基于样本迁移的烟气含氧量负荷预测方法及装置制造方法及图纸

本发明专利技术公开了一种基于样本迁移的烟气含氧量负荷预测方法及装置。该方法包括：获取联合学习架构下的第一参与方和第二参与方的设备数据；其中，第一参与方为提出预测需求的参与方，第二参与方为除第一参与方外的其他参与方；利用第一参与方的设备数据和第二参与方的设备数据，训练预测分类器；根据预测分类器，确定第一参与方的设备数据关于第二参与方的设备数据的权重数据；基于第二参与方的设备数据和权重数据，训练预测式梯度提升模型；利用预测式梯度提升模型预测第一参与方设备的烟气含氧量负荷。本发明专利技术解决了因不同工艺下的所产生的能源设备的数据分布差异，而造成烟气含氧量负荷预测不准确的问题，并且节约能源设备传感器的成本。感器的成本。感器的成本。

【技术实现步骤摘要】
基于样本迁移的烟气含氧量负荷预测方法及装置


[0001]本公开涉及能源
，尤其涉及一种基于样本迁移的烟气含氧量负荷预测方法、装置、计算机设备及计算机可读存储介质。

技术介绍

[0002]目前综合能源的应用是当今社会不可缺少的应用。随着广泛的应用对能源设备的应用也要求越来越高，但是在工业应用中很多大型能源设备是不可能随时更新，或是在应用中热量负荷的超标也不容易排查。
[0003]例如，在工业能源应用中，不同工艺下的锅炉设备所产生的相关设备数据分布差异可能会很大，这样常常会使得对烟气含氧量预测精度偏低，不利于后期设备的预警和调度等操作。这就急需我们解决这些问题。

技术实现思路

[0004]有鉴于此，本公开实施例提供了一种基于样本迁移的烟气含氧量负荷预测方法、装置、计算机设备及计算机可读存储介质，以解决现有技术中因不同工艺下的所产生的能源设备的数据分布差异，而造成烟气含氧量负荷预测的不准确性的问题。
[0005]本公开实施例的第一方面，提供了一种基于样本迁移的烟气含氧量负荷预测方法，应用于联合学习框架中包括：
[0006]获取联合学习架构下的第一参与方的设备数据和第二参与方的设备数据；其中，第一参与方为提出预测需求的参与方，第二参与方为除第一参与方外的其他参与方；
[0007]利用第一参与方的设备数据和第二参与方的设备数据，训练预测分类器；
[0008]根据预测分类器，确定第一参与方的设备数据关于第二参与方的设备数据的权重数据；
[0009]基于第二参与方的设备数据和权重数据，训练预测式梯度提升模型；
[0010]利用预测式梯度提升模型预测第一参与方设备的烟气含氧量负荷。
[0011]本公开实施例的第二方面，提供了一种基于样本迁移的烟气含氧量负荷预测装置，应用于联合学习框架中包括：
[0012]获取模块，用于获取联合学习架构下的第一参与方的设备数据和第二参与方的设备数据；其中，第一参与方为提出预测需求的参与方，第二参与方为除第一参与方外的其他参与方；
[0013]第一训练模块，利用第一参与方的设备数据和第二参与方的设备数据，训练预测分类器；
[0014]计算模块，用于根据预测分类器，确定第一参与方的设备数据关于第二参与方的设备数据的权重数据；
[0015]第二训练模块，用于基于第二参与方的设备数据和权重数据，训练预测式梯度提升模型；
[0016]预测模块，用于利所预测式梯度提升模型预测第一参与方设备的烟气含氧量负荷。
[0017]本公开实施例的第三方面，提供了一种计算机设备，包括存储器、处理器以及存储在存储器中并且可以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。
[0018]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。
[0019]本公开实施例与现有技术相比存在的有益效果是：通过获取联合学习架构下的第一参与方的设备数据和第二参与方的设备数据；其中，第一参与方为提出预测需求的参与方，第二参与方为除第一参与方外的其他参与方；利用第一参与方的设备数据和第二参与方的设备数据，训练预测分类器；根据预测分类器，确定第一参与方的设备数据关于第二参与方的设备数据的权重数据；基于第二参与方的设备数据和权重数据，训练预测式梯度提升模型；利用预测式梯度提升模型预测第一参与方设备的烟气含氧量负荷。以解决现有技术中因不同工艺下的所产生的能源设备的数据分布差异，而造成烟气含氧量负荷预测不准确的问题，并且节约能源设备传感器的成本。
附图说明
[0020]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。
[0021]图1是本公开实施例的应用场景的场景示意图；
[0022]图2是本公开实施例提供的一种基于样本迁移的烟气含氧量负荷预测方法的流程图；
[0023]图3是本公开实施例提供的一种基于样本迁移的烟气含氧量负荷预测装置的框图；
[0024]图4是本公开实施例提供的一种计算机设备的示意图。
具体实施方式
[0025]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。
[0026]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：
[0027](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。
[0028](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。
[0029](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。
[0030](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。
[0031]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。
[0032]下面将结合附图详细说明根据本公开实施例的一种基于样本迁移的烟气含氧量负荷预测方法和装置。
[0033]图1是本公开实施例的应用场景的场景示意图。本公开实施例的一种应用场景为联合学习场景，图1所示为一种联合学习的架构示意图。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客户端或多个客户端组合。
[0034]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，本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于样本迁移的烟气含氧量负荷预测方法，其特征在于，所述方法应用于联合学习框架中，包括：获取联合学习架构下的第一参与方的设备数据和第二参与方的设备数据；其中，第一参与方为提出预测需求的参与方，第二参与方为除第一参与方外的其他参与方；利用所述第一参与方的设备数据和第二参与方的设备数据，训练预测分类器；根据所述预测分类器，确定第一参与方的设备数据关于第二参与方的设备数据的权重数据；基于第二参与方的设备数据和所述权重数据，训练预测式梯度提升模型；利用所述预测式梯度提升模型预测第一参与方设备的烟气含氧量负荷。2.根据权利要求1所述的方法，其特征在于，获取联合学习架构下的第一参与方的设备数据和第二参与方的设备数据包括：接收来自第一参与方的设备数据集与第二参与方的设备数据集；根据预设筛选特征，筛选第一参与方的设备数据集与第二参与方的设备数据集，以分别得到第一参与方的设备数据本样量和第二参与方的设备数据量；将所述第一参与方的设备数据本样量和第二参与方的设备数据量，分别确定为第一参与方的设备数据和第二参与方的设备数据。3.根据权利要求1所述的方法，其特征在于，利用所述第一参与方的设备数据和第二参与方的设备数据，训练预测分类器包括：标签化处理第一参与方的设备数据和第二参与方的设备数据，得到第一参与方的设备数据的标签数据和第二参与方的设备数据的标签数据；合并第一参与方的设备数据的标签数据和第二参与方的设备数据的标签数据，以得到合并后的标签数据；根据合并后的标签数据，训练预测分类器。4.根据权利要求1所述的方法，其特征在于，根据所述预测分类器，确定第一参与方的设备数据关于第二参与方的设备数据的权重数据包括：利用所述预测分类器，分别得到第一参与方的设备数据对应的设备故障概率值和第二参与方的设备数据对应的设备故障概率值；根据所述第一参与方的设备数据对应的设备故障概率值和第二参与方的设备数据对应的设备故障概率值，确定第一参与方的设备数据关于第二参与方的设备数据的权重数据。5.根据权利要求4所述的方法，其特征在于，利用所述预测分类器，分别得到第一参与方的设备数据对应的设备故障概率值和第二参与方的设备数据对应的设备故障概率值包括：利用所述预测分类器，分别对第一参与方的设备数据和第二参与方的设备数据进行分类，以得...

【专利技术属性】
技术研发人员：刘胜伟，杨杰，余真鹏，
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：