一种基于Stacking模型的滤芯更换周期预测方法及系统

技术特征：

1.一种基于stacking模型的滤芯更换周期预测方法，其特征在于，包括下步骤：

2.根据权利要求1所述的基于stacking模型的滤芯更换周期预测方法，其特征在于，步骤s1中获取的锅炉给水装置的水质数据、工作时间、历史给水量数据，其中水质数据包括tds值、悬浮物浓度ss、水质硬度，分别通过tds传感器、ss传感器和水质硬度传感器测得，给水量通过流量传感器检测。

3.根据权利要求1所述的基于stacking模型的滤芯更换周期预测方法，其特征在于，步骤s2的操作如下：

4.根据权利要求1所述的基于stacking模型的滤芯更换周期预测方法，其特征在于，步骤s3的操作如下：

5.根据权利要求1所述的基于stacking模型的滤芯更换周期预测方法，其特征在于，步骤s4的操作中，元学习器的预测模型选用elm极限学习机，将3.2中的新训练集(new_train_data)和新测试集(new_test_data)作为元学习器的输入。

6.根据权利要求1所述的基于stacking模型的滤芯更换周期预测方法，其特征在于，步骤s5的操作中，基于改进樽海鞘优化算法对目标函数进行求解；樽海鞘算法的数学模型为：

7.根据权利要求1所述的基于stacking模型的滤芯更换周期预测方法，其特征在于，步骤s5中，改进樽海鞘优化算法包括：

8.根据权利要求1所述的基于stacking模型的滤芯更换周期预测方法，其特征在于，步骤s6的操作如下：利用优化后的极限学习机elm对新测试集(new_test_data)进行预测，得到最终预测结果。

9.基于stacking模型的滤芯更换周期预测系统，其特征在于，包括数据采集模块、数据处理模块、参数优化模块、结果预测模块和线上监测模块，

技术总结
本发明公开了一种基于Stacking模型的滤芯更换周期预测方法及系统，(1)首先获取锅炉给水装置的数据；(2)再对获取的数据进行预处理；(3)建立滤芯更换周期软测量集成模型，选取RF、XGBoost、LSTM作第一层的基学习器，采用8折交叉验证方法进行训练；(4)再选取ELM作第二层的元学习器，将第一层基学习器的结果作第二层元学习器的输入；(5)采用改进的樽海鞘算法ISSA对学习器的模型参数进行全局寻优；(6)利用优化后的极限学习机ELM进行预测，得到最终预测结果。本发明可实现滤芯更换周期的精准预测，有效避免滤芯更换周期计算粗糙、提前更换浪费滤芯寿命以及滤芯堵塞影响设备蒸发效率的情形，实现滤芯的高效利用。

技术研发人员：姜耀,孙何文,许雨辰,张志荣,沈娴娴,王文杰,唐中一,张楚,彭甜,段卫平,李洪海
受保护的技术使用者：淮阴工学院
技术研发日：
技术公布日：2024/1/25