CN116067188A - 一种六氟磷酸锂制备用的余热回收系统 - Google Patents
一种六氟磷酸锂制备用的余热回收系统 Download PDFInfo
- Publication number
- CN116067188A CN116067188A CN202310042702.5A CN202310042702A CN116067188A CN 116067188 A CN116067188 A CN 116067188A CN 202310042702 A CN202310042702 A CN 202310042702A CN 116067188 A CN116067188 A CN 116067188A
- Authority
- CN
- China
- Prior art keywords
- matrix
- vector
- valve opening
- feature
- characteristic
- 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.)
- Granted
Links
- 239000002918 waste heat Substances 0.000 title claims abstract description 86
- 238000011084 recovery Methods 0.000 title claims abstract description 70
- -1 lithium hexafluorophosphate Chemical compound 0.000 title claims abstract description 68
- 238000002360 preparation method Methods 0.000 title claims description 34
- YCKRFDGAMUMZLT-UHFFFAOYSA-N Fluorine atom Chemical compound [F] YCKRFDGAMUMZLT-UHFFFAOYSA-N 0.000 claims abstract description 96
- 229910052731 fluorine Inorganic materials 0.000 claims abstract description 96
- 239000011737 fluorine Substances 0.000 claims abstract description 96
- 239000002912 waste gas Substances 0.000 claims abstract description 67
- 238000004519 manufacturing process Methods 0.000 claims abstract description 25
- 239000013598 vector Substances 0.000 claims description 267
- 239000011159 matrix material Substances 0.000 claims description 203
- 238000009826 distribution Methods 0.000 claims description 58
- 239000007789 gas Substances 0.000 claims description 35
- 238000012546 transfer Methods 0.000 claims description 25
- 238000000605 extraction Methods 0.000 claims description 22
- 230000003247 decreasing effect Effects 0.000 claims description 11
- 238000012544 monitoring process Methods 0.000 claims description 5
- 238000004364 calculation method Methods 0.000 claims description 4
- 238000012512 characterization method Methods 0.000 claims description 4
- 238000010276 construction Methods 0.000 claims description 3
- 240000004760 Pimpinella anisum Species 0.000 claims 1
- 230000008859 change Effects 0.000 abstract description 28
- 238000013135 deep learning Methods 0.000 abstract description 12
- 239000002699 waste material Substances 0.000 abstract description 9
- 238000013473 artificial intelligence Methods 0.000 abstract description 4
- 238000005516 engineering process Methods 0.000 abstract description 4
- 238000000034 method Methods 0.000 description 24
- 238000001816 cooling Methods 0.000 description 16
- 238000010586 diagram Methods 0.000 description 16
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 16
- 239000000243 solution Substances 0.000 description 13
- 230000006870 function Effects 0.000 description 11
- 230000008569 process Effects 0.000 description 9
- 239000000284 extract Substances 0.000 description 7
- 238000012545 processing Methods 0.000 description 7
- KRHYYFGTRYWZRS-UHFFFAOYSA-N Fluorane Chemical compound F KRHYYFGTRYWZRS-UHFFFAOYSA-N 0.000 description 6
- 238000013528 artificial neural network Methods 0.000 description 6
- 230000008901 benefit Effects 0.000 description 6
- 229910000040 hydrogen fluoride Inorganic materials 0.000 description 6
- 238000013507 mapping Methods 0.000 description 6
- OBCUTHMOOONNBS-UHFFFAOYSA-N phosphorus pentafluoride Chemical compound FP(F)(F)(F)F OBCUTHMOOONNBS-UHFFFAOYSA-N 0.000 description 6
- 239000003792 electrolyte Substances 0.000 description 4
- 238000005065 mining Methods 0.000 description 4
- 238000003062 neural network model Methods 0.000 description 4
- KRHYYFGTRYWZRS-UHFFFAOYSA-M Fluoride anion Chemical compound [F-] KRHYYFGTRYWZRS-UHFFFAOYSA-M 0.000 description 3
- 239000007864 aqueous solution Substances 0.000 description 3
- 230000002159 abnormal effect Effects 0.000 description 2
- 230000003416 augmentation Effects 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000018109 developmental process Effects 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000003058 natural language processing Methods 0.000 description 2
- 230000011218 segmentation Effects 0.000 description 2
- 238000012549 training Methods 0.000 description 2
- 238000013519 translation Methods 0.000 description 2
- WHXSMMKQMYFTQS-UHFFFAOYSA-N Lithium Chemical compound [Li] WHXSMMKQMYFTQS-UHFFFAOYSA-N 0.000 description 1
- HBBGRARXTFLTSG-UHFFFAOYSA-N Lithium ion Chemical compound [Li+] HBBGRARXTFLTSG-UHFFFAOYSA-N 0.000 description 1
- 238000000354 decomposition reaction Methods 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000010438 heat treatment Methods 0.000 description 1
- 238000003475 lamination Methods 0.000 description 1
- 229910052744 lithium Inorganic materials 0.000 description 1
- 229910001416 lithium ion Inorganic materials 0.000 description 1
- 230000003446 memory effect Effects 0.000 description 1
- 238000010295 mobile communication Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 239000002994 raw material Substances 0.000 description 1
- 230000006798 recombination Effects 0.000 description 1
- 238000005215 recombination Methods 0.000 description 1
- 238000005096 rolling process Methods 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 208000011580 syndromic disease Diseases 0.000 description 1
Images
Classifications
-
- 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
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F27—FURNACES; KILNS; OVENS; RETORTS
- F27D—DETAILS OR ACCESSORIES OF FURNACES, KILNS, OVENS, OR RETORTS, IN SO FAR AS THEY ARE OF KINDS OCCURRING IN MORE THAN ONE KIND OF FURNACE
- F27D17/00—Arrangements for using waste heat; Arrangements for using, or disposing of, waste gases
- F27D17/004—Systems for reclaiming waste heat
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F27—FURNACES; KILNS; OVENS; RETORTS
- F27D—DETAILS OR ACCESSORIES OF FURNACES, KILNS, OVENS, OR RETORTS, IN SO FAR AS THEY ARE OF KINDS OCCURRING IN MORE THAN ONE KIND OF FURNACE
- F27D17/00—Arrangements for using waste heat; Arrangements for using, or disposing of, waste gases
- F27D17/004—Systems for reclaiming waste heat
- F27D2017/006—Systems for reclaiming waste heat using a boiler
-
- 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
- Y02E—REDUCTION OF GREENHOUSE GAS [GHG] EMISSIONS, RELATED TO ENERGY GENERATION, TRANSMISSION OR DISTRIBUTION
- Y02E60/00—Enabling technologies; Technologies with a potential or indirect contribution to GHG emissions mitigation
- Y02E60/10—Energy storage using batteries
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Engineering & Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Biomedical Technology (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Environmental & Geological Engineering (AREA)
- Mechanical Engineering (AREA)
- Investigating Or Analyzing Materials Using Thermal Means (AREA)
Abstract
公开了一种六氟磷酸锂制备用的余热回收系统,其获取用热单位在预定时间段内多个预定时间点的用热量,以及,所述多个预定时间点的含氟废气的阀门开度值;采用基于深度学习的人工智能技术,挖掘用热单位的用热量动态变化信息与含氟废气的阀门开度变化信息间的关联关系,以此来基于用热单位的对于热量的实时需求来自适应地调整含氟废气的阀门开度。这样,可以自适应地调整含氟废气的阀门开度值,以避免热量的损失浪费。
Description
技术领域
本申请涉及智能化回收技术领域,且更为具体地,涉及一种六氟磷酸锂制备用的余热回收系统。
背景技术
锂离子电池具有平台电压高、循环性能好、工作温度范围宽、能量密度大、无记忆效应等优点,广泛应用于移动通讯、便携式电子产品、电动工具、武器装配等领域,目前在动力汽车中也具有广阔的应用前景。电解液和其中的电解质是锂电池的关键原材料,并且直接影响所制备电池的性能,因此电解质必须满足:电导率高、化学及电化学性能稳定、可使用温度范围宽和价格低。六氟磷酸锂满足以上要求,并可作为优良的电解质。
在六氟磷酸锂制备中会产生含氟废气,六氟磷酸锂工厂生产过程中的含氟废气主要有三种气体:氟化氢、五氟化磷和氟气。这三种气体中,氟化氢和五氟化磷都极易于碱性水溶液发生反应,生成可溶性的氟化物。在进行含氟废气处理时需要用到余热回收锅炉。因回转炉排烟温度高达900℃以上,但净化部分工艺要求温度不能超过200℃。所以如何降低阀门开度值,其中含氟废气的温度是该工艺的关键问题。现有的技术方案中采用既能充分利用余热,又能达到有效降温的二级降温工艺。第一级选用余热供水锅炉,可供职工开水、洗澡用水及制造车间冬季采暖。第二级选用外部降温系统,热水可供职工洗澡。
但是,在实际降温应用的过程中发现并不能够对于余热供水锅炉和外部降温系统的含氟废气的通入量进行合理分配,造成热量的损失浪费。这是由于在不同的时期,用热单位的用热需求是不同的,并不是固定不变的,这对于余热供水锅炉的用热需求和外部降温系统的降温分配带来了困难。
因此,期望一种优化的六氟磷酸锂制备用的余热回收系统。
发明内容
为了解决上述技术问题,提出了本申请。本申请的实施例提供了一种六氟磷酸锂制备用的余热回收系统,其获取用热单位在预定时间段内多个预定时间点的用热量,以及,所述多个预定时间点的含氟废气的阀门开度值;采用基于深度学习的人工智能技术,挖掘用热单位的用热量动态变化信息与含氟废气的阀门开度变化信息间的关联关系,以此来基于用热单位的对于热量的实时需求来自适应地调整含氟废气的阀门开度。这样,可以自适应地调整含氟废气的阀门开度值,以避免热量的损失浪费。
根据本申请的一个方面,提供了一种六氟磷酸锂制备用的余热回收系统,其包括:余热监控模块,用于获取用热单位在预定时间段内多个预定时间点的用热量以及所述多个预定时间点的含氟废气的阀门开度值,其中,所述含氟废气在六氟磷酸锂的制备过程中产生;用热特征提取模块,用于将所述多个预定时间点的用热量按照时间维度排列为用热输入向量后通过包含全连接层和一维卷积层的时序编码器以得到用热特征向量;阀门开度特征提取模块,用于将所述多个预定时间点的含氟废气的阀门开度值按照时间维度排列为阀门开度输入向量后通过所述包含全连接层和一维卷积层的时序编码器以得到供气特征向量;特征增强模块,用于基于高斯密度图对所述用热特征向量和所述供气特征向量进行特征级数据增强以得到用热特征矩阵和供气特征矩阵;转移模块,用于计算所述用热特征矩阵相对于所述供气特征矩阵的转移矩阵作为分类特征矩阵;特征分布调制模块,用于对所述分类特征矩阵的各个行特征向量进行特征分布调制以得到优化分类特征矩阵;以及余热回收控制结果生成模块,用于将所述优化分类特征矩阵通过分类器以得到分类结果,所述分类结果用于表示当前时间点的阀门开度值应增大或应减小。
在上述六氟磷酸锂制备用的余热回收系统中,所述用热特征提取模块,包括:用热向量排列子单元,用于将所述多个预定时间点的用热量按照时间维度排列为用热输入向量;用热全连接编码子单元,用于使用所述时序编码器的全连接层以如下公式对所述用热输入向量进行全连接编码以提取出所述用热输入向量中各个位置的特征值的高维隐含特征,其中,所述公式为:,其中是所述用热输入向量,是用热输出向量,是权重矩阵,是偏置向量,表示矩阵乘;以及,用热一维卷积编码子单元,用于使用所述时序编码器的一维卷积层以如下公式对所述用热输入向量进行一维卷积编码以提取出所述用热输入向量中各个位置的特征值间的高维隐含关联特征,其中,所述公式为:
,其中,
a为卷积核在
x方向上的宽度,为卷积核参数向量,为与卷积核函数运算的局部向量矩阵,
w为卷积核的尺寸,表示所述用热输入向量,表示对所述用热输入向量进行一维卷积编码。
在上述六氟磷酸锂制备用的余热回收系统中,所述阀门开度特征提取模块,包括:阀门开度向量排列子单元,用于将所述多个预定时间点的含氟废气的阀门开度值按照时间维度排列为阀门开度输入向量;阀门开度全连接编码子单元,用于使用所述时序编码器的全连接层以如下公式对所述阀门开度输入向量进行全连接编码以提取出所述阀门开度输入向量中各个位置的特征值的高维隐含特征,其中,所述公式为:,其中是所述阀门开度输入向量,是阀门开度输出向量,是权重矩阵,是偏置向量,表示矩阵乘;以及,阀门开度一维卷积编码子单元,用于使用所述时序编码器的一维卷积层以如下公式对所述阀门开度输入向量进行一维卷积编码以提取出所述阀门开度输入向量中各个位置的特征值间的高维隐含关联特征,其中,所述公式为:
,其中,为卷积核在
x方向上的宽度,为卷积核参数向量,为与卷积核函数运算的局部向量矩阵,为卷积核的尺寸,表示所述阀门开度输入向量,表示对所述用热输入向量进行一维卷积编码。
在上述六氟磷酸锂制备用的余热回收系统中,所述特征增强模块,包括:高斯密度图构造单元,用于构造所述用热特征向量和所述供气特征向量的高斯密度图以得到第一高斯密度图和第二高斯密度图;以及,高斯离散化单元,用于对所述第一高斯密度图的各个位置的高斯分布进行高斯离散化以得到所述用热特征矩阵;对所述第二高斯密度图的各个位置的高斯分布进行高斯离散化以得到所述供气特征矩阵。
在上述六氟磷酸锂制备用的余热回收系统中,所述转移模块,进一步用于:以如下公式计算所述用热特征矩阵相对于所述供气特征矩阵的转移矩阵作为分类特征矩阵;其中,所述公式为:,其中表示所述用热特征矩阵,表示所述供气特征矩阵,表示所述分类特征矩阵,表示矩阵相乘。
在上述六氟磷酸锂制备用的余热回收系统中,所述特征分布调制模块,进一步用于:以如下公式对所述分类特征矩阵的各个行特征向量进行特征分布调制以得到所述优化分类特征矩阵;其中,所述公式为:
,其中,表示所述分类特征矩阵的各个行特征向量,表示所述各个行特征向量的二范数,表示所述各个行特征向量的二范数平方,是所述各个行特征向量的第个特征值,表示向量的指数运算,所述向量的指数运算表示计算以向量中各个位置的特征值为幂的自然指数函数值,且是所述优化分类特征矩阵的各个行特征向量的第个特征值。
在上述六氟磷酸锂制备用的余热回收系统中,所述余热回收控制结果生成模块,包括:矩阵展开单元,用于将所述优化分类特征矩阵按照行向量或列向量展开为分类特征向量;全连接编码单元,用于使用所述分类器的多个全连接层对所述分类特征向量进行全连接编码以得到编码分类特征向量;以及,分类单元,用于将所述编码分类特征向量通过所述分类器的Softmax分类函数以得到所述分类结果。
与现有技术相比,本申请提供的六氟磷酸锂制备用的余热回收系统,其获取用热单位在预定时间段内多个预定时间点的用热量,以及,所述多个预定时间点的含氟废气的阀门开度值;采用基于深度学习的人工智能技术,挖掘用热单位的用热量动态变化信息与含氟废气的阀门开度变化信息间的关联关系,以此来基于用热单位的对于热量的实时需求来自适应地调整含氟废气的阀门开度。这样,可以自适应地调整含氟废气的阀门开度值,以避免热量的损失浪费。
附图说明
通过结合附图对本申请实施例进行更详细的描述,本申请的上述以及其他目的、特征和优势将变得更加明显。附图用来提供对本申请实施例的进一步理解,并且构成说明书的一部分,与本申请实施例一起用于解释本申请,并不构成对本申请的限制。在附图中,相同的参考标号通常代表相同部件或步骤。
图1为根据本申请实施例的六氟磷酸锂制备用的余热回收系统的应用场景图。
图2为根据本申请实施例的六氟磷酸锂制备用的余热回收系统的框图。
图3为根据本申请实施例的六氟磷酸锂制备用的余热回收系统中所述用热特征提取模块的框图。
图4为根据本申请实施例的六氟磷酸锂制备用的余热回收系统中所述阀门开度特征提取模块的框图。
图5为根据本申请实施例的六氟磷酸锂制备用的余热回收系统中所述特征增强模块的框图。
图6为根据本申请实施例的六氟磷酸锂制备用的余热回收系统中所述余热回收控制结果生成模块的框图。
图7为根据本申请实施例的六氟磷酸锂制备用的余热回收方法的流程图。
图8为根据本申请实施例的六氟磷酸锂制备用的余热回收方法的系统架构的示意图。
具体实施方式
下面,将参考附图详细地描述根据本申请的示例实施例。显然,所描述的实施例仅仅是本申请的一部分实施例,而不是本申请的全部实施例,应理解,本申请不受这里描述的示例实施例的限制。
场景概述:如上所述,由于在实际降温应用的过程中发现并不能够对于余热供水锅炉和外部降温系统的含氟废气的通入量进行合理分配,造成热量的损失浪费。这是由于在不同的时期,用热单位的用热需求是不同的,并不是固定不变的,这对于余热供水锅炉的用热需求和外部降温系统的降温分配带来了困难。因此,期望一种优化的六氟磷酸锂制备用的余热回收系统。
相应地,在本申请的技术方案中,考虑到若想对于余热供水锅炉的用热需求和外部降温系统进行合理的余热回收分配,就需要挖掘出用热单位的用热量动态变化信息与含氟废气的阀门开度变化信息间的关联关系,以此来基于用热单位的对于热量的实时需求来自适应地调整含氟废气的阀门开度以使得余热回收所得到的热量能够适配于用热单位的用热需求且也没有过多的热量被浪费。在此过程中,难点在于如何建立用热单位的用热量动态变化与含氟废气的阀门开度变化间的映射关系,以使得能够基于实际用热单位的实时需求来自适应地控制含氟废气的阀门开度,以避免热量的损失浪费。
近年来,深度学习以及神经网络已经广泛应用于计算机视觉、自然语言处理、文本信号处理等领域。此外,深度学习以及神经网络在图像分类、物体检测、语义分割、文本翻译等领域,也展现出了接近甚至超越人类的水平。
深度学习以及神经网络的发展为挖掘用热单位的用热量动态变化与含氟废气的阀门开度变化之间的复杂映射关系提供了新的解决思路和方案。本领域普通技术人员应知晓,基于深度学习的深度神经网络模型可以通过适当的训练策略,例如通过梯度下降的反向传播算法来调整所述深度神经网络模型的参数以使之能够模拟事物之间的复杂的非线性关联,而这显然适合于模拟并建立用热单位的用热量动态变化与含氟废气的阀门开度变化之间的复杂映射关系。
具体地,在本申请的技术方案中,首先,获取用热单位在预定时间段内多个预定时间点的用热量以及所述多个预定时间点的含氟废气的阀门开度值。特别地,在本申请的技术方案中,损失用热单位的用热量可基于热水出水量和水温得到,所述含氟废气在六氟磷酸锂的制备过程中产生。应可以理解,六氟磷酸锂工厂生产过程中的含氟废气主要有三种气体:氟化氢、五氟化磷和氟气,这三种气体中,氟化氢和五氟化磷都极易于碱性水溶液发生反应,生成可溶性的氟化物,公式如下:PCl5+5HF=PF5+5HCl,PF5+LiCl=LiPF6 。
接着,考虑到所述用热单位的用热量在时间维度上具有着动态性的规律,也就是说,所述用热单位在多个预定时间点的用热量间具有着时序关联关系。因此,为了能够准确地对于所述用热单位的用热量在时序上的动态关联特征进行特征挖掘,以充分地提取出用热单位的用热需求的时序动态变化隐含规律,在本申请的技术方案中,进一步将所述多个预定时间点的用热量按照时间维度排列为用热输入向量后通过包含全连接层和一维卷积层的时序编码器中进行编码以得到用热特征向量。特别地,这里,所述时序编码器由交替设置的全连接层和一维卷积层组成,其通过一维卷积编码提取出所述用热单位的用热量在时序维度上的动态关联特征,以及通过全连接编码提取所述用热单位的用热量的高维隐含特征。
然后,考虑到由于所述含氟废气的阀门开度值在时间维度上也具有着动态性的规律,因此,为了能够充分地提取出所述含氟废气的阀门开度的时序动态变化隐含规律,也将所述多个预定时间点的含氟废气的阀门开度值按照时间维度排列为阀门开度输入向量后通过所述包含全连接层和一维卷积层的时序编码器中进行编码,以分别提取出所述含氟废气的阀门开度在时序维度上的动态关联特征和所述含氟废气的阀门开度的高维隐含特征,从而得到供气特征向量。
进一步地,考虑到所述用热单位的用热量和所述含氟废气的阀门开度值在时间维度上存在波动性和不确定性,因此为了提高对于所述用热单位的用热量和所述含氟废气的阀门开度值在时序上的动态变化特征提取的精准度,需要在高维特征空间中对于所述用热单位的用热量和所述含氟废气的阀门开度值在时序上的动态变化特征进行数据增强。应可以理解,作为神经网络模型的学习目标,高斯密度图可以表示特征分布的单个特征值由于其概率密度而在多个特征值构成整体分布情况下的联合分布,也就是,以特征分布作为先验分布,来获得每个先验分布位置下由于其它先验分布位置的相关性作用下的概率密度以作为后验分布,从而在更高维度上更准确地描述特征分布。因此,在本申请的技术方案中,可以通过所述用热单位的用热量和所述含氟废气的阀门开度值的先验分布,即高斯分布,来分别对于所述用热单位的用热量和所述含氟废气的阀门开度值在时序上的动态变化特征进行数据增强,也就是,基于高斯密度图对所述用热特征向量和所述供气特征向量进行特征级数据增强以得到用热特征矩阵和供气特征矩阵。具体地,分别构造所述用热特征向量和所述供气特征向量的高斯密度图,以分别对于所述用热特征向量和所述供气特征向量进行特征级数据增强。然后,分别对于所述用热特征向量和所述供气特征向量的高斯密度图进行高斯离散化处理,以在数据特征增广时不产生信息损失,从而提高后续分类的准确性,以得到用热特征矩阵和供气特征矩阵。
然后,进一步再计算所述用热特征矩阵相对于所述供气特征矩阵的转移矩阵来表示所述用热单位的用热需求的时序动态关联特征和所述氟废气的阀门开度的动态变化特征间的关联性特征分布信息,并以此作为分类特征矩阵通过分类器中进行分类处理,从而得到用于表示当前时间点的阀门开度值应增大或应减小的分类结果。也就是,在本申请的技术方案中,所述分类器的标签包括当前时间点的阀门开度值应增大,以及,当前时间点的阀门开度值应减小,其中,所述分类器通过软最大值函数来确定所述分类特征矩阵属于哪个分类标签。应可以理解,在本申请的技术方案中,所述分类器的分类标签为所述当前时间点的阀门开度值的控制策略标签,因此,在得到所述分类结果后,可基于所述分类结果来自适应地调整所述当前时间点的阀门开度值,以此来基于用热单位的对于热量的实时需求来自适应地调整含氟废气的阀门开度以使得余热回收所得到的热量能够适配于用热单位的用热需求且也没有过多的热量被浪费。
特别地,在本申请的技术方案中,在计算所述用热特征矩阵相对于所述供气特征矩阵的转移矩阵作为所述分类特征矩阵时,作为转移矩阵的分类特征矩阵的每个行向量与所述供气特征矩阵的相应列向量的内积作为所述用热特征矩阵的预定位置的特征值,这使得所述分类特征矩阵的各个行向量的局部异常分布可能对内积空间造成影响,导致所述分类特征矩阵在通过分类器进行分类时对分类结果的依赖性差,影响分类结果的准确性。
因此,对所述分类特征矩阵的每个行特征向量,例如记为进行向量赋范的希尔伯特概率空间化,具体表示为:
,表示行特征向量的二范数,表示其平方,即行特征向量自身的内积,是行特征向量的第个特征值,且是优化后的行特征向量的第个特征值。
这里,所述向量赋范的希尔伯特概率空间化通过行特征向量自身的赋范在定义了向量内积的希尔伯特空间内进行行特征向量的概率性解释,并降低行特征向量的特殊的局部分布的类表达对整体希尔伯特空间拓扑的类表达的隐蔽扰动,由此提高行特征向量的特征分布收敛到预定分类概率的分类回归的鲁棒性,同时依靠度量诱导概率空间结构的建立来提升行特征向量的特征分布对分类结果的跨分类器的长程依赖。由此,就提升了所述分类特征矩阵在通过分类器进行分类时对分类结果的依赖性,改进了分类结果的准确性。这样,能够基于用热单位的对于热量的实时需求来自适应地控制含氟废气的阀门开度,以避免热量的损失浪费。
基于此,本申请提供了一种六氟磷酸锂制备用的余热回收系统,其包括:余热监控模块,用于获取用热单位在预定时间段内多个预定时间点的用热量以及所述多个预定时间点的含氟废气的阀门开度值,其中,所述含氟废气在六氟磷酸锂的制备过程中产生;用热特征提取模块,用于将所述多个预定时间点的用热量按照时间维度排列为用热输入向量后通过包含全连接层和一维卷积层的时序编码器以得到用热特征向量;阀门开度特征提取模块,用于将所述多个预定时间点的含氟废气的阀门开度值按照时间维度排列为阀门开度输入向量后通过所述包含全连接层和一维卷积层的时序编码器以得到供气特征向量;特征增强模块,用于基于高斯密度图对所述用热特征向量和所述供气特征向量进行特征级数据增强以得到用热特征矩阵和供气特征矩阵;转移模块,用于计算所述用热特征矩阵相对于所述供气特征矩阵的转移矩阵作为分类特征矩阵;特征分布调制模块,用于对所述分类特征矩阵的各个行特征向量进行特征分布调制以得到优化分类特征矩阵;以及,余热回收控制结果生成模块,用于将所述优化分类特征矩阵通过分类器以得到分类结果,所述分类结果用于表示当前时间点的阀门开度值应增大或应减小。
图1为根据本申请实施例的六氟磷酸锂制备用的余热回收系统的应用场景图。如图1所示,在该应用场景中,首先,获取用热单位在预定时间段内多个预定时间点的用热量(例如,图1中所示意的C1)以及所述多个预定时间点的含氟废气的阀门开度值(例如,图1中所示意的C2)。然后,将获取的用热量和阀门开度值输入至部署有六氟磷酸锂制备用的余热回收算法的服务器中(例如,图1中所示意的S),其中,所述服务器能够使用六氟磷酸锂制备用的余热回收算法对所述用热量和所述阀门开度值进行处理,以生成用于表示当前时间点的阀门开度值应增大或应减小的分类结果。
在介绍了本申请的基本原理之后,下面将参考附图来具体介绍本申请的各种非限制性实施例。
示例性系统:图2为根据本申请实施例的六氟磷酸锂制备用的余热回收系统的框图。如图2所示,根据本申请实施例的六氟磷酸锂制备用的余热回收系统100,包括:余热监控模块110,用于获取用热单位在预定时间段内多个预定时间点的用热量以及所述多个预定时间点的含氟废气的阀门开度值,其中,所述含氟废气在六氟磷酸锂的制备过程中产生;用热特征提取模块120,用于将所述多个预定时间点的用热量按照时间维度排列为用热输入向量后通过包含全连接层和一维卷积层的时序编码器以得到用热特征向量;阀门开度特征提取模块130,用于将所述多个预定时间点的含氟废气的阀门开度值按照时间维度排列为阀门开度输入向量后通过所述包含全连接层和一维卷积层的时序编码器以得到供气特征向量;特征增强模块140,用于基于高斯密度图对所述用热特征向量和所述供气特征向量进行特征级数据增强以得到用热特征矩阵和供气特征矩阵;转移模块150,用于计算所述用热特征矩阵相对于所述供气特征矩阵的转移矩阵作为分类特征矩阵;特征分布调制模块160,用于对所述分类特征矩阵的各个行特征向量进行特征分布调制以得到优化分类特征矩阵;以及,余热回收控制结果生成模块170,用于将所述优化分类特征矩阵通过分类器以得到分类结果,所述分类结果用于表示当前时间点的阀门开度值应增大或应减小。
具体地,在本申请实施例中,所述余热监控模块110,用于获取用热单位在预定时间段内多个预定时间点的用热量以及所述多个预定时间点的含氟废气的阀门开度值,其中,所述含氟废气在六氟磷酸锂的制备过程中产生。如前所述,由于在实际降温应用的过程中发现并不能够对于余热供水锅炉和外部降温系统的含氟废气的通入量进行合理分配,造成热量的损失浪费。这是由于在不同的时期,用热单位的用热需求是不同的,并不是固定不变的,这对于余热供水锅炉的用热需求和外部降温系统的降温分配带来了困难。因此,期望一种优化的六氟磷酸锂制备用的余热回收系统。
相应地,在本申请的技术方案中,考虑到若想对于余热供水锅炉的用热需求和外部降温系统进行合理的余热回收分配,就需要挖掘出用热单位的用热量动态变化信息与含氟废气的阀门开度变化信息间的关联关系,以此来基于用热单位的对于热量的实时需求来自适应地调整含氟废气的阀门开度以使得余热回收所得到的热量能够适配于用热单位的用热需求且也没有过多的热量被浪费。在此过程中,难点在于如何建立用热单位的用热量动态变化与含氟废气的阀门开度变化间的映射关系,以使得能够基于实际用热单位的实时需求来自适应地控制含氟废气的阀门开度,以避免热量的损失浪费。
近年来,深度学习以及神经网络已经广泛应用于计算机视觉、自然语言处理、文本信号处理等领域。此外,深度学习以及神经网络在图像分类、物体检测、语义分割、文本翻译等领域,也展现出了接近甚至超越人类的水平。
深度学习以及神经网络的发展为挖掘用热单位的用热量动态变化与含氟废气的阀门开度变化之间的复杂映射关系提供了新的解决思路和方案。本领域普通技术人员应知晓,基于深度学习的深度神经网络模型可以通过适当的训练策略,例如通过梯度下降的反向传播算法来调整所述深度神经网络模型的参数以使之能够模拟事物之间的复杂的非线性关联,而这显然适合于模拟并建立用热单位的用热量动态变化与含氟废气的阀门开度变化之间的复杂映射关系。
具体地,在本申请的技术方案中,首先,获取用热单位在预定时间段内多个预定时间点的用热量以及所述多个预定时间点的含氟废气的阀门开度值。特别地,在本申请的技术方案中,损失用热单位的用热量可基于热水出水量和水温得到,所述含氟废气在六氟磷酸锂的制备过程中产生。应可以理解,六氟磷酸锂工厂生产过程中的含氟废气主要有三种气体:氟化氢、五氟化磷和氟气,这三种气体中,氟化氢和五氟化磷都极易于碱性水溶液发生反应,生成可溶性的氟化物,公式如下:PCl5+5HF=PF5+5HCl,PF5+LiCl=LiPF6 。
具体地,在本申请实施例中,所述用热特征提取模块120,用于将所述多个预定时间点的用热量按照时间维度排列为用热输入向量后通过包含全连接层和一维卷积层的时序编码器以得到用热特征向量。接着,考虑到所述用热单位的用热量在时间维度上具有着动态性的规律,也就是说,所述用热单位在多个预定时间点的用热量间具有着时序关联关系。因此,为了能够准确地对于所述用热单位的用热量在时序上的动态关联特征进行特征挖掘,以充分地提取出用热单位的用热需求的时序动态变化隐含规律。
在本申请的技术方案中,进一步将所述多个预定时间点的用热量按照时间维度排列为用热输入向量后通过包含全连接层和一维卷积层的时序编码器中进行编码以得到用热特征向量。特别地,这里,所述时序编码器由交替设置的全连接层和一维卷积层组成,其通过一维卷积编码提取出所述用热单位的用热量在时序维度上的动态关联特征,以及通过全连接编码提取所述用热单位的用热量的高维隐含特征。
在本申请的实施例中,图3为根据本申请实施例的六氟磷酸锂制备用的余热回收系统中所述用热特征提取模块的框图,如图3所示,所述用热特征提取模块,包括:用热向量排列子单元210,用于将所述多个预定时间点的用热量按照时间维度排列为用热输入向量;用热全连接编码子单元220,用于使用所述时序编码器的全连接层以如下公式对所述用热输入向量进行全连接编码以提取出所述用热输入向量中各个位置的特征值的高维隐含特征,其中,所述公式为:,其中是所述用热输入向量,是用热输出向量,是权重矩阵,是偏置向量,表示矩阵乘;以及,用热一维卷积编码子单元230,用于使用所述时序编码器的一维卷积层以如下公式对所述用热输入向量进行一维卷积编码以提取出所述用热输入向量中各个位置的特征值间的高维隐含关联特征,其中,所述公式为:
,其中,
a为卷积核在
x方向上的宽度,为卷积核参数向量,为与卷积核函数运算的局部向量矩阵,
w为卷积核的尺寸,表示所述用热输入向量,表示对所述用热输入向量进行一维卷积编码。
具体地,在本申请实施例中,所述阀门开度特征提取模块130,用于将所述多个预定时间点的含氟废气的阀门开度值按照时间维度排列为阀门开度输入向量后通过所述包含全连接层和一维卷积层的时序编码器以得到供气特征向量。然后,考虑到由于所述含氟废气的阀门开度值在时间维度上也具有着动态性的规律,因此,为了能够充分地提取出所述含氟废气的阀门开度的时序动态变化隐含规律,也将所述多个预定时间点的含氟废气的阀门开度值按照时间维度排列为阀门开度输入向量后通过所述包含全连接层和一维卷积层的时序编码器中进行编码,以分别提取出所述含氟废气的阀门开度在时序维度上的动态关联特征和所述含氟废气的阀门开度的高维隐含特征,从而得到供气特征向量。
在本申请的实施例中,图4为根据本申请实施例的六氟磷酸锂制备用的余热回收系统中所述阀门开度特征提取模块的框图,如图4所示,所述阀门开度特征提取模块,包括:阀门开度向量排列子单元310,用于将所述多个预定时间点的含氟废气的阀门开度值按照时间维度排列为阀门开度输入向量;阀门开度全连接编码子单元320,用于使用所述时序编码器的全连接层以如下公式对所述阀门开度输入向量进行全连接编码以提取出所述阀门开度输入向量中各个位置的特征值的高维隐含特征,其中,所述公式为:,其中是所述阀门开度输入向量,是阀门开度输出向量,是权重矩阵,是偏置向量,表示矩阵乘;以及,阀门开度一维卷积编码子单元330,用于使用所述时序编码器的一维卷积层以如下公式对所述阀门开度输入向量进行一维卷积编码以提取出所述阀门开度输入向量中各个位置的特征值间的高维隐含关联特征,其中,所述公式为:
,其中,为卷积核在
x方向上的宽度,为卷积核参数向量,为与卷积核函数运算的局部向量矩阵,为卷积核的尺寸,表示所述阀门开度输入向量,表示对所述用热输入向量进行一维卷积编码。
具体地,在本申请实施例中,所述特征增强模块140,用于基于高斯密度图对所述用热特征向量和所述供气特征向量进行特征级数据增强以得到用热特征矩阵和供气特征矩阵。进一步地,考虑到所述用热单位的用热量和所述含氟废气的阀门开度值在时间维度上存在波动性和不确定性,因此为了提高对于所述用热单位的用热量和所述含氟废气的阀门开度值在时序上的动态变化特征提取的精准度,需要在高维特征空间中对于所述用热单位的用热量和所述含氟废气的阀门开度值在时序上的动态变化特征进行数据增强。
应可以理解,作为神经网络模型的学习目标,高斯密度图可以表示特征分布的单个特征值由于其概率密度而在多个特征值构成整体分布情况下的联合分布,也就是,以特征分布作为先验分布,来获得每个先验分布位置下由于其它先验分布位置的相关性作用下的概率密度以作为后验分布,从而在更高维度上更准确地描述特征分布。
因此,在本申请的技术方案中,可以通过所述用热单位的用热量和所述含氟废气的阀门开度值的先验分布,即高斯分布,来分别对于所述用热单位的用热量和所述含氟废气的阀门开度值在时序上的动态变化特征进行数据增强,也就是,基于高斯密度图对所述用热特征向量和所述供气特征向量进行特征级数据增强以得到用热特征矩阵和供气特征矩阵。具体地,分别构造所述用热特征向量和所述供气特征向量的高斯密度图,以分别对于所述用热特征向量和所述供气特征向量进行特征级数据增强。然后,分别对于所述用热特征向量和所述供气特征向量的高斯密度图进行高斯离散化处理,以在数据特征增广时不产生信息损失,从而提高后续分类的准确性,以得到用热特征矩阵和供气特征矩阵。
图5为根据本申请实施例的六氟磷酸锂制备用的余热回收系统中所述特征增强模块的框图,如图5所示,所述特征增强模块,包括:高斯密度图构造单元410,用于构造所述用热特征向量和所述供气特征向量的高斯密度图以得到第一高斯密度图和第二高斯密度图;以及,高斯离散化单元420,用于对所述第一高斯密度图的各个位置的高斯分布进行高斯离散化以得到所述用热特征矩阵;对所述第二高斯密度图的各个位置的高斯分布进行高斯离散化以得到所述供气特征矩阵。
具体地,在本申请实施例中,所述转移模块150,用于计算所述用热特征矩阵相对于所述供气特征矩阵的转移矩阵作为分类特征矩阵。然后,进一步再计算所述用热特征矩阵相对于所述供气特征矩阵的转移矩阵来表示所述用热单位的用热需求的时序动态关联特征和所述氟废气的阀门开度的动态变化特征间的关联性特征分布信息,并以此作为分类特征矩阵通过分类器中进行分类处理,从而得到用于表示当前时间点的阀门开度值应增大或应减小的分类结果。
其中,所述转移模块,进一步用于:以如下公式计算所述用热特征矩阵相对于所述供气特征矩阵的转移矩阵作为分类特征矩阵;其中,所述公式为:
,其中表示所述用热特征矩阵,表示所述供气特征矩阵,表示所述分类特征矩阵,表示矩阵相乘。
具体地,在本申请实施例中,所述特征分布调制模块160,用于对所述分类特征矩阵的各个行特征向量进行特征分布调制以得到优化分类特征矩阵。特别地,在本申请的技术方案中,在计算所述用热特征矩阵相对于所述供气特征矩阵的转移矩阵作为所述分类特征矩阵时,作为转移矩阵的分类特征矩阵的每个行向量与所述供气特征矩阵的相应列向量的内积作为所述用热特征矩阵的预定位置的特征值,这使得所述分类特征矩阵的各个行向量的局部异常分布可能对内积空间造成影响,导致所述分类特征矩阵在通过分类器进行分类时对分类结果的依赖性差,影响分类结果的准确性。
因此,对所述分类特征矩阵的每个行特征向量,例如记为进行向量赋范的希尔伯特概率空间化,也就是,以如下公式对所述分类特征矩阵的各个行特征向量进行特征分布调制以得到所述优化分类特征矩阵;其中,所述公式为:
,其中,表示所述分类特征矩阵的各个行特征向量,表示所述各个行特征向量的二范数,表示所述各个行特征向量的二范数平方,是所述各个行特征向量的第个特征值,表示向量的指数运算,所述向量的指数运算表示计算以向量中各个位置的特征值为幂的自然指数函数值,且是所述优化分类特征矩阵的各个行特征向量的第个特征值。
这里,所述向量赋范的希尔伯特概率空间化通过行特征向量自身的赋范在定义了向量内积的希尔伯特空间内进行行特征向量的概率性解释,并降低行特征向量的特殊的局部分布的类表达对整体希尔伯特空间拓扑的类表达的隐蔽扰动,由此提高行特征向量的特征分布收敛到预定分类概率的分类回归的鲁棒性,同时依靠度量诱导概率空间结构的建立来提升行特征向量的特征分布对分类结果的跨分类器的长程依赖。由此,就提升了所述分类特征矩阵在通过分类器进行分类时对分类结果的依赖性,改进了分类结果的准确性。这样,能够基于用热单位的对于热量的实时需求来自适应地控制含氟废气的阀门开度,以避免热量的损失浪费。
具体地,在本申请实施例中,所述余热回收控制结果生成模块170,用于将所述优化分类特征矩阵通过分类器以得到分类结果,所述分类结果用于表示当前时间点的阀门开度值应增大或应减小。
在本申请的技术方案中,所述分类器的标签包括当前时间点的阀门开度值应增大,以及,当前时间点的阀门开度值应减小,其中,所述分类器通过软最大值函数来确定所述分类特征矩阵属于哪个分类标签。应可以理解,在本申请的技术方案中,所述分类器的分类标签为所述当前时间点的阀门开度值的控制策略标签,因此,在得到所述分类结果后,可基于所述分类结果来自适应地调整所述当前时间点的阀门开度值,以此来基于用热单位的对于热量的实时需求来自适应地调整含氟废气的阀门开度以使得余热回收所得到的热量能够适配于用热单位的用热需求且也没有过多的热量被浪费。
图6为根据本申请实施例的六氟磷酸锂制备用的余热回收系统中所述余热回收控制结果生成模块的框图,如图6所示,所述余热回收控制结果生成模块,包括:矩阵展开单元510,用于将所述优化分类特征矩阵按照行向量或列向量展开为分类特征向量;全连接编码单元520,用于使用所述分类器的多个全连接层对所述分类特征向量进行全连接编码以得到编码分类特征向量;以及,分类单元530,用于将所述编码分类特征向量通过所述分类器的Softmax分类函数以得到所述分类结果。
进一步地,在本申请一具体示例中,以如下公式使用所述分类器以得到用于表示当前时间点的阀门开度值应增大或应减小的分类结果;其中,所述公式为:,其中,到为权重矩阵,到为偏置向量,为将所述优化分类特征矩阵投影为向量。
综上,基于本申请实施例的六氟磷酸锂制备用的余热回收系统100被阐明,其获取用热单位在预定时间段内多个预定时间点的用热量,以及,所述多个预定时间点的含氟废气的阀门开度值;采用基于深度学习的人工智能技术,挖掘用热单位的用热量动态变化信息与含氟废气的阀门开度变化信息间的关联关系,以此来基于用热单位的对于热量的实时需求来自适应地调整含氟废气的阀门开度。这样,可以自适应地调整含氟废气的阀门开度值,以避免热量的损失浪费。
示例性方法:图7为根据本申请实施例的六氟磷酸锂制备用的余热回收方法的流程图。如图7所示,根据本申请实施例的六氟磷酸锂制备用的余热回收方法,其包括:S110,获取用热单位在预定时间段内多个预定时间点的用热量以及所述多个预定时间点的含氟废气的阀门开度值,其中,所述含氟废气在六氟磷酸锂的制备过程中产生;S120,将所述多个预定时间点的用热量按照时间维度排列为用热输入向量后通过包含全连接层和一维卷积层的时序编码器以得到用热特征向量;S130,将所述多个预定时间点的含氟废气的阀门开度值按照时间维度排列为阀门开度输入向量后通过所述包含全连接层和一维卷积层的时序编码器以得到供气特征向量;S140,基于高斯密度图对所述用热特征向量和所述供气特征向量进行特征级数据增强以得到用热特征矩阵和供气特征矩阵;S150,计算所述用热特征矩阵相对于所述供气特征矩阵的转移矩阵作为分类特征矩阵;S160,对所述分类特征矩阵的各个行特征向量进行特征分布调制以得到优化分类特征矩阵;以及,S170,将所述优化分类特征矩阵通过分类器以得到分类结果,所述分类结果用于表示当前时间点的阀门开度值应增大或应减小。
图8为根据本申请实施例的六氟磷酸锂制备用的余热回收方法的系统架构的示意图。如图8所示,在所述六氟磷酸锂制备用的余热回收方法的系统架构中,首先,获取用热单位在预定时间段内多个预定时间点的用热量以及所述多个预定时间点的含氟废气的阀门开度值,其中,所述含氟废气在六氟磷酸锂的制备过程中产生;然后,将所述多个预定时间点的用热量按照时间维度排列为用热输入向量后通过包含全连接层和一维卷积层的时序编码器以得到用热特征向量;接着,将所述多个预定时间点的含氟废气的阀门开度值按照时间维度排列为阀门开度输入向量后通过所述包含全连接层和一维卷积层的时序编码器以得到供气特征向量;然后,基于高斯密度图对所述用热特征向量和所述供气特征向量进行特征级数据增强以得到用热特征矩阵和供气特征矩阵;接着,计算所述用热特征矩阵相对于所述供气特征矩阵的转移矩阵作为分类特征矩阵;然后,对所述分类特征矩阵的各个行特征向量进行特征分布调制以得到优化分类特征矩阵;以及,最后,将所述优化分类特征矩阵通过分类器以得到分类结果,所述分类结果用于表示当前时间点的阀门开度值应增大或应减小。
在一个具体示例中,在上述六氟磷酸锂制备用的余热回收方法中,所述将所述多个预定时间点的用热量按照时间维度排列为用热输入向量后通过包含全连接层和一维卷积层的时序编码器以得到用热特征向量,包括:将所述多个预定时间点的用热量按照时间维度排列为用热输入向量;使用所述时序编码器的全连接层以如下公式对所述用热输入向量进行全连接编码以提取出所述用热输入向量中各个位置的特征值的高维隐含特征,其中,所述公式为:,其中是所述用热输入向量,是用热输出向量,是权重矩阵,是偏置向量,表示矩阵乘;以及,使用所述时序编码器的一维卷积层以如下公式对所述用热输入向量进行一维卷积编码以提取出所述用热输入向量中各个位置的特征值间的高维隐含关联特征,其中,所述公式为:
,其中,
a为卷积核在
x方向上的宽度,为卷积核参数向量,为与卷积核函数运算的局部向量矩阵,
w为卷积核的尺寸,表示所述用热输入向量,表示对所述用热输入向量进行一维卷积编码。
在一个具体示例中,在上述六氟磷酸锂制备用的余热回收方法中,所述将所述多个预定时间点的含氟废气的阀门开度值按照时间维度排列为阀门开度输入向量后通过所述包含全连接层和一维卷积层的时序编码器以得到供气特征向量,包括:将所述多个预定时间点的含氟废气的阀门开度值按照时间维度排列为阀门开度输入向量;使用所述时序编码器的全连接层以如下公式对所述阀门开度输入向量进行全连接编码以提取出所述阀门开度输入向量中各个位置的特征值的高维隐含特征,其中,所述公式为:,其中是所述阀门开度输入向量,是阀门开度输出向量,是权重矩阵,是偏置向量,表示矩阵乘;以及,使用所述时序编码器的一维卷积层以如下公式对所述阀门开度输入向量进行一维卷积编码以提取出所述阀门开度输入向量中各个位置的特征值间的高维隐含关联特征,其中,所述公式为:
,其中,为卷积核在
x方向上的宽度,为卷积核参数向量,为与卷积核函数运算的局部向量矩阵,为卷积核的尺寸,表示所述阀门开度输入向量,表示对所述用热输入向量进行一维卷积编码。
在一个具体示例中,在上述六氟磷酸锂制备用的余热回收方法中,所述基于高斯密度图对所述用热特征向量和所述供气特征向量进行特征级数据增强以得到用热特征矩阵和供气特征矩阵,包括:构造所述用热特征向量和所述供气特征向量的高斯密度图以得到第一高斯密度图和第二高斯密度图;以及,对所述第一高斯密度图的各个位置的高斯分布进行高斯离散化以得到所述用热特征矩阵;对所述第二高斯密度图的各个位置的高斯分布进行高斯离散化以得到所述供气特征矩阵。
在一个具体示例中,在上述六氟磷酸锂制备用的余热回收方法中,所述计算所述用热特征矩阵相对于所述供气特征矩阵的转移矩阵作为分类特征矩阵,进一步包括:以如下公式计算所述用热特征矩阵相对于所述供气特征矩阵的转移矩阵作为分类特征矩阵;其中,所述公式为:,其中表示所述用热特征矩阵,表示所述供气特征矩阵,表示所述分类特征矩阵,表示矩阵相乘。
在一个具体示例中,在上述六氟磷酸锂制备用的余热回收方法中,所述对所述分类特征矩阵的各个行特征向量进行特征分布调制以得到优化分类特征矩阵,进一步包括:以如下公式对所述分类特征矩阵的各个行特征向量进行特征分布调制以得到所述优化分类特征矩阵;其中,所述公式为:
,其中,表示所述分类特征矩阵的各个行特征向量,表示所述各个行特征向量的二范数,表示所述各个行特征向量的二范数平方,是所述各个行特征向量的第个特征值,表示向量的指数运算,所述向量的指数运算表示计算以向量中各个位置的特征值为幂的自然指数函数值,且是所述优化分类特征矩阵的各个行特征向量的第个特征值。
在一个具体示例中,在上述六氟磷酸锂制备用的余热回收方法中,所述将所述优化分类特征矩阵通过分类器以得到分类结果,所述分类结果用于表示当前时间点的阀门开度值应增大或应减小,包括:将所述优化分类特征矩阵按照行向量或列向量展开为分类特征向量;使用所述分类器的多个全连接层对所述分类特征向量进行全连接编码以得到编码分类特征向量;以及,将所述编码分类特征向量通过所述分类器的Softmax分类函数以得到所述分类结果。
这里,本领域技术人员可以理解,上述六氟磷酸锂制备用的余热回收方法中的各个步骤的具体操作已经在上面参考图1到图6的六氟磷酸锂制备用的余热回收系统的描述中得到了详细介绍,并因此,将省略其重复描述。
以上结合具体实施例描述了本申请的基本原理,但是,需要指出的是,在本申请中提及的优点、优势、效果等仅是示例而非限制,不能认为这些优点、优势、效果等是本申请的各个实施例必须具备的。另外,上述公开的具体细节仅是为了示例的作用和便于理解的作用,而非限制,上述细节并不限制本申请为必须采用上述具体的细节来实现。
本申请中涉及的器件、装置、设备、系统的方框图仅作为例示性的例子并且不意图要求或暗示必须按照方框图示出的方式进行连接、布置、配置。如本领域技术人员将认识到的,可以按任意方式连接、布置、配置这些器件、装置、设备、系统。诸如“包括”、“包含”、“具有”等等的词语是开放性词汇,指“包括但不限于”,且可与其互换使用。这里所使用的词汇“或”和“和”指词汇“和/或”,且可与其互换使用,除非上下文明确指示不是如此。这里所使用的词汇“诸如”指词组“诸如但不限于”,且可与其互换使用。
还需要指出的是,在本申请的装置、设备和方法中,各部件或各步骤是可以分解和/或重新组合的。这些分解和/或重新组合应视为本申请的等效方案。
提供所公开的方面的以上描述以使本领域的任何技术人员能够做出或者使用本申请。对这些方面的各种修改对于本领域技术人员而言是非常显而易见的,并且在此定义的一般原理可以应用于其他方面而不脱离本申请的范围。因此,本申请不意图被限制到在此示出的方面,而是按照与在此公开的原理和新颖的特征一致的最宽范围。
Claims (7)
1.一种六氟磷酸锂制备用的余热回收系统,其特征在于,包括:余热监控模块,用于获取用热单位在预定时间段内多个预定时间点的用热量以及所述多个预定时间点的含氟废气的阀门开度值,其中,所述含氟废气在六氟磷酸锂的制备过程中产生;用热特征提取模块,用于将所述多个预定时间点的用热量按照时间维度排列为用热输入向量后通过包含全连接层和一维卷积层的时序编码器以得到用热特征向量;阀门开度特征提取模块,用于将所述多个预定时间点的含氟废气的阀门开度值按照时间维度排列为阀门开度输入向量后通过所述包含全连接层和一维卷积层的时序编码器以得到供气特征向量;特征增强模块,用于基于高斯密度图对所述用热特征向量和所述供气特征向量进行特征级数据增强以得到用热特征矩阵和供气特征矩阵;转移模块,用于计算所述用热特征矩阵相对于所述供气特征矩阵的转移矩阵作为分类特征矩阵;特征分布调制模块,用于对所述分类特征矩阵的各个行特征向量进行特征分布调制以得到优化分类特征矩阵;以及余热回收控制结果生成模块,用于将所述优化分类特征矩阵通过分类器以得到分类结果,所述分类结果用于表示当前时间点的阀门开度值应增大或应减小。
2.根据权利要求1所述的六氟磷酸锂制备用的余热回收系统,其特征在于,所述用热特征提取模块,包括:用热向量排列子单元,用于将所述多个预定时间点的用热量按照时间维度排列为用热输入向量;用热全连接编码子单元,用于使用所述时序编码器的全连接层以如下公式对所述用热输入向量进行全连接编码以提取出所述用热输入向量中各个位置的特征值的高维隐含特征,其中,所述公式为: ,其中是所述用热输入向量,是用热输出向量,是权重矩阵,是偏置向量,表示矩阵乘;以及用热一维卷积编码子单元,用于使用所述时序编码器的一维卷积层以如下公式对所述用热输入向量进行一维卷积编码以提取出所述用热输入向量中各个位置的特征值间的高维隐含关联特征,其中,所述公式为:
,其中,a为卷积核在x方向上的宽度,为卷积核参数向量,为与卷积核函数运算的局部向量矩阵,w为卷积核的尺寸,表示所述用热输入向量。
3.根据权利要求2所述的六氟磷酸锂制备用的余热回收系统,其特征在于,所述阀门开度特征提取模块,包括:阀门开度向量排列子单元,用于将所述多个预定时间点的含氟废气的阀门开度值按照时间维度排列为阀门开度输入向量;阀门开度全连接编码子单元,用于使用所述时序编码器的全连接层以如下公式对所述阀门开度输入向量进行全连接编码以提取出所述阀门开度输入向量中各个位置的特征值的高维隐含特征,其中,所述公式为:,其中是所述阀门开度输入向量,是阀门开度输出向量,是权重矩阵,是偏置向量,表示矩阵乘;以及阀门开度一维卷积编码子单元,用于使用所述时序编码器的一维卷积层以如下公式对所述阀门开度输入向量进行一维卷积编码以提取出所述阀门开度输入向量中各个位置的特征值间的高维隐含关联特征,其中,所述公式为:
,其中,为卷积核在x方向上的宽度,为卷积核参数向量,为与卷积核函数运算的局部向量矩阵,为卷积核的尺寸,表示所述阀门开度输入向量,表示对所述用热输入向量进行一维卷积编码。
4.根据权利要求3所述的六氟磷酸锂制备用的余热回收系统,其特征在于,所述特征增强模块,包括:高斯密度图构造单元,用于构造所述用热特征向量和所述供气特征向量的高斯密度图以得到第一高斯密度图和第二高斯密度图;以及高斯离散化单元,用于对所述第一高斯密度图的各个位置的高斯分布进行高斯离散化以得到所述用热特征矩阵;对所述第二高斯密度图的各个位置的高斯分布进行高斯离散化以得到所述供气特征矩阵。
5.根据权利要求4所述的六氟磷酸锂制备用的余热回收系统,其特征在于,所述转移模块,进一步用于:以如下公式计算所述用热特征矩阵相对于所述供气特征矩阵的转移矩阵作为分类特征矩阵;其中,所述公式为:,其中表示所述用热特征矩阵,表示所述供气特征矩阵,表示所述分类特征矩阵,表示矩阵相乘。
6.根据权利要求5所述的六氟磷酸锂制备用的余热回收系统,其特征在于,所述特征分布调制模块,进一步用于:以如下公式对所述分类特征矩阵的各个行特征向量进行特征分布调制以得到所述优化分类特征矩阵;其中,所述公式为:
,其中,表示所述分类特征矩阵的各个行特征向量,表示所述各个行特征向量的二范数,表示所述各个行特征向量的二范数平方,是所述各个行特征向量的第个特征值,表示向量的指数运算,所述向量的指数运算表示计算以向量中各个位置的特征值为幂的自然指数函数值,且是所述优化分类特征矩阵的各个行特征向量的第个特征值。
7.根据权利要求6所述的六氟磷酸锂制备用的余热回收系统,其特征在于,所述余热回收控制结果生成模块,包括:矩阵展开单元,用于将所述优化分类特征矩阵按照行向量或列向量展开为分类特征向量;全连接编码单元,用于使用所述分类器的多个全连接层对所述分类特征向量进行全连接编码以得到编码分类特征向量;以及分类单元,用于将所述编码分类特征向量通过所述分类器的Softmax分类函数以得到所述分类结果。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310042702.5A CN116067188B (zh) | 2023-01-28 | 2023-01-28 | 一种六氟磷酸锂制备用的余热回收系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310042702.5A CN116067188B (zh) | 2023-01-28 | 2023-01-28 | 一种六氟磷酸锂制备用的余热回收系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116067188A true CN116067188A (zh) | 2023-05-05 |
CN116067188B CN116067188B (zh) | 2023-06-09 |
Family
ID=86181589
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310042702.5A Active CN116067188B (zh) | 2023-01-28 | 2023-01-28 | 一种六氟磷酸锂制备用的余热回收系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116067188B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117046391A (zh) * | 2023-08-15 | 2023-11-14 | 杭州电化集团有限公司 | 一种反应釜生产聚合氯化铝的原料智能安全投加处理方法 |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN204373430U (zh) * | 2014-12-24 | 2015-06-03 | 长沙众兴新材料科技有限公司 | 一种回收利用加热炉余热的乳液循环系统 |
JP2016014515A (ja) * | 2014-07-03 | 2016-01-28 | 三建産業株式会社 | 廃熱の供給制御システム及び廃熱の供給制御方法 |
CN106766943A (zh) * | 2017-01-17 | 2017-05-31 | 华北水利水电大学 | 一种烧结矿竖式冷却炉装置以及冷却方法 |
CN107883392A (zh) * | 2017-10-27 | 2018-04-06 | 北京中电联节能技术有限公司 | 适于烟气余热回收装置的前馈神经网络控制方法和系统 |
CN209131425U (zh) * | 2018-10-25 | 2019-07-19 | 承德金隅水泥有限责任公司 | 水泥窑余热锅炉汽包液位控制系统 |
CN111242192A (zh) * | 2020-01-06 | 2020-06-05 | 河北工业大学 | 不确定性下多层次密度融合的余热发电锅炉温度控制方法 |
CN112733751A (zh) * | 2021-01-14 | 2021-04-30 | 成都缘能缘彩网络科技有限公司 | 用于余热回收的智能进水控制方法 |
CN113215351A (zh) * | 2021-04-23 | 2021-08-06 | 合肥工业大学 | 一种用于转炉干法除尘蒸发冷却塔的温度控制系统 |
CN114440621A (zh) * | 2021-12-17 | 2022-05-06 | 佛山市天禄智能装备科技有限公司 | 一种锂电池回转窑的热回收循环系统、方法及介质 |
-
2023
- 2023-01-28 CN CN202310042702.5A patent/CN116067188B/zh active Active
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2016014515A (ja) * | 2014-07-03 | 2016-01-28 | 三建産業株式会社 | 廃熱の供給制御システム及び廃熱の供給制御方法 |
CN204373430U (zh) * | 2014-12-24 | 2015-06-03 | 长沙众兴新材料科技有限公司 | 一种回收利用加热炉余热的乳液循环系统 |
CN106766943A (zh) * | 2017-01-17 | 2017-05-31 | 华北水利水电大学 | 一种烧结矿竖式冷却炉装置以及冷却方法 |
CN107883392A (zh) * | 2017-10-27 | 2018-04-06 | 北京中电联节能技术有限公司 | 适于烟气余热回收装置的前馈神经网络控制方法和系统 |
CN209131425U (zh) * | 2018-10-25 | 2019-07-19 | 承德金隅水泥有限责任公司 | 水泥窑余热锅炉汽包液位控制系统 |
CN111242192A (zh) * | 2020-01-06 | 2020-06-05 | 河北工业大学 | 不确定性下多层次密度融合的余热发电锅炉温度控制方法 |
CN112733751A (zh) * | 2021-01-14 | 2021-04-30 | 成都缘能缘彩网络科技有限公司 | 用于余热回收的智能进水控制方法 |
CN113215351A (zh) * | 2021-04-23 | 2021-08-06 | 合肥工业大学 | 一种用于转炉干法除尘蒸发冷却塔的温度控制系统 |
CN114440621A (zh) * | 2021-12-17 | 2022-05-06 | 佛山市天禄智能装备科技有限公司 | 一种锂电池回转窑的热回收循环系统、方法及介质 |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117046391A (zh) * | 2023-08-15 | 2023-11-14 | 杭州电化集团有限公司 | 一种反应釜生产聚合氯化铝的原料智能安全投加处理方法 |
CN117046391B (zh) * | 2023-08-15 | 2024-02-23 | 杭州电化集团有限公司 | 一种反应釜生产聚合氯化铝的原料智能安全投加处理方法 |
Also Published As
Publication number | Publication date |
---|---|
CN116067188B (zh) | 2023-06-09 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN115586755B (zh) | 用于六氟磷酸锂制备的生产管理控制系统及其方法 | |
CN111157899B (zh) | 一种基于模型融合思想对电池soc的估计方法 | |
CN116067188B (zh) | 一种六氟磷酸锂制备用的余热回收系统 | |
CN115693918A (zh) | 一种建筑综合智能用电系统及其方法 | |
CN115896817A (zh) | 氟氮混合气的生产方法及其系统 | |
CN105069519A (zh) | 一种智能电网园区终端用户能源需求状况动态预测系统及方法 | |
CN113947739A (zh) | 基于物联网的小区安全管理监控系统及其监控方法 | |
CN115456053A (zh) | 海上风力发电机组的风轮散热系统及其方法 | |
CN109946968B (zh) | 一种楼宇内分布式能源匹配系统和方法 | |
CN116306911A (zh) | 基于分布式机器学习的热力站负荷预测及优化控制方法 | |
Zhou et al. | Coal consumption prediction in thermal power units: A feature construction and selection method | |
CN111413864A (zh) | 一种600mw超临界火电机组建模与控制方法 | |
CN115600406A (zh) | 基于混合储能的多综合能源运行优化方法及装置 | |
Sun et al. | Research on Carbon Traceability of Power System Based on Blockchain and Power Flow Calculation under Carbon Peaking and Carbon Neutrality Goals | |
Ma et al. | A C-LMS prediction algorithm for rechargeable sensor networks | |
CN116825217B (zh) | 制备高纯五氟化磷的方法 | |
Cheng et al. | Mechanism of immune system based topology control clustering algorithm in wireless sensor networks | |
CN113077125A (zh) | 一种考虑能效的综合能源系统典型场景生成方法 | |
Zhu et al. | Resilience-Oriented Extreme Weather Conditional Renewable Scenario Generation Based on Diffusion Models and Few-shot Learning | |
Li et al. | A wind power prediction model based on optimized N-BEATS network with multivariate inputs | |
CN116452009B (zh) | 一种考虑时间关联特性的综合能源枢纽灵活域评估方法 | |
Gharghi et al. | Designing a fuzzy rule base system to head cluster election in wireless sensor networks | |
Yang et al. | A Numerical Observability Analysis Method for Combined Electric-Gas Networks | |
CN117968088A (zh) | 用于天然气发电装置的烟气余热回收控制系统及方法 | |
Yuan et al. | Data-driven Agent Modeling for Liquid Air Energy Storage System with Machine Learning: A Comparative Analysis |
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 |