数据预测方法、装置、设备以及模型训练方法制造方法及图纸

本发明专利技术提供了一种数据预测方法、装置、设备以及模型训练方法。该方法包括：获取各个工况点对应的设备工况数据以及火焰图像数据；基于设备工况数据以及火焰图像数据生成融合特征集；将融合特征集输入热工变量预测模型，得到目标热工变量数据。该方法通过在融合特征集中引入火焰图像数据，使得火焰图像数据所反映的设备在各个工况点的真实运行情况，应用于热工变量预测模型的预测过程中，从而，能够改善设备工况数据存在的时延问题，缓和变负荷工况环境中的数据采集不稳定的情况，增强模型的鲁棒性和稳定性，提高在变负荷工况下热工变量数据的预测精度，优化火电机组调峰调频下的机组能源利用率，调整锅炉出口烟温，降低污染物排放。放。放。

【技术实现步骤摘要】
数据预测方法、装置、设备以及模型训练方法


[0001]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、装置、设备以及模型训练方法。

技术介绍

[0002]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。
[0003]以燃煤发电为主的火电厂为例，为优化燃煤火电机组，通常需要预测氮氧化物(NOx)的排放量以及锅炉出口烟气温度(简称锅炉出口烟温)。为达到标准排放量，需要对烟气中的氮氧化物(NOx)的排放量以及锅炉出口烟温进行预测，以基于预测结果来优化锅炉燃烧系统以及脱硫系统，从而提高机组能源利用率，降低NOx的排放量。但是，相关技术中，常常因采集到的数据存在滞后或数据采集不稳定等情况，难以判断上述系统的实时工作情况，影响热工变量数据的预测结果准确性。
[0004]因此，亟待提出适用于变负荷工况下的热工变量预测方案，用于更准确地预测变负荷工况下的NOx排放量以及锅炉出口烟温等数据。
专利技术本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种数据预测方法，其特征在于，包括：获取各个工况点对应的设备工况数据以及火焰图像数据；基于所述设备工况数据以及所述火焰图像数据生成融合特征集；将所述融合特征集输入热工变量预测模型，得到目标热工变量数据。2.根据权利要求1所述的方法，其特征在于，所述设备工况数据包括历史热工变量数据、与所述历史热工变量数据相关的多种热工过程数据；基于所述设备工况数据以及所述火焰图像数据生成融合特征集，包括：对所述历史热工变量数据以及多种热工过程数据进行特征选择，得到数值型变量特征集；对所述火焰图像数据进行特征选择，得到图像型变量特征集；对所述数值型变量特征集和所述图像型变量特征集进行融合，得到所述融合特征集。3.根据权利要求2所述的方法，其特征在于，对所述数值型变量特征集和所述图像型变量特征集进行融合，得到所述融合特征集，包括：对所述数值型变量特征集和所述图像型变量特征集中的各个特征向量进行归一化处理；将处理后的数值型变量特征向量与火焰图像特征向量进行拼接，得到所述融合特征集中的融合特征向量。4.根据权利要求3所述的方法，其特征在于，采用如下公式对所述数值型变量特征集和所述图像型变量特征集中的各个特征向量进行归一化处理，以得到待拼接的特征向量：其中，y
scaled
为待拼接的特征向量，y为所述数值型变量特征集和所述图像型变量特征集中任意一个特征向量，y
min
为所述数值型变量特征集或所述图像型变量特征集的最小值，y
max
为所述数值型变量特征集或所述图像型变量特征集的最大值。5.根据权利要求2所述的方法，其特征在于，对所述火焰图像数据进行特征选择，得到图像型变量特征集，包括：从所述火焰图像数据中提取关键图像特征；对所述关键图像特征进行扁平化处理，得到图像型变量特征集中的火焰图像特征向量。6.根据权利要求5所述的方法，其特征在于，所述火焰图像数据包括多张火焰图像；从所述火焰图像数据中提取关键图像特征，包括：将所述多张火焰图像输入卷积神经网络模型中，以得到所述图像特征矩阵，所述卷积神经网络模型包括多个卷积层、多个池化层、ReLU函数和全连接层；对于每一火焰图像通过所述卷积神经网络模型进行如下操作：将输入的每一火焰图像与卷积核进行卷积计算，并采用ReLU函数处理卷积计算结果；将经过ReLU函数处理的卷积计算结果输...

【专利技术属性】
技术研发人员：邢红涛，张洪强，曹风江，
申请(专利权)人：河北思路科技有限公司，
类型：发明
国别省市：