CN113112072A - 一种基于深度双向LSTM的NOx排放含量预测方法 - Google Patents
一种基于深度双向LSTM的NOx排放含量预测方法 Download PDFInfo
- Publication number
- CN113112072A CN113112072A CN202110398542.9A CN202110398542A CN113112072A CN 113112072 A CN113112072 A CN 113112072A CN 202110398542 A CN202110398542 A CN 202110398542A CN 113112072 A CN113112072 A CN 113112072A
- Authority
- CN
- China
- Prior art keywords
- term memory
- memory network
- value
- content
- deep
- 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.)
- Pending
Links
- 230000002457 bidirectional effect Effects 0.000 title claims abstract description 74
- 238000000034 method Methods 0.000 title claims abstract description 54
- MWUXSHHQAYIFBG-UHFFFAOYSA-N nitrogen oxide Inorganic materials O=[N] MWUXSHHQAYIFBG-UHFFFAOYSA-N 0.000 claims abstract description 153
- 230000015654 memory Effects 0.000 claims abstract description 35
- 230000006403 short-term memory Effects 0.000 claims abstract description 30
- 230000007787 long-term memory Effects 0.000 claims abstract description 28
- 230000006870 function Effects 0.000 claims abstract description 23
- 230000001537 neural effect Effects 0.000 claims abstract description 15
- 230000002068 genetic effect Effects 0.000 claims abstract description 10
- 210000004027 cell Anatomy 0.000 claims abstract description 8
- 238000000513 principal component analysis Methods 0.000 claims abstract description 8
- 210000002569 neuron Anatomy 0.000 claims abstract description 5
- 238000010606 normalization Methods 0.000 claims abstract description 4
- QGZKDVFQNNGYKY-UHFFFAOYSA-N Ammonia Chemical compound N QGZKDVFQNNGYKY-UHFFFAOYSA-N 0.000 claims description 27
- UGFAIRIUMAVXCW-UHFFFAOYSA-N Carbon monoxide Chemical compound [O+]#[C-] UGFAIRIUMAVXCW-UHFFFAOYSA-N 0.000 claims description 25
- 239000003546 flue gas Substances 0.000 claims description 25
- 229910021529 ammonia Inorganic materials 0.000 claims description 13
- 238000012360 testing method Methods 0.000 claims description 10
- QVGXLLKOCUKJST-UHFFFAOYSA-N atomic oxygen Chemical compound [O] QVGXLLKOCUKJST-UHFFFAOYSA-N 0.000 claims description 9
- 239000001301 oxygen Substances 0.000 claims description 9
- 229910052760 oxygen Inorganic materials 0.000 claims description 9
- 238000002347 injection Methods 0.000 claims description 7
- 239000007924 injection Substances 0.000 claims description 7
- 239000003245 coal Substances 0.000 claims description 4
- 230000008569 process Effects 0.000 claims description 4
- 125000000962 organic group Chemical group 0.000 claims description 3
- 239000000203 mixture Substances 0.000 claims description 2
- 239000002994 raw material Substances 0.000 claims 1
- 238000012545 processing Methods 0.000 abstract description 7
- 230000008034 disappearance Effects 0.000 abstract description 4
- 238000004880 explosion Methods 0.000 abstract description 4
- 238000005065 mining Methods 0.000 abstract description 2
- 238000010586 diagram Methods 0.000 description 13
- 239000000243 solution Substances 0.000 description 12
- 238000013528 artificial neural network Methods 0.000 description 10
- 230000000306 recurrent effect Effects 0.000 description 7
- 238000004364 calculation method Methods 0.000 description 6
- 230000000694 effects Effects 0.000 description 5
- 238000005516 engineering process Methods 0.000 description 3
- 238000000197 pyrolysis Methods 0.000 description 3
- XSQUKJJJFZCRTK-UHFFFAOYSA-N Urea Chemical compound NC(N)=O XSQUKJJJFZCRTK-UHFFFAOYSA-N 0.000 description 2
- 239000004202 carbamide Substances 0.000 description 2
- 230000003197 catalytic effect Effects 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 239000003638 chemical reducing agent Substances 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 238000009499 grossing Methods 0.000 description 2
- 230000007774 longterm Effects 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 238000005507 spraying Methods 0.000 description 2
- 238000012549 training Methods 0.000 description 2
- 230000002159 abnormal effect Effects 0.000 description 1
- XKMRRTOUMJRJIA-UHFFFAOYSA-N ammonia nh3 Chemical compound N.N XKMRRTOUMJRJIA-UHFFFAOYSA-N 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 239000003054 catalyst Substances 0.000 description 1
- 238000010531 catalytic reduction reaction Methods 0.000 description 1
- 238000007418 data mining Methods 0.000 description 1
- 238000013499 data model Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 239000007789 gas Substances 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 210000003061 neural cell Anatomy 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- BULVZWIRKLYCBC-UHFFFAOYSA-N phorate Chemical compound CCOP(=S)(OCC)SCSCC BULVZWIRKLYCBC-UHFFFAOYSA-N 0.000 description 1
- 230000002035 prolonged effect Effects 0.000 description 1
- 230000035484 reaction time Effects 0.000 description 1
- 238000006479 redox reaction Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000006722 reduction reaction Methods 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 239000007921 spray Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- GWEVSGVZZGPLCZ-UHFFFAOYSA-N titanium dioxide Inorganic materials O=[Ti]=O GWEVSGVZZGPLCZ-UHFFFAOYSA-N 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
Images
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
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N33/00—Investigating or analysing materials by specific methods not covered by groups G01N1/00 - G01N31/00
- G01N33/0004—Gaseous mixtures, e.g. polluted air
- G01N33/0009—General constructional details of gas analysers, e.g. portable test equipment
- G01N33/0027—General constructional details of gas analysers, e.g. portable test equipment concerning the detector
- G01N33/0036—General constructional details of gas analysers, e.g. portable test equipment concerning the detector specially adapted to detect a particular component
- G01N33/0037—NOx
-
- 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
- G06N3/044—Recurrent networks, e.g. Hopfield networks
-
- 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
- G06N3/045—Combinations of networks
-
- 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
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/12—Computing arrangements based on biological models using genetic models
- G06N3/126—Evolutionary algorithms, e.g. genetic algorithms or genetic programming
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biophysics (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Evolutionary Computation (AREA)
- Data Mining & Analysis (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Computational Linguistics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- Business, Economics & Management (AREA)
- Chemical & Material Sciences (AREA)
- Human Resources & Organizations (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Operations Research (AREA)
- Development Economics (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Game Theory and Decision Science (AREA)
- Marketing (AREA)
- Entrepreneurship & Innovation (AREA)
- Physiology (AREA)
- Genetics & Genomics (AREA)
- Quality & Reliability (AREA)
- Combustion & Propulsion (AREA)
- Food Science & Technology (AREA)
- Medicinal Chemistry (AREA)
- Analytical Chemistry (AREA)
Abstract
本发明公开了一种基于深度双向LSTM的NOx排放含量预测方法,包括,通过遗传算法对发电机组动态工况的影响因素进行主元分析,选择影响氮氧化物排放含量的独立变量;将独立变量进行归一化处理,而后初始化深度双向长短期记忆网络的神经单元细胞状态,并将神经单元细胞状态输入到双向长短期记忆网络神经元的第一层,进而构建双向长短期记忆网络模型;通过双向长短期记忆网络模型计算出口氮氧化物含量的预测值P;根据预测值P计算损失函数值,并更新双向长短期记忆网络的参数,直至损失函数值降到最低时结束更新;本发明解决了长时间序列的梯度消失以及梯度爆炸问题,实现数据的深层次特征挖掘。
Description
技术领域
本发明涉及氮氧化物排放含量预测的技术领域,尤其涉及一种基于深度双向LSTM的NOx排放含量预测方法。
背景技术
近年来由于人工智能技术突飞猛进地发展,机器学习方法得到广泛研究。氮氧化物(NOx)含量是燃煤机组排放烟气的一项主要监测指标。为了控制烟气中氮氧化物含量,选择性催化还原法(selective catalytic reduction,SCR)烟气脱硝系统凭借其完善的技术、高脱硝效率、高效控制NOx排放等优点在火电厂中得到了非常普遍的应用。燃煤锅炉生成的NOx浓度与机组负荷、炉膛环境、氧气含量、进风量等一系列因素有关,使SCR系统具有多输入、时变、非线性等特点。
传统PID(Proportion Integral Differential)控制的喷氨脱硝效果不佳,难以兼顾NOx排放指标和电厂经济性。
发明内容
本部分的目的在于概述本发明的实施例的一些方面以及简要介绍一些较佳实施例。在本部分以及本申请的说明书摘要和发明名称中可能会做些简化或省略以避免使本部分、说明书摘要和发明名称的目的模糊,而这种简化或省略不能用于限制本发明的范围。
鉴于上述现有存在的问题,提出了本发明。
因此,本发明提供了一种基于深度双向LSTM的NOx排放含量预测方法,能够解决了长时间序列的梯度消失和梯度爆炸问题。
为解决上述技术问题,本发明提供如下技术方案:包括,通过遗传算法对发电机组动态工况的影响因素进行主元分析,选择影响氮氧化物排放含量的独立变量;
将所述独立变量进行归一化处理,而后初始化深度双向长短期记忆网络的神经单元细胞状态,并将所述神经单元细胞状态输入到双向长短期记忆网络神经元的第一层,进而构建双向长短期记忆网络模型;
通过所述双向长短期记忆网络模型计算出口氮氧化物含量的预测值P;
根据所述预测值P计算损失函数值,并更新双向长短期记忆网络的参数,直至所述损失函数值降到最低时结束更新。
作为本发明所述的基于深度双向LSTM的NOx排放含量预测方法的一种优选方案,其中:所述发电机组动态工况的影响因素包括,有机组负荷、入口烟气氮氧化物含量、入口烟气温度、入口烟气含氧量、喷氨量、SCR反应器1层压力差、SCR反应器2层压力差、SCR反应器3层压力差、进入反应器前总压力、总煤量、总风量和出口烟气含氧量。
作为本发明所述的基于深度双向LSTM的NOx排放含量预测方法的一种优选方案,其中:所述归一化处理包括,将其所述独立变量的大小归一化到[-1,1]范围内。
作为本发明所述的基于深度双向LSTM的NOx排放含量预测方法的一种优选方案,其中:计算所述出口氮氧化物含量的预测值P包括,计算整个时间序列中更新的此刻长短期记忆网络的神经单元的记忆候选值输入门it、遗忘门ft、输出门ot、记忆状态值Ct、输出值ht;保存所述记忆状态值Ct和所述输出值ht,并将二者作为下一时刻的长短期记忆网络神经单元的输入值;当向前、向后层长短期记忆网络单元学完所有时间序列后,计算此刻的输出值htn,并将其送入下层双向长短期记忆网络单元,计算双向长短期记忆网络输出的非线性数据特征t;根据所述非线性数据特征t获得隐含层t′,将所述隐含层t′输入到双向长短期记忆网络的输出层,获得出口氮氧化物含量的预测值P。
Ct=tanh(Wc[ht-1,xt]+bc)
所述输入门it为:
it=σ(Wi[ht-1,xt]+bi)
所述遗忘门ft为:
ft=σ(Wf[ht-1,xt]+bf)
所述输出门ot为:
ot=σ(Wo[ht-1,xt]+bo)
所述记忆状态值Ct为:
Ct=ft*Ct-1+it*Ct
所述输出值ht为:
ht=ot*tanh(Ct)
其中,ht-1为上一时间点输出,Wi表示输入门权重,bi表示输入门的偏置,tanh表示正切函数,Wc表示候选值权重刷新后的值,bc表示候选值偏置刷新值,σ为sigmoid函数,Wf是遗忘门的权重数,bf为遗忘门的偏置;Wo为更新后的输出值权重,bo为更新后的输出值偏置。
作为本发明所述的基于深度双向LSTM的NOx排放含量预测方法的一种优选方案,其中:计算所述损失函数值包括,双向长短时记忆模型的隐含层状态:
作为本发明所述的基于深度双向LSTM的NOx排放含量预测方法的一种优选方案,其中:所述主元分析包括,分别设定编码长度、种群大小、最大进化代数;选取测试样本均方误差的倒数作为遗传算法适应度函数;对所述发电机组动态工况的影响因素进行迭代选择、交叉和变异操作,获得所述影响氮氧化物排放含量的独立变量。
作为本发明所述的基于深度双向LSTM的NOx排放含量预测方法的一种优选方案,其中:所述双向长短期记忆网络模型包括输入层、双向长短期记忆网络部分、全连接层、输出层。
本发明的有益效果:本发明结合向前、向后两时间方向的时间序列关系,将多个双向LSTM层叠加,通过多层神经网络学习时间序列的深层特征,同时添加全连接层对非线性特征进行加权处理,解决了长时间序列的梯度消失以及梯度爆炸问题,实现数据的深层次特征挖掘。
附图说明
为了更清楚地说明本发明实施例的技术方案,下面将对实施例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。其中:
图1为本发明第一个实施例所述的一种基于深度双向LSTM的NOx排放含量预测方法的流程示意图;
图2为本发明第一个实施例所述的一种基于深度双向LSTM的NOx排放含量预测方法的SCR系统结构示意图;
图3为本发明第一个实施例所述的一种基于深度双向LSTM的NOx排放含量预测方法的部分现场数据分布示意图;
图4为本发明第一个实施例所述的一种基于深度双向LSTM的NOx排放含量预测方法的BRNN网络展开结构示意图;
图5为本发明第一个实施例所述的一种基于深度双向LSTM的NOx排放含量预测方法的LSTM模型结构示意图;
图6为本发明第一个实施例所述的一种基于深度双向LSTM的NOx排放含量预测方法的基于DBLSTM的NOx排放预测模型示意图;
图7为本发明第一个实施例所述的一种基于深度双向LSTM的NOx排放含量预测方法的DBLSTM模型NOx排放预测算法流程示意图;
图8为本发明第二个实施例所述的一种基于深度双向LSTM的NOx排放含量预测方法的适应度函数进化曲线示意图;
图9为本发明第二个实施例所述的一种基于深度双向LSTM的NOx排放含量预测方法的不同隐层均方根误差计算结果示意图;
图10为本发明第二个实施例所述的一种基于深度双向LSTM的NOx排放含量预测方法的三隐层DBLSTM模型预测结果示意图;
图11为本发明第二个实施例所述的一种基于深度双向LSTM的NOx排放含量预测方法的五隐层DBLSTM模型预测结果示意图;
图12为本发明第二个实施例所述的一种基于深度双向LSTM的NOx排放含量预测方法的RNN模型预测结果示意图;
图13为本发明第二个实施例所述的一种基于深度双向LSTM的NOx排放含量预测方法的LSTM模型预测结果示意图。
具体实施方式
为使本发明的上述目的、特征和优点能够更加明显易懂,下面结合说明书附图对本发明的具体实施方式做详细的说明,显然所描述的实施例是本发明的一部分实施例,而不是全部实施例。基于本发明中的实施例,本领域普通人员在没有做出创造性劳动前提下所获得的所有其他实施例,都应当属于本发明的保护的范围。
在下面的描述中阐述了很多具体细节以便于充分理解本发明,但是本发明还可以采用其他不同于在此描述的其它方式来实施,本领域技术人员可以在不违背本发明内涵的情况下做类似推广,因此本发明不受下面公开的具体实施例的限制。
其次,此处所称的“一个实施例”或“实施例”是指可包含于本发明至少一个实现方式中的特定特征、结构或特性。在本说明书中不同地方出现的“在一个实施例中”并非均指同一个实施例,也不是单独的或选择性的与其他实施例互相排斥的实施例。
本发明结合示意图进行详细描述,在详述本发明实施例时,为便于说明,表示器件结构的剖面图会不依一般比例作局部放大,而且所述示意图只是示例,其在此不应限制本发明保护的范围。此外,在实际制作中应包含长度、宽度及深度的三维空间尺寸。
同时在本发明的描述中,需要说明的是,术语中的“上、下、内和外”等指示的方位或位置关系为基于附图所示的方位或位置关系,仅是为了便于描述本发明和简化描述,而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作,因此不能理解为对本发明的限制。此外,术语“第一、第二或第三”仅用于描述目的,而不能理解为指示或暗示相对重要性。
本发明中除非另有明确的规定和限定,术语“安装、相连、连接”应做广义理解,例如:可以是固定连接、可拆卸连接或一体式连接;同样可以是机械连接、电连接或直接连接,也可以通过中间媒介间接相连,也可以是两个元件内部的连通。对于本领域的普通技术人员而言,可以具体情况理解上述术语在本发明中的具体含义。
实施例1
选择性还原法SCR脱硝装置布局设计为高灰型,在锅炉省煤器与空气预热器的中间位置,安装上SCR反应器,烟气挡板分别装在反应器两侧进口烟气道以及省煤器旁路,SCR脱硝系统采用TiO2作为催化剂,用尿素制备脱硝还原剂;热解炉中的氨气还原剂由热解喷枪喷出尿素溶液蒸发而来,空气/氨气混合物通过热解炉出口的母管分散进入各分支管,混合气体借助分支管的喷氨栅格喷入烟道,然后在混合器充分混合烟气与氨气后送入催化反应器;催化氧化还原反应在氨气与NOx达到相应温度时开始发生,这样NOx就被还原为N2和H2O,实现烟气脱硝,其脱硝效率受氨氮比、烟气含氧量、锅炉温度、进风量、反应时间等一系列因素影响。
如图3所示,变工况下机组负荷上升,相应的烟囱出口NOx也随之升高,分析得出喷氨调节的延迟会造成排放超标,喷氨量加大,为了达到排放标准会进行过量喷氨以致氨逃逸的发生,当前时刻的输出不仅和之前的状态有关,还可能和未来的状态有关系;传统的神经网络模型中,每层之间的节点无连接,这就造成处理不停时刻的信息是相互独立的,所以通过深度学习技术建立准确的SCR系统NOx排放预测模型是电厂改造形势所需。
循环神经网络(RNN,Recurrent Neural Network)在隐含层中扩大节点之间的互联,其隐含层输入中既包括此刻输入层来的信息,还包括此前时间序列中隐含层输出结果,网络会记忆此刻之前的信息数据并加入到当前数据处理中;双向循环神经网络(BRNN,Bidirectional Recurrent Neural Network)由两块循环神经网络(RNN,RecurrentNeural Network)上下叠加在一起组成,并同时连接到相同输出层;此网络结构能将输入序列任意点的所有过去与将来的上下文时间序列信息全部送给输出层,计算过程主要为向前推算与向后推算;图4展示的是双向循环神经网络展开结构图;六个不同的权值时刻被重复利用着,六个权值分别对应:w1、w3表示从输入层传递至向前和向后隐含层,w2、w5表示在各自隐含层间传递,w4、w6表示从向前和向后隐含层传递到输出层。
长短时记忆模型(LongShort Term Memory,LSTM)属于变体循环神经网络,是为了解决长期问题而专门设计出来的,通常应用在时间上具有较长间断和延迟的事件处理预测中;由于RNN的梯度消失和梯度爆炸问题,LSTM通过改进传统的RNN模型中隐含层节点的记忆性模块,增加了输入门(Input Gate),输出门(Output Gate),用于调节输入数据以及记忆单元的状态信号,增加遗忘门(forget gate),清理学习过程中的无用量,有效地利用长距离的各种信息;此外通过LSTM的隐藏节点来发现各个部分局部之间的相互关系,图5为LSTM模型结构图。
参照图1~图7,为本发明的第一个实施例,该实施例提供了一种基于深度双向LSTM的NOx排放含量预测方法,包括:
S1:通过遗传算法对发电机组动态工况的影响因素进行主元分析,选择影响氮氧化物排放含量的独立变量。
其中需要说明的是,发电机组动态工况下各变量特性不稳定,在进行SCR系统数据建模时,既要考虑全工况,又要考虑各种影响因素,模型的准确度与其息息相关;其中影响最显著的因素包括有机组负荷、入口烟气NOx含量、入口烟气温度、入口烟气含氧量、喷氨量、SCR反应器1层压力差、SCR反应器2层压力差、SCR反应器3层压力差、进入反应器前总压力、总煤量、总风量和出口烟气含氧量12个独立变量,SCR烟气脱硝系统输出为烟囱入口NOx含量。
在建立SCR系统数据模型时,过多未处理的输入变量会加剧模型建立的时间与复杂度,因此对影响因素进行主元分析选择出重要的独立变量是提高模型精度的重要环节。
具体的,主元分析的步骤如下:
(1)分别设定编码长度、种群大小、最大进化代数;
(2)选取测试样本均方误差的倒数作为遗传算法适应度函数f;
(3)对发电机组动态工况的影响因素进行迭代选择、交叉和变异操作,获得影响氮氧化物排放含量的独立变量。
S2:将独立变量进行归一化处理,而后初始化深度双向长短期记忆网络的神经单元细胞状态,并将神经单元细胞状态输入到双向长短期记忆网络神经元的第一层,进而构建双向长短期记忆网络模型。
将选择出的独立变量进行平滑处理,归一化到[-1,1]范围内。
进一步的,初始化神经单元细胞状态c0、h0,将神经单元细胞状态c0、h0输入到双向长短期记忆网络神经元的第一层,构建双向长短期记忆网络模型。
S3:通过双向长短期记忆网络模型计算出口氮氧化物含量的预测值P。
本方法构建的双向长短期记忆网络(Deep Bidirectional Long Short TermMemory,DBLSTM)模型分为输入层、双向LSTM部分、全连接层、输出层;而双向LSTM部分又由多层双向长短期记忆网络组成,全连接层部分也是由多层双向长短期记忆网络构成,模型结构图如图6所示;
较佳的是,双向LSTM网络不仅可以避免RNN网络在长时间序列上的梯度衰弱等问题,还能学习长期依赖时间的信息,并利用时间上向前、向后两个方向的上下文关系;对于将多个双向LSTM层叠加,可以通过多层神经网络学习到深层特征,同时添加的全连接层有极佳的非线性映射性能,并加权处理双LSTM输出的非线性特征。
进一步的,计算出口氮氧化物含量的预测值P的步骤如下:
(1)计算整个时间序列中更新的此刻长短期记忆网络的神经单元的记忆候选值输入门it、遗忘门ft、输出门ot、记忆状态值Ct、输出值ht;保存记忆状态值Ct和输出值ht,并将二者作为下一刻LSTM神经单元的输入值;
Ct=tanh(Wc[ht-1,xt]+bc)
输入门it为:
it=σ(Wi[ht-1,xt]+bi)
遗忘门ft为:
ft=σ(Wf[ht-1,xt]+bf)
输出门ot为:
Ot=σ(Wo[ht-1,xt]+bo)
记忆状态值Ct为:
Ct=ft*Ct-1+it*Ct
输出值ht为:
ht=ot*tanh(Ct)
其中,ht-1为上一时间点输出,Wi表示输入门权重,bi表示输入门的偏置,tanh表示正切函数,Wc表示候选值权重刷新后的值,bc表示候选值偏置刷新值,σ为sigmoid函数,Wf是遗忘门的权重数,bf为遗忘门的偏置;Wo为更新后的输出值权重,bo为更新后的输出值偏置;
从Ct-1到Ct的状态变化,原状态Ct-1根据ft的值确定要舍弃的量,然后由it的值添加新的数据,输出门ot管制输出量,其通过xt和前时间段的输出ht-1决定当前时间的输出信息量ht,Ct由tanh函数可得到[-1,1]区间的值;
(2)循环步骤(1),直至向前、向后层长短期记忆网络单元学完所有时间序列时,计算此刻的输出值htn,并将其送入下层双向长短期记忆网络单元,计算双向长短期记忆网络输出的非线性数据特征t;
(3)循环步骤(2),直至计算到最后一层双向LSTM最后一层所有的时间序列t;
双向长短时记忆模型的隐含层状态:
(4)根据非线性数据特征tn进入多层全连接层,获得隐含层的非线性数据特征t′,将隐含层的非线性数据特征t′输入到双向长短期记忆网络的输出层,获得出口氮氧化物含量的预测值P。
S4:根据预测值P计算损失函数值,并更新双向长短期记忆网络的参数,直至损失函数值降到最低时结束更新。
实施例2
为了对本方法中采用的技术效果加以验证说明,本实施例选择不同的模型和采用本方法进行对比测试,以科学论证的手段对比试验结果,以验证本方法所具有的真实效果。
具体的,利用某火电厂1#机组SCR系统运行数据,来验证本方法的有效性;该机组额定功率为325MW,选取正常运行下1#机组负荷变化较大的某一周,间隔1min进行采样,处理掉异常数据,选取一周中的4320组历史运行数据用于研究样本,取其中4200组数据用于训练数据,剩余120组用于测试数据;原始12个输入变量如表1所示。
表1:变量序号表。
将所得研究样本进行平滑处理,归一化到[-1,1]范围内,利用遗传算法进行变量选择,设定编码长度为12,种群大小为20,最大进化代数设为60,选取测试样本均方误差倒数为遗传算法适应度函数,采用自适应的方法,交叉和变异概率随着适应度自动变化,经过数据挖掘不断迭代筛选出最优输入变量。
其中,模型精度评价指标采用均方根误差(root mean square error,RMSE)和平均绝对百分比误差(mean absolute percentage error,MAPE),计算公式如下:
遗传算法的适应度函数增长曲线如图8所示。
筛选出的最优变量序号为“1、2、5、8、9、10、12”,即为机组负荷、入口烟气NOx含量、喷氨量、SCR反应器3层压力差、进入反应器前总压力、总煤量、出口烟气含氧量。
通过7个最优变量以及输出变量——烟囱入口NOx含量构建深度双向LSTM(DBLSTM)模型,模型参数见表2。
表2:DBLSTM模型参数。
分别测试三隐含层DBLSTM(DBLSTM_3L)和本方法的五隐含层DBLSTM(DBLSTM_5L)网络,其中,实验变量是时间窗口长度W;各运行4次计算出训练分和测试分,通过对比不同时间窗口长度的均方根误差选出最佳参数,运行结果如图9所示。
从图9中可比较得出,三隐层DBLSTM网络在W=6时均方根误差最低,而五隐层DBLSTM网络在W=4、6时误差最低,遂取时间窗口长度W=6为最佳调优值。
在W=6时SCR脱销系统NOx排放含量预测结果如图10和图11所示,其中DBLSTM_iL中的i=3、5表示隐层数,本方法的五隐层DBLSTM网络在预测数据中后段比三隐层DBLSTM网络更准确得预测出NOx排放的大幅变化,同时五隐层DBLSTM网络比三隐层DBLSTM网络RMSE值更低,由此可得在W=6时的五隐层DBLSTM网络模型对于SCR烟气脱硝系统NOx排放的预测效果最佳,也反映出深度网络具有更好的适应性。
DBLSTM_5L网络模型中的隐含层由3层双向LSTM加2层全连接层组成,将本方法的DBLSTM_5L网络和其他方法进行对比,利用7个最优变量和烟囱入口NOx含量分别建立循环神经网络RNN(Recurrent Neural Network)模型和LSTM模型,并对比分析NOx排放的预测效果。
RNN网络模型的预测结果如图12所示,LSTM网络模型预测结果如图13所示。
SCR脱硝系统NOx排放模型预测评价指标和建模时间如表3所示。
表3:不同建模方法的比较结果。
模型 | RMSE/(mg/Nm<sup>3</sup>) | MAPE/% | 时间/s |
DBLSTM_3L | 1.7389 | 2.6649 | 5.3625 |
DBLSTM_5L | 1.4294 | 2.5164 | 5.3796 |
RNN | 2.5243 | 4.5368 | 2.3406 |
LSTM | 2.2824 | 3.8657 | 2.7254 |
通过图10、图11、图12、图13和表3可以发现,循环神经网络RNN的神经网络泛化能力最差,模型出现过拟合现象;长短时记忆网络LSTM模型能进一步提高模型精度,但运行时间变长;对比DBLSTM_5L与DBLSTM_3L网络模型NOx排放预测结果,发现增加隐含层的DBLSTM_5L网络模型在变化幅度较大时依然能很好地深度学习前向和后向时间序列数据,降低预测误差;DBLSTM_5L测试样本计算结果误差最小,MAPE只有3.2064%,预测准确度、模型精度和泛化能力都大幅提高;同时结合现阶段燃煤机组深度调峰的背景,对于50%以下的负荷工况进行验证,该方法的适用性依旧很好。
综合考虑以上情况,本方法提出的基于DBLSTM_5L网络模型提高了模型准确性与鲁棒性,能够准确描述SCR烟气脱硝系统的动态特性,满足工程优化需要。
应说明的是,以上实施例仅用以说明本发明的技术方案而非限制,尽管参照较佳实施例对本发明进行了详细说明,本领域的普通技术人员应当理解,可以对本发明的技术方案进行修改或者等同替换,而不脱离本发明技术方案的精神和范围,其均应涵盖在本发明的权利要求范围当中。
Claims (8)
1.一种基于深度双向LSTM的NOx排放含量预测方法,其特征在于:包括,
通过遗传算法对发电机组动态工况的影响因素进行主元分析,选择影响氮氧化物排放含量的独立变量;
将所述独立变量进行归一化处理,而后初始化深度双向长短期记忆网络的神经单元细胞状态,并将所述神经单元细胞状态输入到双向长短期记忆网络神经元的第一层,进而构建双向长短期记忆网络模型;
通过所述双向长短期记忆网络模型计算出口氮氧化物含量的预测值P;
根据所述预测值P计算损失函数值,并更新双向长短期记忆网络的参数,直至所述损失函数值降到最低时结束更新。
2.如权利要求1所述的基于深度双向LSTM的NOx排放含量预测方法,其特征在于:所述发电机组动态工况的影响因素包括,
有机组负荷、入口烟气氮氧化物含量、入口烟气温度、入口烟气含氧量、喷氨量、SCR反应器1层压力差、SCR反应器2层压力差、SCR反应器3层压力差、进入反应器前总压力、总煤量、总风量和出口烟气含氧量。
3.如权利要求1或2所述的基于深度双向LSTM的NOx排放含量预测方法,其特征在于:所述归一化处理包括,
将其所述独立变量的大小归一化到[-1,1]范围内。
4.如权利要求3所述的基于深度双向LSTM的NOx排放含量预测方法,其特征在于:计算所述出口氮氧化物含量的预测值P包括,
保存所述记忆状态值Ct和所述输出值ht,并将二者作为下一时刻的长短期记忆网络神经单元的输入值;
当向前、向后层长短期记忆网络单元学完所有时间序列后,计算此刻的输出值htn,并将其送入下层双向长短期记忆网络单元,计算双向长短期记忆网络输出的非线性数据特征t;
根据所述非线性数据特征t获得隐含层t′,将所述隐含层t′输入到双向长短期记忆网络的输出层,获得出口氮氧化物含量的预测值P。
5.如权利要求4所述的基于深度双向LSTM的NOx排放含量预测方法,其特征在于:还包括,
Ct=tanh(Wc[ht-1,xt]+bc)
所述输入门it为:
it=σ(Wi[ht-1,xt]+bi)
所述遗忘门ft为:
ft=σ(Wf[ht-1,xt]+bf)
所述输出门ot为:
ot=σ(Wo[ht-1,xt]+bo)
所述记忆状态值Ct为:
Ct=ft*Ct-1+it*Ct
所述输出值ht为:
ht=ot*tanh(Ct)
其中,ht-1为上一时间点输出,Wi表示输入门权重,bi表示输入门的偏置,tanh表示正切函数,Wc表示候选值权重刷新后的值,bc表示候选值偏置刷新值,σ为sigmoid函数,Wf是遗忘门的权重数,bf为遗忘门的偏置;Wo为更新后的输出值权重,bo为更新后的输出值偏置。
7.如权利要求6所述的基于深度双向LSTM的NOx排放含量预测方法,其特征在于:所述主元分析包括,
分别设定编码长度、种群大小、最大进化代数;
选取测试样本均方误差的倒数作为遗传算法适应度函数;
对所述发电机组动态工况的影响因素进行迭代选择、交叉和变异操作,获得所述影响氮氧化物排放含量的独立变量。
8.如权利要求1或7所述的基于深度双向LSTM的NOx排放含量预测方法,其特征在于:所述双向长短期记忆网络模型包括输入层、双向长短期记忆网络部分、全连接层、输出层。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110398542.9A CN113112072A (zh) | 2021-04-12 | 2021-04-12 | 一种基于深度双向LSTM的NOx排放含量预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110398542.9A CN113112072A (zh) | 2021-04-12 | 2021-04-12 | 一种基于深度双向LSTM的NOx排放含量预测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113112072A true CN113112072A (zh) | 2021-07-13 |
Family
ID=76716511
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110398542.9A Pending CN113112072A (zh) | 2021-04-12 | 2021-04-12 | 一种基于深度双向LSTM的NOx排放含量预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113112072A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114360656A (zh) * | 2021-11-30 | 2022-04-15 | 国家能源集团新能源技术研究院有限公司 | 选择性催化还原脱硝模型建模方法、装置及设备 |
CN116361709A (zh) * | 2023-03-31 | 2023-06-30 | 山东省计算中心(国家超级计算济南中心) | 一种自适应电力负荷识别方法与设备 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US9263036B1 (en) * | 2012-11-29 | 2016-02-16 | Google Inc. | System and method for speech recognition using deep recurrent neural networks |
CN109636609A (zh) * | 2019-01-04 | 2019-04-16 | 广州市本真网络科技有限公司 | 基于双向长短时记忆模型的股票推荐方法及系统 |
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 |
-
2021
- 2021-04-12 CN CN202110398542.9A patent/CN113112072A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US9263036B1 (en) * | 2012-11-29 | 2016-02-16 | Google Inc. | System and method for speech recognition using deep recurrent neural networks |
CN109636609A (zh) * | 2019-01-04 | 2019-04-16 | 广州市本真网络科技有限公司 | 基于双向长短时记忆模型的股票推荐方法及系统 |
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 |
Non-Patent Citations (1)
Title |
---|
温鑫,钱玉良,彭道刚,马浩: "基于深度双向LSTM的SCR系统NOx排放预测模型研究", 《热能动力工程》 * |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114360656A (zh) * | 2021-11-30 | 2022-04-15 | 国家能源集团新能源技术研究院有限公司 | 选择性催化还原脱硝模型建模方法、装置及设备 |
CN116361709A (zh) * | 2023-03-31 | 2023-06-30 | 山东省计算中心(国家超级计算济南中心) | 一种自适应电力负荷识别方法与设备 |
CN116361709B (zh) * | 2023-03-31 | 2023-10-31 | 山东省计算中心(国家超级计算济南中心) | 一种自适应电力负荷识别方法与设备 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Gallant | Perceptron-based learning algorithms | |
Zeng et al. | Sensitivity analysis of multilayer perceptron to input and weight perturbations | |
Đozić et al. | Application of artificial neural networks for testing long-term energy policy targets | |
CN113112072A (zh) | 一种基于深度双向LSTM的NOx排放含量预测方法 | |
CN110689171A (zh) | 一种基于e-lstm的汽轮机健康状态预测方法 | |
CN112116153A (zh) | 一种耦合Copula与堆叠式LSTM网络的园区多元负荷联合预测方法 | |
CN112488145B (zh) | 一种基于智能化方法的NOx在线预测方法及系统 | |
Kang et al. | Dynamic modeling of SCR denitration systems in coal-fired power plants based on a bi-directional long short-term memory method | |
Meng et al. | NOx emissions prediction with a brain-inspired modular neural network in municipal solid waste incineration processes | |
CN106649479A (zh) | 一种基于概率图的变压器状态关联规则挖掘方法 | |
CN110299188A (zh) | 基于ga变量选择的scr烟气脱硝系统grnn建模方法 | |
CN112733876A (zh) | 基于模块化神经网络的城市固废焚烧过程氮氧化物软测量方法 | |
CN111589301A (zh) | 燃煤电厂scr脱硝性能预测方法、装置、设备和存储介质 | |
CN108717506A (zh) | 一种预测焦炭热态强度的方法 | |
Yang et al. | A novel denitration cost optimization system for power unit boilers | |
CN117031950A (zh) | 深度调峰火电机组控制系统建模的方法及装置 | |
CN112613237B (zh) | 一种基于LSTM的CFB机组NOx排放浓度的预测方法 | |
MirRokni | Applying genetic algorithm in architecture and neural network training | |
CN112183872A (zh) | 结合生成对抗网络与神经网络的高炉煤气发生量预测方法 | |
JPH03134706A (ja) | 下水処理場運転支援のための知識獲得方法 | |
Aliev et al. | Fuzzy time series prediction method based on fuzzy recurrent neural network | |
CN114401135B (zh) | 基于LSTM-Attention用户和实体行为分析技术的内部威胁检测方法 | |
CN113780639B (zh) | 基于多任务学习框架的城市固废焚烧氮氧化物NOx排放预测方法 | |
CN113779858B (zh) | 一种燃烧优化方法、系统、存储介质及电子设备 | |
Ramsami et al. | Neural Network Frameworks for Electricity Forecasting in Mauritius and Rodrigues Islands |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20210713 |
|
RJ01 | Rejection of invention patent application after publication |