基于数据修正的烟气含氧量负荷预测方法及装置制造方法及图纸

本公开涉及能源技术领域，提供了一种基于数据修正的烟气含氧量负荷预测方法及装置。该方法包括：获取样本数据集，并基于预设坏数据辨别模型，从样本数据集中确定坏数据，其中，样本数据集包括烟气含氧量值和烟气含氧量值的特征数据；基于预设坏数据修正模型，对坏数据进行修正，得到修正后的数据，并基于修正后的数据对样本数据集进行更新，得到更新后的样本数据集；构建深度学习模型，利用更新后的样本数据集，对深度学习模型进行训练，得到烟气含氧量负荷预测模型；基于烟气含氧量负荷预测模型，预测烟气含氧量值。本公开提高了烟气含氧量预测值的准确度。量预测值的准确度。量预测值的准确度。

【技术实现步骤摘要】
基于数据修正的烟气含氧量负荷预测方法及装置


[0001]本公开涉及能源
，尤其涉及一种基于数据修正的烟气含氧量负荷预测方法及装置。

技术介绍

[0002]锅炉燃烧控制系统是表征生产过程的主要工艺流程，同时，也是保证锅炉安全运行的主要条件之一。烟气氧含量是锅炉运行重要监控参数之一，同时也是反映燃烧设备与锅炉运行完善程度的重要依据，烟气含氧量过大则表明空气量送入过大，各大风机的出力过大，消耗电能增加，过量的空气造成炉温下降，不但影响燃烧，还会带走大量的热量和灰尘，增大污染排放浓度，烟气含氧量过小则表明空气量送入过小，会使得煤粉燃烧不够充分，会使炉子的燃烧稳定性降低，不利于炉膛的安全。准确的烟气含氧量负荷预测是锅炉燃烧控制系统高效运行的基础。
[0003]现有技术中，通常基于训练模型进行烟气含氧量负荷预测。在训练模型时，部分训练数据误差较大，导致建立的烟气含氧量负荷预测模型的准确性较差，并进一步导致烟气含氧量预测值准确度降低。

技术实现思路

[0004]有鉴于此，本公开实施例提供了一种基于数据修正的烟气含氧量负荷预测方法、装置、电子设备及计算机可读存储介质，以解决现有技术中在训练模型时，部分训练数据误差较大，导致建立的烟气含氧量负荷预测模型的准确性较差，并进一步导致烟气含氧量预测值准确度降低的问题。
[0005]本公开实施例的第一方面，提供了一种基于数据修正的烟气含氧量负荷预测方法，包括：获取样本数据集，并基于预设坏数据辨别模型，从样本数据集中确定坏数据，其中，样本数据集包括烟气含氧量值和烟气含氧量值的特征数据；基于预设坏数据修正模型，对坏数据进行修正，得到修正后的数据，并基于修正后的数据对样本数据集进行更新，得到更新后的样本数据集；构建深度学习模型，利用更新后的样本数据集，对深度学习模型进行训练，得到烟气含氧量负荷预测模型；基于烟气含氧量负荷预测模型，预测烟气含氧量值。
[0006]本公开实施例的第二方面，提供了一种基于数据修正的烟气含氧量负荷预测装置，包括：确定模块，被配置为获取样本数据集，并基于预设坏数据辨别模型，从样本数据集中确定坏数据，其中，样本数据集包括烟气含氧量值和烟气含氧量值的特征数据；修正模块，被配置为基于预设坏数据修正模型，对坏数据进行修正，得到修正后的数据，并基于修正后的数据对样本数据集进行更新，得到更新后的样本数据集；训练模块，被配置为构建深度学习模型，利用更新后的样本数据集，对深度学习模型进行训练，得到烟气含氧量负荷预测模型；预测模块，被配置为基于烟气含氧量负荷预测模型，预测烟气含氧量值。
[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：通过对坏数据进行修正，并利用更新后的样本数据集进行模型训练，提高了烟气含氧量负荷预测模型的准确性，并进一步提高了烟气含氧量预测值的准确度。
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是本公开实施例的应用场景的场景示意图；
[0012]图2是本公开实施例提供的一种基于数据修正的烟气含氧量负荷预测方法的流程示意图；
[0013]图3是本公开实施例提供的深度学习模型构建过程的示意图；
[0014]图4是本公开实施例提供的一种基于数据修正的烟气含氧量负荷预测装置的示意图；
[0015]图5是本公开实施例提供的电子设备的示意图。
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一种基于数据修正的烟气含氧量负荷预测方法和装置。
[0018]图1是本公开实施例的应用场景的场景示意图。该应用场景可以包括终端设备1、第一锅炉设备2、第二锅炉设备3、服务器4以及网络5。
[0019]终端设备1可以是硬件，也可以是软件。当终端设备1为硬件时，其可以是具有显示屏且支持与服务器4通信的各种电子设备，包括但不限于智能手机、平板电脑、膝上型便携计算机和台式计算机等；当终端设备1为软件时，其可以安装在如上所述的电子设备中。终端设备1可以实现为多个软件或软件模块，也可以实现为单个软件或软件模块，本公开实施例对此不作限制。进一步地，终端设备1上可以安装有各种应用，例如数据处理应用、即时通信工具、社交平台软件、搜索类应用、购物类应用等。
[0020]第一锅炉设备2用于提供对深度学习模型进行训练时所需要的样本数据集。
[0021]第二锅炉设备3用于提供与烟气含氧量预测值相关的特征数据。
[0022]服务器4可以是提供各种服务的服务器，例如，对与其建立通信连接的终端设备发送的请求进行接收的后台服务器，该后台服务器可以对终端设备发送的请求进行接收和分
析等处理，并生成处理结果。服务器4可以是一台服务器，也可以是由若干台服务器组成的服务器集群，或者还可以是一个云计算服务中心，本公开实施例对此不作限制。
[0023]需要说明的是，服务器4可以是硬件，也可以是软件。当服务器4为硬件时，其可以是为终端设备1提供各种服务的各种电子设备。当服务器4为软件时，其可以是为终端设备1提供各种服务的多个软件或软件模块，也可以是为终端设备1提供各种服务的单个软件或软件模块，本公开实施例对此不作限制。
[0024]网络5可以是采用同轴电缆、双绞线和光纤连接的有线网络，也可以是无需布线就能实现各种通信设备互联的无线网络，例如，蓝牙(Bluetooth)、近场通信(Near Field Communication，NFC)、红外(Infrared)等，本公开实施例对此不作限制。
[0025]用户可以通过终端设备1经由网络5与服务器4建立通信连接，以接收或发送信息等。具体地，用户可以通过终端设备1将第一锅炉2提供的样本数据集经由网络5发送至服务器4，或，第一锅炉2经由网络5将样本数据集发送至服务器4；服务器4获取样本数据集，并基于预设坏数据辨别模型，从样本数据集中确定坏数据，其中，样本数据集包括烟气含氧量值和烟气含氧量值的特征数据；之后服务器4基于预设坏数据修正模本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于数据修正的烟气含氧量负荷预测方法，其特征在于，包括：获取样本数据集，并基于预设坏数据辨别模型，从所述样本数据集中确定坏数据，其中，所述样本数据集包括烟气含氧量值和烟气含氧量值的特征数据；基于预设坏数据修正模型，对所述坏数据进行修正，得到修正后的数据，并基于所述修正后的数据对所述样本数据集进行更新，得到更新后的样本数据集；构建深度学习模型，利用所述更新后的样本数据集，对所述深度学习模型进行训练，得到烟气含氧量负荷预测模型；基于所述烟气含氧量负荷预测模型，预测烟气含氧量值。2.根据权利要求1所述的方法，其特征在于，所述烟气含氧量值包括第一烟气含氧量值和第二烟气含氧量值，所述基于预设坏数据辨别模型，从所述样本数据集中确定坏数据，包括：基于3σ原理，在所述第一烟气含氧量值与烟气含氧量值的均值的差值大于三倍的预设倍数的总体标准差的情况下，确定所述第一烟气含氧量值为坏数据；其中，所述总体标准差为所述样本数据集中所述烟气含氧量值的总体标准差。3.根据权利要求1所述的方法，其特征在于，所述烟气含氧量值的特征数据包括：能源设备烟气温度、节能器出口温度、烟气流量瞬时值、能源设备燃气温度、能源设备烟气标况流量、能源设备天然气入口压力，能源设备烟气流速、能源设备冷凝器进口烟温、能源设备排烟温度、能源设备烟气压力、能源设备冷凝器进口压力、能源设备主蒸汽瞬时流量、能源设备运行状态和能源设备天然气入口瞬时流量。4.根据权利要求1所述的方法，其特征在于，所述预设坏数据修正模型为：式中，为第n天第i时刻的烟气含氧量值修正值，x
n
±
1,i
为x
n,i
前后2个同类日第i时刻的烟气含氧量值，表示第n天第i时刻和第n天的上一周同类日的第i时刻的烟气含氧量值，x
n,i
第n天第i时刻的烟气含氧量值。5.根据权利要求2所述的方法，其特征在于，所述方法还包括：在所述第二烟气含氧量值与烟气含氧量值的均值的差值...

【专利技术属性】
技术研发人员：刘胜伟，
申请(专利权)人：新智我来网络科技有限公司，
类型：发明
国别省市：