CN114904655B - 一种单电场节能控制方法及装置 - Google Patents

一种单电场节能控制方法及装置 Download PDF

Info

Publication number
CN114904655B
CN114904655B CN202210493383.5A CN202210493383A CN114904655B CN 114904655 B CN114904655 B CN 114904655B CN 202210493383 A CN202210493383 A CN 202210493383A CN 114904655 B CN114904655 B CN 114904655B
Authority
CN
China
Prior art keywords
electric field
single electric
target
dust removal
removal efficiency
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.)
Active
Application number
CN202210493383.5A
Other languages
English (en)
Other versions
CN114904655A (zh
Inventor
钱云亮
黄成鑫
皮中霞
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.)
Xiamen Longking Saving & Technology Co ltd
Fujian Longking Co Ltd.
Original Assignee
Xiamen Longking Saving & Technology Co ltd
Fujian Longking 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 Xiamen Longking Saving & Technology Co ltd, Fujian Longking Co Ltd. filed Critical Xiamen Longking Saving & Technology Co ltd
Priority to CN202210493383.5A priority Critical patent/CN114904655B/zh
Publication of CN114904655A publication Critical patent/CN114904655A/zh
Application granted granted Critical
Publication of CN114904655B publication Critical patent/CN114904655B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B03—SEPARATION OF SOLID MATERIALS USING LIQUIDS OR USING PNEUMATIC TABLES OR JIGS; MAGNETIC OR ELECTROSTATIC SEPARATION OF SOLID MATERIALS FROM SOLID MATERIALS OR FLUIDS; SEPARATION BY HIGH-VOLTAGE ELECTRIC FIELDS
    • B03C—MAGNETIC OR ELECTROSTATIC SEPARATION OF SOLID MATERIALS FROM SOLID MATERIALS OR FLUIDS; SEPARATION BY HIGH-VOLTAGE ELECTRIC FIELDS
    • B03C3/00—Separating dispersed particles from gases or vapour, e.g. air, by electrostatic effect
    • B03C3/34—Constructional details or accessories or operation thereof
    • 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
    • G06N3/045—Combinations of 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
    • 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
    • Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
    • Y02A50/00—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE in human health protection, e.g. against extreme weather
    • Y02A50/20—Air quality improvement or preservation, e.g. vehicle emission control or emission reduction by using catalytic converters
    • Y02A50/2351—Atmospheric particulate matter [PM], e.g. carbon smoke microparticles, smog, aerosol particles, dust

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Health & Medical Sciences (AREA)
  • Computing Systems (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Molecular Biology (AREA)
  • Artificial Intelligence (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Feedback Control In General (AREA)
  • Electric Vacuum Cleaner (AREA)

Abstract

本申请提供了一种单电场节能控制方法及装置，采集电除尘子系统的实时数据，电除尘子系统包括多个单电场；按照多个单电场的编号顺序，根据电除尘子系统的目标总除尘效率和实时数据，依次确定每个单电场是否为目标单电场，目标单电场用于表示需要调节设定参数的单电场；针对每个目标单电场，确定目标单电场的目标运行参数；将目标单电场的目标运行参数输入目标单电场对应的预先训练的神经网络模型，输出目标单电场的目标设定参数；根据目标单电场的目标设定参数，对目标单电场进行调节。本申请能够在保证粉尘排放达标的同时，实现对单电场的精确节能控制。

Description

一种单电场节能控制方法及装置
技术领域
本申请涉及烟气治理领域，具体涉及一种单电场节能控制方法及装置。
背景技术
节能减排是环境保护的重要课题之一，为减少粉尘排放、保护环境，工厂普遍采取除尘技术降低工业废气中的粉尘含量，其中，电除尘技术具有效率高、能耗低、易于维护等优点，应用较为广泛。随着排放标准越来越严格，为达排放标准，除尘设备运行耗电也随之增加，如何在保证出口粉尘排放达标的前提下提高设备的节能率十分关键。
一个电除尘子系统包含多个单电场控制设备，目前，对单电场控制设备进行控制，基本以手动调节为主。当锅炉负荷变化时，由现场操作人员手动调节其中几台单电场控制设备的设定参数，以适应现场运行工况的变化；当有单电场控制设备因检修停运或故障报警时，则由现场操作人员手动调节其它正在运行的单电场控制设备，以满足整个电除尘子系统整体的除尘效率指标。
上述手动调节的方式，滞后性和随机性很大，经常出现系统出力偏大导致设备功耗增加，造成电力资源浪费的情况，或者系统出力偏小导致粉尘排放浓度不达标的情况。此外，上述调节方式是根据电除尘子系统整体的除尘效率进行考虑来调节的，调节不够精确，在节约能源方面仍有可以提升的空间。因此，需要一种在出口粉尘排放达标的前提下，尽可能提高设备的能源利用率的控制方法。
发明内容
有鉴于此，本申请提供了一种单电场节能控制方法及装置，在保证出口粉尘排放达标的前提下，通过挖掘单电场控制设备的节能空间，实现精准的节能控制。
一方面，本申请实施例提供了一种单电场节能控制方法，所述方法包括：
采集电除尘子系统的实时数据，所述电除尘子系统包括多个单电场；
按照所述多个单电场的编号顺序，根据所述电除尘子系统的目标总除尘效率和所述实时数据，依次确定每个所述单电场是否为目标单电场，所述目标单电场用于表示需要调节设定参数的单电场；
针对每个所述目标单电场，确定所述目标单电场的目标运行参数；
将所述目标单电场的目标运行参数输入所述目标单电场对应的预先训练的神经网络模型，输出所述目标单电场的目标设定参数；
根据所述目标单电场的目标设定参数，对所述目标单电场进行调节。
可选的，所述根据所述电除尘子系统的目标总除尘效率和所述实时数据，依次确定每个所述单电场是否为目标单电场，包括：
对每个所述单电场，根据所述目标总除尘效率，计算所述单电场的理论除尘效率；
根据所述单电场的理论除尘效率和所述实时数据，确定所述单电场在所述理论除尘效率下的出力余量是否充足；
对于所述出力余量不充足的单电场，将所述单电场的实际除尘效率作为所述单电场的目标除尘效率，并确定所述单电场不是目标单电场；
对于所述出力余量充足的单电场，将所述单电场的理论除尘效率作为所述单电场的目标除尘效率，并确定所述单电场为目标单电场。
可选的，所述对每个所述单电场，根据所述目标总除尘效率，计算所述单电场的理论除尘效率，包括：
对于第1个所述单电场，根据所述目标总除尘效率，计算所述第1个单电场的理论除尘效率；
对于第k个所述单电场，根据所述目标总除尘效率和所述前k-1个单电场各自的目标除尘效率，计算所述第k个单电场的理论除尘效率，所述k为大于1的整数。
可选的，所述根据所述单电场的理论除尘效率和所述实时数据，确定所述单电场在所述理论除尘效率下的出力余量是否充足，包括：
根据所述单电场的理论除尘效率和所述实时数据，计算所述单电场在所述理论除尘效率下的出力大小；
根据所述单电场在所述理论除尘效率下的出力大小，和所述单电场的额定出力大小，确定所述单电场在所述理论除尘效率下的出力余量是否充足。
可选的，所述实时数据包括所述电除尘子系统的全局运行参数和所述多个单电场各自的实时参数。
可选的，所述预先训练的神经网络模型为深度学习神经网络DNN模型。
可选的，所述多个单电场各自对应一个预先训练的神经网络模型，所述预先训练的神经网络模型是根据以下方式训练得到的：
确定所述模型的输入特征参数和输出特征参数，所述输入特征参数包括所述模型对应的单电场的历史参数和所述电除尘子系统的历史全局运行参数，所述输出特征参数包括所述模型对应的单电场的历史设定参数；
设计所述模型的框架；
确定所述模型的损失函数和优化函数；
准备所述模型的训练集和测试集；
根据所述训练集和测试集，得到所述预先训练的神经网络模型。
另一方面，本申请实施例还提供了一种单电场节能控制装置，所述装置包括：
采集单元，用于采集电除尘子系统的实时数据，所述电除尘子系统包括多个单电场；
目标单电场确定单元，用于按照所述多个单电场的编号顺序，根据所述电除尘子系统的目标总除尘效率和所述实时数据，依次确定每个所述单电场是否为目标单电场，所述目标单电场用于表示需要调节设定参数的单电场；
目标运行参数确定单元，用于针对每个所述目标单电场，确定所述目标单电场的目标运行参数；
模型推理单元，用于将所述目标单电场的目标运行参数输入所述目标单电场对应的预先训练的神经网络模型，输出所述目标单电场的目标设定参数；
调节单元，用于根据所述目标单电场的目标设定参数，对所述目标单电场进行调节。
另一方面，本申请实施例还提供了一种设备，所述设备包括：处理器和存储器；
所述存储器，用于存储指令；
所述处理器，用于执行所述存储器中的所述指令，执行以上方面所述的方法。
另一方面，本申请实施例还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程序代码或指令，当其在计算机上运行时，使得所述计算机执行以上方面所述的方法。
由此可见，本申请实施例具有如下有益效果：
根据本申请提供的方法，首先采集包括多个单电场的电除尘子系统的实时数据，再按照多个单电场的编号顺序，根据目标总除尘效率和实时数据，依次确定每个单电场是否为目标单电场，即为需要调节设定参数的单电场；针对每个目标单电场，确定目标单电场的目标运行参数；将目标单电场的目标运行参数输入所述目标单电场对应的预先训练的单电场控制模型，输出目标单电场的目标设定参数；根据目标单电场的目标设定参数，即可对目标单电场进行调节。本申请能够将整个电除尘子系统的目标总除尘效率精准分配到每个单电场，保证出口粉尘排放达标的同时，实现了对单电场的精确节能控制。
附图说明
为了更清楚地说明本申请实施例或现有技术中的技术方案，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申请中记载的一些实施例，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为本申请实施例提供的一种单电场节能控制方法的流程图；
图2为本申请实施例提供的一种DNN模型结构的示意图；
图3为本申请实施例提供的一种模型训练的流程图；
图4为本申请实施例提供的一种单电场节能控制装置的示意图。
具体实施方式
为了使本技术领域的人员更好地理解本申请方案，下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，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，都属于本申请保护的范围。
目前，对单电场控制设备的调节方法，滞后性和随机性很大，经常出现系统出力偏大导致设备功耗增加，造成电力资源浪费的情况，或者系统出力偏小导致粉尘排放浓度不达标的情况。此外，上述调节方式是根据电除尘子系统整体的除尘效率进行考虑来调节的，调节不够精确，在节约能源方面仍有可以提升的空间。
为了解决上述问题，本申请提供了一种单电场节能控制方法及装置，通过确定需要调节设定参数的目标单电场，针对目标单电场，将目标单电场的目标运行参数输入所述目标单电场对应的预先训练的单电场控制模型，从而输出目标单电场的目标设定参数，能够将整个电除尘子系统的目标总除尘效率精准分配到每个单电场，保证出口粉尘排放达标的同时，实现了对单电场的精确节能控制。
为了便于理解，下面结合附图对本申请实施例提供的一种单电场节能控制方法及装置进行详细的说明。
参考图1所示，为本申请实施例提供的一种单电场节能控制方法的流程图，该方法可以包括以下步骤：
S101：采集电除尘子系统的实时数据，所述电除尘子系统包括多个单电场。
本申请实施例中，电除尘子系统包括多个单电场，单电场即为单个单场，多个单电场之间以串联的方式连接，烟气经过电除尘子系统，通过多个单电场进行除尘，实现最终出口粉尘的较低排放。
一种可能的实现方式中，所述实时数据包括所述电除尘子系统的全局运行参数和所述多个单电场各自的实时参数。
本申请实施例中，电除尘子系统的全局运行参数，可以为锅炉负荷信号LOAD，具体地，锅炉负荷信号LOAD可以是通过硬接线从DCS(Distributed Control System，分散控制系统)采集得到的。
多个单电场各自的实时参数可以包括多个单电场各自的运行参数和设定参数等，其中，单电场的运行参数和设定参数可以是各个电场通过MODBUS RTU通讯接口，从单电场对应的现场高压电源采集得到的。具体地，运行参数可以包括二次平均电压Ua、二次峰值电压Up、二次电压峰值、一次电流、一次电压和火化率等；设定参数可以包括脉冲断电时间Poff等。
多个单电场之间采用工业以太网MODBUS TCP进行数据通讯；多个单电场各自的实时参数还可以包括多个单电场各自的电场编号ID、、运行/停止状态RUN和故障状态FAULT等，上述实时参数可以是由各个电池通过MODBUS RTU通讯接口采集，并由电除尘子系统通过MODBUS TCP获取的。
S102：按照所述多个单电场的编号顺序，根据所述电除尘子系统的目标总除尘效率和所述实时数据，依次确定每个所述单电场是否为目标单电场，所述目标单电场用于表示需要调节设定参数的单电场。
本申请实施例中，对于电除尘子系统中的各个单电场，额定的出力大小可能并不相同，除尘能力也并不一定相同，对于额定出力小的单电场，如果再增加其功率，可能会导致出力余量不足；对于额定出力大的单电场，则可以适当增加其功率，保证整个系统的除尘效率达到目标总除尘效率。因此，为了对各个单电场进行精准调节，将目标总除尘效率精确地分配到各个单电场，需要确定目标单电场，即需要调节设定参数的单电场。
具体地，目标总除尘效率可以是根据标准工况预先设定的，在此不作任何限定。
一种可能的实现方式中，所述根据所述电除尘子系统的目标总除尘效率和所述实时数据，依次确定每个所述单电场是否为目标单电场，包括：
对每个所述单电场，根据所述目标总除尘效率，计算所述单电场的理论除尘效率；
根据所述单电场的理论除尘效率和所述实时数据，确定所述单电场在所述理论除尘效率下的出力余量是否充足；
对于所述出力余量不充足的单电场，将所述单电场的实际除尘效率作为所述单电场的目标除尘效率，并确定所述单电场不是目标单电场；
对于所述出力余量充足的单电场，将所述单电场的理论除尘效率作为所述单电场的目标除尘效率，并确定所述单电场为目标单电场。
本申请实施例中，对于在理论除尘效率下出力余量不充足的单电场，不对其进行调节，保持该单电场原本的实际除尘效率作为目标除尘效率；对于在理论除尘效率下出力余量充足的单电场，则将该单电场的理论除尘效率作为目标除尘效率。本申请实施例中按照编号顺序，为各个单电场分配目标除尘效率；在每次计算单电场的理论除尘效率时，需要从目标总除尘效率中去除将已经分配目标除尘效率的其他单电场的除尘效率。单电场的理论除尘效率用于表示未分配目标除尘效率的各个单电场的除尘效率都相同时，单电场的除尘效率的理论值。
一种可能的实现方式中，所述对每个所述单电场，根据所述目标总除尘效率，计算所述单电场的理论除尘效率，包括：
对于第1个所述单电场，根据所述目标总除尘效率，计算所述第1个单电场的理论除尘效率；
对于第k个所述单电场，根据所述目标总除尘效率和所述前k-1个单电场各自的目标除尘效率，计算所述第k个单电场的理论除尘效率，所述k为大于1的整数。
本申请实施例中，目标总除尘效率可以表示为η总，对于有n个单电场的电除尘子系统中的各个单电场，编号为1，2，……n。具体地，单电场的个数n和各个单电场的编号顺序是根据S101中采集到的实时数据确定的；在S101中，可以通过采集各个单电场的状态标志位，如运行/停止状态RUN、故障状态FAULT等，确定正在运行且没有发生故障的单电场的个数，对于停止运行或发生故障的单电场，不进行编号顺序的分配，也不进行目标除尘效率的分配。
具体地，对于第1个单电场，理论除尘效率可以表示为η1，目标除尘效率可以表示为η1'，此时，假设为各个单电场分配的理论除尘效率相同，即目标总除尘效率η总平均分配到各个单电场。由于各个单电场是以串联的方式连接的，则有代数递推公式：
1-(1-η1)n＝η总
根据上述代数递推公式，可求得第1个单电场的理论除尘效率为：
对于第k个单电场，理论除尘效率可以表示为ηk，目标除尘效率可以表示为ηk'；其中，k为大于1的整数。对于ηk，假设从第k个单电场到第n个单电场，理论除尘效率都相同，则有代数递推公式：
1-(1-η1')×…(1-ηk-1')×(1-ηk)n-(k-1)＝η总
根据上述代数递推公式，可以求得ηk的值，以此类推。
一种可能的实现方式中，所述根据所述单电场的理论除尘效率和所述实时数据，确定所述单电场在所述理论除尘效率下的出力余量是否充足，包括：
根据所述单电场的理论除尘效率和所述实时数据，计算所述单电场在所述理论除尘效率下的出力大小；
根据所述单电场在所述理论除尘效率下的出力大小，和所述单电场的额定出力大小，确定所述单电场在所述理论除尘效率下的出力余量是否充足。
具体地，根据单电场的除尘效率计算单电场的出力大小，有以下公式：
单电场的除尘效率表示为η单，则有除尘效率多依奇公式：
w表示粉尘颗粒驱进速度，A表示单电场收尘面积，Q表示烟气流量。其中，单电场收尘面积A为设定好的已知量，烟气流量Q可以是由全局运行参数得到的。具体地，采用分段区间插补计算方法，可以将锅炉负荷信号LOAD折算为烟气流量Q。
由上述除尘效率多依奇公式，可求得w：
w＝Q×[ln(1-η单)]2÷A……①
粉尘颗粒驱进速度有如下计算公式：
w＝β×Ua×Up……②
其中，Ua为二次平均电压、Up为二次峰值电压。
由上述①和②可求得Ua×Up的值，即可表示单电场的除尘效率为η单时，单电场的出力大小。
令η单＝η1,ηk(k>1且k为整数)，则可以求得Ua×Up的理论值，用于表示单电场在理论除尘效率下的理论出力大小；
对各个单电场，额定出力大小是由单电场的额定二次平均电压和额定二次峰值电压决定的，由于每个单电场的设备容量等硬件参数的差异，额定出力大小也可能不同。额定出力大小可以由额定二次平均电压和额定二次峰值电压的乘积表示，即Uaup×Upup。根据单电场在理论除尘效率下的出力大小Ua×Up和单电场的额定出力大小Uaup×Upup，可以确定出单电场在该理论除尘效率下的出力余量占额定出力大小的比例，再根据上述比例，可以确定单电场在该理论除尘效率下出力余量是否充足。在一种可能的实现方式中，可以将出力余量是否充足的临界值设为5％。则有如下不等式：
(Uaup×Upup-Ua×Up)/Uaup×Upup<5％
若上述不等式成立，则说明单电场在该理论除尘效率下，出力余量不充足；否则，则说明单电场在该理论除尘效率下出力余量充足。
对于出力余量不充足的单电场，则保持该单电场原本的除尘效率，即将该单电场的实际除尘效率作为该单电场的目标除尘效率，并确定该单电场不是目标单电场。具体地，对于出力余量不充足的单电场i(i为正整数)，目标除尘效率ηi'，即实际除尘效率，可以根据如下式③和④计算得到：
除尘效率多依奇公式：
粉尘颗粒驱进速度计算公式：
w＝β×U'a×U'p……④
其中，U'a为步骤S101中实际采集到的单电场的实际二次平均电压；U'p为步骤S101中实际采集到的单电场的实际二次峰值电压。
对于出力余量充足的目标单电场j(j为正整数)，目标除尘效率即理论除尘效率，ηj'＝ηj。
S103：针对每个所述目标单电场，确定所述目标单电场的目标运行参数。
目标单电场的目标运行参数即在目标除尘效率下对应的目标运行参数。本申请实施例中，目标运行参数可以包括二次平均电压和二次峰值电压乘积目标值，通过理论除尘效率求得，可以表示为Ua×Up。
S104：将所述目标单电场的目标运行参数输入所述目标单电场对应的预先训练的神经网络模型，输出所述目标单电场的目标设定参数。
本申请实施例中，将目标运行参数输入预先训练的神经网络模型，通过模型推理的方式，得到目标单电场的目标设定参数，从而能够根据目标设定参数实现对目标单电场的精准调节。需要说明的是，预先训练的神经网络模型和各个单电场是一一对应的。
具体地，为了提高模型训练及推理的准确率和效率，可以采用DNN(DeepNeuralNetwork，深度神经网络)模型。
一种可能的实现方式中，所述预先训练的神经网络模型为深度学习神经网络DNN模型。
更具体地，本申请实施例中，采用的预先训练的神经网络模型可以是逆动力DNN非线性回归模型。
一种可能的实现方式中，所述多个单电场各自对应一个预先训练的神经网络模型，所述预先训练的神经网络模型是根据以下方式训练得到的：
确定所述模型的输入特征参数和输出特征参数，所述输入特征参数包括所述模型对应的单电场的历史参数和所述电除尘子系统的历史全局运行参数，所述输出特征参数包括所述模型对应的单电场的历史设定参数；
设计所述模型的框架；
确定所述模型的损失函数和优化函数；
准备所述模型的训练集和测试集；
根据所述训练集和测试集，得到所述预先训练的神经网络模型。
本申请实施例中，在对单电场进行调节之前，对各个单电场对应的神经网络模型都预先进行训练，从而在确定目标单电场之后，即可直接使用目标单电场对应的预先训练的神经网络模型进行模型推理，缩短调节单电场的响应时间。
具体地，针对某个单电场，该单电场对应的预先训练的神经网络模型可以是根据以下步骤S1～S5训练得到的：
S1、确定输入特征参数和输出特征参数。
本申请实施例中，输入特征参数可以包括单电场的历史参数，即单电场的历史运行参数、历史设定参数等，输入特征参数还包括全局运行参数，即锅炉负荷信号LOAD。输出特征参数可以包括单电场的历史设定参数，例如脉冲断电时间Poff。
具体地，每个样本向量可以由含30个输入特征参数分量，用Xi1～Xi30表示。输出特征参数包含1个输出特征参数分量，用Yi1表示。其中，i表示第i个特征向量。
S2、设计模型框架。
本申请实施例中，采用逆动力DNN非线性回归模型，其中，框架可以采用TensorFlow框架。
由于模型的输入特征参数的维度较低，本申请实施例中，通过采用增加DNN深度的方式，从而增强回归模型自动提取复杂特征的能力。
具体地，DNN模型结构可以参考图2，为本申请实施例提供的一种DNN模型结构的示意图。
如图2所示，DNN模型采用5层模型结构，包括：输入层、5层隐藏层和输出层。其中，输入层中，每个样本向量含30个输入特征参数分量；隐藏层，每层各含20个神经元；激活函数采用逻辑斯特激活函数；输出层，含1个神经元，不含激活函数。
S3、确定模型的损失函数和优化函数。
本申请实施例中，模型的损失函数可以采用均方差MSE加上L2正则项，其中L2正则项调整可以在过拟合和欠拟合之间找到一个最佳平衡点；模型的优化函数可以采用ADAM梯度下降优化发，梯度阈值取0.002，梯度小于0.002时，自动退出迭代，防止过拟合。
S4、准备模型的训练集和测试集。
本申请实施例中，可以选取单电场在一定时期内的历史数据，将历史数据按照7:3的比例划分为训练集和测试集。具体地，历史数据可以为5000组。
S5、根据训练集和测试集，得到训练好的神经网络模型。
本申请实施例中，采用批次法训练DNN模型，每批次为50个样本数据。DNN模型的训练主要包括：
1)前向传播：计算输入信号和相应权重的点积，接着应用激活函数，将输入信号映射为输出信号；
2)反向传播：计算误差函数(E)在权重(W)也就是参数上的梯度，然后以损失函数的梯度的相反方向更新权重(W)参数；
3)检查输出层误差E(q)是否小于预设阈值ε，是则结束迭代，完成训练，否则按批次取下一个数据，开始新一轮计算。
具体流程可以参照图3所示，为本申请实施例提供的一种模型训练的流程图：
将经归一化处理的训练样本输入模型；
参数初始化，包括对最大迭代次数、学习精度、隐节点数、初始权值、阈值和初始学习速度等参数进行初始化。
计算各层的输入和输出值；
计算输出层误差E(q)；
检查输出层误差E(q)是否小于预设阈值ε，若是，则结束迭代，否则，修正权值和阈值，重新取下一批次的数据进行新一轮计算。
S105：根据所述目标单电场的目标设定参数，对所述目标单电场进行调节。
本申请实施例提供了一种单电场节能控制方法，首先采集包括多个单电场的电除尘子系统的实时数据，再按照多个单电场的编号顺序，根据目标总除尘效率和实时数据，依次确定每个单电场是否为目标单电场，即为需要调节设定参数的单电场；针对每个目标单电场，确定目标单电场的目标运行参数；将目标单电场的目标运行参数输入所述目标单电场对应的预先训练的单电场控制模型，输出目标单电场的目标设定参数；根据目标单电场的目标设定参数，即可对目标单电场进行调节。本申请能够将整个电除尘子系统的目标总除尘效率精准分配到每个单电场，保证出口粉尘排放达标的同时，实现了对单电场的精确节能控制。
基于以上单电场节能控制方法，本申请还提供了一种单电场节能控制装置，参考图4所示，该图为本申请实施例提供的一种单电场节能控制装置的示意图，该单电场节能控制装置可以包括：
采集单元201，用于采集电除尘子系统的实时数据，所述电除尘子系统包括多个单电场；
目标单电场确定单元202，用于按照所述多个单电场的编号顺序，根据所述电除尘子系统的目标总除尘效率和所述实时数据，依次确定每个所述单电场是否为目标单电场，所述目标单电场用于表示需要调节设定参数的单电场；
目标运行参数确定单元203，用于针对每个所述目标单电场，确定所述目标单电场的目标运行参数；
模型推理单元204，用于将所述目标单电场的目标运行参数输入所述目标单电场对应的预先训练的神经网络模型，输出所述目标单电场的目标设定参数；
调节单元205，用于根据所述目标单电场的目标设定参数，对所述目标单电场进行调节。
一种可能的实现方式中，所述目标单电场确定单元具体用于：
对每个所述单电场，根据所述目标总除尘效率，计算所述单电场的理论除尘效率；
根据所述单电场的理论除尘效率和所述实时数据，确定所述单电场在所述理论除尘效率下的出力余量是否充足；
对于所述出力余量不充足的单电场，将所述单电场的实际除尘效率作为所述单电场的目标除尘效率，并确定所述单电场不是目标单电场；
对于所述出力余量充足的单电场，将所述单电场的理论除尘效率作为所述单电场的目标除尘效率，并确定所述单电场为目标单电场。
一种可能的实现方式中，所述目标单电场确定单元具体用于：
对于第1个所述单电场，根据所述目标总除尘效率，计算所述第1个单电场的理论除尘效率；
对于第k个所述单电场，根据所述目标总除尘效率和所述前k-1个单电场各自的目标除尘效率，计算所述第k个单电场的理论除尘效率，所述k为大于1的整数。
一种可能的实现方式中，所述目标单电场确定单元具体用于：
根据所述单电场的理论除尘效率和所述实时数据，计算所述单电场在所述理论除尘效率下的出力大小；
根据所述单电场在所述理论除尘效率下的出力大小，和所述单电场的额定出力大小，确定所述单电场在所述理论除尘效率下的出力余量是否充足。
一种可能的实现方式中，所述实时数据包括所述电除尘子系统的全局运行参数和所述多个单电场各自的实时参数。
一种可能的实现方式中，所述预先训练的神经网络模型为深度学习神经网络DNN模型。
一种可能的实现方式中，所述多个单电场各自对应一个预先训练的神经网络模型，所述预先训练的神经网络模型是根据以下方式训练得到的：
确定所述模型的输入特征参数和输出特征参数，所述输入特征参数包括所述模型对应的单电场的历史参数和所述电除尘子系统的历史全局运行参数，所述输出特征参数包括所述模型对应的单电场的历史设定参数；
设计所述模型的框架；
确定所述模型的损失函数和优化函数；
准备所述模型的训练集和测试集；
根据所述训练集和测试集，得到所述预先训练的神经网络模型。
基于以上单电场节能控制方法，本申请实施例还提供了一种设备，该设备可以包括：处理器和存储器；
存储器，用于存储指令；
处理器，用于执行所述存储器中的所述指令，执行上文所述的单电场节能控制方法。
基于以上消息队列的监控方法，本申请实施例还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程序代码或指令，当其在计算机上运行时，使得所述计算机执行上文所述的单电场节能控制方法。
需要说明的是，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他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。对于实施例公开的系统或装置而言，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。
应当理解，在本申请中，“至少一个(项)”是指一个或者多个，“多个”是指两个或两个以上。“和/或”，用于描述关联对象的关联关系，表示可以存在三种关系，例如，“A和/或B”可以表示：只存在A，只存在B以及同时存在A和B三种情况，其中A，B可以是单数或者复数。字符“/”一般表示前后关联对象是一种“或”的关系。“以下至少一项(个)”或其类似表达，是指这些项中的任意组合，包括单项(个)或复数项(个)的任意组合。例如，a，b或c中的至少一项(个)，可以表示：a，b，c，“a和b”，“a和c”，“b和c”，或“a和b和c”，其中a，b，c可以是单个，也可以是多个。
还需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
结合本文中所公开的实施例描述的方法或算法的步骤可以直接用硬件、处理器执行的软件模块，或者二者的结合来实施。软件模块可以置于随机存储器(RAM)、内存、只读存储器(ROM)、电可编程ROM、电可擦除可编程ROM、寄存器、硬盘、可移动磁盘、CD-ROM、或技术领域内所公知的任意其它形式的存储介质中。
对所公开的实施例的上述说明，使本领域专业技术人员能够实现或使用本申请。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的，本文中所定义的一般原理可以在不脱离本申请的精神或范围的情况下，在其它实施例中实现。因此，本申请将不会被限制于本文所示的这些实施例，而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。

Claims (9)

1.一种单电场节能控制方法，其特征在于，所述方法包括：
采集电除尘子系统的实时数据，所述电除尘子系统包括多个单电场；
按照所述多个单电场的编号顺序，根据所述电除尘子系统的目标总除尘效率和所述实时数据，依次确定每个所述单电场是否为目标单电场，所述目标单电场用于表示需要调节设定参数的单电场；
针对每个所述目标单电场，确定所述目标单电场的目标运行参数；
将所述目标单电场的目标运行参数输入所述目标单电场对应的预先训练的神经网络模型，输出所述目标单电场的目标设定参数；
根据所述目标单电场的目标设定参数，对所述目标单电场进行调节；
所述根据所述电除尘子系统的目标总除尘效率和所述实时数据，依次确定每个所述单电场是否为目标单电场，包括：
对每个所述单电场，根据所述目标总除尘效率，计算所述单电场的理论除尘效率；根据所述单电场的理论除尘效率和所述实时数据，确定所述单电场在所述理论除尘效率下的出力余量是否充足；对于所述出力余量不充足的单电场，将所述单电场的实际除尘效率作为所述单电场的目标除尘效率，并确定所述单电场不是目标单电场；对于所述出力余量充足的单电场，将所述单电场的理论除尘效率作为所述单电场的目标除尘效率，并确定所述单电场为目标单电场。
2.根据权利要求1所述的方法，其特征在于，所述对每个所述单电场，根据所述目标总除尘效率，计算所述单电场的理论除尘效率，包括：
对于第1个所述单电场，根据所述目标总除尘效率，计算所述第1个单电场的理论除尘效率；
对于第k个所述单电场，根据所述目标总除尘效率和前k-1个单电场各自的目标除尘效率，计算所述第k个单电场的理论除尘效率，所述k为大于1的整数。
3.根据权利要求1所述的方法，其特征在于，所述根据所述单电场的理论除尘效率和所述实时数据，确定所述单电场在所述理论除尘效率下的出力余量是否充足，包括：
根据所述单电场的理论除尘效率和所述实时数据，计算所述单电场在所述理论除尘效率下的出力大小；
根据所述单电场在所述理论除尘效率下的出力大小，和所述单电场的额定出力大小，确定所述单电场在所述理论除尘效率下的出力余量是否充足。
4.根据权利要求1所述的方法，其特征在于，所述实时数据包括所述电除尘子系统的全局运行参数和所述多个单电场各自的实时参数。
5.根据权利要求1所述的方法，其特征在于，所述预先训练的神经网络模型为深度学习神经网络DNN模型。
6.根据权利要求1所述的方法，其特征在于，所述多个单电场各自对应一个预先训练的神经网络模型，所述预先训练的神经网络模型是根据以下方式训练得到的：
确定所述模型的输入特征参数和输出特征参数，所述输入特征参数包括所述模型对应的单电场的历史参数和所述电除尘子系统的历史全局运行参数，所述输出特征参数包括所述模型对应的单电场的历史设定参数；
设计所述模型的框架；
确定所述模型的损失函数和优化函数；
准备所述模型的训练集和测试集；
根据所述训练集和测试集，得到所述预先训练的神经网络模型。
7.一种单电场节能控制装置，其特征在于，所述装置包括：
采集单元，用于采集电除尘子系统的实时数据，所述电除尘子系统包括多个单电场；
目标单电场确定单元，用于按照所述多个单电场的编号顺序，根据所述电除尘子系统的目标总除尘效率和所述实时数据，依次确定每个所述单电场是否为目标单电场，所述目标单电场用于表示需要调节设定参数的单电场；
目标运行参数确定单元，用于针对每个所述目标单电场，确定所述目标单电场的目标运行参数；
模型推理单元，用于将所述目标单电场的目标运行参数输入所述目标单电场对应的预先训练的神经网络模型，输出所述目标单电场的目标设定参数；
调节单元，用于根据所述目标单电场的目标设定参数，对所述目标单电场进行调节；
所述目标单电场确定单元，具体用于对每个所述单电场，根据所述目标总除尘效率，计算所述单电场的理论除尘效率；根据所述单电场的理论除尘效率和所述实时数据，确定所述单电场在所述理论除尘效率下的出力余量是否充足；对于所述出力余量不充足的单电场，将所述单电场的实际除尘效率作为所述单电场的目标除尘效率，并确定所述单电场不是目标单电场；对于所述出力余量充足的单电场，将所述单电场的理论除尘效率作为所述单电场的目标除尘效率，并确定所述单电场为目标单电场。
8.一种单电场节能控制设备，其特征在于，所述设备包括：处理器和存储器；
所述存储器，用于存储指令；
所述处理器，用于执行所述存储器中的所述指令，执行权利要求1-6任一项所述的方法。
9.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质存储有指令，当其在计算机上运行时，使得所述计算机执行以上权利要求1-6任一项所述的方法。
CN202210493383.5A 2022-05-07 2022-05-07 一种单电场节能控制方法及装置 Active CN114904655B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210493383.5A CN114904655B (zh) 2022-05-07 2022-05-07 一种单电场节能控制方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210493383.5A CN114904655B (zh) 2022-05-07 2022-05-07 一种单电场节能控制方法及装置

Publications (2)

Publication Number Publication Date
CN114904655A CN114904655A (zh) 2022-08-16
CN114904655B true CN114904655B (zh) 2023-12-19

Family

ID=82766749

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210493383.5A Active CN114904655B (zh) 2022-05-07 2022-05-07 一种单电场节能控制方法及装置

Country Status (1)

Country Link
CN (1) CN114904655B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116967640B (zh) * 2023-09-22 2024-01-05 杭州众能光电科技有限公司 钙钛矿电池层跟随除尘控制装置及方法

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US4940470A (en) * 1988-03-23 1990-07-10 American Filtrona Corporation Single field ionizing electrically stimulated filter
CN104759352A (zh) * 2015-03-20 2015-07-08 福建龙净环保股份有限公司 一种电除尘脉冲高压电源控制器
CN108940596A (zh) * 2018-07-12 2018-12-07 浙江大学 一种基于混合模型的电除尘系统优化控制方法
CN111570093A (zh) * 2020-05-22 2020-08-25 华能平凉发电有限责任公司 一种基于锅炉煤量风量的电除尘节能控制方法及系统
CN113499856A (zh) * 2021-05-11 2021-10-15 浙江大学 多电场多通道电除尘装置的智能协同控制系统与方法
CN113976323A (zh) * 2021-09-10 2022-01-28 华能曲阜热电有限公司 一种多信号优化节能电除尘控制方法

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US4940470A (en) * 1988-03-23 1990-07-10 American Filtrona Corporation Single field ionizing electrically stimulated filter
CN104759352A (zh) * 2015-03-20 2015-07-08 福建龙净环保股份有限公司 一种电除尘脉冲高压电源控制器
CN108940596A (zh) * 2018-07-12 2018-12-07 浙江大学 一种基于混合模型的电除尘系统优化控制方法
CN111570093A (zh) * 2020-05-22 2020-08-25 华能平凉发电有限责任公司 一种基于锅炉煤量风量的电除尘节能控制方法及系统
CN113499856A (zh) * 2021-05-11 2021-10-15 浙江大学 多电场多通道电除尘装置的智能协同控制系统与方法
CN113976323A (zh) * 2021-09-10 2022-01-28 华能曲阜热电有限公司 一种多信号优化节能电除尘控制方法

Also Published As

Publication number Publication date
CN114904655A (zh) 2022-08-16

Similar Documents

Publication Publication Date Title
CN110659779B (zh) 一种基于长短期记忆网络的配电系统网损预测方法
CN110837058A (zh) 基于大数据的电池组健康状态评估装置及评估方法
CN113344192B (zh) 企业级电机系统节能优化自动控制方法及系统
CN113872213B (zh) 一种配电网电压自主优化控制方法及装置
CN114904655B (zh) 一种单电场节能控制方法及装置
CN117013606B (zh) 一种基于人工智能的光伏发电智能储能控制系统
CN108964113B (zh) 一种新能源发电调度方法及系统
CN103077300A (zh) 一种基于二型模糊逻辑的分布式光伏电源发电量预测方法
CN118210237B (zh) 一种一体化污水处理设备智能加药控制系统
CN104299043A (zh) 极限学习机超短期负荷预测方法
CN116799780A (zh) 一种配电网分布式光伏承载力评估方法、系统及评估终端
CN116090626A (zh) 一种基于云边协同的风电机组状态评估与智能预警系统及方法
CN116454967A (zh) 一种电网新能源消纳能力评估方法及装置
CN115700324A (zh) 一种瓦温预警的方法、装置和电子设备
CN115912367A (zh) 一种基于深度强化学习的电力系统运行方式智能生成方法
CN109085296B (zh) 判断臭氧生成敏感性与前体物控制方法、装置、存储介质、终端
CN101833281A (zh) 污水处理曝气节能控制方法
CN111624874B (zh) 用于城市污水处理的泵站集群智能化预测方法及系统、存储介质
CN117638939A (zh) 一种基于Adam算法考虑的水光互补优化调度方法
CN117375097A (zh) 基于多代理协调控制策略与强化学习的光伏协调自治方法
CN115313510A (zh) 一种自适应无功补偿的光伏逆变器控制方法与系统
CN101478159A (zh) 基于差分等式约束转化降阶的暂态稳定约束潮流优化方法
CN114943448A (zh) 一种微电网优化调度模型的构建方法和系统
CN114718514A (zh) 基于功率加权预测的抽油机直流母线群控算法
CN116845985B (zh) 一种基于数据分析的源网荷储协同调度系统

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
GR01 Patent grant
GR01 Patent grant