一种火电机组除盐水站的水处理量预测方法及装置与流程

本申请涉及火电厂管理技术领域，具体而言，涉及一种火电机组除盐水站的水处理量预测方法及装置。

背景技术：

除盐水(desaltedwater)，是指利用各种水处理工艺，除去悬浮物、胶体和无机的阳离子、阴离子等水中杂质后，所得到的成品水。火电机组除盐水主要用于锅炉补给水。

目前，火电机组除盐水站按照火电机组整个服务期最大用水量建设，但实际过程中，除盐水的用水量会在不同的火电机组的服务期的不同阶段有所区别，造成当前火电机组除盐水站存在水处理资源浪费等问题；如何对火电机组的除盐水站的水处理量进行预测，是当前亟待解决的问题。

技术实现要素：

有鉴于此，本申请实施例的目的在于提供一种火电机组除盐水站的水处理量预测方法及装置，能够实现对火电机组除盐水站在各个时期的用水量进行预测。

第一方面，本申请实施例提供了一种火电机组除盐水站的水处理量预测方法，包括：

获取目标火电机组除盐水站的除盐水站类型、锅炉类型、制氢站类型，除盐水站投入运行的时长，火电机组在多个历史时间段的发电时长、火电机组在各个所述历史时间段的发电量、火电机组在至少一个未来时间段的预计发电时长、火电机组在所述至少一个未来时间段的预计发电量；

根据所述除盐水站类型、锅炉类型、制氢站类型，除盐水站投入运行的时长，火电机组在多个历史时间段的发电时长、火电机组在各个所述历史时间段的发电量、火电机组在至少一个未来时间段的预计发电时长、火电机组在所述至少一个未来时间段的预计发电量，以及预先训练的火电机组除盐水站的水处理量预测模型，获取所述目标火电机组除盐水站在各个所述未来时间段的水处理量。

一种可选的实施方式中，所述火电机组除盐水站的水处理量预测模型包括深度学习模型；

所述深度学习模型包括：循环神经网络以及特征融合网络；

采用下述方式训练所述深度学习模型：

获取多个样本火电机组除盐水站的样本除盐水站类型、锅炉类型、制氢站类型，样本除盐水站投入运行的时长，样本火电机组在多个样本历史时间段的发电时长、样本火电机组在各个样本历史时间段的发电量、样本火电机组除盐水站在各个样本历史时间段的实际水处理量；

根据样本火电机组在多个样本历史时间段的发电时长、样本火电机组在各个样本历史时间段的发电量，按照样本历史时间段的先后顺序，生成特征向量序列；样本特征向量序列中，包括多个第一样本特征向量；

根据样本火电机组除盐水站的样本除盐水站类型、锅炉类型、制氢站类型，样本除盐水站投入运行的时长，构成各个样本火电机组除盐水站的第二样本特征向量；

将样本特征向量序列输入至循环神经网络中，获取与各个第一样本特征向量分别对应的中间特征向量；

针对每个第一样本特征向量，将该第一样本特征向量与第二样本特征向量进行拼接，形成与该第一样本特征向量对应的样本拼接向量；

分别将每个第一样本特征向量对应的样本拼接向量输入至特征融合网络中，获取与该第一样本特征向量对应的水处理量预测结果；

根据各个第一样本特征向量分别对应的水处理量预测结果，以及各个第一样本特征向量分别对应的样本历史时间段的实际水处理量，训练循环神经网络和特征融合网络。

一种可选的实施方式中，所述获取所述目标火电机组除盐水站在未来时间段的水处理量，包括：

根据火电机组在多个历史时间段的发电时长、火电机组在各个所述历史时间段的发电量、火电机组在至少一个未来时间段的预计发电时长、火电机组在所述至少一个未来时间段的预计发电量，按照各个所述历史时间段和未来时间段的先后顺序，生成特征向量序列；所述特征向量序列包括多个第一特征向量；

根据目标火电机组除盐水站的除盐水站类型、锅炉类型、制氢站类型，除盐水站投入运行的时长，生成第二特征向量；

将所述特征向量序列输入至循环神经网络，获取中间特征向量；

将各个所述中间特征向量分别与所述第二特征向量进行拼接，生成与每个中间特征向量分别对应的拼接向量，并将各个所述拼接向量输入至所述特征融合网络中，获取所述目标火电机组除盐水站在各个所述未来时间段的水处理量。

一种可选的实施方式中，该方法还包括：

根据所述目标火电机组除盐水站在未来时间段的水处理量，确定所述目标火电机组除盐水站中的超滤装置、活性炭过滤系统，反渗透处理系统和离子交换处理系统在所述未来时间段的运行时间以及运行功率。

一种可选的实施方式中，该方法还包括：

根据所述目标火电机组除盐水站在未来时间段的水处理量，确定排出废水量。

第二方面，本申请实施例还提供一种火电机组除盐水站的水处理量预测装置，包括：

获取模块，用于获取目标火电机组除盐水站的除盐水站类型、锅炉类型、制氢站类型，除盐水站投入运行的时长，火电机组在多个历史时间段的发电时长、火电机组在各个所述历史时间段的发电量、火电机组在至少一个未来时间段的预计发电时长、火电机组在所述至少一个未来时间段的预计发电量；

预测模块，用于根据所述除盐水站类型、锅炉类型、制氢站类型，除盐水站投入运行的时长，火电机组在多个历史时间段的发电时长、火电机组在各个所述历史时间段的发电量、火电机组在至少一个未来时间段的预计发电时长、火电机组在所述至少一个未来时间段的预计发电量，以及预先训练的火电机组除盐水站的水处理量预测模型，获取所述目标火电机组除盐水站在各个所述未来时间段的水处理量。

一种可选的实施方式中，所述火电机组除盐水站的水处理量预测模型包括深度学习模型；

所述深度学习模型包括：循环神经网络以及特征融合网络；

还包括：模型训练模块，用于采用下述方式训练所述深度学习模型：

获取多个样本火电机组除盐水站的样本除盐水站类型、锅炉类型、制氢站类型，样本除盐水站投入运行的时长，样本火电机组在多个样本历史时间段的发电时长、样本火电机组在各个样本历史时间段的发电量、样本火电机组除盐水站在各个样本历史时间段的实际水处理量；

根据样本火电机组在多个样本历史时间段的发电时长、样本火电机组在各个样本历史时间段的发电量，按照样本历史时间段的先后顺序，生成特征向量序列；样本特征向量序列中，包括多个第一样本特征向量；

根据样本火电机组除盐水站的样本除盐水站类型、锅炉类型、制氢站类型，样本除盐水站投入运行的时长，构成各个样本火电机组除盐水站的第二样本特征向量；

将样本特征向量序列输入至循环神经网络中，获取与各个第一样本特征向量分别对应的中间特征向量；

针对每个第一样本特征向量，将该第一样本特征向量与第二样本特征向量进行拼接，形成与该第一样本特征向量对应的样本拼接向量；

分别将每个第一样本特征向量对应的样本拼接向量输入至特征融合网络中，获取与该第一样本特征向量对应的水处理量预测结果；

根据各个第一样本特征向量分别对应的水处理量预测结果，以及各个第一样本特征向量分别对应的样本历史时间段的实际水处理量，训练循环神经网络和特征融合网络。

一种可选的实施方式中，所述预测模块，用于采用下述方式获取所述目标火电机组除盐水站在未来时间段的水处理量：

根据火电机组在多个历史时间段的发电时长、火电机组在各个所述历史时间段的发电量、火电机组在至少一个未来时间段的预计发电时长、火电机组在所述至少一个未来时间段的预计发电量，按照各个所述历史时间段和未来时间段的先后顺序，生成特征向量序列；所述特征向量序列包括多个第一特征向量；

根据目标火电机组除盐水站的除盐水站类型、锅炉类型、制氢站类型，除盐水站投入运行的时长，生成第二特征向量；

将所述特征向量序列输入至循环神经网络，获取中间特征向量；

将各个所述中间特征向量分别与所述第二特征向量进行拼接，生成与每个中间特征向量分别对应的拼接向量，并将各个所述拼接向量输入至所述特征融合网络中，获取所述目标火电机组除盐水站在各个所述未来时间段的水处理量。

一种可选的实施方式中，该装置还包括：

第一确定模块，用于根据所述目标火电机组除盐水站在未来时间段的水处理量，确定所述目标火电机组除盐水站中的超滤装置、活性炭过滤系统，反渗透处理系统和离子交换处理系统在所述未来时间段的运行时间以及运行功率。

一种可选的实施方式中，该装置还包括：

第二确定模块，用于根据所述目标火电机组除盐水站在未来时间段的水处理量，确定排出废水量。

第三方面，本申请实施例还提供一种电子设备，包括：处理器、存储器和总线，所述存储器存储有所述处理器可执行的机器可读指令，当电子设备运行时，所述处理器与所述存储器之间通过总线通信，所述机器可读指令被所述处理器执行时执行上述第一方面，或第一方面任一种可能的实施方式中的步骤。

第四方面，本申请实施例还提供一种计算机可读存储介质，该计算机可读存储介质上存储有计算机程序，该计算机程序被处理器运行时执行上述第一方面，或第一方面任一种可能的实施方式中的步骤。

本申请实施例通过获取目标火电机组除盐水站的除盐水站类型、锅炉类型、制氢站类型，除盐水站投入运行的时长，火电机组在多个历史时间段的发电时长、火电机组在各个所述历史时间段的发电量、火电机组在至少一个未来时间段的预计发电时长、火电机组在所述至少一个未来时间段的预计发电量；并根据获取的相关信息，以及预先训练的火电机组除盐水站的水处理量预测模型，实现对目标火电机组除盐水站在各个所述未来时间段的水处理量的预测。为使本申请的上述目的、特征和优点能更明显易懂，下文特举较佳实施例，并配合所附附图，作详细说明如下。

附图说明

为了更清楚地说明本申请实施例的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本申请的某些实施例，因此不应被看作是对范围的限定，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他相关的附图。

图1示出了本申请实施例所提供的一种火电机组除盐水站的水处理量预测方法的流程图；

图2示出了本申请实施例所提供的火电机组除盐水站的水处理量预测方法中，训练水处理量预测模型的具体方法的流程图；

图3示出了本申请实施例所提供的火电机组除盐水站的水处理量预测方法中，获取所述目标火电机组除盐水站在未来时间段的水处理量的具体方法的流程图；

图4示出了本申请实施例所提供的一种火电机组除盐水站的水处理量预测装置的示意图；

图5示出了本申请实施例所提供的一种电子设备的示意图。

具体实施方式

为使本申请实施例的目的、技术方案和优点更加清楚，下面将结合本申请实施例中附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本申请一部分实施例，而不是全部的实施例。通常在此处附图中描述和示出的本申请实施例的组件可以以各种不同的配置来布置和设计。因此，以下对在附图中提供的本申请的实施例的详细描述并非旨在限制要求保护的本申请的范围，而是仅仅表示本申请的选定实施例。基于本申请的实施例，本领域技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例，都属于本申请保护的范围。

火电厂在建设的过程中，通常是分为多期工程分别建设。每期工程会建设一定数量的火电机组，且建设时间较晚的工程在建时，已经建成的火电机组已经被投入运营。除盐水作为火电机组的锅炉补给水，是火电机组在发电过程中的必不可少的原料。除盐水站作为除盐水的生产系统，一般是按照火电厂的多期工程的所有火电机组均投入运营的最大需水量建设而成，但实际过程中，除盐水的用水量会在火电机组的服务期的不同服务阶段有所区别，造成当前火电机组除盐水站存在水处理资源浪费等问题。因此，一种能够以较高精度对除盐水站的水处理量进行预测的方式，成为当前亟待解决的问题。

基于上述研究，本申请提供了一种火电机组除盐水站的水处理量预测方法及装置，通过获取目标火电机组除盐水站在多个水处理影响特征下的二特征值，并将获得的特征值输入至预先训练的火电机组除盐水站的水处理量预测模型中，获取目标火电机组除盐水站在未来时间段的水处理量，从而指导火电机组除盐水站的水处理工作。

针对以上方案所存在的缺陷，均是发明人在经过实践并仔细研究后得出的结果，因此，上述问题的发现过程以及下文中本申请针对上述问题所提出的解决方案，都应该是发明人在本申请过程中对本申请做出的贡献。

下面将结合本申请中附图，对本申请中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本申请一部分实施例，而不是全部的实施例。通常在此处附图中描述和示出的本申请的组件可以以各种不同的配置来布置和设计。因此，以下对在附图中提供的本申请的实施例的详细描述并非旨在限制要求保护的本申请的范围，而是仅仅表示本申请的选定实施例。基于本申请的实施例，本领域技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例，都属于本申请保护的范围。

应注意到：相似的标号和字母在下面的附图中表示类似项，因此，一旦某一项在一个附图中被定义，则在随后的附图中不需要对其进行进一步定义和解释。

为便于对本实施例进行理解，首先对本申请实施例所公开的一种火电机组除盐水站的水处理量预测方法进行详细介绍，本申请实施例所提供的火电机组除盐水站的水处理量预测方法的执行主体一般为具有运算能力的计算机设备。

实施例一

参见图1所示，为本申请实施例一提供的火电机组除盐水站的水处理量预测方法的流程图，所述方法包括步骤s101～s102，其中：

s101：获取目标火电机组除盐水站的除盐水站类型、锅炉类型、制氢站类型，除盐水站投入运行的时长，火电机组在多个历史时间段的发电时长、火电机组在各个所述历史时间段的发电量、火电机组在至少一个未来时间段的预计发电时长、火电机组在所述至少一个未来时间段的预计发电量。

在具体实施中，对除盐水站的影响因素有多种，例如火电机组的运行功率、火电机组中锅炉的类型、火电机组中制氢站的类型、除盐水站投入运营的时长、火电机组的发电时长、火电机组在的发电量等，另外，还包括除盐水站中超滤装置、活性炭过滤系统，反渗透处理系统和离子交换处理系统的运行状况，也会对除盐水站的水处理量造成一定的影响。本申请实施例中，在考虑到除盐水站中超滤装置、活性炭过滤系统，反渗透处理系统和离子交换处理系统正常工作的情况下，本申请采用除盐水站类型、锅炉类型、制氢站类型，除盐水站投入运行的时长，火电机组的在多个历史时间段的发电时长、火电机组在各个所述历史时间段的发电量、火电机组在至少一个未来时间段的预计发电时长、火电机组在所述至少一个未来时间段的预计发电量来预测火电机组除盐水站的水处理量。

这里，历史时间段的数量，是根据除盐水站投入运行的时间，以及每个历史时间段的时长确定的。

例如，若使用本申请实施例提供的火电机组除盐水站的水处理量预测方法，预测已经投入使用一定时间的除盐水站在未来某段时间的水处理量，若预测时间为2018年1月1日(预测时间，即为使用本申请实施例提供的火电机组除盐水站的水处理量预测方法预测目标火电机组除盐水站在至少一个未来时间段的水处理量的时间)，历史时间段的时长为2个月，除盐水站投入运行的时间为2017年1月1日，则对应的历史时间段有6个，分别为：

2017年1月1日-2017年2月29日；

2017年3月1日-2017年4月30日；

2017年5月1日-2017年6月30日；

2017年7月1日-2017年8月31日；

2017年9月1日-2017年10月31日；

2017年11月1日-2017年12月31日。

对应的，各个未来时间段的时长也为2个月，在上述示例中，在进行预测的时候，能够获取2018年1月1日之后未来时间段的水处理量。

例如，确定的未来时间段包括：

2018年1月1日-2018年2月29日；

2018年3月1日-2018年4月30日。

若使用本申请实施例提供的火电机组除盐水站的水处理量预测方法，预测未投入使用的除盐水站在未来某段时间的水处理量，则对应历史时间段为空。

各个未来时间段，为除盐水站在投入使用后的至少一个未来时间段。

例如，预测时间为2018年1月1日，除盐水站计划2019年1月1日投入使用，则未来时间段可以包括：

20179年1月1日-2019年2月29日；

2019年3月1日-2019年4月30日；

2019年5月1日-2019年6月30日；

2019年7月1日-2019年8月31日。

具体地，可以采用下述方式确定目标火电机组除盐水站在各个水处理量影响特征下的特征值：

(1)除盐水站类型、锅炉类型、制氢站类型，可以直接从火电机组的管理系统中读取。

其中，火电机组管理系统为用于管理火电机组进行发电的控制系统。

(2)除盐水站投入运行的时长：可以通过除盐水站投入运行的时间，以及预测时间，确定除盐水站投入运行的时长；或者通过除盐水站投入运行后，在各个历史时间段的工作时长来确定除盐水站投入运行的时长。

(3)火电机组在各个所述历史时间段的发电量：也可以直接从火电机组的管理系统中读取。

(4)火电机组在至少一个未来时间段的预计发电时长、火电机组在所述至少一个未来时间段的预计发电量，根据实际的发电需求确定，或者从火电厂发电计划的相关信息中读取。

s102：根据所述除盐水站类型、锅炉类型、制氢站类型，除盐水站投入运行的时长，火电机组在多个历史时间段的发电时长、火电机组在各个所述历史时间段的发电量、火电机组在至少一个未来时间段的预计发电时长、火电机组在所述至少一个未来时间段的预计发电量，以及预先训练的火电机组除盐水站的水处理量预测模型，获取所述目标火电机组除盐水站在各个所述未来时间段的水处理量。

在具体实施中，火电机组除盐水站的水处理量预测模型，可以包括：逻辑回归模型、自回归模型、移动平均模型、自回归移动平均模型、整合移动平均自回归模型、广义自回归条件异方差模型、深度学习模型中任意一种。

针对不同类型的水处理量预测模型，可以有不同的训练方式。

a：针对所述火电机组除盐水站的水处理量预测模型包括深度学习模型的情况，该深度学习模型包括：循环神经网络以及特征融合网络。

参见图2所示，本申请实施例提供一种训练水处理量预测模型的具体方式，包括：

s201：获取多个样本火电机组除盐水站的样本除盐水站类型、锅炉类型、制氢站类型，样本除盐水站投入运行的时长，样本火电机组在多个样本历史时间段的发电时长、样本火电机组在各个样本历史时间段的发电量、样本火电机组除盐水站在各个样本历史时间段的实际水处理量。

s202：根据样本火电机组在多个样本历史时间段的发电时长、样本火电机组在各个样本历史时间段的发电量，按照样本历史时间段的先后顺序，生成特征向量序列；样本特征向量序列中，包括多个第一样本特征向量。

其中，每个第一样本特征向量对应一个样本历史时间段，且样本历史时间段的数量，与下述s102中，历史时间段和未来时间段的总数量一致。

此处，若样本火电机组与目标火电机组的类型相同，则可以通过与样本火电机组在多个样本历史时间段的发电时长、样本火电机组在各个所述样本历史时间段的发电量构成样本特征向量序列。

在另一实施例中，若样本火电机组与目标火电机组的类型不同，在样本特征向量序列中还可以包括发电机组的其他相关信息，例如在各个样本历史时间段发电时的发电功率等。

s203：根据样本火电机组除盐水站的样本除盐水站类型、锅炉类型、制氢站类型，样本除盐水站投入运行的时长，构成各个样本火电机组除盐水站的第二样本特征向量。

s204：将样本特征向量序列输入至循环神经网络中，获取与各个第一样本特征向量分别对应的中间特征向量。

s205：针对每个第一样本特征向量，将该第一样本特征向量与第二样本特征向量进行拼接，形成与该第一样本特征向量对应的样本拼接向量。

s206：分别将每个第一样本特征向量对应的样本拼接向量输入至特征融合网络中，获取与该第一样本特征向量对应的水处理量预测结果。

s207：根据各个第一样本特征向量分别对应的水处理量预测结果，以及各个第一样本特征向量分别对应的样本历史时间段的实际水处理量，训练循环神经网络和特征融合网络。

此处，根据各个第一样本特征向量分别对应的水处理量预测结果，以及各个第一样本特征向量分别对应的样本历史时间段的实际水处理量，训练循环神经网络和特征融合网络，是针对每个第一样本特征向量，根据该第一样本特征向量对应的输出力量预测结果和对应样本历史时间段的实际水处理结果，获取深度学习模型的交叉熵损失，并根据深度学习模型的交叉熵损失，调整循环神经网络和特征融合网络的参数，最终使得循环神经网络和特征融合网络为每个样本历史时间段预估的水处理量预测结果，与各个样本历史时间段对应的实际水处理量之间的差值，小于预设的差值阈值。

在训练得到水处理量预测模型后，就能够基于该水处理量预测模型得到目标火电机组在至少一个未来时间段的水处理量。

具体地，参见图3所示，本申请实施例还提供一种在火电机组除盐水站的水处理量预测模型包括深度学习模型的情况下，获取所述目标火电机组除盐水站在未来时间段的水处理量的具体方式，包括：

s301：根据火电机组在多个历史时间段的发电时长、火电机组在各个所述历史时间段的发电量、火电机组在至少一个未来时间段的预计发电时长、火电机组在所述至少一个未来时间段的预计发电量，按照各个所述历史时间段的先后顺序，生成特征向量序列；所述特征向量序列包括多个第一特征向量。

此处，由于历史时间段和未来时间段的数量之和，与样本历史时间段的数量相同，所构成的特征向量序列中，第一特征向量的数量也和第一样本特征向量的数量相同。其中，第一特征向量，与历史时间段和未来时间段一一对应。

也即，若目标火电机组的除盐水站投入运行的时长为6个月，历史时间段和未来时间段的时长均为2个月，且历史时间段和未来时间段的数量和有10个，则对应的历史时间段的数量为3个，未来时间段的数量为7个。所得到的是，除盐水站在未来的7个未来时间段中，在每个未来时间段内的水处理量。

若目标火电机组的除盐水站还未投入运行，历史时间段和未来时间段的时长均为2个月，且历史时间段和未来时间段的数量和有10个，则对应的历史时间段的数量为0个，未来时间段的数量为10个。所得到的是，除盐水站在未来投入运营后的20个未来时间段中，在每个未来时间段内的水处理量。

s302：根据除盐水站类型、锅炉类型、制氢站类型，除盐水站投入运行的时长，生成第二特征向量；

s303：将所述特征向量序列输入至循环神经网络，获取中间特征向量；

s304：将各个所述中间特征向量分别与所述第二特征向量进行拼接，生成与每个中间特征向量分别对应的拼接向量，并将各个所述拼接向量输入至所述特征融合网络中，获取所述目标火电机组除盐水站在各个所述未来时间段的水处理量。

b：针对所述火电机组除盐水站的水处理量预测模型包括：逻辑回归模型、自回归模型、移动平均模型、自回归移动平均模型、整合移动平均自回归模型、广义自回归条件异方差模型中任意一种的情况，参见图4所示可以采用下述方式训练水处理量预测模型：

获取多个样本火电机组除盐水站的样本除盐水站类型、锅炉类型、制氢站类型，样本除盐水站投入运行的时长，样本火电机组在多个样本历史时间段的发电时长、样本火电机组在各个样本历史时间段的发电量、样本火电机组除盐水站在各个样本历史时间段的实际水处理量。

根据多个样本火电机组除盐水站的样本除盐水站类型、锅炉类型、制氢站类型，对各个样本火电机组除盐水站进行分类。

针对每个分类，将该分类中的各个样本火电机组除盐水站作为目标火电机组除盐水站，根据各个目标火电机组除盐水站在多个样本历史时间段的发电时长、样本火电机组在各个样本历史时间段的发电量、样本火电机组除盐水站在各个样本历史时间段的实际水处理量，训练与该分类对应的基础预测模型，得到与该分类对应的水处理量预测模型。

具体地，即为基础预测模型逻辑回归模型、自回归模型、移动平均模型、自回归移动平均模型、整合移动平均自回归模型、广义自回归条件异方差模型中任意一种。

可以采用下述方式对基础预测模型进行训练：

以各个目标火电机组除盐水站在多个样本历史时间段的发电时长、样本火电机组在各个样本历史时间段的发电量作为自变量矩阵，以样本火电机组除盐水站在各个样本历史时间段的实际水处理量作为因变量矩阵，对基础预测模型中各个自变量以及因变量的参数矩阵进行求解，得到各个自变量的参数以及因变量的参数，最终得到水处理量预测模型。

在使用该种水处理量预测模型对目标火电机组除盐水站的水处理量进行预测时，可以采用下述方式：

根据目标火电机组除盐水站的除盐水站类型、锅炉类型、制氢站类型，确定与该目标火电机组除盐水站对应的水处理量预测模型。

将目标火电机组除盐水站火电机组在多个历史时间段的发电时长、火电机组在各个所述历史时间段的发电量、火电机组在至少一个未来时间段的预计发电时长、火电机组在所述至少一个未来时间段的预计发电量作为自变量的值，输入至水处理量预测模型中，得到与各个未来时间段对应的水处理量。

另外，本申请另一实施例中，所提供的电机组除盐水站的水处理量预测方法中，还包括：

s103：根据所述目标火电机组除盐水站在未来时间段的水处理量，确定所述目标火电机组除盐水站中的超滤装置、活性炭过滤系统，反渗透处理系统和离子交换处理系统在所述未来时间段的运行时间以及运行功率。

此处，目标火电机组除盐水站的水处理量与目标火电机组除盐水站中的超滤装置、活性炭过滤系统，反渗透处理系统和离子交换处理系统的运行时间和运行功率之间具有映射关系。

在确定了目标火电机组除盐水站在未来时间段的水处理量后，就能够根据该映射关系，确定所述目标火电机组除盐水站中的超滤装置、活性炭过滤系统，反渗透处理系统和离子交换处理系统在所述未来时间段的运行时间以及运行功率。

另外，本申请另一实施例中，所提供的电机组除盐水站的水处理量预测方法中，还包括：

s104：根据所述目标火电机组除盐水站在未来时间段的水处理量，确定排出废水量。

此处，目标火电机组除盐水站的水处理量与废水排出量之间具有映射关系，在确定了目标火电机组除盐水站在未来时间段的水处理量后，就能够根据该映射关系，确定排出废水量，以指导废水处理系统的相关工作。

另外，本申请另一实施例中，所提供的电机组除盐水站的水处理量预测方法中，还包括：基于目标火电机组除盐水站在各个所述未来时间段的水处理量，调配目标火电机组除盐水站的水处理资源。

本申请实施例通过获取目标火电机组除盐水站的除盐水站类型、锅炉类型、制氢站类型，除盐水站投入运行的时长，火电机组在多个历史时间段的发电时长、火电机组在各个所述历史时间段的发电量、火电机组在至少一个未来时间段的预计发电时长、火电机组在所述至少一个未来时间段的预计发电量；并根据获取的相关信息，以及预先训练的火电机组除盐水站的水处理量预测模型，实现对目标火电机组除盐水站在各个所述未来时间段的水处理量的预测。

基于同一发明构思，本申请实施例中还提供了与火电机组除盐水站的水处理量预测方法对应的火电机组除盐水站的水处理量预测装置，由于本申请实施例中的装置解决问题的原理与本申请实施例上述火电机组除盐水站的水处理量预测方法相似，因此装置的实施可以参见方法的实施，重复之处不再赘述。

实施例二

参照图4所示，为本申请实施例二提供的一种火电机组除盐水站的水处理量预测装置的示意图，所述装置包括：获取模块41和预测模块42；其中，

获取模块41，用于获取目标火电机组除盐水站的除盐水站类型、锅炉类型、制氢站类型，除盐水站投入运行的时长，火电机组在多个历史时间段的发电时长、火电机组在各个所述历史时间段的发电量、火电机组在至少一个未来时间段的预计发电时长、火电机组在所述至少一个未来时间段的预计发电量；

预测模块42，用于根据所述除盐水站类型、锅炉类型、制氢站类型，除盐水站投入运行的时长，火电机组在多个历史时间段的发电时长、火电机组在各个所述历史时间段的发电量、火电机组在至少一个未来时间段的预计发电时长、火电机组在所述至少一个未来时间段的预计发电量，以及预先训练的火电机组除盐水站的水处理量预测模型，获取所述目标火电机组除盐水站在各个所述未来时间段的水处理量。

本申请实施例通过获取目标火电机组除盐水站的除盐水站类型、锅炉类型、制氢站类型，除盐水站投入运行的时长，火电机组在多个历史时间段的发电时长、火电机组在各个所述历史时间段的发电量、火电机组在至少一个未来时间段的预计发电时长、火电机组在所述至少一个未来时间段的预计发电量；并根据获取的相关信息，以及预先训练的火电机组除盐水站的水处理量预测模型，实现对目标火电机组除盐水站在各个所述未来时间段的水处理量的预测。

一种可能的实施方式中，所述火电机组除盐水站的水处理量预测模型包括深度学习模型；

所述深度学习模型包括：循环神经网络以及特征融合网络；

还包括：模型训练模块43，用于采用下述方式训练所述深度学习模型：

获取多个样本火电机组除盐水站的样本除盐水站类型、锅炉类型、制氢站类型，样本除盐水站投入运行的时长，样本火电机组在多个样本历史时间段的发电时长、样本火电机组在各个样本历史时间段的发电量、样本火电机组除盐水站在各个样本历史时间段的实际水处理量；

根据样本火电机组在多个样本历史时间段的发电时长、样本火电机组在各个样本历史时间段的发电量，按照样本历史时间段的先后顺序，生成特征向量序列；样本特征向量序列中，包括多个第一样本特征向量；

根据样本火电机组除盐水站的样本除盐水站类型、锅炉类型、制氢站类型，样本除盐水站投入运行的时长，构成各个样本火电机组除盐水站的第二样本特征向量；

将样本特征向量序列输入至循环神经网络中，获取与各个第一样本特征向量分别对应的中间特征向量；

针对每个第一样本特征向量，将该第一样本特征向量与第二样本特征向量进行拼接，形成与该第一样本特征向量对应的样本拼接向量；

分别将每个第一样本特征向量对应的样本拼接向量输入至特征融合网络中，获取与该第一样本特征向量对应的水处理量预测结果；

根据各个第一样本特征向量分别对应的水处理量预测结果，以及各个第一样本特征向量分别对应的样本历史时间段的实际水处理量，训练循环神经网络和特征融合网络。

一种可能的实施方式中，所述预测模块42，用于采用下述方式获取所述目标火电机组除盐水站在未来时间段的水处理量：

根据火电机组在多个历史时间段的发电时长、火电机组在各个所述历史时间段的发电量、火电机组在至少一个未来时间段的预计发电时长、火电机组在所述至少一个未来时间段的预计发电量，按照各个所述历史时间段和未来时间段的先后顺序，生成特征向量序列；所述特征向量序列包括多个第一特征向量；

根据目标火电机组除盐水站的除盐水站类型、锅炉类型、制氢站类型，除盐水站投入运行的时长，生成第二特征向量；

将所述特征向量序列输入至循环神经网络，获取中间特征向量；

将各个所述中间特征向量分别与所述第二特征向量进行拼接，生成与每个中间特征向量分别对应的拼接向量，并将各个所述拼接向量输入至所述特征融合网络中，获取所述目标火电机组除盐水站在各个所述未来时间段的水处理量。

一种可能的实施方式中，该装置还包括：第一确定模块44，用于根据所述目标火电机组除盐水站在未来时间段的水处理量，确定所述目标火电机组除盐水站中的超滤装置、活性炭过滤系统，反渗透处理系统和离子交换处理系统在所述未来时间段的运行时间以及运行功率。

一种可能的实施方式中，该装置还包括：

第二确定模块45，用于根据所述目标火电机组除盐水站在未来时间段的水处理量，确定排出废水量。

关于装置中的各模块的处理流程、以及各模块之间的交互流程的描述可以参照上述方法实施例中的相关说明，这里不再详述。

实施例三

提供的计算机设备500结构示意图，包括：

处理器51、存储器52、和总线53；存储器52用于存储执行指令，包括内存521和外部存储器522；这里的内存521也称内存储器，用于暂时存放处理器51中的运算数据，以及与硬盘等外部存储器522交换的数据，处理器51通过内存521与外部存储器522进行数据交换，当所述计算机设备500运行时，所述处理器51与所述存储器52之间通过总线53通信，使得所述处理器61在用户态执行以下指令：

获取目标火电机组除盐水站的除盐水站类型、锅炉类型、制氢站类型，除盐水站投入运行的时长，火电机组在多个历史时间段的发电时长、火电机组在各个所述历史时间段的发电量、火电机组在至少一个未来时间段的预计发电时长、火电机组在所述至少一个未来时间段的预计发电量；

根据所述除盐水站类型、锅炉类型、制氢站类型，除盐水站投入运行的时长，火电机组在多个历史时间段的发电时长、火电机组在各个所述历史时间段的发电量、火电机组在至少一个未来时间段的预计发电时长、火电机组在所述至少一个未来时间段的预计发电量，以及预先训练的火电机组除盐水站的水处理量预测模型，获取所述目标火电机组除盐水站在各个所述未来时间段的水处理量。

一种可能的实施方式中，处理器51执行的指令中，所述火电机组除盐水站的水处理量预测模型包括深度学习模型；

所述深度学习模型包括：循环神经网络以及特征融合网络；

采用下述方式训练所述深度学习模型：

获取多个样本火电机组除盐水站的样本除盐水站类型、锅炉类型、制氢站类型，样本除盐水站投入运行的时长，样本火电机组在多个样本历史时间段的发电时长、样本火电机组在各个样本历史时间段的发电量、样本火电机组除盐水站在各个样本历史时间段的实际水处理量；

根据样本火电机组在多个样本历史时间段的发电时长、样本火电机组在各个样本历史时间段的发电量，按照样本历史时间段的先后顺序，生成特征向量序列；样本特征向量序列中，包括多个第一样本特征向量；

根据样本火电机组除盐水站的样本除盐水站类型、锅炉类型、制氢站类型，样本除盐水站投入运行的时长，构成各个样本火电机组除盐水站的第二样本特征向量；

将样本特征向量序列输入至循环神经网络中，获取与各个第一样本特征向量分别对应的中间特征向量；

针对每个第一样本特征向量，将该第一样本特征向量与第二样本特征向量进行拼接，形成与该第一样本特征向量对应的样本拼接向量；

分别将每个第一样本特征向量对应的样本拼接向量输入至特征融合网络中，获取与该第一样本特征向量对应的水处理量预测结果；

根据各个第一样本特征向量分别对应的水处理量预测结果，以及各个第一样本特征向量分别对应的样本历史时间段的实际水处理量，训练循环神经网络和特征融合网络。

一种可能的实施方式中，处理器51执行的指令中，所述获取所述目标火电机组除盐水站在未来时间段的水处理量，包括：

根据火电机组在多个历史时间段的发电时长、火电机组在各个所述历史时间段的发电量、火电机组在至少一个未来时间段的预计发电时长、火电机组在所述至少一个未来时间段的预计发电量，按照各个所述历史时间段和未来时间段的先后顺序，生成特征向量序列；所述特征向量序列包括多个第一特征向量；

根据目标火电机组除盐水站的除盐水站类型、锅炉类型、制氢站类型，除盐水站投入运行的时长，生成第二特征向量；

将所述特征向量序列输入至循环神经网络，获取中间特征向量；

将各个所述中间特征向量分别与所述第二特征向量进行拼接，生成与每个中间特征向量分别对应的拼接向量，并将各个所述拼接向量输入至所述特征融合网络中，获取所述目标火电机组除盐水站在各个所述未来时间段的水处理量。

一种可能的实施方式中，处理器51执行的指令中，该方法还包括：

根据所述目标火电机组除盐水站在未来时间段的水处理量，确定所述目标火电机组除盐水站中的超滤装置、活性炭过滤系统，反渗透处理系统和离子交换处理系统在所述未来时间段的运行时间以及运行功率。

一种可能的实施方式中，处理器51执行的指令中，该方法还包括：

根据所述目标火电机组除盐水站在未来时间段的水处理量，确定排出废水量。

此外，本申请实施例还提供一种计算机可读存储介质，该计算机可读存储介质上存储有计算机程序，该计算机程序被处理器运行时执行上述方法实施例中所述的火电机组除盐水站的水处理量预测方法的步骤。

本申请实施例所提供的火电机组除盐水站的水处理量预测方法的计算机程序产品，包括存储了程序代码的计算机可读存储介质，所述程序代码包括的指令可用于执行上述方法实施例中所述的火电机组除盐水站的水处理量预测方法的步骤，具体可参见上述方法实施例，在此不再赘述。

所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的系统和装置的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。在本申请所提供的几个实施例中，应该理解到，所揭露的系统、装置和方法，可以通过其它的方式实现。以上所描述的装置实施例仅仅是示意性的，例如，所述单元的划分，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，又例如，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信连接可以是通过一些通信接口，装置或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。

所述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，在本申请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。

所述功能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，可以存储在一个处理器可执行的非易失的计算机可读取存储介质中。基于这样的理解，本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本申请各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：u盘、移动硬盘、只读存储器(read-onlymemory，rom)、随机存取存储器(randomaccessmemory，ram)、磁碟或者光盘等各种可以存储程序代码的介质。

最后应说明的是：以上所述实施例，仅为本申请的具体实施方式，用以说明本申请的技术方案，而非对其限制，本申请的保护范围并不局限于此，尽管参照前述实施例对本申请进行了详细的说明，本领域的普通技术人员应当理解：任何熟悉本技术领域的技术人员在本申请揭露的技术范围内，其依然可以对前述实施例所记载的技术方案进行修改或可轻易想到变化，或者对其中部分技术特征进行等同替换；而这些修改、变化或者替换，并不使相应技术方案的本质脱离本申请实施例技术方案的精神和范围，都应涵盖在本申请的保护范围之内。因此，本申请的保护范围应所述以权利要求的保护范围为准。