数据预测方法、模型训练方法、装置、设备制造方法及图纸

本发明专利技术的实施例提供了一种数据预测方法、模型训练方法、装置、设备。该方法包括：获取设备工况数据，设备工况数据包括热工变量数据与设备运行数据；采用设备工况数据对热工变量预测模型进行训练，设备运行数据用于训练第一单预测模型，历史热工变量数据用于训练第二单预测模型；通过第一单预测模型和第二单预测模型融合得到的热工变量预测模型对目标热工变量数据进行预测。该方法通过训练热工变量单预测模型，将热工变量单预测模型融合为热工变量预测模型，使热工变量预测模型具有更强的泛化性和抗噪性，解决设备工况数据发生时间不同步的问题，从而，预测出更准确的目标热工变量数据，以优化机组能源利用率，降低污染物排放，减少运行成本。

【技术实现步骤摘要】
数据预测方法、模型训练方法、装置、设备
本专利技术涉及能源
，更具体地，本专利技术涉及一种数据预测方法、模型训练方法、装置、设备。
技术介绍
目前，化石能源在消费能源中仍处于主导地位。但随着新能源电力大量并网，火电机组多参与到调峰调频中，使火电机组的工况负荷产生波动，为火电机组中热工变量数据的预测带来挑战。以燃煤发电为主的火电厂来说，燃煤机组排放的烟气中主要污染物是氮氧化物(NOx)。为应对来自经济效益和环保政策的双重压力，达到标准排放量，需要对烟气中的NOx的排放量进行预测，以基于预测结果优化机组能源利用率，降低NOx的排放量。但目前的预测方案均无法准确地对变负荷工况下的NOx排放数据进行预测。因此，如何预测热工变量数据，成为亟待解决的技术问题。
技术实现思路
本专利技术实施例提供一种数据预测方法、模型训练方法、装置、设备，用以预测热工变量数据。比如，预测火电机组污染物的排放数据。第一方面，本专利技术实施例提供一种数据预测方法，该方法包括：获取设备工况数据，该设备工况数据包括热工变量数本文档来自技高网...

【技术保护点】
1.一种数据预测方法，其特征在于，包括：/n获取设备工况数据，所述设备工况数据包括热工变量数据以及与所述热工变量数据相关的设备运行数据；/n采用所述设备工况数据对热工变量预测模型进行训练，其中，所述设备运行数据用于训练第一单预测模型，历史热工变量数据用于训练第二单预测模型，所述热工变量预测模型是基于所述第一单预测模型和所述第二单预测模型进行融合得到的；/n通过所述热工变量预测模型对目标热工变量数据进行预测。/n

【技术特征摘要】
1.一种数据预测方法，其特征在于，包括：
获取设备工况数据，所述设备工况数据包括热工变量数据以及与所述热工变量数据相关的设备运行数据；
采用所述设备工况数据对热工变量预测模型进行训练，其中，所述设备运行数据用于训练第一单预测模型，历史热工变量数据用于训练第二单预测模型，所述热工变量预测模型是基于所述第一单预测模型和所述第二单预测模型进行融合得到的；
通过所述热工变量预测模型对目标热工变量数据进行预测。


2.根据权利要求1所述的方法，其特征在于，所述采用所述设备工况数据对热工变量预测模型进行训练，包括：
将所述设备工况数据划分为第一训练集和第二训练集；
采用所述第一训练集训练所述第一单预测模型和所述第二单预测模型；
采用所述第二训练集训练非线性神经网络的参数，所述非线性神经网络用于融合所述第一单预测模型和所述第二单预测模型；
基于所述参数对所述第一单预测模型和所述第二单预测模型进行融合，以建立所述热工变量预测模型。


3.根据权利要求2所述的方法，其特征在于，所述采用所述第一训练集训练所述第一单预测模型和所述第二单预测模型，包括：
以所述第一训练集中的所述设备运行数据作为待训练的所述第一单预测模型的输入，以所述设备运行数据对应的所述历史热工变量数据作为待训练的所述第一单预测模型的输出，对所述第一单预测模型进行训练。


4.根据权利要求3所述的方法，其特征在于，所述第一单预测模型包括以下之一或组合：支持向量机、提升树模型XGBoost、循环神经网络、长短期记忆网络。


5.根据权利要求2所述的方法，其特征在于，所述采用所述第一训练集训练所述第一单预测模型和所述第二单预测模型，包括：
以所述第一训练集中i时刻前的多个历史热工变量数据组成的序列作为待训练的所述第二单预测模型的输入，以所述i时刻对应的历史热工变量数据作为待训练的所述第二单预测模型的输出，对所述第二单预测模型进行训练；
其中，所述历史热工变量数据包括多个历史时刻对应的历史热工变量数据，所述i时刻为多个历史时刻中的任一个。


6.根据权利要求5所述的方法，其特征在于，所述第二单预测模型包括以下之一或组合：支持向量机、提升树模型XGBoost、循环神经网络、长短期记忆网络。


7.根据权利要求2所述的方法，其特征在于，所述采用所述第二训练集训练所述非线性神经网络的参数，包括：
将所述第二训练集中的所述设备运行数据作为所述第一单预测模型的输入，通过所述第一单预测模型得到第一预测数据；
将所述第二训练集中的多个所述历史热工变量数据组成的序列作为所述第二单预测模型的输入，通过所述第二单预测模型得到第二预测数据；
将所述第一预测数据和所述第二预测数据输入所述非线性神经网络，以训练所述参数。


8.根据权利要求7所述的方法，其特征在于，所述非线性神经网络为



其中，所述参数包括权重系数wik和偏置系数βi，为所述目标热工变量数据，exp为自然常数e为底的指数函数，k为神经元个数，yik为所述第一预测数据和所述第二预测数据。


9.根据权利要求1所述的方法，其特征在于，所述获取设备工况数据，包括：
确定多类设备运行数据对所述热工变量数据的贡献程度，其中，贡献程度越大，与所述热工变量数据的相...

【专利技术属性】
技术研发人员：邢红涛，邢志恒，张夕平，
申请(专利权)人：河北思路科技有限公司，
类型：发明
国别省市：河北;13