[发明专利]一种脱硫优化方法、装置、电子设备及存储介质

说明书

本申请提供一种脱硫优化方法、装置、电子设备及存储介质，用于改善对烟气进行脱硫优化的效果并不理想的问题。该方法包括：获取脱硫设备在脱硫过程中产生的多种时序数据，时序数据是影响脱硫设备的脱硫效果的时间序列数据；在多种时序数据中的每种时序数据的变动范围内生成多个操作数据；使用神经网络模型对多个操作数据和多种时序数据进行预测，获得多个预测指标数据；从多个预测指标数据筛选出最优指标数据，并根据最优指标数据确定出用于优化脱硫效果的操作数据。

技术领域

本申请涉及机器学习和排放物脱硫的技术领域，具体而言，涉及一种脱硫优化方法、装置、电子设备及存储介质。

背景技术

目前，火电锅炉中的煤在燃烧后产生的含有大量二氧化硫的烟气，需要对含有大量二氧化硫的烟气进行脱硫；在烟气脱硫优化的过程中，脱硫效果可以使用指标数据来衡量，具体的脱硫优化过程就是针对影响脱硫效果的变量操作数据进行筛选和修改操作，从而尽量使得变量操作数据导致的指标数据靠近脱硫效果最优时的指标数据。

现有的基于数据分析优化算法通常采用类似聚类的算法，具体例如：先将所有已有操作数据进行聚类，获得多个聚类簇，再从多个聚类簇中寻找最优聚类簇，然后从最优聚类簇中的操作数据筛选出最优操作数据，最后由专业人员阅读和查看最优操作数据，并根据最后操作数据来操作脱硫设备，从而达到优化脱硫效果。在具体的实践过程中发现，使用类似聚类的算法对烟气进行脱硫优化的效果并不理想。

发明内容

本申请实施例的目的在于提供一种脱硫优化方法、装置、电子设备及存储介质，用于改善对烟气进行脱硫优化的效果并不理想的问题。

本申请实施例提供了一种脱硫优化方法，包括：获取脱硫设备在脱硫过程中产生的多种时序数据，时序数据是影响脱硫设备的脱硫效果的时间序列数据；在多种时序数据中的每种时序数据的变动范围内生成多个操作数据；使用神经网络模型对多个操作数据和多种时序数据进行预测，获得多个预测指标数据；从多个预测指标数据筛选出最优指标数据，并根据最优指标数据确定出用于优化脱硫效果的操作数据。在上述的实现过程中，通过采用机器学习中的数据分析方法，使用预先训练的神经网络模型对生成的多个操作数据和脱硫过程中的多种时序数据进行预测，获得多个预测指标数据；从多个预测指标数据筛选出最优指标数据，并从多个操作数据中筛选出最优指标数据对应的操作数据；从而可以根据最优指标数据对应的操作数据来优化脱硫过程中的脱硫效果；也就是说，通过使用神经网络模型有效地提高对模拟操作数据进行预测的准确率，再根据多个准确的预测指标数据中筛选出的最优指标数据对应的操作数据来优化脱硫效果，从而优化了对烟气进行脱硫优化的效果。

可选地，在本申请实施例中，在使用神经网络模型对多个操作数据和多种时序数据进行预测之前，还包括：获取多种指标影响数据和脱硫指标数据，指标影响数据是影响脱硫效果的时间序列数据，脱硫指标数据是表征脱硫效果的时间序列数据；从多种指标影响数据从筛选出至少一种与脱硫指标数据具有相关关系的指标影响数据；获取相关关系的指标影响数据对应的优化操作数据；以优化操作数据和相关关系的指标影响数据为训练数据，以脱硫指标数据为训练标签，对神经网络进行训练，获得神经网络模型。在上述的实现过程中，通过从多种指标影响数据从筛选出至少一种与脱硫指标数据具有相关关系的指标影响数据；获取相关关系的指标影响数据对应的优化操作数据；以优化操作数据和相关关系的指标影响数据为训练数据，以脱硫指标数据为训练标签，对神经网络进行训练，获得神经网络模型；从而使用神经网络模型有效地提高对模拟操作数据进行预测的准确率，再根据多个准确的预测指标数据中筛选出的最优指标数据对应的操作数据来优化脱硫效果，优化了对烟气进行脱硫优化的效果。

可选地，在本申请实施例中，在从多种指标影响数据从筛选出至少一种与脱硫指标数据具有相关关系的指标影响数据之前，还包括：对多种指标影响数据和脱硫指标数据进行预处理，预处理包括：异常值识别剔除、缺失值填补和降噪处理。在上述的实现过程中，通过对多种指标影响数据和脱硫指标数据进行异常值识别剔除、缺失值填补和降噪处理等等预处理，从而提高了训练数据或预测数据的质量，有效地提高对模拟操作数据进行预测的准确率。