CN109165789A - 基于LSTM的锅炉NOx排放量预测模型的建模方法及装置 - Google Patents

基于LSTM的锅炉NOx排放量预测模型的建模方法及装置 Download PDF

Info

Publication number
CN109165789A
CN109165789A CN201811026148.7A CN201811026148A CN109165789A CN 109165789 A CN109165789 A CN 109165789A CN 201811026148 A CN201811026148 A CN 201811026148A CN 109165789 A CN109165789 A CN 109165789A
Authority
CN
China
Prior art keywords
boiler
lstm
data
model
parameter
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Granted
Application number
CN201811026148.7A
Other languages
English (en)
Other versions
CN109165789B (zh
Inventor
湛志钢
温智勇
邓剑华
刘亚明
徐齐胜
胡康涛
张良波
王佐东
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Guangdong Electric Power Design Institute
Original Assignee
Guangdong Electric Power Design Institute
Guangdong Power Grid Co Ltd
Electric Power Research Institute of Guangdong Power Grid Co Ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Guangdong Electric Power Design Institute, Guangdong Power Grid Co Ltd, Electric Power Research Institute of Guangdong Power Grid Co Ltd filed Critical Guangdong Electric Power Design Institute
Priority to CN201811026148.7A priority Critical patent/CN109165789B/zh
Publication of CN109165789A publication Critical patent/CN109165789A/zh
Application granted granted Critical
Publication of CN109165789B publication Critical patent/CN109165789B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/049—Temporal neural networks, e.g. delay elements, oscillating neurons or pulsed inputs

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Business, Economics & Management (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Strategic Management (AREA)
  • Human Resources & Organizations (AREA)
  • Economics (AREA)
  • Evolutionary Computation (AREA)
  • Data Mining & Analysis (AREA)
  • Development Economics (AREA)
  • Computing Systems (AREA)
  • General Health & Medical Sciences (AREA)
  • Computational Linguistics (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Biophysics (AREA)
  • Computer Hardware Design (AREA)
  • Geometry (AREA)
  • Biomedical Technology (AREA)
  • Molecular Biology (AREA)
  • Artificial Intelligence (AREA)
  • Game Theory and Decision Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Marketing (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Tourism & Hospitality (AREA)
  • General Business, Economics & Management (AREA)
  • Regulation And Control Of Combustion (AREA)
  • Feedback Control In General (AREA)

Abstract

本发明提供了一种基于LSTM(Long Short‑Term Memory，长短期记忆网络)的锅炉NOx排放预测模型的建模方法及装置。本发明通过燃煤电站的历史锅炉运行数据，构建基于LSTM递归神经网络的锅炉NOx排放量预测模型，并利用LSTM递归神经网络的序列依赖问题处理功能，解决了现有的预测燃煤电站锅炉NOx排放的机器学习建模方法所采用的建模数据均为锅炉稳态运行时的数据，忽略了NOx排放的动态特性，导致的在锅炉运行工况频繁变化时，模型的预测精度会大幅下降的技术问题。

Description

基于LSTM的锅炉NOx排放量预测模型的建模方法及装置
技术领域
本发明涉及环境监测领域，尤其涉及一种基于LSTM的锅炉NOx排放量预测模型的建模方法及装置。
背景技术
随着社会与经济的发展，人们的环境保护意识也愈发强烈，保护环境、发展绿色经济已经成为了全世界人民共同的奋斗目标。
大气污染一直是环境保护的最大难题之一，而导致大气污染的其中一个因素就是过量的NOx，其中，以二氧化氮为主的NOx是形成光化学烟雾和酸雨的一个重要原因。NOx与碳氢化合物经紫外线照射发生反应形成的有毒烟雾,称为光化学烟雾，光化学烟雾具有特殊气味,刺激眼睛,伤害植物,并能使大气能见度降低。另外，NOx与空气中的水反应生成的硝酸和亚硝酸是形成酸雨主要原因。
燃煤电站作为大气中NOx的主要来源之一，锅炉的NOx排放量预测和控制对大气中的NOx治理工作具有直接影响。现有的锅炉NOx排放预测方法是通过机器学习方法建立锅炉运行参数与污染物排放之间的关系模型，将其有机地与运行控制系统结合，对炉内燃烧和尾部烟气处理进行精确控制，从而达到发挥锅炉减排NOx的潜力。
然而，由于近年来绿色能源的开发成效显著，燃煤机组的年利用小时数逐年下降，加上现有的预测燃煤电站锅炉NOx排放的机器学习建模方法所采用的建模数据均为锅炉稳态运行时的数据，忽略了NOx排放的动态特性，导致了在锅炉运行工况频繁变化时，模型的预测精度会大幅下降的技术问题。
发明内容
本发明提供了一种基于LSTM的锅炉NOx排放量预测模型的建模方法及装置，用于解决现有的预测燃煤电站锅炉NOx排放的机器学习建模方法所采用的建模数据均为锅炉稳态运行时的数据，忽略了NOx排放的动态特性，导致的在锅炉运行工况频繁变化时，模型的预测精度会大幅下降的技术问题。
本发明提供了一种基于LSTM的锅炉NOx排放量预测模型的建模方法，包括：
S1：根据预置的锅炉运行输入变量，获取与锅炉运行输入变量相对应的锅炉运行数据；
S2：根据数据的采集时间，对锅炉运行数据进行排序，得到锅炉参数矩阵，然后根据LSTM模型的数据格式要求，对锅炉参数矩阵进行数据重组，得到模型参数矩阵，并以模型参数矩阵为变量，构建LSTM锅炉排放量初始预测模型；
S3：对LSTM锅炉排放量初始预测模型中的超参数进行优化，以优化后的超参数作为控制量，对LSTM锅炉排放量初始预测模型进行训练，得到LSTM锅炉NOx排放量动态预测模型。
优选地，步骤S1具体包括：
S11：根据预置的锅炉运行输入变量，从电站实时监控系统中获取与锅炉运行输入变量相对应的锅炉运行数据，其中，锅炉运行输入变量包括：机组负荷、磨煤机给煤量、风门开度、燃烧器摆角、风箱与炉膛的压差、炉膛出口氧量。
优选地，步骤S2具体包括：
S21：根据数据的采集时间，以相同时刻采集的锅炉运行数据为行向量，以相同的锅炉运行数据为列向量，对锅炉运行数据进行排序，得到锅炉参数矩阵X；
S22：对锅炉参数矩阵X中的锅炉运行数据进行归一化计算，得到锅炉参数归一化矩阵X*，其中，归一化计算的计算公式为：
其中，xik代表锅炉参数矩阵X中第i行第k列的锅炉运行数据，代表锅炉参数矩阵X中xik归一化后的锅炉运行数据，为锅炉参数矩阵X中第k列的锅炉运行数据的均值，为锅炉参数矩阵X中第k列的锅炉运行数据的方差，ε为非零常数；
S23：根据LSTM模型的数据格式要求，对锅炉参数矩阵进行数据重组，得到模型参数矩阵Xt，并以模型参数矩阵Xt为变量，构建LSTM锅炉排放量初始预测模型，其中，模型参数矩阵Xt为：
其中，T为LSTM锅炉排放量初始预测模型的超参数中的时间步数，代表在t-(T-a)时刻得到的锅炉参数归一化矩阵X*数据，其中参数a的取值范围为1≤a≤T，yt为LSTM模型的输出参数，代表t时刻锅炉脱硝系统入口的NOx浓度。
优选地，步骤S3具体包括：
S31：初始化LSTM锅炉排放量初始预测模型中的超参数，然后对LSTM锅炉排放量初始预测模型中的超参数进行优化，得到优化后的超参数；
S32：以优化后的超参数作为控制量，对LSTM锅炉排放量初始预测模型进行训练，得到LSTM锅炉NOx排放量动态预测模型。
优选地，风门开度具体包括：一次风量、二次风量和SOFA风量。
本发明提供了一种基于LSTM的锅炉NOx排放量预测模型的建模装置，包括：
数据获取单元，用于根据预置的锅炉运行输入变量，获取与锅炉运行输入变量相对应的锅炉运行数据；
数据处理单元，用于根据数据的采集时间，对锅炉运行数据进行排序，得到锅炉参数矩阵，然后根据LSTM模型的数据格式要求，对锅炉参数矩阵进行数据重组，得到模型参数矩阵，并以模型参数矩阵为变量，构建LSTM锅炉排放量初始预测模型；
数据训练单元，用于对LSTM锅炉排放量初始预测模型中的超参数进行优化，以优化后的超参数作为控制量，对LSTM锅炉排放量初始预测模型进行训练，得到LSTM锅炉NOx排放量动态预测模型。
优选地，数据获取单元具体用于：
根据预置的锅炉运行输入变量，从电站实时监控系统中获取与锅炉运行输入变量相对应的锅炉运行数据，其中，锅炉运行输入变量包括：机组负荷、磨煤机给煤量、风门开度、燃烧器摆角、风箱与炉膛的压差、炉膛出口氧量。
优选地，数据处理单元具体包括：
数据处理子单元，用于根据数据的采集时间，以相同时刻采集的锅炉运行数据为行向量，以相同的锅炉运行数据为列向量，对锅炉运行数据进行排序，得到锅炉参数矩阵X；
归一化处理子单元，用于对锅炉参数矩阵X中的锅炉运行数据进行归一化计算，得到锅炉参数归一化矩阵X*，其中，归一化计算的计算公式为：
其中，xik代表锅炉参数矩阵X中第i行第k列的锅炉运行数据，代表锅炉参数矩阵X中xik归一化后的锅炉运行数据，为锅炉参数矩阵X中第k列的锅炉运行数据的均值，为锅炉参数矩阵X中第k列的锅炉运行数据的方差，ε为非零常数；
数据重组子单元，用于根据LSTM模型的数据格式要求，对锅炉参数矩阵进行数据重组，得到模型参数矩阵Xt，并以模型参数矩阵Xt为变量，构建LSTM锅炉排放量初始预测模型，其中，模型参数矩阵Xt为：
其中，T为LSTM锅炉排放量初始预测模型的超参数中的时间步数，代表在t-(T-a)时刻得到的锅炉参数归一化矩阵X*数据，其中参数a的取值范围为1≤a≤T，yt为LSTM模型的输出参数，代表t时刻锅炉脱硝系统入口的NOx浓度。
优选地，数据训练单元具体包括：
超参数优化子单元，用于初始化LSTM锅炉排放量初始预测模型中的超参数，然后对LSTM锅炉排放量初始预测模型中的超参数进行优化，得到优化后的超参数；
模型训练子单元，用于以优化后的超参数作为控制量，对LSTM锅炉排放量初始预测模型进行训练，得到LSTM锅炉NOx排放量动态预测模型。
优选地，风门开度具体包括：一次风量、二次风量和SOFA风量。
从以上技术方案可以看出，本发明具有以下优点：
本发明提供的一种基于LSTM的锅炉NOx排放量预测模型的建模方法，包括：S1：根据预置的锅炉运行输入变量，获取与锅炉运行输入变量相对应的锅炉运行数据；S2：根据数据的采集时间，对锅炉运行数据进行排序，得到锅炉参数矩阵，然后根据LSTM模型的数据格式要求，对锅炉参数矩阵进行数据重组，得到模型参数矩阵，并以模型参数矩阵为变量，构建LSTM锅炉排放量初始预测模型；S3：对LSTM锅炉排放量初始预测模型中的超参数进行优化，以优化后的超参数作为控制量，对LSTM锅炉排放量初始预测模型进行训练，得到LSTM锅炉NOx排放量动态预测模型。
本发明通过燃煤电站的历史锅炉运行数据，构建基于LSTM递归神经网络的锅炉NOx排放量预测模型，并利用LSTM递归神经网络的序列依赖问题处理功能，解决了现有的预测燃煤电站锅炉NOx排放的机器学习建模方法所采用的建模数据均为锅炉稳态运行时的数据，忽略了NOx排放的动态特性，导致的在锅炉运行工况频繁变化时，模型的预测精度会大幅下降的技术问题。
附图说明
为了更清楚地说明本发明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性的前提下，还可以根据这些附图获得其它的附图。
图1为本发明提供的一种基于LSTM的锅炉NOx排放量预测模型的建模方法的一个实施例的流程示意图；
图2为本发明提供的一种基于LSTM的锅炉NOx排放量预测模型的建模方法的另一个实施例的流程示意图；
图3为本发明提供的一种基于LSTM的锅炉NOx排放量预测模型的建模装置的一个实施例的结构示意图。
具体实施方式
本发明实施例提供了一种基于LSTM的锅炉NOx排放量预测模型的建模方法及装置，用于解决现有的预测燃煤电站锅炉NOx排放的机器学习建模方法所采用的建模数据均为锅炉稳态运行时的数据，忽略了NOx排放的动态特性，导致了在锅炉运行工况频繁变化时，模型的预测精度会大幅下降的技术问题。
为使得本发明的发明目的、特征、优点能够更加的明显和易懂，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，下面所描述的实施例仅仅是本发明一部分实施例，而非全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其它实施例，都属于本发明保护的范围。
请参阅图1，本发明实施例提供了一种基于LSTM的锅炉NOx排放量预测模型的建模方法，包括：
101：根据预置的锅炉运行输入变量，获取与锅炉运行输入变量相对应的锅炉运行数据。
需要说明的是，首先确定建模所需的建模输入变量，具体地，根据锅炉运行的基本原理，输入变量包括机组负荷、磨煤机给煤量、风门开度、燃烧器摆角、风箱与炉膛的压差、炉膛出口氧量，然后根据确定的建模输入变量，通过数据采样方式，从燃煤电站的安全仪表系统中获取锅炉运行数据；
其中，运行数据获取的采样周期为1min，锅炉运行数据具体为锅炉机组的运行历史数据。
102：根据数据的采集时间，对锅炉运行数据进行排序，得到锅炉参数矩阵，然后根据LSTM模型的数据格式要求，对锅炉参数矩阵进行数据重组，得到模型参数矩阵，并以模型参数矩阵为变量，构建LSTM锅炉排放量初始预测模型。
需要说明的是，剔除所获取的锅炉运行数据中的异常值，并将其按时间顺序以矩阵形式存储，得到锅炉参数矩阵，其中，锅炉机组每一时刻的运行数据作为该矩阵的行向量，锅炉机组每一条运行属性的值作为该矩阵的列向量，然后对锅炉参数矩阵进行归一化计算，得到锅炉参数归一化矩阵。
103：对LSTM锅炉排放量初始预测模型中的超参数进行优化，以优化后的超参数作为控制量，对LSTM锅炉排放量初始预测模型进行训练，得到LSTM锅炉NOx排放量动态预测模型。
需要说明的是，在模型训练过程中，首先分别对需要优化的超参数进行初始化，然后将各个超参数设置同的值，通过训练收敛效果判断超参数的当前数值是否为最优，超参数优化完成后，采用优化后的超参数对模型进行训练，得到最终的NOx排放动态预测模型。
本发明实施例提供了一种基于LSTM的锅炉NOx排放量预测模型的建模方法，通过构建基于LSTM递归神经网络的锅炉NOx排放量预测模型，利用LSTM递归神经网络的序列依赖问题处理功能，解决了现有的预测燃煤电站锅炉NOx排放的机器学习建模方法所采用的建模数据均为锅炉稳态运行时的数据，忽略了NOx排放的动态特性，导致的在锅炉运行工况频繁变化时，模型的预测精度会大幅下降的技术问题。
以上为本发明提供的一种基于LSTM的锅炉NOx排放量预测模型的建模方法的一个实施例的详细描述，以下为本发明提供的一种基于LSTM的锅炉NOx排放量预测模型的建模方法的另一个实施例的详细描述。
请参阅图2，本发明实施例提供了一种基于LSTM的锅炉NOx排放量预测模型的建模方法，包括：
201：根据预置的锅炉运行输入变量，从电站实时监控系统中获取与锅炉运行输入变量相对应的锅炉运行数据。
需要说明的是，锅炉运行输入变量包括：机组负荷、磨煤机给煤量、风门开度、燃烧器摆角、风箱与炉膛的压差、炉膛出口氧量。
202：根据数据的采集时间，以相同时刻采集的锅炉运行数据为行向量，以相同的锅炉运行数据为列向量，对锅炉运行数据进行排序，得到锅炉参数矩阵X。
需要说明的是，剔除所获取的锅炉运行数据中的异常值，并将其按时间顺序进行排序并以矩阵形式存储，得到锅炉参数矩阵X；
其中，锅炉机组每一时刻的运行数据作为锅炉参数矩阵X的行向量，锅炉机组每一条运行变量的值作为锅炉参数矩阵X的列向量。
203：对锅炉参数矩阵X中的锅炉运行数据进行归一化计算，得到锅炉参数归一化矩阵X*。
需要说明的是，归一化计算的计算公式为：
其中，xik代表锅炉参数矩阵X中第i行第k列的锅炉运行数据，代表锅炉参数矩阵X中xik归一化后的锅炉运行数据，为锅炉参数矩阵X中第k列的锅炉运行数据的均值，为锅炉参数矩阵X中第k列的锅炉运行数据的方差，ε为非零常数。
204：根据LSTM模型的数据格式要求，对锅炉参数矩阵进行数据重组，得到模型参数矩阵Xt，并以模型参数矩阵Xt为变量，构建LSTM锅炉排放量初始预测模型。
需要说明的是，其中，模型参数矩阵Xt为：
其中，T为LSTM锅炉排放量初始预测模型的超参数中的时间步数，代表在t-(T-a)时刻得到的锅炉参数归一化矩阵X*数据，其中参数a的取值范围为1≤a≤T，yt为LSTM模型的输出参数，代表t时刻锅炉脱硝系统入口的NOx浓度。
205：初始化LSTM锅炉排放量初始预测模型中的超参数，然后对LSTM锅炉排放量初始预测模型中的超参数进行优化，得到优化后的超参数。
需要说明的是，首先对需要优化的超参数进行初始化；通过改变超参数的值，根据训练收敛效果判断超参数的当前数值是否为最优值，在进行超参数优化时，首先对超参数中的time-steps进行优化，；得到最优time-steps后以相同的优化方式对超参数中的batch-size进行优化；最后在最优的time-steps、batch-size的基础上对超参数中的learning-rate进行优化。
另外，超参数的初始化值为：time-steps＝30，batch-size＝1000，learning-rate＝0.1，此处提供的超参数初始化值仅为参考值，可根据实际需求进行调整，在此不作限定。
206：以优化后的超参数作为控制量，对LSTM锅炉排放量初始预测模型进行训练，得到LSTM锅炉NOx排放量动态预测模型。
需要说明的是，采用优化后的超参数对模型进行训练，得到最终的锅炉NOx排放量动态预测模型。
本发明实施例提供了一种基于LSTM的锅炉NOx排放量预测模型的建模方法，通过燃煤电站的历史锅炉运行数据构建基于LSTM递归神经网络的锅炉NOx排放量预测模型，并利用LSTM递归神经网络的序列依赖问题处理功能，解决了现有的预测燃煤电站锅炉NOx排放的机器学习建模方法所采用的建模数据均为锅炉稳态运行时的数据，忽略了NOx排放的动态特性，导致的在锅炉运行工况频繁变化时，模型的预测精度会大幅下降的技术问题。
以上为本发明提供的一种基于LSTM的锅炉NOx排放量预测模型的建模方法的另一个实施例的详细描述，以下为本发明提供的一种基于LSTM的锅炉NOx排放量预测模型的建模装置的一个实施例的详细描述。
请参阅图3，本发明提供了一种基于LSTM的锅炉NOx排放量预测模型的建模装置，包括：
数据获取单元301，用于根据预置的锅炉运行输入变量，获取与锅炉运行输入变量相对应的锅炉运行数据；
数据处理单元302，用于根据数据的采集时间，对锅炉运行数据进行排序，得到锅炉参数矩阵，然后根据LSTM模型的数据格式要求，对锅炉参数矩阵进行数据重组，得到模型参数矩阵，并以模型参数矩阵为变量，构建LSTM锅炉排放量初始预测模型；
数据训练单元303，用于对LSTM锅炉排放量初始预测模型中的超参数进行优化，以优化后的超参数作为控制量，对LSTM锅炉排放量初始预测模型进行训练，得到LSTM锅炉NOx排放量动态预测模型。
进一步地，数据获取单元301具体用于：
根据预置的锅炉运行输入变量，从电站实时监控系统中获取与锅炉运行输入变量相对应的锅炉运行数据，其中，锅炉运行输入变量包括：机组负荷、磨煤机给煤量、风门开度、燃烧器摆角、风箱与炉膛的压差、炉膛出口氧量。
进一步地，数据处理单元302具体包括：
数据处理子单元3021，用于根据数据的采集时间，以相同时刻采集的锅炉运行数据为行向量，以相同的锅炉运行数据为列向量，对锅炉运行数据进行排序，得到锅炉参数矩阵X；
归一化处理子单元3022，用于对锅炉参数矩阵X中的锅炉运行数据进行归一化计算，得到锅炉参数归一化矩阵X*，其中，归一化计算的计算公式为：
其中，xik代表锅炉参数矩阵X中第i行第k列的锅炉运行数据，代表锅炉参数矩阵X中xik归一化后的锅炉运行数据，为锅炉参数矩阵X中第k列的锅炉运行数据的均值，为锅炉参数矩阵X中第k列的锅炉运行数据的方差，ε为避免分母为零的极小非零常数；
数据重组子单元3023，用于根据LSTM模型的数据格式要求，对锅炉参数矩阵进行数据重组，得到模型参数矩阵Xt，并以模型参数矩阵Xt为变量，构建LSTM锅炉排放量初始预测模型，其中，模型参数矩阵Xt为：
其中，T为LSTM锅炉排放量初始预测模型的超参数中的时间步数，代表在t-(T-a)时刻得到的锅炉参数归一化矩阵X*数据，其中参数a的取值范围为1≤a≤T，yt为LSTM模型的输出参数，代表t时刻锅炉脱硝系统入口的NOx浓度。
进一步地，数据训练单元303具体包括：
超参数优化子单元3031，用于初始化LSTM锅炉排放量初始预测模型中的超参数，然后对LSTM锅炉排放量初始预测模型中的超参数进行优化，得到优化后的超参数；
模型训练子单元3032，用于以优化后的超参数作为控制量，对LSTM锅炉排放量初始预测模型进行训练，得到LSTM锅炉NOx排放量动态预测模型。
进一步地，风门开度具体包括：一次风量、二次风量和SOFA风量。
所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的系统，装置和单元的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
在本申请所提供的几个实施例中，应该理解到，所揭露的系统，装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，装置或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。
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单元来实现本实施例方案的目的。
另外，在本发明各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。
所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(ROM，Read-OnlyMemory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述，以上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。

Claims (10)

1.一种基于LSTM的锅炉NOx排放量预测模型的建模方法，其特征在于，包括：
S1：根据预置的锅炉运行输入变量，获取与锅炉运行输入变量相对应的锅炉运行数据；
S2：根据数据的采集时间，对锅炉运行数据进行排序，得到锅炉参数矩阵，然后根据LSTM模型的数据格式要求，对锅炉参数矩阵进行数据重组，得到模型参数矩阵，并以模型参数矩阵为变量，构建LSTM锅炉排放量初始预测模型；
S3：对LSTM锅炉排放量初始预测模型中的超参数进行优化，以优化后的超参数作为控制量，对LSTM锅炉排放量初始预测模型进行训练，得到LSTM锅炉NOx排放量动态预测模型。
2.根据权利要求1所述的一种基于LSTM的锅炉NOx排放量预测模型的建模方法，其特征在于，步骤S1具体包括：
S11：根据预置的锅炉运行输入变量，从电站实时监控系统中获取与锅炉运行输入变量相对应的锅炉运行数据，其中，锅炉运行输入变量包括：机组负荷、磨煤机给煤量、风门开度、燃烧器摆角、风箱与炉膛的压差、炉膛出口氧量。
3.根据权利要求2所述一种基于LSTM的锅炉NOx排放量预测模型的建模方法，其特征在于，步骤S2具体包括：
S21：根据数据的采集时间，以相同时刻采集的锅炉运行数据为行向量，以相同的锅炉运行数据为列向量，对锅炉运行数据进行排序，得到锅炉参数矩阵X；
S22：对锅炉参数矩阵X中的锅炉运行数据进行归一化计算，得到锅炉参数归一化矩阵X*，其中，归一化计算的计算公式为：
其中，xik代表锅炉参数矩阵X中第i行第k列的锅炉运行数据，代表锅炉参数矩阵X中xik归一化后的锅炉运行数据，为锅炉参数矩阵X中第k列的锅炉运行数据的均值，为锅炉参数矩阵X中第k列的锅炉运行数据的方差，ε为非零常数；
S23：根据LSTM模型的数据格式要求，对锅炉参数矩阵进行数据重组，得到模型参数矩阵Xt，并以模型参数矩阵Xt为变量，构建LSTM锅炉排放量初始预测模型，其中，模型参数矩阵Xt为：
其中，T为LSTM锅炉排放量初始预测模型的超参数中的时间步数，代表在t-(T-a)时刻得到的锅炉参数归一化矩阵X*数据，其中参数a的取值范围为1≤a≤T，yt为LSTM模型的输出参数，代表t时刻锅炉脱硝系统入口的NOx浓度。
4.根据权利要求3所述的一种基于LSTM的锅炉NOx排放量预测模型的建模方法，其特征在于，步骤S3具体包括：
S31：初始化LSTM锅炉排放量初始预测模型中的超参数，然后对LSTM锅炉排放量初始预测模型中的超参数进行优化，得到优化后的超参数；
S32：以优化后的超参数作为控制量，对LSTM锅炉排放量初始预测模型进行训练，得到LSTM锅炉NOx排放量动态预测模型。
5.根据权利要求2至4任意一项所述的一种基于LSTM的锅炉NOx排放量预测模型的建模方法，其特征在于，风门开度具体包括：一次风量、二次风量和SOFA风量。
6.一种基于LSTM的锅炉NOx排放量预测模型的建模装置，其特征在于，包括：
数据获取单元，用于根据预置的锅炉运行输入变量，获取与锅炉运行输入变量相对应的锅炉运行数据；
数据处理单元，用于根据数据的采集时间，对锅炉运行数据进行排序，得到锅炉参数矩阵，然后根据LSTM模型的数据格式要求，对锅炉参数矩阵进行数据重组，得到模型参数矩阵，并以模型参数矩阵为变量，构建LSTM锅炉排放量初始预测模型；
数据训练单元，用于对LSTM锅炉排放量初始预测模型中的超参数进行优化，以优化后的超参数作为控制量，对LSTM锅炉排放量初始预测模型进行训练，得到LSTM锅炉NOx排放量动态预测模型。
7.根据权利要求6所述的一种基于LSTM的锅炉NOx排放量预测模型的建模装置，其特征在于，数据获取单元具体用于：
根据预置的锅炉运行输入变量，从电站实时监控系统中获取与锅炉运行输入变量相对应的锅炉运行数据，其中，锅炉运行输入变量包括：机组负荷、磨煤机给煤量、风门开度、燃烧器摆角、风箱与炉膛的压差、炉膛出口氧量。
8.根据权利要求7所述一种基于LSTM的锅炉NOx排放量预测模型的建模装置，其特征在于，数据处理单元具体包括：
数据处理子单元，用于根据数据的采集时间，以相同时刻采集的锅炉运行数据为行向量，以相同的锅炉运行数据为列向量，对锅炉运行数据进行排序，得到锅炉参数矩阵X；
归一化处理子单元，用于对锅炉参数矩阵X中的锅炉运行数据进行归一化计算，得到锅炉参数归一化矩阵X*，其中，归一化计算的计算公式为：
其中，xik代表锅炉参数矩阵X中第i行第k列的锅炉运行数据，代表锅炉参数矩阵X中xik归一化后的锅炉运行数据，为锅炉参数矩阵X中第k列的锅炉运行数据的均值，为锅炉参数矩阵X中第k列的锅炉运行数据的方差，ε为非零常数；
数据重组子单元，用于根据LSTM模型的数据格式要求，对锅炉参数矩阵进行数据重组，得到模型参数矩阵Xt，并以模型参数矩阵Xt为变量，构建LSTM锅炉排放量初始预测模型，其中，模型参数矩阵Xt为：
其中，T为LSTM锅炉排放量初始预测模型的超参数中的时间步数，代表在t-(T-a)时刻得到的锅炉参数归一化矩阵X*数据，其中参数a的取值范围为1≤a≤T，yt为LSTM模型的输出参数，代表t时刻锅炉脱硝系统入口的NOx浓度。
9.根据权利要求8所述的一种基于LSTM的锅炉NOx排放量预测模型的建模装置，其特征在于，数据训练单元具体包括：
超参数优化子单元，用于初始化LSTM锅炉排放量初始预测模型中的超参数，然后对LSTM锅炉排放量初始预测模型中的超参数进行优化，得到优化后的超参数；
模型训练子单元，用于以优化后的超参数作为控制量，对LSTM锅炉排放量初始预测模型进行训练，得到LSTM锅炉NOx排放量动态预测模型。
10.根据权利要求7至9任意一项所述的一种基于LSTM的锅炉NOx排放量预测模型的建模装置，其特征在于，风门开度具体包括：一次风量、二次风量和SOFA风量。
CN201811026148.7A 2018-09-04 2018-09-04 基于LSTM的锅炉NOx排放量预测模型的建模方法及装置 Active CN109165789B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201811026148.7A CN109165789B (zh) 2018-09-04 2018-09-04 基于LSTM的锅炉NOx排放量预测模型的建模方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201811026148.7A CN109165789B (zh) 2018-09-04 2018-09-04 基于LSTM的锅炉NOx排放量预测模型的建模方法及装置

Publications (2)

Publication Number Publication Date
CN109165789A true CN109165789A (zh) 2019-01-08
CN109165789B CN109165789B (zh) 2022-06-21

Family

ID=64894142

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201811026148.7A Active CN109165789B (zh) 2018-09-04 2018-09-04 基于LSTM的锅炉NOx排放量预测模型的建模方法及装置

Country Status (1)

Country Link
CN (1) CN109165789B (zh)

Cited By (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109815594A (zh) * 2019-01-26 2019-05-28 新奥数能科技有限公司 一种确定煤改气的链条炉中燃烧器安装位置的方法和装置
CN110618610A (zh) * 2019-08-29 2019-12-27 杭州华电江东热电有限公司 基于LSTM深度学习的燃机NOx超标预警方法与装置
CN110675920A (zh) * 2019-10-22 2020-01-10 华北电力大学 一种基于MI-LSTM的锅炉NOx预测方法
CN111589301A (zh) * 2020-05-29 2020-08-28 广东电科院能源技术有限责任公司 燃煤电厂scr脱硝性能预测方法、装置、设备和存储介质
CN112131791A (zh) * 2020-09-23 2020-12-25 广东电科院能源技术有限责任公司 一种脱硝效率预测方法的择优方法、装置和设备
CN112488145A (zh) * 2019-11-26 2021-03-12 大唐环境产业集团股份有限公司 一种基于智能化方法的NOx在线预测方法及系统
CN112613237A (zh) * 2020-12-31 2021-04-06 华电国际电力股份有限公司天津开发区分公司 一种基于LSTM的CFB机组NOx排放浓度的预测方法
CN112884213A (zh) * 2021-02-02 2021-06-01 华北电力大学 小波分解与动态混合深度学习的燃煤锅炉NOx预测方法
CN113052391A (zh) * 2021-04-09 2021-06-29 东方电气集团科学技术研究院有限公司 一种锅炉受热面结焦在线预测方法
CN113241129A (zh) * 2021-05-18 2021-08-10 北京和隆优化科技股份有限公司 一种基于lstm深度循环神经网络的pvc水分含量的预测方法
CN113628694A (zh) * 2021-07-05 2021-11-09 国能国华(北京)电力研究院有限公司 一种预测锅炉氮氧化物排放量的方法
CN114881207A (zh) * 2022-04-26 2022-08-09 北京和隆优化科技股份有限公司 基于lstm深度循环神经网络的蒸汽压力预测方法及装置

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103729569A (zh) * 2014-01-20 2014-04-16 华北电力大学 一种基于lssvm及在线更新的电站锅炉烟气软测量系统
CN103759290A (zh) * 2014-01-16 2014-04-30 广东电网公司电力科学研究院 大型燃煤机组在线监测与优化控制系统及其实现方法
CN105629738A (zh) * 2016-03-24 2016-06-01 内蒙古瑞特优化科技股份有限公司 Scr烟气脱硝系统控制方法及设备
CN105974793A (zh) * 2016-05-04 2016-09-28 华中科技大学 一种电站锅炉燃烧智能控制方法
CN106327021A (zh) * 2016-08-31 2017-01-11 西安艾贝尔科技发展有限公司 一种基于在线模型预测的锅炉燃烧优化配风方法
CN106500128A (zh) * 2017-01-12 2017-03-15 东北电力大学 一种变负荷工况下火电厂锅炉NOx排放控制方法
US20180121799A1 (en) * 2016-11-03 2018-05-03 Salesforce.Com, Inc. Training a Joint Many-Task Neural Network Model using Successive Regularization
CN108364087A (zh) * 2018-01-11 2018-08-03 安徽优思天成智能科技有限公司 一种城市机动车尾气浓度的时空预测方法

Patent Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103759290A (zh) * 2014-01-16 2014-04-30 广东电网公司电力科学研究院 大型燃煤机组在线监测与优化控制系统及其实现方法
CN103729569A (zh) * 2014-01-20 2014-04-16 华北电力大学 一种基于lssvm及在线更新的电站锅炉烟气软测量系统
CN103729569B (zh) * 2014-01-20 2016-11-16 华北电力大学 一种基于lssvm及在线更新的电站锅炉烟气软测量系统
CN105629738A (zh) * 2016-03-24 2016-06-01 内蒙古瑞特优化科技股份有限公司 Scr烟气脱硝系统控制方法及设备
CN105974793A (zh) * 2016-05-04 2016-09-28 华中科技大学 一种电站锅炉燃烧智能控制方法
CN106327021A (zh) * 2016-08-31 2017-01-11 西安艾贝尔科技发展有限公司 一种基于在线模型预测的锅炉燃烧优化配风方法
US20180121799A1 (en) * 2016-11-03 2018-05-03 Salesforce.Com, Inc. Training a Joint Many-Task Neural Network Model using Successive Regularization
CN106500128A (zh) * 2017-01-12 2017-03-15 东北电力大学 一种变负荷工况下火电厂锅炉NOx排放控制方法
CN108364087A (zh) * 2018-01-11 2018-08-03 安徽优思天成智能科技有限公司 一种城市机动车尾气浓度的时空预测方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
刘静伟: "基于深度学习技术的锅炉建模与燃烧优化", 《万方数据知识服务平台》 *
无: "教你搭建多变量时间序列预测模型LSTM(附代码、数据集）", 《百度网页：HTTPS://CLOUD.TENCENT.COM/DEVELOPER/ARTICLE/1032160》 *
杨训政: "基于RNN的发电机组排放预测", 《中国优秀硕士论文电子期刊网》 *

Cited By (16)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109815594A (zh) * 2019-01-26 2019-05-28 新奥数能科技有限公司 一种确定煤改气的链条炉中燃烧器安装位置的方法和装置
CN109815594B (zh) * 2019-01-26 2022-12-27 新奥数能科技有限公司 一种确定煤改气的链条炉中燃烧器安装位置的方法和装置
CN110618610A (zh) * 2019-08-29 2019-12-27 杭州华电江东热电有限公司 基于LSTM深度学习的燃机NOx超标预警方法与装置
CN110675920A (zh) * 2019-10-22 2020-01-10 华北电力大学 一种基于MI-LSTM的锅炉NOx预测方法
CN112488145A (zh) * 2019-11-26 2021-03-12 大唐环境产业集团股份有限公司 一种基于智能化方法的NOx在线预测方法及系统
CN112488145B (zh) * 2019-11-26 2024-05-28 大唐环境产业集团股份有限公司 一种基于智能化方法的NOx在线预测方法及系统
CN111589301A (zh) * 2020-05-29 2020-08-28 广东电科院能源技术有限责任公司 燃煤电厂scr脱硝性能预测方法、装置、设备和存储介质
CN112131791A (zh) * 2020-09-23 2020-12-25 广东电科院能源技术有限责任公司 一种脱硝效率预测方法的择优方法、装置和设备
CN112613237B (zh) * 2020-12-31 2022-10-21 华电国际电力股份有限公司天津开发区分公司 一种基于LSTM的CFB机组NOx排放浓度的预测方法
CN112613237A (zh) * 2020-12-31 2021-04-06 华电国际电力股份有限公司天津开发区分公司 一种基于LSTM的CFB机组NOx排放浓度的预测方法
CN112884213A (zh) * 2021-02-02 2021-06-01 华北电力大学 小波分解与动态混合深度学习的燃煤锅炉NOx预测方法
CN112884213B (zh) * 2021-02-02 2024-04-19 华北电力大学 小波分解与动态混合深度学习的燃煤锅炉NOx预测方法
CN113052391A (zh) * 2021-04-09 2021-06-29 东方电气集团科学技术研究院有限公司 一种锅炉受热面结焦在线预测方法
CN113241129A (zh) * 2021-05-18 2021-08-10 北京和隆优化科技股份有限公司 一种基于lstm深度循环神经网络的pvc水分含量的预测方法
CN113628694A (zh) * 2021-07-05 2021-11-09 国能国华(北京)电力研究院有限公司 一种预测锅炉氮氧化物排放量的方法
CN114881207A (zh) * 2022-04-26 2022-08-09 北京和隆优化科技股份有限公司 基于lstm深度循环神经网络的蒸汽压力预测方法及装置

Also Published As

Publication number Publication date
CN109165789B (zh) 2022-06-21

Similar Documents

Publication Publication Date Title
CN109165789A (zh) 基于LSTM的锅炉NOx排放量预测模型的建模方法及装置
CN104763999A (zh) 电厂煤粉锅炉燃烧性能在线优化方法和系统
CN103886405B (zh) 一种基于信息熵特征和概率神经网络的锅炉燃烧工况识别方法
CN105974793A (zh) 一种电站锅炉燃烧智能控制方法
CN106873381A (zh) 喷氨控制系统
CN107609667B (zh) 基于Box_cox变换和UFCNN的供热负荷预测方法及系统
CN104807039B (zh) 一种锅炉燃烧优化的变量降维建模方法
CN103759290A (zh) 大型燃煤机组在线监测与优化控制系统及其实现方法
CN110263395A (zh) 基于数值模拟和数据分析的电厂脱硝运行优化方法及系统
CN104504292A (zh) 基于bp神经网络预测循环流化床锅炉最佳工作温度的方法
CN105487496A (zh) 基于双目标并行island-hfc混合模型遗传编程算法的火电厂热工在线过程辨识及控制算法的优化方法
CN109736720B (zh) 一种基于改进Kriging模型的深海连接器密封结构优化方法
CN109100975A (zh) 一种参数优化方法及系统
Wen et al. NOx emission predicting for coal-fired boilers based on ensemble learning methods and optimized base learners
CN103150581A (zh) 基于最小二乘支持向量机燃烧模型的锅炉优化方法和装置
JPH0298738A (ja) 知識コンパイル・パターン型推論システム
CN103558756B (zh) 基于组态元件的单神经元pid控制器的实现方法
CN105117559A (zh) 基于模糊决策图与灰色关联分析的枪械设计方案评价方法
CN117052457A (zh) 隧道施工粉尘治理控制方法、系统、设备及介质
CN101408752A (zh) 基于混沌退火和参数扰动的神经网络极值控制方法及系统
CN112231978B (zh) 一种基于人工神经网络的锅炉烟气酸露点测试方法
CN116050643A (zh) 一种基于集成模型的流程工业污染物排放浓度预测方法
Parsa et al. Combustion efficiency optimization by adjusting the amount of excess air
CN114881207A (zh) 基于lstm深度循环神经网络的蒸汽压力预测方法及装置
Chen et al. Optimization of turbine cold-end system based on BP neural network and genetic algorithm

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
TA01 Transfer of patent application right
TA01 Transfer of patent application right

Effective date of registration: 20200113

Address after: 510000 room 501-503, annex building, Huaye building, No.1-3, Chumo new street, Xihua Road, Yuexiu District, Guangzhou City, Guangdong Province

Applicant after: Guangdong Electric Power Research Institute of energy technology limited liability company

Address before: 510600 No. 757 Dongfeng East Road, Guangzhou, Guangdong, Yuexiu District

Applicant before: GUANGDONG STATE GRID CO., LTD.

Applicant before: ELECTRIC POWER RESEARCH INSTITUTE, GUANGDONG POWER GRID CO., LTD.

Applicant before: Guangdong Electric Power Research Institute of energy technology limited liability company

CB02 Change of applicant information
CB02 Change of applicant information

Address after: Room 501-503, annex building, Huaye building, No.1-3 Chuimao new street, Xihua Road, Yuexiu District, Guangzhou City, Guangdong Province 510000

Applicant after: China Southern Power Grid Power Technology Co.,Ltd.

Address before: Room 501-503, annex building, Huaye building, No.1-3 Chuimao new street, Xihua Road, Yuexiu District, Guangzhou City, Guangdong Province 510000

Applicant before: GUANGDONG ELECTRIC POWER SCIENCE RESEARCH INSTITUTE ENERGY TECHNOLOGY Co.,Ltd.

GR01 Patent grant
GR01 Patent grant