烟气含氧量负荷预测方法、装置、电子设备及存储介质制造方法及图纸

本说明书实施例提供一种烟气含氧量负荷预测方法、装置、电子设备及存储介质。方法包括：获取第一锅炉对象的源域数据，根据源域数据生成训练集，利用训练集对第一预测模型进行训练，得到第一预测模型的模型参数；获取第二锅炉对象的待训练参数，基于第一预测模型的模型参数以及待训练参数，构造第二预测模型；利用预测模型优化算法，对第二预测模型执行优化操作，得到优化后的第二预测模型对应的模型初始参数；利用模型初始参数对第一预测模型的模型参数进行更新，基于参数更新后的第一预测模型对第二锅炉对象的烟气含氧量负荷进行预测，得到烟气含氧量负荷的预测值。本公开能够降低烟气含氧量负荷测量的成本，提高烟气含氧量负荷预测精度。荷预测精度。荷预测精度。

【技术实现步骤摘要】
烟气含氧量负荷预测方法、装置、电子设备及存储介质


[0001]本公开涉及数据处理
，尤其涉及一种烟气含氧量负荷预测方法、装置、电子设备及存储介质。

技术介绍

[0002]烟气含氧量与锅炉燃烧效率、废气排放等密切相关。当烟气含氧量过高时，会导致废气排放中的污染物增加；而烟气含氧量过低时，会导致燃料燃烧不充分，降低锅炉效率。因此准确测量烟气含氧量，将有助于提高锅炉燃烧效率，降低煤耗。
[0003]现有技术中，烟气含氧量通常采用氧化锆测量仪进行测量，测量和维护费用较高，在分布式能源领域，小型燃气锅炉为了节约成本，往往将测量仪轮流安装在不同的锅炉设备上来采集数据，由于每台锅炉安装的时间过短，不能采集到足够多的数据来训练有效的模型。另外，由于不同锅炉的数据分布是不一样的，因此很大程度上影响了数据的预测精度，在源域数据上训练的模型在目标域数据上预测的精度可能就会很低。

技术实现思路

[0004]有鉴于此，本公开实施例提供了一种烟气含氧量负荷预测方法、装置、电子设备及存储介质，以解决现有技术存在的测量成本高，烟气含氧量负荷预测的精度较低的问题。
[0005]本公开实施例的第一方面，提供了一种烟气含氧量负荷预测方法，包括：获取第一锅炉对象的源域数据，并根据源域数据生成训练集，利用训练集对预设的第一预测模型进行训练，得到第一预测模型对应的模型参数；获取第二锅炉对象对应的待训练参数，基于第一预测模型的模型参数以及待训练参数，构造第二预测模型；利用预先配置的预测模型优化算法，对第二预测模型执行优化操作，得到优化后的第二预测模型对应的模型初始参数；利用模型初始参数对第一预测模型的模型参数进行更新，基于参数更新后的第一预测模型对第二锅炉对象的烟气含氧量负荷进行预测，得到烟气含氧量负荷的预测值。
[0006]本公开实施例的第二方面，提供了一种烟气含氧量负荷预测装置，包括：训练模块，被配置为获取第一锅炉对象的源域数据，并根据源域数据生成训练集，利用训练集对预设的第一预测模型进行训练，得到第一预测模型对应的模型参数；构造模块，被配置为获取第二锅炉对象对应的待训练参数，基于第一预测模型的模型参数以及待训练参数，构造第二预测模型；优化模块，被配置为利用预先配置的预测模型优化算法，对第二预测模型执行优化操作，得到优化后的第二预测模型对应的模型初始参数；预测模块，被配置为利用模型初始参数对第一预测模型的模型参数进行更新，基于参数更新后的第一预测模型对第二锅炉对象的烟气含氧量负荷进行预测，得到烟气含氧量负荷的预测值。
[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，处理器及存储在存储器上并可在处理器上运行的计算机程序，处理器执行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]本公开实施例采用的上述至少一个技术方案能够达到以下有益效果：
[0010]通过获取第一锅炉对象的源域数据，并根据源域数据生成训练集，利用训练集对预设的第一预测模型进行训练，得到第一预测模型对应的模型参数；获取第二锅炉对象对应的待训练参数，基于第一预测模型的模型参数以及待训练参数，构造第二预测模型；利用预先配置的预测模型优化算法，对第二预测模型执行优化操作，得到优化后的第二预测模型对应的模型初始参数；利用模型初始参数对第一预测模型的模型参数进行更新，基于参数更新后的第一预测模型对第二锅炉对象的烟气含氧量负荷进行预测，得到烟气含氧量负荷的预测值。本公开能够节省锅炉安装传感器的成本，降低烟气含氧量负荷测量的成本，同时提高烟气含氧量负荷预测的精度。
附图说明
[0011]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。
[0012]图1是本公开实施例提供的烟气含氧量负荷预测方法的流程示意图；
[0013]图2是本公开实施例提供的SVM模型优化的流程示意图；
[0014]图3是本公开实施例提供的烟气含氧量负荷预测装置的结构示意图；
[0015]图4是本公开实施例提供的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]烟气含氧量与锅炉燃烧效率、废气排放等密切相关。当烟气含氧量过高时，会导致废气排放中的污染物增加；而烟气含氧量过低时，会导致燃料燃烧不充分，降低锅炉效率。因此准确测量烟气含氧量，将有助于提高锅炉燃烧效率，降低煤耗。下面结合具体实施例，对现有的烟气含氧量负荷预测的实现方式及存在的问题进行详细说明，具体可以包括以下内容：
[0018]一方面，热效率是衡量燃气锅炉的重要指标，一般通过控制锅炉烟气含氧量为最优设计值以实现不同工况下热效率最高。烟气含氧量常用氧化锆测量仪，测量和维护费用较高，在分布式能源领域，小型燃气锅炉为了节约成本，往往将测量仪轮流安装在不同的锅炉设备上来采集数据，由于每台锅炉安装的时间过短，不能采集到足够多的数据来训练有效的模型。
[0019]另一方面，不同锅炉的数据分布是不一样的，这样很大程度上影响了数据的预测精度，在源域数据上训练的模型在目标域数据上预测的精度可能就会很低。其次，不同工艺下的锅炉数据分布差异也可能会很大，会使得预测精度偏低，不利于后期设备的预警，调度等操作。
[0020]鉴于上述现有技术中存在的问题，本公开提供一种烟气含氧量负荷预测方法，本公开实施例通过训练两种预测模型，即支持向量机模型和迁移模型，并通过算法缩小源域数据和目标域数据的训练模型之间的差异，从而提高数据的预测精度；同时，本公开实施例还利用改进的预测模型优化算法，优化迁移模型的参数，从而进一步提升迁移模型的预测精度。本公开实施例在节省锅炉安装传感器成本的同时，提高锅炉烟气含氧量负荷预测的准确性，达到提高烟气含氧量负荷预测精度的目的。
[0021]图1是本公开实施例提供的烟气含氧量负荷预测方法的流程示意图。图1的烟气含氧量负荷预测方法可以由服务器执行。如图1所示，该烟气含氧量负荷预测方法具体可以包括：
[0022]S101，获取第一锅炉对象的源域数据，并根据源域数据生成训练集，利用训练集对预设的第一预测模型进行训练，得到第一预测模型对应的模型参数；
[0023]S102，获取第二锅炉对象对应的待训练参数，基于第一预测模型的模型参数以及待训练参数，构造第二预测模型；
[0024]本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种烟气含氧量负荷预测方法，其特征在于，包括：获取第一锅炉对象的源域数据，并根据所述源域数据生成训练集，利用所述训练集对预设的第一预测模型进行训练，得到所述第一预测模型对应的模型参数；获取第二锅炉对象对应的待训练参数，基于所述第一预测模型的模型参数以及所述待训练参数，构造第二预测模型；利用预先配置的预测模型优化算法，对所述第二预测模型执行优化操作，得到优化后的所述第二预测模型对应的模型初始参数；利用所述模型初始参数对所述第一预测模型的模型参数进行更新，基于参数更新后的第一预测模型对所述第二锅炉对象的烟气含氧量负荷进行预测，得到所述烟气含氧量负荷的预测值。2.根据权利要求1所述的方法，其特征在于，在所述获取第一锅炉对象的源域数据之前，所述方法还包括：获取原始数据集，并对所述原始数据集执行预处理操作，所述原始数据集中包含所述第一锅炉对象对应的源域数据，以及所述第二锅炉对象对应的目标域数据，所述源域数据与所述目标域数据之间具有相同的特征；其中，所述预处理操作包括数据缺失值处理、数据异常值处理、以及数据归一化处理。3.根据权利要求1所述的方法，其特征在于，所述第一预测模型采用支持向量机模型，所述利用所述训练集对预设的第一预测模型进行训练，得到所述第一预测模型对应的模型参数，包括：将所述训练集作为所述支持向量机模型训练的输入，将蒸汽锅炉烟气含氧量作为所述支持向量机模型训练的标签，利用所述训练集以及所述标签，对所述支持向量机模型进行训练，得到训练后的所述支持向量机模型的模型参数。4.根据权利要求1所述的方法，其特征在于，所述第二预测模型采用迁移模型，采用随机构造的方式获取所述第二锅炉对象对应的待训练参数，利用以下公式构造所述迁移模型：s.t.y
i
ω
T
x
i
≥1
‑
ξ
i
,ξ
i
≥0,i＝1,
…
,l其中，ω0∈R
d
×1表示利用源域数据训练得到的第一预测模型的模型参数，ω∈R
d
×1表示待训练参数，ξ
i
≥0表示松弛变量，用于反应数据点的允许偏离量，λ表示控制参数，x
i
表示样本...

【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：