CN116432507A - 一种锅炉烟气含氧量预测方法、装置和计算设备 - Google Patents
一种锅炉烟气含氧量预测方法、装置和计算设备 Download PDFInfo
- Publication number
- CN116432507A CN116432507A CN202111636847.5A CN202111636847A CN116432507A CN 116432507 A CN116432507 A CN 116432507A CN 202111636847 A CN202111636847 A CN 202111636847A CN 116432507 A CN116432507 A CN 116432507A
- Authority
- CN
- China
- Prior art keywords
- boiler
- population
- target
- value
- sample data
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- UGFAIRIUMAVXCW-UHFFFAOYSA-N Carbon monoxide Chemical compound [O+]#[C-] UGFAIRIUMAVXCW-UHFFFAOYSA-N 0.000 title claims abstract description 65
- 239000003546 flue gas Substances 0.000 title claims abstract description 65
- QVGXLLKOCUKJST-UHFFFAOYSA-N atomic oxygen Chemical compound [O] QVGXLLKOCUKJST-UHFFFAOYSA-N 0.000 title claims abstract description 61
- 239000001301 oxygen Substances 0.000 title claims abstract description 61
- 229910052760 oxygen Inorganic materials 0.000 title claims abstract description 61
- 238000000034 method Methods 0.000 title claims abstract description 48
- 238000012549 training Methods 0.000 claims abstract description 36
- 238000005457 optimization Methods 0.000 claims abstract description 23
- 230000006978 adaptation Effects 0.000 claims description 73
- 230000003044 adaptive effect Effects 0.000 claims description 22
- 230000035772 mutation Effects 0.000 claims description 21
- 238000004590 computer program Methods 0.000 claims description 17
- 230000002068 genetic effect Effects 0.000 claims description 17
- 230000006870 function Effects 0.000 claims description 13
- 238000002922 simulated annealing Methods 0.000 claims description 10
- 238000003062 neural network model Methods 0.000 claims description 5
- 238000005070 sampling Methods 0.000 claims description 5
- 230000011218 segmentation Effects 0.000 claims description 4
- 230000006872 improvement Effects 0.000 abstract description 5
- 108090000623 proteins and genes Proteins 0.000 description 8
- 230000008569 process Effects 0.000 description 7
- 238000004891 communication Methods 0.000 description 6
- 238000010586 diagram Methods 0.000 description 6
- 238000013508 migration Methods 0.000 description 5
- 230000005012 migration Effects 0.000 description 5
- 238000012545 processing Methods 0.000 description 5
- VNWKTOKETHGBQD-UHFFFAOYSA-N methane Chemical compound C VNWKTOKETHGBQD-UHFFFAOYSA-N 0.000 description 4
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 239000000779 smoke Substances 0.000 description 3
- 238000010801 machine learning Methods 0.000 description 2
- 239000003345 natural gas Substances 0.000 description 2
- 238000000137 annealing Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000005265 energy consumption Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000000087 stabilizing effect Effects 0.000 description 1
- 238000006467 substitution reaction 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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
- G06N20/20—Ensemble learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/12—Computing arrangements based on biological models using genetic models
- G06N3/126—Evolutionary algorithms, e.g. genetic algorithms or genetic programming
-
- 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
- Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
- Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
- Y04S10/00—Systems supporting electrical power generation, transmission or distribution
- Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Evolutionary Computation (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- Biophysics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Medical Informatics (AREA)
- Mathematical Physics (AREA)
- Data Mining & Analysis (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Computing Systems (AREA)
- Computer Hardware Design (AREA)
- Biomedical Technology (AREA)
- Computational Linguistics (AREA)
- Genetics & Genomics (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Physiology (AREA)
- Geometry (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，提供了一种锅炉烟气含氧量预测方法、装置和计算设备。该方法包括：获取目标锅炉的参数优化的任务模型，以及用于对参数优化的任务模型进行训练的样本数据，样本数据包括源域锅炉的第一样本数据和源域锅炉关于目标锅炉的样本权重数据；利用第一样本数据和样本权重数据对参数优化的任务模型进行训练，得到预测目标锅炉的烟气含氧量的目标预测模型；基于目标预测模型对目标锅炉的运行参数数据进行预测，得到目标锅炉的烟气含氧量值。本公开从数据样本和训练模型这两个方面的改进来进一步提高了关于目标锅炉烟气含氧量值的目标预测模型的预测精度。
Description
技术领域
本公开涉及锅炉烟气含氧量预测技术领域，尤其涉及一种锅炉烟气含氧量预测方法、装置和计算设备。
背景技术
在现有技术中，会使用锅炉的历史运行数据或一些测量获得运行参数数据来对学习锅炉烟气含氧量的预测模型，然后利用该预测模型来自动预测锅炉在运行状态下的最优烟气含氧量值，以便对锅炉的能耗进行优化控制。不过实际使用应用发现，这种利用数据来学习预测模型的方法，会因为不同锅炉的数据分布的差异性，导致利用一种锅炉的数据学习到的预测模型在另一种锅炉下烟气含氧量预测不够准确，这种不准确一方面是样本数据源导致的，另一方面是模型训练方法导致。因此，如何进一步提高锅炉烟气含氧量值的预测模型精度，是技术领域一直致力研究的一个问题。
发明内容
有鉴于此，本公开实施例提供了一种锅炉烟气含氧量预测方法、装置和计算设备，以解决现有技术中利用一种锅炉的数据来学习得到锅炉烟气含氧量值的预测模型在另一种锅炉下预测精度较低的问题。
本公开实施例的第一方面，提供了一种锅炉烟气含氧量预测方法，包括：获取目标锅炉的参数优化的任务模型，以及用于对参数优化的任务模型进行训练的样本数据，样本数据包括源域锅炉的第一样本数据和源域锅炉关于目标锅炉的样本权重数据；利用第一样本数据和样本权重数据对参数优化的任务模型进行训练，得到预测目标锅炉的烟气含氧量的目标预测模型；基于目标预测模型对目标锅炉的运行参数数据进行预测，得到目标锅炉的烟气含氧量值。
本公开实施例的第二方面，提供了一种基于模型参数优化的锅炉烟气含氧量预测装置，包括：获取模块，被配置为获取目标锅炉的参数优化的任务模型，以及用于对参数优化的任务模型进行训练的样本数据，样本数据包括源域锅炉的第一样本数据和源域锅炉关于目标锅炉的样本权重数据；训练模块，被配置为利用第一样本数据和样本权重数据对参数优化的任务模型进行训练，得到预测目标锅炉的烟气含氧量的目标预测模型；预测模块，被配置为基于目标预测模型对目标锅炉的运行参数数据进行预测，得到目标锅炉的烟气含氧量值。
本公开实施例的第三方面，提供了一种计算设备，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。
本公开实施例与现有技术相比存在的有益效果是：通过利用源域锅炉的第一样本数据进行样本迁移来获得关于目标锅炉的任务模型的样本数据，使得目标锅炉与源域锅炉的数据分布差异性降低，并且针对目标锅炉的任务模型是经过参数优化后的模型，从数据样本和训练模型这两个方面的改进来进一步提高了关于目标锅炉烟气含氧量值的目标预测模型的预测精度。
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锅炉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锅炉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锅炉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计算设备的结构示意图。
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锅炉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锅炉1、目标锅炉2、电子设备3以及网络4。
源域锅炉1可以包括一个锅炉或多个锅炉，这些源域锅炉1具有较为准确的烟气含氧量值预测模型，该烟气含氧量值预测模型是利用源域锅炉1的运行参数数据作为样本数据对机器学习算法进行训练得到的机器模型，能够智能计算出最优的烟气含氧量值来对锅炉进行运行控制，使锅炉保持最优的效率。目标锅炉2是与源域锅炉1不同的锅炉，在实际应用中，如果直接使用源域锅炉1的烟气含氧量值预测模型对目标锅炉2进行预测，可能会出现预测的烟气含氧量值与目标锅炉2的烟气含氧量实际值的误差较大，即预测精度不够。
电子设备3可以通过网络3与源域锅炉1和目标锅炉2进行通信连接，利用该通信连接，电子设备3可以获取到源域锅炉1和目标锅炉2的运行数据，并对这些运行数据进行分析和处理，也可以向源域锅炉1和目标锅炉2发送分析和处理后的结果。
具体地，电子设备3可以是硬件，也可以是软件。当电子设备3为硬件时，其可以是支持与源域锅炉1与目标锅炉2通信的各种设备，包括但不限于工控机、平板电脑、台式计算机和服务器等；当电子设备3为软件时，其可以安装在如上硬件设备中。电子设备3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，电子设备3上可以安装有各种应用，例如数据处理应用、机器学习模型、工业控制平台软件、数据搜索类应用等。
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，WiFi和载波等，本公开实施例对此不作限制。
需要说明的是，源域锅炉1、目标锅炉2、电子设备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锅炉烟气含氧量预测方法的流程图。图2的锅炉烟气含氧量预测方法可以由图1的电子设备执行。如图2所示，该锅炉烟气含氧量预测方法包括：
S201，获取目标锅炉的参数优化的任务模型，以及用于对参数优化的任务模型进行训练的样本数据，样本数据包括源域锅炉的第一样本数据和源域锅炉关于目标锅炉的样本权重数据；
S202，利用第一样本数据和样本权重数据对参数优化的任务模型进行训练，得到预测目标锅炉的烟气含氧量的目标预测模型；
S203，基于目标预测模型对目标锅炉的运行参数数据进行预测，得到目标锅炉的烟气含氧量值。
本公开实施例利用源域锅炉的第一样本数据进行样本迁移来获得关于目标锅炉的任务模型的样本数据，使得目标锅炉与源域锅炉的数据分布差异性降低，并且针对目标锅炉的任务模型是经过参数优化后的模型，从数据样本和训练模型这两个方面的改进来进一步提高了关于目标锅炉烟气含氧量值的目标预测模型的预测精度。
在一些实施例中，获取用于对参数优化的任务模型进行训练的样本数据，样本数据包括源域锅炉的第一样本数据和源域锅炉关于目标锅炉的样本权重数据，包括：获取源域锅炉的第一样本数据和目标锅炉的第二样本数据；混合第一样本数据和第二样本数据，并利用混合后的数据训练一个核密度估计算法，得到对应的核密度估计模型；将第一样本数据作为核密度估计模型的数据，在核密度估计模型的输出获得源域锅炉关于目标锅炉的样本权重数据；将样本权重数据和第一样本数据作为训练参数优化的任务模型的样本数据。
具体地，利用源域锅炉的第一样本数据和目标锅炉的第二样本数据来混合并进行核密度估计算法训练，将源域锅炉的第一样本数据输入训练得到的模型，来得到源域锅炉关于目标锅炉的样本权重数据，以降低源域锅炉与目标锅炉的数据之间的分布差异，实现源域锅炉与目标锅炉间的样本迁移，提高了训练任务模型的样本数据质量，进而提高目标锅炉的预测模型的精度。
进一步地，第一样本数据和第二样本数据的特征数据部分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，蒸汽锅炉天然气入口瞬时流量等，而第一样本数据和第二样本数据的目标值包括蒸汽锅炉烟气含氧量值。即第一样本数据集和第二样本数据可以是含标签的样本数据。
在一些实施例中，获取目标锅炉的参数优化的任务模型，包括：获取目标锅炉的任务模型；基于自适应遗传算法，确定任务模型的最优参数，并将最优参数置于任务模型中，得到参数优化的任务模型。
具体地，目标锅炉的任务模型可以是回归类的算法或模型，即利用源域锅炉和目标锅炉的历史运行数据来作为样本数据进行学习，来得到对目标锅炉烟气含氧量值的预测模型。在本公开实施例中，利用自适应遗传算法来对于任务模型的模型参数进行优化，从而可以进一步提高模型预测的精度。
示例地，任务模型可以为神经网络模型或xgboost模型，当任务模型为神经网络模型时，经过自适应遗传算法的操作可以得到最优的阈值和权值，然后将该最优的阈值和权值置于神经网络模型中，得到参数优化的任务模型；当任务模型为xgboost模型时是，经过自适应遗传算法的操作可以得到最优的模型初始参数，然后将该最优的模型初始参数置于xgboost模型中，得到参数优化的任务模型。应当理解，本公开实施例对于任务模型的具体类型并不作限制。
在一些实施例中，基于自适应遗传算法，确定任务模型的最优参数，包括：基于目标锅炉的任务模型，生成初始种群和适应度函数；利用适应度函数计算种群中每个个体的适应值；基于适应值由小到大的顺序对种群中的所有个体进行排序，得到排序后的种群；基于分段选择策略将排序后的种群划分为好、中和差3个子种群，并以随机抽样的方式分别从好、中和差3个子种群中选取部分个体构成选择后的种群；基于自适应的交叉概率对选择后的种群中的个体进行交叉操作，生成新的个体；基于自适应的变异概率对选中的新的个体进行变异操作，生成新的个体，并由新的个体得到新的种群；在新种群满足预设条件的情况下，得到任务模型的最优参数，预设条件包括新种群的进化代数达到预设的代数阈值或新种群的最小适应值达到预设的误差精度。
具体地，自适应遗传算法的适应度函数可以为：
其中，y(k)表示真实值，y'(k)表示预测值，m表示样本数，k表示具体的样本数据中的第k个样本，k为正整数，且k∈[1,m]。
在本公开实施例中，自适应遗传算法在种群选择上，采用分段选策略和随机抽样结合的方式，将种群按照适应值有小到大的顺序进行排列，以此来将种群分为好、中、差3个子种群，然后按比例从中选取个体来组成选择后的种群，这样做的目的是为了在保证下代种群多样性的同时尽可能保留好的个体。在一些实施例中，从好、中、差3个子种群抽取个体数量的比例可以优选为按照5:3:2的比例进行选择操作，当然，也可以是采用其他比例进行抽取，本公开实施例对此不作限制。
进一步地，本公开实施例提供的自适应遗传算法在进行交叉和变异操作上，对交叉概率和变异概率的确定也是自适应，从而可以有效保证遗传算法的进化速度和进化种群的质量。
在一些实施例中，基于自适应的交叉概率对选择后的种群中的个体进行交叉操作，生成新的个体，包括：基于当前种群中的最小适应值、平均适应值以及两个交叉个体中较小的适应值和初始交叉概率，确定交叉操作的第一交叉概率和第二交叉概率，第一交叉概率大于第二交叉概率；比较两个交叉个体中较小的适应值与当前种群中的平均适应值的大小；在较小适应值大于或等于平均适应值的情况下，利用第一交叉概率对两个个体执行交叉操作，生成新的个体；在较小适应值小于平均适应值的情况下，利用第二交叉概率对两个个体执行交叉操作，生成新的个体。
具体地，自适应交叉操作是以一定的概率Pc(交叉概率)来对个体进行重组，生成新的个体，通过调整的值来保证在后代种群进化过程中尽可能保留好的个体基因。例如，交叉概率可以通过以下公式1)来确定：
其中，Pc1，Pc2分别表示初始交叉概率中较大值和较小值，例如，初始交叉概率为[Pc1,Pc2]；另外，fmin、fave、f分别表示当前种群中的最小适应值，平均适应值及交叉个体中较小的适应值。
针对选择操作后的种群中两个个体的交叉方式如下：
其中：x1，x2为交叉操作前选中的个体，x′1，x′2为交叉操作后产生的新个体，r为[0,1]上的随机数。
在一些实施例中，基于自适应的变异概率对选中的新的个体进行变异操作，生成新的个体，包括：基于当前种群中的最小适应值、平均适应值以及变异个体的适应值和初始变异概率，确定变异操作的第一变异概率和第二变异概率，第一变异概率大于第二变异概率；比较变异个体的适应值与当前种群中的平均适应值的大小；在变异个体的适应值大于或等于平均适应值的情况下，利用第一变异概率对个体执行变异操作，生成新的个体；在变异个体的适应值小于平均适应值的情况下，利用第二变异概率对变异个体执行变异操作，生成新的个体。
具体地，自适应变异操作是通过一定概率Pm(即交叉概率)来对选中的个体进行变异操作，保存种群的多样性，同时通过自适应概率Pm来防止优质个体发生基因突变。例如，变异概率可以通过以下公式2)来确定：
其中：Pm1，Pm2分别表示初始变异概率中较大值与较小值，例如，初始交叉概率为[Pm1,Pm2]；fmin、fave、f分别表示当前种群中的最小适应值，平均适应值及变异个体的适应值。在变异操作中，对个体采用随机抽样的方法确定个体X中需要变异的基因xi，然后采用以下非均匀变异算子对该基因进行变异操作：
其中：x′i为基因xi变异后得到的基因，G，Gmax分别为当前进化代数和遗传算法中总的迭代次数，r1为(0,1)上的随机数，ai，bi为该变异基因取值范围的最小值和最大值，a断种群趋于稳定时的阈值。
进一步地，为了避免自适应遗传算法易于收敛到局部最优的情况，在种群趋于稳定时，还可以进行以下模拟退火再优化操作。
在一些实施例中，在得到新的种群之后，该烟气含氧量预测方法还包括：基于新的种群中最优个体的适应值与新的种群的平均适应值，确定新的种群的稳定性；在稳定性满足预设条件的情况下，利用模拟退火算法对新的种群中的个体进行优化，得到优化后的新的种群，预设条件包括新的种群中最优个体的适应值与新的种群的平均适应值的差值小于预设值。
具体地，判断种群是否趋于稳定的条件如下：
fave1-fmin1<a；
其中，fave1表示种群中平均适应度值，fmin1表示种群中最优个体所对应的适应度值，当平均适应度值接近最优适应度值，即种群进化趋于稳定。具体地，结合适应度函数可知，适应度值越小，个体基因越好，相反，适应值越大，个体基因越差，因此，由于本公开实施例是针对交叉和变异后得到种群进行模拟退火操作，而交叉和变异是针对选择后的种群进行操作，两个种群中的平均适应度值和种群中最小适应度值可能相同，也可能不同。
具体地，进行模拟退火再优化操作可以是：首先，在个体邻域范围内产生新的个体，假设原个体适应度值为f(x)，新个体适应度值为f(x')，新个体取代原个体的概率P如下所示：
其中：x为原个体，x'为新个体，T为当前模拟退火时的温度。
本公开实施例通过上述交叉和变异操作之后，对种群进行不断进化来得到新的种群，在每一次得到新的种群后，判断当前进化代数是否达到最大进化代数，或者最小适应度值达到所设定的误差精度：如果满足上述条件中的任意一条，则保存经过改进的遗传模拟退火算法操作后得到的最优的参数，然后将任务模型中的参数置于最优的参数，最后通过样本数据来优化网络，得到最终的目标预测模型。
另外，在每一次得到新的种群后，如果种群不满足上述稳定性要求，或经过模拟退火操作后得到的新的种群没有达到最大进化代数或者新的种群的最小适应度值没有达到所设定的误差精度，则回返利用适应度函数计算种群中每个个体的适应值的步骤，进行迭代操作。
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。
图3是本公开实施例提供的另一种锅炉烟气含氧量预测方法的流程图。如图3所示，该锅炉烟气含氧量预测方法包括：
S301，获取目标锅炉的任务模型，以及对任务模型进行训练的样本数据，样本数据包括源域锅炉的第一样本数据和源域锅炉关于目标锅炉的样本权重数据；
S302，利用遗传算法和模拟退火算法对目标锅炉的任务模型进行参数优化，得到参数优化的任务模型；
S303，利用第一样本数据和样本权重数据对参数优化的任务模型进行训练，得到预测目标锅炉的烟气含氧量的目标预测模型；
S304，基于目标预测模型对目标锅炉的运行参数数据进行预测，得到目标锅炉的烟气含氧量值。
本公开实施例利用源域锅炉的第一样本数据进行样本迁移来获得关于目标锅炉的任务模型的样本数据，使得目标锅炉与源域锅炉的数据分布差异性降低，并且针对目标锅炉的任务模型是经过参数优化后的模型，从数据样本和训练模型这两个方面的改进来进一步提高了关于目标锅炉烟气含氧量值的目标预测模型的预测精度。
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锅炉烟气含氧量预测装置的示意图。如图4所示，该锅炉烟气含氧量预测装置包括：
获取模块401，被配置为获取目标锅炉的参数优化的任务模型，以及用于对参数优化的任务模型进行训练的样本数据，样本数据包括源域锅炉的第一样本数据和源域锅炉关于目标锅炉的样本权重数据；
训练模块402，被配置为利用第一样本数据和样本权重数据对参数优化的任务模型进行训练，得到预测目标锅炉的烟气含氧量的目标预测模型；
预测模块403，被配置为基于目标预测模型对目标锅炉的运行参数数据进行预测，得到目标锅炉的烟气含氧量值。
根据本公开实施例提供的技术方案，通过源域锅炉的第一样本数据进行样本迁移来获得关于目标锅炉的任务模型的样本数据，使得目标锅炉与源域锅炉的数据分布差异性降低，并且针对目标锅炉的任务模型是经过参数优化后的模型，从数据样本和训练模型这两个方面的改进来进一步提高了关于目标锅炉烟气含氧量值的目标预测模型的预测精度。
在一些实施例中，图4中的获取模块401获取目标锅炉的任务模型；基于自适应遗传算法，确定任务模型的最优参数，并将最优参数置于任务模型中，得到参数优化的任务模型。
在一些实施例中，该锅炉烟气含氧量预测装置还包括：模型优化模块404，被配置为基于目标锅炉的任务模型，生成初始种群和适应度函数；利用适应度函数计算种群中每个个体的适应值；基于适应值由小到大的顺序对种群中的所有个体进行排序，得到排序后的种群；基于分段选择策略将排序后的种群划分为好、中和差3个子种群，并以随机抽样的方式分别从好、中和差3个子种群中选取部分个体构成选择后的种群；基于自适应的交叉概率对选择后的种群中的个体进行交叉操作，生成新的个体；基于自适应的变异概率对选中的新的个体进行变异操作，生成新的个体，并由新的个体得到新的种群；在新种群满足预设条件的情况下，得到任务模型的最优参数，预设条件包括新种群的进化代数达到预设的代数阈值或新种群的最小适应值达到预设的误差精度。
在一些实施例中，图4中的模型优化模块404基于当前种群中的最小适应值、平均适应值以及两个交叉个体中较小的适应值和初始交叉概率，确定交叉操作的第一交叉概率和第二交叉概率，第一交叉概率大于第二交叉概率；比较两个交叉个体中较小的适应值与当前种群中的平均适应值的大小；在较小适应值大于或等于平均适应值的情况下，利用第一交叉概率对两个个体执行交叉操作，生成新的个体；在较小适应值小于平均适应值的情况下，利用第二交叉概率对两个个体执行交叉操作，生成新的个体。
在一些实施例中，图4中的模型优化模块404基于当前种群中的最小适应值、平均适应值以及变异个体的适应值和初始变异概率，确定变异操作的第一变异概率和第二变异概率，第一变异概率大于第二变异概率；比较变异个体的适应值与当前种群中的平均适应值的大小；在变异个体的适应值大于或等于平均适应值的情况下，利用第一变异概率对个体执行变异操作，生成新的个体；在变异个体的适应值小于平均适应值的情况下，利用第二变异概率对变异个体执行变异操作，生成新的个体。
在一些实施例中，在得到新的种群之后，图4中的模型优化模块404基于新的种群中最优个体的适应值与新的种群的平均适应值，确定新的种群的稳定性；在稳定性满足预设条件的情况下，利用模拟退火算法对新的种群中的个体进行优化，得到优化后的新的种群，预设条件包括新的种群中最优个体的适应值与新的种群的平均适应值的差值小于预设值。
在一些实施例中，图4中的获取模块401获取源域锅炉的第一样本数据和目标锅炉的第二样本数据；混合第一样本数据和第二样本数据，并利用混合后的数据训练一个核密度估计算法，得到对应的核密度估计模型；将第一样本数据作为核密度估计模型的数据，在核密度估计模型的输出获得源域锅炉关于目标锅炉的样本权重数据；将样本权重数据和第一样本数据作为训练参数优化的任务模型的样本数据。
在一些实施例中，任务模型包括神经网络模型和xgboost模型。
在一些实施例中，本公开实施例提供的锅炉烟气含氧量预测装置还可以包括：获取模块401，被配置为获取目标锅炉的任务模型，以及对任务模型进行训练的样本数据，样本数据包括源域锅炉的第一样本数据和源域锅炉关于目标锅炉的样本权重数据；模型优化模块404，被配置为利用遗传算法和模拟退火算法对目标锅炉的任务模型进行参数优化，得到参数优化的任务模型；训练模块402，被配置为利用第一样本数据和样本权重数据对参数优化的任务模型进行训练，得到预测目标锅炉的烟气含氧量的目标预测模型；预测模块403，被配置为基于目标预测模型对目标锅炉的运行参数数据进行预测，得到目标锅炉的烟气含氧量值。
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计算设备5的示意图。图5中的计算设备5可以应用于图1中的电子设备中，如图5所示，该实施例的计算设备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在计算设备5中的执行过程。
计算设备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。计算设备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仅仅是计算设备5的示例，并不构成对计算设备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，计算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可以是计算设备5的内部存储单元，例如，计算设备5的硬盘或内存。存储器502也可以是计算设备5的外部存储设备，例如，计算设备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还可以既包括计算设备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计算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/计算设备和方法，可以通过其它的方式实现。例如，以上所描述的装置/计算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)
1.一种锅炉烟气含氧量预测方法，其特征在于，包括：
获取目标锅炉的参数优化的任务模型，以及用于对所述参数优化的任务模型进行训练的样本数据，所述样本数据包括源域锅炉的第一样本数据和所述源域锅炉关于所述目标锅炉的样本权重数据；
利用所述第一样本数据和所述样本权重数据对所述参数优化的任务模型进行训练，得到预测所述目标锅炉的烟气含氧量的目标预测模型；
基于所述目标预测模型对所述目标锅炉的运行参数数据进行预测，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，所述获取目标锅炉的参数优化的任务模型，包括：
获取所述目标锅炉的任务模型；
基于自适应遗传算法，确定所述任务模型的最优参数，并将所述最优参数置于所述任务模型中，得到参数优化的任务模型。
3.根据权利要求2所述的方法，其特征在于，所述基于自适应遗传算法，确定所述任务模型的最优参数，包括：
基于目标锅炉的任务模型，生成初始种群和适应度函数；
利用所述适应度函数计算种群中每个个体的适应值；
基于适应值由小到大的顺序对所述种群中的所有个体进行排序，得到排序后的种群；
基于分段选择策略将所述排序后的种群划分为好、中和差3个子种群，并以随机抽样的方式分别从所述好、中和差3个子种群中选取部分个体构成选择后的种群；
基于自适应的交叉概率对所述选择后的种群中的个体进行交叉操作，生成新的个体；
基于自适应的变异概率对选中的新的个体进行变异操作，生成新的个体，并由所述新的个体得到新的种群；
在所述新种群满足预设条件的情况下，得到所述任务模型的最优参数，所述预设条件包括所述新种群的进化代数达到预设的代数阈值或所述新种群的最小适应值达到预设的误差精度。
4.根据权利要求3所述的方法，其特征在于，所述基于自适应的交叉概率对所述选择后的种群中的个体进行交叉操作，生成新的个体，包括：
基于当前种群中的最小适应值、平均适应值以及两个交叉个体中较小的适应值和初始交叉概率，确定交叉操作的第一交叉概率和第二交叉概率，所述第一交叉概率大于所述第二交叉概率；
比较所述两个交叉个体中较小的适应值与当前种群中的平均适应值的大小；
在所述较小适应值大于或等于所述平均适应值的情况下，利用所述第一交叉概率对两个个体执行交叉操作，生成新的个体；
在所述较小适应值小于所述平均适应值的情况下，利用所述第二交叉概率对所述两个个体执行交叉操作，生成新的个体。
5.根据权利要求3所述的方法，其特征在于，所述基于自适应的变异概率对选中的新的个体进行变异操作，生成新的个体，包括：
基于当前种群中的最小适应值、平均适应值以及变异个体的适应值和初始变异概率，确定变异操作的第一变异概率和第二变异概率，所述第一变异概率大于所述第二变异概率；
比较所述变异个体的适应值与当前种群中的平均适应值的大小；
在所述变异个体的适应值大于或等于所述平均适应值的情况下，利用所述第一变异概率对所述个体执行变异操作，生成新的个体；
在所述变异个体的适应值小于所述平均适应值的情况下，利用所述第二变异概率对所述变异个体执行变异操作，生成新的个体。
6.根据权利要求3所述的方法，其特征在于，在得到所述新的种群之后，还包括：
基于所述新的种群中最优个体的适应值与所述新的种群的平均适应值，确定所述新的种群的稳定性；
在所述稳定性满足预设条件的情况下，利用模拟退火算法对所述新的种群中的个体进行优化，得到优化后的新的种群，所述预设条件包括所述新的种群中最优个体的适应值与所述新的种群的平均适应值的差值小于预设值。
7.根据权利要求1所述的方法，其特征在于，所述获取用于对所述参数优化的任务模型进行训练的样本数据，所述样本数据包括源域锅炉的第一样本数据和所述源域锅炉关于所述目标锅炉的样本权重数据，包括：
获取源域锅炉的第一样本数据和所述目标锅炉的第二样本数据；
混合所述第一样本数据和第二样本数据，并利用混合后的数据训练一个核密度估计算法，得到对应的核密度估计模型；
将所述第一样本数据作为所述核密度估计模型的数据，在所述核密度估计模型的输出获得所述源域锅炉关于目标锅炉的样本权重数据；
将所述样本权重数据和所述第一样本数据作为训练所述参数优化的任务模型的样本数据。
8.根据权利要求1-7任一项所述的方法，其特征在于，所述任务模型包括神经网络模型和xgboost模型。
9.一种锅炉烟气含氧量预测装置，其特征在于，包括：
获取模块，被配置为获取目标锅炉的参数优化的任务模型，以及用于对所述参数优化的任务模型进行训练的样本数据，所述样本数据包括源域锅炉的第一样本数据和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，被配置为利用所述第一样本数据和所述样本权重数据对所述参数优化的任务模型进行训练，得到预测所述目标锅炉的烟气含氧量的目标预测模型；
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运行参数数据进行预测，得到所述目标锅炉的烟气含氧量值。
10.一种计算设备，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8中任一项所述方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111636847.5A CN116432507A (zh) | 2021-12-29 | 2021-12-29 | 一种锅炉烟气含氧量预测方法、装置和计算设备 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111636847.5A CN116432507A (zh) | 2021-12-29 | 2021-12-29 | 一种锅炉烟气含氧量预测方法、装置和计算设备 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN116432507A true CN116432507A (zh) | 2023-07-14 |
Family
ID=87085934
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202111636847.5A Pending CN116432507A (zh) | 2021-12-29 | 2021-12-29 | 一种锅炉烟气含氧量预测方法、装置和计算设备 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116432507A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117267702A (zh) * | 2023-09-20 | 2023-12-22 | 广东中澳能源科技有限公司 | 锅炉运行设备控制方法、装置、电子设备和可读介质 |
-
2021
- 2021-12-29 CN CN202111636847.5A patent/CN116432507A/zh active Pending
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117267702A (zh) * | 2023-09-20 | 2023-12-22 | 广东中澳能源科技有限公司 | 锅炉运行设备控制方法、装置、电子设备和可读介质 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111832101B (zh) | 一种水泥强度预测模型的构建方法及水泥强度预测方法 | |
| WO2023217290A1 (zh) | 基于图神经网络的基因表型预测 | |
| CN108090629A (zh) | 基于非线性自回归神经网络的负荷预测方法与系统 | |
| CN111461445A (zh) | 短期风速预测方法、装置、计算机设备及存储介质 | |
| CN108171379A (zh) | 一种用电负荷预测方法 | |
| US20240095535A1 (en) | Executing a genetic algorithm on a low-power controller | |
| CN114302418A (zh) | 网元设备性能的检测方法、装置及计算机可读介质 | |
| CN114970357A (zh) | 节能效果评价方法、系统、装置及存储介质 | |
| CN106919504B (zh) | 一种基于ga算法的测试数据进化生成方法 | |
| CN116799796A (zh) | 一种光伏发电功率预测方法、装置、设备及介质 | |
| CN113642766B (zh) | 一种电力系统站点停电数的预测方法、装置、设备及介质 | |
| CN116432507A (zh) | 一种锅炉烟气含氧量预测方法、装置和计算设备 | |
| Li et al. | Improved LSTM-based prediction method for highly variable workload and resources in clouds | |
| CN114692552A (zh) | 一种三维芯片的布局方法、装置及终端设备 | |
| CN102354117B (zh) | 一种适应设备动态配置的生产线系统的工艺排序方法 | |
| CN114202174A (zh) | 一种电价风险等级预警方法、装置及存储介质 | |
| CN116930667A (zh) | 一种台区电网边缘测试方法、装置、设备及存储介质 | |
| CN116400266A (zh) | 基于数字孪生模型的变压器故障检测方法、装置及介质 | |
| CN111813669A (zh) | 基于多目标群体智能的适应性随机测试用例生成方法 | |
| CN116706884A (zh) | 光伏发电量的预测方法、装置、终端及存储介质 | |
| CN115907178A (zh) | 一种净生态系统co2交换量的预测方法 | |
| CN113642226A (zh) | 基于多目标进化算法的公平机器学习模型的训练方法 | |
| CN112529303A (zh) | 基于模糊决策的风险预测方法、装置、设备和存储介质 | |
| CN116542504B (zh) | 参数自适应的半导体工件生产调度方法、设备及存储介质 | |
| KR20210050362A (ko) | 앙상블 모델 프루닝 방법, 유전자 가위를 검출하는 앙상블 모델 생성 방법 및 장치 |
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 |