本公开涉及计算机技术领域，提供了一种锅炉烟气含氧量的预测方法及装置。包括：获取历史样本运行参数时间序列数据及其对应的烟气含氧量标签；对历史样本运行参数时间序列数据进行预处理；对预处理后的历史样本运行参数时间序列数据进行聚类处理，得到不同聚类簇的历史运行参数时间序列数据；采用不同聚类簇的历史运行参数时间序列数据对初始的极端梯度提升模型进行训练，直到初始的极端梯度提升模型收敛，得到烟气含氧量预测模型，以采用烟气含氧量预测模型进行锅炉烟气含氧量预测。氧量预测模型进行锅炉烟气含氧量预测。氧量预测模型进行锅炉烟气含氧量预测。
【技术实现步骤摘要】
锅炉烟气含氧量的预测方法及装置
[0001]本公开涉及计算机
，尤其涉及一种锅炉烟气含氧量的预测方法及装置。
技术介绍
[0002]热效率是衡量燃气锅炉的重要指标。根据锅炉的烟气含氧量对锅炉的运行进行闭环控制可以提高锅炉等能源设备的热效率。
[0003]在锅炉的烟气出口安装氧化锆测量仪，可以对锅炉的烟气含氧量进行测量。但是采用氧化锆测量仪进行烟气含氧量测试的成本较高，这导致一些应用场景中的小型燃气锅炉为了节约成本放弃安装氧化锆测量仪，从而无法获知锅炉的烟气含氧量，也就无法提高锅炉的热效率。
技术实现思路
[0004]有鉴于此，本公开实施例提供了一种锅炉烟气含氧量的预测方法、装置、电子设备及计算机可读存储介质，以解决现有技术中无法获知锅炉的烟气含氧量的问题。
[0005]本公开实施例的第一方面，提供了一种锅炉烟气含氧量的预测方法，包括：获取历史样本运行参数时间序列数据及其对应的烟气含氧量标签；对历史样本运行参数时间序列数据进行预处理；对预处理后的历史样本运行参数时间序列数据进行聚类处理，得到不同聚类簇的历史运行参数时间序列数据；采用不同聚类簇的历史运行参数时间序列数据对初始的极端梯度提升模型进行训练，直到初始的极端梯度提升模型收敛，得到烟气含氧量预测模型，以采用烟气含氧量预测模型进行锅炉烟气含氧量预测。
[0006]本公开实施例的第二方面，提供了一种锅炉烟气含氧量的预测装置，包括：获取模块，用于获取历史样本运行参数时间序列数据及其对应的烟气含氧量标签；预处理模块，用于对历史样本运行参数时间序列数据进行预处理；聚类模块，用于对预处理后的历史样本运行参数时间序列数据进行聚类处理，得到不同聚类簇的历史运行参数时间序列数据；训练模块，用于采用不同聚类簇的历史运行参数时间序列数据对初始的极端梯度提升模型进行训练，直到初始的极端梯度提升模型收敛，得到烟气含氧量预测模型，以采用烟气含氧量预测模型进行锅炉烟气含氧量预测。
[0007]本公开实施例的第三方面，提供了一种电子设备，包括存储器、处理器以及存储在存储器中并且可在处理器上运行的计算机程序，该处理器执行计算机程序时实现上述方法的步骤。
[0008]本公开实施例的第四方面，提供了一种计算机可读存储介质，该计算机可读存储介质存储有计算机程序，该计算机程序被处理器执行时实现上述方法的步骤。
[0009]本公开实施例与现有技术相比存在的有益效果是：通过对历史样本运行参数时间序列数据进行聚类处理并基于处理得到的历史运行参数时间序列数据训练极端梯度提升模型，使得训练得到的烟气含氧量预测模型可以较为精确地预测烟气含氧量，从而可以基于该烟气含氧量对锅炉进行闭环控制，提高锅炉的热效率。
附图说明
[0010]为了更清楚地说明本公开实施例中的技术方案，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公开的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其它的附图。
[0011]图1是本公开实施例提供的一种锅炉烟气含氧量的预测方法的流程示意图；
[0012]图2是本公开实施例提供的烟气含氧量预测模型的应用方法的流程示意图；
[0013]图3是本公开实施例提供的历史样本运行参数时间序列数据的预处理过程的流程示意图；
[0014]图4是本公开实施例提供的一种锅炉烟气含氧量的预测装置的结构示意图；
[0015]图5是本公开实施例提供的一种电子设备的结构示意图。
具体实施方式
[0016]以下描述中，为了说明而不是为了限定，提出了诸如特定系统结构、技术之类的具体细节，以便透彻理解本公开实施例。然而，本领域的技术人员应当清楚，在没有这些具体细节的其它实施例中也可以实现本公开。在其它情况中，省略对众所周知的系统、装置、电路以及方法的详细说明，以免不必要的细节妨碍本公开的描述。
[0017]下面将结合附图详细说明根据本公开实施例的锅炉烟气含氧量的预测方法和装置。
[0018]图1是本公开实施例提供的一种锅炉烟气含氧量的预测方法的流程示意图。本公开实施例提供的方法可以由任意具备计算机处理能力的电子设备执行，例如终端或服务器。如图1所示，该锅炉烟气含氧量的预测方法包括：
[0019]步骤S101，获取历史样本运行参数时间序列数据及其对应的烟气含氧量标签。
[0020]具体地，历史样本运行参数时间序列数据及其对应的烟气含氧量标签构成对烟气含氧量模型进行训练的训练数据集。该训练数据集可以被拆分为训练集和测试集。在拆分训练数据集时，可以选择一个拆分点将训练数据集拆分为训练集和测试集，该拆分点可以为一个时间点。例如，若训练数据集包含的训练数据为一年时长内的历史样本运行参数时间序列及其对应的烟气含氧量标签，可以设置第8个月的最后一天为拆分点，拆分后将前8个月的训练数据构建成训练集，将后4个月的训练数据构建成测试集。
[0021]步骤S102，对历史样本运行参数时间序列数据进行预处理。
[0022]具体地，在预处理过程中可以对历史样本运行参数时间序列中的坏数据进行识别和清除，并进行归一化处理，以规范训练数据。
[0023]步骤S103，对预处理后的历史样本运行参数时间序列数据进行聚类处理，得到不同聚类簇的历史运行参数时间序列数据。
[0024]具体地，对历史样本运行参数时间序列数据进行聚类处理，可以得到聚类簇形式的训练数据组，每个训练数据组属于同一聚类簇。
[0025]步骤S104，采用不同聚类簇的历史运行参数时间序列数据对初始的极端梯度提升模型进行训练，直到初始的极端梯度提升模型收敛，得到烟气含氧量预测模型，以采用烟气含氧量预测模型进行锅炉烟气含氧量预测。
[0026]具体地，可以根据历史运行参数时间序列数据的聚类簇的簇别对极端梯度提升模型进行训练。例如，可以基于属于第一设定聚类簇的历史运行参数时间序列数据及其对应的烟气含氧量标签构建第一子训练集，在该第一子训练集上对烟气含氧量预测模型进行训练，再采用测试集对训练得到的烟气含氧量预测模型进行评估并调整模型。进一步地，可以基于属于第二设定聚类簇的历史运行参数时间序列数据及其对应的烟气含氧量标签构建第二子训练集，在该第一子训练集上对调整后的烟气含氧量预测模型进行训练，再采用测试集对训练得到的烟气含氧量预测模型进行评估并再次调整模型。重复上述训练和测试过程，直到初始对的极端梯度提升模型收敛。其中，第一设定聚类簇可以为一个、两个或者多个聚类簇，第二设定聚类簇可以为一个、两个或者多个聚类簇。
[0027]根据本公开实施例的技术方案，基于优化聚类算法对历史样本运行参数时间序列数据进行聚类操作，并基于聚类操作得到的历史运行参数时间序列数据训练极端梯度提升模型，在得到xgboost(extreme gradient boosting，极端梯度提升)模型之后，可以使用极端梯度提升模型对烟气含氧量进行预测，相比安装氧本文档来自技高网...
【技术保护点】
【技术特征摘要】
1.一种锅炉烟气含氧量的预测方法，其特征在于，所述方法包括：获取历史样本运行参数时间序列数据及其对应的烟气含氧量标签；对所述历史样本运行参数时间序列数据进行预处理；对预处理后的所述历史样本运行参数时间序列数据进行聚类处理，得到不同聚类簇的历史运行参数时间序列数据；采用所述不同聚类簇的所述历史运行参数时间序列数据对初始的极端梯度提升模型进行训练，直到所述初始的极端梯度提升模型收敛，得到烟气含氧量预测模型，以采用所述烟气含氧量预测模型进行锅炉烟气含氧量预测。2.根据权利要求1所述的方法，其特征在于，所述得到烟气含氧量预测模型之后，所述方法还包括：获取锅炉设备的当前运行参数时间序列数据；根据所述当前运行参数时间序列数据，调取所述烟气含氧量预测模型；利用所述烟气含氧量预测模型，得到所述锅炉设备的烟气含氧量的预测数据。3.根据权利要求1所述的方法，其特征在于，所述对所述历史样本运行参数时间序列数据进行预处理，包括：对所述历史样本运行参数时间序列数据进行坏数据辨别、坏数据修正和归一化处理。4.根据权利要求1所述的方法，其特征在于，所述对预处理后的所述历史样本运行参数时间序列数据进行聚类处理，得到不同聚类簇的所述历史运行参数时间序列数据，包括：利用遗传算法根据所述历史样本运行参数时间序列数据的特征对应的适应度和设定的最大遗传代数确定所述历史样本运行参数时间序列数据的初始聚类中心；基于所述初始聚类中心，利用聚类算法将所述历史样本运行参数时间序列数据分组为多个聚类簇，得到分组后的所述历史运行参数时间序列数据。5.根据权利要求3所述的方法，其特征在于，对所述历史样本运行参数时间序列数据进行坏数据辨别、坏数据修正，包括：基于三西格玛原理筛选出所述历史样本运行参数时间序列数据中烟气含氧量异常的数据点；基于所述烟气含氧量异常的数据点的前、后各...
【专利技术属性】
技术研发人员：刘胜伟，
申请(专利权)人：新奥新智科技有限公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。