CN110363289A - 一种基于机器学习的工业蒸汽量预测方法及装置 - Google Patents
一种基于机器学习的工业蒸汽量预测方法及装置 Download PDFInfo
- Publication number
- CN110363289A CN110363289A CN201910648184.5A CN201910648184A CN110363289A CN 110363289 A CN110363289 A CN 110363289A CN 201910648184 A CN201910648184 A CN 201910648184A CN 110363289 A CN110363289 A CN 110363289A
- Authority
- CN
- China
- Prior art keywords
- floor data
- boiler
- time series
- history
- sensor
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/049—Temporal neural networks, e.g. delay elements, oscillating neurons or pulsed inputs
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Feedback Control In General (AREA)
Abstract
本发明公开一种基于机器学习的工业蒸汽量预测方法,涉及工业火力发电技术领域,该预测方法基于锅炉传感器采集的历史工况数据和实际排放的蒸汽量,通过对历史工况数据进行时间序列分解来获得历史工况数据的内在趋势和周期信息两项特征数据,还通过LSTM算法学习历史工况数据的内在趋势、周期信息、以及与历史工况数据相对应的实际排放量,最终训练构建LSTM算法预测模型,锅炉传感器新采集的工况数据经过时间序列分解后输入LSTM算法预测模型,即可输出锅炉的预测蒸汽量。本发明还提供了一种基于机器学习的工业蒸汽量预测装置,该预测装置与前述预测方法相结合,可以输出准确率更高的蒸汽量预测结果。
Description
技术领域
本发明涉及工业火力发电技术领域,具体的说是一种基于机器学习的工业蒸汽量预测方法及装置。
背景技术
在传统的工业火力发电的蒸汽量预测中,预测人员单纯的对传感器提供的数据进行常规分析,比如对数据进行常规的异常值处理、数据平滑、数据标准化、相关性分 析等数据清洗和预处理,而在特征构造方面,通常只是简单的将传感器收集到的特征 数据进行简单的两两特征间的四则运算来构造新的特征。然而,这些简单直接的特征 构造方法很难构造出预测模型所需要的显著特征,对预测模型的预测结果准确率提升 微乎其微,难有效果。
发明内容
本发明针对目前技术发展的需求和不足之处,提供一种基于机器学习的工业蒸汽量预测方法及装置,以通过分析并学习历史工况数据和实际排放的蒸汽量之间的相关 性,提高蒸汽量预测的准确率。
首先,本发明提供一种基于机器学习的工业蒸汽量预测方法,解决上述技术问题采用的技术方案如下:
一种基于机器学习的工业蒸汽量预测方法,该预测方法基于锅炉传感器采集的历史工况数据和实际排放的蒸汽量,首先通过时间序列分解历史工况数据,获得历史工 况数据的内在趋势和周期信息两项特征数据,随后利用LSTM算法学习历史工况数据的 内在趋势和周期信息,再借助与历史工况数据相对应的实际排放量训练构建LSTM算法 预测模型,最后,锅炉传感器新采集的工况数据经过时间序列分解后输入LSTM算法预 测模型,即可输出锅炉的预测蒸汽量。
具体的,所涉及锅炉传感器所采集的工况数据包括:
燃烧给量、一次给风量、二次给风量、引风量、反料风量;
给水水量、补水温度、补水流量、蒸汽焓、凝结水流量;
锅炉床温、锅炉床压、锅炉的炉膛温度、锅炉的炉膛内压力;
过热器的温度。
具体的,所涉及锅炉具有多个传感器,多个传感器采集锅炉不同位置的数据;
根据锅炉的实际工作状态,每个传感器采集的工况数据都是规整的时间序列数据。
进一步具体的,通过时间序列分解工况数据的具体实现过程包括:
1)按照传感器是否所属同一个锅炉来整理锅炉传感器所采集的工况数据,将所有传感器采集的工况数据在时间上进行一一对应;
2)对所属同一个锅炉的所有传感器采集的工况数据进行时间序列分解,分解后得到多个周期,在10-30个周期范围内进行grid search来选取一个最佳参数,利用最 佳参数修正一个周期范围内工况数据的内在趋势和周期信息两项特征数据。
进一步具体的,在步骤2)中,对所属同一个锅炉的所有传感器采集的工况数据进行时间序列分解的具体过程包括:
2-1)利用python中statsmodels.tsa.seasonal包下的seasonal_decompose函 数对采集的工况数据进行分解,分解后的一个时间序列看做一个周期;
2-2)参数设置为model=‘additive’,freq=14,extrapolate_trend=1,随后,每个周期的工况数据被分解生成内在趋势、周期信息、余项信息三部分;
2-3)丢弃余项信息,保留内在趋势和周期信息,并将其合并于分解后所属周期的工况数据中;
2-4)根据周期参数freq的选取值,利用grid search函数对10-30周期范围内 的取值进行实验,并选取最佳参数,利用最佳参数修正一个周期范围内工况数据的内 在趋势和周期信息两项特征数据。
进一步具体的,利用LSTM算法学习历史工况数据的内在趋势和周期信息,再借助与历史工况数据相对应的实际排放量训练构建LSTM算法预测模型,具体实现步骤包括:
1)利用python中的LSTM框架进行学习训练;
2)利用sklearn.grid_search下的GridSearchCV函数对LSTM算法的学习过程进行调参,可调节的关键参数包括learning_rate,units和激活函数;
3)根据调参后的结果选取最优参数;
4)基于最优参数,利用历史工况数据时间序列分解后得到的内在趋势和周期信息、 以及与历史工况数据相对应的实际排放量,构建LSTM算法预测模型。
其次,本发明还提供一种基于机器学习的工业蒸汽量预测装置,预测装置包括:
收集模块,用于收集锅炉传感器所采集的历史工况数据、实际排放的蒸汽量、以及锅炉传感器新采集的工况数据;
时间序列分解模块,用于对收集的历史工况数据和新工况数据进行时间序列分解, 并获得历史工况数据和新工况数据的内在趋势和周期信息两项特征数据;
LSTM算法模块,用于学习历史工况数据的内在趋势和周期信息;
训练构建模块,用于将与历史工况数据相对应的实际排放量输入LSTM算法模块,以训练构建LSTM算法预测模型;
锅炉传感器新采集的工况数据经过时间序列分解后输入LSTM算法预测模型,LSTM算法预测模型即可输出锅炉的预测蒸汽量。
具体的,所涉及锅炉传感器所采集的工况数据包括:
燃烧给量、一次给风量、二次给风量、引风量、反料风量;
给水水量、补水温度、补水流量、蒸汽焓、凝结水流量;
锅炉床温、锅炉床压、锅炉的炉膛温度、锅炉的炉膛内压力;
过热器的温度。
具体的,所涉及锅炉具有多个传感器,多个传感器采集锅炉不同位置的数据;
根据锅炉的实际工作状态,每个传感器采集的工况数据都是规整的时间序列数据;
所涉及收集模块收集传感器所采集的工况数据时,按照传感器是否所属同一个锅炉来整理锅炉传感器所采集的工况数据,将所有传感器采集的工况数据在时间上进行 一一对应;
所涉及时间序列分解模块的具体分解过程包括:
1)利用python中statsmodels.tsa.seasonal包下的seasonal_decompose函数 对所属同一个锅炉的所有传感器采集的工况数据进行时间序列分解,分解后的一个时 间序列看做一个周期;
2)参数设置为model=‘additive’,freq=14,extrapolate_trend=1,随后,每个周期的工况数据被分解生成内在趋势、周期信息、余项信息三部分;
3)丢弃余项信息,保留内在趋势和周期信息,并将其合并于分解后所属周期的工况数据中;
4)根据周期参数freq的选取值,利用grid search函数对10-30周期范围内的 取值进行实验,并选取最佳参数,利用最佳参数修正一个周期范围内工况数据的内在 趋势和周期信息两项特征数据。
进一步具体的,所涉及LSTM算法模块基于python中的LSTM框架;
训练构建模块利用sklearn.grid_search下的GridSearchCV函数对LSTM算法模块的学习过程进行调参,可调节的关键参数包括learning_rate,units和激活函数;
训练构建模块根据调参后的结果选取最优参数,随后训练构建模块基于最优参数, 利用历史工况数据时间序列分解后得到的内在趋势和周期信息、以及与历史工况数据相对应的实际排放量,完成LSTM算法预测模型的构建。
本发明的一种基于机器学习的工业蒸汽量预测方法及装置,与现有技术相比具有的有益效果是:
本发明基于锅炉传感器采集的历史工况数据和实际排放的蒸汽量,通过对工况数据进行时间序列分解来获得历史工况数据的内在趋势和周期信息两项特征数据,还通 过LSTM算法学习历史工况数据的内在趋势、周期信息、以及与历史工况数据相对应的 实际排放量,最终训练构建LSTM算法预测模型,锅炉传感器新采集的工况数据经过时 间序列分解后输入LSTM算法预测模型,即可输出锅炉的预测蒸汽量,该预测结果具有 较高的准确率。
附图说明
附图1是本发明实施例一的原理流程图;
附图2是本发明实施例二的结构连接框图。
附图中各标号信息表示:
1、收集模块,2、时间序列分解模块,3、LSTM算法模块,
4、训练构建模块,5、LSTM算法预测模型;
附图中虚线表示预测过程。
具体实施方式
为使本发明的技术方案、解决的技术问题和技术效果更加清楚明白,以下结合具体实施例,对本发明的技术方案进行清楚、完整的描述,显然,所描述的实施例仅仅 是本发明的一部分实施例,而不是全部的实施例。基于本发明的实施例,本领域技术 人员在没有做出创造性劳动的前提下获得的所有实施例,都在本发明的保护范围之内。
实施例一:
结合附图1,本实施例提出一种基于机器学习的工业蒸汽量预测方法,该预测方法基于锅炉传感器采集的历史工况数据和实际排放的蒸汽量,首先通过时间序列分解历 史工况数据,获得历史工况数据的内在趋势和周期信息两项特征数据,随后利用LSTM 算法学习历史工况数据的内在趋势和周期信息,再借助与历史工况数据相对应的实际 排放量训练构建LSTM算法预测模型,最后,锅炉传感器新采集的工况数据经过时间序 列分解后输入LSTM算法预测模型,即可输出锅炉的预测蒸汽量。
在本实施例中,所涉及锅炉传感器所采集的工况数据包括:
燃烧给量、一次给风量、二次给风量、引风量、反料风量;
给水水量、补水温度、补水流量、蒸汽焓、凝结水流量;
锅炉床温、锅炉床压、锅炉的炉膛温度、锅炉的炉膛内压力;
过热器的温度。
在本实施例中,所涉及锅炉具有多个传感器,多个传感器采集锅炉不同位置的数据;
根据锅炉的实际工作状态,每个传感器采集的工况数据都是规整的时间序列数据。
在本实施例中,通过时间序列分解工况数据的具体实现过程包括:
1)按照传感器是否所属同一个锅炉来整理锅炉传感器所采集的工况数据,将所有传感器采集的工况数据在时间上进行一一对应;
2)对所属同一个锅炉的所有传感器采集的工况数据进行时间序列分解,分解后得到多个周期,在10-30个周期范围内进行grid search来选取一个最佳参数,利用最 佳参数修正一个周期范围内工况数据的内在趋势和周期信息两项特征数据。
在本实施例的步骤2)中,对所属同一个锅炉的所有传感器采集的工况数据进行时间序列分解的具体过程包括:
2-1)利用python中statsmodels.tsa.seasonal包下的seasonal_decompose函 数对采集的工况数据进行分解,分解后的一个时间序列看做一个周期;
2-2)参数设置为model=‘additive’,freq=14,extrapolate_trend=1,随后,每个周期的工况数据被分解生成内在趋势、周期信息、余项信息三部分;
2-3)丢弃余项信息,保留内在趋势和周期信息,并将其合并于分解后所属周期的工况数据中;
2-4)根据周期参数freq的选取值,利用grid search函数对10-30周期范围内 的取值进行实验,并选取最佳参数,利用最佳参数修正一个周期范围内工况数据的内 在趋势和周期信息两项特征数据。
在本实施例中,利用LSTM算法学习历史工况数据的内在趋势和周期信息,再借助与历史工况数据相对应的实际排放量训练构建LSTM算法预测模型,具体实现步骤包括:
1)利用python中的LSTM框架进行学习训练;
2)利用sklearn.grid_search下的GridSearchCV函数对LSTM算法的学习过程进行调参,可调节的关键参数包括learning_rate,units和激活函数;
3)根据调参后的结果选取最优参数;
4)基于最优参数,利用历史工况数据时间序列分解后得到的内在趋势和周期信息、 以及与历史工况数据相对应的实际排放量,构建LSTM算法预测模型。
实施例二:
结合附图2,本实施例提出一种基于机器学习的工业蒸汽量预测装置,预测装置包括:
收集模块1,用于收集锅炉传感器所采集的历史工况数据、实际排放的蒸汽量、以及锅炉传感器新采集的工况数据;
时间序列分解模块2,用于对收集的历史工况数据和新工况数据进行时间序列分解,并获得历史工况数据和新工况数据的内在趋势和周期信息两项特征数据;
LSTM算法模块3,用于学习历史工况数据的内在趋势和周期信息;
训练构建模块4,用于将与历史工况数据相对应的实际排放量输入LSTM算法模块3,以训练构建LSTM算法预测模型5;
锅炉传感器新采集的工况数据经过时间序列分解后输入LSTM算法预测模型5,LSTM算法预测模型5即可输出锅炉的预测蒸汽量。
在本实施例中,所涉及锅炉传感器所采集的工况数据包括:
燃烧给量、一次给风量、二次给风量、引风量、反料风量;
给水水量、补水温度、补水流量、蒸汽焓、凝结水流量;
锅炉床温、锅炉床压、锅炉的炉膛温度、锅炉的炉膛内压力;
过热器的温度。
在本实施例中,所涉及锅炉具有多个传感器,多个传感器采集锅炉不同位置的数据;
根据锅炉的实际工作状态,每个传感器采集的工况数据都是规整的时间序列数据;
所涉及收集模块1收集传感器所采集的工况数据时,按照传感器是否所属同一个锅炉来整理锅炉传感器所采集的工况数据,将所有传感器采集的工况数据在时间上进 行一一对应。
在本实施例中,所涉及时间序列分解模块2的具体分解过程包括:
1)利用python中statsmodels.tsa.seasonal包下的seasonal_decompose函数 对所属同一个锅炉的所有传感器采集的工况数据进行时间序列分解,分解后的一个时 间序列看做一个周期;
2)参数设置为model=‘additive’,freq=14,extrapolate_trend=1,随后,每个周期的工况数据被分解生成内在趋势、周期信息、余项信息三部分;
3)丢弃余项信息,保留内在趋势和周期信息,并将其合并于分解后所属周期的工况数据中;
4)根据周期参数freq的选取值,利用grid search函数对10-30周期范围内的 取值进行实验,并选取最佳参数,利用最佳参数修正一个周期范围内工况数据的内在 趋势和周期信息两项特征数据。
在本实施例中,所涉及LSTM算法模块3基于python中的LSTM框架;
训练构建模块4利用sklearn.grid_search下的GridSearchCV函数对LSTM算法 模块3的学习过程进行调参,可调节的关键参数包括learning_rate,units和激活函 数;
训练构建模块4根据调参后的结果选取最优参数,随后训练构建模块4基于最优参数,利用历史工况数据时间序列分解后得到的内在趋势和周期信息、以及与历史工 况数据相对应的实际排放量,完成LSTM算法预测模型5的构建。
综上可知,采用本发明的一种基于机器学习的工业蒸汽量预测方法及装置,通过对传感器所采集的历史工况数据进行时间序列分解来获得历史工况数据的内在趋势和 周期信息两项特征数据,还通过LSTM算法学习历史工况数据的内在趋势、周期信息、 以及与历史工况数据相对应的实际排放量,最终训练构建LSTM算法预测模型5,锅炉 传感器新采集的工况数据经过时间序列分解后输入LSTM算法预测模型5,即可输出锅 炉的预测蒸汽量,该预测结果具有较高的准确率。
以上应用具体个例对本发明的原理及实施方式进行了详细阐述,这些实施例只是用于帮助理解本发明的核心技术内容,并不用于限制本发明的保护范围,本发明的技 术方案不限制于上述具体实施方式内。基于本发明的上述具体实施例,本技术领域的 技术人员在不脱离本发明原理的前提下,对本发明所作出的任何改进和修饰,皆应落 入本发明的专利保护范围。
Claims (10)
1.一种基于机器学习的工业蒸汽量预测方法,其特征在于,该预测方法基于锅炉传感器采集的历史工况数据和实际排放的蒸汽量,首先通过时间序列分解历史工况数据,获得历史工况数据的内在趋势和周期信息两项特征数据,随后利用LSTM算法学习历史工况数据的内在趋势和周期信息,再借助与历史工况数据相对应的实际排放量训练构建LSTM算法预测模型,最后,锅炉传感器新采集的工况数据经过时间序列分解后输入LSTM算法预测模型,即可输出锅炉的预测蒸汽量。
2.根据权利要求1所述的一种基于机器学习的工业蒸汽量预测方法,其特征在于,所述锅炉传感器所采集的工况数据包括:
燃烧给量、一次给风量、二次给风量、引风量、反料风量;
给水水量、补水温度、补水流量、蒸汽焓、凝结水流量;
锅炉床温、锅炉床压、锅炉的炉膛温度、锅炉的炉膛内压力;
过热器的温度。
3.根据权利要求1所述的一种基于机器学习的工业蒸汽量预测方法,其特征在于所述锅炉具有多个传感器,多个传感器采集锅炉不同位置的数据;
根据锅炉的实际工作状态,每个传感器采集的工况数据都是规整的时间序列数据。
4.根据权利要求3所述的一种基于机器学习的工业蒸汽量预测方法,其特征在于,通过时间序列分解工况数据的具体实现过程包括:
1)按照传感器是否所属同一个锅炉来整理锅炉传感器所采集的工况数据,将所有传感器采集的工况数据在时间上进行一一对应;
2)对所属同一个锅炉的所有传感器采集的工况数据进行时间序列分解,分解后得到多个周期,在10-30个周期范围内进行grid search来选取一个最佳参数,利用最佳参数修正一个周期范围内工况数据的内在趋势和周期信息两项特征数据。
5.根据权利要求4所述的一种基于机器学习的工业蒸汽量预测方法,其特征在于,在步骤2)中,对所属同一个锅炉的所有传感器采集的工况数据进行时间序列分解的具体过程包括:
2-1)利用python中statsmodels.tsa.seasonal包下的seasonal_decompose函数对采集的工况数据进行分解,分解后的一个时间序列看做一个周期;
2-2)参数设置为model=‘additive’,freq=14,extrapolate_trend=1,随后,每个周期的工况数据被分解生成内在趋势、周期信息、余项信息三部分;
2-3)丢弃余项信息,保留内在趋势和周期信息,并将其合并于分解后所属周期的工况数据中;
2-4)根据周期参数freq的选取值,利用grid search函数对10-30周期范围内的取值进行实验,并选取最佳参数,利用最佳参数修正一个周期范围内工况数据的内在趋势和周期信息两项特征数据。
6.根据权利要求5所述的一种基于机器学习的工业蒸汽量预测方法,其特征在于,利用LSTM算法学习历史工况数据的内在趋势和周期信息,再借助与历史工况数据相对应的实际排放量训练构建LSTM算法预测模型,具体实现步骤包括:
1)利用python中的LSTM框架进行学习训练;
2)利用sklearn.grid_search下的GridSearchCV函数对LSTM算法的学习过程进行调参,可调节的关键参数包括learning_rate,units和激活函数;
3)根据调参后的结果选取最优参数;
4)基于最优参数,利用历史工况数据时间序列分解后得到的内在趋势和周期信息、以及与历史工况数据相对应的实际排放量,构建LSTM算法预测模型。
7.一种基于机器学习的工业蒸汽量预测装置,其特征在于,所述预测装置包括:
收集模块,用于收集锅炉传感器所采集的历史工况数据、实际排放的蒸汽量、以及锅炉传感器新采集的工况数据;
时间序列分解模块,用于对收集的历史工况数据和新工况数据进行时间序列分解,并获得历史工况数据和新工况数据的内在趋势和周期信息两项特征数据;
LSTM算法模块,用于学习历史工况数据的内在趋势和周期信息;
训练构建模块,用于将与历史工况数据相对应的实际排放量输入LSTM算法模块,以训练构建LSTM算法预测模型;
锅炉传感器新采集的工况数据经过时间序列分解后输入LSTM算法预测模型,LSTM算法预测模型即可输出锅炉的预测蒸汽量。
8.根据权利要求7所述的一种基于机器学习的工业蒸汽量预测装置,其特征在于,所述锅炉传感器所采集的工况数据包括:
燃烧给量、一次给风量、二次给风量、引风量、反料风量;
给水水量、补水温度、补水流量、蒸汽焓、凝结水流量;
锅炉床温、锅炉床压、锅炉的炉膛温度、锅炉的炉膛内压力;
过热器的温度。
9.根据权利要求7所述的一种基于机器学习的工业蒸汽量预测装置,其特征在于,所述锅炉具有多个传感器,多个传感器采集锅炉不同位置的数据;
根据锅炉的实际工作状态,每个传感器采集的工况数据都是规整的时间序列数据;
所述收集模块收集传感器所采集的工况数据时,按照传感器是否所属同一个锅炉来整理锅炉传感器所采集的工况数据,将所有传感器采集的工况数据在时间上进行一一对应;
所述时间序列分解模块的具体分解过程包括:
1)利用python中statsmodels.tsa.seasonal包下的seasonal_decompose函数对所属同一个锅炉的所有传感器采集的工况数据进行时间序列分解,分解后的一个时间序列看做一个周期;
2)参数设置为model=‘additive’,freq=14,extrapolate_trend=1,随后,每个周期的工况数据被分解生成内在趋势、周期信息、余项信息三部分;
3)丢弃余项信息,保留内在趋势和周期信息,并将其合并于分解后所属周期的工况数据中;
4)根据周期参数freq的选取值,利用grid search函数对10-30周期范围内的取值进行实验,并选取最佳参数,利用最佳参数修正一个周期范围内工况数据的内在趋势和周期信息两项特征数据。
10.根据权利要求9所述的一种基于机器学习的工业蒸汽量预测装置,其特征在于,所述LSTM算法模块基于python中的LSTM框架;
所述训练构建模块利用sklearn.grid_search下的GridSearchCV函数对LSTM算法模块的学习过程进行调参,可调节的关键参数包括learning_rate,units和激活函数;
所述训练构建模块根据调参后的结果选取最优参数,随后所述训练构建模块基于最优参数,利用历史工况数据时间序列分解后得到的内在趋势和周期信息、以及与历史工况数据相对应的实际排放量,完成LSTM算法预测模型的构建。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910648184.5A CN110363289A (zh) | 2019-07-17 | 2019-07-17 | 一种基于机器学习的工业蒸汽量预测方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910648184.5A CN110363289A (zh) | 2019-07-17 | 2019-07-17 | 一种基于机器学习的工业蒸汽量预测方法及装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110363289A true CN110363289A (zh) | 2019-10-22 |
Family
ID=68220292
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910648184.5A Pending CN110363289A (zh) | 2019-07-17 | 2019-07-17 | 一种基于机器学习的工业蒸汽量预测方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110363289A (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111179595A (zh) * | 2020-01-06 | 2020-05-19 | 东南大学 | 一种交通流时间序列分解方法 |
CN111428906A (zh) * | 2020-02-17 | 2020-07-17 | 浙江大学 | 一种基于图像变换的工业锅炉蒸汽量预测方法 |
CN112613651A (zh) * | 2020-12-16 | 2021-04-06 | 上海全应科技有限公司 | 一种工业蒸汽末端消费量预测模型建立、预测方法及*** |
CN112906307A (zh) * | 2021-03-24 | 2021-06-04 | 青岛洪锦智慧能源技术有限公司 | 一种基于数据挖掘的蒸汽锅炉的蒸汽产量的预测方法 |
CN112949181A (zh) * | 2021-03-02 | 2021-06-11 | 国能大渡河枕头坝发电有限公司 | 一种多源关联数据的预警预测方法、存储介质及电子设备 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106500128A (zh) * | 2017-01-12 | 2017-03-15 | 东北电力大学 | 一种变负荷工况下火电厂锅炉NOx排放控制方法 |
CN107239859A (zh) * | 2017-06-05 | 2017-10-10 | 国网山东省电力公司电力科学研究院 | 基于串联长短期记忆循环神经网络的供热负荷预测方法 |
CN108764568A (zh) * | 2018-05-28 | 2018-11-06 | 哈尔滨工业大学 | 一种基于lstm网络的数据预测模型调优方法及装置 |
CN109598380A (zh) * | 2018-12-03 | 2019-04-09 | 郑州云海信息技术有限公司 | 一种多元实时时序数据预测的方法和*** |
CN109784577A (zh) * | 2019-01-25 | 2019-05-21 | 济南浪潮高新科技投资发展有限公司 | 一种基于时间序列分解的中标数量预测方法 |
-
2019
- 2019-07-17 CN CN201910648184.5A patent/CN110363289A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106500128A (zh) * | 2017-01-12 | 2017-03-15 | 东北电力大学 | 一种变负荷工况下火电厂锅炉NOx排放控制方法 |
CN107239859A (zh) * | 2017-06-05 | 2017-10-10 | 国网山东省电力公司电力科学研究院 | 基于串联长短期记忆循环神经网络的供热负荷预测方法 |
CN108764568A (zh) * | 2018-05-28 | 2018-11-06 | 哈尔滨工业大学 | 一种基于lstm网络的数据预测模型调优方法及装置 |
CN109598380A (zh) * | 2018-12-03 | 2019-04-09 | 郑州云海信息技术有限公司 | 一种多元实时时序数据预测的方法和*** |
CN109784577A (zh) * | 2019-01-25 | 2019-05-21 | 济南浪潮高新科技投资发展有限公司 | 一种基于时间序列分解的中标数量预测方法 |
Non-Patent Citations (2)
Title |
---|
杨国田: "基于长短期记忆神经网络的火电厂NOx排放预测模型", 《热力发电》 * |
浅笑古今: "利用ARIMA进行时间序列数据分析(Python)", 《HTTPS://BLOG.CSDN.NET/U012735708/ARTICLE/DETAILS/82460962》 * |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111179595A (zh) * | 2020-01-06 | 2020-05-19 | 东南大学 | 一种交通流时间序列分解方法 |
CN111428906A (zh) * | 2020-02-17 | 2020-07-17 | 浙江大学 | 一种基于图像变换的工业锅炉蒸汽量预测方法 |
CN111428906B (zh) * | 2020-02-17 | 2023-05-09 | 浙江大学 | 一种基于图像变换的工业锅炉蒸汽量预测方法 |
CN112613651A (zh) * | 2020-12-16 | 2021-04-06 | 上海全应科技有限公司 | 一种工业蒸汽末端消费量预测模型建立、预测方法及*** |
CN112613651B (zh) * | 2020-12-16 | 2024-05-03 | 上海全应科技有限公司 | 一种工业蒸汽末端消费量预测模型建立、预测方法及*** |
CN112949181A (zh) * | 2021-03-02 | 2021-06-11 | 国能大渡河枕头坝发电有限公司 | 一种多源关联数据的预警预测方法、存储介质及电子设备 |
CN112906307A (zh) * | 2021-03-24 | 2021-06-04 | 青岛洪锦智慧能源技术有限公司 | 一种基于数据挖掘的蒸汽锅炉的蒸汽产量的预测方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110363289A (zh) | 一种基于机器学习的工业蒸汽量预测方法及装置 | |
CN107239859B (zh) | 基于串联长短期记忆循环神经网络的供热负荷预测方法 | |
Wang et al. | A review of evaluation, optimization and synthesis of energy systems: methodology and application to thermal power plants | |
CN103440528B (zh) | 基于耗差分析的火电机组运行优化方法及装置 | |
Cui et al. | The evaluation of transportation energy efficiency: An application of three-stage virtual frontier DEA | |
Zare et al. | Thermoeconomic analysis and optimization of an ammonia–water power/cooling cogeneration cycle | |
CN104820707B (zh) | 一种基于计算机领域知识体系的b/s模式自动组卷方法 | |
Pasek et al. | Thermodynamics study of flash–binary cycle in geothermal power plant | |
CN107341324A (zh) | 一种利用Lambert函数求解光伏组件五参数的方法 | |
CN101320252A (zh) | 成套设备的控制装置 | |
CN106597154B (zh) | 基于dag-svm的变压器故障诊断提升方法 | |
CN103699786B (zh) | 一种热电厂超超临界发电机组变负荷耗差分析方法 | |
CN107807919A (zh) | 一种利用循环随机游走网络进行微博情感分类预测的方法 | |
Gollangi et al. | Energetic, exergetic analysis and machine learning of methane chlorination process for methyl chloride production | |
CN111275204A (zh) | 一种基于混合采样和集成学习的变压器状态识别方法 | |
CN105048451B (zh) | 一种基于新能源发电量区间预测的区间潮流计算方法 | |
CN103678948A (zh) | Cchp***三联供多目标优化方法 | |
Anderson | Economic analysis of solar-based thermal enhanced oil recovery | |
CN107944066A (zh) | 一种基于大数据的余热锅炉节能潜力分析方法 | |
Sanchez et al. | Modeling and simulation of the production process of electrical energy in a geothermal power plant | |
CN115564314A (zh) | 一种基于低碳用能优化协同的区域碳排放智慧测量*** | |
Zak et al. | Hybrid thermal–thermal desalination structures | |
Kaplin et al. | The balance-optimization model of the Ukrainian power sector and fuel industries mutually coordinated operation in the view of European environmental legislation | |
Samer | Cell phone application for sizing anaerobic digesters and computing energy production, biogas and methane yields | |
Carlisle | Getting Beyond Energy: Environmental Impacts, Building Materials, and Climate Change |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20191022 |