基于数据修正的烟气含氧量负荷预测方法及装置与流程

1.本公开涉及能源技术领域，尤其涉及一种基于数据修正的烟气含氧量负荷预测方法及装置。


背景技术：

2.锅炉燃烧控制系统是表征生产过程的主要工艺流程，同时，也是保证锅炉安全运行的主要条件之一。烟气氧含量是锅炉运行重要监控参数之一，同时也是反映燃烧设备与锅炉运行完善程度的重要依据，烟气含氧量过大则表明空气量送入过大，各大风机的出力过大，消耗电能增加，过量的空气造成炉温下降，不但影响燃烧，还会带走大量的热量和灰尘，增大污染排放浓度，烟气含氧量过小则表明空气量送入过小，会使得煤粉燃烧不够充分，会使炉子的燃烧稳定性降低，不利于炉膛的安全。准确的烟气含氧量负荷预测是锅炉燃烧控制系统高效运行的基础。
3.现有技术中，通常基于训练模型进行烟气含氧量负荷预测。在训练模型时，部分训练数据误差较大，导致建立的烟气含氧量负荷预测模型的准确性较差，并进一步导致烟气含氧量预测值准确度降低。


技术实现要素：

4.有鉴于此，本公开实施例提供了一种基于数据修正的烟气含氧量负荷预测方法、装置、电子设备及计算机可读存储介质，以解决现有技术中在训练模型时，部分训练数据误差较大，导致建立的烟气含氧量负荷预测模型的准确性较差，并进一步导致烟气含氧量预测值准确度降低的问题。
5.本公开实施例的第一方面，提供了一种基于数据修正的烟气含氧量负荷预测方法，包括：获取样本数据集，并基于预设坏数据辨别模型，从样本数据集中确定坏数据，其中，样本数据集包括烟气含氧量值和烟气含氧量值的特征数据；基于预设坏数据修正模型，对坏数据进行修正，得到修正后的数据，并基于修正后的数据对样本数据集进行更新，得到更新后的样本数据集；构建深度学习模型，利用更新后的样本数据集，对深度学习模型进行训练，得到烟气含氧量负荷预测模型；基于烟气含氧量负荷预测模型，预测烟气含氧量值。
6.本公开实施例的第二方面，提供了一种基于数据修正的烟气含氧量负荷预测装置，包括：确定模块，被配置为获取样本数据集，并基于预设坏数据辨别模型，从样本数据集中确定坏数据，其中，样本数据集包括烟气含氧量值和烟气含氧量值的特征数据；修正模块，被配置为基于预设坏数据修正模型，对坏数据进行修正，得到修正后的数据，并基于修正后的数据对样本数据集进行更新，得到更新后的样本数据集；训练模块，被配置为构建深度学习模型，利用更新后的样本数据集，对深度学习模型进行训练，得到烟气含氧量负荷预测模型；预测模块，被配置为基于烟气含氧量负荷预测模型，预测烟气含氧量值。
7.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。
8.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。
9.本公开实施例与现有技术相比存在的有益效果是：通过对坏数据进行修正，并利用更新后的样本数据集进行模型训练，提高了烟气含氧量负荷预测模型的准确性，并进一步提高了烟气含氧量预测值的准确度。
附图说明
10.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。
11.图1是本公开实施例的应用场景的场景示意图；
12.图2是本公开实施例提供的一种基于数据修正的烟气含氧量负荷预测方法的流程示意图；
13.图3是本公开实施例提供的深度学习模型构建过程的示意图；
14.图4是本公开实施例提供的一种基于数据修正的烟气含氧量负荷预测装置的示意图；
15.图5是本公开实施例提供的电子设备的示意图。
具体实施方式
16.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。
17.下面将结合附图详细说明根据本公开实施例的一种基于数据修正的烟气含氧量负荷预测方法和装置。
18.图1是本公开实施例的应用场景的场景示意图。该应用场景可以包括终端设备1、第一锅炉设备2、第二锅炉设备3、服务器4以及网络5。
19.终端设备1可以是硬件，也可以是软件。当终端设备1为硬件时，其可以是具有显示屏且支持与服务器4通信的各种电子设备，包括但不限于智能手机、平板电脑、膝上型便携计算机和台式计算机等；当终端设备1为软件时，其可以安装在如上所述的电子设备中。终端设备1可以实现为多个软件或软件模块，也可以实现为单个软件或软件模块，本公开实施例对此不作限制。进一步地，终端设备1上可以安装有各种应用，例如数据处理应用、即时通信工具、社交平台软件、搜索类应用、购物类应用等。
20.第一锅炉设备2用于提供对深度学习模型进行训练时所需要的样本数据集。
21.第二锅炉设备3用于提供与烟气含氧量预测值相关的特征数据。
22.服务器4可以是提供各种服务的服务器，例如，对与其建立通信连接的终端设备发送的请求进行接收的后台服务器，该后台服务器可以对终端设备发送的请求进行接收和分
析等处理，并生成处理结果。服务器4可以是一台服务器，也可以是由若干台服务器组成的服务器集群，或者还可以是一个云计算服务中心，本公开实施例对此不作限制。
23.需要说明的是，服务器4可以是硬件，也可以是软件。当服务器4为硬件时，其可以是为终端设备1提供各种服务的各种电子设备。当服务器4为软件时，其可以是为终端设备1提供各种服务的多个软件或软件模块，也可以是为终端设备1提供各种服务的单个软件或软件模块，本公开实施例对此不作限制。
24.网络5可以是采用同轴电缆、双绞线和光纤连接的有线网络，也可以是无需布线就能实现各种通信设备互联的无线网络，例如，蓝牙(bluetooth)、近场通信(near field communication，nfc)、红外(infrared)等，本公开实施例对此不作限制。
25.用户可以通过终端设备1经由网络5与服务器4建立通信连接，以接收或发送信息等。具体地，用户可以通过终端设备1将第一锅炉2提供的样本数据集经由网络5发送至服务器4，或，第一锅炉2经由网络5将样本数据集发送至服务器4；服务器4获取样本数据集，并基于预设坏数据辨别模型，从样本数据集中确定坏数据，其中，样本数据集包括烟气含氧量值和烟气含氧量值的特征数据；之后服务器4基于预设坏数据修正模型，对坏数据进行修正，得到修正后的数据，并基于修正后的数据对样本数据集进行更新，得到更新后的样本数据集；服务器4构建深度学习模型，利用更新后的样本数据集，对深度学习模型进行训练，得到烟气含氧量负荷预测模型；最后，服务器4经由网络5通过终端设备1或第二锅炉设备3获取第二锅炉设备3提供的与烟气含氧量预测值相关的任一时刻的特征数据，并基于烟气含氧量负荷预测模型，预测第二锅炉设备3在该时刻的烟气含氧量值。
26.需要说明的是，终端设备1、第一锅炉设备2、第二锅炉设备3、服务器4以及网络5的具体类型、数量和组合可以根据应用场景的实际需求进行调整，本公开实施例对此不作限制。
27.图2是本公开实施例提供的一种基于数据修正的烟气含氧量负荷预测方法的流程示意图。图2的基于数据修正的烟气含氧量负荷预测方法可以由图1的终端设备或服务器执行。如图2所示，该基于数据修正的烟气含氧量负荷预测方法包括：
28.s201，获取样本数据集，并基于预设坏数据辨别模型，从样本数据集中确定坏数据，其中，样本数据集包括烟气含氧量值和烟气含氧量值的特征数据；
29.s202，基于预设坏数据修正模型，对坏数据进行修正，得到修正后的数据，并基于修正后的数据对样本数据集进行更新，得到更新后的样本数据集；
30.s203，构建深度学习模型，利用更新后的样本数据集，对深度学习模型进行训练，得到烟气含氧量负荷预测模型；
31.s204，基于烟气含氧量负荷预测模型，预测烟气含氧量值。
32.具体地，以服务器为例，服务器获取样本数据集，并基于预设坏数据辨别模型，从样本数据集中确定坏数据，其中，样本数据集包括烟气含氧量值和烟气含氧量值的特征数据；基于预设坏数据修正模型，对坏数据进行修正，得到修正后的数据，并将原始坏数据替换为对应的修正后的数据，从而实现对样本数据集的更新，得到更新后的样本数据集；服务器构建深度学习模型，利用更新后的样本数据集，对深度学习模型进行训练，得到烟气含氧量负荷预测模型；最后，服务器将与烟气含氧量预测值相关的特征数据输入至烟气含氧量负荷预测模型，以使烟气含氧量负荷预测模型输出烟气含氧量预测值，从而实现对烟气含
氧量值的预测。
33.这里，烟气含氧量负荷可以是烟气含氧量值。
34.样本数据集的数量可以为10000条，时间粒度可以为一个小时。
35.坏数据为误差较大的数据，可能由于测量或计算的失误，导致该数据与样本数据集的其它数据偏差较大，若将其用于模型训练中，会降低模型训练的准确性。
36.烟气含氧量值的特征数据指影响烟气含氧量值的数据，可以包括蒸汽锅炉烟气温度、节能器出口温度、烟气流量瞬时值、蒸汽锅炉燃气温度、蒸汽锅炉烟气标况流量、蒸汽锅炉天然气入口压力、蒸汽锅炉烟气流速、蒸汽锅炉冷凝器进口烟温、蒸汽锅炉排烟温度、蒸汽锅炉烟气压力、蒸汽锅炉冷凝器进口压力、蒸汽锅炉主蒸汽瞬时流量、蒸汽锅炉运行状态和蒸汽锅炉天然气入口瞬时流量。
37.深度学习(deep learning,dl)是机器学习的分支，是一种试图使用包含复杂结构或由多重非线性变换构成的多个处理层对数据进行高层抽象的算法。深度学习是学习训练样本数据的内在规律和表示层次，这些学习过程中获得的信息对文字、图像和声音等数据的解释有很大的帮助。深度学习的最终目标是让机器能够像人一样具有分析学习能力，能够识别文字、图像和声音等数据。深度学习是一个复杂的机器学习算法，在语音和图像识别方面取得的效果，远远超过先前相关技术。
38.根据本公开实施例提供的技术方案，通过对坏数据进行修正，并利用更新后的样本数据集进行模型训练，提高了烟气含氧量负荷预测模型的准确性，并进一步提高了烟气含氧量预测值的准确度。
39.在一些实施例中，烟气含氧量值包括第一烟气含氧量值和第二烟气含氧量值，基于预设坏数据辨别模型，从样本数据集中确定坏数据，包括：基于3σ原理，在第一烟气含氧量值与烟气含氧量值的均值的差值大于三倍的预设倍数的总体标准差的情况下，确定第一烟气含氧量值为坏数据；其中，总体标准差为样本数据集中烟气含氧量值的总体标准差。
40.具体地，
[0041][0042]
式中，x
n,i
为第n天第i时刻的烟气含氧量值，分别为其均值和方差，ε为预设倍数，ε可以为1～1.5，例如，ε为1、1.1、1.2、1.3、1.4或1.5等。
[0043]
通过式(1)计算得到烟气含氧量值的均值和方差后，基于3σ原理，利用式(2)实现坏数据辨别，在第一烟气含氧量值满足式(2)的情况下，则判定第一烟气含氧量值为坏数据。
[0044]
这里，3σ原理又称为拉依达准则，它是先假设一组检测数据只含有随机误差，对其进行计算处理得到标准偏差，按一定概率确定一个区间，认为凡超过这个区间的误差，就不属于随机误差而是粗大误差，含有该误差的数据应予以剔除，且3σ适用于有较多组数据的时候。
[0045]
在一些实施例中，烟气含氧量值的特征数据包括：能源设备烟气温度、节能器出口温度、烟气流量瞬时值、能源设备燃气温度、能源设备烟气标况流量、能源设备天然气入口压力，能源设备烟气流速、能源设备冷凝器进口烟温、能源设备排烟温度、能源设备烟气压力、能源设备冷凝器进口压力、能源设备主蒸汽瞬时流量、能源设备运行状态和能源设备天然气入口瞬时流量。
[0046]
在一些实施例中，预设坏数据修正模型为：
[0047][0048]
式中，为第n天第i时刻的烟气含氧量值修正值，xn±
1,i
为x
n,i
前后2个同类日第i时刻的烟气含氧量值，表示第n天第i时刻和第n天的上一周同类日的第i时刻的烟气含氧量值，x
n,i
为第n天第i时刻的烟气含氧量值。通过式(3)可以实现坏数据的修正。
[0049]
这里，同类日指的是属性相同的日期，例如x
n,i
为周五下午一点时刻的烟气含氧量值，那么，xn±
1,i
为x
n,i
所在当日前一个周五下午一点时刻和后一个周五下午一点时刻的烟气含氧量值。
[0050]
表示第n天第i时刻和第n天的上一周同类日的第i时刻的烟气含氧量值，例如x
n,i
为周五下午一点时刻的烟气含氧量值，那么表示周五下午一点时刻和x
n,i
所在当日前一个周五下午一点时刻的烟气含氧量值。
[0051]
∑xn±
1,i
表示x
n,i
前后2个同类日第i时刻的烟气含氧量值之和。
[0052]
表示第n天第i时刻的烟气含氧量值与第n天的上一周同类日的第i时刻的烟气含氧量值之和。
[0053]
α1、β1和γ1为三个预设常数，具体值的大小可以根据模型训练的效果进行调整。
[0054]
在一些实施例中，该基于数据修正的烟气含氧量负荷预测方法还包括：在第二烟气含氧量值与烟气含氧量值的均值的差值不大于三倍的预设倍数的总体标准差的情况下，则确定第二烟气含氧量值为正常数据，对正常数据进行保留。
[0055]
具体地，通过式(1)计算得到烟气含氧量值的均值和方差后，基于3σ原理，在第二烟气含氧量值不满足式(2)的情况下，则确定第二烟气含氧量值为正常数据，对正常数据进行保留。
[0056]
图3是本公开实施例提供的深度学习模型构建过程的示意图，如图3所示，在一些实施例中，深度学习模型包括特征参数输入层、两个一维卷积层、池化层、flatten层、bilstm层、dense层和输出层，其中，输入层用于接收烟气含氧量值的特征数据。
[0057]
在一些实施例中，利用更新后的样本数据集，对深度学习模型进行训练，得到烟气含氧量负荷预测模型，包括：将更新后的样本数据集拆分为训练数据集和测试数据集；利用训练数据集对深度学习模型进行训练，得到初始训练模型；利用测试数据集对初始训练模型进行测试，得到烟气含氧量预测值；基于预设评价模型，对烟气含氧量预测值进行评价，
得到评价值；在评价值满足预设条件的情况下，确定初始训练模型为烟气含氧量负荷预测模型。
[0058]
具体地，服务器将更新后的样本数据集拆分为训练数据集和测试数据集；利用训练数据集对深度学习模型进行训练，得到初始训练模型；之后，服务器对初始训练模型进行测试，将测试数据集中的特征数据输入到初始训练模型中，得到最后的输出，即烟气含氧量预测值；预设评价模型为rmse(均方根误差)的计算公式和相对误差率的计算公式，服务器基于预设评价模型，对烟气含氧量预测值进行评价，得到均方根误差和相对误差率；在均方根误差小于预设均方根误差阈值和相对误差率小于预设相对误差率阈值的情况下，服务器确定该初始训练模型为烟气含氧量负荷预测模型；在均方根误差不小于预设均方根误差阈值或相对误差率不小于预设相对误差率阈值的情况下，对初始训练模型的模型参数进行调整，直至调整后的训练模型满足均方根误差小于预设均方根误差阈值和相对误差率小于预设相对误差率阈值，确定该调整后的训练模型为烟气含氧量负荷预测模型。
[0059]
rmse的计算公式如式(4)所示：
[0060][0061]
式中，yi是时间序列烟气含氧量真实值，是时间序列烟气含氧量预测值。
[0062]
相对误差率计算公式如式(5)所示：
[0063][0064]
式中，yi是时间序列烟气含氧量真实值，是时间序列烟气含氧量预测值。
[0065]
上述所有可选技术方案，可以采用任意结合形成本技术的可选实施例，在此不再一一赘述。
[0066]
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。
[0067]
图4是本公开实施例提供的一种基于数据修正的烟气含氧量负荷预测装置的示意图。如图4所示，该基于数据修正的烟气含氧量负荷预测装置包括：
[0068]
确定模块401，被配置为获取样本数据集，并基于预设坏数据辨别模型，从样本数据集中确定坏数据，其中，样本数据集包括烟气含氧量值和烟气含氧量值的特征数据；
[0069]
修正模块402，被配置为基于预设坏数据修正模型，对坏数据进行修正，得到修正后的数据，并基于修正后的数据对样本数据集进行更新，得到更新后的样本数据集；
[0070]
训练模块403，被配置为构建深度学习模型，利用更新后的样本数据集，对深度学习模型进行训练，得到烟气含氧量负荷预测模型；
[0071]
预测模块404，被配置为基于烟气含氧量负荷预测模型，预测烟气含氧量值。
[0072]
根据本公开实施例提供的技术方案，通过对坏数据进行修正，并利用更新后的样本数据集进行模型训练，提高了烟气含氧量负荷预测模型的准确性，并进一步提高了烟气含氧量预测值的准确度。
[0073]
在一些实施例中，烟气含氧量值包括第一烟气含氧量值和第二烟气含氧量值，图4
的确定模块401基于3σ原理，在第一烟气含氧量值与烟气含氧量值的均值的差值大于三倍的预设倍数的总体标准差的情况下，确定第一烟气含氧量值为坏数据；其中，总体标准差为样本数据集中烟气含氧量值的总体标准差。
[0074]
在一些实施例中，烟气含氧量值的特征数据包括：能源设备烟气温度、节能器出口温度、烟气流量瞬时值、能源设备燃气温度、能源设备烟气标况流量、能源设备天然气入口压力，能源设备烟气流速、能源设备冷凝器进口烟温、能源设备排烟温度、能源设备烟气压力、能源设备冷凝器进口压力、能源设备主蒸汽瞬时流量、能源设备运行状态和能源设备天然气入口瞬时流量。
[0075]
在一些实施例中，预设坏数据修正模型为：
[0076][0077]
式中，为第n天第i时刻的烟气含氧量值修正值，xn±
1,i
为x
n,i
前后2个同类日第i时刻的烟气含氧量值，表示第n天第i时刻和第n天的上一周同类日的第i时刻的烟气含氧量值，x
n,i
第n天第i时刻的烟气含氧量值。
[0078]
在一些实施例中，在第二烟气含氧量值与烟气含氧量值的均值的差值不大于三倍的预设倍数的总体标准差的情况下，图4的确定模块401确定第二烟气含氧量值为正常数据，对正常数据进行保留。
[0079]
在一些实施例中，深度学习模型包括特征参数输入层、两个一维卷积层、池化层、flatten层、bilstm层、dense层和输出层，其中，输入层用于接收烟气含氧量值的特征数据。
[0080]
在一些实施例中，图4的训练模块403将更新后的样本数据集拆分为训练数据集和测试数据集；利用训练数据集对深度学习模型进行训练，得到初始训练模型；利用测试数据集对初始训练模型进行测试，得到烟气含氧量预测值；基于预设评价模型，对烟气含氧量预测值进行评价，得到评价值；在评价值满足预设条件的情况下，确定初始训练模型为烟气含氧量负荷预测模型。
[0081]
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。
[0082]
图5是本公开实施例提供的电子设备5的示意图。如图5所示，该实施例的电子设备5包括：处理器501、存储器502以及存储在该存储器502中并可在处理器501上运行的计算机程序503。处理器501执行计算机程序503时实现上述各个方法实施例中的步骤。或者，处理器501执行计算机程序503时实现上述各装置实施例中各模块/单元的功能。
[0083]
示例性地，计算机程序503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502中，并由处理器501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503在电子设备5中的执行过程。
[0084]
电子设备5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5可以包括但不仅限于处理器501和存储器502。本领域技术人员可以理解，图5仅仅
是电子设备5的示例，并不构成对电子设备5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。
[0085]
处理器501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。
[0086]
存储器502可以是电子设备5的内部存储单元，例如，电子设备5的硬盘或内存。存储器502也可以是电子设备5的外部存储设备，例如，电子设备5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502还可以既包括电子设备5的内部存储单元也包括外部存储设备。存储器502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502还可以用于暂时地存储已经输出或者将要输出的数据。
[0087]
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，并不用于限制本技术的保护范围。上述系统中单元、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。
[0088]
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。
[0089]
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。
[0090]
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系统，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。
[0091]
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。
[0092]
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。
[0093]
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。
[0094]
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。

技术特征：
1.一种基于数据修正的烟气含氧量负荷预测方法，其特征在于，包括：获取样本数据集，并基于预设坏数据辨别模型，从所述样本数据集中确定坏数据，其中，所述样本数据集包括烟气含氧量值和烟气含氧量值的特征数据；基于预设坏数据修正模型，对所述坏数据进行修正，得到修正后的数据，并基于所述修正后的数据对所述样本数据集进行更新，得到更新后的样本数据集；构建深度学习模型，利用所述更新后的样本数据集，对所述深度学习模型进行训练，得到烟气含氧量负荷预测模型；基于所述烟气含氧量负荷预测模型，预测烟气含氧量值。2.根据权利要求1所述的方法，其特征在于，所述烟气含氧量值包括第一烟气含氧量值和第二烟气含氧量值，所述基于预设坏数据辨别模型，从所述样本数据集中确定坏数据，包括：基于3σ原理，在所述第一烟气含氧量值与烟气含氧量值的均值的差值大于三倍的预设倍数的总体标准差的情况下，确定所述第一烟气含氧量值为坏数据；其中，所述总体标准差为所述样本数据集中所述烟气含氧量值的总体标准差。3.根据权利要求1所述的方法，其特征在于，所述烟气含氧量值的特征数据包括：能源设备烟气温度、节能器出口温度、烟气流量瞬时值、能源设备燃气温度、能源设备烟气标况流量、能源设备天然气入口压力，能源设备烟气流速、能源设备冷凝器进口烟温、能源设备排烟温度、能源设备烟气压力、能源设备冷凝器进口压力、能源设备主蒸汽瞬时流量、能源设备运行状态和能源设备天然气入口瞬时流量。4.根据权利要求1所述的方法，其特征在于，所述预设坏数据修正模型为：式中，为第n天第i时刻的烟气含氧量值修正值，x
n
±
1,i
为x
n,i
前后2个同类日第i时刻的烟气含氧量值，表示第n天第i时刻和第n天的上一周同类日的第i时刻的烟气含氧量值，x
n,i
第n天第i时刻的烟气含氧量值。5.根据权利要求2所述的方法，其特征在于，所述方法还包括：在所述第二烟气含氧量值与烟气含氧量值的均值的差值不大于三倍的预设倍数的总体标准差的情况下，确定所述第二烟气含氧量值为正常数据，对所述正常数据进行保留。6.根据权利要求1所述的方法，其特征在于，所述深度学习模型包括特征参数输入层、两个一维卷积层、池化层、flatten层、bilstm层、dense层和输出层，其中，所述输入层用于接收烟气含氧量值的特征数据。7.根据权利要求1至6中任一项所述的方法，其特征在于，所述利用所述更新后的样本数据集，对所述深度学习模型进行训练，得到烟气含氧量负荷预测模型，包括：将所述更新后的样本数据集拆分为训练数据集和测试数据集；利用所述训练数据集对所述深度学习模型进行训练，得到初始训练模型；利用所述测试数据集对所述初始训练模型进行测试，得到烟气含氧量预测值；基于预设评价模型，对所述烟气含氧量预测值进行评价，得到评价值；
在所述评价值满足预设条件的情况下，确定所述初始训练模型为所述烟气含氧量负荷预测模型。8.一种基于数据修正的烟气含氧量负荷预测装置，其特征在于，包括：确定模块，被配置为获取样本数据集，并基于预设坏数据辨别模型，从所述样本数据集中确定坏数据，其中，所述样本数据集包括烟气含氧量值和烟气含氧量值的特征数据；修正模块，被配置为基于预设坏数据修正模型，对所述坏数据进行修正，得到修正后的数据，并基于所述修正后的数据对所述样本数据集进行更新，得到更新后的样本数据集；训练模块，被配置为构建深度学习模型，利用所述更新后的样本数据集，对所述深度学习模型进行训练，得到烟气含氧量负荷预测模型；预测模块，被配置为基于所述烟气含氧量负荷预测模型，预测烟气含氧量值。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。

技术总结
本公开涉及能源技术领域，提供了一种基于数据修正的烟气含氧量负荷预测方法及装置。该方法包括：获取样本数据集，并基于预设坏数据辨别模型，从样本数据集中确定坏数据，其中，样本数据集包括烟气含氧量值和烟气含氧量值的特征数据；基于预设坏数据修正模型，对坏数据进行修正，得到修正后的数据，并基于修正后的数据对样本数据集进行更新，得到更新后的样本数据集；构建深度学习模型，利用更新后的样本数据集，对深度学习模型进行训练，得到烟气含氧量负荷预测模型；基于烟气含氧量负荷预测模型，预测烟气含氧量值。本公开提高了烟气含氧量预测值的准确度。量预测值的准确度。量预测值的准确度。


技术研发人员：刘胜伟
受保护的技术使用者：新智我来网络科技有限公司
技术研发日：2022.01.07
技术公布日：2023/7/21