本公开涉及工业控制,具体地,涉及一种储煤场燃煤管理方法、装置、介质以及电子设备。
背景技术:
1、大型火力发电厂为了满足发电要求,一般会建有大型的煤炭储煤场,用来存储大量的煤炭。然而大量的煤炭储存往往会带来许多风险,主要包括以下几个方面:煤堆自燃、煤堆坍塌、煤堆滑坡、煤堆爆炸等。为了避免这些风险,需要对储煤场进行科学合理的规划和管理,采取相应的防范措施。
技术实现思路
1、为克服相关技术中存在的问题,本公开提供一种储煤场燃煤管理方法、装置、介质以及电子设备。
2、根据本公开实施例的第一方面,提供一种储煤场燃煤管理方法,包括:
3、将从所述储煤场中连续多次采集的初始气体数据进行降维,确定每一预设维度的目标气体数据;
4、对所述目标气体数据进行关键特征提取,确定目标气体特征;
5、将所述目标气体特征输入预先训练的燃煤风险预测模型中,确定所述储煤场中气体状态的预测结果,所述燃煤风险预测模型通过残差神经网络和深度递归神经网络对所述储煤场中的气体状态进行预测;
6、根据所述预测结果与预设阈值对所述储煤场进行燃煤管理。
7、可选地,所述将从所述储煤场中连续多次采集的初始气体数据进行降维,确定每一预设维度的目标气体数据,包括:
8、根据连续多次采集到的所述初始气体数据构建第一矩阵,其中,所述第一矩阵中包括多个所述预设维度的气体数据在连续多次采集中每一时间戳对应的初始气体数据;
9、针对每一所述预设维度中任一数据点,确定所述数据点相对于前一个时间戳的相邻数据点的第一条件概率以及前一个时间戳的相邻数据点相对于所述数据点的第二条件概率;
10、根据对应预设维度的数据点的数量、所述数据点对应的第一条件概率和第二条件概率,确定所述数据点在第一维度空间的联合概率;
11、根据预设高斯方差,将所述第一维度空间的数据点映射到第二维度空间,得到所述数据点在所述第二维度空间的联合概率,其中,所述第一维度空间的维度高于所述第二维度空间的维度;
12、根据所述数据点在所述第一维度空间的联合概率和所述第二维度空间的联合概率对所述初始气体数据降维,确定目标气体数据。
13、可选地,所述针对每一所述预设维度中任一数据点,确定所述数据点相对于前一个时间戳的相邻数据点的第一条件概率以及前一个时间戳的相邻数据点相对于所述数据点的第二条件概率,包括:
14、针对每一所述预设维度中任一数据点,计算以该数据点为中心,预设范围内的初始气体数据的高斯方差;
15、根据该数据点的初始气体数据、所述高斯方差以及该预设维度中与所述数据点相邻的两个数据点的初始气体数据,确定所述数据点相对于前一个时间戳的相邻数据点的第一条件概率以及前一个时间戳的相邻数据点相对于所述数据点的第二条件概率。
16、可选地,所述根据所述数据点在所述第一维度空间的联合概率和所述第二维度空间的联合概率对所述初始气体数据降维,确定目标气体数据,包括:
17、根据所述第一维度空间的联合概率和所述第二维度空间的联合概率之间的kl散度,确定损失函数;
18、根据所述数据点映射到所述第二维度空间所对应的第一数据点的气体数据、所述相邻数据点映射到所述第二维度空间所对应的第二数据点的气体数据、所述第一维度空间的联合概率以及所述第二维度空间的联合概率,确定所述损失函数的降维梯度;
19、在每一次迭代计算过程中,根据所述降维梯度与学习速率的乘积、所述数据点在上一次迭代所对应的目标气体数据、所述数据点在上两次迭代所对应的目标气体数据以及本次迭代的动量,对所述数据点的初始气体数据进行降维,确定所述数据点在本次迭代中所对应的目标气体数据。
20、可选地,所述对所述目标气体数据进行关键特征提取,确定目标气体特征,包括:
21、通过编码器网络,对所述目标气体数据进行编码,确定所述目标气体数据的平均向量以及方差向量;
22、按照高斯分布对所述平均向量、所述方差向量以及预设噪声向量进行随机采样,确定目标平均向量、目标方差向量以及目标噪声向量;
23、根据所述目标噪声向量与所述目标方差向量的乘积,确定乘积结果;
24、根据所述乘积结果与所述目标平均向量之和,确定潜在向量;
25、通过解码器网络,从所述潜在向量中重构向量,确定所述目标气体特征。
26、可选地,所述方法还包括:
27、根据所述随机采样的采样次数、每次随机采样时所述解码器网络的解码结果以及所述编码器网络的编码结果与对应的所述潜在向量之间的kl离散,确定外围似然对数;
28、根据所述外围似然对数,确定误差函数;
29、根据所述误差函数,对所述解码器网络和所述编码器网络中的参数进行反向传播,得到更新后的解码器网络和编码器网络。
30、可选地,所述燃煤风险预测模型是通过以下方式训练得到的:
31、将样本气体的样本气体特征输入燃煤风险预测模型中,输出对所述样本气体的气体状态预测结果;
32、根据所述预测结果与所述样本气体的气体状态的真实值,确定均方误差和平均绝对误差;
33、根据所述均方误差和所述平均绝对误差对所述燃煤风险预测模型的参数进行更新,直至到达预设条件则完成对所述燃煤风险预测模型的训练。
34、可选地,所述根据所述预测结果与预设阈值对所述储煤场进行燃煤管理,包括:
35、在所述预测结果大于或等于所述预设阈值的情况下,进行燃煤风险告警管理并执行对应的燃煤风险控制管理;
36、在所述预测结果小于所述预设阈值的情况下,确定所述储煤场的不存在煤炭自燃风险。
37、根据本公开实施例的第二方面,提供一种储煤场燃煤管理装置,包括:
38、降维模块,被配置为将从所述储煤场中连续多次采集的初始气体数据进行降维,确定每一预设维度的目标气体数据;
39、提取模块,被配置为对所述目标气体数据进行关键特征提取,确定目标气体特征;
40、输入模块,被配置为将所述目标气体特征输入预先训练的燃煤风险预测模型中,确定所述储煤场中气体状态的预测结果,所述燃煤风险预测模型通过残差神经网络和深度递归神经网络对所述储煤场中的气体状态进行预测;
41、管理模块,被配置为根据所述预测结果与预设阈值对所述储煤场进行燃煤管理。
42、根据本公开实施例的第三方面,提供一种计算机可读存储介质,其上存储有计算机程序,该程序被处理器执行时实现本公开第一方面所述方法的步骤。
43、根据本公开实施例的第四方面,提供一种电子设备,包括:
44、存储器,其上存储有计算机程序;
45、处理器,用于执行所述存储器中的所述计算机程序,以实现本公开第一方面所述方法的步骤。
46、通过上述技术方案,可以达到以下技术效果。
47、首先对初始气体数据进行降维,确定目标气体数据,可以在保证目标气体数据保留初始气体数据在高纬空间中的特征的同时,使得数据更加直观并且特征更加明显,再对目标气体数据进行关键特征提取,确定目标气体特征,可以降低参数量,增加数据处理效率,之后通过燃煤风险预测模型对储煤场中的气体状态进行预测,并根据预测结果与预设阈值对所述储煤场进行燃煤管理,可以有效确定储煤场中燃煤的自燃风险,并及时进行燃煤管理,有效加强了储煤场中的安全性和工作效率。
48、本公开的其他特征和优点将在随后的具体实施方式部分予以详细说明。