基于多聚类算法的催化剂设计方案更新迭代方法及装置与流程

1.本发明涉及火电机组优化技术领域，尤其涉及一种基于多聚类算法的催化剂设计方案更新迭代方法及装置。


背景技术：

2.随着人类认知水平，火电机组排放标准专业和技术指标不断提高，相对应的脱硝催化剂产品需要不断的提升，在这个过程中，产品设计与现场环境最为关键，因此需要将设计模拟结果与实际情况进行比较，最终得到最优产品配方，解决烟气排放不符合标准等问题。
3.现有技术方案中多种煤质与催化剂之间的配比关系是在生产过程中根据出现的问题不断优化的，但是，对于用于催化剂设计的模型进行训练的数据基本都是随机获取的数据，对于如何合理优化催化剂设计的方案以更进一步降低生产过程中的气体污染问题是亟待解决的问题。


技术实现要素：

4.为克服相关技术中存在的问题，本公开提供一种基于多聚类算法的催化剂设计方案更新迭代方法及装置，以解决相关技术中如何合理优化催化剂设计的模型的训练数据以更进一步生产过程中的气体污染的技术问题。
5.本说明书一个或多个实施例提供了一种基于多聚类算法的催化剂设计方案更新迭代方法，包括：
6.步骤s101、采集烟气处理塔处理后排放的烟气成分含量数据，并对数据进行预处理，获得初始数据集；
7.步骤s102、采用k-means算法对初始数据集进行分类，获得第一数据集；
8.步骤s103、通过dbscan算法构建密度训练及验证模型，通过密度训练及验证模型基于预设的邻域半径和邻域中数据对象数目阈值对第一数据集进行聚类获得第二数据集；
9.步骤s104、根据基于客户需求参数，通过催化剂设计系统生成第三数据集；
10.步骤s105、基于第二数据集和第三数据集进行相似度判定，确定相似值；
11.步骤s106、判定若相似值≥95％，则获得催化剂设计方案；若相似值达到预设的半径和阈值修正条件，则进行半径和阈值修正阈值优化，并转步骤s103；若相似值达到预设的催化剂参数优化条件，则进行催化剂参数优化设计，转步骤s104。
12.本说明书一个或多个实施例提供了一种基于多聚类算法的催化剂设计方案更新迭代装置，包括：
13.数据采集模块：用于采集烟气处理塔处理后排放的烟气成分含量数据，并对数据进行预处理，获得初始数据集；
14.距离训练模块：采用k-means算法对初始数据集进行分类，获得第一数据集；
15.密度训练及验证模块：用于通过dbscan算法构建密度训练及验证模型，通过密度
训练及验证模型基于预设的邻域半径和邻域中数据对象数目阈值对第一数据集进行聚类获得第二数据集；
16.催化剂设计模块：用于根据基于客户需求参数，通过催化剂设计系统生成第三数据集；
17.相识度计算模块：用于第二数据集和第三数据集进行相似度计算确定相似值；
18.判定执行模块：用于判断若相识度计算模块计算的相似值≥95％，则获得催化剂设计方案；若相似值达到预设的半径和阈值修正条件，则进行半径和阈值修正阈值优化，并反馈至密度训练及验证模型；若相似值达到预设的催化剂参数优化条件，则进行催化剂参数优化设计，并反馈至催化剂设计模块。
19.本说明书一个或多个实施例提供了一种计算机设备，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，所述处理器执行所述计算机程序时实现如上述所述基于多聚类算法的催化剂设计方案更新迭代方法。
20.本说明书一个或多个实施例提供了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，所述计算机程序被处理器执行时实现上述所述基于多聚类算法的催化剂设计方案更新迭代方法的步骤。
21.本实施例方法，通过k-means算法和dbscan算法的聚类算法的催化剂设计方案更新迭代方法，通过设定的训练条件(相似值是否达到预设的半径和阈值修正阈值和催化剂参数优化阈值)对催化剂参数和dbscan算法中的邻域半径和核心点阈值进行优化，使相似值达到95％作为是否优化设计软件的冗余值，或理论值的优化，实现催化剂设计方案更新迭代，从而提升产品运行的性能。
附图说明
22.为了更清楚地说明本说明书一个或多个实施例或现有技术中的技术方案，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说明书中记载的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
23.图1为本说明书一个或多个实施例提供的一种基于多聚类算法的催化剂设计方案更新迭代方法流程图；
24.图2为本说明书一个或多个实施例提供的一种基于多聚类算法的催化剂设计方案更新迭代装置框架图；
25.图3为本说明书一个或多个实施例提供的一种基于多聚类算法的催化剂设计方案更新迭代装置的执行流程示意图；
26.图4为本说明书一个或多个实施例提供的一种计算机的结构示意图。
具体实施方式
27.为了使本技术领域的人员更好地理解本说明书一个或多个实施例中的技术方案，下面将结合本说明书一个或多个实施例中的附图，对本说明书一个或多个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说明书的一部分实施例，而不是全部的实施例。基于本说明书一个或多个实施例，本领域普通技术人员在没有作出创造
性劳动前提下所获得的所有其他实施例，都应当属于本发明件的保护范围。
28.下面结合具体实施方式和说明书附图对本发明做出详细的说明。
29.方法实施例
30.根据本发明实施例，提供了一种基于多聚类算法的催化剂设计方案更新迭代方法，如图1所示，为本实施例提供的一种基于多聚类算法的催化剂设计方案更新迭代方法流程图，根据本发明实施例的基于多聚类算法的催化剂设计方案更新迭代方法，包括：
31.步骤s101、采集烟气处理塔处理后排放的烟气成分含量数据，并对数据进行预处理，获得初始数据集；
32.步骤s102、采用k-means算法对初始数据集进行分类，获得第一数据集；例如样本之间的距离为烟气含量不同区间；
33.所述第一数据集包含物理性能、力学性能、热学性能等不同的分类集；
34.在本实施例中，采用k-means算法对初始数据集进行分类，按照样本之间的距离(烟气含量不同区间)大小，对样本进行分类，分类完成后，停止训练，形成新的第一数据集；其中，k-means算法的具体计算参考下式：
[0035][0036]
式中，j为失真函数，μk为集群质心；使用到c(i)它指训练示例x(i)与集群质心的距离,并判断x(i)离哪一个集群质心μk近，然后就分配给哪个集群质心。μk是簇质心的位置,μ
k(i)
是指已经分配训练示例x(i)的集群质心的位置。通过该失真函数不断的修正，从而得到最优数据的第一数据集。
[0037]
步骤s103、通过dbscan算法构建密度训练及验证模型，通过密度训练及验证模型基于预设的邻域半径和邻域中数据对象数目阈值对第一数据集进行聚类获得第二数据集；
[0038]
本实施例中，通过dbscan算法构建密度训练及验证模型，通过密度训练及验证模型按照定义密度时的邻域半径及邻域中数据对象数目阈值对第一数据集进行聚类，生成相应的训练集，则停止训练，并将分类集放回数据仓库，生成第二数据集。其中，dbscan算法包含两个重要参数核心点(core points)和边界点(border points)，具体设置为：
[0039]
(1)核心点：对某一数据集d，若样本p的ε-领域内至少包含minpts个样本(包括样本p)，那么样本p称核心点；
[0040]nε
(p)≥minpts
ꢀꢀꢀ
(2)
[0041]
其中ε-领域n
ε
(p)的表达式为：
[0042]nε
(p)＝{q∈d|dist(p,q)≤ε}
ꢀꢀꢀ
(3)
[0043]
(2)边界点：对于非核心点的样本b，若b在任意核心点p的ε-领域内，那么样本b称为边界点。
[0044]
即：
[0045][0046]
步骤s104、根据基于客户需求参数，通过催化剂设计系统生成第三数据集；本实施例，客户需求参数主要指使用催化剂后，需达到的烟气条件，主要有燃料参数、scr入口烟气浓度参数等；催化剂设计系统，通过客户提出的性能保证参数，设计出原材料、模块数量等。
[0047]
步骤s105、基于第二数据集和第三数据集进行相似度判定，确定相似值；
[0048]
步骤s106、判定若相似值≥95％，则获得催化剂设计方案；若相似值达到预设的半径和阈值修正条件，则进行半径和阈值修正阈值优化半径和阈值修正阈值优化，并转步骤s103；若相似值达到预设的催化剂参数优化条件，则进行催化剂参数优化，转步骤s104。
[0049]
本实施例方法，提供了k-means算法和dbscan算法的聚类算法的催化剂设计方案更新迭代方法，通过设定的训练条件(相似值是否达到预设的半径和阈值修正阈值和催化剂参数优化阈值)对催化剂参数和dbscan算法中的邻域半径和核心点阈值进行优化，使相似值达到95％作为是否优化设计软件的冗余值，或理论值的优化，实现催化剂设计方案更新迭代，从而提升产品运行的性能。
[0050]
本实施例以数据为核心，通过数据的分析利用，识别优化的机会，推动数据、技术、业务流程和组织结构的互动创新和持续优化，提高了数据的开发利用水平，为火电机组催化剂的设置管理决策提供支持。
[0051]
本实施例优选的，为了根据相似度判定结果进一步优化催化剂设计方案，步骤s106中催化剂参数优化条件为90％≤相似值≤95％；
[0052]
本实施例，若存在
±
5％～
±
10％的误差，是催化剂设计参数设置掺在误差，需要对催化剂设计系统进行函数参数调整，从而提升该软件设计的相关参数匹配现场环境，因此通过相似值的结果，若第二数据集和第三数据集相似判定后的参数误差在5％-10％，则需要对催化剂设计系统进行设定的参数进行优化，并将优化后的参数催化剂设计系统进行第三数据集的更新。
[0053]
本实施例优选的，为了根据相似度判定结果进一步优化催化剂设计方案步骤s106中预设的半径和阈值修正条件为相似值≤90％，则进行半径和阈值修正阈值优化，转步骤s103。
[0054]
本实施例若第二数据集和第三数据集相似判定后的参数误差超过15％以上的误差，则说明第一、第二数据集处理出现问题，则需要对邻域半径及邻域中数据对象数目阈值进行优化，并通过反复训练寻找出最优“对邻域半径及阈值”，也就是基于工程概况完成新型的数据模型；因此通过相似值的结果，若第二数据集和第三数据集的相似判定后的参数误差在10％及以上，则需要对密度训练及验证模型进行密度训练范围进行重新规划，即对邻域半径及阈值进行修正，修正主要基于邻域半径的数据集的数量，前期优化参数需要采用大量的实验进行验证，从而使得输出的第二数据集平均值符合常规情景，并使用验证系统对相关数据进行验证。
[0055]
系统实施例
[0056]
根据本发明实施例，提供了一种基于多聚类算法的催化剂设计方案更新迭代装置，如图2-3所示，为本实施例提供的一种基于多聚类算法的催化剂设计方案更新迭代装置框架图和基于多聚类算法的催化剂设计方案更新迭代装置的执行流程示意图，根据本发明实施例的基于多聚类算法的催化剂设计方案更新迭代装置，包括：
[0057]
数据采集模块：用于采集烟气处理塔处理后排放的烟气成分含量数据，并对数据进行预处理，获得初始数据集；
[0058]
距离训练模块：采用k-means算法对初始数据集进行分类，获得第一数据集；例如样本之间的距离为烟气含量不同区间；
[0059]
密度训练及验证模型：用于通过dbscan算法构建密度训练及验证模型，通过密度训练及验证模型基于预设的邻域半径和邻域中数据对象数目阈值对第一数据集进行聚类获得第二数据集；
[0060]
催化剂设计模块：用于根据基于客户需求参数，通过催化剂设计系统生成第三数据集；
[0061]
相识度计算模块：用于第二数据集和第三数据集进行相似度计算确定相似值；
[0062]
判定执行模块：用于判断若相识度计算模块计算的相似值≥95％，则获得催化剂设计方案；若相似值达到预设的半径和阈值修正阈值，则进行半径和阈值修正阈值优化半径和阈值修正阈值优化，并反馈至密度训练及验证模型；若相似值达到预设的催化剂参数优化阈值，则进行催化剂参数优化，并反馈至催化剂设计模块。
[0063]
本实施例方法，距离训练模块和密度训练及验证模型通过k-means算法和dbscan算法的聚类算法的催化剂设计方案更新迭代方法，通过设定的训练条件(相似值是否达到预设的半径和阈值修正阈值和催化剂参数优化阈值)对催化剂参数和dbscan算法中的邻域半径和核心点阈值进行优化，使相似值达到95％作为是否优化设计软件的冗余值，或理论值的优化，实现催化剂设计方案更新迭代，从而提升产品运行的性能。
[0064]
本实施例中，预设的半径和阈值修正条件为90％≤相似值≤95％；
[0065]
预设的催化剂参数优化条件为相似值≤90％。
[0066]
本发明实施例是与上述方法实施例对应的系统实施例，各个模块处理步骤的具体操作可以参照方法实施例的描述进行理解，在此不再赘述。
[0067]
如图4所示，本发明还提供了一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现上述实施例中基于多聚类算法的催化剂设计方案更新迭代方法，或者计算机程序被处理器执行时实现上述实施例中基于多聚类算法的催化剂设计方案更新迭代方法，所述计算机程序被所述处理器执行时实现如下方法步骤：
[0068]
步骤s101、采集烟气处理塔处理后排放的烟气成分含量数据，并对数据进行预处理，获得初始数据集；
[0069]
步骤s102、采用k-means算法对初始数据集进行分类，获得第一数据集；例如样本之间的距离为烟气含量不同区间；
[0070]
步骤s103、通过dbscan算法构建密度训练及验证模型，通过密度训练及验证模型基于预设的邻域半径和邻域中数据对象数目阈值对第一数据集进行聚类获得第二数据集；
[0071]
步骤s104、根据基于客户需求参数，通过催化剂设计系统生成第三数据集；
[0072]
步骤s105、基于第二数据集和第三数据集进行相似度判定，确定相似值；
[0073]
步骤s106、判定若相似值≥95％，则获得催化剂设计方案；若相似值达到预设的半径和阈值修正条件，则进行半径和阈值修正阈值优化，并转步骤s103；若相似值达到预设的催化剂参数优化条件，则进行催化剂参数优化设计，转步骤s104。
[0074]
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本技术所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用，均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(rom)、可编程rom
(prom)、电可编程rom(eprom)、电可擦除可编程rom(eeprom)或闪存。易失性存储器可包括随机存取存储器(ram)或者外部高速缓冲存储器。作为说明而非局限，ram以多种形式可得，诸如静态ram(sram)、动态ram(dram)、同步dram(sdram)、双数据率sdram(ddrsdram)、增强型sdram(esdram)、同步链路(synchlink)dram(sldram)、存储器总线(rambus)直接ram(rdram)、直接存储器总线动态ram(drdram)、以及存储器总线动态ram(rdram)等。
[0075]
本说明书中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。尤其，对于装置或系统实施例而言，由于其基本相似于方法实施例，所以描述得比较简单，相关之处参见方法实施例的部分说明即可。以上所描述的装置及系统实施例仅仅是示意性的，其中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模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性劳动的情况下，即可以理解并实施。
[0076]
最后应说明的是：以上各实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述各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，或者对其中部分或者全部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范围。

技术特征：
1.基于多聚类算法的催化剂设计方案更新迭代方法，其特征在于，包括：步骤s101、采集烟气处理塔处理后排放的烟气成分含量数据，并对数据进行预处理，获得初始数据集；步骤s102、采用k-means算法对初始数据集进行分类，获得第一数据集；步骤s103、通过dbscan算法构建密度训练及验证模型，通过密度训练及验证模型基于预设的邻域半径和邻域中数据对象数目阈值对第一数据集进行聚类获得第二数据集；步骤s104、根据基于客户需求参数，通过催化剂设计系统生成第三数据集；步骤s105、基于第二数据集和第三数据集进行相似度判定，确定相似值；步骤s106、判定若相似值≥95％，则获得催化剂设计方案；若相似值达到预设的半径和阈值修正条件，则进行半径和阈值修正阈值优化，并转步骤s103；若相似值达到预设的催化剂参数优化条件，则进行催化剂参数优化设计，转步骤s104。2.如权利要求1所述的基于多聚类算法的催化剂设计方案更新迭代方法，其特征在于，所述步骤s103具体为：通过dbscan算法构建密度训练及验证模型，通过密度训练及验证模型按照定义密度时的邻域半径及邻域中数据对象数目阈值对第一数据集进行聚类，生成相应的训练集，则停止训练，并将分类集放回数据仓库，生成第二数据集。3.如权利要求1所述的基于多聚类算法的催化剂设计方案更新迭代方法，其特征在于，所述步骤s106中催化剂参数优化阈值条件为90％≤相似值≤95％。4.如权利要求1所述的基于多聚类算法的催化剂设计方案更新迭代方法，其特征在于，所述步骤s106中预设的半径和阈值修正条件为相似值≤90％。5.基于多聚类算法的催化剂设计方案更新迭代装置，其特征在于，包括：数据采集模块：用于采集烟气处理塔处理后排放的烟气成分含量数据，并对数据进行预处理，获得初始数据集；距离训练模块：采用k-means算法对初始数据集进行分类，获得第一数据集；密度训练及验证模块：用于通过dbscan算法构建密度训练及验证模型，通过密度训练及验证模型基于预设的邻域半径和邻域中数据对象数目阈值对第一数据集进行聚类获得第二数据集；催化剂设计模块：用于根据基于客户需求参数，通过催化剂设计系统生成第三数据集；相识度计算模块：用于第二数据集和第三数据集进行相似度计算确定相似值；判定执行模块：用于判断若相识度计算模块计算的相似值≥95％，则获得催化剂设计方案；若相似值达到预设的半径和阈值修正条件，则进行半径和阈值修正阈值优化，并反馈至密度训练及验证模型；若相似值达到预设的催化剂参数优化条件，则进行催化剂参数优化设计，并反馈至催化剂设计模块。6.如权利要求5所述的基于多聚类算法的催化剂设计方案更新迭代装置，其特征在于，所述密度训练及验证模块通过dbscan算法构建密度训练及验证模型，通过密度训练及验证模型按照定义密度时的邻域半径及邻域中数据对象数目阈值对第一数据集进行聚类，生成相应的训练集，则停止训练，并将分类集放回数据仓库，生成第二数据集。7.如权利要求5所述的基于多聚类算法的催化剂设计方案更新迭代装置，其特征在于，所述预设的半径和阈值修正条件为相似值≤90％。
8.如权利要求5所述的基于多聚类算法的催化剂设计方案更新迭代装置，其特征在于，所述预设的催化剂参数优化条件为90％≤相似值≤95％。9.计算机设备，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4任一项所述基于多聚类算法的催化剂设计方案更新迭代方法。10.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4任一项所述基于多聚类算法的催化剂设计方案更新迭代方法的步骤。

技术总结
本说明书实施例提供了一种基于多聚类算法的催化剂设计方案更新迭代方法及装置，该方法包括采集并获得初始数据集；采用K-means算法对初始数据集进行分类得第一数据集；通过DBSCAN算法构建密度训练及验证模型对第一数据集进行聚类获得第二数据集；根据基于客户需求参数，通过催化剂设计系统生成第三数据集；基于第二数据集和第三数据集进行相似度判定确定相似值；判定若相似值≥95％，则获得催化剂设计方案。本发明通过设定的训练条件对催化剂参数和DBSCAN算法中的邻域半径和核心点阈值进行优化，相似值达到95％作为是否优化设计软件的冗余值，实现催化剂设计方案更新迭代，从而提升产品运行的性能。从而提升产品运行的性能。从而提升产品运行的性能。


技术研发人员：张鑫 高义博 纵宇浩 岳彦伟 马罗宁 李金珂 王虎
受保护的技术使用者：大唐南京环保科技有限责任公司
技术研发日：2023.04.24
技术公布日：2023/8/14