(19)中华 人民共和国 国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202111331186.5 (22)申请日 2021.11.11 (71)申请人 新智我来网络科技有限公司 地址 100102 北京市朝阳区望京东路1号 (72)发明人 刘胜伟　杨杰　余真鹏　 (74)专利代理 机构 北京嘉科知识产权代理事务 所(特殊普通 合伙) 11687 代理人 司彦斌 (51)Int.Cl. G06Q 10/04(2012.01) G06N 3/08(2006.01) G06K 9/62(2022.01) G06F 30/27(2020.01) (54)发明名称 基于样本迁移的烟气含氧量负荷预测方法 及装置 (57)摘要 本发明公开了一种基于样本迁移的烟气含 氧量负荷预测方法及装置。 该方法包括： 获取联 合学习架构下的第一参与方和第二参与方的设 备数据； 其中， 第一参与方为提出预测需求的参 与方， 第二参与方为除第一参与方外的其他参与 方； 利用第一参与方的设备数据和第二参与方的 设备数据， 训练预测分类器； 根据预测分类器， 确 定第一参与方的设备数据关于第二参与方的设 备数据的权重数据； 基于第二参与方的设备数据 和权重数据， 训练预测式梯度提升模型； 利用预 测式梯度提升模型预测第一参与方设备的烟气 含氧量负荷。 本发明解决了因不同工艺下的所产 生的能源设备的数据分布差异， 而造成烟气含 氧 量负荷预测不准确的问题， 并且节约能源设备传 感器的成本 。 权利要求书2页 说明书7页 附图3页 CN 114118540 A 2022.03.01 CN 114118540 A 1.一种基于样本迁移的烟气含氧量负荷预测方法， 其特征在于， 所述方法应用于联合 学习框架中， 包括： 获取联合学习架构下的第一参与方的设备数据和第二参与方的设备数据； 其中， 第一 参与方为 提出预测需求的参与方， 第二 参与方为除第一 参与方外的其 他参与方； 利用所述第一 参与方的设备 数据和第二 参与方的设备 数据， 训练预测分类 器； 根据所述预测分类器， 确定第 一参与方的设备数据关于第 二参与方的设备数据的权重 数据； 基于第二 参与方的设备 数据和所述权 重数据， 训练预测式梯度提升模型； 利用所述预测式梯度提升模型 预测第一 参与方设备的烟气含氧量负荷。 2.根据权利要求1所述的方法， 其特征在于， 获取联合学习架构下的第 一参与方的设备 数据和第二 参与方的设备 数据包括： 接收来自第一 参与方的设备 数据集与第二 参与方的设备 数据集； 根据预设筛选特征， 筛选第一参与方的设备数据集与第二参与方的设备数据集， 以分 别得到第一 参与方的设备 数据本样量和第二 参与方的设备 数据量； 将所述第一参与 方的设备数据本样量和第 二参与方的设备数据量， 分别确定为第 一参 与方的设备 数据和第二 参与方的设备 数据。 3.根据权利要求1所述的方法， 其特征在于， 利用所述第 一参与方的设备数据和第 二参 与方的设备 数据， 训练预测分类 器包括： 标签化处理第 一参与方的设备数据和第 二参与方的设备数据， 得到第 一参与方的设备 数据的标签数据和第二 参与方的设备 数据的标签数据； 合并第一参与方的设备数据的标签数据和第 二参与方的设备数据的标签数据， 以得到 合并后的标签数据； 根据合并后的标签数据， 训练预测分类 器。 4.根据权利要求1所述的方法， 其特征在于， 根据所述预测分类器， 确定第一参与方的 设备数据关于第二 参与方的设备 数据的权 重数据包括： 利用所述预测分类器， 分别得到第 一参与方的设备数据对应的设备故障概率值和第 二 参与方的设备 数据对应的设备故障概 率值； 根据所述第一参与方的设备数据对应的设备故障概率值和第二参与方的设备数据对 应的设备故障概率值， 确定第一参与方的设备数据关于第二参与方的设备数据的权重数 据。 5.根据权利要求4所述的方法， 其特征在于， 利用所述预测分类器， 分别得到第一参与 方的设备数据对应的设备故障概率值和第二参与方 的设备数据对应的设备故障概率值包 括： 利用所述预测分类器， 分别对第 一参与方的设备数据和第 二参与方的设备数据进行分 类， 以得到第一参与方的设备数据对应的设备故障数据和 第二参与方的设备数据对应的设 备故障数据； 分别计算第一参与方的设备数据对应的设备故障数据和第二参与方的设备数据对应 的设备故障数据对应设备故障概 率值。 6.根据权利要求1所述的方法， 其特征在于， 基于第 二参与方的设备数据和所述权重数权　利　要　求　书 1/2 页 2 CN 114118540 A 2据， 训练预测式梯度提升模型还 包括： 基于第二 参与方的设备 数据和所述权 重数据， 训练预测式梯度提升模型； 获取第一参与方的测试数据训练预测式梯度提升模型， 以得到第 一参与方的设备预测 值； 根据第一参与方的设备预测值与设备期望值的误差矩阵的范数， 得到预测式梯度提升 模型的适应度值； 根据所述适应度值， 对所述预测式梯度提升模型中的种群中的粒子进行更新， 以得到 优化的预测式梯度提升模型。 7.根据权利要求6 中所述的方法， 其特征在于， 根据 所述适应度值对所述预测式梯度提 升模型中的种群中的粒子进行 更新， 以得到优化的预测式梯度提升模型包括： 确定所述预测式梯度提升模型中的种群和所述种群中粒子； 判断当前的所述种群中粒 所对应的适应度值是否大于之前的旧粒子的适应度值； 如果小于， 则需要更新所述预测式梯度提升模型中的种群和所述种群中粒子 。 8.一种基于样本迁移的烟气含氧量负荷预测装置， 其特征在于， 所述装置应用于联合 学习框架中包括： 获取模块， 用于获取联合学习架构下的第 一参与方的设备数据和第 二参与方的设备数 据； 其中， 第一参与方为提出预测需求的参与方， 第二参与方为除第一参与方外的其他参与 方； 第一训练模块利用所述第 一参与方的设备数据和第 二参与方的设备数据， 训练预测分 类器； 计算模块， 用于根据所述预测分类器， 确定第一参与方的设备数据关于第二参与方的 设备数据的权 重数据； 第二训练模块， 用于基于第二参与方的设备数据和所述权重数据组， 训练预测式梯度 提升模型； 预测模块， 用于利用所述预测式梯度提升模型预测第一参与方设备的烟气含氧量负 荷。 9.一种计算机设备， 包括存储器、 处理器以及存储在所述存储器中并且可以在所述处 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7中任一项所述方法的步骤。 10.一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， 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7中任一项所述方法的步骤。权　利　要　求　书 2/2 页 3 CN 114118540 A 3