CN114764587A - 燃气轮机的烟气一氧化碳含量监测方法及装置 - Google Patents
燃气轮机的烟气一氧化碳含量监测方法及装置 Download PDFInfo
- Publication number
- CN114764587A CN114764587A CN202110042068.6A CN202110042068A CN114764587A CN 114764587 A CN114764587 A CN 114764587A CN 202110042068 A CN202110042068 A CN 202110042068A CN 114764587 A CN114764587 A CN 114764587A
- Authority
- CN
- China
- Prior art keywords
- carbon monoxide
- model
- flue gas
- monoxide content
- gas turbine
- 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
- UGFAIRIUMAVXCW-UHFFFAOYSA-N Carbon monoxide Chemical compound [O+]#[C-] UGFAIRIUMAVXCW-UHFFFAOYSA-N 0.000 title claims abstract description 507
- 229910002091 carbon monoxide Inorganic materials 0.000 title claims abstract description 254
- 239000003546 flue gas Substances 0.000 title claims abstract description 254
- 238000012544 monitoring process Methods 0.000 title claims abstract description 178
- 239000007789 gas Substances 0.000 title claims abstract description 152
- 238000000034 method Methods 0.000 title claims abstract description 47
- 238000004590 computer program Methods 0.000 claims description 20
- 238000012806 monitoring device Methods 0.000 claims description 16
- 238000012549 training Methods 0.000 claims description 16
- 230000006870 function Effects 0.000 claims description 9
- 238000012423 maintenance Methods 0.000 abstract description 8
- 238000012545 processing Methods 0.000 description 7
- 238000010586 diagram Methods 0.000 description 6
- 238000002485 combustion reaction Methods 0.000 description 5
- 238000005259 measurement Methods 0.000 description 5
- 230000008569 process Effects 0.000 description 5
- 239000000446 fuel Substances 0.000 description 4
- QVGXLLKOCUKJST-UHFFFAOYSA-N atomic oxygen Chemical compound [O] QVGXLLKOCUKJST-UHFFFAOYSA-N 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
- 229910052760 oxygen Inorganic materials 0.000 description 3
- 239000001301 oxygen Substances 0.000 description 3
- MCMNRKCIXSYSNV-UHFFFAOYSA-N Zirconium dioxide Chemical compound O=[Zr]=O MCMNRKCIXSYSNV-UHFFFAOYSA-N 0.000 description 2
- 239000003795 chemical substances by application Substances 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000010606 normalization Methods 0.000 description 2
- 238000007781 pre-processing Methods 0.000 description 2
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000013499 data model Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 239000003344 environmental pollutant Substances 0.000 description 1
- 230000002452 interceptive effect Effects 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000013508 migration Methods 0.000 description 1
- 230000005012 migration 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
- 238000005457 optimization Methods 0.000 description 1
- 238000007789 sealing Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
Images
Classifications
-
- 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
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N33/00—Investigating or analysing materials by specific methods not covered by groups G01N1/00 - G01N31/00
- G01N33/0004—Gaseous mixtures, e.g. polluted air
- G01N33/0009—General constructional details of gas analysers, e.g. portable test equipment
- G01N33/0027—General constructional details of gas analysers, e.g. portable test equipment concerning the detector
- G01N33/0036—General constructional details of gas analysers, e.g. portable test equipment concerning the detector specially adapted to detect a particular component
- G01N33/004—CO or CO2
-
- 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
- G06F16/24—Querying
- G06F16/245—Query processing
-
- 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
- G06F16/28—Databases characterised by their database models, e.g. relational or object models
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Chemical & Material Sciences (AREA)
- Databases & Information Systems (AREA)
- Health & Medical Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Food Science & Technology (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Combustion & Propulsion (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Medicinal Chemistry (AREA)
- Analytical Chemistry (AREA)
- Biochemistry (AREA)
- General Health & Medical Sciences (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Computational Linguistics (AREA)
- Testing And Monitoring For Control Systems (AREA)
Abstract
本发明适用于燃气分布式能源领域，提供了燃气轮机的烟气一氧化碳含量监测方法及装置，该方法包括：获取能源站内的燃气轮机的烟气一氧化碳含量监测模型请求以及模型数据库；判断所述模型数据库中是否存在所述烟气一氧化碳含量监测模型请求对应的模型；根据判断结果，确定烟气一氧化碳含量监测模型；根据所述烟气一氧化碳含量监测模型和所述燃气轮机的运行数据，预测所述能源站内的燃气轮机的烟气一氧化碳含量。该实施例实现了无需使用传感器测量烟气一氧化碳含量，能够实时监测烟气一氧化碳含量，便于维护，降低测量误差，同时联合烟气一氧化碳含量监测模型依赖于真实数据，不容易受到外界环境的影响，可较为准确的确定出烟气一氧化碳含量。
Description
技术领域
本发明属于燃气分布式能源领域，尤其涉及燃气轮机的烟气一氧化碳含量监测方法及装置。
背景技术
烟气一氧化碳含量是指燃料燃烧之后排出的烟气中的含量，它是燃气轮机燃烧的一个重要指标，其值的大小与燃气轮机结构、燃料的种类和性质、负荷的大小、运行配风工况及设备密封状况等因素有关。在燃气轮机的实际运行过程中，为了让燃料可以充分燃烧，实际供给的空气量比理论上的空气供给量要大的多。这多供给的空气量，我们通常称它为过量空气量。过量空气系数就是实际供给空气量与理论供给空气量的比值。烟气一氧化碳含量过低，即过量空气系数越小，会导致供给燃气轮机燃烧的氧气量不足，燃料不能充分燃烧，热损失增加；烟气一氧化碳含量过高，即过量空气系数越大，会使燃气轮机的热效率降低，不但影响燃烧，同时容易造成环境污染物排放超标，也增加了排烟的耗电量。因此，将燃气轮机的烟气一氧化碳含量控制在合理的范围内，对于节约能源、维护燃气轮机经济性燃烧，实现安全、高效和低污染的排放具有重要的意义，换言之，燃气轮机的烟气一氧化碳含量是衡量燃气轮机是否安全、经济、环保运行的重要标志之一。
目前，工业中一般使用氧化锆传感器来测量烟气一氧化碳含量。
但是，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燃气轮机为主的场景中长期使用。
发明内容
有鉴于此，本发明实施例提供了燃气轮机的烟气一氧化碳含量监测方法及装置，仅需要少量的标签数据，能够克服传感器完全实际测量的缺点，也不需要像物理建模那样依赖大量物理参数。
本发明实施例的第一方面提供了一种燃气轮机的烟气一氧化碳含量监测方法，包括：获取能源站内的燃气轮机的烟气一氧化碳含量监测模型请求以及模型数据库；判断所述模型数据库中是否存在所述烟气一氧化碳含量监测模型请求对应的模型；根据判断所述模型数据库中是否存在所述烟气一氧化碳含量监测模型请求对应的模型的判断结果，确定烟气一氧化碳含量监测模型；根据所述烟气一氧化碳含量监测模型和所述燃气轮机的运行数据，预测所述能源站内的燃气轮机的烟气一氧化碳含量。
本发明实施例的第二方面提供了一种燃气轮机的烟气一氧化碳含量监测装置，包括：获取模块，被配置成获取能源站内的燃气轮机的烟气一氧化碳含量监测模型请求以及模型数据库；判断模块，被配置成判断所述模型数据库中是否存在所述烟气一氧化碳含量监测模型请求对应的模型；确定模块，被配置成根据判断所述模型数据库中是否存在所述烟气一氧化碳含量监测模型请求对应的模型的判断结果，确定烟气一氧化碳含量监测模型；预测模块，被配置成根据所述烟气一氧化碳含量监测模型和所述燃气轮机的运行数据，预测所述能源站内的燃气轮机的烟气一氧化碳含量。
本发明实施例的第三方面提供了一种终端设备，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权利要求1至7任一项所述方法的步骤。
本发明实施例的第四方面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，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任一项所述方法的步骤。
本发明实施例与现有技术相比存在的有益效果是：首先，获取能源站内的燃气轮机的烟气一氧化碳含量监测模型请求以及模型数据库；然后，判断所述模型数据库中是否存在所述烟气一氧化碳含量监测模型请求对应的模型；之后，根据判断所述模型数据库中是否存在所述烟气一氧化碳含量监测模型请求对应的模型的判断结果，确定烟气一氧化碳含量监测模型；最后，根据所述烟气一氧化碳含量监测模型和所述燃气轮机的运行数据，预测所述能源站内的燃气轮机的烟气一氧化碳含量。综上所述，通过本发明的技术方案，无需使用传感器测量烟气一氧化碳含量，能够实时监测烟气一氧化碳含量，便于维护，降低测量误差，同时联合烟气一氧化碳含量监测模型依赖于真实数据，不容易受到外界环境的影响，可较为准确的确定出烟气一氧化碳含量。
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的前提下，还可以根据这些附图获得其它的附图。
图1为本发明一实施例提供的一种燃气轮机的烟气一氧化碳含量监测方法的流程示意图；
图2为本发明一实施例提供的另一种燃气轮机的烟气一氧化碳含量监测方法的结构示意图；
图3为本发明一实施例提供的一种燃气轮机的烟气一氧化碳含量监测装置的结构示意图；
图4为本发明一实施例提供的一种电子设备的结构示意图；
图5为本发明一实施例提供的场景应用图。
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。
为了说明本发明所述的技术方案，下面通过具体实施例来进行说明。
如图1所示，为本发明实施例提供的一种燃气轮机的烟气一氧化碳含量监测方法。本发明实施例所提供的方法可应用在电子设备上，具体可以应用于服务器或一般计算机上。本发明实施例提供了一种燃气轮机的烟气一氧化碳含量监测方法，包括如下各个步骤：
步骤101，获取能源站内的燃气轮机的烟气一氧化碳含量监测模型请求以及模型数据库。
在一些实施例中，执行主体可以通过有线或无线的方式获取能源站内的燃气轮机的烟气一氧化碳含量监测模型请求以及模型数据库。
具体地，能源站的客户端通过API接口发送能源站内的燃气轮机的烟气一氧化碳含量监测模型请求。能源站一般被配置为向指定区域例如与能源站相邻的区域提供能源，能源系统可以包括多个能源站，并通过该多个能源站向多个区域供能。
模型数据库可以理解为存储联合学习模型的数据库，在实际应用中，可以开发联合学习物联网平台，联合学习物联网平台用于与联合学习客户端(进行联合学习的客户端)进行联合学习，得到联合学习模型，并存储联合学习模型，可以理解的，本申请实施例提供的燃气轮机的烟气一氧化碳含量监测方法，涉及联合学习物联网平台及客户端的交互。并且，可以适用于至少一个客户端与一个联合学习物联网平台的交互的场景，或者，还可以适用于至少一个客户端与多个联合学习物联网平台的场景中，即通过将待调用的模型数据库布置在每个联合学习物联网平台上，其中任一个联合学习物联网平台都可以为客户端提供服务，实现模型数据库中的模型的调用。还可以理解，在上述两个场景下，每个联合学习物联网平台可以设置有模型数据库及控制层。该模型数据库中存储有至少一个联合学习模型，该控制层可以基于客户端的调用请求，实现模型数据库中的模型的调用。这里，联合学习物联网平台相当于服务端。
步骤102，判断所述模型数据库中是否存在所述烟气一氧化碳含量监测模型请求对应的模型。
在一些实施例中，上述执行主体可以判断所述模型数据库中是否存在所述烟气一氧化碳含量监测模型请求对应的模型。在这里，在进行模型调用之前，需要确定模型数据库中是否存在烟气一氧化碳含量监测模型请求对应的烟气一氧化碳含量监测模型，只有存在才能实现模型调用。
在一些实施例的一些可选的实施方式中，所述模型数据库包括待调用模型以及各个所述待调用模型各自的模型信息；具体可通过如下方式判断模型数据库中是否存在烟气一氧化碳含量监测模型请求对应的烟气一氧化碳含量监测模型：根据各个所述待调用模型各自的模型信息，判断所述模型数据库中是否存在所述烟气一氧化碳含量监测模型请求对应的模型。
模型数据库用于存储待调用模型以及待调用模型的模型信息，具体地，待调用模型为联合学习模型。其中，模型信息用于描述待调用模型的信息，比如，可以是模型用途、模型名称、模型下载次数、模型下载用户、模型训练数据来源、模型训练数据量、模型精度、模型产生时间、模型更新次数等信息。
具体地，根据待调用模型的模型信息，判断待调用模型是否为烟气一氧化碳含量监测模型请求对应的模型，在实际应用中，模型信息中存在烟气一氧化碳含量监测模型名称，或者，与烟气一氧化碳含量监测模型名称含义相同但是表述不同的词语时，则说明模型信息对应的待调用模型为烟气一氧化碳含量监测模型请求对应的模型。此时，从模型数据库中提取出烟气一氧化碳含量监测模型请求对应的模型即可，完成模型调用。
步骤103，根据判断所述模型数据库中是否存在所述烟气一氧化碳含量监测模型请求对应的模型的判断结果，确定烟气一氧化碳含量监测模型。
在一些实施例中，上述执行主体可以根据判断所述模型数据库中是否存在所述烟气一氧化碳含量监测模型请求对应的模型的判断结果，确定烟气一氧化碳含量监测模型。
在一些实施例的一些可选的实施方式中，所述判断结果包括所述模型数据库中存在所述烟气一氧化碳含量监测模型请求对应的模型；则步骤103，包括：
从所述模型数据库中确定出所述烟气一氧化碳含量监测模型请求对应的模型，并将所述烟气一氧化碳含量监测模型请求对应的模型确定为烟气一氧化碳含量监测模型。
在一些可行的实现方式中，所述判断结果包括所述模型数据库中不存在所述烟气一氧化碳含量监测模型请求对应的模型；则步骤103，包括如下步骤：
从联合学习联盟中选择所述燃气轮机对应的联合对象；
根据各个所述联合对象各自的模型训练数据集进行联合学习，构建联合模型，将所述联合模型确定为烟气一氧化碳含量监测模型。
每个能源站作为一个物联网中的一个节点，设置有一个客户端，如果能源站中的数据用于联合学习，则该能源站被称为联邦能源站，该能源站中的燃气轮机被称为联邦燃气轮机，该能源站对应的客户端被称之为联合学习客户端。其中，联合学习通过分布式训练及加密技术确保用户隐私数据得到最大限度的保护，以提升用户对人工智能技术的信任。在本申请实施例中，在联合学习机制下，各参与方(联合对象各自对应的联合学习客户端)把加密后的数据模型贡献给联盟，联合训练一个联合模型。联合对象的燃气轮机运行数据上传到对应的联合学习客户端，联合学习客户端存储燃气轮机运行数据。
具体地，联合学习联盟可以理解为所有可以参与联合学习的对象集合，换言之，即联邦燃气轮机。
本实施例中，当模型数据库中不存在烟气一氧化碳含量监测模型请求对应的模型时，此时需要构建模型。从联合学习联盟中确定出与能源站中燃气轮机相似的联邦燃气轮机，并将这些联邦燃气轮机分别确定为联合对象；之后，基于各个联合对象各自的模型训练数据集进行联合学习，构建联合模型，模型训练数据集包括联合对象的燃气轮机运行数据，具体地，燃气轮机运行数据包括开关机状态、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、主蒸汽流量以及历史烟气一氧化碳含量(标签)。应当理解的，模型训练数据是经过数据预处理后的数据，这里，数据预处理包括但不限于异常值去除、缺失值填充、归一化处理以及延迟处理。其中，归一化处理指的是将数据统一映射到[0,1]区间上。延迟处理指的是，将数据的时间点前移延迟时间，从而降低设备开机的影响，其中，延迟时间指的是设备开机启动的时间。
步骤104，根据所述烟气一氧化碳含量监测模型和所述燃气轮机的运行数据，预测所述能源站内的燃气轮机的烟气一氧化碳含量。
在一些实施例中，执行主体可以根据所述烟气一氧化碳含量监测模型和所述燃气轮机的运行数据，预测所述能源站内的燃气轮机的烟气一氧化碳含量。
具体地，将燃气轮机的运行数据代入烟气一氧化碳含量监测模型中，预测燃气轮机的烟气一氧化碳含量。应当理解的，得到的烟气一氧化碳含量监测模型综合考虑了其他燃气轮机的运行数据，从而具有相对较高的准确性，实现了模型迁移。
在一些可行的实现方式中，烟气一氧化碳含量监测模型有多个，基于烟气一氧化碳含量监测模型的业务信息，对多个烟气一氧化碳含量监测模型进行筛选，确定出目标烟气一氧化碳含量，基于目标烟气一氧化碳含量和燃气轮机的运行数据，预测燃气轮机的烟气一氧化碳含量。应当理解的，业务信息指示了模型的应用情况，基于模型的实际应用情况，确保预测出的燃气轮机的烟气一氧化碳含量的参考价值。可以理解的，业务信息指的是应用烟气一氧化碳含量监测模型所产生的相关信息以及烟气一氧化碳含量监测模型本身的相关信息。具体地，业务信息包括模型下载次数、模型下载用户、模型训练数据来源、模型训练数据量、模型精度、模型产生时间、模型更新次数。其中，模型精度是基于使用模型的用户上传的反馈数据确定的，反馈数据包括预测值和实际值。需要说明的是，上述业务信息仅仅作为示例，实际应用中，对业务信息可以是多种多样的，具体可根据实际的业务需求预先设置想要获取的业务信息所对应的字段名称，将其封装在请求内，使得请求携带业务信息所对应的字段内容。
作为一种可能的情况，基于烟气一氧化碳含量监测模型的业务信息，对多个烟气一氧化碳含量监测模型进行自动筛选，确定出目标烟气一氧化碳含量模型，提高用户体验。具体地，可通过如下方式确定目标烟气一氧化碳含量模型：
在一些可能的情况中，烟气一氧化碳含量监测模型请求携带模型要求。
作为另一种可能的情况，显示烟气一氧化碳含量监测模型的业务信息与用户进行交互，由用户选择目标烟气一氧化碳含量模型，确定出目标烟气一氧化碳含量模型，满足用户需求。具体地，可通过如下方式确定目标烟气一氧化碳含量模型：
在上述实施例中，当目标烟气一氧化碳含量模型有多个时，对各个目标烟气一氧化碳含量模型各自预测出的燃气轮机的烟气一氧化碳含量进行平均，得到燃气轮机的烟气一氧化碳含量。
进一步的，还包括：
获取与所述燃气轮机的运行数据匹配的历史运行数据的历史烟气一氧化碳含量；
根据所述历史运行数据的历史烟气一氧化碳含量，确定预测出的所述燃气轮机的烟气一氧化碳含量的误差；
根据预测出的所述燃气轮机的烟气一氧化碳含量的误差，调整所述烟气一氧化碳含量监测模型。
在实际应用中，确定烟气一氧化碳含量监测模型对应的多个联合对象，从多个联合对象各自的模型训练数据集中确定出，与燃气轮机的运行数据相同或相似的历史运行数据的烟气一氧化碳含量，优先相同，通过对历史运行数据的烟气一氧化碳含量和预测出的燃气轮机的烟气一氧化碳含量的比较，确定预测出的燃气轮机的烟气一氧化碳含量的误差，基于多个误差决定是否继续进行联合学习，若误差较大，则继续进行联合学习，联合学习物联网平台基于误差重新确定模型参数，进行模型迭代。
本公开的一些实施例公开的燃气轮机的烟气一氧化碳含量监测方法，首先，获取能源站内的燃气轮机的烟气一氧化碳含量监测模型请求以及模型数据库；然后，判断所述模型数据库中是否存在所述烟气一氧化碳含量监测模型请求对应的模型；之后，根据判断所述模型数据库中是否存在所述烟气一氧化碳含量监测模型请求对应的模型的判断结果，确定烟气一氧化碳含量监测模型；最后，根据所述烟气一氧化碳含量监测模型和所述燃气轮机的运行数据，预测所述能源站内的燃气轮机的烟气一氧化碳含量。综上所述，通过本发明的技术方案，无需使用传感器测量烟气一氧化碳含量，能够实时监测烟气一氧化碳含量，便于维护，降低测量误差，同时联合烟气一氧化碳含量监测模型依赖于真实数据，不容易受到外界环境的影响，可较为准确的确定出烟气一氧化碳含量。
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。
图1所示仅为本发明所述方法的基础实施例，在其基础上进行一定的优化和拓展，还能够得到所述方法的其他优选实施例。
如图2所示，为本发明所述燃气轮机的烟气一氧化碳含量监测方法的另一个具体实施例。本实施例在前述实施例的基础上，结合应用场景进行了更加具体的描述。
本实施例所结合的具体场景为：假设有3个能源站(能源站中的若干个燃气轮机相似)以及一个联合学习物联网平台T，3个能源站分别为联邦能源站A、联邦能源站B以及能源站C，联合学习物联网平台T和联合学习客户端Ac、联合学习客户端Bc以及监测客户端Cc进行交互，其中，联邦能源站A和B有较丰富的数据，可利用自身燃气轮机运行数据训练局部烟气一氧化碳含量监测模型，也就是联合学习模型的贡献方；能源站C中的燃气轮机没有排烟含氧量测点；联合学习客户端Ac存储联邦能源站A中的燃气轮机A1、A2、A3的运行数据，联合学习客户端Bc存储联邦能源站B中的燃气轮机B1、B2、B3的运行数据，监测客户端Cs存储能源站C中的燃气轮机C1、C2、C3的运行数据；联合学习客户端Ac、联合学习客户端Bc以及监测客户端Cc分别部署在本地运维服务器As、Bc、Cc，这里，本地运维服务器指的是用于燃气轮机运行维护的服务器。本实施例所述方法的目的在于，结合模型数据库和烟气一氧化碳含量模型请求对应的模型中的关系，确定出用于燃气轮机的排烟含氧量预测的模型。
本实施例中所述方法包括以下步骤：
步骤201、获取能源站内的燃气轮机的烟气一氧化碳含量监测模型请求以及模型数据库。
能源站C通过本地运维服务器Cs上部署的监测客户端Cc通过API接口向联合学习物联网平台T发起燃气轮机C1的烟气一氧化碳含量监测模型的需求申请，即烟气一氧化碳含量监测模型请求。
联合学习物联网平台T内有模型数据库，模型数据库中包括多个待调用模型以及每个待调用模型对应的模型信息。
步骤202、判断所述模型数据库中是否存在所述烟气一氧化碳含量监测模型请求对应的模型，如果是，则执行步骤2031a，如果否，则执行步骤2032a。
针对每个待调用模型，根据待调用模型对应的模型信息，判断待调用模型是否与烟气一氧化碳含量监测模型请求对应的模型匹配。若匹配则说明模型数据库中是否存在烟气一氧化碳含量监测模型请求对应的模型。
步骤2031a、从所述模型数据库中确定出所述烟气一氧化碳含量监测模型请求对应的模型，并将所述烟气一氧化碳含量监测模型请求对应的模型确定为烟气一氧化碳含量监测模型。
步骤2031b、根据所述模型数据库，获取各个所述烟气一氧化碳含量监测模型各自的业务信息；根据各个所述烟气一氧化碳含量监测模型各自的业务信息，从各个所述烟气一氧化碳含量监测模型中，确定目标烟气一氧化碳含量监测模型。
步骤2031c、根据所述目标烟气一氧化碳含量监测模型和所述燃气轮机的运行数据，预测所述燃气轮机的烟气一氧化碳含量。
联合学习物联网平台T将目标烟气一氧化碳含量监测模型下发到监测客户端Cc，监测客户端Cc下载该目标烟气一氧化碳含量监测模型预测燃气轮机C1的烟气一氧化碳含量，并将预测出的烟气一氧化碳含量反馈给联合学习物联网平台T，联合学习物联网平台T决定是否对目标烟气一氧化碳含量监测模型进行模型迭代。
步骤2032a、从联合学习联盟中选择所述燃气轮机对应的联合对象；根据各个所述联合对象各自的模型训练数据集进行联合学习，构建联合模型；将所述联合模型确定为烟气一氧化碳含量监测模型。
假设联合对象是燃气轮机A1、燃气轮机A3、燃气轮机B1以及燃气轮机B2。联合学习物联网平台T和联邦能源站A、联邦能源站B进行联合学习，得到联合模型。具体地，联合学习客户端Ac基于燃气轮机A1、A3的运行数据进行模型训练，并上传模型参数到联合学习物联网平台T，联合学习客户端Bc基于燃气轮机B1、B2的运行数据进行模型训练，并上传模型参数到联合学习物联网平台T，联合学习物联网平台T下发聚合后的模型参数至联合学习客户端Ac和联合学习客户端Bc进行模型迭代，联合学习客户端Ac和联合学习客户端Bc各自得到局部模型，联合学习物联网平台T对联合学习客户端Ac和联合学习客户端Bc得到的局部模型进行融合，得到联合模型。
步骤2032b、根据所述烟气一氧化碳含量监测模型和所述燃气轮机的运行数据，预测所述能源站内的燃气轮机的烟气一氧化碳含量。
联合学习物联网平台T将烟气一氧化碳含量监测模型下发到监测客户端Cc，监测客户端Cc下载该烟气一氧化碳含量监测模型预测燃气轮机C1的烟气一氧化碳含量。
图3是本发明实施例提供的燃气轮机的烟气一氧化碳含量监测装置的示意图；上述燃气轮机的烟气一氧化碳含量监测装置300，包括：获取模块301，判断模块302，确定模块303和预测模块304。其中，获取模块301，被配置成获取能源站内的燃气轮机的烟气一氧化碳含量监测模型请求以及模型数据库；判断模块302，被配置成判断所述模型数据库中是否存在所述烟气一氧化碳含量监测模型请求对应的模型；确定模块303，被配置成根据判断所述模型数据库中是否存在所述烟气一氧化碳含量监测模型请求对应的模型的判断结果，确定烟气一氧化碳含量监测模型；预测模块304，被配置成根据所述烟气一氧化碳含量监测模型和所述燃气轮机的运行数据，预测所述能源站内的燃气轮机的烟气一氧化碳含量。
在一些实施例的一些可选的实施方式中，上述模型数据库包括待调用模型以及各个所述待调用模型各自的模型信息；所述判断所述模型数据库中是否存在所述烟气一氧化碳含量监测模型请求对应的模型，被进一步配置成：根据各个所述待调用模型各自的模型信息，判断所述模型数据库中是否存在所述烟气一氧化碳含量监测模型请求对应的模型。
在一些实施例的一些可选的实施方式中，所述判断结果包括所述模型数据库中存在所述烟气一氧化碳含量监测模型请求对应的模型；所述根据判断所述模型数据库中是否存在所述烟气一氧化碳含量监测模型请求对应的模型的判断结果，确定烟气一氧化碳含量监测模型，被进一步配置成：从所述模型数据库中确定出所述烟气一氧化碳含量监测模型请求对应的模型，并将所述烟气一氧化碳含量监测模型请求对应的模型确定为烟气一氧化碳含量监测模型。
在一些实施例的一些可选的实施方式中，判断结果包括所述模型数据库中不存在所述烟气一氧化碳含量监测模型请求对应的模型；所述根据判断所述模型数据库中是否存在所述烟气一氧化碳含量监测模型请求对应的模型的判断结果，确定烟气一氧化碳含量监测模型，被进一步配置成：从联合学习联盟中选择所述燃气轮机对应的联合对象；根据各个所述联合对象各自的模型训练数据集进行联合学习，构建联合模型，将所述联合模型确定为烟气一氧化碳含量监测模型。
在一些实施例的一些可选的实施方式中，上述燃气轮机的烟气一氧化碳含量监测装置300中的预测模块304被进一步配置成：根据所述模型数据库，获取各个所述烟气一氧化碳含量监测模型各自的业务信息；根据各个所述烟气一氧化碳含量监测模型各自的业务信息，从各个所述烟气一氧化碳含量监测模型中，确定目标烟气一氧化碳含量监测模型；根据所述目标烟气一氧化碳含量监测模型和所述燃气轮机的运行数据，预测所述燃气轮机的烟气一氧化碳含量。
在一些实施例的一些可选的实施方式中，所述烟气一氧化碳含量监测模型为联合学习模型；被进一步配置成：获取与所述燃气轮机的运行数据匹配的历史运行数据的历史烟气一氧化碳含量；根据所述历史运行数据的历史烟气一氧化碳含量，确定预测出的所述燃气轮机的烟气一氧化碳含量的误差；根据预测出的所述燃气轮机的烟气一氧化碳含量的误差，调整所述烟气一氧化碳含量监测模型。
在一些实施例的一些可选的实施方式中，上述燃气轮机的烟气一氧化碳含量监测装置300被进一步配置成：将所述烟气一氧化碳含量发送到具有显示功能的终端设备上，并进行显示。
可以理解的是，该装置300中记载的诸单元与参考图1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。
图4是本发明一实施例提供的燃气轮机的烟气一氧化碳含量监测装置/终端设备的示意图。如图4所示，该实施例的燃气轮机的烟气一氧化碳含量监测装置/终端设备4包括：处理器40、存储器41以及存储在所述存储器41中并可在所述处理器40上运行的计算机程序42。所述处理器40执行所述计算机程序42时实现上述各个燃气轮机的烟气一氧化碳含量监测方法实施例中的步骤，例如图1所示的步骤101至103。或者，所述处理器40执行所述计算机程序42时实现上述各装置实施例中各模块/单元的功能，例如图4所示模块401至404的功能。
示例性的，所述计算机程序42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41中，并由所述处理器40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42在所述燃气轮机的烟气一氧化碳含量监测装置/终端设备4中的执行过程。例如，所述计算机程序42可以被分割成同步模块、汇总模块、获取模块、返回模块(虚拟装置中的模块)，各模块具体功能如下：
所述燃气轮机的烟气一氧化碳含量监测装置/终端设备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设备。所述燃气轮机的烟气一氧化碳含量监测装置/终端设备可包括，但不仅限于，处理器40、存储器41。本领域技术人员可以理解，图4仅仅是燃气轮机的烟气一氧化碳含量监测装置/终端设备4的示例，并不构成对燃气轮机的烟气一氧化碳含量监测装置/终端设备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，例如所述燃气轮机的烟气一氧化碳含量监测装置/终端设备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40可以是中央处理单元(Central Processing Unit，CPU)，还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。
所述存储器41可以是所述燃气轮机的烟气一氧化碳含量监测装置/终端设备4的内部存储单元，例如燃气轮机的烟气一氧化碳含量监测装置/终端设备4的硬盘或内存。所述存储器41也可以是所述燃气轮机的烟气一氧化碳含量监测装置/终端设备4的外部存储设备，例如所述燃气轮机的烟气一氧化碳含量监测装置/终端设备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(FlashCard)等。进一步地，所述存储器41还可以既包括所述燃气轮机的烟气一氧化碳含量监测装置/终端设备4的内部存储单元也包括外部存储设备。所述存储器41用于存储所述计算机程序以及所述燃气轮机的烟气一氧化碳含量监测装置/终端设备所需的其它程序和数据。所述存储器41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/终端设备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(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、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)
1.一种燃气轮机的烟气一氧化碳含量监测方法，其特征在于，包括：
获取能源站内的燃气轮机的烟气一氧化碳含量监测模型请求以及模型数据库；
判断所述模型数据库中是否存在所述烟气一氧化碳含量监测模型请求对应的模型；
根据判断所述模型数据库中是否存在所述烟气一氧化碳含量监测模型请求对应的模型的判断结果，确定烟气一氧化碳含量监测模型；
根据所述烟气一氧化碳含量监测模型和所述燃气轮机的运行数据，预测所述能源站内的燃气轮机的烟气一氧化碳含量。
2.如权利要求1所述的燃气轮机的烟气一氧化碳含量监测方法，其特征在于，所述模型数据库包括待调用模型以及各个所述待调用模型各自的模型信息；
所述判断所述模型数据库中是否存在所述烟气一氧化碳含量监测模型请求对应的模型，包括：
根据各个所述待调用模型各自的模型信息，判断所述模型数据库中是否存在所述烟气一氧化碳含量监测模型请求对应的模型。
3.如权利要求1所述的燃气轮机的烟气一氧化碳含量监测方法，其特征在于，所述判断结果包括所述模型数据库中存在所述烟气一氧化碳含量监测模型请求对应的模型；
所述根据判断所述模型数据库中是否存在所述烟气一氧化碳含量监测模型请求对应的模型的判断结果，确定烟气一氧化碳含量监测模型，包括：
从所述模型数据库中确定出所述烟气一氧化碳含量监测模型请求对应的模型，并将所述烟气一氧化碳含量监测模型请求对应的模型确定为烟气一氧化碳含量监测模型。
4.如权利要求1所述的燃气轮机的烟气一氧化碳含量监测方法，其特征在于，所述判断结果包括所述模型数据库中不存在所述烟气一氧化碳含量监测模型请求对应的模型；
所述根据判断所述模型数据库中是否存在所述烟气一氧化碳含量监测模型请求对应的模型的判断结果，确定烟气一氧化碳含量监测模型，包括：
从联合学习联盟中选择所述燃气轮机对应的联合对象；
根据各个所述联合对象各自的模型训练数据集进行联合学习，构建联合模型，将所述联合模型确定为烟气一氧化碳含量监测模型。
5.如权利要求3所述的燃气轮机的烟气一氧化碳含量监测方法，其特征在于，所述根据所述烟气一氧化碳含量监测模型和所述燃气轮机的运行数据，预测所述能源站内的燃气轮机的烟气一氧化碳含量，包括：
根据所述模型数据库，获取各个所述烟气一氧化碳含量监测模型各自的业务信息；
根据各个所述烟气一氧化碳含量监测模型各自的业务信息，从各个所述烟气一氧化碳含量监测模型中，确定目标烟气一氧化碳含量监测模型；
根据所述目标烟气一氧化碳含量监测模型和所述燃气轮机的运行数据，预测所述燃气轮机的烟气一氧化碳含量。
6.如权利要求1所述的燃气轮机的烟气一氧化碳含量监测方法，其特征在于，所述烟气一氧化碳含量监测模型为联合学习模型；
还包括：
获取与所述燃气轮机的运行数据匹配的历史运行数据的历史烟气一氧化碳含量；
根据所述历史运行数据的历史烟气一氧化碳含量，确定预测出的所述燃气轮机的烟气一氧化碳含量的误差；
根据预测出的所述燃气轮机的烟气一氧化碳含量的误差，调整所述烟气一氧化碳含量监测模型。
7.如权利要求1所述的燃气轮机的烟气一氧化碳含量监测方法，其特征在于，所述方法还包括：
将所述烟气一氧化碳含量发送到具有显示功能的终端设备上，并进行显示。
8.一种燃气轮机的烟气一氧化碳含量监测装置，其特征在于，包括：
获取模块，被配置成获取能源站内的燃气轮机的烟气一氧化碳含量监测模型请求以及模型数据库；
判断模块，被配置成判断所述模型数据库中是否存在所述烟气一氧化碳含量监测模型请求对应的模型；
确定模块，被配置成根据判断所述模型数据库中是否存在所述烟气一氧化碳含量监测模型请求对应的模型的判断结果，确定烟气一氧化碳含量监测模型；
预测模块，被配置成根据所述烟气一氧化碳含量监测模型和所述燃气轮机的运行数据，预测所述能源站内的燃气轮机的烟气一氧化碳含量。
9.一种终端设备，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权利要求1至7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任一项所述方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110042068.6A CN114764587A (zh) | 2021-01-13 | 2021-01-13 | 燃气轮机的烟气一氧化碳含量监测方法及装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110042068.6A CN114764587A (zh) | 2021-01-13 | 2021-01-13 | 燃气轮机的烟气一氧化碳含量监测方法及装置 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN114764587A true CN114764587A (zh) | 2022-07-19 |
Family
ID=82363525
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110042068.6A Pending CN114764587A (zh) | 2021-01-13 | 2021-01-13 | 燃气轮机的烟气一氧化碳含量监测方法及装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114764587A (zh) |
-
2021
- 2021-01-13 CN CN202110042068.6A patent/CN114764587A/zh active Pending
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN105302096B (zh) | 一种工厂智能调度方法 | |
| CN103294599B (zh) | 一种基于云的嵌入式软件交叉测试方法 | |
| CN113870046B (zh) | 电力设备故障诊断方法及设备 | |
| CN110991866A (zh) | 一种基于机器学习的台区数据缺失值补全方法和装置 | |
| CN116882790B (zh) | 一种矿山生态修复区域的碳排放设备管理方法及系统 | |
| WO2022127574A1 (zh) | 用于模拟过去未来数据的方法、装置及终端设备 | |
| Tsitsilonis et al. | Health assessment framework of marine engines enabled by digital twins | |
| Azmin et al. | Benefiting from Sobol sequences experiment design type for model-based calibration | |
| CN108647478B (zh) | 基于bp神经网络的热电联产机组scr入口烟温在线计算方法 | |
| US20090204376A1 (en) | Method for measuring a nonlinear dynamic real system | |
| CN114764587A (zh) | 燃气轮机的烟气一氧化碳含量监测方法及装置 | |
| US8417489B2 (en) | Duration estimation of repeated directed graph traversal | |
| CN101206727A (zh) | 数据处理装置、方法和程序以及计算机可读介质 | |
| CN113094913A (zh) | 排放预估方法和装置 | |
| CN108549348B (zh) | 锅炉物理场运行信息获取方法、装置和计算机设备 | |
| CN114764649A (zh) | 燃气锅炉的烟气含氧量预测方法及装置 | |
| CN112883631B (zh) | 燃气轮机的排烟含氧量预测方法及装置 | |
| CN114818840A (zh) | 燃气轮机的烟气一氧化碳含量监测方法及装置 | |
| CN115310359A (zh) | 氮氧化物瞬态排放确定方法、装置、设备及介质 | |
| CN114609926A (zh) | 一种基于火电仿真平台的火电厂动态在线仿真方法 | |
| CN114625107A (zh) | 一种基于stars测控系统的ecu自动标定方法及系统 | |
| CN114819237A (zh) | 燃气锅炉的烟气含氧量预测方法及装置 | |
| CN114764093A (zh) | 燃气锅炉烟气一氧化碳含量监测方法及装置 | |
| CN114819238A (zh) | 燃气锅炉的烟气含氧量预测方法及装置 | |
| CN114862098A (zh) | 资源分配方法以及装置 |
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 |