CN113440990A - 基于emd-lstm的出口so2浓度预测方法 - Google Patents
基于emd-lstm的出口so2浓度预测方法 Download PDFInfo
- Publication number
- CN113440990A CN113440990A CN202110632671.XA CN202110632671A CN113440990A CN 113440990 A CN113440990 A CN 113440990A CN 202110632671 A CN202110632671 A CN 202110632671A CN 113440990 A CN113440990 A CN 113440990A
- Authority
- CN
- China
- Prior art keywords
- variables
- emd
- concentration
- lstm
- model
- 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
- 238000000034 method Methods 0.000 title claims abstract description 27
- 238000012216 screening Methods 0.000 claims abstract description 12
- 238000013528 artificial neural network Methods 0.000 claims abstract description 8
- 239000002002 slurry Substances 0.000 claims description 21
- UGFAIRIUMAVXCW-UHFFFAOYSA-N Carbon monoxide Chemical compound [O+]#[C-] UGFAIRIUMAVXCW-UHFFFAOYSA-N 0.000 claims description 10
- 239000003546 flue gas Substances 0.000 claims description 10
- 238000012549 training Methods 0.000 claims description 8
- 235000019738 Limestone Nutrition 0.000 claims description 7
- 230000003009 desulfurizing effect Effects 0.000 claims description 7
- 239000006028 limestone Substances 0.000 claims description 7
- 230000008569 process Effects 0.000 claims description 6
- 239000007788 liquid Substances 0.000 claims description 5
- 238000005457 optimization Methods 0.000 claims description 4
- 238000010521 absorption reaction Methods 0.000 claims description 3
- QVGXLLKOCUKJST-UHFFFAOYSA-N atomic oxygen Chemical compound [O] QVGXLLKOCUKJST-UHFFFAOYSA-N 0.000 claims description 3
- 238000009499 grossing Methods 0.000 claims description 3
- 238000012417 linear regression Methods 0.000 claims description 3
- 230000003647 oxidation Effects 0.000 claims description 3
- 238000007254 oxidation reaction Methods 0.000 claims description 3
- 239000001301 oxygen Substances 0.000 claims description 3
- 229910052760 oxygen Inorganic materials 0.000 claims description 3
- 108010014173 Factor X Proteins 0.000 claims description 2
- 238000013459 approach Methods 0.000 claims description 2
- 238000000611 regression analysis Methods 0.000 claims description 2
- 230000006870 function Effects 0.000 description 16
- 238000006477 desulfuration reaction Methods 0.000 description 8
- 230000023556 desulfurization Effects 0.000 description 8
- 101001095088 Homo sapiens Melanoma antigen preferentially expressed in tumors Proteins 0.000 description 2
- 102100037020 Melanoma antigen preferentially expressed in tumors Human genes 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 239000003245 coal Substances 0.000 description 2
- 230000001419 dependent effect Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 108010076504 Protein Sorting Signals Proteins 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000004140 cleaning Methods 0.000 description 1
- 238000002485 combustion reaction Methods 0.000 description 1
- 230000003111 delayed effect Effects 0.000 description 1
- 239000003344 environmental pollutant Substances 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 239000010440 gypsum Substances 0.000 description 1
- 229910052602 gypsum Inorganic materials 0.000 description 1
- 230000006386 memory function Effects 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 239000002245 particle Substances 0.000 description 1
- 231100000719 pollutant Toxicity 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 230000006641 stabilisation Effects 0.000 description 1
- 238000011105 stabilization Methods 0.000 description 1
Images
Classifications
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B01—PHYSICAL OR CHEMICAL PROCESSES OR APPARATUS IN GENERAL
- B01D—SEPARATION
- B01D53/00—Separation of gases or vapours; Recovering vapours of volatile solvents from gases; Chemical or biological purification of waste gases, e.g. engine exhaust gases, smoke, fumes, flue gases, aerosols
- B01D53/34—Chemical or biological purification of waste gases
- B01D53/46—Removing components of defined structure
- B01D53/48—Sulfur compounds
- B01D53/50—Sulfur oxides
- B01D53/501—Sulfur oxides by treating the gases with a solution or a suspension of an alkali or earth-alkali or ammonium compound
-
- 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
- G06F30/25—Design optimisation, verification or simulation using particle-based methods
-
- 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
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
-
- 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
- G06N3/08—Learning methods
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B01—PHYSICAL OR CHEMICAL PROCESSES OR APPARATUS IN GENERAL
- B01D—SEPARATION
- B01D2251/00—Reactants
- B01D2251/40—Alkaline earth metal or magnesium compounds
- B01D2251/404—Alkaline earth metal or magnesium compounds of calcium
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B01—PHYSICAL OR CHEMICAL PROCESSES OR APPARATUS IN GENERAL
- B01D—SEPARATION
- B01D2251/00—Reactants
- B01D2251/60—Inorganic bases or salts
- B01D2251/606—Carbonates
Abstract
本发明提出一种基于EMD‑LSTM的出口SO2浓度预测方法，包括如下步骤：步骤1：采集与出口SO2浓度相关的变量，获得初始变量；步骤2：通过LASSO算法对初始变量进行筛选，去除掉冗余变量后获得输入变量；步骤3：通过互信息算法对输入变量进行时间延迟补偿；步骤4：通过EMD算法对所选输入变量进行分解，获得平稳信号作为模型输入变量；步骤5：采用LSTM神经网络建立预测模型，输入模型输入变量，获得SO2浓度的预测数据。本发明所述预测方法能够能够有效提升模型的精度并防止模型过拟合，以提供预测的准确性。
Description
技术领域
本发明涉及污染物监测技术领域，具体涉及一种基于EMD-LSTM的出口SO2浓度预测方法。
背景技术
中国是以煤为主要能源的国家，燃煤产生的SO2会对环境造成极大的污染。燃煤电厂是SO2排放大户，近年来，由于我国对燃煤电厂SO2的排放要求日益严格，控制SO2出口浓度减少对环境的破坏，是当前所有电力企业面临的主要问题。
目前燃煤电厂脱硫系统大部分采用的都是石灰石-石膏湿法脱硫系统，该系统具有脱硫效率高，成本低等优点，但由于脱硫塔内反应复杂，受影响因素较多，且系统存在大迟延、大惯性等问题。当工况发生波动时，测量SO2的仪器并不能及时反映SO2浓度的变化，导致运行人员不能及时对SO2浓度变化做出调整，因此，需要对脱硫塔出口SO2浓度进行预测，从而为运行人员及时调整脱硫系统参数提供一定的参考，实现供浆量的超前控制，保证SO2的超低排放和脱硫系统运行的经济性与稳定性。
针对现有技术存在的上述技术问题，本发明提供一种基于EMD-LSTM的出口SO2浓度预测方法。
发明内容
本发明提供一种基于EMD-LSTM的出口SO2浓度预测方法。
为了实现本发明的目的，采用如下技术方案：
一种基于EMD-LSTM的出口SO2浓度预测方法，包括如下步骤：
步骤1：采集与出口SO2浓度相关的变量，获得初始变量；
步骤2：通过LASSO算法对初始变量进行筛选，去除掉冗余变量后获得输入变量；
步骤3：通过互信息算法对输入变量进行时间延迟补偿；
步骤4：通过EMD算法对所选输入变量进行分解，获得平稳信号作为模型输入变量；
步骤5：采用LSTM神经网络建立预测模型，输入模型输入变量，获得SO2浓度的预测数据。
进一步地，步骤1中，初始变量包括脱硫塔PH值、石灰石浆液供浆流量、入口烟气流量、入口SO2浓度、机组负荷、浆液箱密度、锅炉总风量、吸收塔液位、氧化风机的电流、母管浆液密度、供浆泵电机变频速度、循环泵电流和入口烟气含氧量。
进一步地，步骤2中，经过LASSO算法的筛选，获得脱硫塔PH值、石灰石浆液供浆流量、入口烟气流量和入口SO2浓度。
进一步地，步骤2中，LASSO算法通过最小二乘回归模型对初始变量和目标变量进行拟合预测，再通过误差函数进行最小化求解并压缩贡献小的变量，以实现变量筛选的目的。
进一步地，步骤3中，互信息算法通过计算各个输入变量前600s内与输出变量的互信息，进而获得互信息最大时所对应的时间值，通过时间值对输入变量进行时间延迟补偿。
进一步地，步骤4中，EMD算法对所选输入变量进行分解包括提取原始信号中有效特征信息并对非平稳信号进行平稳化处理：
步骤4.1：获得原始信号x(t)所有的极值点；
步骤4.2：拟合出上下极值点的包络线，并求解出上下包络线的平均值m(t)，在x(t)中减去上下包络线的平均值m(t)，得到一个剩余信号h(t)＝x(t)-m(t)；
步骤4.3：判断剩余信号h(t)是否为固有模态函数IMF；
步骤4.4：如果不是，以h(t)代替x(t)，重复以上步骤4.1-4.3，直到h(t)满足判据，则h(t)为需要提取的IMF分量c(t)；
步骤4.5：每得到一阶IMF，就从原信号中扣除它，重复以上步骤；
步骤4.6：当信号最后剩余部分r(t)为单调序列或者常值序列时，停止循环，得到最终的IMF分量和一个残余分量。
进一步地，步骤5中，LSTM神经网络预测模型包括上一个细胞层的输出模块yt-1、外部输入模块xt、sigmod函数σ和新细胞状态值产生模块tanh。
进一步地，步骤2包括：
设一个线性回归模型如下：
Y＝β0+β1X1+β2X2+...+βpXp……(1)，
其中β为对预测因子X的系数估计，Y为目标函数，p表示回归模型中输入变量的个数，针对复杂问题进行回归分析，将拟合过程中出现的损失函数称为残差平方和(RSS)，它的公式如下：
其中，式子中j表示单次训练中输入变量的个数，n表示回归模型中训练样本的个数，i用来表示当前时刻的训练样本，yi则表示当前回归模型的目标函数，在损失函数的公式中加入L1正则项，此时的公式如下：
式中λ为正则化系数，式子中n表示回归模型中训练样本的个数，由于L1正则项使用的是绝对值，在对损失函数进行不断优化求解的过程中，不重要的变量会被压缩为零，从而实现变量筛选的目的。
相对于现有技术，本发明的有益效果是：
1、本发明所述的基于EMD-LSTM的出口SO2浓度预测方法，采用EMD算法能够对非平稳信号进行平稳化处理，去除了原始信号中噪声的干扰，同时还能够最大化提取原始信号中特征并能够有效提升模型的精度；
2、本发明所述的基于EMD-LSTM的出口SO2浓度预测方法，采用LASSO算法用来进行特征选择，即从所有变量中筛选与输出变量高度相关的变量，将其他变量收缩为零，从而构建自变量与因变量高度相关的精简模型，防止模型过拟合。
附图说明
图1是本发明实施例中LSTM神经网络预测模型的示意图；
图2是本发明实施例中LSTM网络、RBF网络和LSSVM的对比的示意图。
具体实施方式
为了能够更清楚地理解本发明的上述目的、特征和优点，下面结合具体实施方式对本发明进行进一步的详细描述，需要说明的是，在不冲突的情况下，本申请的实施例及实施例中的特征可以相互组合。
实施例
所述基于EMD-LSTM的出口SO2浓度预测方法，包括如下步骤：
步骤1：采集与出口SO2浓度相关的变量，获得初始变量；
步骤2：通过LASSO算法对初始变量进行筛选，去除掉冗余变量后获得输入变量；
步骤3：通过互信息算法对输入变量进行时间延迟补偿；
步骤4：通过EMD算法对所选输入变量进行分解，获得平稳信号作为模型输入变量；
步骤5：采用LSTM神经网络建立预测模型，输入模型输入变量，获得SO2浓度的预测数据。
在本实施例的步骤1中，初始变量包括脱硫塔PH值、石灰石浆液供浆流量、入口烟气流量、入口SO2浓度、机组负荷、浆液箱密度、锅炉总风量、吸收塔液位、氧化风机的电流、母管浆液密度、供浆泵电机变频速度、循环泵电流和入口烟气含氧量等，由于这些变量中含有冗余变量，因此采用LASSO算法对输入变量进行筛选，LASSO选择后最终得到4个输入变量，分别为：脱硫塔PH值、石灰石浆液供浆流量、入口烟气流量和入口SO2浓度。
在本实施例的步骤2中，经过LASSO算法的筛选，获得脱硫塔PH值、石灰石浆液供浆流量、入口烟气流量和入口SO2浓度；
LASSO算法通过最小二乘回归模型对初始变量和目标变量进行拟合预测，搭建一个最小二乘回归模型，对初始变量和目标变量进行拟合预测，在对误差函数进行最小化求解的同时对一些贡献很小的变量进行压缩，从而实现变量筛选的目的，具体的：
设一个线性回归模型：
Y＝β0+β1X1+β2X2+...+βpXp……(1)，
其中β为对预测因子X的系数估计，Y为学习关系，拟合过程中出现的损失函数，称为残差平方和(RSS)，其公式如下：
通过不断优化求解，损失函数逐渐趋近0，如果在损失函数后面加入一项不为0的部分，那么最后经过不断优化损失函数还会存在，而这就是所谓的“正则化”，加入的这一部分称为正则项，正则项包括有L1、L2，它们与RSS联合的公式如下：
使用L1正则项：
使用L2正则项：
式中λ为正则化系数。
当使用L1作为正则项时，即为LASSO算法，使用L2正则项时，为岭回归算法，LASSO回归与岭回归的区别在于LASSO回归在正则项中使用的是绝对值，而不是平方值，这使得某些参数估计结果可以等于零，因此LASSO算法可以用来进行特征选择，即从所有变量中筛选与输出变量高度相关的变量，将其他变量收缩为零，从而构建自变量与因变量高度相关的精简模型，防止模型过拟合。
在本实施例的步骤3中，互信息算法通过计算各个输入变量前600s内与输出变量的互信息，进而获得互信息最大时所对应的时间值，通过时间值对输入变量进行时间延迟补偿，从而解决电厂各变量之间存在时间延迟的问题，提高输入与输出变量间的相关性。
由于火电厂燃煤机组和脱硫系统都是具有大迟延的系统，电厂采集的各个数据之间存在着时间延迟，当一个输入变量发生变化时，出口SO2浓度需要一段时间才会对这个变化做出反应，为了保证各个输入变量与输出变量在时序上保持一致，本实施例中采用一种基于互信息的时间延迟补偿算法，互信息是一种用于描述两个变量之间相关性强弱的方法，相比于常用的person相关系数，互信息既可以反映线性关系又可以反映非线性关系，具体算法如下：由于锅炉燃烧过程最大不超过600s，通过计算前600s内各个时刻输入变量与输出变量之间的互信息，进而找出互信息最大时对应的时刻，将其作为时间延迟补偿值。下表1为各个输入变量的变化范围、单位、与输出变量的最大互信息和此时对应的时间延迟：
表1 各辅助变量变化范围和最大互信息
在本实施例的步骤4中，EMD算法对所选输入变量进行分解包括提取原始信号中有效特征信息并对非平稳信号进行平稳化处理，有效的防止了原始信号中噪声的干扰提高了预测模型的精度：
步骤4.1：获得原始信号x(t)所有的极值点；
步骤4.2：拟合出上下极值点的包络线，并求解出上下包络线的平均值m(t)，在x(t)中减去上下包络线的平均值m(t)，得到一个剩余信号h(t)＝x(t)-m(t)；
步骤4.3：判断剩余信号h(t)是否为固有模态函数IMF，其中判据主要包括：在信号序列中的极值点与过零点数目一致或相差少于一个、整个序列波形是局部对象；
步骤4.4：如不是，以h(t)代替x(t)，重复以上步骤4.1-4.3，直到h(t)满足判据，则h(t)为需要提取的IMF分量c(t)；
步骤4.5：每得到一阶IMF，就从原信号中扣除，重复以上步骤；
步骤4.6：当信号最后剩余部分r(t)为单调序列或者常值序列时，停止循环，得到最终的IMF分量和一个残余分量。
在本实施例的步骤5中，如图1所示，LSTM神经网络预测模型包括上一个细胞层的输出模块yt-1、外部输入模块xt、sigmod函数σ1、σ2、σ3(分别对应于LSTM的遗忘门、输入门、输出门)和新细胞状态值产生模块tanh，其中，LSTM的细胞单元更新过程如下：
σ1对应遗忘门，σ1决定了从旧的细胞状态中丢弃的信息，此时细胞状态输出为：
ft＝σ1(Wf[yt-1,xt]+bf)……(5)，
σ2对应输入门，对细胞状态中的信息进行更新并储存，输入门的公式如下：
it＝σ2(Wi[yt-1,xt]+bi)……(6)，
ht＝tanh(Wc[yt-1,xt]+bc)……(7)，
ht＝ft*ht-1+it*ht……(8)，
输出门决定细胞输出的信息，其公式如下：
Ot＝(Wo[yt-1,xt]+bo)……(9)，
yt＝Ot*tanh(ht)……(10)，
式中Wf、Wi和Wo分别为遗忘门、输入门和输出门的权重度量，bf、bi和bo表示分别遗忘门、输入门和输出门的偏差，Wc和bc为输入门中tanh函数的权值和偏差，ft表示遗忘门的输出，它决定了从旧的细胞状态中丢弃的信息，it表示输入门的输出，主要是对细胞状态中的信息进行更新并储存，Ot表示输出门的输出，决定了细胞的输出信息，ht表示当前当前时刻细胞的状态，yt表示当前时刻细胞的输出。
下面通过对山西某600MW电厂所提供的现场运行数据对本实施所述的预测方法进行验证：
通过对数据进行清洗，最终筛选出2000组代表性数据，采样周期为10s，其中1500组用来对预测模型做训练，500组作为测试集检验模型的预测能力，数据在输入到模型前还要对其进行归一化处理，其目的是为了消除各个变量因为量级不同对预测过程产生影响，加快模型的运行时间。
为了比较LSTM网络的预测特点，分别利用RBF网络和LSSVM搭建了预测模型，并通过粒子群优化算法确定了RBF和LSSVM预测模型的超参数，在其他条件保持一致的情况下，如图2所示，三种预测模型预测的结果其变化趋势都接近于真实趋势，如表2所示，LSTM模型相比于RBF模型，其RMSE降低了60％，MAPE降低了63％，相比于LSSVM，其RMSE降低了28％，MAPE降低了13％，可见采用具有记忆功能的LSTM网络，能够对历史数据进行记忆，从而提高模型的精度。
表2 不同模型评价指标
本发明不受上述实施例的限制，上述实施例和说明书中描述的只是说明本发明的原理，在不脱离本发明精神和范围的前提下，本发明还会有各种变化和改进，这些变化和改进都落入要求保护的本发明范围内。本发明要求保护范围由所附的权利要求书界定。
Claims (8)
1.一种基于EMD-LSTM的出口SO2浓度预测方法，其特征在于，包括如下步骤：
步骤1：采集与出口SO2浓度相关的变量，获得初始变量；
步骤2：通过LASSO算法对初始变量进行筛选，去除掉冗余变量后获得输入变量；
步骤3：通过互信息算法对输入变量进行时间延迟补偿；
步骤4：通过EMD算法对所选输入变量进行分解，获得平稳信号作为模型输入变量；
步骤5：采用LSTM神经网络建立预测模型，输入模型输入变量，获得SO2浓度的预测数据。
2.根据权利要求1所述的基于EMD-LSTM的出口SO2浓度预测方法，其特征在于，步骤1中，初始变量包括脱硫塔PH值、石灰石浆液供浆流量、入口烟气流量、入口SO2浓度、机组负荷、浆液箱密度、锅炉总风量、吸收塔液位、氧化风机的电流、母管浆液密度、供浆泵电机变频速度、循环泵电流和入口烟气含氧量。
3.根据权利要求2所述的基于EMD-LSTM的出口SO2浓度预测方法，其特征在于，步骤2中，经过LASSO算法的筛选，获得脱硫塔PH值、石灰石浆液供浆流量、入口烟气流量和入口SO2浓度。
4.根据权利要求1所述的基于EMD-LSTM的出口SO2浓度预测方法，其特征在于，步骤2中，LASSO算法通过最小二乘回归模型对初始变量和目标变量进行拟合预测，再通过误差函数进行最小化求解并压缩贡献小的变量，以实现变量筛选的目的。
5.根据权利要求1所述的基于EMD-LSTM的出口SO2浓度预测方法，其特征在于，步骤3中，互信息算法通过计算各个输入变量前600s内与输出变量的互信息，进而获得互信息最大时所对应的时间值，通过时间值对输入变量进行时间延迟补偿。
6.根据权利要求1所述的基于EMD-LSTM的出口SO2浓度预测方法，其特征在于，步骤4中，
EMD算法对所选输入变量进行分解包括提取原始信号中有效特征信息并对非平稳信号进行平稳化处理：
步骤4.1：获得原始信号x(t)所有的极值点；
步骤4.2：拟合出上下极值点的包络线，并求解出上下包络线的平均值m(t)，在x(t)中减去上下包络线的平均值m(t)，得到一个剩余信号h(t)＝x(t)-m(t)；
步骤4.3：判断剩余信号h(t)是否为固有模态函数IMF；
步骤4.4：如果不是，以h(t)代替x(t)，重复以上步骤4.1-4.3，直到h(t)满足判据，则h(t)为需要提取的IMF分量c(t)；
步骤4.5：每得到一阶IMF，就从原信号中扣除它，重复以上步骤；
步骤4.6：当信号最后剩余部分r(t)为单调序列或者常值序列时，停止循环，得到最终的IMF分量和一残余分量。
7.根据权利要求6所述的基于EMD-LSTM的出口SO2浓度预测方法，其特征在于，步骤5中，LSTM神经网络预测模型包括上一个细胞层的输出模块yt-1、外部输入模块xt、sigmod函数σ和新细胞状态值产生模块tanh。
8.根据权利要求4所述的基于EMD-LSTM的出口SO2浓度预测方法，其特征在于，步骤2包括：
设一个线性回归模型：
Y＝β0+β1X1+β2X2+...+βpXp……(1)，
其中β为对预测因子X的系数估计，Y为目标函数，p表示回归模型中输入变量的个数，针对复杂问题进行回归分析，将拟合过程中出现的损失函数，称为残差平方和RSS，其公式如下：
其中，式子中j表示单次训练中输入变量的个数，n表示回归模型中训练样本的个数，i用来表示当前时刻的训练样本，yi则表示当前回归模型的目标函数，在损失函数的公式中加入L1正则项，此时的公式如下：
通过不断优化求解，损失函数逐渐趋近0，式中λ为正则化系数。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110632671.XA CN113440990A (zh) | 2021-06-07 | 2021-06-07 | 基于emd-lstm的出口so2浓度预测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110632671.XA CN113440990A (zh) | 2021-06-07 | 2021-06-07 | 基于emd-lstm的出口so2浓度预测方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN113440990A true CN113440990A (zh) | 2021-09-28 |
Family
ID=77811058
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110632671.XA Pending CN113440990A (zh) | 2021-06-07 | 2021-06-07 | 基于emd-lstm的出口so2浓度预测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113440990A (zh) |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115729184A (zh) * | 2022-11-14 | 2023-03-03 | 青芥一合碳汇(武汉)科技有限公司 | 基于大数据分析和边缘控制的脱硫优化运行方法及装置 |
| CN116312861A (zh) * | 2023-05-09 | 2023-06-23 | 济南作为科技有限公司 | 脱硝系统气体浓度预测方法、装置、设备及存储介质 |
| CN116440670A (zh) * | 2023-04-12 | 2023-07-18 | 华能伊春热电有限公司 | 一种石灰石浆液密度稳定性控制方法 |
| CN116736713A (zh) * | 2023-06-13 | 2023-09-12 | 天津国能津能滨海热电有限公司 | 基于narx预测模型的电厂燃烧控制系统及方法 |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JPH08257349A (ja) * | 1995-03-28 | 1996-10-08 | Mitsubishi Heavy Ind Ltd | 湿式排煙脱硫プラントの予測制御装置及び制御方法 |
| CN111144286A (zh) * | 2019-12-25 | 2020-05-12 | 北京工业大学 | 一种融合emd和lstm的城市pm2.5浓度预测方法 |
| CN112541296A (zh) * | 2020-07-22 | 2021-03-23 | 华北电力大学（保定） | 一种基于pso-lssvm的so2预测方法 |
-
2021
- 2021-06-07 CN CN202110632671.XA patent/CN113440990A/zh active Pending
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JPH08257349A (ja) * | 1995-03-28 | 1996-10-08 | Mitsubishi Heavy Ind Ltd | 湿式排煙脱硫プラントの予測制御装置及び制御方法 |
| CN111144286A (zh) * | 2019-12-25 | 2020-05-12 | 北京工业大学 | 一种融合emd和lstm的城市pm2.5浓度预测方法 |
| CN112541296A (zh) * | 2020-07-22 | 2021-03-23 | 华北电力大学（保定） | 一种基于pso-lssvm的so2预测方法 |
Non-Patent Citations (2)
| Title |
|---|
| 焦燕妮主编: "《数据管理与统计分析 基于R应用》", 31 March 2021, 青岛：中国海洋大学出版社 * |
| 金秀章等: "基于变量选择和EMD-LSTM网络的出口SO2浓度预测", 《中国电机工程学报（网络首发论文）》 * |
Cited By (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115729184A (zh) * | 2022-11-14 | 2023-03-03 | 青芥一合碳汇(武汉)科技有限公司 | 基于大数据分析和边缘控制的脱硫优化运行方法及装置 |
| CN115729184B (zh) * | 2022-11-14 | 2023-06-27 | 青芥一合碳汇(武汉)科技有限公司 | 基于大数据分析和边缘控制的脱硫优化运行方法及装置 |
| CN116440670A (zh) * | 2023-04-12 | 2023-07-18 | 华能伊春热电有限公司 | 一种石灰石浆液密度稳定性控制方法 |
| CN116440670B (zh) * | 2023-04-12 | 2023-10-31 | 华能伊春热电有限公司 | 一种石灰石浆液密度稳定性控制方法 |
| CN116312861A (zh) * | 2023-05-09 | 2023-06-23 | 济南作为科技有限公司 | 脱硝系统气体浓度预测方法、装置、设备及存储介质 |
| CN116736713A (zh) * | 2023-06-13 | 2023-09-12 | 天津国能津能滨海热电有限公司 | 基于narx预测模型的电厂燃烧控制系统及方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN113440990A (zh) | 基于emd-lstm的出口so2浓度预测方法 | |
| CN104534507B (zh) | 一种锅炉燃烧优化控制方法 | |
| CN112465239B (zh) | 基于改进pso-fcm算法的脱硫系统运行优化方法 | |
| CN104715142B (zh) | 一种电站锅炉NOx排放动态软测量方法 | |
| CN111144609A (zh) | 一种锅炉废气排放预测模型建立方法、预测方法及装置 | |
| CN110716512A (zh) | 一种基于燃煤电站运行数据的环保装备性能预测方法 | |
| CN110555548B (zh) | 基于数据挖掘原始误差校正的ics-elm超短期风电功率预测方法 | |
| CN110826791A (zh) | 一种基于长短时记忆神经网络的混合风功率预测方法 | |
| CN114225662B (zh) | 一种基于滞后模型的烟气脱硫脱硝优化控制方法 | |
| CN112364562A (zh) | 一种烟气环保岛协同控制方法及系统 | |
| CN116316599A (zh) | 一种智能用电负荷预测方法 | |
| CN111310990A (zh) | 一种基于改进灰色组合模型的轨道质量预测方法及系统 | |
| CN113469449A (zh) | 脱硫系统的寻优控制方法及系统 | |
| CN108647483A (zh) | 一种基于模糊树建模方法的scr入口nox浓度的软测量方法 | |
| CN115222138A (zh) | 一种基于eemd-lstm微网光伏短期功率区间预测方法 | |
| CN109921462B (zh) | 一种基于lstm的新能源消纳能力评估方法及系统 | |
| CN112613237A (zh) | 一种基于LSTM的CFB机组NOx排放浓度的预测方法 | |
| CN112541296A (zh) | 一种基于pso-lssvm的so2预测方法 | |
| CN113468813B (zh) | 一种脱硫系统入口so2浓度预测方法、装置、电子设备 | |
| CN115809732A (zh) | 一种分布式光伏发电功率预测方法及系统 | |
| CN115936061A (zh) | 基于数据驱动的火电厂烟气含氧量软测量方法及系统 | |
| CN113111588B (zh) | 一种燃气轮机nox排放浓度预测方法及装置 | |
| CN115471086A (zh) | 一种全要素能源利用效率的评价方法、存储介质和装置 | |
| CN114444391A (zh) | 一种基于粒子群优化的氧化风机运行优化算法 | |
| CN114896895A (zh) | 基于门控循环神经网络的脱硝系统入口氮氧化物排放预测方法及系统 |
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: 20210928 |
|
| RJ01 | Rejection of invention patent application after publication |