【技术实现步骤摘要】
本专利技术涉及循环水，尤其涉及一种基于机器学习的循环水系统参数预测方法。
技术介绍
1、随着工业生产规模的扩大和对环保要求的提升，循环水系统作为工业冷却、加热等过程中不可或缺的一部分，其运行效率和管理水平直接关系到企业的经济效益与环境责任。
2、传统的循环水系统管理和优化方法主要依赖于经验和静态模型，缺乏实时数据驱动的能力，难以适应现代工业复杂多变的需求。
3、当前关于循环水系统的优化研究和技术应用大多集中在直接优化或系统改造上，前者通过调整单一设备或组件(如水泵、阀门)的操作参数来改善局部性能；后者对现有设施进行物理上的改进或升级；这些方法存在明显的局限性：缺乏全局视角，没有深入分析循环水系统各个组成部分之间的关系，导致优化措施不够精准，难以实现真正的全流程优化；数据利用率低，大量的历史运行数据未被充分利用，错失了从中提取有价值信息的机会，限制了进一步优化的可能性；
4、为了克服上述，迫切需要一种新方法，能够深入分析循环水系统的运行特性，识别出关键影响因素，构建预测模型。
技术实现思路
1、针对现有方法的不足，本专利技术利用一致性检验和相关系数进行相关特征参数提取，并利用随机森林回归模型进行预测。
2、本专利技术所采用的技术方案是：一种基于机器学习的循环水系统参数预测方法包括以下步骤：
3、步骤一、采集不同时刻循环水系统的特征参数；
4、作为本专利技术的一种优选实施方式，特征参数包括：总供水温度、总回水温度、
5、步骤二、利用一致性检验算法对特征参数进行正态分布和线性关系分析，剔除统计量为负的特征参数；
6、作为本专利技术的一种优选实施方式，一致性检验算法包括：shapiro-wilk检验。
7、步骤三、采用相关系数法，计算特征参数的相关系数，剔除小于相关系数阈值的特征参数，得到相关特征参数；
8、作为本专利技术的一种优选实施方式，相关系数法包括spearman相关性分析法。
9、作为本专利技术的一种优选实施方式，相关特征参数包括：第一冷却塔液位、第二冷却塔温度、雨水补水压力和循环水orp。
10、作为本专利技术的一种优选实施方式，对相关特征参数进行归一化处理。
11、步骤四、构建随机森林回归模型，利用训练样本的相关特征参数和对应供水流量对随机森林回归模型进行训练，利用测试样本对训练好的随机森林模型进行验证；
12、作为本专利技术的一种优选实施方式，随机森林回归模型的最优参数设置为：n_estimators＝90、min_samples_split＝2、max_depth＝19、min_samples_leaf＝1。
13、作为本专利技术的一种优选实施方式，利用可解释方差、平均绝对误差、均方误差和决定系数作为随机森林回归模型的评价指标。
14、作为本专利技术的一种优选实施方式，基于机器学习的循环水系统参数预测系统，包括：存储器，用于存储可由处理器执行的指令；处理器，用于执行指令以实现基于机器学习的循环水系统参数预测方法。
15、作为本专利技术的一种优选实施方式，存储有计算机程序代码的计算机可读介质，其特征在于，计算机程序代码在由处理器执行时实现如权利要求1-8任一项所述的基于机器学习的循环水系统参数预测方法。
16、本专利技术的有益效果：
17、1、通过对循环水系统的特征参数数据进行深入分析，通过shapiro-wilk检验和spearman相关性分析法挖掘出与供水流量相关的相关特征参数，最后利用随机森林回归模型进行训练，预测供水流量值，系统模型简单，预测准确性高；
18、2、本专利技术预测模型可以有效地分配各水厂的供水量，通过供水流量得到供水压力，从而指导循环水系统运行，降低运行成本；
19、3、提供预测供水压力提前为生产调度提供决策支持，通过对管网内各水厂出水泵站实施综合调度管理，实现管网压力均衡分布，最终达到整个生产系统的节能降耗目标。
本文档来自技高网...【技术保护点】
1.一种基于机器学习的循环水系统参数预测方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的基于机器学习的循环水系统参数预测方法，其特征在于，一致性检验算法包括：Shapiro-Wilk检验。
3.根据权利要求1所述的基于机器学习的循环水系统参数预测方法，其特征在于，相关系数法包括Spearman相关性分析法。
4.根据权利要求1所述的基于机器学习的循环水系统参数预测方法，其特征在于，特征参数包括：总供水温度、总回水温度、回水流量、供水压力、回水压力、第一冷却塔温度、第一冷却塔液位、第二冷却塔温度、第二冷却塔冷却塔液位、第三冷却塔温度、第三冷却塔液位、总排污流量、总排污压力、雨水补水流量、雨水补水压力、低压生产水补水流量、低压生产水补水压力、循环水PH、循环水浊度、循环水电导率、循环水ORP、循环水余氯、循环水腐蚀速率和循环水沉积速率。
5.根据权利要求1所述的基于机器学习的循环水系统参数预测方法，其特征在于，相关特征参数包括：第一冷却塔液位、第二冷却塔温度、雨水补水压力和循环水ORP。
6.根据权利要求5所述的基
7.根据权利要求1所述的基于机器学习的循环水系统参数预测方法，其特征在于，随机森林回归模型的最优参数设置为：n_estimators＝90、min_samples_split＝2、max_depth＝19、min_samples_leaf＝1。
8.根据权利要求7所述的基于机器学习的循环水系统参数预测方法，其特征在于，利用可解释方差、平均绝对误差、均方误差和决定系数作为随机森林回归模型的评价指标。
9.基于机器学习的循环水系统参数预测系统，其特征在于，包括：存储器，用于存储可由处理器执行的指令；处理器，用于执行指令以实现如权利要求1-8任一项所述的基于机器学习的循环水系统参数预测方法。
10.存储有计算机程序代码的计算机可读介质，其特征在于，计算机程序代码在由处理器执行时实现如权利要求1-8任一项所述的基于机器学习的循环水系统参数预测方法。
...【技术特征摘要】
1.一种基于机器学习的循环水系统参数预测方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的基于机器学习的循环水系统参数预测方法，其特征在于，一致性检验算法包括：shapiro-wilk检验。
3.根据权利要求1所述的基于机器学习的循环水系统参数预测方法，其特征在于，相关系数法包括spearman相关性分析法。
4.根据权利要求1所述的基于机器学习的循环水系统参数预测方法，其特征在于，特征参数包括：总供水温度、总回水温度、回水流量、供水压力、回水压力、第一冷却塔温度、第一冷却塔液位、第二冷却塔温度、第二冷却塔冷却塔液位、第三冷却塔温度、第三冷却塔液位、总排污流量、总排污压力、雨水补水流量、雨水补水压力、低压生产水补水流量、低压生产水补水压力、循环水ph、循环水浊度、循环水电导率、循环水orp、循环水余氯、循环水腐蚀速率和循环水沉积速率。
5.根据权利要求1所述的基于机器学习的循环水系统参数预测方法，其特征在于，相关特征参数包括：第一冷却塔液位、第二冷却塔温度、雨水补水压...
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。