CN116881715A - 一种锅炉积灰状态预测方法、系统、设备和介质 - Google Patents

一种锅炉积灰状态预测方法、系统、设备和介质 Download PDF

Info

Publication number
CN116881715A
CN116881715A CN202310850482.9A CN202310850482A CN116881715A CN 116881715 A CN116881715 A CN 116881715A CN 202310850482 A CN202310850482 A CN 202310850482A CN 116881715 A CN116881715 A CN 116881715A
Authority
CN
China
Prior art keywords
training
learner
training set
initial
adopting
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
CN202310850482.9A
Other languages
English (en)
Inventor
李德波
陈兆立
陈智豪
宋景慧
金凤雏
王广雷
陈拓
陈刚
张宏亮
冯永新
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.)
China Southern Power Grid Power Technology Co Ltd
Original Assignee
China Southern Power Grid Power 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 China Southern Power Grid Power Technology Co Ltd filed Critical China Southern Power Grid Power Technology Co Ltd
Priority to CN202310850482.9A priority Critical patent/CN116881715A/zh
Publication of CN116881715A publication Critical patent/CN116881715A/zh
Pending legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/044—Recurrent networks, e.g. Hopfield networks
    • G06N3/0442—Recurrent networks, e.g. Hopfield networks characterised by memory or gating, e.g. long short-term memory [LSTM] or gated recurrent units [GRU]
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • Business, Economics & Management (AREA)
  • Computational Linguistics (AREA)
  • General Health & Medical Sciences (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Human Resources & Organizations (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Evolutionary Biology (AREA)
  • Economics (AREA)
  • Strategic Management (AREA)
  • Development Economics (AREA)
  • Game Theory and Decision Science (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Marketing (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Tourism & Hospitality (AREA)
  • General Business, Economics & Management (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明公开了一种锅炉积灰状态预测方法、系统、设备和介质，通过在获取锅炉燃烧数据集后，采用锅炉燃烧数据集，生成训练集和测试集。然后采用训练集对初始初级学习器集进行训练，生成目标初级学习器集和多个初始训练集预测数据。并基于初始训练集预测数据对应的权重和训练集，构建次级学习器训练集。接着采用测试集对目标初级学习器集进行测试并结合测试集，构建次级学习器测试集。最后采用次级学习器训练集和次级学习器测试集对次级学习器进行训练和测试，生成锅炉积灰状态预测数据。将原始数据集也作为次级学习器训练的一部分，使得次级学习器学习到原始训练集与新训练集之间的隐含关系，从而提升模型预测效果。

Description

一种锅炉积灰状态预测方法、系统、设备和介质
技术领域
本发明涉及锅炉技术领域，尤其涉及锅炉积灰状态预测方法、系统、设备和介质。
背景技术
燃煤电厂在锅炉受热面积灰的问题长久以来一直存在，燃煤电厂中的煤炭燃烧过程中会产生大量的灰渣，锅炉内积灰的存在会导致热阻增加、热传导降低，使得燃烧室内的温度升高，影响燃烧效率和燃烧稳定性。同时也会增加烟气温度，导致热损失增加，使得锅炉热效率降低，积灰严重时积灰还会对锅炉的安全运行产生重要影响，极易引发事故。因此，在锅炉运行过程中，及时清理锅炉内的积灰是非常必要的。
燃煤电厂吹灰器就是一种用来清理锅炉积灰的设备，可以有效地避免锅炉内积灰对锅炉燃烧和安全运行产生的不利影响。通过对锅炉受热面积灰状态进行预测，然后基于预测结果启动燃煤电厂吹灰器清理锅炉积灰。
目前，针对锅炉受热面积灰预测方法主要包括热平衡法、理论模型法和神经网络法。使用热平衡法需要建立复杂的数学模型，包括各种热传导、热辐射和热对流方程等，而且需要花费大量的计算资源和时间来求解，因此通过热平衡法预测锅炉受热面积灰情况的应用相对较少。理论模型法基于一定的假设和简化，而现实情况往往更为复杂，因此模型的预测结果可能会存在一定的误差。采用神经网络的方法对锅炉受热面预测的准确率虽然在不断提升，但是预测的准确率仍然不能满足对实际生产中对锅炉受热面积灰状态的预测。因此，现有的锅炉积灰状态预测方法所得到的预测结果精度低，无法精确的预测锅炉受热面所处的积灰状态。
发明内容
本发明提供了一种锅炉积灰状态预测方法、系统、设备和介质，解决了解决现有的锅炉积灰状态预测方法所得到的预测结果精度低，无法精确的预测锅炉受热面所处的积灰状态的技术问题。
本发明提供的一种锅炉积灰状态预测方法，包括：
获取锅炉燃烧数据集，采用所述锅炉燃烧数据集，生成训练集和测试集；
采用所述训练集对初始初级学习器集进行训练，生成目标初级学习器集和多个初始训练集预测数据；
根据所述初始训练集预测数据对应的权重和所述训练集，构建次级学习器训练集；
采用所述测试集对所述目标初级学习器集进行测试并结合所述测试集，构建次级学习器测试集；
采用所述次级学习器训练集和所述次级学习器测试集对次级学习器进行训练和测试，生成锅炉积灰状态预测数据。
可选地，所述获取锅炉燃烧数据集，采用所述锅炉燃烧数据集，生成训练集和测试集的步骤，包括：
获取锅炉燃烧数据集，采用滑动窗口算法对所述锅炉燃烧数据集进行划分，生成多个子集；
采用k折交叉验证方法对所述子集进行集合构建，生成训练集和测试集。
可选地，所述初始初级学习器集包括初始梯度提升回归树模型、初始门控循环网络模型和初始直方图优化模型；所述采用所述训练集对初始初级学习器集进行训练，生成目标初级学习器集和多个初始训练集预测数据的步骤，包括：
采用所述训练集对所述初始梯度提升回归树模型进行训练，生成目标梯度提升回归树模型和第一初始训练集预测数据；
采用所述训练集对所述初始门控循环网络模型进行训练，生成目标门控循环网络模型和第二初始训练集预测数据；
采用所述训练集对所述初始直方图优化模型进行训练，生成目标直方图优化模型和第三初始训练集预测数据。
可选地，所述根据所述初始训练集预测数据对应的权重和所述训练集，构建次级学习器训练集的步骤，包括：
采用试验法，确定所述初始初级学习器集中各初级学习器之间的权重比例；
采用所述权重比例，确定各所述初始训练集预测数据对应的权重；
计算各所述初始训练集预测数据与对应的权重之间的乘积，生成多个中间训练集预测数据；
计算全部所述中间训练集预测数据之间的和值，生成预测数据和值；
计算所述预测数据和值与所述目标初级学习器集对应的学习器数量的比值，生成目标训练集预测数据；
采用所述目标训练集预测数据和所述训练集，构建次级学习器训练集。
可选地，所述采用所述测试集对所述目标初级学习器集进行测试并结合所述测试集，构建次级学习器测试集的步骤，包括：
采用所述测试集对所述目标初级学习器集进行测试，生成多个初始测试集预测数据；
计算全部所述初始测试集预测数据的平均值，生成目标测试集预测数据；
采用所述目标测试集预测数据和所述测试集，构建次级学习器测试集。
可选地，所述次级学习器为初始逻辑回归模型；所述采用所述次级学习器训练集和所述次级学习器测试集对次级学习器进行训练和测试，生成锅炉积灰状态预测数据的步骤，包括：
采用所述次级学习器训练集对所述初始逻辑回归模型进行训练，生成目标逻辑回归模型；
采用所述次级学习器测试集对所述目标逻辑回归模型进行测试，生成锅炉积灰状态预测数据。
本发明还提供了一种锅炉积灰状态预测系统，包括：
训练集和测试集构建模块，用于获取锅炉燃烧数据集，采用所述锅炉燃烧数据集，生成训练集和测试集；
目标初级学习器集和初始训练集预测数据生成模块，用于采用所述训练集对初始初级学习器集进行训练，生成目标初级学习器集和多个初始训练集预测数据；
次级学习器训练集构建模块，用于根据所述初始训练集预测数据对应的权重和所述训练集，构建次级学习器训练集；
次级学习器测试集构建模块，用于采用所述测试集对所述目标初级学习器集进行测试并结合所述测试集，构建次级学习器测试集；
锅炉积灰状态预测数据生成模块，用于采用所述次级学习器训练集和所述次级学习器测试集对次级学习器进行训练和测试，生成锅炉积灰状态预测数据。
可选地，所述训练集和测试集构建模块包括：
子集生成模块，用于获取锅炉燃烧数据集，采用滑动窗口算法对所述锅炉燃烧数据集进行划分，生成多个子集；
训练集和测试集构建子模块，用于采用k折交叉验证方法对所述子集进行集合构建，生成训练集和测试集。
本发明还提供了一种电子设备，包括存储器及处理器，所述存储器中储存有计算机程序，所述计算机程序被所述处理器执行时，使得所述处理器执行实现如上述任一项锅炉积灰状态预测方法的步骤。
本发明还提供了一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被执行时实现如上述任一项锅炉积灰状态预测方法。
从以上技术方案可以看出，本发明具有以下优点：
本发明通过在获取锅炉燃烧数据集后，采用锅炉燃烧数据集，生成训练集和测试集。然后采用训练集对初始初级学习器集进行训练，生成目标初级学习器集和多个初始训练集预测数据。并基于初始训练集预测数据对应的权重和训练集，构建次级学习器训练集。接着采用测试集对目标初级学习器集进行测试并结合测试集，构建次级学习器测试集。最后采用次级学习器训练集和次级学习器测试集对次级学习器进行训练和测试，生成锅炉积灰状态预测数据。解决了现有的锅炉积灰状态预测方法所得到的预测结果精度低，无法精确的预测锅炉受热面所处的积灰状态的技术问题。将原始数据集也作为次级学习器训练的一部分，使得次级学习器学习到原始训练集与新训练集之间的隐含关系，从而提升模型预测效果。
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性的前提下，还可以根据这些附图获得其它的附图。
图1为本发明实施例一提供的一种锅炉积灰状态预测方法的步骤流程图；
图2为本发明实施例二提供的一种锅炉积灰状态预测方法的步骤流程图；
图3为本发明实施例二提供的一种锅炉积灰状态预测方法的流程框图；
图4为本发明实施例三提供的一种锅炉积灰状态预测系统的结构框图。
具体实施方式
本发明实施例提供了一种锅炉积灰状态预测方法、系统、设备和介质，用于解决现有的锅炉积灰状态预测方法所得到的预测结果精度低，无法精确的预测锅炉受热面所处的积灰状态的技术问题。
采用单一或者两种模型相结合的机器学习方法对燃煤电厂受热面积灰进行预测时的准确率有待提高，所以提出一种基于改进的ADW_Stacking算法可以将多个基本模型进行组合，同时再选择元模型进行学习，从而得到更加准确的锅炉受热面积灰状态的预测结果。分层模型集成框架算法即Stacking算法是一种集成学习方法，能够将多个单一机器学习算法的优势进行组合，提高整体的预测能力。它通过将多个基模型即初级学习器的预测结果作为输入，再通过元模型即次级学习器进行加权组合，得到最终的预测结果。与单一机器学习算法相比，Stacking算法可以减小模型的方差和偏差，提高模型的稳定性和泛化能力，从而更好地适用于实际工业应用场景。因此，本发明实施例所使用的方法不仅可以很好的解决数据穿越问题，还可以提高锅炉内积灰状态预测的准确性，从而吹灰器可以在最佳的时间吹灰，进而提高锅炉的燃烧效率，以满足工业应用中的实际需求。
为使得本发明的发明目的、特征、优点能够更加的明显和易懂，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，下面所描述的实施例仅仅是本发明一部分实施例，而非全部的实施例。基于本发明中的实施例，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它实施例，都属于本发明保护的范围。
请参阅图1，图1为本发明实施例一提供的一种锅炉积灰状态预测方法的步骤流程图。
本发明实例一提供的一种锅炉积灰状态预测方法，包括：
步骤101、获取锅炉燃烧数据集，采用锅炉燃烧数据集，生成训练集和测试集。
在本发明实施例中，获取锅炉燃烧数据集，采用滑动窗口算法对锅炉燃烧数据集进行划分，生成多个子集。采用k折交叉验证方法对子集进行集合构建，生成训练集和测试集。
步骤102、采用训练集对初始初级学习器集进行训练，生成目标初级学习器集和多个初始训练集预测数据。
在本发明实施例中，初始初级学习器集包括初始梯度提升回归树模型、初始门控循环网络模型和初始直方图优化模型。采用训练集对初始梯度提升回归树模型进行训练，生成目标梯度提升回归树模型和第一初始训练集预测数据。采用训练集对初始门控循环网络模型进行训练，生成目标门控循环网络模型和第二初始训练集预测数据。采用训练集对初始直方图优化模型进行训练，生成目标直方图优化模型和第三初始训练集预测数据。
步骤103、根据初始训练集预测数据对应的权重和训练集，构建次级学习器训练集。
在本发明实施例中，采用试验法，确定初始初级学习器集中各初级学习器之间的权重比例。并通过权重比例，确定各初始训练集预测数据对应的权重。首先计算各初始训练集预测数据与对应的权重之间的乘积，生成多个中间训练集预测数据。然后计算全部中间训练集预测数据之间的和值，生成预测数据和值。最后计算预测数据和值与目标初级学习器集对应的学习器数量的比值，生成目标训练集预测数据。采用目标训练集预测数据和训练集，构建次级学习器训练集。
步骤104、采用测试集对目标初级学习器集进行测试并结合测试集，构建次级学习器测试集。
在本发明实施例中，采用测试集对目标初级学习器集进行测试，生成多个初始测试集预测数据。然后计算全部初始测试集预测数据的平均值，生成目标测试集预测数据。最后采用目标测试集预测数据和测试集，构建次级学习器测试集。
步骤105、采用测试集对目标初级学习器集进行测试并结合测试集，构建次级学习器测试集。
在本发明实施例中，次级学习器为初始逻辑回归模型。采用次级学习器训练集对初始逻辑回归模型进行训练，生成目标逻辑回归模型。然后采用次级学习器测试集对目标逻辑回归模型进行测试，生成锅炉积灰状态预测数据。
在本发明实施例中，通过在获取锅炉燃烧数据集后，采用锅炉燃烧数据集，生成训练集和测试集。然后采用训练集对初始初级学习器集进行训练，生成目标初级学习器集和多个初始训练集预测数据。并基于初始训练集预测数据对应的权重和训练集，构建次级学习器训练集。接着采用测试集对目标初级学习器集进行测试并结合测试集，构建次级学习器测试集。最后采用次级学习器训练集和次级学习器测试集对次级学习器进行训练和测试，生成锅炉积灰状态预测数据。解决了现有的锅炉积灰状态预测方法所得到的预测结果精度低，无法精确的预测锅炉受热面所处的积灰状态的技术问题。将原始数据集也作为次级学习器训练的一部分，使得次级学习器学习到原始训练集与新训练集之间的隐含关系，从而提升模型预测效果。
请参阅图2，图2为本发明实施例二提供的一种锅炉积灰状态预测方法的步骤流程图。
本发明实例二提供的另一种锅炉积灰状态预测方法，包括：
步骤201、获取锅炉燃烧数据集，采用滑动窗口算法对锅炉燃烧数据集进行划分，生成多个子集。
在本发明实施例中，Stacking算法使用的训练集和验证集可能会出现交叉，导致数据穿越问题。Stacking算法的数据穿越问题是指在模型的训练和验证阶段，对于当前时刻训练的模型必须用当前时刻之前的数据进行训练，如果当前时刻训练和测试时用到当前时刻之后的数据则会产生数据穿越问题，影响最终预测的性能和模型的泛化能力。为了减少初级学习器的模型在训练和验证时的数据穿越问题，选择滑动窗口算法来对数据集进行划分为训练集和验证集，训练时只使用当前窗口内的数据进行训练，而不使用窗口之外的数据，窗口的大小设置为周期的两倍大小，经过滑动窗口得到n个子集。
步骤202、采用k折交叉验证方法对子集进行集合构建，生成训练集和测试集。
在本发明实施例中，在获得n个子集后，结合k折交叉验证的思想从第一个子集开始每次有序的取个子集作为验证集，其余的子集作为训练集。这里采用五折交叉验证，因此每次按序选择其中n个子集作为验证集，并将其余子集作为训练集，如此操作重复五次得到五份训练集和测试集，分别放入到模型即初始初级学习器中进行训练和验证。
步骤203、采用训练集对初始初级学习器集进行训练，生成目标初级学习器集和多个初始训练集预测数据。
进一步地，初始初级学习器集包括初始梯度提升回归树模型、初始门控循环网络模型和初始直方图优化模型，步骤203可以包括以下子步骤S11-S13：
S11、采用训练集对初始梯度提升回归树模型进行训练，生成目标梯度提升回归树模型和第一初始训练集预测数据。
S12、采用训练集对初始门控循环网络模型进行训练，生成目标门控循环网络模型和第二初始训练集预测数据。
S13、采用训练集对初始直方图优化模型进行训练，生成目标直方图优化模型和第三初始训练集预测数据。
在本发明实施例中，使用Stacking集成算法时需要对初级学习器和次级学习器进行选择，初级学习器的选择通常取决于具体的任务和数据集。同时初级学习器的选择应该是多样化的，这样才能提高整个模型的预测性能和泛化能力，通常包括线性模型(如逻辑回归、线性回归)、非线性模型(如决策树、支持向量机、随机森林、K近邻等)、深度学习模型(如卷积神经网络、循环神经网络等)。初级学习器的多样性可以提高最终的预测性能，因为不同的模型可能会捕捉到不同的特征或者模式。
数据集是从DCS采集的锅炉燃烧数据集，是随时间变化的时序数据，存在一定的周期性，且采集的数据中会存在缺失值和异常值，因此初级学习器选择时采用可处理缺失值和异常值并且能够处理高维特征的梯度提升回归树GBDT即梯度提升回归树模型。以及拥有更快的训练速度和更小的参数量的门控循环网络GRU即门控循环网络模型，能够更好的处理长期依赖；最后选择具有可扩展性的LightGBM算法即直方图优化模型，可以轻松地并行化训练，且可以自适应的调节学习率进行训练，使得模型在训练集和测试集上的泛化能力更好。次级学习器则选择训练速度较快和模型的准确率较高的逻辑回归模型即LR算法，逻辑回归模型对数据的噪声和异常值具有一定的稳定性，能够减少基模型中由于数据噪声所导致的过拟合问题。
还未进行训练的梯度提升回归树模型、门控循环网络模型和直方图优化模型为初始梯度提升回归树模型、初始门控循环网络模型和初始直方图优化模型。采用训练集分别对初始梯度提升回归树模型、初始门控循环网络模型和初始直方图优化模型进行训练，生成目标梯度提升回归树模型、目标门控循环网络模型和目标直方图优化模型，训练得到的数据分别为第一初始训练集预测数据、第二初始训练集预测数据和第三初始训练集预测数据。
步骤204、根据初始训练集预测数据对应的权重和训练集，构建次级学习器训练集。
进一步地，步骤204可以包括以下子步骤S21-S26：
S21、采用试验法，确定初始初级学习器集中各初级学习器之间的权重比例。
S22、采用权重比例，确定各初始训练集预测数据对应的权重。
S23、计算各初始训练集预测数据与对应的权重之间的乘积，生成多个中间训练集预测数据。
S24、计算全部中间训练集预测数据之间的和值，生成预测数据和值。
S25、计算预测数据和值与目标初级学习器集对应的学习器数量的比值，生成目标训练集预测数据。
S26、采用目标训练集预测数据和训练集，构建次级学习器训练集。
在本发明实施例中，Stacking算法是采用拼接的方法将各个初级学习器预测得到的锅炉燃烧积灰预测值进行拼接作为次级学习器的输入，但是不同初级学习器的性能往往好坏不同，因此基于初级学习器性能的好坏，可以对不同学习器的预测结果赋予不同的权重。相对较好的模型赋予较高的权重，反之则赋予较低的权重。通过试验法确定初始初级学习器集中各初级学习器之间的权重比例，并基于权重比例，确定各初始训练集预测数据对应的权重。具体的确定过程为首先要对初级学习器设置两倍于初级学习器数量的不同权重比例的实验，不同的权重比例偏向不同的初级学习器，通过比较不同的权重比例对实验结果的好坏，选择最终模型预测结果最好的权重比例作为初级学习器预测输出的权重。
此外，在确定各初级学习器对应的权重还可以采用PSO特征提取方法。该方法在寻找权重的过程为：
(1)初始化：需要在n个预测结果中寻找最优的参数组合，n个预测结果需要先确定n-1个权重系数，粒子的个数为n-1，因为确定了前n-1个权重，最后一个权重就已知了，最后第n个系数为：Xn＝1-X1-X2-…-Xi-…Xn-1，其中，Xi为第i个权重。权重可以设置为0.0-1.0或者0.00-1.00，前者的特征空间为10(n-1)，后者特征空间为100(n-1)。
(2)速度和位置更新：粒子只能横向更新，以下过程相当于n-1层循环，每个粒子是一个1*10或者1*100的一个向量，如(-1,-1,-1,-1,-1,-1,-1,-1,-1,-1)。
对于每一个粒子，更新位置时每次将一个位置更新为1，其它位置设置为0，1表示选择该位置，0表示未选择，如：(0,0,0,0,1,0,0,0,0,0)；(0,1,0,0,0,0,0,0,0,0)。
(3)计算适应度：通过不同的权重来选择不同学习器预测的结果来组成训练集，最后预测的结果好坏来确定权重之前选择权重参数的好坏。计算适应度的时候需要将1～n个权重参数都要参与模型预测。
适应度函数：fitness＝prediction；
prediction是ADW_Stacking最终的预测结果。
对不同目标初级学习器的所有输出结果进行加权平均，即计算各初始训练集预测数据与对应的权重之间的乘积，生成多个中间训练集预测数据。计算全部中间训练集预测数据之间的和值，生成预测数据和值。计算预测数据和值与目标初级学习器集对应的学习器数量的比值，生成目标训练集预测数据。对应的加权平均公式为：
其中，xi为不同目标初级学习器的预测输出，fi为不同目标初级学习器的权重，n表示目标初级学习器集对应的学习器数量，为不同目标初级学习器预测结果的加权即目标训练集预测数据。
采用Stacking算法进行建模时可能会出现过拟合的情况，Stacking算法次级学习器的训练数据是通过初级学习器的预测结果得到的，不同模型之间会存在一定的误差。当误差较大时，次级学习器容易出现过拟合的情况。为了避免模型出现过拟合的情况，选择将原始的数据集和通过初级学习器预测的结果一起作为次级学习器的输入，这样在训练的时候可以学习到原始数据集和初级学习器输出预测值之间的关系，提高了模型的泛化能力和鲁棒性。
步骤205、采用测试集对目标初级学习器集进行测试并结合测试集，构建次级学习器测试集。
进一步地，步骤205可以包括以下子步骤S31-S33：
S31、采用测试集对目标初级学习器集进行测试，生成多个初始测试集预测数据。
S32、计算全部初始测试集预测数据的平均值，生成目标测试集预测数据。
S33、采用目标测试集预测数据和测试集，构建次级学习器测试集。
在本发明实施例中，采用测试集对目标初级学习器集中的各目标初级学习器进行测试，得到各个目标初级学习器输出的初始测试集预测数据，通过计算全部初始测试集预测数据的平均值，得到目标测试集预测数据。最后采用目标测试集预测数据和测试集构建次级学习器测试集。
步骤206、采用次级学习器训练集和次级学习器测试集对次级学习器进行训练和测试，生成锅炉积灰状态预测数据。
进一步地，次级学习器为初始逻辑回归模型，步骤206可以包括以下子步骤S41-S42：
S41、采用次级学习器训练集对初始逻辑回归模型进行训练，生成目标逻辑回归模型。
S42、采用次级学习器测试集对目标逻辑回归模型进行测试，生成锅炉积灰状态预测数据。
在本发明实施例中，采用次级学习器训练集对次级学习器即初始逻辑回归模型进行训练，得到目标逻辑回归模型。然后将次级学习器测试集输入目标逻辑回归模型进行测试，即可得到锅炉燃烧数据集对应的锅炉积灰状态预测数据。
在本发明实施例中，如图3所示，首先将DCS数据集即锅炉燃烧数据集划分为训练集和测试集，具体为采用滑动窗口算法对锅炉燃烧数据集进行划分，生成多个子集，然后，采用k折交叉验证方法对子集进行集合构建，得到训练集和测试集。用训练集分别训练多个初级学习器(此时为初始初级学习器)，训练初级学习器时可以选择不同的模型进行训练即学习器的类型不同，本发明所使用的学习器类型分别为梯度提升回归树模型、门控循环网络模型和直方图优化模型，将梯度提升回归树模型、门控循环网络模型和直方图优化模型经过训练后，得到输出1、输出2和输出3。采用输出1、输出2和输出3进行加权平均，得到一个新的训练集即目标训练集预测数据。以目标初级学习器在训练集上的目标训练集预测数据和训练集作为次级学习器训练集。接着用训练后的初级学习器(此时为训练得到目标初级学习器)分别对测试集进行预测，得到预测1、预测2和预测3，并采用预测1、预测2和预测3进行平均值计算，生成一个新的测试集即目标测试集预测数据。采用目标测试集预测数据和测试集作为次级学习器测试集。最后采用次级学习器训练集和次级学习器测试集对次级学习器进行训练和测试，生成锅炉积灰状态预测数据。次级学习器为线性回归中的逻辑回归模型。本发明实施例为了避免模型出现过拟合的情况，选择将原始的数据集和通过初级学习器预测的结果一起作为次级学习器的输入，这样在训练的时候可以学习到原始数据集和初级学习器输出预测值之间的关系，提高了模型的泛化能力和鲁棒性。针对Stacking算法的不足进行了改进，提升了模型预测锅炉积灰状态的预测效果和模型的泛化能力，解决了数据穿越的问题，从而能够更好地用于实际工业的应用场景中。
请参阅图4，图4为本发明实施例三提供的一种锅炉积灰状态预测系统的结构框图。
本发明实例三提供的一种锅炉积灰状态预测系统，包括：
训练集和测试集构建模块401，用于获取锅炉燃烧数据集，采用锅炉燃烧数据集，生成训练集和测试集。
目标初级学习器集和初始训练集预测数据生成模块402，用于采用训练集对初始初级学习器集进行训练，生成目标初级学习器集和多个初始训练集预测数据。
次级学习器训练集构建模块403，用于根据初始训练集预测数据对应的权重和训练集，构建次级学习器训练集。
次级学习器测试集构建模块404，用于采用测试集对目标初级学习器集进行测试并结合测试集，构建次级学习器测试集。
锅炉积灰状态预测数据生成模块405，用于采用次级学习器训练集和次级学习器测试集对次级学习器进行训练和测试，生成锅炉积灰状态预测数据。
可选地，训练集和测试集构建模块401包括：
子集生成模块，用于获取锅炉燃烧数据集，采用滑动窗口算法对锅炉燃烧数据集进行划分，生成多个子集.
训练集和测试集构建子模块，用于采用k折交叉验证方法对子集进行集合构建，生成训练集和测试集。
可选地，初始初级学习器集包括初始梯度提升回归树模型、初始门控循环网络模型和初始直方图优化模型。目标初级学习器集和初始训练集预测数据生成模块402包括：
目标梯度提升回归树模型和第一初始训练集预测数据生成模块，用于采用训练集对初始梯度提升回归树模型进行训练，生成目标梯度提升回归树模型和第一初始训练集预测数据。
目标门控循环网络模型和第二初始训练集预测数据生成模块，用于采用训练集对初始门控循环网络模型进行训练，生成目标门控循环网络模型和第二初始训练集预测数据。
目标初级学习器集和初始训练集预测数据生成子模块，用于采用训练集对初始直方图优化模型进行训练，生成目标直方图优化模型和第三初始训练集预测数据。
可选地，次级学习器训练集构建模块403包括：
权重比例确定模块，用于采用试验法，确定初始初级学习器集中各初级学习器之间的权重比例。
权重确定模块，用于采用权重比例，确定各初始训练集预测数据对应的权重。
中间训练集预测数据生成模块，用于计算各初始训练集预测数据与对应的权重之间的乘积，生成多个中间训练集预测数据。
预测数据和值生成模块，用于计算全部中间训练集预测数据之间的和值，生成预测数据和值。
目标训练集预测数据生成模块，用于计算预测数据和值与目标初级学习器集对应的学习器数量的比值，生成目标训练集预测数据。
次级学习器训练集构建子模块，用于采用目标训练集预测数据和训练集，构建次级学习器训练集。
可选地，次级学习器测试集构建模块404包括：
初始测试集预测数据生成模块，用于采用测试集对目标初级学习器集进行测试，生成多个初始测试集预测数据。
目标测试集预测数据生成模块，用于计算全部初始测试集预测数据的平均值，生成目标测试集预测数据。
次级学习器测试集构建子模块，用于采用目标测试集预测数据和测试集，构建次级学习器测试集。
可选地，次级学习器为初始逻辑回归模型，锅炉积灰状态预测数据生成模块405包括：
目标逻辑回归模型生成模块，用于采用次级学习器训练集对初始逻辑回归模型进行训练，生成目标逻辑回归模型。
锅炉积灰状态预测数据生成子模块，用于采用次级学习器测试集对目标逻辑回归模型进行测试，生成锅炉积灰状态预测数据。
本发明实施例还提供了一种电子设备，电子设备包括：存储器及处理器，存储器中储存有计算机程序；计算机程序被处理器执行时，使得处理器执行如上述任一实施例的锅炉积灰状态预测方法。
存储器可以是诸如闪存、EEPROM(电可擦除可编程只读存储器)、EPROM、硬盘或者ROM之类的电子存储器。存储器具有用于执行上述方法中的任何方法步骤的程序代码的存储空间。例如，用于程序代码的存储空间可以包括分别用于实现上面的方法中的各种步骤的各个程序代码。这些程序代码可以从一个或者多个计算机程序产品中读出或者写入到这一个或者多个计算机程序产品中。这些计算机程序产品包括诸如硬盘，紧致盘(CD)、存储卡或者软盘之类的程序代码载体。程序代码可以例如以适当形式进行压缩。这些代码当由计算处理设备运行时，导致该计算处理设备执行上面所描述的锅炉积灰状态预测方法中的各个步骤。
本发明实施例还提供了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如上述任一实施例的锅炉积灰状态预测方法。
所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的系统，装置和单元的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
在本申请所提供的几个实施例中，应该理解到，所揭露的系统，装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，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，例如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信连接可以是通过一些接口，装置或单元的间接耦合或通信连接，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，在本发明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取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，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发明各实施例技术方案的精神和范围。

Claims (10)

1.一种锅炉积灰状态预测方法，其特征在于，包括：
获取锅炉燃烧数据集，采用所述锅炉燃烧数据集，生成训练集和测试集；
采用所述训练集对初始初级学习器集进行训练，生成目标初级学习器集和多个初始训练集预测数据；
根据所述初始训练集预测数据对应的权重和所述训练集，构建次级学习器训练集；
采用所述测试集对所述目标初级学习器集进行测试并结合所述测试集，构建次级学习器测试集；
采用所述次级学习器训练集和所述次级学习器测试集对次级学习器进行训练和测试，生成锅炉积灰状态预测数据。
2.根据权利要求1所述的锅炉积灰状态预测方法，其特征在于，所述获取锅炉燃烧数据集，采用所述锅炉燃烧数据集，生成训练集和测试集的步骤，包括：
获取锅炉燃烧数据集，采用滑动窗口算法对所述锅炉燃烧数据集进行划分，生成多个子集；
采用k折交叉验证方法对所述子集进行集合构建，生成训练集和测试集。
3.根据权利要求1所述的锅炉积灰状态预测方法，其特征在于，所述初始初级学习器集包括初始梯度提升回归树模型、初始门控循环网络模型和初始直方图优化模型；所述采用所述训练集对初始初级学习器集进行训练，生成目标初级学习器集和多个初始训练集预测数据的步骤，包括：
采用所述训练集对所述初始梯度提升回归树模型进行训练，生成目标梯度提升回归树模型和第一初始训练集预测数据；
采用所述训练集对所述初始门控循环网络模型进行训练，生成目标门控循环网络模型和第二初始训练集预测数据；
采用所述训练集对所述初始直方图优化模型进行训练，生成目标直方图优化模型和第三初始训练集预测数据。
4.根据权利要求1所述的锅炉积灰状态预测方法，其特征在于，所述根据所述初始训练集预测数据对应的权重和所述训练集，构建次级学习器训练集的步骤，包括：
采用试验法，确定所述初始初级学习器集中各初级学习器之间的权重比例；
采用所述权重比例，确定各所述初始训练集预测数据对应的权重；
计算各所述初始训练集预测数据与对应的权重之间的乘积，生成多个中间训练集预测数据；
计算全部所述中间训练集预测数据之间的和值，生成预测数据和值；
计算所述预测数据和值与所述目标初级学习器集对应的学习器数量的比值，生成目标训练集预测数据；
采用所述目标训练集预测数据和所述训练集，构建次级学习器训练集。
5.根据权利要求1所述的锅炉积灰状态预测方法，其特征在于，所述采用所述测试集对所述目标初级学习器集进行测试并结合所述测试集，构建次级学习器测试集的步骤，包括：
采用所述测试集对所述目标初级学习器集进行测试，生成多个初始测试集预测数据；
计算全部所述初始测试集预测数据的平均值，生成目标测试集预测数据；
采用所述目标测试集预测数据和所述测试集，构建次级学习器测试集。
6.根据权利要求1所述的锅炉积灰状态预测方法，其特征在于，所述次级学习器为初始逻辑回归模型；所述采用所述次级学习器训练集和所述次级学习器测试集对次级学习器进行训练和测试，生成锅炉积灰状态预测数据的步骤，包括：
采用所述次级学习器训练集对所述初始逻辑回归模型进行训练，生成目标逻辑回归模型；
采用所述次级学习器测试集对所述目标逻辑回归模型进行测试，生成锅炉积灰状态预测数据。
7.一种锅炉积灰状态预测系统，其特征在于，包括：
训练集和测试集构建模块，用于获取锅炉燃烧数据集，采用所述锅炉燃烧数据集，生成训练集和测试集；
目标初级学习器集和初始训练集预测数据生成模块，用于采用所述训练集对初始初级学习器集进行训练，生成目标初级学习器集和多个初始训练集预测数据；
次级学习器训练集构建模块，用于根据所述初始训练集预测数据对应的权重和所述训练集，构建次级学习器训练集；
次级学习器测试集构建模块，用于采用所述测试集对所述目标初级学习器集进行测试并结合所述测试集，构建次级学习器测试集；
锅炉积灰状态预测数据生成模块，用于采用所述次级学习器训练集和所述次级学习器测试集对次级学习器进行训练和测试，生成锅炉积灰状态预测数据。
8.根据权利要求7所述的锅炉积灰状态预测系统，其特征在于，所述训练集和测试集构建模块包括：
子集生成模块，用于获取锅炉燃烧数据集，采用滑动窗口算法对所述锅炉燃烧数据集进行划分，生成多个子集；
训练集和测试集构建子模块，用于采用k折交叉验证方法对所述子集进行集合构建，生成训练集和测试集。
9.一种电子设备，其特征在于，包括存储器及处理器，所述存储器中储存有计算机程序，所述计算机程序被所述处理器执行时，使得所述处理器执行如权利要求1至6任一项所述的锅炉积灰状态预测方法的步骤。
10.一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，所述计算机程序被执行时实现如权利要求1至6任一项所述的锅炉积灰状态预测方法。
CN202310850482.9A 2023-07-11 2023-07-11 一种锅炉积灰状态预测方法、系统、设备和介质 Pending CN116881715A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310850482.9A CN116881715A (zh) 2023-07-11 2023-07-11 一种锅炉积灰状态预测方法、系统、设备和介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310850482.9A CN116881715A (zh) 2023-07-11 2023-07-11 一种锅炉积灰状态预测方法、系统、设备和介质

Publications (1)

Publication Number Publication Date
CN116881715A true CN116881715A (zh) 2023-10-13

Family

ID=88263868

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310850482.9A Pending CN116881715A (zh) 2023-07-11 2023-07-11 一种锅炉积灰状态预测方法、系统、设备和介质

Country Status (1)

Country Link
CN (1) CN116881715A (zh)

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109102063A (zh) * 2018-08-21 2018-12-28 深圳大学 核回归估计器的最优权重选取方法、相关设备和存储介质
CN111368904A (zh) * 2020-02-29 2020-07-03 华南理工大学 一种基于电力指纹的电器设备识别方法
CN112347393A (zh) * 2020-10-21 2021-02-09 上海淇玥信息技术有限公司 一种基于异质集成学习的欺诈预测方法、装置及电子设备
CN112800672A (zh) * 2021-01-27 2021-05-14 上海电气集团股份有限公司 锅炉粘污系数的评估方法、系统、介质及电子设备
CN113313211A (zh) * 2021-06-28 2021-08-27 中国平安财产保险股份有限公司 文本分类方法、装置、电子设备及存储介质
CN114912697A (zh) * 2022-05-26 2022-08-16 南方电网电力科技股份有限公司 一种基于pso算法的锅炉结渣程度预测方法及相关装置
CN115130741A (zh) * 2022-06-20 2022-09-30 北京工业大学 基于多模型融合的多因素电力需求中短期预测方法
CN116304713A (zh) * 2023-03-31 2023-06-23 广西电网有限责任公司 风电场故障场景预测模型的生成方法、装置和计算机设备

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109102063A (zh) * 2018-08-21 2018-12-28 深圳大学 核回归估计器的最优权重选取方法、相关设备和存储介质
CN111368904A (zh) * 2020-02-29 2020-07-03 华南理工大学 一种基于电力指纹的电器设备识别方法
CN112347393A (zh) * 2020-10-21 2021-02-09 上海淇玥信息技术有限公司 一种基于异质集成学习的欺诈预测方法、装置及电子设备
CN112800672A (zh) * 2021-01-27 2021-05-14 上海电气集团股份有限公司 锅炉粘污系数的评估方法、系统、介质及电子设备
CN113313211A (zh) * 2021-06-28 2021-08-27 中国平安财产保险股份有限公司 文本分类方法、装置、电子设备及存储介质
CN114912697A (zh) * 2022-05-26 2022-08-16 南方电网电力科技股份有限公司 一种基于pso算法的锅炉结渣程度预测方法及相关装置
CN115130741A (zh) * 2022-06-20 2022-09-30 北京工业大学 基于多模型融合的多因素电力需求中短期预测方法
CN116304713A (zh) * 2023-03-31 2023-06-23 广西电网有限责任公司 风电场故障场景预测模型的生成方法、装置和计算机设备

Similar Documents

Publication Publication Date Title
US20240160936A1 (en) Creating equipment control sequences from constraint data
Ge et al. Mixture Bayesian regularization method of PPCA for multimode process monitoring
CN111427750B (zh) 一种计算机平台的gpu功耗估计方法、系统及介质
US20050273296A1 (en) Neural network model for electric submersible pump system
CN113631867A (zh) 使用因果模型控制制造过程
CN116627027B (zh) 一种基于改进型pid最优鲁棒性控制方法
US20230266721A1 (en) Method for configuring a control agent for a technical system, and control device
CN104024964B (zh) 用于工业过程控制的方法、装置和系统
CN116934220A (zh) 一种基于智能数据分析和算法优化的智慧仓储布局方法
CN112187554A (zh) 一种基于蒙特卡洛树搜索的运维系统故障定位方法和系统
CN113597582A (zh) 使用因果模型调谐pid参数
US20220366257A1 (en) Small and Fast Video Processing Networks via Neural Architecture Search
CN109242142B (zh) 一种面向基础设施网的时空预测模型参数优化方法
US11475186B2 (en) Apparatus and method for deriving boiler combustion model
CN116881715A (zh) 一种锅炉积灰状态预测方法、系统、设备和介质
KR102559605B1 (ko) 함수 최적화 방법 및 장치
Abdollahzadeh et al. An adaptive evolutionary algorithm for history-matching
CN115358485A (zh) 一种基于图自注意力机制与霍克斯过程的交通流预测方法
Yu et al. A reinforcement learning algorithm based on neural network for economic dispatch
Wang et al. Investigation of RBFNN Based on Improved PSO Optimization Algorithm for Performance and Emissions Prediction of a High‐Pressure Common‐Rail Diesel Engine
CN113392100A (zh) 基于粒子群算法优化神经网络的系统智能校验方法、装置和系统
WO2022106863A1 (en) Method and system for accelerating the convergence of an iterative computation code of physical parameters of a multi-parameter system
CN117455208B (zh) 基于人工智能的注塑品生产调度优化方法及系统
CN117875192B (zh) 一种几何约束自动求解设计方法
Butans Addressing real-time control problems in complex environments using dynamic multi-objective evolutionary approaches

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