测压缩机的驱动透平能源的流量时间序列历史数据，分割为训练数据集和测试数据集；对训练数据集中的流量时间序列历史数据，进行归一化处理；利用归一化处理之后的训练数据集，训练预先搭建的长短期记忆网络模型，并根据训练情况不断调整长短期记忆网络模型超参数，直至符合训练停止条件，得到初始预测模型；利用测试数据集对初始预测模型进行预测性能检测，得到性能预测检测信息；若性能预测检测信息满足预设预测性能条件，则将初始预测模型作为透平能源预测模型；若性能预测检测信息不满足预设预测性能条件，则输出重新训练初始预测模型的指令。
作为上述实施例的一种可选的实施方式，上述模型预训练模块801还可进一步用于：响应模型搭建指令，基于TensorFlow.Keras自动生成长短期记忆网络模型；响应模型参数设置指令，自动为长短期记忆网络模型设置输入维度、输入数据的时间步长、模型结构和各层神经元个数；响应训练参数设置指令，自动设置模型优化器、学习率和迭代次数。
本发明实施例循环水系统压缩机透平能耗预测装置的各功能模块的功能可根据上述方法实施例中的方法具体实现，其具体实现过程可以参照上述方法实施例的相关描述，此处不再赘述。
由上可知，本发明实施例可以有效提高循环水系统压缩机透平能耗预测精度和预测效率，实现节能降耗。
上文中提到的循环水系统压缩机透平能耗预测装置是从功能模块的角度描述，进一步的，本申请还提供一种电子设备，是从硬件角度描述。图9为本申请实施例提供的电子设备在一种实施方式下的结构示意图。如图9所示，该电子设备包括存储器90，用于存储计算机程序；处理器91，用于执行计算机程序时实现如上述任一实施例提到的循环水系统压缩机透平能耗预测方法的步骤。
其中，处理器91可以包括一个或多个处理核心，比如4核心处理器、8核心处理器，处理器91还可为控制器、微控制器、微处理器或其他数据处理芯片等。处理器91可以采用DSP(Digital Signal Processing，数字信号处理)、FPGA(Field－Programmable GateArray，现场可编程门阵列)、PLA(Programmable Logic Array，可编程逻辑阵列)中的至少一种硬件形式来实现。处理器91也可以包括主处理器和协处理器，主处理器是用于对在唤醒状态下的数据进行处理的处理器，也称CPU(Central Processing Unit，中央处理器)；协处理器是用于对在待机状态下的数据进行处理的低功耗处理器。在一些实施例中，处理器91可以集成有GPU(Graphics Processing Unit，图像处理器)，GPU用于负责显示屏所需要显示的内容的渲染和绘制。一些实施例中，处理器91还可以包括AI(ArtificialIntelligence，人工智能)处理器，该AI处理器用于处理有关机器学习的计算操作。
存储器90可以包括一个或多个计算机可读存储介质，该计算机可读存储介质可以是非暂态的。存储器90还可包括高速随机存取存储器以及非易失性存储器，比如一个或多个磁盘存储设备、闪存存储设备。存储器90在一些实施例中可以是电子设备的内部存储单元，例如服务器的硬盘。存储器90在另一些实施例中也可以是电子设备的外部存储设备，例如服务器上配备的插接式硬盘，智能存储卡(Smart Media Card，SMC)，安全数字(SecureDigital，SD)卡，闪存卡(Flash Card)等。进一步地，存储器90还可以既包括电子设备的内部存储单元也包括外部存储设备。存储器90不仅可以用于存储安装于电子设备的应用软件及各类数据，例如：执行漏洞处理方法的程序的代码等，还可以用于暂时地存储已经输出或者将要输出的数据。本实施例中，存储器90至少用于存储以下计算机程序901，其中，该计算机程序被处理器91加载并执行之后，能够实现前述任一实施例公开的循环水系统压缩机透平能耗预测方法的相关步骤。另外，存储器90所存储的资源还可以包括操作系统902和数据903等，存储方式可以是短暂存储或者永久存储。其中，操作系统902可以包括Windows、Unix、Linux等。数据903可以包括但不限于循环水系统压缩机透平能耗预测结果对应的数据等。
在一些实施例中，上述电子设备还可包括有显示屏92、输入输出接口93、通信接口94或者称为网络接口、电源95以及通信总线96。其中，显示屏92、输入输出接口93比如键盘(Keyboard)属于用户接口，可选的用户接口还可以包括标准的有线接口、无线接口等。可选地，在一些实施例中，显示器可以是LED显示器、液晶显示器、触控式液晶显示器以及OLED(Organic Light-Emitting Diode，有机发光二极管)触摸器等。显示器也可以适当的称为显示屏或显示单元，用于显示在电子设备中处理的信息以及用于显示可视化的用户界面。通信接口94可选的可以包括有线接口和/或无线接口，如WI-FI接口、蓝牙接口等，通常用于在电子设备与其他电子设备之间建立通信连接。通信总线96可以是外设部件互连标准(peripheral component interconnect，简称PCI)总线或扩展工业标准结构(extendedindustry standard architecture，简称EISA)总线等。该总线可以分为地址总线、数据总线、控制总线等。为便于表示，图9中仅用一条粗线表示，但并不表示仅有一根总线或一种类型的总线。
本领域技术人员可以理解，图9中示出的结构并不构成对该电子设备的限定，可以包括比图示更多或更少的组件，例如还可包括实现各类功能的传感器97。
本发明实施例所述电子设备的各功能模块的功能可根据上述方法实施例中的方法具体实现，其具体实现过程可以参照上述方法实施例的相关描述，此处不再赘述。
由上可知，本发明实施例可以有效提高循环水系统压缩机透平能耗预测精度和预测效率，实现节能降耗。
可以理解的是，如果上述实施例中的循环水系统压缩机透平能耗预测方法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，本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，执行本申请各个实施例方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(Read-Only Memory，ROM)、随机存取存储器(Random AccessMemory，RAM)、电可擦除可编程ROM、寄存器、硬盘、多媒体卡、卡型存储器(例如SD或DX存储器等)、磁性存储器、可移动磁盘、CD-ROM、磁碟或者光盘等各种可以存储程序代码的介质。
基于此，本发明实施例还提供了一种可读存储介质，存储有计算机程序，所述计算机程序被处理器执行时如上任意一实施例所述循环水系统压缩机透平能耗预测方法的步骤。
本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其它实施例的不同之处，各个实施例之间相同或相似部分互相参见即可。对于实施例公开的硬件包括装置及电子设备而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。
专业人员还可以进一步意识到，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、计算机软件或者二者的结合来实现，为了清楚地说明硬件和软件的可互换性，在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。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。
以上对本申请所提供的一种循环水系统压缩机透平能耗预测方法、装置、电子设备及可读存储介质进行了详细介绍。本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想。应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以对本申请进行若干改进和修饰，这些改进和修饰也落入本申请权利要求的保护范围内。

Claims (10)

1.一种循环水系统压缩机透平能耗预测方法，其特征在于，包括：
预先基于待预测压缩机的驱动透平能源的流量时间序列历史数据，通过训练长短期记忆网络得到透平能源预测模型；
获取所述待预测压缩机在当前时刻的驱动透平能源的当前测量数据；
将所述当前测量数据输入至所述透平能源预测模型，得到所述驱动透平能源的预测流量数据；
基于所述预测流量数据，确定所述待预测压缩机的透平能耗预测值。
2.根据权利要求1所述的循环水系统压缩机透平能耗预测方法，其特征在于，所述驱动透平能源为燃气，所述基于所述预测流量数据，确定所述待预测压缩机的透平能耗预测值，包括：
对所述燃气进行分析，得到燃气组分以及各组分比例；
根据所述燃气组分及各组分比例确定总燃烧焓；
根据所述预测流量数据、所述总燃烧焓及其对应的燃烧效率，确定实际燃烧释放能量；
根据所述实际燃烧释放能量和所述待预测压缩机的工作环境参数，确定所述透平能耗预测值。
3.根据权利要求1所述的循环水系统压缩机透平能耗预测方法，其特征在于，所述驱动透平能源为蒸汽，所述基于所述预测流量数据，确定所述待预测压缩机的透平能耗预测值，包括：
根据所述预测流量数据和所述待预测压缩机的工作环境参数，确定焓变值；
将所述焓变值作为所述待预测压缩机的透平能耗预测值。
4.根据权利要求1至3任意一项所述的循环水系统压缩机透平能耗预测方法，其特征在于，所述基于待预测压缩机的驱动透平能源的流量时间序列历史数据，通过训练长短期记忆网络得到透平能源预测模型，包括：
按照预测比例将待预测压缩机的驱动透平能源的流量时间序列历史数据，分割为训练数据集和测试数据集；
对所述训练数据集中的流量时间序列历史数据，进行归一化处理；
利用归一化处理之后的训练数据集，训练预先搭建的长短期记忆网络模型，并根据训练情况不断调整所述长短期记忆网络模型超参数，直至符合训练停止条件，得到初始预测模型；
利用所述测试数据集对所述初始预测模型进行预测性能检测，得到性能预测检测信息；
若所述性能预测检测信息满足预设预测性能条件，则将所述初始预测模型作为透平能源预测模型；若所述性能预测检测信息不满足预设预测性能条件，则输出重新训练所述初始预测模型的指令。
5.根据权利要求4所述的循环水系统压缩机透平能耗预测方法，其特征在于，所述训练预先搭建的长短期记忆网络模型之前，还包括：
响应模型搭建指令，基于TensorFlow.Keras自动生成长短期记忆网络模型；
响应模型参数设置指令，自动为所述长短期记忆网络模型设置输入维度、输入数据的时间步长、模型结构和各层神经元个数；
响应训练参数设置指令，自动设置模型优化器、学习率和迭代次数。
6.一种循环水系统压缩机透平能耗预测装置，其特征在于，包括：
模型预训练模块，用于预先基于待预测压缩机的驱动透平能源的流量时间序列历史数据，通过训练长短期记忆网络得到透平能源预测模型；
数据获取模块，用于获取所述待预测压缩机在当前时刻的驱动透平能源的当前测量数据；
流量预测模块，用于将所述当前测量数据输入至所述透平能源预测模型，得到所述驱动透平能源的预测流量数据；
能耗预测模块，用于基于所述预测流量数据，确定所述待预测压缩机的透平能耗预测值。
7.根据权利要求6所述的循环水系统压缩机透平能耗预测装置，其特征在于，所述能耗预测模块进一步用于：所述驱动透平能源为燃气，对所述燃气进行分析，得到燃气组分以及各组分比例；根据所述燃气组分及各组分比例确定总燃烧焓；根据所述预测流量数据、所述总燃烧焓及其对应的燃烧效率，确定实际燃烧释放能量；根据所述实际燃烧释放能量和所述待预测压缩机的工作环境参数，确定所述透平能耗预测值。
8.根据权利要求6所述的循环水系统压缩机透平能耗预测装置，其特征在于，所述能耗预测模块进一步用于：所述驱动透平能源为蒸汽，根据所述预测流量数据和所述待预测压缩机的工作环境参数，确定焓变值；将所述焓变值作为所述待预测压缩机的透平能耗预测值。
9.一种电子设备，其特征在于，包括处理器和存储器，所述处理器用于执行所述存储器中存储的计算机程序时实现如权利要求1至5任一项所述循环水系统压缩机透平能耗预测方法的步骤。
10.一种可读存储介质，其特征在于，所述可读存储介质上存储有计算机程序，所述计算机程序被处理器执行时实现如权利要求1至5任一项所述循环水系统压缩机透平能耗预测方法的步骤。
CN202210145680.0A 2022-02-10 2022-02-10 循环水系统压缩机透平能耗预测方法、装置、设备及介质 Pending CN114548539A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210145680.0A CN114548539A (zh) 2022-02-10 2022-02-10 循环水系统压缩机透平能耗预测方法、装置、设备及介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210145680.0A CN114548539A (zh) 2022-02-10 2022-02-10 循环水系统压缩机透平能耗预测方法、装置、设备及介质

Publications (1)

Publication Number Publication Date
CN114548539A true CN114548539A (zh) 2022-05-27

Family

ID=81675760

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210145680.0A Pending CN114548539A (zh) 2022-02-10 2022-02-10 循环水系统压缩机透平能耗预测方法、装置、设备及介质

Country Status (1)

Country Link
CN (1) CN114548539A (zh)

Similar Documents

Publication Publication Date Title
CN110441065B (zh) 基于lstm的燃气轮机在线检测方法与装置
EP3809220B1 (en) Method and system for semi-supervised deep anomaly detection for large-scale industrial monitoring systems based on time-series data utilizing digital twin simulation data
CN110738360B (zh) 一种设备剩余寿命预测方法及系统
WO2020000248A1 (zh) 一种基于空间重构的航空发动机过渡态加速过程关键性能参数预测方法
CN109766583A (zh) 基于无标签、不均衡、初值不确定数据的航空发动机寿命预测方法
CN112686464A (zh) 短期风电功率预测方法及装置
Ayodeji et al. Causal augmented ConvNet: A temporal memory dilated convolution model for long-sequence time series prediction
CN114484731A (zh) 一种基于stacking融合算法的中央空调故障诊断方法及装置
CN106649919A (zh) 燃煤电站锅炉飞灰含碳量预测模型构建方法及系统
CN108375474A (zh) 一种航空发动机过渡态关键性能参数预测方法
CN112001110A (zh) 一种基于振动信号空间时时递归图卷积神经网络的结构损伤识别监测方法
Liu et al. Heating load forecasting for combined heat and power plants via strand-based LSTM
CN113222403B (zh) 基于大数据的电力调节方法、装置、存储介质及电子设备
EP3904987B1 (en) Control support apparatus, control support method, control support program, computer readable medium with control support program recorded thereon and control system
CN115438726A (zh) 一种基于数字孪生技术的设备寿命与故障类型预测方法及系统
CN112381673A (zh) 一种基于数字孪生的园区用电信息分析方法及装置
Berghout et al. Auto-NAHL: A neural network approach for condition-based maintenance of complex industrial systems
US20200311326A1 (en) Self-service artificial intelligence platform leveraging data-based and physics-based models for providing real-time controls and recommendations
CN113552855B (zh) 工业设备动态阈值设定方法、装置、电子设备及存储介质
CN116707331A (zh) 基于模型预测的逆变器输出电压高精度调节方法及系统
Li et al. A CM&CP framework with a GIACC method and an ensemble model for remaining useful life prediction
CN116861256A (zh) 一种固废焚烧过程的炉温预测方法、系统、设备及介质
CN110263990B (zh) 基于神经网络的涡旋式复合机流量转矩预测方法及系统
CN107545112A (zh) 多源无标签数据机器学习的复杂装备性能评估与预测方法
WO2014173271A1 (zh) 数字化人机界面监视单元数量优化方法及系统

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