CN117930776A - 一种基于模型预测的白酒生产精准供汽预调控方法及系统 - Google Patents
一种基于模型预测的白酒生产精准供汽预调控方法及系统 Download PDFInfo
- Publication number
- CN117930776A CN117930776A CN202410099381.7A CN202410099381A CN117930776A CN 117930776 A CN117930776 A CN 117930776A CN 202410099381 A CN202410099381 A CN 202410099381A CN 117930776 A CN117930776 A CN 117930776A
- Authority
- CN
- China
- Prior art keywords
- boiler
- steam
- load
- model
- prediction
- 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
- 238000004519 manufacturing process Methods 0.000 title claims abstract description 50
- 238000000034 method Methods 0.000 title claims abstract description 41
- 230000001105 regulatory effect Effects 0.000 claims abstract description 35
- 238000012549 training Methods 0.000 claims abstract description 26
- 230000008569 process Effects 0.000 claims abstract description 11
- 238000012384 transportation and delivery Methods 0.000 claims abstract description 6
- 230000007246 mechanism Effects 0.000 claims description 25
- 230000006870 function Effects 0.000 claims description 24
- 230000008859 change Effects 0.000 claims description 22
- 238000013528 artificial neural network Methods 0.000 claims description 16
- 238000004364 calculation method Methods 0.000 claims description 15
- 230000001276 controlling effect Effects 0.000 claims description 13
- 238000013527 convolutional neural network Methods 0.000 claims description 11
- 239000000446 fuel Substances 0.000 claims description 8
- 230000015654 memory Effects 0.000 claims description 7
- 238000005457 optimization Methods 0.000 claims description 6
- 238000004422 calculation algorithm Methods 0.000 claims description 5
- 238000011156 evaluation Methods 0.000 claims description 5
- 238000000605 extraction Methods 0.000 claims description 5
- 238000004540 process dynamic Methods 0.000 claims description 5
- 230000005611 electricity Effects 0.000 claims description 4
- 230000007774 longterm Effects 0.000 claims description 4
- 230000009467 reduction Effects 0.000 claims description 4
- 230000009466 transformation Effects 0.000 claims description 4
- 238000013461 design Methods 0.000 claims description 3
- 238000012423 maintenance Methods 0.000 abstract description 3
- 239000013598 vector Substances 0.000 description 12
- 238000010438 heat treatment Methods 0.000 description 6
- 230000008901 benefit Effects 0.000 description 5
- 238000012360 testing method Methods 0.000 description 4
- 238000002485 combustion reaction Methods 0.000 description 3
- 238000012545 processing Methods 0.000 description 3
- 238000003860 storage Methods 0.000 description 3
- 238000010200 validation analysis Methods 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 210000001503 joint Anatomy 0.000 description 2
- 238000007726 management method Methods 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 238000012806 monitoring device Methods 0.000 description 2
- 230000006403 short-term memory Effects 0.000 description 2
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 description 1
- 230000004913 activation Effects 0.000 description 1
- 230000003044 adaptive effect Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008033 biological extinction Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000006073 displacement reaction Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005265 energy consumption Methods 0.000 description 1
- 238000004880 explosion Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000007787 long-term memory Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 239000011159 matrix material Substances 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
- 230000010355 oscillation Effects 0.000 description 1
- 238000000053 physical method Methods 0.000 description 1
- 230000000306 recurrent effect Effects 0.000 description 1
- 238000013468 resource allocation Methods 0.000 description 1
- 230000033764 rhythmic process Effects 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 238000010025 steaming Methods 0.000 description 1
- 230000002123 temporal effect Effects 0.000 description 1
Landscapes
- Control Of Steam Boilers And Waste-Gas Boilers (AREA)
Abstract
本发明公开了一种基于模型预测的白酒生产精准供汽预调控方法,包括步骤:(1)确定白酒各生产阶段的蒸汽压力和蒸汽量需求以及酒厂锅炉系统供汽、蒸汽热网蒸汽输送的影响因素;(2)建立“锅炉‑热网‑车间”的三级数字孪生预调控模型,进行模型训练;(3)优化调控模型结合动态负荷调节因子,生成最优蒸汽负荷;(4)基于最优蒸汽负荷生成锅炉的自动控制指令,设置负荷调节阈值,选择性执行自动控制指令提前调整锅炉的蒸汽负荷;(5)周期性交叠重复步骤(3)‑(4),对酒厂锅炉负荷全过程预调控调度;基于上述可有效地解决酒厂锅炉负荷的延时性、精确性和稳定性问题,提高酒厂的生产效率和能源利用率,降低酒厂蒸汽供应系统的运行成本和维护难度,保障白酒生产用能需求。
Description
技术领域
本发明属于工业智慧供热技术领域,具体涉及一种基于模型预测的白酒生产精准供汽预调控系统。
背景技术
酒厂是一种典型的依赖蒸汽进行生产的工业,其生产过程中(尤其是甑桶的蒸粮与酿酒环节)需要大量的蒸汽,且不同阶段用汽要求有显著不同。锅炉是酒厂的主要能源设备,其运行效果直接影响酒厂的生产效率和能源消耗。在白酒生产中,由于蒸汽消耗的间歇性特性,蒸汽系统内蒸汽压力呈现剧烈的波动与震荡,不仅严重影响锅炉系统的控制稳定性,同时严重影响系统内各设备与计量表计的寿命。因此,如何合理地调控锅炉的蒸汽负荷,以适应酒厂各蒸汽需求车间的变化,是酒厂能源管理的重要问题。
白酒生产的能源供应中80%为蒸汽,蒸汽系统复杂,年用量大。蒸汽使用与生产安排、生产节奏紧密相关,使用间歇性强,蒸汽流量上下波动大,供需平衡调节不及时,对于蒸汽管网管损产生的具体位置、原因、潜在改进方式缺乏科学分析。
然而,目前酒厂中锅炉负荷的调控主要依靠人工经验或简单的规则,缺乏科学的预测和优化方法,存在以下几个痛点问题:
蒸汽负荷的调控存在一定的延时性,即当各蒸汽需求车间的压力、流量发生变化时,锅炉不能及时响应,导致锅炉的蒸汽供应过多或过少,影响酒厂的生产质量和安全。
锅炉负荷的调控缺乏精确性,即锅炉的蒸汽负荷不能与各蒸汽需求车间的需求相匹配,导致锅炉的能源利用率低,增加酒厂的运行成本。
锅炉负荷的调控缺乏稳定性,即锅炉的蒸汽负荷经常发生波动,导致锅炉的运行状态不稳定,增加锅炉的损耗和维护难度。
基于上述技术问题,亟需技术手段解决,以达到削峰填谷、蒸汽供需平衡的目标,保障白酒生产。
发明内容
本发明所要解决的技术问题是,克服现有技术的不足,提供一种基于模型预测的白酒生产精准供汽预调控方法,能够利用酒厂各蒸汽需求车间的压力、流量等历史数据,以及影响蒸汽需求的因素,如温度、湿度、生产计划等,对未来一段时间内各车间的压力、流量变化进行准确的预测,从而为锅炉负荷的调控提供依据,从而解决酒厂锅炉负荷延时性问题的方法和系统。
为了解决上述技术问题,本发明的技术方案是:
一种基于模型预测的白酒生产精准供汽预调控方法,其特征在于,它包括:
(1)确定白酒各生产阶段的蒸汽压力和蒸汽量需求以及酒厂锅炉系统供汽、蒸汽和热网蒸汽输送的影响因素并收集相关历史数据;
(2)基于注意力机制与神经网络相结合建立“锅炉-热网-车间”的三级数字孪生预调控模型,利用历史数据进行模型训练,并建立与白酒生产蒸汽负荷预测模型的计算关系,,输出预计时间段内各蒸汽需求车间的压力、流量变化特性曲线;
(3)设置动态负荷调节因子,结合预调控模型的输出,计算锅炉的最优蒸汽负荷;(根据车间生产的变化特性、锅炉实际运行的特性曲线、现场系统操作习惯,动态调整负荷调节因子的大小,)生成最优蒸汽负荷;
(4)根据最优蒸汽负荷生成锅炉的自动控制指令,结合负荷调节阈值,选择性执行自动控制指令提前调整锅炉的蒸汽负荷,以适配各蒸汽需求车间预计时间段内的蒸汽需求;
(5)周期性交叠重复步骤(1)-(4),实现对酒厂锅炉负荷全过程预调控调度。
通过应用本发明,可以有效地解决酒厂锅炉负荷的延时性、精确性和稳定性问题,提高酒厂的生产效率和能源利用率,降低酒厂的运行成本和维护难度,为酒厂的能源管理提供一种新的解决方案。
进一步地,所述酒厂锅炉系统供汽、蒸汽热网蒸汽输送的影响因素包括且不限于各蒸汽需求车间的压力、流量数据,和温度、湿度、生产计划;并且相关联的约束条件包括且不限于电价、燃料成本和锅炉安全运行范围,其中增加锅炉安全运行范围使模型能够考虑锅炉的最大和最小负荷限制,避免预测出超出范围的负荷值。
在这里,“锅炉-热网-车间”的三级数字孪生预调控模型,是一种利用历史数据来建立系统输入和输出之间关系的模型,不需要对系统的内部结构和工作原理有深入的了解,只需要有足够的数据来训练和验证模型的准确性和泛化能力。
也就是说建立酒厂负荷调控的“软测量”模型,作为酒厂蒸汽系统运行状态的虚拟测量,是对实际物理测量的补充。通过将感知测量层获得的系统运行状态数据实时接入到数字孪生的预调控模型钟,跟随系统的运行,可以按照设定的周期反复进行供热系统的仿真计算,获得酒厂锅炉负荷运行状态(温度、压力、流量、流向)的理论值。
预调控模型利用注意力机制与神经网络相结合的机器学习方法,以锅炉出口蒸汽流量、压力等负荷的历史数据和多维负荷影响因素为输入,对锅炉负荷进行阶段性预测。利用Pearson相关系数判定对原始数据进行筛选。将处理后的数据经卷积层进行特征提取和进一步降维,通过长短期记忆层进行拟合,并采取注意力机制对权值进行优化,实现对负荷的精准预测。
进一步地,所述基于注意力机制与神经网络相结合建立“锅炉-热网-车间”的三级数字孪生预调控模型包括以下部分:
卷积神经网络(CNN)层,用于对输入序列进行特征提取和降维;
长短期记忆网络(LSTM)层,用于对输入序列进行时序建模,捕捉数据的动态变化和长期依赖关系;
注意力机制(AM)层,用于对输入序列中的不同时间步分配不同的权重;
全连接网络(FC)层,用于对注意力机制层的输出进行非线性变换,得到最终的预测结果。
进一步地,步骤(2)中利用收集的历史数据进行模型训练过程中,采用SGD优化算法对模型的输入参数进行更新;SGD是一种迭代的方法,每次只使用一个或一小批样本来更新模型的参数,从而使损失函数达到最小值。并以RMSE均方根误差作为模型的损失函数设定评估指标,对模型的预测性能进行评估,选择最优的模型输入参数,RMSE它是一种衡量预测值和真实值之间的差异的指标,其值越小,表示预测性能越好。
进一步地,所述步骤(3)的具体实施步骤如下:
3.1定义锅炉的运行成本函数:C(L)=aL2+bL+cL′+d,其中L表示锅炉的蒸汽负荷;C(L)表示锅炉的运行成本;a,b,c,d是根据实际情况确定的常数;
3.2由步骤(2)中输出各蒸汽需求车间的压力变化Pt、流量变化Qt,
其中,t表示时间步即预计时间段,Pt表示第t个时间步的总压力,Qt表示第t个时间步的总流量,n表示车间的数量,wi表示第i个车间的权重,Pi,t和Qi,t表示第i个车间在第t个时间步的压力和流量;
3.3根据锅炉的物理特性,建立锅炉的蒸汽负荷与各车间的压力、流量的关系式:
Lt=f(Pt,Qt)=k1Pt+k2Qt+k3
其中,k1,k2,k3是根据实际情况确定的常数;
3.4根据锅炉的运行成本函数和蒸汽负荷与压力、流量的关系式,计算出锅炉的最优蒸汽负荷:
采用微分法求解:
3.5设置负荷调节因子,根据锅炉的实际运行情况和预调控模型的输出,动态调整负荷调节因子的大小,并基于负荷调节因子调整最优蒸汽负荷。
特别地,所述动态调整因子具体实施如下:
初始化负荷调节因子λ的值,表示不对预测值进行调节;
设定负荷调节因子的调整量δ,根据δ对负荷调节因子进行调整:λ=λ+δ;所述调整量δ由锅炉的运行状态和预测值与实际值的偏差来确定;
基于λ值计算经过调节的最优蒸汽负荷Ladj,Ladj=λLopt;
最后判断经过Ladj是否在锅炉的安全运行范围内;若是则输出该值作为最终的最优蒸汽负荷,若不是则将其限制在安全运行范围内,即:
Lfinal=max(min(Ladj,Lmax),Lmin)
其中Lfinal表示最终的最优蒸汽负荷,Lmax和Lmin表示锅炉的最大和最小负荷限制。
进一步地,所述在步骤(4)所述负荷调节阈值是自动控制指令生成过程中,根据锅炉的实际运行情况设置负荷调节阈值,比对负荷调节阈值和自动控制指令调节幅度,选择性执行自动控制指令,具体实施如下:
根据锅炉的设计参数和运行经验来确定其负荷调节阈值∈,表示锅炉的蒸汽负荷在该阈值内波动,不影响锅炉的安全和效率;
计算锅炉的蒸汽负荷的调节幅度其中,Lcurrent为锅炉当前蒸汽负荷;
比对负荷调节阈值∈和自动控制指令调节幅度ΔL:ΔL≤∈,则执行自动控制指令,提前调整锅炉的蒸汽负荷;ΔL>∈,则不执行自动控制指令,保持锅炉的稳定运行。
进一步地,所述步骤(5)具体实施如下:
根据酒厂实际生产特点和训练数据量设定预调控模型预测周期和预计时间段范围;其中,一个合适的预测周期,如每小时或每半小时,以及一个合适的预测范围,如未来一小时或未来两小时,根据酒厂的生产特点和数据量来确定;
在每个预测周期初始,更新至最新训练数据和约束条件,对预调控模型进行训练或微调,使模型能够适应数据的变化,提高预测的准确性;
基于微调后的预调控模型,对预计时间段范围内各车间的压力、流量变化进行预测,并根据预测结果,计算出锅炉的最优蒸汽负荷,基于负荷调节因子得出最终的最优蒸汽负荷,生成自动调控指令,基于负荷调节阈值调整锅炉的蒸汽负荷;
待进入下一个预测周期,重复以上步骤,使用最新的数据,对模型进行训练或微调,并根据预测结果,计算出锅炉的最优蒸汽负荷,基于负荷调节因子得出最终的最优蒸汽负荷,生成自动调控指令,提前调整锅炉的蒸汽负荷,从而实现锅炉蒸汽负荷的全过程动态预调控调度。
进一步地,一种基于模型预测的白酒生产精准供汽预调控系统,包括以下部件:
数据采集模块,用于收集酒厂各蒸汽需求车间的压力、流量历史数据,以及影响蒸汽需求的因素,包括且不限于温度、湿度、生产计划和锅炉安全运行范围;
模型训练模块,通过注意力机制与神经网络建立“锅炉-热网-车间”的三级数字孪生预调控模型,基于数据采集模块提供的采集数据对模型进行训练,输出预计时间内各车间的压力、流量变化预测曲线;
负荷计算模块,用于根据预测模型的输出,计算出锅炉的最优蒸汽负荷;并基于负荷调节因子得出最终的最优蒸汽负荷;
控制指令模块,用于将计算出的最优蒸汽负荷作为锅炉的自动控制指令,并基于负荷调节阈值选择性执行自动控制指令,调控锅炉的蒸汽负荷。
特别地,还包括更新模块,用于设定预调控模型预测周期和预计时间段范围,更新训练数据和约束条件,周期性进行模型预测和最优蒸汽负荷计算,实现锅炉蒸汽负荷的全过程动态预调控调度。
在本系统中除去常规的温度、压力及流量计量采集,结合实际分析需求,可以在酒厂蒸汽供热运行体系适当关键位置增设管道位移监测装置,从而更好地掌握蒸汽供热运行,支撑本系统的技术应用。
本系统支持与多种物联感知设备及多种传输协议的数据接口对接,与第三方SCADA、DCS系统数据接口对接。系统支持连接不同的数据库类型,可配置数据库连接地址、用户名、密码,用于连接不同系统的热网运行数据。
本发明的有益效果是:
(1)本发明本专利采用了一种基于注意力机制与神经网络的热电联产“锅炉-热网-车间”的三级数字孪生预调控模型,其中注意力机制可以对输入序列中的不同时间步分配不同的权重,突出对输出结果有重要影响的部分,提高模型的预测精度和解释性。
神经网络可以对输入序列进行非线性变换和深层特征提取,提高模型的表达能力和泛化能力。
注意力机制与神经网络的结合可以有效地处理时序数据的动态变化和长期依赖关系,适应酒厂各蒸汽需求车间的压力、流量等数据的特点。
(2)本专利采用了一种基于运行成本最低化的锅炉负荷计算方法,能够根据预测模型的输出,计算出锅炉的最优蒸汽负荷,以满足各车间的需求,同时考虑电价、燃料成本等因素,使锅炉的运行成本最低,从而为锅炉负荷的调控提供目标。
(3)本专利采用了一种基于负荷调节因子和负荷调节阈值的锅炉负荷调控方法,能够根据锅炉的实际运行情况和计算出的最优蒸汽负荷,动态调整负荷调节因子的大小,使计算出的最优蒸汽负荷能够在锅炉的安全运行范围内,同时满足各车间的需求和运行成本的最低化;并根据锅炉的实际运行情况和计算出的最优蒸汽负荷,判断是否需要对锅炉的蒸汽负荷进行调节,如果调节幅度小于负荷调节阈值,则不进行调节,保持锅炉的稳定运行,如果调节幅度大于负荷调节阈值,则进行调节,提前调整锅炉的蒸汽负荷,从而解决酒厂锅炉负荷延时性问题。
(4)本专利采用了一种基于自动化系统的锅炉负荷控制指令方法,能够将计算出的最优蒸汽负荷作为锅炉的控制指令,通过自动化系统或人工干预,提前调整锅炉的蒸汽负荷,从而实现锅炉负荷的预调控。
其他特征和优点将在随后的说明书中阐述,并且,部分地从说明书中变得显而易见,或者通过实施本发明而了解。本发明的目的和其他优点在说明书以及附图中所特别指出的结构来实现和获得。
为使本发明的上述目的、特征和优点能更明显易懂,下文特举较佳实施例,并配合所附附图,作详细说明如下。
附图说明
为了更清楚地说明本发明具体实施方式或现有技术中的技术方案,下面将对具体实施方式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,下面描述中的附图是本发明的一些实施方式,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他的附图。
图1为本发明一种考虑供需协同的供热系统日前优化调度方法流程图;
图2为本发明一种考虑供需协同的供热系统日前优化调度原理示意图;
图3为本发明一种考虑供需协同的供热系统日前优化调度系统结构示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,下面将结合附图对本发明的技术方案进行清楚、完整地描述,显然,所描述的实施例是本发明一部分实施例,而不是全部的实施例。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他实施例,都属于本发明保护的范围。
实施例1
如图1所示,本实施例1提供了一种基于模型预测的白酒生产精准供汽预调控方法,包括步骤:
步骤S1、确定白酒各生产阶段的蒸汽压力和蒸汽量需求以及酒厂锅炉系统供汽、蒸汽和热网蒸汽输送的影响因素并收集相关历史数据;
步骤S2、基于注意力机制与神经网络相结合建立“锅炉-热网-车间”的三级数字孪生预调控模型,利用历史数据进行模型训练,并建立与白酒生产蒸汽负荷预测模型的计算关系,输出预计时间段内各蒸汽需求车间的压力、流量变化特性曲线;
步骤S3、设置动态负荷调节因子,结合预调控模型的输出,计算锅炉的最优蒸汽负荷;生成最优蒸汽负荷;
步骤S4、根据最优蒸汽负荷生成锅炉的自动控制指令,结合负荷调节阈值,选择性执行自动控制指令提前调整锅炉的蒸汽负荷,以适配各蒸汽需求车间预计时间段内的蒸汽需求;
步骤S5、周期性交叠重复步骤(1)-(4),实现对酒厂锅炉负荷全过程预调控调度。
在本实施例中,酒厂锅炉蒸汽需求影响因素包括各蒸汽需求车间的压力、流量数据,和温度、湿度、生产计划;负荷预调控模型的约束条件包括且不限于电价、燃料成本和锅炉安全运行范围。
如图2所示,基于注意力机制与神经网络相结合建立“锅炉-热网-车间”的三级数字孪生预调控模型,技术架构包括如下:
卷积神经网络(CNN)层,用于对输入序列进行特征提取和降维;
长短期记忆网络(LSTM)层,用于对输入序列进行时序建模,捕捉数据的动态变化和长期依赖关系;
注意力机制(AM)层,用于对输入序列中的不同时间步分配不同的权重;
全连接网络(FC)层,用于对注意力机制层的输出进行非线性变换,得到最终的预测结果。
其中,CNN是一种局部连接、权值共享特性的深层前馈神经网络,在处理图像数据方面具有独特优势。LSTM是循环神经网络的一种变体,一方面能够有效挖掘时序数据的时间特性,另一方面能够解决梯度爆炸或消失问题。FC全连接将LSTM层提取的特征输入到AM层处理。AM机制是一种计算资源分配手段,通过提取序列中不同元素对标签的关联程度,有效分配模型计算时的权重,只选择一些关键的信息输入进行处理,以提高神经网络的效率。
建立预调控模型具体如下:
假设输入序列为X={x1,x2,…xT},其中,ct∈Rm表示第t个时间步的m维卷积特征向量,xt∈Rn表示第t个时间步的n维特征向量,输出序列为Y={y1,y2,…yT},其中yt∈R表示第t个时间步的预测值。
卷积神经网络层的输出为C={c1,c2,...,cT},其中ct∈Rm表示第t个时间步的m维卷积特征向量,m<n。
卷积神经网络(CNN)层计算公式为:
ct=f(Wc*xt+bc)
Wc∈Rm×n和bc∈Rm是卷积层的权重矩阵和偏置向量,f是一个激活函数,如双曲正切函数(tanh)或修正线性单元(ReLU)等,*表示卷积运算;
长短期记忆网络(LSTM)层的输出为:H={h1,h2,…hT},其中,ht∈Rd表示第t个时间步的d维隐藏状态向量。长短期记忆网络(LSTM)层的计算公式如下:
it=σ(Wt·[ht-1,ct]+bi)
ft=σ(Wf·[ht-1,ct]+bf)
ot=σ(Wt·[ht-1,ct]+bo)
τt=tanh(Wc·[ht-1,ct]+bc)
Ct=ft⊙Ct-1+it⊙τt
ht=ot⊙tanh(Ct)
其中,it,ft,ot,τt,Ct,ht∈Rd分别表示第t个时间步的输入门、遗忘门、输出门、候选记忆单元、记忆单元和隐藏状态向量,σ是Sigmoid函数,Wt,Wf,Wt,Wc∈Rd×(d+m)和bi,bf,bo,bc∈Rd是LSTM层的权重矩阵和偏置向量,[ht-1,ct]表示ht-1和ct的拼接,⊙表示逐元素相乘。
A={a1,a2,…aT},其中at∈Rd表示第t个时间步的加权隐藏状态向量,注意力机制(AM)层计算公式为:
et=vTtanh(We·ht+be)
at=∝tht
其中,et∈R表示第t个时间步的注意力得分,vc∈Rd,Rd和be是注意力机制层的权重向量和偏置向量。
全连接网络层的输出为:其中/>表示第t个时间步的预测值。全连接网络层的计算公式为:
其中,Wf∈R1×d和bf∈R事全连接层的权重向量偏置向量。模型的损函数为:
其中,yt是真实值,是预测值。
在步骤S2中,利用收集的历史数据进行模型训练过程中,采用SGD优化算法对模型的输入参数进行更新;并以RMSE均方根误差作为模型的损失函数设定评估指标,对模型的预测性能进行评估,选择最优的模型输入参数。
其中,SGD优化算法是一种迭代的方法,每次只使用一个或一小批样本来更新模型的参数,从而使损失函数达到最小值。具体来说:
首先,初始化模型的参数,如Wc,bc,Wi,bi,…,Wf,bf等,可以使用随机数或零来赋值;
其次,设定一个合适的学习率η,它是一个正数,用于控制参数更新的幅度,一般取值在0.01到0.1之间。
然后,对训练集中的数据进行随机打乱,以避免数据的顺序对模型的影响。
接着,从打乱后的训练集中按顺序取出一个或一小批样本,如X={x1,x2,…xT}和Y={y1,y2,…yT},并将它们输入到模型中,得到预测值
然后,计算预测值和真实值之间的损失函数L,并根据链式法则,计算损失函数对每个参数的偏导数,如等;
根据梯度下降的原理,用损失函数的偏导数乘以学习率,得到每个参数的更新量:
用每个参数减去其对应的更新量,得到新的参数值,
Wc=Wc+ΔWc,bc=bc+Δbc,Wi=Wi+ΔWi,bi=bi+Δbi,...,Wf=Wf+ΔWf,bf
=bf+Δbf
最后,重复以上步骤,直到模型的损失函数收敛到一个较小的值,或者达到预设的迭代次数或时间。
均方根误差(RMSE),它是一种衡量预测值和真实值之间的差异的指标,其值越小,表示预测性能越好。具体来说按照以下步骤进行:
首先,将数据集划分为训练集、验证集和测试集,分别用于模型的训练、调参和评估。
其次,使用训练集和验证集来训练和调整模型的参数和超参数,如学习率、隐藏层大小、注意力机制类型等,使模型在验证集上的RMSE达到最小值。
然后,使用测试集来评估模型的预测性能,即计算模型在测试集上的RMSE,作为模型的最终评估指标。
最后,比较不同模型或方法在测试集上的RMSE,选择最优的模型。
步骤S3中设置动态负荷调节因子,结合预调控模型的输出,计算锅炉的最优蒸汽负荷的具体实施步骤如下:
3.1定义锅炉的运行成本函数:C(L)=aL2+bL+cL′+d,其中L表示锅炉的蒸汽负荷;C(L)表示锅炉的运行成本;L′是蒸汽网损;a,b,c,d是根据实际情况确定的常数;
3.2由步骤(2)中输出各蒸汽需求车间的压力变化Pt、流量变化Qt,
其中,t表示时间步即预计时间段,Pt表示第t个时间步的总压力,Qt表示第t个时间步的总流量,n表示车间的数量,wi表示第i个车间的权重,Pi,t和Qi,t表示第i个车间在第t个时间步的压力和流量;
3.3根据锅炉的物理特性,建立锅炉的蒸汽负荷与各车间的压力、流量的关系式:
Lt=f(Pt,Qt)=k1Pt+k2Qt+k3
其中,k1,k2,k3是根据实际情况确定的常数;
3.4根据锅炉的运行成本函数和蒸汽负荷与压力、流量的关系式,计算出锅炉的最优蒸汽负荷:
采用微分法求解:
3.5初始化负荷调节因子λ的值,表示不对预测值进行调节;
设定负荷调节因子的调整量δ,根据δ对负荷调节因子进行调整:λ=λ+δ;所述调整量δ由锅炉的运行状态和预测值与实际值的偏差来确定;
基于λ值计算经过调节的最优蒸汽负荷Ladj,Ladj=λLopt;
最后判断经过Ladj是否在锅炉的安全运行范围内;若是则输出该值作为最终的最优蒸汽负荷,若不是则将其限制在安全运行范围内,即:
Lfinal=max(min(Ladj,Lmax),Lmin)
其中Lfinal表示最终的最优蒸汽负荷,Lmax和Lmin表示锅炉的最大和最小负荷限制。
在步骤S4自动控制指令生成过程中,根据锅炉的实际运行情况设置负荷调节阈值,比对负荷调节阈值和自动控制指令调节幅度,选择性执行自动控制指令,具体如下:
根据锅炉的设计参数和运行经验来确定其负荷调节阈值∈,一般取值在5%到10%之间,表示锅炉的蒸汽负荷可以在该范围内波动,而不影响锅炉的安全和效率;
计算锅炉的蒸汽负荷的调节幅度其中,Lcurrent为锅炉当前蒸汽负荷;
比对负荷调节阈值∈和自动控制指令调节幅度ΔL:ΔL≤∈,则执行自动控制指令,提前调整锅炉的蒸汽负荷;ΔL>∈,则不执行自动控制指令,保持锅炉的稳定运行。最后,根据酒厂实际生产特点和训练数据量设定预调控模型预测周期和预计时间段范围;
在每个预测周期初始,更新至最新训练数据和约束条件,对预调控模型进行训练微调,使模型能够适应数据的变化;
基于微调后的预调控模型,对预计时间段范围内各车间的压力、流量变化进行预测,并根据预测结果,计算出锅炉的最优蒸汽负荷,基于负荷调节因子得出最终的最优蒸汽负荷,生成自动调控指令,基于负荷调节阈值调整锅炉的蒸汽负荷;
待进入下一个预测周期,重复以上步骤,实现锅炉蒸汽负荷的全过程动态预调控调度。
实施例2
本实施例中,酒厂的锅炉为一台燃气锅炉,如图3所示,其最大和最小负荷限制分别为Lmax=10吨/小时和Lmin=2吨/小时,其运行成本函数为:
C(L)=0.1L2+0.5L+L′+5
L′=CmΔT
其中L表示锅炉的蒸汽负荷,单位为吨/小时,C(L)表示锅炉的运行成本,单位为元/小时,ΔT为锅炉初始温度和输入车间温度的差值。
本实施例中,酒厂有三个蒸汽需求车间,分别为A、B和C,其压力、流量等历史数据通过监测设备采集,以及影响蒸汽需求的因素,如温度、湿度、生产计划等,已经收集并存储在一个表格中,如下所示:
基于注意力机制与神经网络的热电联产“锅炉-热网-车间”的三级数字孪生预调控模型的具体参数如下:
卷积神经网络层的参数为:n=6,m=4,Wc和bc为随机初始化的矩阵和向量,f为双曲正切函数(tanh)。
长短期记忆网络层的参数为:d=8,Wi,Wf,Wo,Wc,bi,bf,bo和bc为随机初始化的矩阵和向量,σ为Sigmoid函数。
注意力机制层的参数为:v,We和be为随机初始化的向量和标量。
全连接网络层的参数为:Wf和bf为随机初始化的向量和标量。
模型的损失函数为均方误差(MSE),优化算法为自适应矩估计(Adam),学习率为0.01,迭代次数为1000,评估指标为均方根误差(RMSE)。
本实施例中,负荷调节因子的初始值为λ=1,负荷调节阈值的值为∈=0.05,负荷调节因子的调整量的取值范围为δ∈[-0.1,0.1],具体的调整规则为:
如果锅炉的当前负荷大于计算出的最优蒸汽负荷,且锅炉的压力或温度超过安全范围,则将δ取为负值,使负荷调节因子减小,从而降低锅炉的蒸汽负荷。
如果锅炉的当前负荷小于计算出的最优蒸汽负荷,且各蒸汽需求车间的压力或流量低于需求范围,则将δ取为正值,使负荷调节因子增大,从而提高锅炉的蒸汽负荷。
如果锅炉的当前负荷与计算出的最优蒸汽负荷相近,且锅炉和各车间的压力、流量、温度等均在正常范围内,则将δ取为零,使负荷调节因子保持不变,从而保持锅炉的蒸汽负荷稳定。
本实施例中,锅炉负荷的控制指令通过自动化系统进行,具体的控制方式为:
如果锅炉的蒸汽负荷需要增加,则通过自动化系统增加锅炉的燃料供给和风量,从而提高锅炉的燃烧效率和蒸汽产量。
如果锅炉的蒸汽负荷需要减少,则通过自动化系统减少锅炉的燃料供给和风量,从而降低锅炉的燃烧效率和蒸汽产量。
如果锅炉的蒸汽负荷不需要调节,则通过自动化系统保持锅炉的燃料供给和风量不变,从而保持锅炉的燃烧效率和蒸汽产量稳定。
本实施例中,假设在2023-04-01 10:00时,锅炉的当前负荷为Lcurrent=8吨/小时,预测模型的输出为Lopt=9吨/小时,锅炉和各车间的压力、流量、温度等均在正常范围内,则根据本发明的方法和系统,可以得到以下结果:
负荷调节因子的值为λ=1,不需要调整。
经过调节的最优蒸汽负荷为Ladj=λLopt=9吨/小时,在锅炉的安全运行范围内。
最终的最优蒸汽负荷为Lfinal=Ladj=9吨/小时。
锅炉的蒸汽负荷的调节幅度为大于负荷调节阈值∈=0.05,需要进行调节。
锅炉负荷的控制指令为:通过自动化系统增加锅炉的燃料供给和风量,从而提高锅炉的蒸汽负荷至9吨/小时。
在本申请所提供的几个实施例中,应该理解到,所揭露的系统和方法,也可以通过其它的方式实现。以上所描述的系统实施例仅仅是示意性的,另外,在本发明各个实施例中的各功能模块可以集成在一起形成一个独立的部分,也可以是各个模块单独存在,也可以两个或两个以上模块集成形成一个独立的部分。
功能如果以软件功能模块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。
以上述依据本发明的理想实施例为启示,通过上述的说明内容,相关工作人员完全可以在不偏离本项发明技术思想的范围内,进行多样的变更以及修改。本项发明的技术性范围并不局限于说明书上的内容,必须要根据权利要求范围来确定其技术性范围。
Claims (10)
1.一种基于模型预测的白酒生产精准供汽预调控方法,其特征在于,它包括:
(1)确定白酒各生产阶段的蒸汽压力和蒸汽量需求以及酒厂锅炉系统供汽、蒸汽和热网蒸汽输送的影响因素并收集相关历史数据;
(2)基于注意力机制与神经网络相结合建立“锅炉-热网-车间”的三级数字孪生预调控模型,利用历史数据进行模型训练,并建立与白酒生产蒸汽负荷预测模型的计算关系,输出预计时间段内各蒸汽需求车间的压力、流量变化特性曲线;
(3)设置动态负荷调节因子,结合预调控模型的输出,计算锅炉的最优蒸汽负荷;(根据车间生产的变化特性、锅炉实际运行的特性曲线、现场系统操作习惯,动态调整负荷调节因子的大小,)生成最优蒸汽负荷;
(4)根据最优蒸汽负荷生成锅炉的自动控制指令,结合负荷调节阈值,选择性执行自动控制指令提前调整锅炉的蒸汽负荷,以适配各蒸汽需求车间预计时间段内的蒸汽需求;
(5)周期性交叠重复步骤(1)-(4),实现对酒厂锅炉负荷全过程预调控调度。
2.根据权利要求1所述的基于模型预测的白酒生产精准供汽预调控方法,其特征在于,所述酒厂锅炉系统供汽、蒸汽热网蒸汽输送的影响因素包括且不限于各蒸汽需求车间的压力、流量数据,和温度、湿度、生产计划;并且相关联的约束条件包括且不限于电价、燃料成本和锅炉安全运行范围。
3.根据权利要求1所述的基于模型预测的白酒生产精准供汽预调控方法,其特征在于,所述基于注意力机制与神经网络相结合建立“锅炉-热网-车间”的三级数字孪生预调控模型包括以下部分:
卷积神经网络(CNN)层,用于对输入序列进行特征提取和降维;
长短期记忆网络(LSTM)层,用于对输入序列进行时序建模,捕捉数据的动态变化和长期依赖关系;
注意力机制(AM)层,用于对输入序列中的不同时间步分配不同的权重;
全连接网络(FC)层,用于对注意力机制层的输出进行非线性变换,得到最终的预测结果。
4.根据权利要求1所述的基于模型预测的白酒生产精准供汽预调控方法,其特征在于,步骤(2)中利用历史数据进行模型训练过程中,采用SGD优化算法对模型的输入参数进行更新;并以RMSE均方根误差作为模型的损失函数设定评估指标,对模型的预测性能进行评估,选择最优的模型输入参数。
5.根据权利要求1所述的基于模型预测的白酒生产精准供汽预调控方法,其特征在于,所述步骤(3)设置动态负荷调节因子,结合预调控模型的输出,计算锅炉的最优蒸汽负荷的具体实施步骤如下:
3.1定义锅炉的运行成本函数:C(L)=aL2+bL+cL′+d,其中L表示锅炉的蒸汽负荷;C(L)表示锅炉的运行成本;L′是蒸汽网损;a,b,c,d是根据实际情况确定的常数;
3.2由步骤(2)中输出各蒸汽需求车间的压力变化Pt、流量变化Qt,
其中,t表示时间步即预计时间段,Pt表示第t个时间步的总压力,Qt表示第t个时间步的总流量,n表示车间的数量,wi表示第i个车间的权重,Pi,t和Qi,t表示第i个车间在第t个时间步的压力和流量;
3.3根据锅炉的物理特性,建立锅炉的蒸汽负荷与各车间的压力、流量的关系式:
Lt=f(Pt,Qt)=k1Pt+k2Qt+k3
其中,k1,k2,k3是根据实际情况确定的常数;
3.4根据锅炉的运行成本函数和蒸汽负荷与压力、流量的关系式,计算出锅炉的最优蒸汽负荷:
采用微分法求解:
3.5设置负荷调节因子,根据锅炉的实际运行情况和预调控模型的输出,动态调整负荷调节因子的大小,并基于负荷调节因子调整最优蒸汽负荷。
6.根据权利要求5所述的基于模型预测的白酒生产精准供汽预调控方法,其特征在于,所述动态调整因子具体实施如下:
初始化负荷调节因子λ的值,表示不对预测值进行调节;
设定负荷调节因子的调整量δ,根据δ对负荷调节因子进行调整:λ=λ+δ;所述调整量δ由锅炉的运行状态和预测值与实际值的偏差来确定;
基于λ值计算经过调节的最优蒸汽负荷Ladj,Ladj=λLopt;
最后判断经过Ladj是否在锅炉的安全运行范围内;若是则输出该值作为最终的最优蒸汽负荷,若不是则将其限制在安全运行范围内,即:
Lfinal=max(min(Ladj,Lmax),Lmin)
其中Lfinal表示最终的最优蒸汽负荷,Lmax和Lmin表示锅炉的最大和最小负荷限制。
7.根据权利要求1所述的基于模型预测的白酒生产精准供汽预调控方法,其特征在于,所述在步骤(4)所述负荷调节阈值是自动控制指令生成过程中,根据锅炉的实际运行情况设置负荷调节阈值,比对负荷调节阈值和自动控制指令调节幅度,选择性执行自动控制指令,具体如下:
根据锅炉的设计参数和运行经验来确定其负荷调节阈值∈,表示锅炉的蒸汽负荷在该阈值内波动,不影响锅炉的安全和效率;
计算锅炉的蒸汽负荷的调节幅度其中,Lcurrent为锅炉当前蒸汽负荷;
比对负荷调节阈值∈和自动控制指令调节幅度ΔL:ΔL≤∈,则执行自动控制指令,提前调整锅炉的蒸汽负荷;ΔL>∈,则不执行自动控制指令,保持锅炉的稳定运行。
8.根据权利要求1所述的基于模型预测的白酒生产精准供汽预调控方法,其特征在于,所述步骤(5)具体实施如下:
根据酒厂实际生产特点和训练数据量设定预调控模型的预测周期和预计时间段范围;
在每个预测周期初始,更新至最新训练数据和约束条件,对预调控模型进行训练微调,使模型能够适应数据的变化;
基于微调后的预调控模型,对预计时间段范围内各车间的压力、流量变化进行预测,并根据预测结果,计算出锅炉的最优蒸汽负荷,基于负荷调节因子得出最终的最优蒸汽负荷,生成自动调控指令,基于负荷调节阈值调整锅炉的蒸汽负荷;
待进入下一个预测周期,重复以上步骤,实现锅炉蒸汽负荷的全过程动态预调控调度。
9.一种基于模型预测的白酒生产精准供汽预调控系统,用于权利要求1-8任意一项基于模型预测的白酒生产精准供汽预调控方法,其特征在于,包括以下部件:
数据采集模块,用于收集酒厂各蒸汽需求车间的压力、流量历史数据,以及影响蒸汽需求的因素,包括且不限于温度、湿度、生产计划和锅炉安全运行范围;
模型训练模块,通过注意力机制与神经网络建立“锅炉-热网-车间”的三级数字孪生预调控模型,基于数据采集模块提供的采集数据对模型进行训练,输出预计时间内各车间的压力、流量变化预测曲线;
负荷计算模块,用于根据预测模型的输出,计算出锅炉的最优蒸汽负荷;并基于负荷调节因子得出最终的最优蒸汽负荷;
控制指令模块,用于将计算出的最优蒸汽负荷作为锅炉的自动控制指令,并基于负荷调节阈值选择性执行自动控制指令,调控锅炉的蒸汽负荷。
10.一种基于模型预测的白酒生产精准供汽预调控系统,其特征在于,还包括更新模块,用于设定预调控模型预测周期和预计时间段范围,更新训练数据和约束条件,周期性进行模型预测和最优蒸汽负荷计算,实现锅炉蒸汽负荷的全过程动态预调控调度。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410099381.7A CN117930776A (zh) | 2024-01-24 | 2024-01-24 | 一种基于模型预测的白酒生产精准供汽预调控方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410099381.7A CN117930776A (zh) | 2024-01-24 | 2024-01-24 | 一种基于模型预测的白酒生产精准供汽预调控方法及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117930776A true CN117930776A (zh) | 2024-04-26 |
Family
ID=90750437
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202410099381.7A Pending CN117930776A (zh) | 2024-01-24 | 2024-01-24 | 一种基于模型预测的白酒生产精准供汽预调控方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117930776A (zh) |
-
2024
- 2024-01-24 CN CN202410099381.7A patent/CN117930776A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Khotanzad et al. | A neuro-fuzzy approach to short-term load forecasting in a price-sensitive environment | |
CN109659933B (zh) | 一种基于深度学习模型的含分布式电源配电网电能质量预测方法 | |
CN109062053B (zh) | 一种基于多变量校正的脱硝喷氨控制方法 | |
CN104598986B (zh) | 基于大数据的电力负荷预测方法 | |
CN112232575B (zh) | 一种基于多元负荷预测的综合能源系统调控方法和装置 | |
CN108537379B (zh) | 自适应变权重组合负荷预测方法及装置 | |
CN111006240B (zh) | 一种生物质锅炉炉膛温度和负荷预测方法 | |
CN110598929B (zh) | 一种风电功率非参数概率区间超短期预测方法 | |
CN114362175B (zh) | 基于深度确定性策略梯度算法的风电功率预测方法及系统 | |
CN115759336A (zh) | 一种面向短期电力负荷预测的预测方法及存储介质 | |
CN115986728A (zh) | 一种计及不确定性因素的电网态势预测方法与终端 | |
CN112365056A (zh) | 一种电气负荷联合预测方法、装置、终端及存储介质 | |
CN110097929A (zh) | 一种高炉铁水硅含量在线预测方法 | |
CN115358437A (zh) | 基于卷积神经网络的供电负荷预测方法 | |
CN115759415A (zh) | 基于lstm-svr的用电需求预测方法 | |
CN111815039A (zh) | 基于天气分类的周尺度风电功率概率预测方法及系统 | |
CN115795992A (zh) | 一种基于运行态势虚拟推演的园区能源互联网在线调度方法 | |
CN114971090A (zh) | 一种电供暖负荷预测方法、系统、设备和介质 | |
CN116865343B (zh) | 分布式光伏配电网的无模型自适应控制方法、装置及介质 | |
CN117543537A (zh) | 一种代理购电用户电量预测方法、装置、存储介质 | |
CN111697560B (zh) | 一种基于lstm预测电力系统负荷的方法及系统 | |
CN117113086A (zh) | 一种储能机组负荷预测方法、系统、电子设备及介质 | |
CN112001537A (zh) | 一种基于灰色模型和支持向量机的短期风电功率预测方法 | |
Wang et al. | Multi‐objective expansion planning of park‐level integrated energy system considering the volatility trend of CETP | |
CN116522752A (zh) | 一种基于机理与数据融合的压缩空气储能系统仿真方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination |