CN115099032A - 一种火电厂烟气提水量预警方法及装置 - Google Patents
一种火电厂烟气提水量预警方法及装置 Download PDFInfo
- Publication number
- CN115099032A CN115099032A CN202210710787.5A CN202210710787A CN115099032A CN 115099032 A CN115099032 A CN 115099032A CN 202210710787 A CN202210710787 A CN 202210710787A CN 115099032 A CN115099032 A CN 115099032A
- Authority
- CN
- China
- Prior art keywords
- flue gas
- early warning
- model
- amount
- water
- 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
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 title claims abstract description 276
- 239000000779 smoke Substances 0.000 title claims abstract description 94
- 238000000034 method Methods 0.000 title claims abstract description 52
- UGFAIRIUMAVXCW-UHFFFAOYSA-N Carbon monoxide Chemical compound [O+]#[C-] UGFAIRIUMAVXCW-UHFFFAOYSA-N 0.000 claims abstract description 246
- 239000003546 flue gas Substances 0.000 claims abstract description 246
- 238000012545 processing Methods 0.000 claims abstract description 30
- 239000007789 gas Substances 0.000 claims abstract description 13
- 238000012549 training Methods 0.000 claims description 64
- 230000006870 function Effects 0.000 claims description 52
- 238000012795 verification Methods 0.000 claims description 32
- 238000003809 water extraction Methods 0.000 claims description 22
- 238000004590 computer program Methods 0.000 claims description 20
- 238000003860 storage Methods 0.000 claims description 11
- 238000010606 normalization Methods 0.000 claims description 9
- 235000019504 cigarettes Nutrition 0.000 abstract 1
- 238000010586 diagram Methods 0.000 description 16
- 238000004891 communication Methods 0.000 description 15
- 238000012544 monitoring process Methods 0.000 description 5
- 230000002159 abnormal effect Effects 0.000 description 4
- 239000000872 buffer Substances 0.000 description 4
- 239000000498 cooling water Substances 0.000 description 4
- 238000004458 analytical method Methods 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 230000015556 catabolic process Effects 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 238000004140 cleaning Methods 0.000 description 1
- 238000001816 cooling Methods 0.000 description 1
- 238000006731 degradation reaction Methods 0.000 description 1
- 230000006866 deterioration Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 239000011521 glass Substances 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000010295 mobile communication Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000008092 positive effect Effects 0.000 description 1
- 238000010248 power generation Methods 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 238000010977 unit operation Methods 0.000 description 1
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
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Computer Hardware Design (AREA)
- Geometry (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Artificial Intelligence (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本申请提供一种火电厂烟气提水量预警方法及装置，涉及电力系统多能互补领域，包括：获取烟气系统的当前工况数据；根据所述当前工况数据及预先构建的烟气提水量线性模型确定对应的烟气提水量预测值；其中，所述烟气提水量线性模型是根据历史工况数据构建的；根据预设的预警阈值、所述烟气系统当前工况数据中的烟气提水量实际值及所述烟气提水量预测值进行预警处理。本申请能够对火电厂烟气提水量进行预测及预警。
Description
技术领域
本申请涉及电力系统多能互补领域，具体是一种火电厂烟气提水量预警方法及装置。
背景技术
电力行业是实现经济发展的基础产业，同时也是用水大户，水在火力发电过程中承担着传递能量、冷却及清洁的重要作用。
考虑到高效回收烟气水分及大幅降低机组水耗，对平衡火电发展与水源保护间的矛盾具有积极作用，因此，需要开展火电厂烟气提水量预测，提高机组运行水平。
现有技术中，由于烟气提水调节手段多，工况变动大，对烟气系统提水量的劣化状况不易直观对比观察，难以直接获得对提水量的准确预测，以合理调节发电机组运行参数。
发明内容
针对现有技术中的问题，本申请提供一种火电厂烟气提水量预警方法及装置，能够对火电厂烟气提水量进行预测及预警。
为解决上述技术问题，本申请提供以下技术方案：
第一方面，本申请提供一种火电厂烟气提水量预警方法，包括：
获取烟气系统的当前工况数据；
根据所述当前工况数据及预先构建的烟气提水量线性模型确定对应的烟气提水量预测值；其中，所述烟气提水量线性模型是根据历史工况数据构建的；
根据预设的预警阈值、所述烟气系统当前工况数据中的烟气提水量实际值及所述烟气提水量预测值进行预警处理。
进一步地，所述烟气系统历史工况数据包括烟气系统历史运行特征参数及烟气提水量历史值；所述构建烟气提水量线性模型的步骤，包括：
根据所述烟气系统历史运行特征参数构建模型训练集；
根据所述烟气提水量历史值构建模型验证集；
将所述模型训练集及所述模型验证集输入初始烟气提水量线性模型，得到所述烟气提水量线性模型。
进一步地，所述根据所述烟气系统历史运行特征参数构建模型训练集，包括：
对所述烟气系统历史运行特征参数进行归一化处理，得到对应的归一化特征参数；
根据所述归一化特征参数生成所述模型训练集。
进一步地，所述将所述模型训练集及所述模型验证集输入初始烟气提水量线性模型，得到所述烟气提水量线性模型，包括：
根据所述模型训练集中的所述归一化特征参数及所述模型验证集中的所述烟气提水量历史值构建模型误差函数；
对所述模型误差函数求偏导数，得到对应的误差偏导函数；
根据预设的迭代系数及所述误差偏导函数构建模型参数更新公式；
利用所述模型参数更新公式对所述初始烟气提水量线性模型的模型参数进行更新，得到所述烟气提水量线性模型。
进一步地，所述的火电厂烟气提水量预警方法，还包括：
根据所述烟气提水量预测值及所述烟气提水量实际值确定所述烟气提水量线性模型的误差区间；
根据所述误差区间确定所述预警阈值。
进一步地，所述根据预设的预警阈值、所述烟气系统当前工况数据中的烟气提水量实际值及所述烟气提水量预测值进行预警处理，包括：
根据所述烟气提水量实际值及所述烟气提水量预测值确定烟气提水量偏差值；
比较所述烟气提水量偏差值与所述预警阈值，若所述烟气提水量偏差值超过所述预警阈值，进行预警。
第二方面，本申请提供一种火电厂烟气提水量预警装置，包括：
工况数据获取单元，用于获取烟气系统的当前工况数据；
提水量预测单元，用于根据所述当前工况数据及预先构建的烟气提水量线性模型确定对应的烟气提水量预测值；其中，所述烟气提水量线性模型是根据历史工况数据构建的；
预警单元，用于根据预设的预警阈值、所述烟气系统当前工况数据中的烟气提水量实际值及所述烟气提水量预测值进行预警处理。
进一步地，所述烟气系统历史工况数据包括烟气系统历史运行特征参数及烟气提水量历史值；所述装置，还包括：
训练集生成单元，用于根据所述烟气系统历史运行特征参数构建模型训练集；
验证集生成单元，用于根据所述烟气提水量历史值构建模型验证集；
线性模型生成单元，用于将所述模型训练集及所述模型验证集输入初始烟气提水量线性模型，得到所述烟气提水量线性模型。
进一步地，所述训练集生成单元，包括：
归一化模块，用于对所述烟气系统历史运行特征参数进行归一化处理，得到对应的归一化特征参数；
训练集生成模块，用于根据所述归一化特征参数生成所述模型训练集。
进一步地，所述线性模型生成单元，包括：
误差函数生成模块，用于根据所述模型训练集中的所述归一化特征参数及所述模型验证集中的所述烟气提水量历史值构建模型误差函数；
偏导函数生成模块，用于对所述模型误差函数求偏导数，得到对应的误差偏导函数；
更新公式生成模块，用于根据预设的迭代系数及所述误差偏导函数构建模型参数更新公式；
线性模型生成模块，用于利用所述模型参数更新公式对所述初始烟气提水量线性模型的模型参数进行更新，得到所述烟气提水量线性模型。
进一步地，所述的火电厂烟气提水量预警装置，还包括：
误差区间确定单元，用于根据所述烟气提水量预测值及所述烟气提水量实际值确定所述烟气提水量线性模型的误差区间；
预警阈值确定单元，用于根据所述误差区间确定所述预警阈值。
进一步地，所述预警单元，包括：
提水量偏差模块，用于根据所述烟气提水量实际值及所述烟气提水量预测值确定烟气提水量偏差值；
预警模块，用于比较所述烟气提水量偏差值与所述预警阈值，若所述烟气提水量偏差值超过所述预警阈值，进行预警。
第三方面，本申请提供一种电子设备包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现所述火电厂烟气提水量预警方法的步骤。
第四方面，本申请提供一种计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现所述火电厂烟气提水量预警方法的步骤。
第五方面，本申请提供一种计算机程序产品，包括计算机程序/指令，该计算机程序/指令被处理器执行时实现所述火电厂烟气提水量预警方法的步骤。
针对现有技术中的问题，本申请提供的火电厂烟气提水量预警方法及装置，能够通过对较长时间段内的烟气系统历史工况数据进行训练，得到烟气提水量线性模型，通过对烟气提水系统的当前工况数据进行监测，明确量化提水量的变化幅度，通过预警提醒烟气提水量的异常变化，维护烟气提水系统的健康。
附图说明
为了更清楚地说明本发明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为本申请实施例中火电厂烟气提水量预警方法的流程图之一；
图2为本申请实施例中构建烟气提水量线性模型的流程图；
图3为本申请实施例中构建模型训练集的流程图；
图4为本申请实施例中得到烟气提水量线性模型的流程图；
图5为本申请实施例中火电厂烟气提水量预警方法的流程图之二；
图6为本申请实施例中进行预警处理的流程图；
图7为本申请实施例中火电厂烟气提水量预警装置的结构图之一；
图8为本申请实施例中火电厂烟气提水量预警装置的结构图之二；
图9为本申请实施例中训练集生成单元的结构图；
图10为本申请实施例中线性模型生成单元的结构图；
图11为本申请实施例中火电厂烟气提水量预警装置的结构图之二；
图12为本申请实施例中预警单元的结构图；
图13为本申请实施例中的电子设备的结构示意图。
具体实施方式
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。
在火力发电厂中，烟气提水系统的提水量与环境温度、机组负荷、循环水泵数量、循环水量、换热器进口温度、换热器出口温度及换热器冷却水进口温度等物理量密切相关。通过采集较长时间段内的历史工况数据，可以计算得到所欲构建的烟气提水量预测模型的模型参数，从而构建完整的烟气提水量线性模型。将烟气系统当前工况数据输入烟气提水量线性模型，可以预测对应的烟气提水量，将预测的烟气提水量与烟气提水系统的当前工况数据进行对比，可以判断烟气提水系统的健康程度。
一实施例中，参见图1，为了能够对火电厂烟气提水量进行预测及预警，本申请提供一种火电厂烟气提水量预警方法，包括：
S101：获取烟气系统的当前工况数据；
可以理解的是，参见图2，该步骤具体包括：根据所述烟气系统历史运行特征参数构建模型训练集(S201)；根据所述烟气提水量历史值构建模型验证集(S202)；及将所述模型训练集及所述模型验证集输入初始烟气提水量线性模型，得到所述烟气提水量线性模型(S203)。
具体地，本申请提供的方法，其预测目标为烟气提水系统的提水量。为了训练得到烟气提水量线性模型，需要获取烟气系统历史工况数据。将历史工况数据划分为训练集及验证集，从而通过对训练集进行训练，在再利用验证集对训练结果进行校正，最终得到烟气提水量线性模型。
烟气系统历史工况数据包括烟气系统历史运行特征参数及烟气提水量历史值。
烟气提水系统的历史运行特征参数为烟气提水系统的重要运行数据，具体包括：负荷、环境温度、瞬时提水量、循环水泵运行数量、换热器进口、换热器出口、换热器冷却水进口等，部分参数参见表1所示。实际上，下文提到的烟气系统当前工况数据中的当前运行特征参数也包括表1中的这些属性。
表1
在对烟气提水量线性模型进行构建时，本申请实施例近似地将上述运行特征参数与目标参数提水量理解为线性关系。通过计算各历史运行特征参数的影响系数(下文中的θ)确定烟气提水量线性模型。需要说明的是，本申请实施例中需将循环水泵参与数量进行量化，设定单台水泵为1，双台水泵为2，从而构建出历史运行特征参数对应的训练集。
具体算法如下：
①构建属性工况(对应于历史运行特征参数)，以环境温度、机组负荷、循环水泵数量、循环水量、换热器进口温度、换热器出口温度、换热器冷却水进口温度等物理量作为监测属性，得到属性工况x＝(x1,x2,x3,...,xn)，式中xi为各属性，采集相应的提水量数据，得到提水数据y，例如：基于上述实际数据得到某属性工况 x(1)＝(-17.3,660,2,4500,56.9,52.8,27.3)，y(1)＝67.7。其中，上标“1”可以理解为第一组属性工况。在下述的样本数据集S中包含多组属性工况。
②采集烟气系统历史工况数据，根据历史运行工况，查询并记录上述历史运行特征参数及烟气提水量历史值，采集后构成样本数据集S。将数据集S提取75％作为训练集M，剩余的数据作为验证集N。将训练集M中的历史运行特征参数与烟气提水量历史值分开，分别构建历史训练工况数据集X＝(x(1),x(2),...,x(n))及相应的历史训练提水量数据集Y＝(y(1),y(2),...,y(n))。
将烟气提水量线性模型表示为：y(x)＝θ0+θ1x1+...+θnxn，其中，θ＝(θ0,θ1，...,θn)为线性模型系数集。构建烟气提水量线性模型的过程可以理解为求取线性模型系数集的过程。需要说明的是，对于初始烟气提水量线性模型而言，线性模型系数集中的各模型参数均设为1。将所述模型训练集及所述模型验证集输入初始烟气提水量线性模型，得到所述烟气提水量线性模型。
需要说明的是，一实施例中，参见图3，所述根据所述烟气系统历史运行特征参数构建模型训练集，包括：
S301：对所述烟气系统历史运行特征参数进行归一化处理，得到对应的归一化特征参数；
S302：根据所述归一化特征参数生成所述模型训练集。
可以理解的是，为了获得更优的训练效果，可以对上述历史属性工况进行归一化处理。对每个属性数值进行处理的公式为：
式中x为属性值，xmin为历史训练工况数据集X该属性的最小值，xmax为历史训练工况数据集X 该属性的最大值。得到归一化的属性xnorm，如 x(1) norm＝(0.13,0.98,1,0.87,0.73,0.82,0.57)，汇总得到归一化的历史训练工况数据集 Xnorm＝(x(1) norm,x(2) norm,...,x(n) norm)。
还需说明的是，对当前工况数据所对应的当前属性工况也需要进行归一化处理，以便后续输入训练好的烟气提水量线性模型，进行烟气提水量预测；具体的处理公式与对历史属性工况进行处理时的公式相同，在此不再赘述。
从上述描述可知，本申请提供的火电厂烟气提水量预警方法，能够得到烟气提水量线性模型。
S102：根据所述当前工况数据及预先构建的烟气提水量线性模型确定对应的烟气提水量预测值；其中，所述烟气提水量线性模型是根据历史工况数据构建的；
可以理解的是，将烟气系统当前工况数据中的当前运行特征参数(对应于当前属性工况)输入训练好的烟气提水量线性模型，可以得到当前工况数据对应的烟气提水量预测值。
S103：根据预设的预警阈值、所述烟气系统当前工况数据中的烟气提水量实际值及所述烟气提水量预测值进行预警处理。
可以理解的是，烟气系统当前工况数据包括当前运行特征参数及烟气提水量实际值。在S102步骤中，已经计算得到当前运行特征参数对应的烟气提水量预测值了，在S103步骤中，可以通过对比烟气提水量实际值与烟气提水量预测值，来监测烟气提水系统的劣化情况。
具体地，一实施例中，参见图6，根据预设的预警阈值、所述烟气系统当前工况数据中的烟气提水量实际值及所述烟气提水量预测值进行预警处理，具体包括：根据所述烟气提水量实际值及所述烟气提水量预测值确定烟气提水量偏差值 (S601)；以及比较所述烟气提水量偏差值与所述预警阈值，若所述烟气提水量偏差值超过所述预警阈值，进行预警(S602)。
举例而言，某一时刻烟气提水量实际为45t/h，预测显示应该为50t/h，实际值与预测值偏差超过10％。并且，在随后的一段时间偏差一直保持10％以外，此时进行偏差报警。
需要说明的是，为了确定预警阈值，一实施例中，参见图5，火电厂烟气提水量预警方法，还包括：根据所述烟气提水量预测值及所述烟气提水量实际值确定所述烟气提水量线性模型的误差区间(S501)；根据所述误差区间确定所述预警阈值(S502)。
可以理解的是，误差区间的求解方法如下：
采用训练得到的烟气提水量线性模型，对验证集N中的提水量进行预测分析，具体是将验证集N中的历史运行特征参数x(i)输入训练得到的烟气提水量线性模型，求取对应的烟气提水量数值，然后将求取的烟气提水量数值与验证集N中的烟气提水量历史值进行比较，得到误差区间。
计算模型误差：
将各组历史运行特征参数对应的误差进行汇总，得到误差集E＝(e(1),e(2),...,e(n))，取误差集中最大的误差值，作为算法误差区间。
在得到误差区间后，可以根据误差区间确定预警阈值。举例而言，误差区间为3％、正常阈值为5％，考虑存在的3％误差，则将预警阈值提高至8％，即出现偏差大于8％或者小于-8％，必定存在超过阈值的偏差。
从上述描述可知，本申请提供的火电厂烟气提水量预警方法，本申请提供的火电厂烟气提水量预警方法及装置，能够通过对较长时间段内的烟气系统历史工况数据进行训练，得到烟气提水量线性模型，通过对烟气提水系统的当前工况数据进行监测，明确量化提水量的变化幅度，通过预警提醒烟气提水量的异常变化，维护烟气提水系统的健康。
需要说明的是，一实施例中，参见图4，将所述模型训练集及所述模型验证集输入初始烟气提水量线性模型，得到所述烟气提水量线性模型，包括：
S401：根据所述模型训练集中的所述归一化特征参数及所述模型验证集中的所述烟气提水量历史值构建模型误差函数；
可以理解的是，首先，构建模型误差函数。该函数表征利用烟气提水量线性模型计算得到的烟气提水量预测值与烟气提水量实际值之间的误差。将历史运行特征参数所对应的归一化特征参数x(i)及y(i)代入，可以确定误差函数：
S402：对所述模型误差函数求偏导数，得到对应的误差偏导函数；
可以理解的是，基于历史训练工况数据集Xnorm与历史训练提水量数据集Y，通过优化线性模型系数集θ，以最小化误差函数J(θ)为约束，可以计算得到最优的θ，其中，给定θ初始量，设定初始预测参数均为1。具体地，对损失函数中各模型系数θj求偏导，得到误差偏导函数：
S403：根据预设的迭代系数及所述误差偏导函数构建模型参数更新公式；
S404：利用所述模型参数更新公式对所述初始烟气提水量线性模型的模型参数进行更新，得到所述烟气提水量线性模型。
可以理解的是，基于历史数据对预测参数进行更新，更新公式为：
其中，
为本次时刻的预测参数，
为迭代得出的下一轮预测参数，α为迭代系数，初始设定为0.1。
设定收敛条件为10-6，当满足
时，即达到收敛条件，此时的线性模型系数集即为优选的线性模型系数集。若无法满足收敛条件，调整迭代系数，直至满足收敛要求。
从上述描述可知，本申请提供的火电厂烟气提水量预警方法，能够得到烟气提水量线性模型。
基于同一发明构思，本申请实施例还提供了一种火电厂烟气提水量预警装置，可以用于实现上述实施例所描述的方法，如下面的实施例所述。由于火电厂烟气提水量预警装置解决问题的原理与火电厂烟气提水量预警方法相似，因此火电厂烟气提水量预警装置的实施可以参见基于软件性能基准确定方法的实施，重复之处不再赘述。以下所使用的，术语“单元”或者“模块”可以实现预定功能的软件和/或硬件的组合。尽管以下实施例所描述的系统较佳地以软件来实现，但是硬件，或者软件和硬件的组合的实现也是可能并被构想的。
一实施例中，参见图7，为了能够对火电厂烟气提水量进行预测及预警，本申请提供一种火电厂烟气提水量预警装置，包括：工况数据获取单元701、提水量预测单元702及预警单元703。
工况数据获取单元701，用于获取烟气系统的当前工况数据；所述烟气系统历史工况数据包括烟气系统历史运行特征参数及烟气提水量历史值；
提水量预测单元702，用于根据所述当前工况数据及预先构建的烟气提水量线性模型确定对应的烟气提水量预测值；其中，所述烟气提水量线性模型是根据历史工况数据构建的；
预警单元703，用于根据预设的预警阈值、所述烟气系统当前工况数据中的烟气提水量实际值及所述烟气提水量预测值进行预警处理。
一实施例中，参见图8，所述烟气系统历史工况数据包括烟气系统历史运行特征参数及烟气提水量历史值；所述装置，包括：训练集生成单元801、验证集生成单元802及线性模型生成单元803。
训练集生成单元801，用于根据所述烟气系统历史运行特征参数构建模型训练集；
验证集生成单元802，用于根据所述烟气提水量历史值构建模型验证集；
线性模型生成单元803，用于将所述模型训练集及所述模型验证集输入初始烟气提水量线性模型，得到所述烟气提水量线性模型。
一实施例中，参见图9，所述训练集生成单元801，包括：归一化模块901及训练集生成模块902。
归一化模块901，用于对所述烟气系统历史运行特征参数进行归一化处理，得到对应的归一化特征参数；
训练集生成模块902，用于根据所述归一化特征参数生成所述模型训练集。
一实施例中，参见图10，所述线性模型生成单元803，包括：误差函数生成模块1001、偏导函数生成模块1002、更新公式生成模块1003及线性模型生成模块1004。
误差函数生成模块1001，用于根据所述模型训练集中的所述归一化特征参数及所述模型验证集中的所述烟气提水量历史值构建模型误差函数；
偏导函数生成模块1002，用于对所述模型误差函数求偏导数，得到对应的误差偏导函数；
更新公式生成模块1003，用于根据预设的迭代系数及所述误差偏导函数构建模型参数更新公式；
线性模型生成模块1004，用于利用所述模型参数更新公式对所述初始烟气提水量线性模型的模型参数进行更新，得到所述烟气提水量线性模型。
一实施例中，参见图11，火电厂烟气提水量预警装置，还包括：误差区间确定单元1101及预警阈值确定单元1102。
误差区间确定单元1101，用于根据所述烟气提水量预测值及所述烟气提水量实际值确定所述烟气提水量线性模型的误差区间；
预警阈值确定单元1102，用于根据所述误差区间确定所述预警阈值。
一实施例中，参见图12，所述预警单元703，包括：提水量偏差模块1201及预警模块1202。
提水量偏差模块1201，用于根据所述烟气提水量实际值及所述烟气提水量预测值确定烟气提水量偏差值；
预警模块1202，用于比较所述烟气提水量偏差值与所述预警阈值，若所述烟气提水量偏差值超过所述预警阈值，进行预警。
从硬件层面来说，为了能够对火电厂烟气提水量进行预测及预警，本申请提供一种用于实现所述火电厂烟气提水量预警方法中的全部或部分内容的电子设备的实施例，所述电子设备具体包含有如下内容：
处理器(Processor)、存储器(Memory)、通讯接口(Communications Interface)和总线；其中，所述处理器、存储器、通讯接口通过所述总线完成相互间的通讯；所述通讯接口用于实现所述火电厂烟气提水量预警装置与核心业务系统、用户终端以及相关数据库等相关设备之间的信息传输；该逻辑控制器可以是台式计算机、平板电脑及移动终端等，本实施例不限于此。在本实施例中，该逻辑控制器可以参照实施例中的火电厂烟气提水量预警方法的实施例，以及火电厂烟气提水量预警装置的实施例进行实施，其内容被合并于此，重复之处不再赘述。
可以理解的是，所述用户终端可以包括智能手机、平板电子设备、网络机顶盒、便携式计算机、台式电脑、个人数字助理(PDA)、车载设备、智能穿戴设备等。其中，所述智能穿戴设备可以包括智能眼镜、智能手表、智能手环等。
在实际应用中，火电厂烟气提水量预警方法的部分可以在如上述内容所述的电子设备侧执行，也可以所有的操作都在所述客户端设备中完成。具体可以根据所述客户端设备的处理能力，以及用户使用场景的限制等进行选择。本申请对此不作限定。若所有的操作都在所述客户端设备中完成，所述客户端设备还可以包括处理器。
上述的客户端设备可以具有通讯模块(即通讯单元)，可以与远程的服务器进行通讯连接，实现与所述服务器的数据传输。所述服务器可以包括任务调度中心一侧的服务器，其他的实施场景中也可以包括中间平台的服务器，例如与任务调度中心服务器有通讯链接的第三方服务器平台的服务器。所述的服务器可以包括单台计算机设备，也可以包括多个服务器组成的服务器集群，或者分布式装置的服务器结构。
图13为本申请实施例的电子设备9600的系统构成的示意框图。如图13所示，该电子设备9600可以包括中央处理器9100和存储器9140；存储器9140耦合到中央处理器9100。值得注意的是，该图13是示例性的；还可以使用其他类型的结构，来补充或代替该结构，以实现电信功能或其他功能。
一实施例中，火电厂烟气提水量预警方法功能可以被集成到中央处理器9100 中。其中，中央处理器9100可以被配置为进行如下控制：
S101：获取烟气系统的当前工况数据；所述烟气系统历史工况数据包括烟气系统历史运行特征参数及烟气提水量历史值；
S102：根据所述当前工况数据及预先构建的烟气提水量线性模型确定对应的烟气提水量预测值；其中，所述烟气提水量线性模型是根据历史工况数据构建的；
S103：根据预设的预警阈值、所述烟气系统当前工况数据中的烟气提水量实际值及所述烟气提水量预测值进行预警处理。
从上述描述可知，本申请提供的火电厂烟气提水量预警方法及装置，能够通过对较长时间段内的烟气系统历史工况数据进行训练，得到烟气提水量线性模型，通过对烟气提水系统的当前工况数据进行监测，明确量化提水量的变化幅度，通过预警提醒烟气提水量的异常变化，维护烟气提水系统的健康。
在另一个实施方式中，火电厂烟气提水量预警装置可以与中央处理器9100分开配置，例如可以将数据复合传输装置火电厂烟气提水量预警装置配置为与中央处理器9100连接的芯片，通过中央处理器的控制来实现火电厂烟气提水量预警方法的功能。
如图13所示，该电子设备9600还可以包括：通讯模块9110、输入单元9120、音频处理器9130、显示器9160、电源9170。值得注意的是，电子设备9600也并不是必须要包括图13中所示的所有部件；此外，电子设备9600还可以包括图13 中没有示出的部件，可以参考现有技术。
如图13所示，中央处理器9100有时也称为控制器或操作控件，可以包括微处理器或其他处理器装置和/或逻辑装置，该中央处理器9100接收输入并控制电子设备9600的各个部件的操作。
其中，存储器9140，例如可以是缓存器、闪存、硬驱、可移动介质、易失性存储器、非易失性存储器或其它合适装置中的一种或更多种。可储存上述与失败有关的信息，此外还可存储执行有关信息的程序。并且中央处理器9100可执行该存储器9140存储的该程序，以实现信息存储或处理等。
输入单元9120向中央处理器9100提供输入。该输入单元9120例如为按键或触摸输入装置。电源9170用于向电子设备9600提供电力。显示器9160用于进行图像和文字等显示对象的显示。该显示器例如可为LCD显示器，但并不限于此。
该存储器9140可以是固态存储器，例如，只读存储器(ROM)、随机存取存储器(RAM)、SIM卡等。还可以是这样的存储器，其即使在断电时也保存信息，可被选择性地擦除且设有更多数据，该存储器的示例有时被称为EPROM等。存储器9140还可以是某种其它类型的装置。存储器9140包括缓冲存储器9141(有时被称为缓冲器)。存储器9140可以包括应用/功能存储部9142，该应用/功能存储部9142用于存储应用程序和功能程序或用于通过中央处理器9100执行电子设备 9600的操作的流程。
存储器9140还可以包括数据存储部9143，该数据存储部9143用于存储数据，例如联系人、数字数据、图片、声音和/或任何其他由电子设备使用的数据。存储器9140的驱动程序存储部9144可以包括电子设备的用于通讯功能和/或用于执行电子设备的其他功能(如消息传送应用、通讯录应用等)的各种驱动程序。
通讯模块9110即为经由天线9111发送和接收信号的发送机/接收机9110。通讯模块(发送机/接收机)9110耦合到中央处理器9100，以提供输入信号和接收输出信号，这可以和常规移动通讯终端的情况相同。
基于不同的通讯技术，在同一电子设备中，可以设置有多个通讯模块9110，如蜂窝网络模块、蓝牙模块和/或无线局域网模块等。通讯模块(发送机/接收机) 9110还经由音频处理器9130耦合到扬声器9131和麦克风9132，以经由扬声器9131 提供音频输出，并接收来自麦克风9132的音频输入，从而实现通常的电信功能。音频处理器9130可以包括任何合适的缓冲器、解码器、放大器等。另外，音频处理器9130还耦合到中央处理器9100，从而使得可以通过麦克风9132能够在本机上录音，且使得可以通过扬声器9131来播放本机上存储的声音。
本申请的实施例还提供能够实现上述实施例中的执行主体为服务器或客户端的火电厂烟气提水量预警方法中全部步骤的一种计算机可读存储介质，所述计算机可读存储介质上存储有计算机程序，该计算机程序被处理器执行时实现上述实施例中的执行主体为服务器或客户端的火电厂烟气提水量预警方法的全部步骤，例如，所述处理器执行所述计算机程序时实现下述步骤：
S101：获取烟气系统的当前工况数据；所述烟气系统历史工况数据包括烟气系统历史运行特征参数及烟气提水量历史值；
S102：根据所述当前工况数据及预先构建的烟气提水量线性模型确定对应的烟气提水量预测值；其中，所述烟气提水量线性模型是根据历史工况数据构建的；
S103：根据预设的预警阈值、所述烟气系统当前工况数据中的烟气提水量实际值及所述烟气提水量预测值进行预警处理。
从上述描述可知，本申请提供的火电厂烟气提水量预警方法及装置，能够通过对较长时间段内的烟气系统历史工况数据进行训练，得到烟气提水量线性模型，通过对烟气提水系统的当前工况数据进行监测，明确量化提水量的变化幅度，通过预警提醒烟气提水量的异常变化，维护烟气提水系统的健康。
本领域内的技术人员应明白，本发明的实施例可提供为方法、装置、或计算机程序产品。因此，本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本发明是参照根据本发明实施例的方法、设备(装置)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
本发明中应用了具体实施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；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处，综上所述，本说明书内容不应理解为对本发明的限制。
Claims (15)
1.一种火电厂烟气提水量预警方法，其特征在于，包括：
获取烟气系统的当前工况数据；
根据所述当前工况数据及预先构建的烟气提水量线性模型确定对应的烟气提水量预测值；其中，所述烟气提水量线性模型是根据历史工况数据构建的；
根据预设的预警阈值、所述当前工况数据中的烟气提水量实际值及所述烟气提水量预测值进行预警处理。
2.根据权利要求1所述的火电厂烟气提水量预警方法，其特征在于，所述烟气系统历史工况数据包括烟气系统历史运行特征参数及烟气提水量历史值；预先构建烟气提水量线性模型的步骤，包括：
根据所述烟气系统历史运行特征参数构建模型训练集；
根据所述烟气提水量历史值构建模型验证集；
将所述模型训练集及所述模型验证集输入初始烟气提水量线性模型，得到所述烟气提水量线性模型。
3.根据权利要求2所述的火电厂烟气提水量预警方法，其特征在于，所述根据所述烟气系统历史运行特征参数构建模型训练集，包括：
对所述烟气系统历史运行特征参数进行归一化处理，得到对应的归一化特征参数；
根据所述归一化特征参数生成所述模型训练集。
4.根据权利要求3所述的火电厂烟气提水量预警方法，其特征在于，所述将所述模型训练集及所述模型验证集输入初始烟气提水量线性模型，得到所述烟气提水量线性模型，包括：
根据所述模型训练集中的所述归一化特征参数及所述模型验证集中的所述烟气提水量历史值构建模型误差函数；
对所述模型误差函数求偏导数，得到对应的误差偏导函数；
根据预设的迭代系数及所述误差偏导函数构建模型参数更新公式；
利用所述模型参数更新公式对所述初始烟气提水量线性模型的模型参数进行更新，得到所述烟气提水量线性模型。
5.根据权利要求1所述的火电厂烟气提水量预警方法，其特征在于，还包括：
根据所述烟气提水量预测值及所述烟气提水量实际值确定所述烟气提水量线性模型的误差区间；
根据所述误差区间确定所述预警阈值。
6.根据权利要求5所述的火电厂烟气提水量预警方法，其特征在于，所述根据预设的预警阈值、所述烟气系统当前工况数据中的烟气提水量实际值及所述烟气提水量预测值进行预警处理，包括：
根据所述烟气提水量实际值及所述烟气提水量预测值确定烟气提水量偏差值；
比较所述烟气提水量偏差值与所述预警阈值，若所述烟气提水量偏差值超过所述预警阈值，进行预警。
7.一种火电厂烟气提水量预警装置，其特征在于，包括：
工况数据获取单元，用于获取烟气系统的当前工况数据；
提水量预测单元，用于根据所述当前工况数据及预先构建的烟气提水量线性模型确定对应的烟气提水量预测值；其中，所述烟气提水量线性模型是根据历史工况数据构建的；
预警单元，用于根据预设的预警阈值、所述烟气系统当前工况数据中的烟气提水量实际值及所述烟气提水量预测值进行预警处理。
8.根据权利要求7所述的火电厂烟气提水量预警装置，其特征在于，所述烟气系统历史工况数据包括烟气系统历史运行特征参数及烟气提水量历史值；所述装置，包括：
训练集生成单元，用于根据所述烟气系统历史运行特征参数构建模型训练集；
验证集生成单元，用于根据所述烟气提水量历史值构建模型验证集；
线性模型生成单元，用于将所述模型训练集及所述模型验证集输入初始烟气提水量线性模型，得到所述烟气提水量线性模型。
9.根据权利要求8所述的火电厂烟气提水量预警装置，其特征在于，所述训练集生成单元，包括：
归一化模块，用于对所述烟气系统历史运行特征参数进行归一化处理，得到对应的归一化特征参数；
训练集生成模块，用于根据所述归一化特征参数生成所述模型训练集。
10.根据权利要求9所述的火电厂烟气提水量预警装置，其特征在于，所述线性模型生成单元，包括：
误差函数生成模块，用于根据所述模型训练集中的所述归一化特征参数及所述模型验证集中的所述烟气提水量历史值构建模型误差函数；
偏导函数生成模块，用于对所述模型误差函数求偏导数，得到对应的误差偏导函数；
更新公式生成模块，用于根据预设的迭代系数及所述误差偏导函数构建模型参数更新公式；
线性模型生成模块，用于利用所述模型参数更新公式对所述初始烟气提水量线性模型的模型参数进行更新，得到所述烟气提水量线性模型。
11.根据权利要求7所述的火电厂烟气提水量预警装置，其特征在于，还包括：
误差区间确定单元，用于根据所述烟气提水量预测值及所述烟气提水量实际值确定所述烟气提水量线性模型的误差区间；
预警阈值确定单元，用于根据所述误差区间确定所述预警阈值。
12.根据权利要求11所述的火电厂烟气提水量预警装置，其特征在于，所述预警单元，包括：
提水量偏差模块，用于根据所述烟气提水量实际值及所述烟气提水量预测值确定烟气提水量偏差值；
预警模块，用于比较所述烟气提水量偏差值与所述预警阈值，若所述烟气提水量偏差值超过所述预警阈值，进行预警。
13.一种电子设备，包括存储器、处理器及存储在存储器上并可在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程序时实现权利要求1至6任一项所述的火电厂烟气提水量预警方法的步骤。
14.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该计算机程序被处理器执行时实现权利要求1至6任一项所述的火电厂烟气提水量预警方法的步骤。
15.一种计算机程序产品，包括计算机程序/指令，其特征在于，该计算机程序/指令被处理器执行时实现权利要求1至6任一项所述的火电厂烟气提水量预警方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210710787.5A CN115099032A (zh) | 2022-06-22 | 2022-06-22 | 一种火电厂烟气提水量预警方法及装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210710787.5A CN115099032A (zh) | 2022-06-22 | 2022-06-22 | 一种火电厂烟气提水量预警方法及装置 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN115099032A true CN115099032A (zh) | 2022-09-23 |
Family
ID=83293780
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210710787.5A Pending CN115099032A (zh) | 2022-06-22 | 2022-06-22 | 一种火电厂烟气提水量预警方法及装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115099032A (zh) |
-
2022
- 2022-06-22 CN CN202210710787.5A patent/CN115099032A/zh active Pending
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110598802B (zh) | 一种内存检测模型训练的方法、内存检测的方法及装置 | |
| KR102592402B1 (ko) | 연합 학습을 활용한 사용자 특성 분석을 위한 딥 러닝 모델 생성 방법 | |
| CN115915734B (zh) | 风扇运行控制方法、装置、电子设备及存储介质 | |
| JP6962042B2 (ja) | シミュレーション装置およびシミュレーション方法 | |
| CN113326585B (zh) | 燃气锅炉的能效异常预警方法、装置和计算机设备 | |
| CN112052890A (zh) | 给水泵振动预测方法及装置 | |
| CN111311014B (zh) | 业务数据处理方法、装置、计算机设备和存储介质 | |
| CN114218174B (zh) | 基于区块链的工业互联网数据存储方法、系统及存储介质 | |
| CN114356895B (zh) | 基于异常工况数据库管理的方法、装置、设备及存储介质 | |
| CN110837889A (zh) | 神经网络的训练方法及装置、存储介质、电子装置 | |
| CN117829892A (zh) | 三维模型供需分析方法、装置、计算机设备和存储介质 | |
| CN117829891A (zh) | 电力负荷数据的预测方法、装置、设备、存储介质和产品 | |
| JP2019198251A (ja) | 逐次制御プログラム、逐次制御方法および逐次制御装置 | |
| KR20220076753A (ko) | 디지털 트윈 기술을 이용한 스마트양식장 교육 시스템 및 방법 | |
| CN115099032A (zh) | 一种火电厂烟气提水量预警方法及装置 | |
| CN117039933A (zh) | 直流异步联网频率协调控制方法、装置和计算机设备 | |
| CN107122464A (zh) | 一种辅助决策系统及方法 | |
| CN116070770A (zh) | 一种基于迁移学习的电池组电池soc预测方法及系统 | |
| CN115619170A (zh) | 电量负荷调整方法、装置、设备、计算机介质和程序产品 | |
| CN115269176A (zh) | 任务分配方法、装置、计算机设备、存储介质和产品 | |
| CN113112311A (zh) | 训练因果推断模型的方法、信息提示方法以装置 | |
| CN112035324A (zh) | 批量作业执行情况监控方法及装置 | |
| CN113779335A (zh) | 信息生成方法、装置、电子设备和计算机可读介质 | |
| CN118061844B (zh) | 充放电控制方法、装置、计算机设备和存储介质 | |
| US20230088429A1 (en) | Processing device, processing method, and program |
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 |