浆液密度的获取方法、装置、电子设备及存储介质制造方法及图纸

本公开涉及一种浆液密度的获取方法、装置、电子设备及存储介质，涉及火力发电领域。首先根据预设训练样本通过鲸鱼优化算法训练得到密度测量模型，然后获取生成石灰石浆液的目标控制参数的目标控制参数值，最后将所述目标控制参数值输入所述密度测量模型，以得到所述密度测量模型输出的所述石灰石浆液的浆液密度。避免相关技术中采用密度计直接获取浆液密度时密度计容易因为磨损导致测量结果不准确的问题，而采用与浆液密度相关的稳定测量获得的目标控制参数值获取浆液密度，降低了密度计定期更换维修的成本，提高了浆液密度结果的准确性，有利于提高烟气脱硫的效果。有利于提高烟气脱硫的效果。有利于提高烟气脱硫的效果。

【技术实现步骤摘要】
浆液密度的获取方法、装置、电子设备及存储介质


[0001]本公开涉及火力发电领域，尤其涉及一种浆液密度的获取方法、装置、电子设备及存储介质。

技术介绍

[0002]在火力发电领域中，石灰石
‑
石膏法脱硫是目前最成熟、应用范围最广的烟气脱硫技术，通过浆液制备系统得到的石灰石浆液的品质对脱硫效果有较大的影响，因此准确测量石灰石浆液的浆液密度十分重要。
[0003]目前，火电厂多采用密度计对浆液密度进行测量，密度计多为探头管道式安装结构，由于浆液粘度大，密度计的探头容易受到浆液的冲刷磨损，导致浆液密度的测量结果存在误差。

技术实现思路

[0004]为克服相关技术中存在的问题，本公开提供一种浆液密度的获取方法、装置、电子设备及存储介质。
[0005]根据本公开实施例的第一方面，提供一种浆液密度的获取方法，所述方法包括：
[0006]根据预设训练样本通过鲸鱼优化算法训练得到密度测量模型，所述鲸鱼优化算法的种群成员的元素为所述密度测量模型的模型参数，所述鲸鱼优化算法中每个种群成员的元素的初始元素值通过Logistic混沌映射得到，所述预设训练样本包括多个训练控制参数组的训练控制参数值和对应的训练输出参数的训练输出参数值，每个所述训练控制参数组包括多个训练控制参数，所述训练输出参数包括所述浆液密度；
[0007]获取生成石灰石浆液的目标控制参数的目标控制参数值；
[0008]将所述目标控制参数值输入所述密度测量模型，以得到所述密度测量模型输出的所述石灰石浆液的浆液密度。
[0009]可选地，所述密度测量模型为神经网络模型，所述根据所述预设训练样本通过鲸鱼优化算法训练得到密度测量模型包括：
[0010]根据预设神经网络模型的模型参数确定所述鲸鱼优化算法的鲸鱼优化算法参数，所述鲸鱼优化算法参数包括所述种群成员的元素、每个元素值的预设元素值阈值和鲸鱼种群规模；
[0011]根据所述鲸鱼优化算法参数和预设的混沌映射参数通过所述Logistic混沌映射获取所述鲸鱼优化算法的每个种群成员的当前元素值，所述混沌映射参数包括混沌映射系数；
[0012]根据所述鲸鱼优化算法参数、所述每个种群成员的所述当前元素值以及所述预设训练样本利用所述鲸鱼优化算法获取所述预设神经网络模型的目标模型参数值，将得到的所述目标神经网络模型作为所述密度测量模型。
[0013]可选地，所述根据预设神经网络模型的模型参数确定所述鲸鱼优化算法的鲸鱼优
化算法参数包括：
[0014]将所述训练控制参数作为所述预设神经网络模型的输入节点，将所述浆液密度作为所述预设神经网络模型的输出节点，根据所述输入节点、所述输出节点以及所述预设神经网络模型的隐含神经元确定所述预设神经网络模型的模型参数，将所述模型参数作为所述种群成员的元素，所述模型参数包括第一连接权值、所述隐含神经元的第一阈值、第二连接权值以及所述输出节点的第二阈值，所述第一连接权值表征所述输入节点和所述隐含神经元之间的权值，所述第二连接权值表征所述隐含神经元和所述输出节点之间的权值；
[0015]根据预设的每个所述模型参数的模型参数值范围确定每个元素的所述元素值范围；
[0016]根据所述模型参数值的个数和模型训练的期望时间确定所述鲸鱼种群规模。
[0017]可选地，所述根据所述鲸鱼优化算法参数、所述每个种群成员的所述当前元素值以及预设训练样本利用所述鲸鱼优化算法获取所述预设神经网络模型的目标模型参数值，将得到的所述目标神经网络模型作为所述密度测量模型包括：
[0018]根据所述预设训练样本获取每一个种群成员的适应度值，所述适应度值为预测输出参数值和对应的所述训练输出参数值的均方差，所述预测输出参数值根据每个所述训练控制参数组的所述训练控制参数值和所述种群成员的当前元素值通过所述预设神经网络模型获得；
[0019]根据所述每一个种群成员的适应度值获取所述种群的目标种群成员的目标元素值，所述目标种群成员为所述种群中适应度值最小的种群成员；
[0020]根据所述鲸鱼优化算法参数采取所述鲸鱼优化算法完成对所述目标元素值的包围、捕食和搜索，以更新所述每一个种群成员的当前元素值，重复根据所述预设训练样本获取每一个种群成员的适应度值和根据所述每一个种群成员的适应度值获取所述种群的目标种群成员的目标元素值的步骤，以使得在满足预设的结束条件时获取所述种群中适应度值最小的最优种群成员对应的最优元素值，将所述最优元素值作为所述预设神经网络模型的所述目标模型参数值，将得到的所述目标神经网络模型作为所述密度测量模型。
[0021]可选地，所述预设的结束条件包括所述最优种群成员对应的适应度值小于或者等于预设的适应度值阈值，和\或，训练次数大于或者等于预设的训练次数阈值。
[0022]可选地，所述方法还包括：
[0023]获取所述石灰石浆液的多组历史数据，所述历史数据包括多个备选控制参数组的备选控制参数值和对应的输出参数的输出参数值，每个所述备选控制参数组包括所述石灰石浆液的多个备选控制参数，所述输出参数包括所述浆液密度；
[0024]根据所述多组历史数据采用灰色关联度法从所述多个备选控制参数中确定所述目标控制参数；
[0025]根据所述目标控制参数从所述多组历史数据中获取所述预设训练样本。
[0026]可选地，所述根据所述多组历史数据采用灰色关联度法从所述多个备选控制参数中确定所述目标控制参数包括：
[0027]根据所述历史数据获取每个所述备选控制参数的所述备选控制参数值和对应的所述输出参数值的灰色关联度；
[0028]根据所述灰色关联度和预设的灰色关联度阈值从多个所述备选控制参数中确定
所述目标控制参数，所述目标控制参数的灰色关联度大于或者等于预设的灰色关联度阈值。
[0029]可选地，所述方法还包括：
[0030]在获取所述石灰石浆液的多组历史数据之后，根据预设的多个控制参数值范围从所述多组历史数据中删除异常历史数据，所述异常历史数据表征所述备选控制参数组中任一所述备选控制参数的备选控制参数值超出对应的所述控制参数值范围。
[0031]可选地，所述目标控制参数和训练控制参数包括旋流站入口压力、瞬时给料量、稀释水瞬时流量和研磨水瞬时流量。
[0032]根据本公开实施例的第二方面，提供一种浆液密度的获取装置，所述装置包括：
[0033]模型训练模块，被配置为根据预设训练样本通过鲸鱼优化算法训练得到密度测量模型，所述鲸鱼优化算法的种群成员的元素为所述密度测量模型的模型参数，所述鲸鱼优化算法中每个种群成员的元素的初始元素值通过Logistic混沌映射得到，所述预设训练样本包括多个训练控制参数组的训练控制参数值和对应的训练输出参数的训练输出参数值，每个所述训练控制参数组包括多个训练控制参数，所述训练输出参数包括所述浆液密度；
[0034]参数获取模块，被配置为获取生成石灰石浆液的目标控制参数的目标本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种浆液密度的获取方法，其特征在于，所述方法包括：根据预设训练样本通过鲸鱼优化算法训练得到密度测量模型，所述鲸鱼优化算法的种群成员的元素为所述密度测量模型的模型参数，所述鲸鱼优化算法中每个种群成员的元素的初始元素值通过Logistic混沌映射得到，所述预设训练样本包括多个训练控制参数组的训练控制参数值和对应的训练输出参数的训练输出参数值，每个所述训练控制参数组包括多个训练控制参数，所述训练输出参数包括所述浆液密度；获取生成石灰石浆液的目标控制参数的目标控制参数值；将所述目标控制参数值输入所述密度测量模型，以得到所述密度测量模型输出的所述石灰石浆液的浆液密度。2.根据权利要求1所述的方法，其特征在于，所述密度测量模型为神经网络模型，所述根据所述预设训练样本通过鲸鱼优化算法训练得到密度测量模型包括：根据预设神经网络模型的模型参数确定所述鲸鱼优化算法的鲸鱼优化算法参数，所述鲸鱼优化算法参数包括所述种群成员的元素、每个元素值的预设元素值阈值和鲸鱼种群规模；根据所述鲸鱼优化算法参数和预设的混沌映射参数通过所述Logistic混沌映射获取所述鲸鱼优化算法的每个种群成员的当前元素值，所述混沌映射参数包括混沌映射系数；根据所述鲸鱼优化算法参数、所述每个种群成员的所述当前元素值以及所述预设训练样本利用所述鲸鱼优化算法获取所述预设神经网络模型的目标模型参数值，将得到的所述目标神经网络模型作为所述密度测量模型。3.根据权利要求2所述的方法，其特征在于，所述根据预设神经网络模型的模型参数确定所述鲸鱼优化算法的鲸鱼优化算法参数包括：将所述训练控制参数作为所述预设神经网络模型的输入节点，将所述浆液密度作为所述预设神经网络模型的输出节点，根据所述输入节点、所述输出节点以及所述预设神经网络模型的隐含神经元确定所述预设神经网络模型的模型参数，将所述模型参数作为所述种群成员的元素，所述模型参数包括第一连接权值、所述隐含神经元的第一阈值、第二连接权值以及所述输出节点的第二阈值，所述第一连接权值表征所述输入节点和所述隐含神经元之间的权值，所述第二连接权值表征所述隐含神经元和所述输出节点之间的权值；根据预设的每个所述模型参数的模型参数值范围确定每个元素的所述元素值范围；根据所述模型参数值的个数和模型训练的期望时间确定所述鲸鱼种群规模。4.根据权利要求2所述的方法，其特征在于，所述根据所述鲸鱼优化算法参数、所述每个种群成员的所述当前元素值以及预设训练样本利用所述鲸鱼优化算法获取所述预设神经网络模型的目标模型参数值，将得到的所述目标神经网络模型作为所述密度测量模型包括：根据所述预设训练样本获取每一个种群成员的适应度值，所述适应度值为预测输出参数值和对应的所述训练输出参数值的均方差，所述预测输出参数值根据每个所述训练控制参数组的所述训练控制参数值和所述种群成员的当前元素值通过所述预设神经网络模型获得；根据所述每一个种群成员的适应度值获取所述种群的目标种群成员的目标元素值，所述目标种群成员为所述种群中适应度值最小的种群成员；
根据所述鲸鱼优化算法参数采取所述鲸鱼优化算法完成对所述目标元素值的包围、捕食和搜索，以更新所述每一个种群成员的当前元素值，重复根据所述预设训练样本获取每一个种...

【专利技术属性】
技术研发人员：侯会杰，马继明，郭海峰，孙志勇，赵辉，耿兆旺，杨楠，宫立江，
申请(专利权)人：保定正德电力技术有限公司，
类型：发明
国别省市：