CN116429968A - 基于样本迁移的烟气含氧量预测方法、装置和电子设备 - Google Patents

基于样本迁移的烟气含氧量预测方法、装置和电子设备 Download PDF

Info

Publication number
CN116429968A
CN116429968A CN202111639038.XA CN202111639038A CN116429968A CN 116429968 A CN116429968 A CN 116429968A CN 202111639038 A CN202111639038 A CN 202111639038A CN 116429968 A CN116429968 A CN 116429968A
Authority
CN
China
Prior art keywords
boiler
sample
target
sample data
data set
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
CN202111639038.XA
Other languages
English (en)
Inventor
刘胜伟
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Xinzhi I Lai Network Technology Co ltd
Original Assignee
Xinzhi I Lai Network Technology Co ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Xinzhi I Lai Network Technology Co ltd filed Critical Xinzhi I Lai Network Technology Co ltd
Priority to CN202111639038.XA priority Critical patent/CN116429968A/zh
Publication of CN116429968A publication Critical patent/CN116429968A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • 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
    • G01N33/0062—General constructional details of gas analysers, e.g. portable test equipment concerning the measuring method or the display, e.g. intermittent measurement or digital display
    • 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
    • G01N33/0062—General constructional details of gas analysers, e.g. portable test equipment concerning the measuring method or the display, e.g. intermittent measurement or digital display
    • G01N33/0068—General constructional details of gas analysers, e.g. portable test equipment concerning the measuring method or the display, e.g. intermittent measurement or digital display using a computer specifically programmed
    • 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
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Chemical & Material Sciences (AREA)
  • Physics & Mathematics (AREA)
  • General Health & Medical Sciences (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Immunology (AREA)
  • Computational Linguistics (AREA)
  • Analytical Chemistry (AREA)
  • Medicinal Chemistry (AREA)
  • Food Science & Technology (AREA)
  • Pathology (AREA)
  • Artificial Intelligence (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Biochemistry (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Combustion & Propulsion (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本公开涉及锅炉烟气含氧量预测技术领域，提供了一种基于样本迁移的烟气含氧量预测方法、装置和电子设备。该方法包括：获取源域锅炉的第一样本数据集和目标锅炉的第二样本数据集；基于第一样本数据集和第二样本数据集之间的样本迁移，确定源域锅炉关于目标锅炉的样本权重数据；利用样本权重数据和第一样本数据集学习目标锅炉的烟气含氧量预测模型，得到目标预测模型；基于目标预测模型对目标锅炉的数据进行预测，得到目标锅炉的烟气含氧量值。本公开实现了源域锅炉数据和目标锅炉数据之间的迁移，使得不同锅炉的数据分布尽可能的相同，从而提高了目标预测模型对目标锅炉烟气含氧量的预测精度。

Description

基于样本迁移的烟气含氧量预测方法、装置和电子设备
技术领域
本公开涉及锅炉烟气含氧量预测技术领域，尤其涉及一种基于样本迁移的烟气含氧量预测方法、装置和电子设备。
背景技术
热效率是衡量燃气锅炉的重要指标，实际应用一般通过控制锅炉烟气含氧量为最优设计值以实现不同工况下热效率最高。烟气含氧量常用氧化锆测量仪，测量和维护费用较高，在分布式能源领域，小型燃气锅炉为了节约成本，往往将测量仪轮流安装在不同的锅炉设备上来采集数据，由于每台锅炉安装的时间过短，不能采集到足够多的数据来训练有效的模型。另外，不同锅炉的数据分布是不一样的，这在很大程度上影响了数据的预测精度，导致在源域锅炉数据上训练的模型在目标域数据上预测的精度可能就会很低。因此，如何进一步提高锅炉烟气含氧量的预测精度是当前锅炉管理中的一个技术问题。
发明内容
有鉴于此，本公开实施例提供了一种基于样本迁移的烟气含氧量预测方法、装置和电子设备，以解决现有技术中如何进一步提高锅炉烟气含氧量预测精度的问题。
本公开实施例的第一方面，提供了一种基于样本迁移的烟气含氧量预测方法，包括：获取源域锅炉的第一样本数据集和目标锅炉的第二样本数据集；基于第一样本数据集和第二样本数据集之间的样本迁移，确定源域锅炉关于目标锅炉的样本权重数据；利用样本权重数据和第一样本数据集学习目标锅炉的烟气含氧量预测模型，得到目标预测模型；基于目标预测模型对目标锅炉的数据进行预测，得到目标锅炉的烟气含氧量值。
本公开实施例的第二方面，提供了一种基于样本迁移的烟气含氧量预测装置，包括：获取模块，被配置为获取源域锅炉的第一样本数据集和目标锅炉的第二样本数据集；迁移模块，被配置为基于第一样本数据集和第二样本数据集之间的样本迁移，确定源域锅炉关于目标锅炉的样本权重数据；训练模块，被配置为利用样本权重数据和第一样本数据集学习目标锅炉的烟气含氧量预测模型，得到目标预测模型；预测模块，被配置为基于目标预测模型对目标锅炉的数据进行预测，得到目标锅炉的烟气含氧量值。
本公开实施例的第三方面，提供了一种电子设备，包括存储器、处理器以及存储在存储器中并且可以在处理器上运行的计算机程序，该处理器执行计算机程序时实现上述方法的步骤。
本公开实施例的第四方面，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计算机程序，该计算机程序被处理器执行时实现上述方法的步骤。
本公开实施例与现有技术相比存在的有益效果是：通过获取源域锅炉的第一样本数据集和目标锅炉的第二样本数据集；基于第一样本数据集和第二样本数据集之间的样本迁移，确定源域锅炉关于目标锅炉的样本权重数据；利用样本权重数据和第一样本数据集学习目标锅炉的烟气含氧量预测模型，得到目标预测模型；基于目标预测模型对目标锅炉的数据进行预测，得到目标锅炉的烟气含氧量值，实现了源域锅炉数据和目标锅炉数据之间的迁移，使得不同锅炉的数据分布尽可能的相同，从而提高了目标预测模型对目标锅炉烟气含氧量的预测精度。
附图说明
为了更清楚地说明本公开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公开的一些实施例，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是本公开实施例的应用场景的场景示意图；
图2是本公开实施例提供的一种基于样本迁移的烟气含氧量预测方法的流程示意图；
图3是本公开实施例提供的另一种基于样本迁移的烟气含氧量预测方法的流程示意图；
图4是本公开实施例提供的一种基于样本迁移的烟气含氧量预测装置的结构示意图；
图5是本公开实施例提供的一种电子设备的结构示意图。
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，以便透彻理解本公开实施例。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公开。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公开的描述。
下面将结合附图详细说明根据本公开实施例的一种基于样本迁移的烟气含氧量预测方法和装置。
图1是本公开实施例的应用场景的场景示意图。该应用场景可以包括源域终端1、目标终端2、服务器3及网络4。该场景可以是能源网络，例如，锅炉网络。
源域终端1可以获取到一种锅炉的数据，目标终端2可以获取到另一种锅炉的数据，即源域终端1和目标终端2可以分别是不同锅炉的数据节点、锅炉控制终端或终端设备等。示例地，当源域终端1和目标终端2分别为数据节点时，该数据节点可以是硬件，也可以是软件。当数据节点为硬件时，其可以是具有支持与服务器3通信的各种电子设备，包括但不限于工控机、平板电脑、膝上型便携计算机和台式计算机等；当数据节点为软件时，其可以安装在如上的电子设备中。数据节点可以实现为多个软件或软件模块，也可以实现为单个软件或软件模块，本公开实施例对此不作限制。进一步地，数据节点上可以安装有各种应用，例如数据处理应用、数据通信工具、模型训练平台软件、锅炉负荷预测应用等。
服务器3可以是提供各种服务的服务器，例如，对与其建立通信连接的源域终端1和目标终端2发送的请求进行接收的后台服务器，该后台服务器可以对终端设备发送的请求进行接收和分析等处理，并生成处理结果。服务器3可以是一台服务器，也可以是由若干台服务器组成的服务器集群，或者还可以是一个云计算服务中心，本公开实施例对此不作限制。
需要说明的是，服务器3可以是硬件，也可以是软件。当服务器3为硬件时，其可以是为源域终端1和目标终端2提供各种服务的各种电子设备。当服务器3为软件时，其可以是为源域终端1和目标终端2提供各种服务的多个软件或软件模块，也可以是为源域终端1和目标终端2提供各种服务的单个软件或软件模块，本公开实施例对此不作限制。
网络4可以是采用同轴电缆、双绞线和光纤连接的有线网络，也可以是无需布线就能实现各种通信设备互联的无线网络，例如，载波、WiFi、近场通信(Near FieldCommunication，NFC)等，本公开实施例对此不作限制。
源域终端1和目标终端2经由网络4与服务器3建立通信连接，以向服务器3发送信息和接收服务器3发送的信息。具体地，源域终端1将自身的第一样本数据集发送给服务器3，目标终端2也将自身的第二样本数据集发送给服务器3，服务器3对第一样本数据集和第二样本数据集进行样本迁移操作，得到源域终端1关于目标终端2的样本权重数据，使得不同终端的数据分布尽可能的相同，并利用该样本权重数据和第一样本数据集进行模型训练，来得到对目标终端2的烟气含氧量的目标预测模型，并将该目标预测模型发送至目标终端2中，以对目标终端2进行烟气含氧量的预测，从而提高了目标预测模型对目标终端2的烟气含氧量的预测精度。
需要说明的是，源域终端1、目标终端设备2、服务器3以及网络4的具体类型、数量和组合可以根据应用场景的实际需求进行调整，本公开实施例对此不作限制。
图2是本公开实施例提供的一种基于样本迁移的烟气含氧量预测方法的流程图。图2的基于样本迁移的烟气含氧量预测方法可以由图1的目标终端或服务器执行。如图2所示，该基于样本迁移的烟气含氧量预测方法包括：
S201，获取源域锅炉的第一样本数据集和目标锅炉的第二样本数据集；
S202，基于第一样本数据集和第二样本数据集之间的样本迁移，确定源域锅炉关于目标锅炉的样本权重数据；
S203，利用样本权重数据和第一样本数据集学习目标锅炉的烟气含氧量预测模型，得到目标预测模型；
S204，基于目标预测模型对目标锅炉的数据进行预测，得到目标锅炉的烟气含氧量值。
具体地，源域锅炉和目标锅炉是两种不同的锅炉，例如，源域锅炉与目标锅炉是两种不同类型的锅炉，或者源域锅炉与目标锅炉是两种不同工艺或技术指标的锅炉。实际应用中，可以在源域锅炉和目标锅炉上设置各种传感器来测量锅炉的各种参数数据，并将这些参数数据作为样本数据集。
其中，第一样本数据集可以是源域锅炉所采集的锅炉的不同类型的参数数据，这些参数数据可以包括蒸汽锅炉烟气温度、节能器出口温度、烟气流量瞬时值、蒸汽锅炉燃气温度、蒸汽锅炉烟气标况流量、蒸汽锅炉天然气入口压力、蒸汽锅炉烟气流速、蒸汽锅炉冷凝器进口烟温、蒸汽锅炉排烟温度、蒸汽锅炉烟气压力、蒸汽锅炉冷凝器进口压力、蒸汽锅炉主蒸汽瞬时流量、蒸汽锅炉运行状态和蒸汽锅炉天然气入口瞬时流量等，并且源域锅炉上的这些参数数据与锅炉的烟气含氧量之间的对应关系是已知的，因此，可以将源域锅炉的这些参数数据与烟气含氧量之间的关系作为一条样本数据，并采集多条样本数据来形成第一样本数据集。
同理，对于第二样本数据集，也可以是对目标锅炉设置相同传感器来测量得到的锅炉参数数据，目标锅炉的参数数据的类型与源域锅炉的参数数据类型一样，并利用这些参数数据来形成第二样本数据集，可以理解的是，第二数据样本集中的每条样本数据可以有与锅炉的参数数据成对应关系的烟气含氧量值，也可以没有与锅炉的参数数据成对应关系的烟气含氧量值，或者部分锅炉的参数数据有对应的烟气含氧量值，另外部分锅炉的参数数据则没有对应的烟气含氧量值。在实际应用中，源域锅炉可以是已经部署有训练好的烟气含氧量预测模型，并且该烟气含氧量预测模型的预测精度可以是非常高，而由于源域锅炉和目标锅炉各自测量得到的上述参数数据分布差异可能会很大，因此，在源域锅炉上利用第一样本数据集训练的烟气含氧量预测模型，应用在目标锅炉上进行预测的精度可能会很低。
本公开实施例通过对源域锅炉的第一样本数据集和目标锅炉的第二样本数据集进行样本迁移，得到源域锅炉关于目标锅炉的样本权重数据，使得源域锅炉和目标锅炉之间的样本数据分布尽可能相同，从而再利用样本权重数据和第一样本数据集学习目标锅炉的烟气含氧量预测模型，得到用于对目标锅炉的参数数据进行烟气含氧量值预测的目标预测模型，进而可以快速得到目标锅炉的烟气含氧量预测模型，并进一步提高了模型的预测精度。
在一些实施例中，基于第一样本数据集和第二样本数据集之间的样本迁移，确定源域锅炉关于目标锅炉的样本权重数据，包括：混合第一样本数据集和第二样本数据集，得到混合样本数据；基于混合样本数据对核密度估计算法进行训练，得到核密度估计模型；利用第一样本数据集输入核密度估计模型，得到源域锅炉关于目标锅炉的样本权重数据。
具体地，核密度估计(kernel density estimation)算法是在概率论中用来估计未知的密度函数，属于非参数检验方法之一。在本公开实施例中，利用第一样本数据集和第二样本数据集混合后对核密度估计算法进行训练，来得到对应的核密度估计模型，使得该核密度估计模型学习到两个不同样本数据集的均匀分布下的特征，并将其中的第一样本数据集输入该核密度估计模型来得到源域锅炉关于目标锅炉的样本权重数据，以获取到目标锅炉的第二样本数据集与源域锅炉的第一样本数据集之间的权重分布关系，实现了对第一样本数据集和第二样本数据集之间的差异进行调整，降低两种不同锅炉之间的样本分布差异。
本公开实施例通过混合第一样本数据集和第二样本数据集，得到混合样本数据；基于混合样本数据对核密度估计算法进行训练，得到核密度估计模型；利用第一样本数据集输入核密度估计模型，得到源域锅炉关于目标锅炉的样本权重数据，使得第一样本数据集和第二样本数据集之间数据分布尽可能的相同。
在一些实施例中，利用样本权重数据和第一样本数据集学习目标锅炉的烟气含氧量预测模型，得到目标预测模型，包括：利用样本权重数据和第一样本数据集进行神经网络学习，得到目标锅炉的烟气含氧量的目标预测模型。
具体地，利用样本权重数据和第一样本数据集进行神经网络学习，可以回归出锅炉的样本数据中锅炉参数数据与烟气含氧量值之间的目标函数关系，由于对神经网络模型进行学习的样本数据是进行数据分布调整后的样本权重数据以及源域锅炉的第一样本数据集，使得学习后得到的目标预测模型的预测精度相比于直接将源域锅炉的模型用于目标锅炉的精度能够得到进一步地提高。
在一些实施例中，第一样本数据集中的每条样本数据包括源域锅炉的特征数据以及与源域锅炉特征数据对应的烟气含氧量值；第二样本数据集中的每条样本数据至少包括目标锅炉的特征数据。
具体地，目标锅炉的第二样本数据集中可以是只有与源域锅炉一样的目标锅炉特征数据，或者也可以包括与目标锅炉的特征数据对应的烟气含氧量值。例如，可以根据时间来记录在同一时间下，目标锅炉的参数数据与对应的烟气含氧量值，并将该测量到的参数数据与对应的烟气含氧量值作为样本数据，然后通过在不同时间下的样本数据来形成第一样本数据集。在本公开实施例中，第一样本数据集优选为包括目标锅炉的参数数据以及与该参数数据对应的烟气含氧量值。
需要说明的是，源域锅炉和目标锅炉的参数数据的具体类型可以包括但不限于蒸汽锅炉烟气温度、节能器出口温度、烟气流量瞬时值、蒸汽锅炉燃气温度、蒸汽锅炉烟气标况流量、蒸汽锅炉天然气入口压力、蒸汽锅炉烟气流速、蒸汽锅炉冷凝器进口烟温、蒸汽锅炉排烟温度、蒸汽锅炉烟气压力、蒸汽锅炉冷凝器进口压力、蒸汽锅炉主蒸汽瞬时流量、蒸汽锅炉运行状态和蒸汽锅炉天然气入口瞬时流量等，即本公开实施例并不限制第一样本数据集和第二样本数据集中的样本特征的具体类型和数量。
在一些实施例中，第一样本数据集的样本数据量与第二样本数据集的样本数据量大致相同。即第一样本数据集的样本数据量要大于或等于第二样本数据集的样本数据量，示例地，第一样本数据集和第二样本数据集的样本数据量均为8000条或者8000条以上。
图3是本公开实施例提供的另一种基于样本迁移的烟气含氧量预测方法的流程图。如图3所示，该基于样本迁移的烟气含氧量预测方法包括：
S301，获取源域锅炉的第一样本数据集和目标锅炉的第二样本数据集；
S302，混合第一样本数据集和第二样本数据集，并基于混合的第一样本数据集和第二样本数据集对核密度估计算法进行训练，得到核密度估计模型；
S303，利用第一样本数据集输入核密度估计模型，在核密度估计模型的输出得到源域锅炉关于目标锅炉的样本权重数据；
S304，基于样本权重数据和第一样本数据集训练神经网络，得到目标锅炉的烟气含氧量的目标预测模型；
S305，利用目标预测模型对目标锅炉的数据进行预测，得到目标锅炉的烟气含氧量值，数据包括第二样本数据集。
本公开实施例通过对源域锅炉的第一样本数据集和目标锅炉的第二样本数据集进行样本迁移，得到源域锅炉关于目标锅炉的样本权重数据，使得源域锅炉和目标锅炉之间的样本数据分布尽可能相同，从而再利用样本权重数据和第一样本数据集学习目标锅炉的烟气含氧量预测模型，得到用于对目标锅炉的参数数据进行烟气含氧量值预测的目标预测模型，进而可以快速得到目标锅炉的烟气含氧量预测模型，并进一步提高了模型的预测精度。
上述所有可选技术方案，可以采用任意结合形成本申请的可选实施例，在此不再一一赘述。
下述为本公开装置实施例，可以用于执行本公开方法实施例。对于本公开装置实施例中未披露的细节，请参照本公开方法实施例。
图4是本公开实施例提供的一种基于样本迁移的烟气含氧量预测装置的示意图。如图4所示，该基于样本迁移的烟气含氧量预测装置包括：
获取模块401，被配置为获取源域锅炉的第一样本数据集和目标锅炉的第二样本数据集；
迁移模块402，被配置为基于第一样本数据集和第二样本数据集之间的样本迁移，确定源域锅炉关于目标锅炉的样本权重数据；
训练模块403，被配置为利用样本权重数据和第一样本数据集学习目标锅炉的烟气含氧量预测模型，得到目标预测模型；
预测模块404，被配置为基于目标预测模型对目标锅炉的数据进行预测，得到目标锅炉的烟气含氧量值。
本公开实施例通过对源域锅炉的第一样本数据集和目标锅炉的第二样本数据集进行样本迁移，得到源域锅炉关于目标锅炉的样本权重数据，使得源域锅炉和目标锅炉之间的样本数据分布尽可能相同，从而再利用样本权重数据和第一样本数据集学习目标锅炉的烟气含氧量预测模型，得到用于对目标锅炉的参数数据进行烟气含氧量值预测的目标预测模型，进而可以快速得到目标锅炉的烟气含氧量预测模型，并进一步提高了模型的预测精度。
在一些实施例中，图4中的迁移模块402混合第一样本数据集和第二样本数据集，得到混合样本数据；基于混合样本数据对核密度估计算法进行训练，得到核密度估计模型；利用第一样本数据集输入核密度估计模型，得到源域锅炉关于目标锅炉的样本权重数据。
在一些实施例中，图4中的训练模块403利用样本权重数据和第一样本数据集进行神经网络学习，得到目标锅炉的烟气含氧量的目标预测模型。
在一些实施例中，第一样本数据集中的每条样本数据包括源域锅炉的特征数据以及与源域锅炉特征数据对应的烟气含氧量值；第二样本数据集中的每条样本数据至少包括目标锅炉的特征数据。
在一些实施例中，源域锅炉的特征数据和目标锅炉的特征数据分别包括以下至少一种数据：蒸汽锅炉烟气温度、节能器出口温度、烟气流量瞬时值、蒸汽锅炉燃气温度、蒸汽锅炉烟气标况流量、蒸汽锅炉天然气入口压力、蒸汽锅炉烟气流速、蒸汽锅炉冷凝器进口烟温、蒸汽锅炉排烟温度、蒸汽锅炉烟气压力、蒸汽锅炉冷凝器进口压力、蒸汽锅炉主蒸汽瞬时流量、蒸汽锅炉运行状态和蒸汽锅炉天然气入口瞬时流量。
在一些实施例中，第一样本数据集的样本数据量与第二样本数据集的样本数据量大致相同。
在一些实施例中，第一样本数据集和第二样本数据集的样本数据量大于或等于8000条。
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，而不应对本公开实施例的实施过程构成任何限定。
图5是本公开实施例提供的电子设备5的示意图。图5中的电子设备5可以为图1中的目标终端或服务器。如图5所示，该实施例的电子设备5包括：处理器501、存储器502以及存储在该存储器502中并且可以在处理器501上运行的计算机程序503。处理器501执行计算机程序503时实现上述各个方法实施例中的步骤。或者，处理器501执行计算机程序503时实现上述各装置实施例中各模块/单元的功能。
示例性地，计算机程序503可以被分割成一个或多个模块/单元，一个或多个模块/单元被存储在存储器502中，并由处理器501执行，以完成本公开。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，该指令段用于描述计算机程序503在电子设备5中的执行过程。
电子设备5可以是桌上型计算机、笔记本、掌上电脑及云端服务器等电子设备。电子设备5可以包括但不仅限于处理器501和存储器502。本领域技术人员可以理解，图5仅仅是电子设备5的示例，并不构成对电子设备5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，电子设备还可以包括输入输出设备、网络接入设备、总线等。
处理器501可以是中央处理单元(Central Processing Unit，CPU)，也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。
存储器502可以是电子设备5的内部存储单元，例如，电子设备5的硬盘或内存。存储器502也可以是电子设备5的外部存储设备，例如，电子设备5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(Flash Card)等。进一步地，存储器502还可以既包括电子设备5的内部存储单元也包括外部存储设备。存储器502用于存储计算机程序以及电子设备所需的其它程序和数据。存储器502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公开的范围。
在本公开所提供的实施例中，应该理解到，所揭露的装置/电子设备和方法，可以通过其它的方式实现。例如，以上所描述的装置/电子设备实施例仅仅是示意性的，例如，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，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。
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，在本公开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。
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存储介质中。基于这样的理解，本公开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，计算机程序可以存储在计算机可读存储介质中，该计算机程序在被处理器执行时，可以实现上述各个方法实施例的步骤。计算机程序可以包括计算机程序代码，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。计算机可读介质可以包括：能够携带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(Read-Only Memory，ROM)、随机存取存储器(Random Access Memory，RAM)、电载波信号、电信信号以及软件分发介质等。需要说明的是，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。
以上实施例仅用以说明本公开的技术方案，而非对其限制；尽管参照前述实施例对本公开进行了详细的说明，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公开各实施例技术方案的精神和范围，均应包含在本公开的保护范围之内。

Claims (10)

1.一种基于样本迁移的烟气含氧量预测方法，其特征在于，包括：
获取源域锅炉的第一样本数据集和目标锅炉的第二样本数据集；
基于所述第一样本数据集和所述第二样本数据集之间的样本迁移，确定所述源域锅炉关于所述目标锅炉的样本权重数据；
利用所述样本权重数据和所述第一样本数据集学习所述目标锅炉的烟气含氧量预测模型，得到目标预测模型；
基于所述目标预测模型对所述目标锅炉的数据进行预测，得到所述目标锅炉的烟气含氧量值。
2.根据权利要求1所述的方法，其特征在于，所述基于所述第一样本数据集和第二样本数据集之间的样本迁移，确定所述源域锅炉关于所述目标锅炉的样本权重数据，包括：
混合所述第一样本数据集和第二样本数据集，得到混合样本数据；
基于所述混合样本数据对核密度估计算法进行训练，得到核密度估计模型；
利用所述第一样本数据集输入所述核密度估计模型，得到所述源域锅炉关于所述目标锅炉的样本权重数据。
3.根据权利要求1所述的方法，其特征在于，所述利用所述样本权重数据和所述第一样本数据集学习所述目标锅炉的烟气含氧量预测模型，得到目标预测模型，包括：
利用所述样本权重数据和所述第一样本数据集进行神经网络学习，得到所述目标锅炉的烟气含氧量的目标预测模型。
4.根据权利要求1-3任一项所述的方法，其特征在于，所述第一样本数据集中的每条样本数据包括所述源域锅炉的特征数据以及与所述源域锅炉特征数据对应的烟气含氧量值；
所述第二样本数据集中的每条样本数据至少包括所述目标锅炉的特征数据。
5.根据权利要求4所述的方法，其特征在于，所述源域锅炉的特征数据和所述目标锅炉的特征数据分别包括以下至少一种数据：蒸汽锅炉烟气温度、节能器出口温度、烟气流量瞬时值、蒸汽锅炉燃气温度、蒸汽锅炉烟气标况流量、蒸汽锅炉天然气入口压力、蒸汽锅炉烟气流速、蒸汽锅炉冷凝器进口烟温、蒸汽锅炉排烟温度、蒸汽锅炉烟气压力、蒸汽锅炉冷凝器进口压力、蒸汽锅炉主蒸汽瞬时流量、蒸汽锅炉运行状态和蒸汽锅炉天然气入口瞬时流量。
6.根据权利要求1所述的方法，其特征在于，所述第一样本数据集的样本数据量与所述第二样本数据集的样本数据量大致相同。
7.根据权利要求6所述的方法，其特征在于，所述第一样本数据集和所述第二样本数据集的样本数据量大于或等于8000条。
8.一种基于样本迁移的烟气含氧量预测装置，其特征在于，包括：
获取模块，被配置为获取源域锅炉的第一样本数据集和目标锅炉的第二样本数据集；
迁移模块，被配置为基于所述第一样本数据集和所述第二样本数据集之间的样本迁移，确定所述源域锅炉关于所述目标锅炉的样本权重数据；
训练模块，被配置为利用所述样本权重数据和所述第一样本数据集学习所述目标锅炉的烟气含氧量预测模型，得到目标预测模型；
预测模块，被配置为基于所述目标预测模型对所述目标锅炉的数据进行预测，得到所述目标锅炉的烟气含氧量值。
9.一种电子设备，包括存储器、处理器以及存储在所述存储器中并且可以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中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中任一项所述方法的步骤。
CN202111639038.XA 2021-12-29 2021-12-29 基于样本迁移的烟气含氧量预测方法、装置和电子设备 Pending CN116429968A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111639038.XA CN116429968A (zh) 2021-12-29 2021-12-29 基于样本迁移的烟气含氧量预测方法、装置和电子设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111639038.XA CN116429968A (zh) 2021-12-29 2021-12-29 基于样本迁移的烟气含氧量预测方法、装置和电子设备

Publications (1)

Publication Number Publication Date
CN116429968A true CN116429968A (zh) 2023-07-14

Family

ID=87081943

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111639038.XA Pending CN116429968A (zh) 2021-12-29 2021-12-29 基于样本迁移的烟气含氧量预测方法、装置和电子设备

Country Status (1)

Country Link
CN (1) CN116429968A (zh)

Similar Documents

Publication Publication Date Title
CN108120521B (zh) 变压器绕组热点温度预测方法及终端设备
CN113034059B (zh) 异常电力信息定位方法、装置、电子设备和计算机介质
CN111625754B (zh) 用于计算锅炉能效的方法、装置、终端设备和存储介质
CN113158589A (zh) 一种电池管理系统的仿真模型校准方法以及装置
CN111626360A (zh) 用于检测锅炉故障类型的方法、装置、设备和存储介质
CN111475853A (zh) 一种基于分布式数据的模型训练方法及系统
CN114970357A (zh) 节能效果评价方法、系统、装置及存储介质
CN113447881B (zh) 智能电能表的测量方法、装置及终端设备
CN111160614A (zh) 资源转移预测模型的训练方法、装置及计算设备
CN113296992A (zh) 异常原因确定方法、装置、设备和存储介质
CN112541841A (zh) 用于模拟过去未来数据的方法、装置及终端设备
CN116429968A (zh) 基于样本迁移的烟气含氧量预测方法、装置和电子设备
CN116594568A (zh) 一种数据存储方法、装置、电子设备及存储介质
CN115119197B (zh) 基于大数据的无线网络风险分析方法、装置、设备及介质
CN116070516A (zh) 一种电缆温度的预测方法及装置
CN111859802B (zh) 一种架空导线稳态温度计算方法、系统以及设备
CN109726086A (zh) 测试服务器性能的方法和装置
CN114997587A (zh) 一种电力终端的安全监测方法、装置及电力终端
CN116432507A (zh) 一种锅炉烟气含氧量预测方法、装置和计算设备
CN114490405A (zh) 资源需求量确定方法、装置、设备及存储介质
CN116007199A (zh) 热水器烟道风险预测方法、装置、计算机设备及介质
CN114819238A (zh) 燃气锅炉的烟气含氧量预测方法及装置
CN114692903A (zh) 用于设备故障检测的方法及终端设备
CN113052509A (zh) 模型评估方法、模型评估装置、电子设备和存储介质
CN115290798B (zh) 变压器油色谱在线监测装置的稳定性能监测方法及终端

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