用于锅炉负荷率与能效回归模型的训练方法和装置与流程

1.本发明属于综合能源管理技术领域，具体为人工智能在能源管理网络中的应用，尤其涉及一种用于锅炉负荷率与能效回归模型的训练方法和装置。


背景技术：

2.锅炉作为一种能源转换设备，在当前综合能源应用中是非常重要设备。其中，锅炉的能效参数对于锅炉的运行和管理具有非常重要的经济参考价值。尤其是锅炉的负荷率与能效的关系曲线，对于锅炉的高效率使用、多个锅炉运行时的优化调度有重要的指导意义，是锅炉研究的重要基础。
3.当前，在人工智能与能源管理结合的过程中，工程师发现现有技术中针对锅炉能效相关的模型的质量不高，尤其是在对锅炉的负荷率与能效的曲线回归模型的训练。为此，如何进一步提高锅炉负荷率与能效的曲线回归模型的质量是本领域工程师急需解决的技术问题。


技术实现要素：

4.有鉴于此，本发明实施例提供了用于锅炉能效分析的回归模型训练方法和装置，以解决现有技术中锅炉负荷率与能效的曲线回归模型的质量不佳的问题。
5.本发明实施例的第一方面，提供了一种用于锅炉负荷率与能效回归模型的训练方法，由联合学习架构下任一设备节点执行，所述方法包括：生成在不同时间段内的锅炉负荷率的第一数据集合；生成在不同时间段内的锅炉能效的第二数据集合；根据所述第一数据集合和第二数据集合，确定用于训练模型的训练集和测试集；基于所述训练集，训练在联合学习框架下获得的联合中心下发的回归模型；基于所述测试集，确定负荷阈值条件的回归模型，并输出。
6.在一些实施例中，所述生成在不同时间段内的锅炉负荷率的第一数据集合，包括：获取锅炉的实际负荷数据；获取锅炉的最大负荷数据；根据所述实际负荷数据和最大负荷数据，确定在相同时间段内锅炉实际负荷与最大负荷的比值；获取不同时间段确定的所述比值，形成第一数据集合。
7.在一些实施例中，生成在不同时间段内的锅炉能效的第二数据集合，包括：获取锅炉消耗单位体积的天然气产生的热水或者热蒸汽质量的能效数据；根据所述第一数据集合中所述比值所对应的时间，确定在相同时间下所述锅炉的所述能效数据；基于不同时间确定所述能效数据，形成第二数据集合。
8.在一些实施例中，根据所述第一数据集合和第二数据集合，确定用于训练模型的训练集和测试集，包括：确定所述训练集和测试集的比例；基于所述比例随机划分所述第一数据集合和所述第二数据集合，得到所述训练值和测试集。
9.在一些实施例中，基于所述训练集，训练在联合学习框架下获得的联合中心下发的回归模型，包括：获取在联合学习框架下获得的联合中心下发的回归模型；基于所述训练
集，训练所述回归模型；发送所述回归模型的第一模型参数给所述联合中心；获取所述联合中心下发的第二模型参数，所述第二模型参数包括所述联合中心聚合所述第一模型参数来对所述回归模型进行更新得到的模型参数或梯度；基于所述第二模型参数，更新本地的所述回归模型；返回基于所述训练集，训练所述回归模型。
10.在一些实施例中，所述回归模型包括一元回归神经网络，且所述一元回归神经网络的神经元小于等于20个；那么，所述基于所述训练集，训练所述回归模型，具体包括：利用所述训练集训练所述一元回归神经网络若干步，或者遍历一次整个训练集。
11.在一些实施例中，基于所述测试集，确定负荷阈值条件的回归模型，并输出，包括：判断所述训练集训练所述回归模型的次数是否达到第一阈值；若是，确定所述回归模型在所述测试集上是否满足预设精度：若是，则输出所述回归模型；若否，则返回判断所述训练集训练所述回归模型的次数是否达到第一阈值。
12.在一些实施例中，基于所述测试集，确定负荷阈值条件的回归模型，并输出，包括：判断所述训练集训练所述回归模型的时间是否达到第二阈值；若是，确定所述回归模型在所述测试集上是否满足预设精度：若是，则输出所述回归模型；若否，则判断所述训练集训练所述回归模型的时间是否达到第二阈值。
13.本发明实施例的第二方面，提供了一种用于锅炉负荷率与能效回归模型的训练装置，设置于联合学习架构下任一设备节点，所述装置包括：第一数据集合模块，被配置为生成在不同时间段内的锅炉负荷率的第一数据集合；第二数据集合模块，被配置为生成在不同时间段内的锅炉能效的第二数据集合；数据准备模块，被配置为根据所述第一数据集合和第二数据集合，确定用于训练模型的训练集和测试集；模型训练模块，被配置为基于所述训练集，训练在联合学习框架下获得的联合中心下发的回归模型；模型测试模块，被配置为基于所述测试集，确定负荷阈值条件的回归模型，并输出。
14.本发明实施例的第三方面，提供了一种锅炉设备，网络连接于联合中心，所述锅炉设备至少包括：存储器，存储有计算机程序；处理器，连接于所述处理器，当所述计算机程序在所述处理器上运行时实现如第一方面中任一所述方法的步骤。
15.本发明的有益效果在于：本技术在上面提供的方案通过对本地产生的数据准备为模型训练的训练集和测试集，来对联合学习下的回归模型进行训练，并可以在本地使用测试集对训练的模型进行快速精度验证，实现了锅炉负荷率与能效曲线的回归模型质量的提升。
附图说明
16.为了更清楚地说明本发明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发明的一些实施例，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。
17.图1为可以应用本发明用于锅炉负荷率与能效回归模型的训练方法和用于锅炉负荷率与能效回归模型的训练装置的系统架构；
18.图2为本发明在一实施例中提供的用于锅炉负荷率与能效回归模型的训练方法的流程图；
19.图3为本发明在一实施例中提供的图2所示步骤s210的实现流程图；
20.图4为本发明在一实施例中提供的图2所示步骤s220的实现流程图；
21.图5为本发明在一实施例中提供的图2所示步骤s230的实现流程图；
22.图6为本发明在一实施例中提供的图2所示步骤s240的实现流程图；
23.图7为本发明在一实施例中提供的图2所示步骤s250的实现流程图；
24.图8为本发明在另一实施例中提供的图2所示步骤s250的实现流程图；
25.图9为本发明在一实施例提供的用于锅炉负荷率与能效回归模型的训练装置的结构原理图。
具体实施方式
26.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，以便透彻理解本发明实施例。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发明。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发明的描述。
27.为了说明本发明所述的技术方案，下面通过具体实施例来进行说明。
28.第一实施例
29.图1为可以应用本发明用于锅炉负荷率与能效回归模型的训练方法和用于锅炉负荷率与能效回归模型的训练装置的系统架构。
30.如图1所示，所示系统架构100包括设备101、102、103，中心服务器104和网络105，网络105用于在设备101、102、103和中心服务器104之间提供通信链路的介质，所述网络105可以包括路由器、无线网络接入点、网线等网络通信介质。
31.所述设备101、102、103可以包括软件和硬件。当所述设备为硬件时，可以包括网络节点、计算机、网关、工作站、锅炉等；当所述设备为软件时，可以包括安装在所述硬件上的应用程序，例如fate框架程序或者pysyft框架程序等。其中，fate框架和pysyft框架为实现联合学习的架构，为现有技术，这里不予赘述。
32.需要说明的是，上述系统架构100可以用于进行联合学习，即可以利用设备101、102、103产生的数据来各自训练中心服务器下发的模型结构，然后各个设备101、102、103分别将训练后的模型参数再分别发送给中心服务器104进行模型更新，并将根性模型后的参数重新下发给各个设备101、102、103进行循环训练，直至模型满足精度要求。
33.示例性的，在用于上述系统架构100来实现锅炉负荷率和能效回归模型训练时，所述设备101、102、103可以为锅炉，或者为连接锅炉的用于执行计算的控制中心，或者为能够接入网络105连接中心服务器104的网络节点，该网络节点可以获取到锅炉的数据且能够执行计算任务。因此，所述中心服务器104也可以称为联合中心或者中心节点，所述设备101、102、103可以称为设备节点。
34.第二实施例
35.请继续参见图2，为本发明在一实施例中提供的用于锅炉负荷率与能效回归模型的训练方法的流程图。
36.在本实施例中，所述方法可以由联合学习架构下任一设备节点执行，例如图1所示系统架构100中的任一设备101、102、103。如图2所示，所述方法至少包括下列步骤：
37.s210：生成在不同时间段内的锅炉负荷率的第一数据集合。
38.具体的，所述锅炉负荷率是在一平均时间内确定的负荷率值，然后根据过去时间的负荷率采集成一个数据集合，即所述第一数据集合。
39.示例性的，见图3，为本发明在一实施例中提供的所述步骤s210的实现流程图。
40.如图3所示，所述步骤s210，可以具体包括步骤s310-s340：
41.s310：获取锅炉的实际负荷数据。
42.具体的，锅炉的实际负荷数据可以通过锅炉上的控制设备获取，或者也可以通过传感器测量，或者根据传感器数据进行计算等方式来获取。具体获取方式本技术不做限制。
43.s320：获取锅炉的最大负荷数据。
44.具体的，最大负荷数据可以通过锅炉的手册进行获取，但实际中，往往锅炉出厂标定的最大负荷数据与实际数据不符，要小于实际运行数据。为此，这里的最大负荷数据如果可以，优选采用实际测量获取的最大负荷数据。
45.s330：根据所述实际负荷数据和最大负荷数据，确定在相同时间段内锅炉实际负荷与最大负荷的比值。
46.具体的，所述比值一般是乘以100％以后的值。
47.s340：获取不同时间段确定的所述比值，形成第一数据集合。
48.具体的，根据不同时间段内确定的比值，其所在时间段应该是相等的，也就是说对锅炉过去时间内的实际负荷数据是按相同时间间隔进行计算，来得到的所述比值。
49.本示例中，通过选择合理的数据进行计算，来形成用于模型训练需要的第一数据集合，为后面的模型训练提供了数据准备。
50.s220：生成在不同时间段内的锅炉能效的第二数据集合。
51.示例性的，见图4，为本发明在一实施例中提供的所述步骤s220的实现流程图。
52.如图4所示，所述步骤s220，可以具体包括步骤s410-s430：
53.s410：获取锅炉消耗单位体积的天然气产生的热水或者热蒸汽质量的能效数据。
54.具体的，所述锅炉能效是指一段时间内的平均消耗单位体积的天然气产生的热水或者热蒸汽的质量，其单位为：吨/立方米。
55.s420：根据所述第一数据集合中所述比值所对应的时间，确定在相同时间下所述锅炉的所述能效数据。
56.具体的，确定所述能效数据的平均时间段应该与第一数据集合中确定所述比值所在的负荷率时间段，应该是相同的时间段，也就是说，第一数据集合和第二数据结合在应该具有共同的时间关联性。
57.s430：基于不同时间确定所述能效数据，形成第二数据集合。
58.本示例中，通过选择合理数据计算，来形成用于模型训练需要的第二数据集合，为后面的模型训练提供了数据准备。
59.s230：根据所述第一数据集合和第二数据集合，确定用于训练模型的训练集和测试集。
60.具体的，第一数据集合和第二数据集合可以在相同时间上形成负荷率与能效的关系曲线。为此，采用回归模型可以确定该关系曲线的规律，也即是说，用户第一数据集合和第二数据集合对归回模型进行训练，来的到理想精度的模型。这里通过数据划分来确定训
练集和测试集，可以在本地实现对模型的训练和测试。
61.在一些实施例中，考虑到锅炉在本地的数据有限，如何有效分配训练集和测试机的比例也是一个需要考虑的问题。
62.示例性的，请参见图5，为本发明在一实施例中提供的所述步骤s230的实现流程图。
63.如图5所示，所述步骤s230，根据所述第一数据集合和第二数据集合，确定用于训练模型的训练集和测试集，可以具体包括步骤s510-s520：
64.s510：确定所述训练集和测试集的比例。
65.具体的，所述训练集包括第一数据集合和第二数据集合中的数据数量要明显多于所述测试集包括第一数据集合和第二数据集合中的数据数量，一般的，所述比例可以设置在3:1以上，例如所述训练集对测试集的比例可以为4:1。
66.s520：基于所述比例随机划分所述第一数据集合和所述第二数据集合，得到所述训练值和测试集。
67.具体的，以上述示例来说，可以对第一数据集合和第二数据集合分别按照4:1进行划分，然后分别形成所述训练集和测试集。
68.s240：基于所述训练集，训练在联合学习框架下获得的联合中心下发的回归模型。
69.具体的，本地锅炉是建立在联合学习框架下的一个设备节点，因此本地锅炉可以在保证数据私密性的情况下，利用联合学习来获取更好的训练效果。
70.示例性的，见图6，为本发明在一实施例中提供的所述步骤s240的实现流程图。
71.如图6所示，所述步骤s240，基于所述训练集，训练在联合学习框架下获得的联合中心下发的回归模型，可以具体包括以下步骤：
72.s610：获取在联合学习框架下获得的联合中心下发的回归模型；
73.s620：基于所述训练集，训练所述回归模型；
74.s630：发送所述回归模型的第一模型参数给所述联合中心；
75.s640：获取所述联合中心下发的第二模型参数，所述第二模型参数包括所述联合中心聚合所述第一模型参数来对所述回归模型进行更新得到的模型参数或梯度；
76.s650：基于所述第二模型参数，更新本地的所述回归模型。
77.s660：返回步骤s620。
78.具体的，本示例采用联合学习来实现对回归模型的训练，其中，所述回归模型可以包括用线性回归模型、回归树模型或者神经网络模型。优选的，采用神经网络模型可以更为方便实施上述步骤。
79.示例性的，所述回归模型包括一元回归神经网络，且所述一元回归神经网络的神经元小于等于20个。在此基础上，所述基于所述训练集，训练所述回归模型，则可以具体包括：利用所述训练集训练所述一元回归神经网络若干步，或者遍历一次整个训练集。本示例中，采用一元回归神经网络可以更利于在本地快速训练得到模型，且能够取得较好精度质量的模型。
80.s250：基于所述测试集，确定负荷阈值条件的回归模型，并输出。
81.具体的，由于在本地设置有测试集，可以直接在训练过程中直接在本地完成测试模型是否满足精度要求，不同于现有技术中模型训练中，需要使用单独的测试集来测试训
练模型的效果。
82.示例性的，见图7，为本发明在一实施例提供的图2所示步骤s250的实现流程图。
83.如图7所示，所述步骤s250，可以具体包括：
84.s710：判断所述训练集训练所述回归模型的次数是否达到第一阈值；
85.s720：若是，确定所述回归模型在所述测试集上是否满足预设精度：
86.s721：若是，则输出所述回归模型；
87.s722：若否，则返回步骤s710。
88.在本示例中，第一阈值可以是上述联合学习的循环次数，例如，循环上述步骤s620-s650的次数。优选的，所述第一阈值可以设置为至少5000次左右。
89.示例性的，见图8，为本发明在另一实施例提供的图2所示步骤s250的实现流程图。
90.如图8所示，所述步骤s250，可以具体包括：
91.s810：判断所述训练集训练所述回归模型的时间是否达到第二阈值。
92.s820：若是，确定所述回归模型在所述测试集上是否满足预设精度：
93.s821：若是，则输出所述回归模型；
94.s822：若否，则返回步骤s810。
95.在本示例中，所述第二阈值可以是上述联合学习的时间，例如，循环上述步骤s620-s650的时间。优选的，优选的，所述第二阈值可以设置在30分钟左右。
96.具体的，在上述步骤s250的示例中，确定所述回归模型在所述测试集上是否满足预设精度，只需将经训练集训练好的该回归模型在测试集上计算误差，所述预设精度可以是预设的误差值。
97.在该示例中，可以在本地使用训练集来训练模型，然后在用测试集上的误差作为最终模型在应对现实场景中的泛化误差。这样，不仅可以在让锅炉可以在本地实现模型的快速训练，同时还可以保证在想要验证模型的效果时，直接使用该训练好的模型在本地预先准备好的测试集上计算误差，即可认为此误差即为泛化误差的近似。
98.需要说明的是，在实际中很多单位的锅炉一般都是稳定在某一个数值一直工作，例如最高负荷是10吨的锅炉，平时可能多数时候是5吨的负荷工作(那么负荷率多数时候是0.5或50％)。因此，为了保证能够保证回归模型中对于负荷率和能效的曲线能拟合更准确，所有参与联合学习的锅炉设备可以优选同一类型、同一型号的。例如，全都选用最高负荷10吨的燃气蒸汽锅炉。
99.第三实施例
100.基于与第二实施例相同的发明构思，本实施例还提供了一种用于锅炉负荷率与能效回归模型的训练装置，可以设置在联合学习架构下任一设备节点上。
101.图9为本发明在一实施例提供的用于锅炉负荷率与能效回归模型的训练装置的结构原理图。
102.如图9所示，所示装置900包括第一数据集合模块910、第二数据集合模块920、数据准备模块930、模型训练模块940和模型测试模块950，其中，第一数据集合模块910，被配置为生成在不同时间段内的锅炉负荷率的第一数据集合；第二数据集合模块920，被配置为生成在不同时间段内的锅炉能效的第二数据集合；数据准备模块930，被配置为根据所述第一数据集合和第二数据集合，确定用于训练模型的训练集和测试集；模型训练模块940，被配
置为基于所述训练集，训练在联合学习框架下获得的联合中心下发的回归模型；模型测试模块950，被配置为基于所述测试集，确定负荷阈值条件的回归模型，并输出。
103.在一些示例性实施例中，所述第一数据集合模块910，具体包括：第一数据获取单元，被配置为获取锅炉的实际负荷数据；第二数据获取单元，被配置为获取锅炉的最大负荷数据；负荷率确定单元，被配置为根据所述实际负荷数据和最大负荷数据，确定在相同时间段内锅炉实际负荷与最大负荷的比值；第一数据集合单元，被配置为获取不同时间段确定的所述比值，形成第一数据集合。
104.在一些示例性实施例中，所述第二数据集合模块920，具体包括：第三数据获取单元，被配置为获取锅炉消耗单位体积的天然气产生的热水或者热蒸汽质量的能效数据；能效确定单元，被配置为根据所述第一数据集合中所述比值所对应的时间，确定在相同时间下所述锅炉的所述能效数据；第二数据集合单元，被配置为基于不同时间确定所述能效数据，形成第二数据集合。
105.在一些示例性实施例中，所述数据准备模块930，具体包括：数据比例单元，被配置为确定所述训练集和测试集的比例；数据划分单元，被配置为基于所述比例随机划分所述第一数据集合和所述第二数据集合，得到所述训练值和测试集。
106.在一些示例性实施例中，所述模型训练模块940，具体包括：模型获取单元，被配置为获取在联合学习框架下获得的联合中心下发的回归模型；训练模型单元，被配置为基于所述训练集，训练所述回归模型；参数发送单元，被配置为发送所述回归模型的第一模型参数给所述联合中心；参数获取单元，被配置为获取所述联合中心下发的第二模型参数，所述第二模型参数包括所述联合中心聚合所述第一模型参数来对所述回归模型进行更新得到的模型参数或梯度；模型更新单元，被配置为基于所述第二模型参数，更新本地的所述回归模型；循环单元，被配置为返回基于所述训练集，训练所述回归模型。
107.在一些示例性实施例中，所述回归模型包括一元回归神经网络，且所述一元回归神经网络的神经元小于等于20个。那么，所述训练模型单元，可以具体包括：利用所述训练集训练所述一元回归神经网络若干步，或者遍历一次整个训练集。
108.在一些示例性实施例中，所述模型测试模块950，具体包括：第一判断单元，被配置为判断所述训练集训练所述回归模型的次数是否达到第一阈值；第二模型测试单元，被配置为若是，确定所述回归模型在所述测试集上是否满足预设精度：若是，则输出所述回归模型；若否，则返回判断所述训练集训练所述回归模型的次数是否达到第一阈值。
109.在一些示例性实施例中，所述模型测试模块950，还可以具体包括：第二判断单元，被配置为判断所述训练集训练所述回归模型的时间是否达到第二阈值；第二模型测试单元，被配置为若是，确定所述回归模型在所述测试集上是否满足预设精度：若是，则输出所述回归模型；若否，则判断所述训练集训练所述回归模型的时间是否达到第二阈值。
110.以上所述实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，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发明各实施例技术方案的精神和范围，均应包含在本发明的保护范围之内。