CN114118542A - 烟气含氧量负荷预测模型的选择方法及装置 - Google Patents
烟气含氧量负荷预测模型的选择方法及装置 Download PDFInfo
- Publication number
- CN114118542A CN114118542A CN202111331355.5A CN202111331355A CN114118542A CN 114118542 A CN114118542 A CN 114118542A CN 202111331355 A CN202111331355 A CN 202111331355A CN 114118542 A CN114118542 A CN 114118542A
- Authority
- CN
- China
- Prior art keywords
- data
- prediction
- data set
- training
- equipment
- 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
- QVGXLLKOCUKJST-UHFFFAOYSA-N atomic oxygen Chemical compound [O] QVGXLLKOCUKJST-UHFFFAOYSA-N 0.000 title claims abstract description 44
- 239000001301 oxygen Substances 0.000 title claims abstract description 44
- 229910052760 oxygen Inorganic materials 0.000 title claims abstract description 44
- UGFAIRIUMAVXCW-UHFFFAOYSA-N Carbon monoxide Chemical compound [O+]#[C-] UGFAIRIUMAVXCW-UHFFFAOYSA-N 0.000 title claims abstract description 40
- 239000003546 flue gas Substances 0.000 title claims abstract description 40
- 238000000034 method Methods 0.000 title claims abstract description 39
- 238000012549 training Methods 0.000 claims abstract description 73
- 238000012360 testing method Methods 0.000 claims abstract description 54
- 238000011156 evaluation Methods 0.000 claims abstract description 31
- 238000007781 pre-processing Methods 0.000 claims abstract description 16
- 238000004422 calculation algorithm Methods 0.000 claims description 27
- 238000004590 computer program Methods 0.000 claims description 20
- 238000012545 processing Methods 0.000 claims description 14
- 238000003860 storage Methods 0.000 claims description 9
- 230000002159 abnormal effect Effects 0.000 claims description 6
- 238000004364 calculation method Methods 0.000 claims description 4
- 238000010187 selection method Methods 0.000 claims description 4
- 239000000779 smoke Substances 0.000 claims description 4
- 238000007635 classification algorithm Methods 0.000 claims description 3
- 238000010606 normalization Methods 0.000 claims description 2
- 238000005259 measurement Methods 0.000 abstract description 5
- 230000008569 process Effects 0.000 description 9
- 238000010586 diagram Methods 0.000 description 6
- 230000006870 function Effects 0.000 description 6
- 238000013473 artificial intelligence Methods 0.000 description 4
- 238000004891 communication Methods 0.000 description 4
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 230000005856 abnormality Effects 0.000 description 2
- 238000007792 addition Methods 0.000 description 2
- 230000002776 aggregation Effects 0.000 description 2
- 238000004220 aggregation Methods 0.000 description 2
- 238000009826 distribution Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000007246 mechanism Effects 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000003066 decision tree Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000009795 derivation Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000002372 labelling Methods 0.000 description 1
- 238000012417 linear regression Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000005065 mining Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000008447 perception Effects 0.000 description 1
- 230000001737 promoting effect Effects 0.000 description 1
- 238000007637 random forest analysis Methods 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 230000000638 stimulation Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
- G06Q10/06393—Score-carding, benchmarking or key performance indicator [KPI] analysis
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- General Physics & Mathematics (AREA)
- Entrepreneurship & Innovation (AREA)
- Development Economics (AREA)
- Data Mining & Analysis (AREA)
- Marketing (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Life Sciences & Earth Sciences (AREA)
- Tourism & Hospitality (AREA)
- Educational Administration (AREA)
- Artificial Intelligence (AREA)
- General Business, Economics & Management (AREA)
- Game Theory and Decision Science (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Evolutionary Biology (AREA)
- Computational Linguistics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Bioinformatics & Computational Biology (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种烟气含氧量负荷预测模型的选择方法及装置。该方法包括：基于联合学习架构，接收来自参与方的预测设备的训练数据集和测试数据集；对预测设备的训练数据集中的数据和测试数据集中的数据进行预处理，并得到预处理后的设备数据集；根据建立预测模型组，计算预处理后的设备数据集中的每条数据的评价指标值；根据最小的评价指标值，确定适合预测设备的烟气含氧量负荷预测模型。本发明提高了对能源设备的烟气含氧量的预测精度，降低了现有技术的测量成本。
Description
技术领域
本公开涉及能源技术领域，尤其涉及一种烟气含氧量负荷预测模型的选择方法及装置。
背景技术
目前，工业科技的飞速发展，在能源行业中已经形成越来越复杂的工业设备和工业网络。在如此复杂发达的工业环境中对能源设备的数据测量也需要耗费大量的人力和物力，例如对锅炉的烟气含氧量负荷预测或蒸汽机的烟气含氧量负荷预测等。现有技术是对每个数据类型进行分析，然后用逐一算法测试，这就导致了对数据预测精度时间成本过长，预测不及时的问题。
发明内容
有鉴于此，本公开实施例提供了一种烟气含氧量负荷预测模型的选择方法及装置，以解决现有技术中对能源设备预测不及时，对能源设备的烟气含氧量的预测不准确的问题。
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模型的选择方法，包括：
基于联合学习架构，接收来自参与方的预测设备的训练数据集和测试数据集；
对预测设备的训练数据集中的数据和测试数据集中的数据进行预处理，并得到预处理后的设备数据集；
根据建立预测模型组，计算预处理后的设备数据集中的每条数据的评价指标值；
根据最小的评价指标值，确定适合预测设备的烟气含氧量负荷预测模型。
本公开实施例的第二方面，提供了烟气含氧量负荷预测模型的选择装置，包括：
接收模块，用于基于联合学习架构，接收来自参与方的预测设备的训练数据集和测试数据集；
预处理模块，用于对预测设备的训练数据集中的数据和测试数据集中的数据进行预处理，并得到预处理后的设备数据集；
计算模块，用于根据建立预测模型组，计算预处理后的设备数据集中的每条数据的评价指标值；
预测模块，用于根据最小的评价指标值，确定适合预测设备的烟气含氧量负荷预测模型。
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。
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。
本公开实施例与现有技术相比存在的有益效果是：通过基于联合学习架构，接收来自参与方的预测设备的训练数据集和测试数据集；对预测设备的训练数据集中的数据和测试数据集中的数据进行预处理，并得到预处理后的设备数据集；根据建立预测模型组，计算预处理后的设备数据集中的每条数据的评价指标值；根据最小的评价指标值，确定适合预测设备的烟气含氧量负荷预测模型。以提高对能源设备的烟气含氧量的预测，并降低现有技术的测量成本。
附图说明
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。
图1是本公开实施例的应用场景的场景示意图；
图2是本公开实施例提供的一种烟气含氧量负荷预测模型的选择方法的流程示意图；
图3是本公开实施例提供的一种烟气含氧量负荷预测模型的选择装置的结构示意图；
图4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
以下描述中，为了说明而不是为了限定，提出了诸如特定***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***、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。
联合学习是指在确保数据安全及用户隐私的前提下，综合利用多种AI(Artificial Intelligence，人工智能)技术，联合多方合作共同挖掘数据价值，催生基于联合建模的新的智能业态和模式。联合学习至少具有以下特点：
(1)参与节点控制自有数据的弱中心化联合训练模式，确保共创智能过程中的数据隐私安全。
(2)在不同应用场景下，利用筛选和/或组合AI算法、隐私保护计算，建立多种模型聚合优化策略，以获取高层次、高质量的模型。
(3)在确保数据安全及用户隐私的前提下，基于多种模型聚合优化策略，获取提升联合学习引擎的效能方法，其中效能方法可以是通过解决包括计算架构并行、大规模跨域网络下的信息交互、智能感知、异常处理机制等，提升联合学习引擎的整体效能。
(4)获取各场景下多方用户的需求，通过互信机制，确定合理评估各联合参与方的真实贡献度，进行分配激励。
基于上述方式，可以建立基于联合学习的AI技术生态，充分发挥行业数据价值，推动垂直领域的场景落地。
下面将结合附图详细说明根据本公开实施例的一种烟气含氧量负荷预测模型的选择方法和装置。
图1是本公开实施例的应用场景的场景示意图，其示出了一种联合学习架构。如图1所示，联合学习的架构可以包括服务器(中心节点)101以及参与方102、参与方103和参与方104。其中，参与方可以是一个或多客户端组成。
在联合学习过程中，基本模型可以通过服务器101建立，服务器101将该模型发送至与其建立通信连接的参与方102、参与方103和参与方104。基本模型还可以是任一参与方建立后上传至服务器101，服务器101将该模型发送至与其建立通信连接的其他参与方。参与方102、参与方103和参与方104根据下载的基本结构和模型参数构建模型，利用本地数据进行模型训练，获得更新的模型参数，并将更新的模型参数加密上传至服务器101。服务器101对参与方102、参与方103和参与方104发送的模型参数进行聚合，获得全局模型参数，并将全局模型参数传回至参与方102、参与方103和参与方104。参与方102、参与方103和参与方104根据接收的全局模型参数对各自的模型进行迭代，直到模型最终收敛，从而实现对模型的训练。在联合学习过程中，参与方102、参与方103和参与方104上传的数据为模型参数，本地数据并不会上传至服务器101，且所有参与方可以共享最终的模型参数，因此可以在保证数据隐私的基础上实现共同建模。
需要说明的是，参与方的数量不限于如上所述的三个，而是可以根据需要进行设置，本公开实施例对此不作限制。
图2是本公开实施例提供的一种烟气含氧量负荷预测模型的选择方法的流程示意图。图2的烟气含氧量负荷预测模型的选择方法可以由图1的服务器执行。如图2所示，该烟气含氧量负荷预测模型的选择方法包括：
S201，基于联合学习架构，接收来自参与方的预测设备的训练数据集和测试数据集。
其中，训练数据集可以是不同能源设备的型号(例如不同的锅炉型号)测试集数据可以是不同工艺下的能源设备的烟气含氧量数据以及其对应的特征数据。
具体地，可以通过根据预测设备的属性，确定预测设备的属性对应预测设备的烟气含氧量数据；然后，提取预测设备的烟气含氧量数据的特征；进而，利用预测设备的烟气含氧量数据的特征，分别组建预测设备的训练数据集和测试数据集。
S202，对预测设备的训练数据集中的数据和测试数据集中的数据进行预处理，并得到预处理后的设备数据集。
具体地，可以通过判断预测设备的训练数据集和测试数据集中的数据是否存在异常；如果存在异常，对预测设备的训练数据集和测试数据集中的数据进行异常处理。然后，对异常处理后的预测设备的训练数据集中的数据和测试数据集中的数据，进行数据归一化处理。
S203，根据建立预测模型组，计算预处理后的设备数据集中的每条数据的评价指标值。
其中，预测模型组可以由选取xgboost算法，SVR算法，神经网络算法，置信网络算法，决策树算法，随机森林回归算法，梯度提升树回归算法，线性回归算法，深度学习算法等算法组成，对此本发明不做限定。
具体地，可以根据预测设备的属性和预测预处理后的设备数据集中的每条数据，建立预测模型组；然后利用预测模型组，分别计算训练集和测试集的每条数据的均方根误差；进而可以将得到的训练集和测试集的每条数据的均方根误差，作为预处理后的设备数据集中的每条数据的评价指标值。
进一步地，对于利用预测模型组，分别计算训练集和测试集的每条数据的均方根误差的实现方式优选地，可以利用预测设备的训练数据集，训练预测模型组中的算法，以得到预测结果；可以利用预测设备的测试数据集，训练所述预测模型组中的算法，以得到测试结果；进而，根据预测结果和测试结果，得到训练集和测试集的每条数据的均方根误差。
例如，计算训练集和测试集的每条数据做预测，得到每条数据的均方根误差(设置为rmse)，并将该均方根误差作为预处理后的设备数据集中的每条数据的评价指标值，然后选取rmse值最小的那个算法作为训练集和测试集的对应的算法标签(对算法组中的每个算法进行标号，标号值是1,2,3等)
关于步骤中rmse得到的过程：用训练集训练算法组给出的算法，用测试集测试训练算法得到的预测结果，用预测结果和测试集得出rmse指标。rmse指标计算公式如下：
其中，n≥1为标号值；yi为训练集，
为测试集；i≥1为对应的数据集编号。
S204，根据最小的评价指标值，确定适合预测设备的烟气含氧量负荷预测模型。
具体地，可以通过对预处理后的设备数据集中的每条数据的评价指标值进行从小到大排序；并根据排序结果，选取最小的评价指标值；然后调取预测模型组中的预测模型对应的标签值；
当最小的所述评价指标值与预测模型组中的预测模型对应的标签值匹配时，确定预测模型对应的标签值对应的预测模型为适合预测设备的烟气含氧量负荷预测模型。
其中，对于调取预测模型组中的预测模型对应的标签值的方式，可以利用分类算法对预测设备的训练数据集进行聚类，以得到至少两类训练聚类数据；然后，通过调取分类器，分类至少两类训练聚类的数据；再根据分类的至少两类训练聚类的数据，训练出至少两类训练聚类对应的至少两个分类器；再通过对预测设备的测试数据进行聚类预测，以得到至少两类训练聚类中的至少一个类别。根据至少两类训练聚类中的至少一个类别，确定至少两类训练聚类中的至少一个类别对应的分类器；最后，根据分类器对应的类别标签值，确定预测模型组中的预测模型对应的标签值。
进一步举例说明：可以采用二分算法对训练集数据进行聚类，得到聚类数K个类别(K是常数)，然后选用分类算法进行K类聚类，得到K类中对应的数据，选取一个分类器，比如梯度提升回归树分别对K类数据进行分类，训练数据对应的标签(由步骤S203给出)，有K类数据，因此训练出K个分类器。然后，对测试集数据进行聚类预测操作，预测结果是1-K聚类中的某个类别，然后用此类对应的分类器进行分类操作，得到一个输出结果，这个结果对应算法组中的某个预测模型，然后用这个算法进行数据的预测，进而判断得到该预测模型的正确性。
根据本公开实施例提供的技术方案，通过基于联合学习架构，接收来自参与方的预测设备的训练数据集和测试数据集；对预测设备的训练数据集中的数据和测试数据集中的数据进行预处理，并得到预处理后的设备数据集；根据建立预测模型组，计算预处理后的设备数据集中的每条数据的评价指标值；根据最小的评价指标值，确定适合预测设备的烟气含氧量负荷预测模型。以提高对能源设备的烟气含氧量的预测，并降低现有技术的测量成本。
上述所有可选技术方案，可以采用任意结合形成本申请的可选实施例，在此不再一一赘述。
下述为本公开装置实施例，可以用于执行本公开方法实施例。对于本公开装置实施例中未披露的细节，请参照本公开方法实施例。
图3是本公开实施例提供的一种烟气含氧量负荷预测模型的选择装置的示意图。如图3所示，该烟气含氧量负荷预测模型的选择装置包括：
接收模块301，用于基于联合学习架构，接收来自参与方的预测设备的训练数据集和测试数据集；
预处理模块302，用于对预测设备的训练数据集中的数据和测试数据集中的数据进行预处理，并得到预处理后的设备数据集；
计算模块303，用于根据建立预测模型组，计算预处理后的设备数据集中的每条数据的评价指标值；
预测模块304，用于根据最小的所述评价指标值，确定适合预测设备的烟气含氧量负荷预测模型。
根据本公开实施例提供的技术方案，通过基于联合学习架构，接收来自参与方的预测设备的训练数据集和测试数据集；对预测设备的训练数据集中的数据和测试数据集中的数据进行预处理，并得到预处理后的设备数据集；根据建立预测模型组，计算预处理后的设备数据集中的每条数据的评价指标值；根据最小的评价指标值，确定适合预测设备的烟气含氧量负荷预测模型。以提高对能源设备的烟气含氧量的预测，并降低现有技术的测量成本。
应理解，上述实施例中各步骤的序号的大小并不意味着执行顺序的先后，各过程的执行顺序应以其功能和内在逻辑确定，而不应对本公开实施例的实施过程构成任何限定。
图4是本公开实施例提供的电子设备4的示意图。如图4所示，该实施例的电子设备4包括：处理器401、存储器402以及存储在该存储器402中并且可在处理器401上运行的计算机程序403。处理器401执行计算机程序403时实现上述各个方法实施例中的步骤。或者，处理器401执行计算机程序403时实现上述各装置实施例中各模块/单元的功能。
示例性地，计算机程序403可以被分割成一个或多个模块/单元，一个或多个模块/单元被存储在存储器402中，并由处理器401执行，以完成本公开。一个或多个模块/单元可以是能够完成特定功能的一系列计算机程序指令段，该指令段用于描述计算机程序403在电子设备4中的执行过程。
电子设备4可以是桌上型计算机、笔记本、掌上电脑及云端服务器等电子设备。电子设备4可以包括但不仅限于处理器401和存储器402。本领域技术人员可以理解，图4仅仅是电子设备4的示例，并不构成对电子设备4的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件，例如，电子设备还可以包括输入输出设备、网络接入设备、总线等。
处理器401可以是中央处理单元(Central Processing Unit，CPU)，也可以是其它通用处理器、数字信号处理器(Digital Signal Processor，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现场可编程门阵列(Field-Programmable Gate Array，FPGA)或者其它可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
存储器402可以是电子设备4的内部存储单元，例如，电子设备4的硬盘或内存。存储器402也可以是电子设备4的外部存储设备，例如，电子设备4上配备的插接式硬盘，智能存储卡(Smart Media Card，SMC)，安全数字(Secure Digital，SD)卡，闪存卡(Flash Card)等。进一步地，存储器402还可以既包括电子设备4的内部存储单元也包括外部存储设备。存储器402用于存储计算机程序以及电子设备所需的其它程序和数据。存储器402还可以用于暂时地存储已经输出或者将要输出的数据。
所属领域的技术人员可以清楚地了解到，为了描述的方便和简洁，仅以上述各功能单元、模块的划分进行举例说明，实际应用中，可以根据需要而将上述功能分配由不同的功能单元、模块完成，即将装置的内部结构划分成不同的功能单元或模块，以完成以上描述的全部或者部分功能。实施例中的各功能单元、模块可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中，上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。另外，各功能单元、模块的具体名称也只是为了便于相互区分，并不用于限制本申请的保护范围。上述***中单元、模块的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
在上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述或记载的部分，可以参见其它实施例的相关描述。
本领域普通技术人员可以意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本公开的范围。
在本公开所提供的实施例中，应该理解到，所揭露的装置/电子设备和方法，可以通过其它的方式实现。例如，以上所描述的装置/电子设备实施例仅仅是示意性的，例如，模块或单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，多个单元或组件可以结合或者可以集成到另一个***，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通讯连接可以是通过一些接口，装置或单元的间接耦合或通讯连接，可以是电性，机械或其它的形式。
作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外，在本公开各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。
集成的模块/单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读存储介质中。基于这样的理解，本公开实现上述实施例方法中的全部或部分流程，也可以通过计算机程序来指令相关的硬件来完成，计算机程序可以存储在计算机可读存储介质中，该计算机程序在被处理器执行时，可以实现上述各个方法实施例的步骤。计算机程序可以包括计算机程序代码，计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。计算机可读介质可以包括：能够携带计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(Read-Only Memory，ROM)、随机存取存储器(Random Access Memory，RAM)、电载波信号、电信信号以及软件分发介质等。需要说明的是，计算机可读介质包含的内容可以根据司法管辖区内立法和专利实践的要求进行适当的增减，例如，在某些司法管辖区，根据立法和专利实践，计算机可读介质不包括电载波信号和电信信号。
以上实施例仅用以说明本公开的技术方案，而非对其限制；尽管参照前述实施例对本公开进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本公开各实施例技术方案的精神和范围，均应包含在本公开的保护范围之内。
Claims (10)
1.一种烟气含氧量负荷预测模型的选择方法，其特征在于，包括：
基于联合学习架构，接收来自参与方的预测设备的训练数据集和测试数据集；
对预测设备的训练数据集中的数据和测试数据集中的数据进行预处理，并得到预处理后的设备数据集；
根据建立的预测模型组，计算预处理后的设备数据集中的每条数据的评价指标值；
根据最小的评价指标值，确定适合预测设备的烟气含氧量负荷预测模型。
2.根据权利要求1所述的方法，其特征在于，接收来自参与方的预测设备的训练数据集和测试数据集包括：
根据预测设备的属性，确定预测设备的属性对应预测设备的烟气含氧量数据；
提取预测设备的烟气含氧量数据的特征；
利用预测设备的烟气含氧量数据的特征，分别组建预测设备的训练数据集和测试数据集。
3.根据权利要求1所述的方法，其特征在于，对预测设备的训练数据集中的数据和测试数据集中的数据进行预处理，并得到预处理后的设备数据集包括：
判断预测设备的训练数据集和测试数据集中的数据是否存在异常；
如果存在异常，对预测设备的训练数据集和测试数据集中的数据进行异常处理；
对异常处理后的预测设备的训练数据集中的数据和测试数据集中的数据，进行数据归一化处理。
4.根据权利要求1所述的方法，其特征在于，根据建立的预测模型组，计算预处理后的设备数据集中的每条数据的评价指标值包括：
根据预测设备的属性和预测预处理后的设备数据集中的每条数据，建立预测模型组；
利用预测模型组，分别计算训练集和测试集的每条数据的均方根误差；
将得到的训练集和测试集的每条数据的均方根误差，作为预处理后的设备数据集中的每条数据的评价指标值。
5.根据权利要求4所述的方法，其特征在于，利用预测模型组，分别计算训练集和测试集的每条数据的均方根误差包括：
利用预测设备的训练数据集，训练所述预测模型组中的算法，以得到预测结果；
利用预测设备的测试数据集，训练所述预测模型组中的算法，以得到测试结果；
根据所述预测结果和测试结果，得到训练集和测试集的每条数据的均方根误差。
6.根据权利要求1所述的方法，其特征在于，根据最小的所述评价指标值，确定适合预测设备的烟气含氧量负荷预测模型包括：
对预处理后的设备数据集中的每条数据的评价指标值进行从小到大排序；
根据排序结果，选取最小的所述评价指标值；
调取预测模型组中的预测模型对应的标签值；
当最小的所述评价指标值与预测模型组中的预测模型对应的标签值匹配时，确定所述标签值对应的预测模型为适合预测设备的烟气含氧量负荷预测模型。
7.根据权利要求4中所述的方法，其特征在于，调取预测模型组中的预测模型对应的标签值包括：
利用分类算法对预测设备的训练数据集进行聚类，以得到至少两类训练聚类数据；
调取分类器，分类所述至少两类训练聚类的数据；
根据所述分类的至少两类训练聚类的数据，训练出至少两类训练聚类对应的至少两个分类器；
对预测设备的测试数据进行聚类预测，以得到所述至少两类训练聚类中的至少一个类别；
根据所述至少两类训练聚类中的至少一个类别，确定所述至少两类训练聚类中的至少一个类别对应的分类器；
根据所述分类器对应的类别标签值，确定预测模型组中的预测模型对应的标签值。
8.一种烟气含氧量负荷预测模型的选择装置，其特征在于，包括：
接收模块，用于基于联合学习架构，接收来自参与方的预测设备的训练数据集和测试数据集；
预处理模块，用于对预测设备的训练数据集中的数据和测试数据集中的数据进行预处理，并得到预处理后的设备数据集；
计算模块，用于根据建立预测模型组，计算预处理后的设备数据集中的每条数据的评价指标值；
预测模块，用于根据最小的所述评价指标值，确定适合预测设备的烟气含氧量负荷预测模型。
9.一种电子设备，包括存储器、处理器以及存储在所述存储器中并且可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现如权利要求1至7中任一项所述方法的步骤。
10.一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至7中任一项所述方法的步骤。
Priority Applications (2)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111331355.5A CN114118542A (zh) | 2021-11-11 | 2021-11-11 | 烟气含氧量负荷预测模型的选择方法及装置 |
| PCT/CN2022/116583 WO2023082788A1 (zh) | 2021-11-11 | 2022-09-01 | 烟气含氧量负荷预测方法、预测模型选择方法、烟气排放预测方法及装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111331355.5A CN114118542A (zh) | 2021-11-11 | 2021-11-11 | 烟气含氧量负荷预测模型的选择方法及装置 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN114118542A true CN114118542A (zh) | 2022-03-01 |
Family
ID=80378380
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202111331355.5A Pending CN114118542A (zh) | 2021-11-11 | 2021-11-11 | 烟气含氧量负荷预测模型的选择方法及装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114118542A (zh) |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106934209A (zh) * | 2017-01-19 | 2017-07-07 | 上海电气电站环保工程有限公司 | 一种燃煤电站烟气含氧量在线预测方法 |
| CN111046909A (zh) * | 2019-11-05 | 2020-04-21 | 新奥数能科技有限公司 | 一种负荷预测的方法及装置 |
| CN112766318A (zh) * | 2020-12-31 | 2021-05-07 | 新智数字科技有限公司 | 业务任务执行方法、装置以及计算机可读存储介质 |
| WO2021120676A1 (zh) * | 2020-06-30 | 2021-06-24 | 平安科技（深圳）有限公司 | 联邦学习网络下的模型训练方法及其相关设备 |
| CN113065765A (zh) * | 2021-04-01 | 2021-07-02 | 瀚蓝绿电固废处理(佛山)有限公司 | 一种垃圾焚烧炉烟气中co排放量预测模型构建方法及应用 |
-
2021
- 2021-11-11 CN CN202111331355.5A patent/CN114118542A/zh active Pending
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106934209A (zh) * | 2017-01-19 | 2017-07-07 | 上海电气电站环保工程有限公司 | 一种燃煤电站烟气含氧量在线预测方法 |
| CN111046909A (zh) * | 2019-11-05 | 2020-04-21 | 新奥数能科技有限公司 | 一种负荷预测的方法及装置 |
| WO2021120676A1 (zh) * | 2020-06-30 | 2021-06-24 | 平安科技（深圳）有限公司 | 联邦学习网络下的模型训练方法及其相关设备 |
| CN112766318A (zh) * | 2020-12-31 | 2021-05-07 | 新智数字科技有限公司 | 业务任务执行方法、装置以及计算机可读存储介质 |
| CN113065765A (zh) * | 2021-04-01 | 2021-07-02 | 瀚蓝绿电固废处理(佛山)有限公司 | 一种垃圾焚烧炉烟气中co排放量预测模型构建方法及应用 |
Non-Patent Citations (2)
| Title |
|---|
| 刘枚莲等主编: "《网络消费者品牌选择行为研究》", 31 May 2021, 中国经济出版社, pages: 35 - 36 * |
| 王健宗等主编: "《金融智能》", 31 October 2020, 机械工业出版社, pages: 76 - 81 * |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110084281B (zh) | 图像生成方法、神经网络的压缩方法及相关装置、设备 | |
| Du et al. | Achieving 100x acceleration for N-1 contingency screening with uncertain scenarios using deep convolutional neural network | |
| CN109685110B (zh) | 图像分类网络的训练方法、图像分类方法及装置、服务器 | |
| US11176446B2 (en) | Compositional prototypes for scalable neurosynaptic networks | |
| CN110473083B (zh) | 树状风险账户识别方法、装置、服务器及存储介质 | |
| CN110852881B (zh) | 风险账户识别方法、装置、电子设备及介质 | |
| CN111008640A (zh) | 图像识别模型训练及图像识别方法、装置、终端及介质 | |
| CN109816032A (zh) | 基于生成式对抗网络的无偏映射零样本分类方法和装置 | |
| CN114757307B (zh) | 一种人工智能自动训练方法、***、装置及存储介质 | |
| CN113822315A (zh) | 属性图的处理方法、装置、电子设备及可读存储介质 | |
| CN110399487A (zh) | 一种文本分类方法、装置、电子设备及存储介质 | |
| CN114328277A (zh) | 一种软件缺陷预测和质量分析方法、装置、设备及介质 | |
| CN111768096A (zh) | 基于算法模型的评级方法、装置、电子设备及存储介质 | |
| CN113222560A (zh) | 一种基于ai咨询的企业服务***及其搭建方法 | |
| CN113807728A (zh) | 基于神经网络的绩效考核方法、装置、设备及存储介质 | |
| CN113268665A (zh) | 基于随机森林的信息推荐方法、装置、设备及存储介质 | |
| CN116340793A (zh) | 一种数据处理方法、装置、设备以及可读存储介质 | |
| WO2022143431A1 (zh) | 一种反洗钱模型的训练方法及装置 | |
| CN113628043B (zh) | 基于数据分类的投诉有效性判断方法、装置、设备及介质 | |
| Grassia et al. | mgnn: Generalizing the graph neural networks to the multilayer case | |
| CN117155771B (zh) | 一种基于工业物联网的设备集群故障溯源方法及装置 | |
| CN116503026B (zh) | 科技项目的运维风险评估方法、***及存储介质 | |
| WO2023082788A1 (zh) | 烟气含氧量负荷预测方法、预测模型选择方法、烟气排放预测方法及装置 | |
| CN111353728A (zh) | 一种风险分析方法和*** | |
| CN114118542A (zh) | 烟气含氧量负荷预测模型的选择方法及装置 |
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 |