CN117711523A - 确定气体排放浓度的方法及装置 - Google Patents
确定气体排放浓度的方法及装置 Download PDFInfo
- Publication number
- CN117711523A CN117711523A CN202311723543.1A CN202311723543A CN117711523A CN 117711523 A CN117711523 A CN 117711523A CN 202311723543 A CN202311723543 A CN 202311723543A CN 117711523 A CN117711523 A CN 117711523A
- Authority
- CN
- China
- Prior art keywords
- sequence
- emission concentration
- prediction
- prediction model
- feeding instruction
- 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
- 238000000034 method Methods 0.000 title claims abstract description 65
- 238000012549 training Methods 0.000 claims description 51
- 230000006870 function Effects 0.000 claims description 24
- 230000005856 abnormality Effects 0.000 claims description 17
- 238000003860 storage Methods 0.000 claims description 13
- 238000004590 computer program Methods 0.000 claims description 11
- 239000000463 material Substances 0.000 claims description 8
- 230000007246 mechanism Effects 0.000 claims description 7
- 230000001537 neural effect Effects 0.000 claims description 6
- 230000011218 segmentation Effects 0.000 claims description 5
- 230000002159 abnormal effect Effects 0.000 claims description 4
- 238000012937 correction Methods 0.000 claims description 4
- 238000013473 artificial intelligence Methods 0.000 abstract description 7
- 238000013135 deep learning Methods 0.000 abstract description 5
- 238000006477 desulfuration reaction Methods 0.000 abstract description 3
- 230000023556 desulfurization Effects 0.000 abstract description 3
- 238000012544 monitoring process Methods 0.000 abstract description 2
- 239000007789 gas Substances 0.000 description 113
- 238000012545 processing Methods 0.000 description 15
- RAHZWNYVWXNFOC-UHFFFAOYSA-N Sulphur dioxide Chemical compound O=S=O RAHZWNYVWXNFOC-UHFFFAOYSA-N 0.000 description 14
- 239000013598 vector Substances 0.000 description 14
- 238000010586 diagram Methods 0.000 description 9
- 238000004891 communication Methods 0.000 description 8
- 230000010354 integration Effects 0.000 description 8
- 230000003009 desulfurizing effect Effects 0.000 description 7
- 238000004364 calculation method Methods 0.000 description 6
- UGFAIRIUMAVXCW-UHFFFAOYSA-N Carbon monoxide Chemical compound [O+]#[C-] UGFAIRIUMAVXCW-UHFFFAOYSA-N 0.000 description 5
- 239000003546 flue gas Substances 0.000 description 5
- 230000003044 adaptive effect Effects 0.000 description 4
- 238000013528 artificial neural network Methods 0.000 description 4
- 239000003245 coal Substances 0.000 description 4
- 238000000605 extraction Methods 0.000 description 4
- AXCZMVOFGPJBDE-UHFFFAOYSA-L calcium dihydroxide Chemical compound [OH-].[OH-].[Ca+2] AXCZMVOFGPJBDE-UHFFFAOYSA-L 0.000 description 3
- 229910001861 calcium hydroxide Inorganic materials 0.000 description 3
- 235000011116 calcium hydroxide Nutrition 0.000 description 3
- 239000000920 calcium hydroxide Substances 0.000 description 3
- 230000008859 change Effects 0.000 description 3
- 238000013507 mapping Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 238000010606 normalization Methods 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 230000000737 periodic effect Effects 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 231100000331 toxic Toxicity 0.000 description 3
- 230000002588 toxic effect Effects 0.000 description 3
- 230000009466 transformation Effects 0.000 description 3
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 description 2
- 230000004913 activation Effects 0.000 description 2
- 238000007599 discharging Methods 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 230000003313 weakening effect Effects 0.000 description 2
- NAWXUBYGYWOOIX-SFHVURJKSA-N (2s)-2-[[4-[2-(2,4-diaminoquinazolin-6-yl)ethyl]benzoyl]amino]-4-methylidenepentanedioic acid Chemical compound C1=CC2=NC(N)=NC(N)=C2C=C1CCC1=CC=C(C(=O)N[C@@H](CC(=C)C(O)=O)C(O)=O)C=C1 NAWXUBYGYWOOIX-SFHVURJKSA-N 0.000 description 1
- ZAMOUSCENKQFHK-UHFFFAOYSA-N Chlorine atom Chemical compound [Cl] ZAMOUSCENKQFHK-UHFFFAOYSA-N 0.000 description 1
- RWSOTUBLDIXVET-UHFFFAOYSA-N Dihydrogen sulfide Chemical compound S RWSOTUBLDIXVET-UHFFFAOYSA-N 0.000 description 1
- 235000019738 Limestone Nutrition 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 239000000460 chlorine Substances 0.000 description 1
- 229910052801 chlorine Inorganic materials 0.000 description 1
- 238000002485 combustion reaction Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000008878 coupling Effects 0.000 description 1
- 238000010168 coupling process Methods 0.000 description 1
- 238000005859 coupling reaction Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 230000005484 gravity Effects 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000009776 industrial production Methods 0.000 description 1
- 239000006028 limestone Substances 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- WSFSSNUMVMOOMR-NJFSPNSNSA-N methanone Chemical compound O=[14CH2] WSFSSNUMVMOOMR-NJFSPNSNSA-N 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- -1 oxynitride Chemical compound 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 229920006395 saturated elastomer Polymers 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000001953 sensory effect Effects 0.000 description 1
- 238000005728 strengthening Methods 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000000714 time series forecasting Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本公开提出一种气体排放浓度方法及装置,涉及计算机技术领域,尤其涉及大数据、深度学习等人工智能技术领域,可应用于脱硫控制、SO2浓度监测等。具体实现方案为:获取当前时刻的参考数据,其中,参考数据包括当前时刻之前的第一时段内的气体处理装置的工况参数序列、第一排放浓度序列、第一给料指令序列及当前时刻之后的第二时段对应的第二给料指令序列;将参考数据输入预设的预测模型,获取预测模型输出的第二时段内的第二排放浓度序列。
Description
技术领域
本公开涉及计算机技术领域,尤其涉及大数据、深度学习等人工智能技术领域,具体涉及一种确定气体排放浓度的方法、装置、电子设备及存储介质。
背景技术
相关技术中,可以利用气体处理装置(如脱硫塔)对炉外烟气进一步处理,以使最终排放的气体(比如二氧化硫SO2)浓度满足标准。在烟气处理中,如何准确预测气体的排放量,对于降低气体排放浓度和物料消耗量极为重要。
发明内容
本公开旨在至少在一定程度上解决相关技术中的技术问题之一。
为此,本公开的目的在于提出一种确定气体排放浓度的方法及装置,不仅提高了气体排放浓度预测的效率,而且提高了气体排放浓度预测的准确性,为提高气体处理装置对气体浓度控制的精度和稳定性提供了条件。
根据本公开第一方面,提供了一种确定气体排放浓度的方法,包括:
获取当前时刻的参考数据,其中,所述参考数据包括当前时刻之前的第一时段内的气体处理装置的工况参数序列、第一排放浓度序列、第一给料指令序列及所述当前时刻之后的第二时段对应的第二给料指令序列;
将所述参考数据输入预设的预测模型,获取所述预测模型输出的所述第二时段内的第二排放浓度序列。
根据本公开第二方面,提供了一种气体排放浓度的预测模型的训练方法,包括:
获取气体处理装置的工作数据集,其中,所述工作数据集中包括每个时刻对应的工况参数、给料指令参数及气体排放浓度;
将所述工作数据集进行数据分割,以获取多个训练数据组,其中,每个所述训练数据组中包括M个时对应的工况参数序列、排放浓度序列及给料指令序列,及N个时刻对应的排放浓度序列及给料指令序列,其中,所述M个时刻位于所述N个时刻之前,M和N为自然数;
将所述M个时刻对应的工况参数序列、排放浓度序列及给料指令序列及所述N个时刻对应的给料指令序列,输入初始预测模型,以获取所述初始预测模型输出的N个时刻对应的排放浓度预测序列;
依据预设的损失函数,根据所述N个时刻对应的排放浓度预测序列与所述排放浓度序列,确定第二损失值;
根据所述第二损失值,以第二学习率对所述初始预测模型进行修正,直至获取的预测模型的损失值在连续步数内的波动范围小于波动阈值。
根据本公开第三方面,提供了一种确定气体排放浓度的装置,包括:
第一获取模块,用于获取当前时刻的参考数据,其中,所述参考数据包括当前时刻之前的第一时段内的气体处理装置的工况参数序列、第一排放浓度序列、第一给料指令序列及所述当前时刻之后的第二时段对应的第二给料指令序列;
第二获取模块,用于将所述参考数据输入预设的预测模型,获取所述预测模型输出的所述第二时段内的第二排放浓度序列。
根据本公开第四方面,提供了一种气体排放浓度的预测模型的训练方法,包括:
第三获取模块,用于获取气体处理装置的工作数据集,其中,所述工作数据集中包括每个时刻对应的工况参数、给料指令参数及气体排放浓度;
第四获取模块,用于将所述工作数据集进行数据分割,以获取多个训练数据组,其中,每个所述训练数据组中包括M个时对应的工况参数序列、排放浓度序列及给料指令序列,及N个时刻对应的排放浓度序列及给料指令序列,其中,所述M个时刻位于所述N个时刻之前,M和N为自然数;
第五获取模块,用于将所述M个时刻对应的工况参数序列、排放浓度序列及给料指令序列及所述N个时刻对应的给料指令序列,输入初始预测模型,以获取所述初始预测模型输出的N个时刻对应的排放浓度预测序列;
确定模块,用于依据预设的损失函数,根据所述N个时刻对应的排放浓度预测序列与所述排放浓度序列,确定第二损失值;
修正模块,用于根据所述第二损失值,以第二学习率对所述初始预测模型进行修正,直至获取的预测模型的损失值在连续步数内的波动范围小于波动阈值。
根据本公开的第五方面,提供了一种电子设备,包括:
至少一个处理器;以及
与所述至少一个处理器通信连接的存储器;其中,
所述存储器存储有可被所述至少一个处理器执行的指令,所述指令被所述至少一个处理器执行,以使所述至少一个处理器能够执行如第一方面所述的确定气体排放浓度的方法,或如第二方面所述的气体排放浓度的预测模型的训练方法。
根据本公开第六方面,提供了一种存储有计算机指令的非瞬时计算机可读存储介质,所述计算机指令用于使所述计算机执行如第一方面所述的确定气体排放浓度的方法,或如第二方面所述的气体排放浓度的预测模型的训练方法。
根据本公开的第七方面,提供了一种计算机程序产品,包括计算机指令,所述计算机指令在被处理器执行时实现如第一方面所述的确定气体排放浓度的方法,或如第二方面所述的气体排放浓度的预测模型的训练方法的步骤。
本公开提供的确定气体排放浓度的方法及装置,存在如下有益效果:
本公开实施例中,基于历史测量到的参考数据和预测模型,就可以对未来时段内的气体排放浓度序列进行预测,不仅提高了气体排放浓度预测的效率,而且提高了气体排放浓度预测的准确性,为提高气体处理装置控制气体排放浓度的精度和稳定性提供了条件。
应当理解,本部分所描述的内容并非旨在标识本公开的实施例的关键或重要特征,也不用于限制本公开的范围。本公开的其它特征将通过以下的说明书而变得容易理解。
附图说明
本公开上述的和/或附加的方面和优点从下面结合附图对实施例的描述中将变得明显和容易理解,附图用于更好地理解本方案,不构成对本公开的限定,其中:
图1是根据本公开一实施例提出的确定气体排放浓度的方法的流程示意图;
图2为预测模型中的SO2特征编码器的工作流程示意图;
图3为预测模型中的解码器的工作流程示意图;
图4是根据本公开另一实施例提出的确定气体排放浓度的方法的流程示意图;
图5是根据本公开另一实施例提出的确定气体排放浓度的方法的流程示意图;
图6是根据本公开一实施例提出的气体排放浓度的预测模型的训练方法的流程示意图;
图7是根据本公开一实施例提出的确定气体排放浓度的装置的结构示意图;
图8是根据本公开一实施例提出的气体排放浓度的预测模型的训练装置的结构示意图;
图9示出了适于用来实现本公开实施方式的示例性电子设备的框图。
具体实施方式
以下结合附图对本公开的示范性实施例做出说明,其中包括本公开实施例的各种细节以助于理解,应当将它们认为仅仅是示范性的。因此,本领域普通技术人员应当认识到,可以对这里描述的实施例做出各种改变和修改,而不会背离本公开的范围和精神。同样,为了清楚和简明,以下的描述中省略了对公知功能和结构的描述。
本公开实施例涉及大数据、深度学习等人工智能技术领域。
人工智能(Artificial Intelligence),英文缩写为AI。它是研究、开发用于模拟、延伸和扩展人的智能的理论、方法、技术及应用系统的一门新的技术科学。
大数据(big data),或称巨量资料,指的是所涉及的资料量规模巨大到无法透过主流软件工具,在合理时间内达到撷取、管理、处理、并整理成为帮助企业经营决策更积极目的的资讯。
深度学习是学习样本数据的内在规律和表示层次,这些学习过程中获得的信息对诸如文字,图像和声音等数据的解释有很大的帮助。深度学习的最终目标是让机器能够像人一样具有分析学习能力,能够识别文字、图像和声音等数据。
本公开的技术方案中,所涉及的用户个人信息的收集、存储、使用、加工、传输、提供和公开等处理,均符合相关法律法规的规定,且不违背公序良俗。
下面参考附图描述本公开实施例的确定气体排放浓度的方法、装置、电子设备及存储介质。
需要说明的是,本公开提供的确定气体排放浓度的方法,可以用于对任意气体处理装置输出的气体浓度进行预测。本公开中的气体处理装置,可以为任意用于对气体进行处理,以降低该气体中的有毒有害气体的含量的装置。
其中,有毒有害气体是指对人体健康和环境造成危害的气体,如一氧化碳CO、二氧化硫SO2、硫化氢H2S、氮氧化合物、氯气、甲醛等等。这些气体的来源多样,包括工业生产、交通运输、生活燃烧等。为了降低有毒有害气体的排放量,在将生产或生活中产生的气体排入空气中之前,可以采用气体处理装置对产生的气体进行处理。为了保证处理后的气体浓度尽量满足要求,可以在该气体处理过程中,通过采用本公开提供的气体浓度检测方法,对气体处理装置处理后的气体浓度进行预测和控制。比如,可以采用本公开提供的方法对气体处理装置(比如脱硫塔)出口输出的SO2排放浓度、氮氧化合物的排放浓度、H2S的排放浓度等等进行预测和控制,以保证气体处理装置输出的气体(比如SO2、氮氧化合物、H2S)排放浓度满足要求,避免造成大气污染。
为方便说明,本公开以下各实施例以确定脱硫塔出口输出的SO2排放浓度为例,对本申请提供的方法进行详细说明。
本实施例的确定气体排放浓度的方法的执行主体为确定气体排放浓度的装置,该装置可以由软件和/或硬件的方式实现,该装置可以配置在电子设备中,电子设备可以包括但不限于终端、服务器端等。
图1是根据本公开一实施例提出的确定气体排放浓度的方法的流程示意图。
如图1所示,该确定气体排放浓度的方法,包括:
S101:获取当前时刻的参考数据。
其中,参考数据包括当前时刻之前的第一时段内的气体处理装置的工况参数序列、第一排放浓度序列、第一给料指令序列、及当前时刻之后的第二时段对应的第二给料指令序列。
本公开实施例中,由于热电厂等工厂的实际运行数据通常会根据对应的时间戳进行存储,因此可以从存储运行数据的分散控制系统(Distributed Control System,DCS)中,直接读取到历史时段内的以时间为顺序的数据序列,作为当前时刻的参考数据。
需要说明的是,气体处理装置的工况参数序列,根据气体处理装置的类型不同,可以包含不同的工况参数。本实施例中,脱硫塔工况参数可以包括锅炉实际负荷、给煤量、煤质特征参数、锅炉出口SO2浓度、炉内石灰石给料量、脱硫岛入口烟气流量、脱硫岛入口烟气温度、循环烟气流量、给水量等。给料指令的参数可以为消石灰的给料频率。
另外,第二给料指令序列,可以是人工设置的,或者也可以是通过比例-积分-微分(Proportional Integral Derivative,PID)控制器的前馈及反馈,预先确定的在未来第二时段内的指令参数序列,本公开对此不做限定。
需要说明的是,第一时段和第二时段的长度,可以是预设的固定值,也可以是根据数据的时间步长等来确定的值。
可选地,可以确定在连续时段内预测模型的预测偏差,及气体处理装置的工况参数,然后根据预测偏差和/或工况参数,确定待处理数据的时间步长,之后根据时间步长,确定第一时段及第二时段的长度。
需要说明的是,待处理数据的时间步长,可以根据气体处理装置的工况参数的变化情况确定,比如工况参数变化较大时,步长较小。或者,还可以在利用预测模型对SO2排放浓度进行多次预测之后,根据在连续时段内预测模型的预测偏差,调整时间步长,比如偏差越大,时间步长越小。或者,还可以结合预测偏差和工况参数,调整待处理数据的时间步长,本公开对此不做限定。
本公开实施例中,在确定待处理数据的时间步长之后,可以根据目标输入到预测模型中的数据量以及目标输出的数据量,来确定第一时段及第二时段的长度。其中,目标输入到预测模型中的数据量以及目标输出的数据量,可以根据实际预测精度的需要来确定,本公开对此不做限定。例如,在需要5个时刻对应的数据作为预测时的输入,并且预测模型可以生成对未来3个时刻的SO2排放浓度的预测结果的情况下,时间步长为Δt,则第一时段的长度T1=5Δt,第二时段的长度T2=3Δt。
可以理解的是,在预测SO2排放浓度时,参考的历史数据对应的时段长度大于目标预测的时段长度时,预测模型能够更好地捕捉到参考数据变化的长期趋势和周期性,预测结果更为准确,因此第一时段的长度应大于第二时段的长度。例如第一时段的长度可以为第二时段的长度的2-7倍,第二时段的长度可以为1-5分钟。
本公开实施例中,通过预测偏差和/或工况参数,确定数据的时间步长,进而确定预测模型输入数据对应的第一时段长度,以及输出的预测结果对应的第二时段长度,使得获取到的参考数据能够更准确地反映历史数据的趋势性和周期性,提高模型预测的准确性。
S102:将参考数据输入预设的预测模型,获取预测模型输出的第二时段内的第二排放浓度序列。
其中,预设的预测模型为预先完成训练的模型,预测模型中可以包括基于时间序列预测(Neural basis expansion analysis for interpretable time seriesforecasting,N-BEATS)和多头注意力机制构建的编码器及基于傅立叶神经算子(FoutierNeural Operator,FNO)构建的解码器。
本公开实施例中,预测模型可以基于N-BEATS架构进行设计的SO2特征编码器,提取第一SO2排放浓度序列中的趋势性和周期性等特征,获取相应的SO2浓度特征向量。
下面结合SO2特征编码器的结构示意图,对SO2浓度特征向量的提取流程进行说明。如图2所示,SO2特征编码器,可以由多个堆栈和相应的基本模块结构组成。本公开中,通过将一定长度的历史第一SO2排放浓度序列作为输入,基于双残差网络结构将时间序列拆解成不同特征维度,将每个堆栈的提取结果之和作为最终提取的炉外出口SO2浓度特征。炉外出口SO2浓度特征如下式(1)所示:
其中,表示最终提取的炉外出口SO2浓度特征,/>为第i个堆栈的第j个模块提取出的部分特征,SO2特征编码器中包括S个堆栈,每个堆栈中包括L个模块。每个堆栈的提取结果为其包含的所有模块的输出之和,每个模块输出的部分特征可以包含预测部分SO2浓度特征和预测部分输入两部分。
在N-BEATS堆栈的每个的基本模块中,第一SO2排放浓度序列可以经过多个全连接层映射成一个低维向量θ,然后利用不同形式的g函数进行特征提取,如下式(2)所示,其中在考虑到预测窗口中缓慢变化的过程的情况下,g函数可以约束为一个p阶多项式。
其中,表示第s个堆栈的第l个模块从历史第一SO2排放浓度序列中提取的部分趋势特征,时间向量t=[0,1,2,...,Tout-2,Tout-1]T/Tout为第二时段(即Tout)的预测区间中,每个时刻所占的时间步长。/>表示第s个堆栈的第l个块中由全连接网络预测产生的每个预测时刻i的系数。
然后,在所有趋势特征被提取后,再根据双残差网络结构从输入中移除相关的趋势分量,然后传入到第k层堆栈中,利用傅立叶级数提取剩余SO2浓度分量中的周期性特征,如下式(3)所示:
其中,表示从趋势分量移出后的剩余分量中提取的部分周期性特征,/>表示第k个堆栈的第l个块中由全连接网络预测产生的每个预测时刻i的傅立叶系数。
本公开实施例中,预测模型可以基于多头注意力机制进行设计的工况信息编码器,对工况参数序列及第一给料指令序列分配不同特征的注意力系数,例如给煤量对SO2的排放浓度影响最大时,可以将给煤量对应的注意力系数确定为最大的系数。然后再经过由求和及归一化线性层组成的前馈神经网络,利用基于高斯误差函数(Gaussian ErrorLinear Unit,GELU)的激活函数进行非线性映射,获取到工况参数序列及第一给料指令序列对应的工况信息特征向量。以及基于给料指令编码器将第二给料指令序列,通过多个全连接层转换为时序不变的给料指令特征向量。之后将工况信息特征向量,SO2浓度特征向量,及SO2浓度特征向量进行特征拼接,将拼接后的特征向量输入到解码器中,输出在第二时段内的第二SO2排放浓度序列。
下面结合图3对解码器的工作流程进行解释说明,如图3所示,解码器可以先通过神经网络P将拼接后的特征向量映射到高维空间,其映射关系可以如下式(4)所示:
v0(x)=P(z) (4)
其中,z为拼接后的特征向量,x为高维空间v0中的向量,神经网络P为一层线性层。
然后,映射后的特征向量会依次输入到解码器中的多个傅立叶层,在每个傅立叶层中,输入特征向量v(x)会进行傅立叶变换转化到傅立叶空间,然后利用R线性变换过滤高频模态,降低噪声,以此保留主要特征,再经过傅立叶逆变换转为源空间,与原线性输入W′v(x)求和后,最后使用GELU函数σ进行激活,得到输入到下一个傅立叶层的特征向量。
其中,输入到傅立叶层的特征向量的计算方式可以如下式(5)所示:
其中,t代表每一层傅立叶层,W为下层线性变化层,为傅立叶积分算子。/>为傅立叶变换。/>为傅立叶逆变换。
之后,将经过多层傅立叶得到的特征向量,输入到神经网络Q中即可得到第二SO2排放浓度序列,其公式表示可如下(6)所示:
其中,T表示特征向量的维度,为第二SO2排放浓度序列。
本公开实施例中,基于N-BEATS、多头注意力机制及FNO建立的预测模型,可以更好地捕捉到参考数据中蕴含的潜在规则及不同时序数据中的耦合关系,具有良好的预测精度和强泛化能力。
需要说明的是,在一些情况下,输入到预测模型中的参考数据间可能存在较大的数值差异,这就可能会使得预测模型将值较大的参考数据作为预测的主要条件,影响了预测结果的准确性,因此在将参考数据输入到预测模型之前,可以先采用最大最小化方法对其进行[-1,1]区间内的归一化处理,来降低数据间的量纲差异对预测结果的影响。并且为了方便数值比较以及后续模型训练,也可以对预测模型的输出结果进行归一化处理,使得数据的值映射的范围一致。
本实施例中,首先获取当前时刻的参考数据,然后将参考数据输入预设的预测模型,获取预测模型输出的第二时段内的第二排放浓度序列。由此,基于历史测量到的参考数据和预测模型,就可以对未来时段内的待测气体的排放浓度序列进行预测,不仅提高了气体排放浓度预测的效率,而且提高了气体排放浓度预测的准确性,为提高气体处理装置控制气体排放浓度的精度和稳定性提供了条件。
图4是本公开另一实施例提出的确定气体排放浓度的方法的流程示意图。
如图4所示,该确定气体排放浓度的方法,包括:
S401:获取当前时刻的参考数据。
S402:将参考数据输入预设的预测模型,获取预测模型输出的第二时段内的第二排放浓度序列。
S401和S402的描述说明可以具体参见上述实施例,在此不再赘述。
S403:在第二时段内,获取气体处理装置出口的第三排放浓度序列。
其中,第三排放浓度序列,是指在第二时段内,脱硫塔出口处监测到的SO2排放浓度的变化曲线。
S404:根据第二排放浓度序列,与第三排放浓度序列,确定预测模型在第二时段内的第一预测偏差。
本公开实施例中,第一预测偏差的计算公式(7)可以如下所示:
其中,ε为第一预测偏差,Y为第三SO2排放浓度序列,为第二SO2排放浓度序列,||·||2表示欧几里得范数。
S405:在第一预测偏差大于偏差阈值的情况下,基于第二时段的时长更新预测偏差异常持续时长。
需要说明的是,偏差阈值可以是根据实际应用中对模型的预测精度要求等确定的值,例如对模型预测的精度要求越高,预设的偏差阈值就会越小等等,本公开对此不做限定。
本公开实施例中,在第一预测偏差大于偏差阈值的情况下,可以将第二时段的时长与当前存储的预测偏差异常持续时间相加,得到更新后的预测偏差异常持续时长。根据第二时段前的模型预测结果,当前存储的预测偏差异常持续时间可能为0,也可能为大于0的任意值。
可选地,在第一预测偏差小于偏差阈值的情况下,说明当前预测模型的预测性能比较好,不存在偏差异常情况,因此可以将预测偏差异常持续时间清零,来重新计算异常持续时间,避免历史数据对模型预测性能评估的影响,提高预测模型性能监测的实时性和准确性。
需要说明的是,第一预测偏差等于偏差阈值的情况,可以选取任一种情况进行处理。也就是说,既可以归类于大于偏差阈值的情况,更新预测偏差异常持续时长,也可以归类于小于偏差阈值的情况,将预测偏差异常持续时间清零。
S406:在更新后的预测偏差异常持续时长大于时长阈值的持续情况下,获取更新数据集。
其中,更新数据集中包括连续时段之前的第三时段内的工况参数序列、SO2排放浓度序列及给料指令序列。
需要说明的是,时长阈值可以根据实际应用场景中对预测偏差异常的容忍度、或模型更新频率要求等条件来确定,例如时长阈值可以为1小时。第三时段的长度,可以根据预测模型的预测偏差程度等来确定,例如预测偏差程度越高,第三时段的长度就越长等等,本公开对此不做限定。
举例来说,时长阈值为1小时,第三时段的长度为1天,当更新后的预测偏差异常持续时长为1小时3分钟的情况下,可以确定更新后的预测偏差异常持续时长大于时长阈值,此时预测模型的性能较差,需要获取异常持续时段之前的历史数据对预测模型进行更新。则可以获取1小时3分钟之前的1天内的工况参数序列、SO2排放浓度序列及给料指令序列,作为更新数据集。
S407:利用更新数据集,对预测模型进行更新。
本公开实施例中,可以更新数据集中数据的时序特征,将更新数据集中的数据分为输入数据和目标获取的输出数据,然后基于预测模型根据输入数据输出的预测结果,与目标获取的输出数据间的损失值,对预测模型进行更新。
可选地,首先可以将更新数据集进行分割,以获取多个数据组。其中,每个数据组中包括M个时刻对应的工况参数序列,排放浓度序列及给料指令序列,及N个时刻对应的排放浓度序列及给料指令序列,其中,M个时刻位于N个时刻之前,M和N为自然数。
本公开实施例中,可以将更新数据集分割成多个时间段内的数据组,从而就可以基于各数据组对预测模型进行多次训练,使得模型的训练结果更加可靠。并且在每个数据组中,可以根据各个数据对应的时间戳,将数据组中的所有数据分为在一次训练中,属于历史时段内的数据(即M个时刻对应的工况参数序列,SO2排放浓度序列及给料指令序列),和属于未来时段内的数据(即N个时刻对应的SO2排放浓度序列及给料指令序列)。
可以理解的是,更新数据集中数据的时间步长为Δt时,一个数据组对应的时长可以表示为T=MΔt+NΔt,当更新数据集分割成G个数据组的情况下,乘积GT即为第三时段的长度,其中,G可以为任意自然数。
然后,可以将M个时刻对应的工况参数序列,SO2排放浓度序列及给料指令序列,及N个时刻对应的给料指令序列,输入预测模型,以获取预测模型输出的N个时刻对应的SO2排放浓度预测序列。
之后,可以依据预设的损失函数,根据N个时刻对应的SO2排放浓度预测序列与SO2排放浓度序列,确定第一损失值。
本公开实施例中,第一损失值可以利用如下公式(8)所示的预设损失函数进行计算得到,公式(8)为:
其中,Lmse表示损失值,t0表示N个时刻对应的最初时刻,Tout表示N个时刻对应时段长度,yt表示为SO2排放浓度序列,表示为SO2排放浓度预测序列。
然后就可以根据第一损失值,以第一学习率对预测模型进行更新,直至更新后的预测模型的损失值在连续步数内的波动范围小于波动阈值。其中,第一学习率小于预测模型训练阶段所基于的第二学习率。
需要说明的是,第二学习率可以根据实际训练需要来确定,例如第二学习率可以为0.001。在更新预测模型时,为了更好地控制模型参数微调的步长,避免微调过度或跳过最优解,可以令第一学习率小于第二学习率,例如第一学习率可以是第二学习率的0.01倍或0.1倍。另外,连续步数的数量、波动阈值可以根据模型更新的稳定性要求等来确定,在本公开中,波动阈值可以为第一损失值的0.01倍或0.001倍。
本公开实施例中,可以根据第一损失值,采用自适应矩估计(Adaptive MomentEstimation,Adam)优化器,在第一学习率的基础上,对预测模型共进行若干次迭代训练,在更新后的预测模型的损失值在连续步数内的波动范围小于波动阈值的情况下,停止迭代,完成对预测模型的更新。
本公开实施例中,通过对更新数据集进行分割,基于分割后的数据,获取预测模型的预测结果与数据集中目标数据间的损失值,再结合学习率对预测模型进行迭代训练,在预测模型更新后的损失值满足波动条件的情况下,完成对预测模型的更新。从而,不仅可以基于数据组对预测模型进行多次训练,提高预测模型训练的可靠性,而且控制预测模型的损失值的波动范围,使得更新后的预测模型具有更高的稳定性。
本实施例中,得到预测模型输出的排放浓度预测序列之后,首先在第二时段内,获取气体处理装置出口的第三排放浓度序列,然后根据第二排放浓度序列,与第三排放浓度序列,确定预测模型在第二时段内的第一预测偏差,并在第一预测偏差大于偏差阈值的情况下,基于第二时段的时长更新预测偏差异常持续时长,之后在更新后的预测偏差异常持续时长大于时长阈值的持续情况下,获取更新数据集,并利用更新数据集,对预测模型进行更新。由此,基于排放浓度预测序列与实际监测到的排放浓度序列,得到预测模型在预测时段内的预测偏差,在预测偏差大于偏差阈值的持续时长足够长的情况下,更新预测模型,从而不仅提高了预测模型的准确性,而且避免由预测误差导致的无效更新,提高了模型更新的效率和可靠性。
图5是本公开另一实施例提出的确定气体排放浓度的方法的流程示意图。
如图5所示,该确定气体排放浓度的方法,包括:
S501:获取当前时刻的参考数据。
S502:将参考数据输入预设的预测模型,获取预测模型输出的第二时段内的第二排放浓度序列。
上述S501和S502的描述说明可以具体参见上述实施例,在此不再赘述。
S503:根据第二排放浓度序列及指定的排放浓度序列,确定第一控制参数。
其中,指定的排放浓度序列,是指根据环保标准等确定的目标测量气体的浓度控制指标。
本公开实施例中,第一控制参数为PID控制器基于第二排放浓度序列及指定的SO2排放浓度序列,得到的前馈输出参数。
本公开实施例中,第一控制参数的计算方式可以如下公式(9)表示:
其中,u[n]f为第一控制参数,上标f表示该数据为前馈阶段的数据,Kp为比例系数,Ki为积分系数,Kd为微分系数。第二时段内包含n个时刻的数据,第n时刻的前馈偏差e[n]可表示为下式(10):
其中,表示指定的SO2排放浓度序列,/>可以由第二SO2排放浓度序列通过加权求得,如下式(11)所示:
其中,表示预测的未来第i个Δt时刻的脱硫塔出口SO2浓度,a为表示第二SO2排放浓度序列的个数,α表示各个时刻预测值的权重,预测的时刻距当前时刻越远,权重越小。
需要说明的是,为避免积分量长期累积过大至积分饱和,可以采用遇限削弱积分法,给积分量设定一个合理的上限值,超出上限值后,只执行削弱积分项的运算而停止增大积分项的运算。
S504:根据第一排放浓度序列与指定的排放浓度序列间的偏差及偏差的变化量,确定第二控制参数。
其中,在本实施例中,第二控制参数,为模糊PID控制基于第一SO2排放浓度序列及指定的SO2排放浓度序列,得到的反馈输出参数。
本公开实施例中,可以利用第一SO2排放浓度序列减指定的SO2排放浓度序列,得到偏差e。然后根据如下公式(12)得到偏差的变化量ec:
ec[n]b=e[n]b-e[n-1]b (12)
其中,第二时段内包含n个时刻的数据,e[n]b表示第n时刻的反馈偏差,ec[n]b表示第n时刻对应的反馈偏差的变化量。第二控制参数的计算公式可以如下式(13)所示:
其中,u[n]b为第二控制参数,上标b表示该数据为反馈阶段的数据,Kp为比例系数,Ki为积分系数,Kd为微分系数。模糊PID的三种参数Kp、Ki及Kd对应的函数K[n]可以用下式(14)表示:
K[n]=K[n-1]+θΔK[n]
ΔK=F(|e[n]|,|ec[n]|) (14)
其中,ΔK为根据e、ec求出的参数增量,θ为校正系数以控制增量最终影响。
另外,计算ΔK,可以首先需要基于变量范围量化e、ec,然后通过隶属度函数获得各自在模糊子集的隶属度,此处模糊子集由负大[NB]、负中[NM]、负小[NS]、零[ZO]、正小[PS]、正中[PM]、正大[PB]7个语言变量组成,边界函数(如负大[NB]、正大[PB])可以采用高斯隶属度函数,其他可以选用三角隶属函数。
输出变量的隶属度函数和输入保持一致,可以基于根据经验建设的模糊规则库进行模糊变量输出推理,得到ΔK的模糊子集,通常为三个矩阵。在得到输出变量后,还需对变量进行去模糊处理,以使其与具体的物理量相对应,本公开中可以采用重心法进行计算,如下式(15)所示:
其中,A(ΔKj)表示ΔKj对应的隶属度。
S505:根据第一控制参数及第二控制参数,确定当前的给料指令。
本公开实施例中,可以将第一控制参数与第二控制参数相加,得到当前的给料指令,如下式(16)所示:
u[n]=u[n]f+u[n]b (16)
S506:基于当前的给料指令,对当前的物料给料量进行控制。
其中,物料为可以与目标测量气体发生反应,以降低气体排放浓度的物质。在本实施例中,为了降低SO2排放浓度,控制给料量的物料应为消石灰。
本实施例中,在获取预测模型输出的第二排放浓度序列之后,首先根据第二排放浓度序列及指定的排放浓度序列,确定第一控制参数,然后根据第一排放浓度序列与指定的排放浓度序列间的偏差及偏差的变化量,确定第二控制参数,之后根据第一控制参数及第二控制参数,确定当前的给料指令,进而基于当前的给料指令,对当前的消石灰给料量进行控制。由此,通过前馈与反馈结合的方式,确定给料指令,实现了对物料给料量的自动化控制,提高了气体排放浓度控制的准确性,使得气体处理装置出口的气体排放浓度的控制效率更高。
图6是本公开一实施例提出的气体排放浓度的预测模型的训练方法的流程示意图。
如图6所示,该气体排放浓度的预测模型的训练方法,包括:
S601:获取气体处理装置的工作数据集。
其中,工作数据集中包括每个时刻对应的工况参数、给料指令参数及气体排放浓度。
本公开实施例中,由于工厂的实际运行数据通常根据对应时间戳进行存储,因此可以从存储历史运行数据的分散控制系统(Distributed Control System,DCS)中直接读取到各个时刻对应的工况参数、给料指令参数及SO2排放浓度,来获取脱硫塔的工作数据集。
S602:将工作数据集进行数据分割,以获取多个训练数据组。
其中,每个训练数据组中包括M个时刻对应的工况参数序列、SO2排放浓度序列及给料指令序列,及N个时刻对应的SO2排放浓度序列及给料指令序列,其中,M个时刻位于N个时刻之前,M和N为自然数。
本公开实施例中,可以将工作数据集分割成多个时间段内训练数据组,从而基于各训练数据组对预测模型进行多次训练,使得训练结果更加可靠。并且在每个训练数据组中,可以根据各个数据对应的时间戳,将训练数据组中所有数据分为在一次训练中的历史时段内数据(即M个时刻对应的工况参数序列,SO2排放浓度序列及给料指令序列)和未来时段内数据(即N个时刻对应的SO2排放浓度序列及给料指令序列)。
S603:将M个时刻对应的工况参数序列、排放浓度序列及给料指令序列及N个时刻对应的给料指令序列,输入初始预测模型,以获取初始预测模型输出的N个时刻对应的排放浓度预测序列。
其中,初始预测模型,是指利用基于N-BEATS和多头注意力机制构建的编码器及基于FNO构建的解码器,构建的气体浓度预测模型。
S604:依据预设的损失函数,根据N个时刻对应的排放浓度预测序列与排放浓度序列,确定第二损失值。
本公开实施例中,第二损失值可以利用如下公式(17)所示的损失函数计算得到,公式(17)为:
其中,Lmse表示损失值,t0表示N个时刻对应的最初时刻,Tout表示N个时刻对应时段长度,yt表示为SO2排放浓度序列,表示为SO2排放浓度预测序列。
S605:根据第二损失值,以第二学习率对初始预测模型进行修正,直至获取的预测模型的损失值在连续步数内的波动范围小于波动阈值。
需要说明的是,第二学习率可以根据实际训练需要确定,例如可以为0.001。连续步数的数量、波动阈值可以根据模型更新的稳定性要求等来确定,在本公开中,连续步数的数量可以设置为100,波动阈值可以为第一损失值的0.01至0.001倍。
本公开实施例中,可以根据第二损失值,采用自适应矩估计(Adaptive MomentEstimation,Adam)优化器,在第二学习率的基础上,对预测模型共进行若干次迭代训练,在修正后的预测模型的损失值在连续步数内的波动范围小于波动阈值的情况下,停止迭代,完成对预测模型的训练。
本实施例中,通过对更新数据集进行分割,基于分割后的数据,获取预测模型的预测结果与数据集中目标数据间的损失值,再结合学习率对预测模型进行迭代训练,在预测模型更新后的损失值满足波动条件的情况下,完成对预测模型的更新。从而,不仅可以基于数据组对预测模型进行多次训练,提高预测模型训练的可靠性,而且控制预测模型的损失值的波动范围,使得更新后的预测模型具有更高的稳定性。
图7是本公开一实施例提出的确定气体排放浓度的装置的结构示意图。
如图7所示,该确定气体排放浓度的装置700,包括:
第一获取模块701,用于获取当前时刻的参考数据,其中,参考数据包括当前时刻之前的第一时段内的气体处理装置的工况参数序列、第一排放浓度序列、第一给料指令序列及当前时刻之后的第二时段对应的第二给料指令序列;
第二获取模块702,用于将参考数据输入预设的预测模型,获取预测模型输出的第二时段内的第二排放浓度序列。
在一些实施例中,其中第二获取模块702,还用于:
在第二时段内,获取气体处理装置出口的第三排放浓度序列;
根据第二排放浓度序列,与第三排放浓度序列,确定预测模型在第二时段内的第一预测偏差;
在第一预测偏差大于偏差阈值的情况下,基于第二时段的时长更新预测偏差异常持续时长;
在更新后的预测偏差异常持续时长大于时长阈值的持续情况下,获取更新数据集,其中,更新数据集中包括连续时段之前的第三时段内的工况参数序列、排放浓度序列及给料指令序列;
利用更新数据集,对预测模型进行更新。
在一些实施例中,其中第二获取模块702,还用于:
在第一预测偏差小于偏差阈值的情况下,将预测偏差异常持续时长清零。
在一些实施例中,其中第二获取模块702,具体用于:
将更新数据集进行分割,以获取多个数据组,其中,每个数据组中包括M个时刻对应的工况参数序列、排放浓度序列及给料指令序列,及N个时刻对应的排放浓度序列及给料指令序列,其中,M个时刻位于N个时刻之前,M和N为自然数;
将M个时刻对应的工况参数序列、排放浓度序列及给料指令序列及N个时刻对应的给料指令序列,输入预测模型,以获取预测模型输出的N个时刻对应的排放浓度预测序列;
依据预设的损失函数,根据N个时刻对应的排放浓度预测序列与排放浓度序列,确定第一损失值;
根据第一损失值,以第一学习率对预测模型进行更新,直至更新后的预测模型的损失值在连续步数内的波动范围小于波动阈值,其中,第一学习率小于预测模型训练阶段所基于的第二学习率。
在一些实施例中,其中第二获取模块702,还用于:
根据第二排放浓度序列及指定的排放浓度序列,确定第一控制参数;
根据第一排放浓度序列与指定的排放浓度序列间的偏差及偏差的变化量,确定第二控制参数;
根据第一控制参数及第二控制参数,确定当前的给料指令;
基于当前的给料指令,对当前的物料给料量进行控制。
在一些实施例中,其中第一获取模块701,还用于:
确定在连续时段内预测模型的预测偏差,及气体处理装置的工况参数;
根据预测偏差和/或工况参数,确定待处理数据的时间步长;
根据时间步长,确定第一时段及第二时段的长度。
在一些实施例中,其中,预测模型中包括基于时间序列预测NBEATS和多头注意力机制构建的编码器及基于傅立叶神经算子FNO构建的解码器。
需要说明的是,前述对确定气体排放浓度的方法的解释说明也适用于本实施例的确定气体排放浓度的装置,此处不再赘述。
本实施例中,首先获取当前时刻的参考数据,然后将参考数据输入预设的预测模型,获取预测模型输出的第二时段内的第二排放浓度序列。由此,基于历史测量到的参考数据和预测模型,就可以对未来时段内的目标气体的排放浓度序列进行预测,不仅提高了气体排放浓度预测的效率,而且提高了气体排放浓度预测的准确性,为提高气体处理装置控制气体排放浓度的精度和稳定性提供了条件。
图8是本公开一实施例提出的气体排放浓度的预测模型的训练装置的结构示意图。
如图8所示,该气体排放浓度的预测模型的训练装置800,包括:
第三获取模块801,用于获取气体处理装置的工作数据集,其中,工作数据集中包括每个时刻对应的工况参数、给料指令参数及排放浓度;
第四获取模块802,用于将工作数据集进行数据分割,以获取多个训练数据组,其中,每个训练数据组中包括M个时对应的工况参数序列、排放浓度序列及给料指令序列,及N个时刻对应的排放浓度序列及给料指令序列,其中,M个时刻位于N个时刻之前,M和N为自然数;
第五获取模块803,用于将M个时刻对应的工况参数序列、排放浓度序列及给料指令序列及N个时刻对应的给料指令序列,输入初始预测模型,以获取初始预测模型输出的N个时刻对应的排放浓度预测序列;
确定模块804,用于依据预设的损失函数,根据N个时刻对应的排放浓度预测序列与排放浓度序列,确定第二损失值;
修正模块805,用于根据第二损失值,以第二学习率对初始预测模型进行修正,直至获取的预测模型的损失值在连续步数内的波动范围小于波动阈值。
需要说明的是,前述对气体排放浓度的预测模型的训练方法的解释说明也适用于本实施例的气体排放浓度的预测模型的训练装置,此处不再赘述。
本实施例中,通过对更新数据集进行分割,基于分割后的数据,获取预测模型的预测结果与数据集中目标数据间的损失值,再结合学习率对预测模型进行迭代训练,在预测模型更新后的损失值满足波动条件的情况下,完成对预测模型的更新。从而,不仅可以基于数据组对预测模型进行多次训练,提高预测模型训练的可靠性,而且控制预测模型的损失值的波动范围,使得更新后的预测模型具有更高的稳定性。
根据本公开的实施例,本公开还提供了一种电子设备、一种可读存储介质和一种计算机程序产品。
图9示出了可以用来实施本公开的实施例的示例电子设备900的示意性框图。电子设备旨在表示各种形式的数字计算机,诸如,膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机、和其它适合的计算机。电子设备还可以表示各种形式的移动装置,诸如,个人数字处理、蜂窝电话、智能电话、可穿戴设备和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例,并且不意在限制本文中描述的和/或者要求的本公开的实现。
如图9所示,设备900包括计算单元901,其可以根据存储在只读存储器(ROM)902中的计算机程序或者从存储单元908加载到随机访问存储器(RAM)903中的计算机程序,来执行各种适当的动作和处理。在RAM 903中,还可存储设备900操作所需的各种程序和数据。计算单元901、ROM 902以及RAM 903通过总线904彼此相连。输入/输出(I/O)接口905也连接至总线904。
设备900中的多个部件连接至I/O接口905,包括:输入单元906,例如键盘、鼠标等;输出单元907,例如各种类型的显示器、扬声器等;存储单元908,例如磁盘、光盘等;以及通信单元909,例如网卡、调制解调器、无线通信收发机等。通信单元909允许设备900通过诸如因特网的计算机网络和/或各种电信网络与其他设备交换信息/数据。
计算单元901可以是各种具有处理和计算能力的通用和/或专用处理组件。计算单元901的一些示例包括但不限于中央处理单元(CPU)、图形处理单元(GPU)、各种专用的人工智能(AI)计算芯片、各种运行机器学习模型算法的计算单元、数字信号处理器(DSP)、以及任何适当的处理器、控制器、微控制器等。计算单元901执行上文所描述的各个方法和处理,例如确定气体排放浓度的方法。例如,在一些实施例中,确定气体排放浓度的方法可被实现为计算机软件程序,其被有形地包含于机器可读介质,例如存储单元908。在一些实施例中,计算机程序的部分或者全部可以经由ROM 902和/或通信单元909而被载入和/或安装到设备900上。当计算机程序加载到RAM 903并由计算单元901执行时,可以执行上文描述的确定气体排放浓度的方法的一个或多个步骤。备选地,在其他实施例中,计算单元901可以通过其他任何适当的方式(例如,借助于固件)而被配置为执行确定气体排放浓度的方法。
本文中以上描述的系统和技术的各种实施方式可以在数字电子电路系统、集成电路系统、场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、芯片上系统的系统(SOC)、负载可编程逻辑设备(CPLD)、计算机硬件、固件、软件、和/或它们的组合中实现。这些各种实施方式可以包括:实施在一个或者多个计算机程序中,该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程系统上执行和/或解释,该可编程处理器可以是专用或者通用可编程处理器,可以从存储系统、至少一个输入装置、和至少一个输出装置接收数据和指令,并且将数据和指令传输至该存储系统、该至少一个输入装置、和该至少一个输出装置。
用于实施本公开的方法的程序代码可以采用一个或多个编程语言的任何组合来编写。这些程序代码可以提供给通用计算机、专用计算机或其他可编程数据处理装置的处理器或控制器,使得程序代码当由处理器或控制器执行时使流程图和/或框图中所规定的功能/操作被实施。程序代码可以完全在机器上执行、部分地在机器上执行,作为独立软件包部分地在机器上执行且部分地在远程机器上执行或完全在远程机器或服务器上执行。
在本公开的上下文中,机器可读介质可以是有形的介质,其可以包含或存储以供指令执行系统、装置或设备使用或与指令执行系统、装置或设备结合地使用的程序。机器可读介质可以是机器可读信号介质或机器可读储存介质。机器可读介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体系统、装置或设备,或者上述内容的任何合适组合。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦除可编程只读存储器(EPROM或快闪存储器)、光纤、便捷式紧凑盘只读存储器(CD-ROM)、光学储存设备、磁储存设备、或上述内容的任何合适组合。
为了提供与用户的交互,可以在计算机上实施此处描述的系统和技术,该计算机具有:用于向用户显示信息的显示装置(例如,CRT(阴极射线管)或者LCD(液晶显示器)监视器);以及键盘和指向装置(例如,鼠标或者轨迹球),用户可以通过该键盘和该指向装置来将输入提供给计算机。其它种类的装置还可以用于提供与用户的交互;例如,提供给用户的反馈可以是任何形式的传感反馈(例如,视觉反馈、听觉反馈、或者触觉反馈);并且可以用任何形式(包括声输入、语音输入或者、触觉输入)来接收来自用户的输入。
可以将此处描述的系统和技术实施在包括后台部件的计算系统(例如,作为数据服务器)、或者包括中间件部件的计算系统(例如,应用服务器)、或者包括前端部件的计算系统(例如,具有图形用户界面或者网络浏览器的用户计算机,用户可以通过该图形用户界面或者该网络浏览器来与此处描述的系统和技术的实施方式交互)、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算系统中。可以通过任何形式或者介质的数字数据通信(例如,通信网络)来将系统的部件相互连接。通信网络的示例包括:局域网(LAN)、广域网(WAN)、互联网及区块链网络。
计算机系统可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-服务器关系的计算机程序来产生客户端和服务器的关系。服务器可以是云服务器,又称为云计算服务器或云主机,是云计算服务体系中的一项主机产品,以解决了传统物理主机与VPS服务(″Virtual Private Server″,或简称″VPS″)中,存在的管理难度大,业务扩展性弱的缺陷。服务器也可以为分布式系统的服务器,或者是结合了区块链的服务器。
应该理解,可以使用上面所示的各种形式的流程,重新排序、增加或删除步骤。例如,本发公开中记载的各步骤可以并行地执行也可以顺序地执行也可以不同的次序执行,只要能够实现本公开公开的技术方案所期望的结果,本文在此不进行限制。
此外,术语“第一”、“第二”仅用于描述目的,而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此,限定有“第一”、“第二”的特征可以明示或者隐含地包括至少一个该特征。在本公开的描述中,“多个”的含义是至少两个,例如两个,三个等,除非另有明确具体的限定。在本公开的描述中,所使用的词语“如果”及“若”可以被解释成为“在……时”或“当……时”或“响应于确定”或“在……情况下”。
上述具体实施方式,并不构成对本公开保护范围的限制。本领域技术人员应该明白的是,根据设计要求和其他因素,可以进行各种修改、组合、子组合和替代。任何在本公开的精神和原则之内所作的修改、等同替换和改进等,均应包含在本公开保护范围之内。
Claims (19)
1.一种确定气体排放浓度的方法,包括:
获取当前时刻的参考数据,其中,所述参考数据包括当前时刻之前的第一时段内的气体处理装置的工况参数序列、第一排放浓度序列、第一给料指令序列及所述当前时刻之后的第二时段对应的第二给料指令序列;
将所述参考数据输入预设的预测模型,获取所述预测模型输出的所述第二时段内的第二排放浓度序列。
2.如权利要求1所述的方法,其中,在所述获取所述预测模型输出的所述第二时段内的第二排放浓度序列之后,还包括:
在所述第二时段内,获取所述气体处理装置出口的第三排放浓度序列;
根据所述第二排放浓度序列,与所述第三排放浓度序列,确定所述预测模型在所述第二时段内的第一预测偏差;
在所述第一预测偏差大于偏差阈值的情况下,基于所述第二时段的时长更新预测偏差异常持续时长;
在更新后的所述预测偏差异常持续时长大于时长阈值的持续情况下,获取更新数据集,其中,所述更新数据集中包括所述连续时段之前的第三时段内的工况参数序列、排放浓度序列及给料指令序列;
利用所述更新数据集,对所述预测模型进行更新。
3.如权利要求2所述的方法,其中,在所述确定所述预测模型在所述第二时段内的第一预测偏差之后,还包括:
在所述第一预测偏差小于偏差阈值的情况下,将所述预测偏差异常持续时长清零。
4.如权利要求2所述的方法,其中,所述利用所述更新数据集,对所述预测模型进行更新,包括:
将所述更新数据集进行分割,以获取多个数据组,其中,每个数据组中包括M个时刻对应的工况参数序列、排放浓度序列及给料指令序列,及N个时刻对应的排放浓度序列及给料指令序列,其中,所述M个时刻位于所述N个时刻之前,M和N为自然数;
将所述M个时刻对应的工况参数序列、排放浓度序列及给料指令序列及所述N个时刻对应的给料指令序列,输入所述预测模型,以获取所述预测模型输出的N个时刻对应的排放浓度预测序列;
依据预设的损失函数,根据所述N个时刻对应的排放浓度预测序列与所述排放浓度序列,确定第一损失值;
根据所述第一损失值,以第一学习率对所述预测模型进行更新,直至更新后的预测模型的损失值在连续步数内的波动范围小于波动阈值,其中,所述第一学习率小于所述预测模型训练阶段所基于的第二学习率。
5.如权利要求1-4任一所述的方法,其中,在所述获取所述预测模型输出的所述第二时段内的第二排放浓度序列之后,还包括:
根据所述第二排放浓度序列及指定的排放浓度序列,确定第一控制参数;
根据所述第一排放浓度序列与所述指定的排放浓度序列间的偏差及偏差的变化量,确定第二控制参数;
根据所述第一控制参数及所述第二控制参数,确定当前的给料指令;
基于所述当前的给料指令,对当前的物料给料量进行控制。
6.如权利要求1-4任一所述的方法,其中,在所述获取当前时刻的参考数据之前,还包括:
确定在连续时段内所述预测模型的预测偏差,及所述气体处理装置的工况参数;
根据所述预测偏差和/或所述工况参数,确定待处理数据的时间步长;
根据所述时间步长,确定所述第一时段及所述第二时段的长度。
7.如权利要求1-4任一所述的方法,其中,所述预测模型中包括基于时间序列预测NBEATS和多头注意力机制构建的编码器及基于傅立叶神经算子FNO构建的解码器。
8.一种气体排放浓度的预测模型的训练方法,包括:
获取气体处理装置的工作数据集,其中,所述工作数据集中包括每个时刻对应的工况参数、给料指令参数及气体排放浓度;
将所述工作数据集进行数据分割,以获取多个训练数据组,其中,每个所述训练数据组中包括M个时对应的工况参数序列、排放浓度序列及给料指令序列,及N个时刻对应的排放浓度序列及给料指令序列,其中,所述M个时刻位于所述N个时刻之前,M和N为自然数;
将所述M个时刻对应的工况参数序列、排放浓度序列及给料指令序列及所述N个时刻对应的给料指令序列,输入初始预测模型,以获取所述初始预测模型输出的N个时刻对应的排放浓度预测序列;
依据预设的损失函数,根据所述N个时刻对应的排放浓度预测序列与所述排放浓度序列,确定第二损失值;
根据所述第二损失值,以第二学习率对所述初始预测模型进行修正,直至获取的预测模型的损失值在连续步数内的波动范围小于波动阈值。
9.一种确定气体排放浓度的装置,包括:
第一获取模块,用于获取当前时刻的参考数据,其中,所述参考数据包括当前时刻之前的第一时段内的气体处理装置工况参数序列、第一排放浓度序列、第一给料指令序列及所述当前时刻之后的第二时段对应的第二给料指令序列;
第二获取模块,用于将所述参考数据输入预设的预测模型,获取所述预测模型输出的所述第二时段内的第二排放浓度序列。
10.如权利要求9所述的装置,其中,所述第二获取模块,还用于:
在所述第二时段内,获取所述气体处理装置出口的第三排放浓度序列;
根据所述第二排放浓度序列,与所述第三排放浓度序列,确定所述预测模型在所述第二时段内的第一预测偏差;
在所述第一预测偏差大于偏差阈值的情况下,基于所述第二时段的时长更新预测偏差异常持续时长;
在更新后的所述预测偏差异常持续时长大于时长阈值的持续情况下,获取更新数据集,其中,所述更新数据集中包括所述连续时段之前的第三时段内的工况参数序列、排放浓度序列及给料指令序列;
利用所述更新数据集,对所述预测模型进行更新。
11.如权利要求10所述的装置,其中,所述第二获取模块,还用于:
在所述第一预测偏差小于偏差阈值的情况下,将所述预测偏差异常持续时长清零。
12.如权利要求10所述的装置,其中,所述第二获取模块,具体用于:
将所述更新数据集进行分割,以获取多个数据组,其中,每个数据组中包括M个时刻对应的工况参数序列、排放浓度序列及给料指令序列,及N个时刻对应的排放浓度序列及给料指令序列,其中,所述M个时刻位于所述N个时刻之前,M和N为自然数;
将所述M个时刻对应的工况参数序列、排放浓度序列及给料指令序列及所述N个时刻对应的给料指令序列,输入所述预测模型,以获取所述预测模型输出的N个时刻对应的排放浓度预测序列;
依据预设的损失函数,根据所述N个时刻对应的排放浓度预测序列与所述排放浓度序列,确定第一损失值;
根据所述第一损失值,以第一学习率对所述预测模型进行更新,直至更新后的预测模型的损失值在连续步数内的波动范围小于波动阈值,其中,所述第一学习率小于所述预测模型训练阶段所基于的第二学习率。
13.如权利要求9-12任一所述的装置,其中,所述第二获取模块,还用于:
根据所述第二排放浓度序列及指定的排放浓度序列,确定第一控制参数;
根据所述第一排放浓度序列与所述指定的排放浓度序列间的偏差及偏差的变化量,确定第二控制参数;
根据所述第一控制参数及所述第二控制参数,确定当前的给料指令;
基于所述当前的给料指令,对当前的物料给料量进行控制。
14.如权利要求9-12任一所述的装置,其中,所述第一获取模块,还用于:
确定在连续时段内所述预测模型的预测偏差,及所述气体处理装置的工况参数;
根据所述预测偏差和/或所述工况参数,确定待处理数据的时间步长;
根据所述时间步长,确定所述第一时段及所述第二时段的长度。
15.如权利要求9-12任一所述的装置,其中,所述预测模型中包括基于时间序列预测NBEATS和多头注意力机制构建的编码器及基于傅立叶神经算子FNO构建的解码器。
16.一种气体排放浓度的预测模型的训练装置,包括:
第三获取模块,用于获取气体处理装置的工作数据集,其中,所述工作数据集中包括每个时刻对应的工况参数、给料指令参数及气体排放浓度;
第四获取模块,用于将所述工作数据集进行数据分割,以获取多个训练数据组,其中,每个所述训练数据组中包括M个时对应的工况参数序列、排放浓度序列及给料指令序列,及N个时刻对应的排放浓度序列及给料指令序列,其中,所述M个时刻位于所述N个时刻之前,M和N为自然数;
第五获取模块,用于将所述M个时刻对应的工况参数序列、排放浓度序列及给料指令序列及所述N个时刻对应的给料指令序列,输入初始预测模型,以获取所述初始预测模型输出的N个时刻对应的排放浓度预测序列;
确定模块,用于依据预设的损失函数,根据所述N个时刻对应的排放浓度预测序列与所述排放浓度序列,确定第二损失值;
修正模块,用于根据所述第二损失值,以第二学习率对所述初始预测模型进行修正,直至获取的预测模型的损失值在连续步数内的波动范围小于波动阈值。
17.一种电子设备,包括:
至少一个处理器;以及
与所述至少一个处理器通信连接的存储器;其中,
所述存储器存储有可被所述至少一个处理器执行的指令,所述指令被所述至少一个处理器执行,以使所述至少一个处理器能够执行权利要求1-7中任一项所述的确定气体排放浓度的方法,或权利要求8中所述的气体排放浓度的预测模型的训练方法。
18.一种存储有计算机指令的非瞬时计算机可读存储介质,其特征在于,其中,所述计算机指令用于使所述计算机执行权利要求1-7中任一项所述的确定气体排放浓度的方法,或权利要求8中所述的气体排放浓度的预测模型的训练方法。
19.一种计算机程序产品,其特征在于,包括计算机程序,所述计算机程序在被处理器执行时实现权利要求1-7中任一项所述的确定气体排放浓度的方法,或权利要求8中所述的气体排放浓度的预测模型的训练方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311723543.1A CN117711523A (zh) | 2023-12-14 | 2023-12-14 | 确定气体排放浓度的方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311723543.1A CN117711523A (zh) | 2023-12-14 | 2023-12-14 | 确定气体排放浓度的方法及装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117711523A true CN117711523A (zh) | 2024-03-15 |
Family
ID=90152819
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311723543.1A Pending CN117711523A (zh) | 2023-12-14 | 2023-12-14 | 确定气体排放浓度的方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117711523A (zh) |
-
2023
- 2023-12-14 CN CN202311723543.1A patent/CN117711523A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11782401B2 (en) | Apparatus and methods to build deep learning controller using non-invasive closed loop exploration | |
CN112579758A (zh) | 模型训练方法、装置、设备、存储介质和程序产品 | |
CN113464415B (zh) | 控制空压站的空压机的方法、设备和计算机存储介质 | |
EP3938854A1 (en) | Method of performing a process and optimizing control signals used in the process | |
CN113111589A (zh) | 预测模型的训练方法、预测供热温度的方法、装置和设备 | |
CN113325721A (zh) | 一种工业系统无模型自适应控制方法及系统 | |
CN116306798A (zh) | 一种超短时风速预测方法及系统 | |
CN117711523A (zh) | 确定气体排放浓度的方法及装置 | |
CN115878963B (zh) | 电容式电压互感器计量误差预测方法、系统、终端及介质 | |
CN114282658B (zh) | 一种针对流量序列分析及预测的方法、设备和介质 | |
Shabri et al. | Empirical mode decomposition–least squares support vector machine based for water demand forecasting | |
CN114962318B (zh) | 压缩机喘振的控制方法、装置、存储介质及计算机设备 | |
CN108182337B (zh) | 一种基于ScMiUKFNN算法的天然气净化工艺建模方法 | |
Xiao et al. | Reliability analysis of aging control system via stability margins | |
Chen et al. | Improved Nonlinear Model Predictive Control | |
CN113887026A (zh) | 一种基于集成学习的输油管道水力预测方法 | |
WO2021069984A1 (en) | Tool control using multistage lstm for predicting on-wafer measurements | |
Graziani et al. | Improving Soft Sensors performance in the presence of small datasets by data selection | |
CN112598259A (zh) | 产能测算方法、装置及计算机可读存储介质 | |
CN117113886B (zh) | 一种压力预测方法及装置 | |
Zhang et al. | Performance evaluation of analog circuit using improved LSSVR subject to data information uncertainty | |
Cai et al. | Research on digital instrument recognition technology of inspection robot | |
CN114382687B (zh) | 用于控制空压站中的空压机的方法、设备和介质 | |
CN116595883B (zh) | 数值反应堆实时在线系统状态修正方法 | |
CN116861256A (zh) | 一种固废焚烧过程的炉温预测方法、系统、设备及介质 |
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 |