CN114764539A - 燃气轮机的排烟含氧量确定方法、装置、设备和介质 - Google Patents

燃气轮机的排烟含氧量确定方法、装置、设备和介质 Download PDF

Info

Publication number
CN114764539A
CN114764539A CN202011625382.9A CN202011625382A CN114764539A CN 114764539 A CN114764539 A CN 114764539A CN 202011625382 A CN202011625382 A CN 202011625382A CN 114764539 A CN114764539 A CN 114764539A
Authority
CN
China
Prior art keywords
data
gas turbine
oxygen content
historical
sample set
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
CN202011625382.9A
Other languages
English (en)
Inventor
余真鹏
杨杰
刘胜伟
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.)
Ennew Digital Technology Co Ltd
Original Assignee
Ennew Digital 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 Ennew Digital Technology Co Ltd filed Critical Ennew Digital Technology Co Ltd
Priority to CN202011625382.9A priority Critical patent/CN114764539A/zh
Publication of CN114764539A publication Critical patent/CN114764539A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
    • G06F16/21—Design, administration or maintenance of databases
    • G06F16/215—Improving data quality; Data cleansing, e.g. de-duplication, removing invalid entries or correcting typographical errors
    • 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
    • G06F2113/00—Details relating to the application field
    • G06F2113/08—Fluids

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • General Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • Databases & Information Systems (AREA)
  • Artificial Intelligence (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Quality & Reliability (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Medical Informatics (AREA)
  • Software Systems (AREA)
  • Computer Hardware Design (AREA)
  • Geometry (AREA)
  • Testing And Monitoring For Control Systems (AREA)

Abstract

本发明公开的实施例公开了燃气轮机的排烟含氧量确定方法、装置、设备和介质。该方法包括：获取训练样本集，其中，所述训练样本集包括燃气轮机的历史数据样本、与所述燃气轮机的数据样本对应的燃气轮机的历史排烟含氧量数据样本；根据所述训练样本集，对待训练模型进行训练，得到预测模型；获取所述燃气轮机的实时数据；将所述实时数据输入至所述预测模型，得到所述燃气轮机的排烟含氧量数据。该实施方式实现了对燃气轮机的更加智能化，更加简单的维护，提升工作效率。

Description

燃气轮机的排烟含氧量确定方法、装置、设备和介质
技术领域
本发明公开的实施例涉及计算机技术领域，具体涉及燃气轮机的排烟含氧量确定方法、装置、设备和介质。
背景技术
目前，工业中一般使用氧化锆氧量传感器来测量烟气含氧量，这种传感器存在成本高、测量滞后大、维护困难、测量误差大、寿命短等许多缺点，不适合在分布式能源以中小型燃气轮机为主的场景中使用。
发明内容
本发明公开的内容部分用于以简要的形式介绍构思，这些构思将在后面的具体实施方式部分被详细描述。本发明公开的内容部分并不旨在标识要求保护的技术方案的关键特征或必要特征，也不旨在用于限制所要求的保护的技术方案的范围。
本发明公开的实施例提出了燃气轮机的排烟含氧量确定方法、装置、设备和介质，来解决以上背景技术部分提到的技术问题。
第一方面，本发明公开的实施例提供了一种燃气轮机的排烟含氧量确定方法，该方法包括：获取训练样本集，其中，所述训练样本集包括燃气轮机的历史数据样本、与所述燃气轮机的数据样本对应的燃气轮机的历史排烟含氧量数据样本；根据所述训练样本集，对待训练模型进行训练，得到预测模型；获取所述燃气轮机的实时数据；将所述实时数据输入至所述预测模型，得到所述燃气轮机的排烟含氧量数据。
第二方面，本发明公开的实施例提供了一种燃气轮机的排烟含氧量确定装置，装置包括：第一获取单元，被配置成获取训练样本集，其中，所述训练样本集包括燃气轮机的历史数据样本、与所述燃气轮机的数据样本对应的燃气轮机的历史排烟含氧量数据样本；训练单元，被配置成根据所述训练样本集，对待训练模型进行训练，得到预测模型；第二获取单元，被配置成获取所述燃气轮机的实时数据；确定单元，被配置成将所述实时数据输入至所述预测模型，得到所述燃气轮机的排烟含氧量数据。
第三方面，本发明公开的实施例提供了一种电子设备，包括：一个或多个处理器；存储装置，其上存储有一个或多个程序，当一个或多个程序被一个或多个处理器执行，使得一个或多个处理器实现如第一方面中所描述的方法。
第四方面，本发明公开的实施例提供了一种计算机可读介质，其上存储有计算机程序，其中，程序被处理器执行时实现如第一方面中所描述的方法。
本发明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，获取训练样本集，而后根据训练样本集对待训练模型进行训练，得到预测模型。因为上述训练样本集中的历史数据样本和上述训练样本集中的历史排烟含氧量数据样本相匹配，所以经过训练得到的预测模型更具有准确性。再获取燃气轮机的实时数据，并将实时数据输入至预测模型，以得到燃气轮机的排烟含氧量。使用模型确定燃气轮机的排烟含氧量的方式使得到的数据更加准确，减少运维成本，从而本发明公开实现了对燃气轮机的更加智能化，更加简单的维护，提升工作效率。本发明公开提出一种基于机器学习的燃气轮机烟气含氧量的预测方法，需要少量燃气轮机烟气含氧量的标签数据，利用已有易获取的其它数据，通过机器学习模型预测燃气轮机排烟含氧量，能够克服使用实际传感器测量的缺点。
附图说明
结合附图并参考以下具体实施方式，本发明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是根据本发明公开的实施例的燃气轮机的排烟含氧量确定方法的一个应用场景的示意图；
图2是根据本发明公开的燃气轮机的排烟含氧量确定方法的实施例的流程图；
图3是根据本发明公开的燃气轮机的排烟含氧量确定装置的实施例的结构示意图；
图4是适于用来实现本发明公开的实施例的电子设备的结构示意图。
具体实施方式
下面将参照附图更详细地描述本发明公开的实施例。虽然附图中显示了本发明公开的某些实施例，然而应当理解的是，本发明公开可以通过各种形式来实现，而且不应该被解释为限于这里阐述的实施例。相反，提供这些实施例是为了更加透彻和完整地理解本公开。应当理解的是，本发明公开的附图及实施例仅用于示例性作用，并非用于限制本发明公开的保护范围。
另外还需要说明的是，为了便于描述，附图中仅示出了与有关发明相关的部分。在不冲突的情况下，本发明公开中的实施例及实施例中的特征可以相互组合。
需要注意，本发明公开中提及的“第一”、“第二”等概念仅用于对不同的装置、模块或单元进行区分，并非用于限定这些装置、模块或单元所执行的功能的顺序或者相互依存关系。
需要注意，本发明公开中提及的“一个”、“多个”的修饰是示意性而非限制性的，本领域技术人员应当理解，除非在上下文另有明确指出，否则应该理解为“一个或多个”。
本发明公开实施方式中的多个装置之间所交互的消息或者信息的名称仅用于说明性的目的，而并不是用于对这些消息或信息的范围进行限制。
下面将参考附图并结合实施例来详细说明本公开。
图1是根据本发明公开一些实施例的燃气轮机的排烟含氧量确定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可以获取训练样本集102。然后，计算设备101可以根据所述训练样本集102，对待训练模型103进行训练，得到预测模型104。之后，计算设备101可以获取所述燃气轮机的实时数据105。最后，计算设备101可以将所述实时数据105输入至所述预测模型104，得到所述燃气轮机的排烟含氧量数据106。
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。
继续参考图2，示出了根据本发明公开的燃气轮机的排烟含氧量确定方法的实施例的流程200。该方法可以由图1中的计算设备101来执行。该燃气轮机的排烟含氧量确定方法，包括以下步骤：
步骤201，获取训练样本集。
在实施例中，燃气轮机的排烟含氧量确定方法的执行主体(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训练样本集。在这里，所述训练样本集包括燃气轮机的历史数据样本、与所述燃气轮机的数据样本对应的燃气轮机的历史一氧化碳排放量样本。作为示例，上述历史数据样本可以是燃气轮机历史的燃气流量、燃气温度、燃气压力、空气温度、空气流量、给水流量、给水温度、主蒸汽压力、主蒸汽温度、主蒸汽流量等。
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。
在实施例的可选的实现方式中，获取训练样本集包括以下步骤：第一步，上述执行主体可以获取所述燃气轮机的历史数据信息、与所述历史数据信息对应的历史排烟含氧量数据信息；第二步，上述执行主体可以对所述历史数据信息和所述历史排烟含氧量数据信息进行数据清洗，得到清洗后数据；第三步，上述执行主体可以对所述清洗后数据进行处理，得到目标数据；第四步，上述执行主体可以将所述目标数据中的历史数据信息确定为历史数据样本，将所述目标数据中的历史排烟含氧量数据信息确定为历史排烟含氧量数据样本，得到训练样本集。
在实施例的可选的实现方式中，上述对所述历史数据信息和所述历史排烟含氧量数据信息进行数据清洗，得到清洗后数据，包括：
根据以下公式对所述历史数据信息和所述历史排烟含氧量数据信息进行数据清洗，得到清洗后数据：
Figure BDA0002879154200000051
其中，
Figure BDA0002879154200000052
表示第j个变量所有采样数据的均值；Var(Aj)表示第j个变量的所有采样数据的方差；
Figure BDA0002879154200000053
表示经过数据清洗后的第i个采样点第j个变量的清洗后数据；i表示第i个采样点；j表示第j个变量；
Figure BDA0002879154200000054
表示第i个采样点第j个变量的数据。
在实施例的可选的实现方式中，上述对所述清洗后数据进行处理，得到目标数据，包括：对所述清洗后数据进行异常数据剔除，得到剔除后数据；对所述剔除后数据中的每个数据进行延时补偿，得到补偿后数据以组成目标数据。这里，异常数据通常是指与平均数据相差超过阈值的数据。上述延迟补偿通常是指对所述清洗后数据进行加或减延迟时间数值的方式。作为示例，上述执行主体可以通过给燃气流量的控制系统加载一个阶跃变化的指令，记录从燃气流量开始变化时到蒸汽流量开始往同方向明显变化的时间作为延迟时间，并对清洗后数据进行延迟补偿。
步骤202，根据所述训练样本集，对待训练模型进行训练，得到预测模型。
在实施例中，上述执行主体可以根据所述训练样本集，对待训练模型进行训练，得到预测模型。
作为示例，上述执行主体可以将上述训练样本集中的历史数据样本输入至待训练模型，得到排烟含氧量数据；将所述排烟含氧量数据与所述历史排烟含氧量数据样本进行对比，得到对比结果；响应于确定所述对比结果未满足预设条件，确定所述待训练模型训练未完成，调整所述待训练模型中的相关参数。
在实施例的可选的实现方式中，响应于确定所述对比结果满足所述预设条件，确定所述待训练模型训练完成，以及将所述待训练模型确定为预测模型。
在实施例的可选的实现方式中，上述待训练模型可以是采用XGBoost算法的神经网络模型。
步骤203，获取所述燃气轮机的实时数据。
在实施例中，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上述燃气轮机的实时数据。上述实时数据通常是指上述燃气轮机实时的燃气流量、燃气温度、燃气压力、空气温度、空气流量、给水流量、给水温度、主蒸汽压力、主蒸汽温度、主蒸汽流量等。
步骤204，将所述实时数据输入至所述预测模型，得到所述燃气轮机的排烟含氧量数据。
在实施例中，上述执行主体可以将上述实时数据输入至上述预测模型，得到上述燃气轮机的排烟含氧量数据。
在实施例的可选的实现方式中，上述方法还包括：响应于所述燃气轮机的排烟含氧量数据大于预设阈值，控制具有报警功能的电子设备进行报警。这里，预设阈值可以是预先设置(或现场提供)的阈值。作为示例，排烟含氧量数据大于预设阈值，可以触发排烟含氧量偏高的警报；排烟含氧量数据小于或等于预设阈值，可以触发排烟含氧量偏低的警报。
本发明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，获取训练样本集，而后根据训练样本集对待训练模型进行训练，得到预测模型。因为上述训练样本集中的历史数据样本和上述训练样本集中的历史排烟含氧量数据样本相匹配，所以经过训练得到的预测模型更具有准确性。再获取燃气轮机的实时数据，并将实时数据输入至预测模型，以得到燃气轮机的排烟含氧量。使用模型确定燃气轮机的排烟含氧量的方式使得到的数据更加准确，减少运维成本，从而本发明公开实现了对燃气轮机的更加智能化，更加简单的维护，提升工作效率。本发明公开提出一种基于机器学习的燃气轮机烟气含氧量的预测方法，需要少量燃气轮机烟气含氧量的标签数据，利用已有易获取的其它数据，通过机器学习模型预测燃气轮机排烟含氧量，能够克服使用实际传感器测量的缺点。
进一步参考图3，作为对上述各图上述方法的实现，本发明公开提供了一种燃气轮机的排烟含氧量确定装置的一些实施例，这些装置实施例与图2上述的那些方法实施例相对应，该装置具体可以应用于各种电子设备中。
如图3所示，实施例的燃气轮机的排烟含氧量确定装置300包括：第一获取单元301、训练单元302、第二获取单元303和确定单元304。其中，第一获取单元301，被配置成获取训练样本集，其中，所述训练样本集包括燃气轮机的历史数据样本、与所述燃气轮机的数据样本对应的燃气轮机的历史排烟含氧量数据样本；训练单元302，被配置成根据所述训练样本集，对待训练模型进行训练，得到预测模型；第二获取单元303，被配置成获取所述燃气轮机的实时数据；确定单元304，被配置成将所述实时数据输入至所述预测模型，得到所述燃气轮机的排烟含氧量数据。
在实施例的可选的实现方式中，燃气轮机的排烟含氧量确定装置300的第一获取单元301被进一步配置成：获取所述燃气轮机的历史数据信息、与所述历史数据信息对应的历史排烟含氧量数据信息；对所述历史数据信息和所述历史排烟含氧量数据信息进行数据清洗，得到清洗后数据；对所述清洗后数据进行处理，得到目标数据；将所述目标数据中的历史数据信息确定为历史数据样本，将所述目标数据中的历史排烟含氧量数据信息确定为历史排烟含氧量数据样本，得到训练样本集。
在实施例的可选的实现方式中，上述对所述历史数据信息和所述历史排烟含氧量数据信息进行数据清洗，得到清洗后数据，包括：根据以下公式对所述历史数据信息和所述历史排烟含氧量数据信息进行数据清洗，得到清洗后数据：
Figure BDA0002879154200000081
其中，
Figure BDA0002879154200000082
表示第j个变量所有采样数据的均值；Var(Aj)表示第j个变量的所有采样数据的方差；
Figure BDA0002879154200000083
表示经过数据清洗后的第i个采样点第j个变量的清洗后数据；i表示第i个采样点；j表示第j个变量；
Figure BDA0002879154200000084
表示第i个采样点第j个变量的数据。
在实施例的可选的实现方式中，上述对所述清洗后数据进行处理，得到目标数据，包括：对所述清洗后数据进行异常数据剔除，得到剔除后数据；对所述剔除后数据中的每个数据进行延时补偿，得到补偿后数据以组成目标数据。
在实施例的可选的实现方式中，燃气轮机的排烟含氧量确定装置300的训练单元302被进一步配置成：将所述训练样本集中的历史数据样本输入至待训练模型，得到排烟含氧量数据；将所述排烟含氧量数据与所述历史排烟含氧量数据样本进行对比，得到对比结果；响应于确定所述对比结果未满足预设条件，确定所述待训练模型训练未完成，调整所述待训练模型中的相关参数。
在实施例的可选的实现方式中，燃气轮机的排烟含氧量确定装置300被进一步配置成：响应于确定所述对比结果满足所述预设条件，确定所述待训练模型训练完成，以及将所述待训练模型确定为预测模型。
在实施例的可选的实现方式中，燃气轮机的排烟含氧量确定装置300被进一步配置成：响应于所述燃气轮机的排烟含氧量数据大于预设阈值，控制具有报警功能的电子设备进行报警。
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。
下面参考图4，其示出了适于用来实现本发明公开的一些实施例的电子设备(例如图1中的计算设备101)400的结构示意图。图4示出的服务器仅仅是一个示例，不应对本发明公开的实施例的功能和使用范围带来任何限制。
如图4所示，电子设备400可以包括处理装置(例如中央处理器、图形处理器等)401，其可以根据存储在只读存储器(ROM)402中的程序或者从存储装置408加载到随机访问存储器(RAM)403中的程序而执行各种适当的动作和处理。在RAM 403中，还存储有电子设备400操作所需的各种程序和数据。处理装置401、ROM 402以及RAM403通过总线404彼此相连。输入/输出(I/O)接口405也连接至总线404。
通常，以下装置可以连接至I/O接口405：包括例如触摸屏、触摸板、键盘、鼠标、摄像头、麦克风、加速度计、陀螺仪等的输入装置406；包括例如液晶显示器(LCD)、扬声器、振动器等的输出装置407；包括例如磁带、硬盘等的存储装置408；以及通信装置409。通信装置409可以允许电子设备400与其他设备进行无线或有线通信以交换数据。虽然图4示出了具有各种装置的电子设备400，但是应理解的是，并不要求实施或具备所有示出的装置。可以替代地实施或具备更多或更少的装置。图4中示出的每个方框可以代表一个装置，也可以根据需要代表多个装置。
特别地，根据本发明公开的一些实施例，上文参考流程图描述的过程可以被实现为计算机软件程序。例如，本发明公开的一些实施例包括一种计算机程序产品，其包括承载在计算机可读介质上的计算机程序，该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的一些实施例中，该计算机程序可以通过通信装置409从网络上被下载和安装，或者从存储装置408被安装，或者从ROM 402被安装。在该计算机程序被处理装置401执行时，执行本发明公开的一些实施例的方法中限定的上述功能。
需要说明的是，本发明公开的一些实施例上述的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本发明公开的一些实施例中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。而在本发明公开的一些实施例中，计算机可读信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读信号介质还可以是计算机可读存储介质以外的任何计算机可读介质，该计算机可读信号介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的程序代码可以用任何适当的介质传输，包括但不限于：电线、光缆、RF(射频)等等，或者上述的任意合适的组合。
在一些实施方式中，客户端、服务器可以利用诸如HTTP(HyperText TransferProtocol，超文本传输协议)之类的任何当前已知或未来研发的网络协议进行通信，并且可以与任意形式或介质的数字数据通信(例如，通信网络)互连。通信网络的示例包括局域网(“LAN”)，广域网(“WAN”)，网际网(例如，互联网)以及端对端网络(例如，ad hoc端对端网络)，以及任何当前已知或未来研发的网络。
上述计算机可读介质可以是上述装置中所包含的；也可以是单独存在，而未装配入该电子设备中。上述计算机可读介质承载有一个或者多个程序，当上述一个或者多个程序被该电子设备执行时，使得该电子设备：获取训练样本集，其中，所述训练样本集包括燃气轮机的历史数据样本、与所述燃气轮机的数据样本对应的燃气轮机的历史排烟含氧量数据样本；根据所述训练样本集，对待训练模型进行训练，得到预测模型；获取所述燃气轮机的实时数据；将所述实时数据输入至所述预测模型，得到所述燃气轮机的排烟含氧量数据。
可以以一种或多种程序设计语言或其组合来编写用于执行本发明公开的一些实施例的操作的计算机程序代码，上述程序设计语言包括面向对象的程序设计语言—诸如Java、Smalltalk、C++，还包括常规的过程式程序设计语言—诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中，远程计算机可以通过任意种类的网络——包括局域网(LAN)或广域网(WAN)——连接到用户计算机，或者，可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。
附图中的流程图和框图，图示了按照本发明公开各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分，该模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个接连地表示的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或操作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。
描述于本发明公开的一些实施例中的单元可以通过软件的方式实现，也可以通过硬件的方式来实现。所描述的单元也可以设置在处理器中，例如，可以描述为：一种处理器包括第一获取单元、训练单元、第二获取单元和确定单元。其中，这些单元的名称在某种情况下并不构成对该单元本身的限定，例如，第一获取单元还可以被描述为“获取训练样本集，其中，所述训练样本集包括燃气轮机的历史数据样本、与所述燃气轮机的数据样本对应的燃气轮机的历史排烟含氧量数据样本的单元”。
本文中以上描述的功能可以至少部分地由一个或多个硬件逻辑部件来执行。例如，非限制性地，可以使用的示范类型的硬件逻辑部件包括：现场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、片上系统(SOC)、复杂可编程逻辑设备(CPLD)等等。
以上描述仅为本发明公开的一些较佳实施例以及对所运用技术原理的说明。本领域技术人员应当理解，本发明公开的实施例中所涉及的发明范围，并不限于上述技术特征的特定组合而成的技术方案，同时也应涵盖在不脱离上述发明构思的情况下，由上述技术特征或其等同特征进行任意组合而形成的其它技术方案。例如上述特征与本发明公开的实施例中公开的(但不限于)具有类似功能的技术特征进行互相替换而形成的技术方案。

Claims (10)

1.一种燃气轮机的排烟含氧量确定方法，其特征在于，包括：
获取训练样本集，其中，所述训练样本集包含燃气轮机的历史数据样本、与所述燃气轮机的数据样本对应的燃气轮机的历史排烟含氧量数据样本；
根据所述训练样本集，对待训练模型进行训练，得到预测模型；
获取所述燃气轮机的实时数据；
将所述实时数据输入至所述预测模型，得到所述燃气轮机的排烟含氧量数据。
2.根据权利要求1所述的一种燃气轮机的排烟含氧量确定方法，其特征在于，所述获取训练样本集，包括：
获取所述燃气轮机的历史数据信息、与所述历史数据信息对应的历史排烟含氧量数据信息；
对所述历史数据信息和所述历史排烟含氧量数据信息进行数据清洗，得到清洗后数据；
对所述清洗后数据进行处理，得到目标数据；
将所述目标数据中的历史数据信息确定为历史数据样本，将所述目标数据中的历史排烟含氧量数据信息确定为历史排烟含氧量数据样本，得到训练样本集。
3.根据权利要求2所述的一种燃气轮机的排烟含氧量确定方法，其特征在于，所述对所述历史数据信息和所述历史排烟含氧量数据信息进行数据清洗，得到清洗后数据，包括：
根据以下公式对所述历史数据信息和所述历史排烟含氧量数据信息进行数据清洗，得到清洗后数据：
Figure FDA0002879154190000011
其中，
Figure FDA0002879154190000012
表示第j个变量所有采样数据的均值；Var(Aj)表示第j个变量的所有采样数据的方差；
Figure FDA0002879154190000013
表示经过数据清洗后的第i个采样点第j个变量的清洗后数据；i表示第i个采样点；j表示第j个变量；
Figure FDA0002879154190000021
表示第i个采样点第j个变量的数据。
4.根据权利要求2所述的一种燃气轮机的排烟含氧量确定方法，其特征在于，所述对所述清洗后数据进行处理，得到目标数据，包括：
对所述清洗后数据进行异常数据剔除，得到剔除后数据；
对所述剔除后数据中的每个数据进行延时补偿，得到补偿后数据以组成目标数据。
5.根据权利要求1-4之一所述的一种燃气轮机的排烟含氧量确定方法，其特征在于，所述根据所述训练样本集，对待训练模型进行训练，得到预测模型，包括：
将所述训练样本集中的历史数据样本输入至待训练模型，得到排烟含氧量数据；
将所述排烟含氧量数据与所述历史排烟含氧量数据样本进行对比，得到对比结果；
响应于确定所述对比结果未满足预设条件，确定所述待训练模型训练未完成，调整所述待训练模型中的相关参数。
6.根据权利要求5所述的一种燃气轮机的排烟含氧量确定方法，其特征在于，所述方法还包括：
响应于确定所述对比结果满足所述预设条件，确定所述待训练模型训练完成，以及将所述待训练模型确定为预测模型。
7.根据权利要求6所述的一种燃气轮机的排烟含氧量确定方法，其特征在于，所述方法还包括：
响应于所述燃气轮机的排烟含氧量数据大于预设阈值，控制具有报警功能的电子设备进行报警。
8.一种燃气轮机的排烟含氧量确定装置，其特征在于，包括：
第一获取单元，被配置成获取训练样本集，其中，所述训练样本集包括燃气轮机的历史数据样本、与所述燃气轮机的数据样本对应的燃气轮机的历史排烟含氧量数据样本；
训练单元，被配置成根据所述训练样本集，对待训练模型进行训练，得到预测模型；
第二获取单元，被配置成获取所述燃气轮机的实时数据；
确定单元，被配置成将所述实时数据输入至所述预测模型，得到所述燃气轮机的排烟含氧量数据。
9.一种电子设备，包括：
一个或多个处理器；
存储装置，其上存储有一个或多个程序；
当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现如权利要求1-7中任一所述的方法。
10.一种计算机可读介质，其上存储有计算机程序，其中，所述程序被处理器执行时实现如权利要求1-7中任一所述的方法。
CN202011625382.9A 2020-12-31 2020-12-31 燃气轮机的排烟含氧量确定方法、装置、设备和介质 Pending CN114764539A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011625382.9A CN114764539A (zh) 2020-12-31 2020-12-31 燃气轮机的排烟含氧量确定方法、装置、设备和介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011625382.9A CN114764539A (zh) 2020-12-31 2020-12-31 燃气轮机的排烟含氧量确定方法、装置、设备和介质

Publications (1)

Publication Number Publication Date
CN114764539A true CN114764539A (zh) 2022-07-19

Family

ID=82364403

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011625382.9A Pending CN114764539A (zh) 2020-12-31 2020-12-31 燃气轮机的排烟含氧量确定方法、装置、设备和介质

Country Status (1)

Country Link
CN (1) CN114764539A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112883631A (zh) * 2021-01-13 2021-06-01 新智数字科技有限公司 燃气轮机的排烟含氧量预测方法及装置

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102778538A (zh) * 2012-07-06 2012-11-14 广东电网公司电力科学研究院 一种基于改进支持向量机的锅炉飞灰含碳量软测量方法
CN105971738A (zh) * 2016-06-07 2016-09-28 东南大学 一种燃气轮机组烟气流量在线监测的方法
CN109492319A (zh) * 2018-11-23 2019-03-19 东北电力大学 一种火电厂锅炉烟气含氧量软测量方法
CN109726909A (zh) * 2018-12-26 2019-05-07 新奥数能科技有限公司 一种能效评价方法、装置、可读介质及电子设备
CN110618610A (zh) * 2019-08-29 2019-12-27 杭州华电江东热电有限公司 基于LSTM深度学习的燃机NOx超标预警方法与装置
CN111625938A (zh) * 2020-05-11 2020-09-04 新智数字科技有限公司 一种地下水源热泵的最佳运行评估方法及装置

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102778538A (zh) * 2012-07-06 2012-11-14 广东电网公司电力科学研究院 一种基于改进支持向量机的锅炉飞灰含碳量软测量方法
CN105971738A (zh) * 2016-06-07 2016-09-28 东南大学 一种燃气轮机组烟气流量在线监测的方法
CN109492319A (zh) * 2018-11-23 2019-03-19 东北电力大学 一种火电厂锅炉烟气含氧量软测量方法
CN109726909A (zh) * 2018-12-26 2019-05-07 新奥数能科技有限公司 一种能效评价方法、装置、可读介质及电子设备
CN110618610A (zh) * 2019-08-29 2019-12-27 杭州华电江东热电有限公司 基于LSTM深度学习的燃机NOx超标预警方法与装置
CN111625938A (zh) * 2020-05-11 2020-09-04 新智数字科技有限公司 一种地下水源热泵的最佳运行评估方法及装置

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
李露: "基于神经网络的火电机组性能在线监测研究", 《中国优秀硕士学位论文全文数据库 （工程科技Ⅱ辑）》, no. 2, 15 December 2013 (2013-12-15), pages 2 - 5 *

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112883631A (zh) * 2021-01-13 2021-06-01 新智数字科技有限公司 燃气轮机的排烟含氧量预测方法及装置
CN112883631B (zh) * 2021-01-13 2024-05-24 新奥新智科技有限公司 燃气轮机的排烟含氧量预测方法及装置

Similar Documents

Publication Publication Date Title
US11276158B2 (en) Method and apparatus for inspecting corrosion defect of ladle
WO2022077946A1 (zh) 数据测量方法、装置、电子设备和计算机可读介质
CN112856478A (zh) 燃气锅炉的空燃比调节方法、装置、设备和介质
CN115085196B (zh) 电力负荷预测值确定方法、装置、设备和计算机可读介质
CN108614071B (zh) 分布式室外大气质量监测精度校正系统及参数更新方法
CN112613584A (zh) 一种故障诊断方法、装置、设备及存储介质
US10571446B2 (en) Data quality control using a correlated sensor group
CN115277261B (zh) 基于工控网络病毒的异常机器智能识别方法、装置、设备
CN114004425A (zh) 物品流转信息预测模型生成方法、信息生成方法、装置
CN112199252A (zh) 一种异常监控方法、装置及电子设备
CN110084298B (zh) 用于检测图像相似度的方法及装置
CN118410375A (zh) 信息技术与运营技术的深度整合方法
CN114764539A (zh) 燃气轮机的排烟含氧量确定方法、装置、设备和介质
CN112100367A (zh) 一种景区舆情预警方法及装置
CN114764540A (zh) 燃气轮机的一氧化碳排放量确定方法、装置、设备和介质
CN117791856A (zh) 一种基于巡检机器人的电网故障预警方法及装置
CN117189309A (zh) 一种智算中心柴油发电机组的噪声降低方法及装置
CN117493797A (zh) 一种物联网设备的故障预测方法及装置、电子设备、存储介质
CN112989203A (zh) 素材投放方法、装置、设备和介质
US20220318593A1 (en) System for generating natural language comment texts for multi-variate time series
CN114765065A (zh) 燃气内燃机的烟气含氧量确定方法、装置、设备和介质
CN114582433A (zh) 用于确定烟气含氧量的方法及装置
CN114764584A (zh) 燃气内燃机的一氧化碳排放量确定方法、装置、设备
CN114818841A (zh) 一种用于确定一氧化碳排放量的方法及装置
CN111062920A (zh) 用于生成半导体检测报告的方法及装置

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