CN113468813B - 一种脱硫系统入口so2浓度预测方法、装置、电子设备 - Google Patents

一种脱硫系统入口so2浓度预测方法、装置、电子设备 Download PDF

Info

Publication number
CN113468813B
CN113468813B CN202110769876.2A CN202110769876A CN113468813B CN 113468813 B CN113468813 B CN 113468813B CN 202110769876 A CN202110769876 A CN 202110769876A CN 113468813 B CN113468813 B CN 113468813B
Authority
CN
China
Prior art keywords
inlet
concentration
load
model
data
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.)
Active
Application number
CN202110769876.2A
Other languages
English (en)
Other versions
CN113468813A (zh
Inventor
孟磊
王彦文
谷小兵
袁照威
司风琪
白玉勇
李文龙
江澄宇
李广林
杨大洲
杜明生
乔宗良
宁翔
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.)
Datang Environment Industry Group Co Ltd
Original Assignee
Datang Environment Industry Group 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 Datang Environment Industry Group Co Ltd filed Critical Datang Environment Industry Group Co Ltd
Priority to CN202110769876.2A priority Critical patent/CN113468813B/zh
Publication of CN113468813A publication Critical patent/CN113468813A/zh
Application granted granted Critical
Publication of CN113468813B publication Critical patent/CN113468813B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • 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
    • 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
    • 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
    • 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
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/06—Energy or water supply
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
    • Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
    • Y04S10/00—Systems supporting electrical power generation, transmission or distribution
    • Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • General Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • Health & Medical Sciences (AREA)
  • Economics (AREA)
  • Human Resources & Organizations (AREA)
  • General Health & Medical Sciences (AREA)
  • Strategic Management (AREA)
  • Software Systems (AREA)
  • Artificial Intelligence (AREA)
  • General Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Marketing (AREA)
  • Molecular Biology (AREA)
  • Tourism & Hospitality (AREA)
  • Data Mining & Analysis (AREA)
  • Computational Linguistics (AREA)
  • General Business, Economics & Management (AREA)
  • Mathematical Physics (AREA)
  • Computing Systems (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computer Hardware Design (AREA)
  • Development Economics (AREA)
  • Public Health (AREA)
  • Treating Waste Gases (AREA)
  • Game Theory and Decision Science (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Medical Informatics (AREA)
  • Water Supply & Treatment (AREA)
  • Geometry (AREA)
  • Primary Health Care (AREA)

Abstract

本发明提供了一种脱硫系统入口SO2浓度预测方法、装置、电子设备及存储介质，所述预测方法基于人工神经网络，以当前时刻机组负荷、预设时间后的机组负荷、当前时刻入口SO2浓度作为输入参数，预设时间后入口SO2浓度作为输出参数，进行第一入口SO2浓度预测模型训练；以R 2作为评价模型精度的指标，通过优化算法寻找使模型精度最高时对应的各输入参数的权重后，重新训练人工神经网络模型得到第二入口SO2浓度预测模型；将对脱硫系统入口SO2浓度的预测与机组负荷预测相结合，从历史运行数据中寻找机组负荷与入口SO2浓度的关系，建立脱硫系统入口SO2浓度预测模型，以此来预测入口SO2浓度的变化情况，提高了脱硫系统入口SO2浓度预测精度。

Description

一种脱硫系统入口SO2浓度预测方法、装置、电子设备
技术领域
本发明涉及电站脱硫技术领域，尤其是涉及一种脱硫系统入口SO2浓度预测方法、装置、电子设备及存储介质。
背景技术
SO2是火电厂最主要的污染物之一，大气中有90％的SO2来源于燃煤，其过量排放对环境造成了极大污染，因此对SO2的排放控制也越来越受到政府的重视。为减少污染物排放、净化空气，不少发电企业已经进行了超低排放改造来满足环保要求。目前，燃煤机组脱硫系统还缺乏超低排放下的操作运行规范，因此在实际运行过程中，运行人员为保证达标排放，通常将 SO2排放浓度控制在低于排放限值一定程度的安全区域，这无疑会带来脱硫能耗的提升，降低了脱硫运行经济性，大大增加电厂的脱硫成本。
脱硫系统的运行策略主要依赖于入口SO2浓度的变化来调整。由于目前缺少对脱硫系统入口SO2浓度的预测方法，电厂脱硫系统无法根据入口浓度的变化而快速改变供浆策略，因此目前电厂脱硫系统多采用过量供浆的脱硫方式来控制出口SO2的排放浓度，使得电厂的脱硫成本大大增加。
发明内容
本发明的目的在于提供一种脱硫系统入口SO2浓度预测方法，以提高预测精度，将人工神经网络与优化算法相结合，对脱硫系统入口SO2浓度进行预测。
第一方面，本发明实施例提供了一种脱硫系统入口SO2浓度预测方法，所述预测方法包括：
获取历史数据并进行预处理作为训练样本；其中，所述历史数据包括当前时刻机组负荷、预设时间后的机组负荷、当前时刻入口SO2浓度；
基于人工神经网络，以当前时刻机组负荷、预设时间后的机组负荷、当前时刻入口SO2浓度作为输入参数，预设时间后入口SO2浓度作为输出参数，进行第一入口SO2浓度预测模型训练；
以R 2作为评价模型精度的指标，同时作为优化算法的适应度函数，通过优化算法寻找使模型精度最高时对应的各输入参数的权重后，重新训练人工神经网络模型得到第二入口SO2浓度预测模型；
基于第二入口SO2浓度预测模型以及相应的负荷指令，获得对应负荷下的入口SO2浓度。
可选地，进行第一入口SO2浓度预测模型训练包括：
在建立第一入口SO2浓度预测模型时，将每个输入参数乘一个权重后进行人工神经网络建模训练。
可选地，获取历史数据包括，
从机组的SIS数据源采集各个测点所需预设时间跨度的历史数据，间隔预设时间采集包括负荷、脱硫系统入口SO2浓度数据。
可选地，数据预处理包括：
剔除异常值，针对数据中存在的一些异常值，包括数值超过正常运行的上下限和数值在一段时间内保持不变的数据。
可选地，设定滑动时间窗体参数，按照滑动窗体参数将队列数据划分为若干组滑动窗体，记录其中满足预设要求的历史数据，作为模型的训练样本。
可选地，设定滑动时间窗体参数，按照滑动窗体参数将队列数据划分为若干组滑动窗体，记录其中满足预设要求的历史数据，作为模型的训练样本包括：
A.在序列中放置一个固定长度为δ的小窗口，通过滑动时间窗按照时间序列读取负荷数据，记为x*＝[xt,…,xt+δ-1]，其中t为滑动时间窗读中的第一个负荷数据在该段负荷历史数据中的位置；
B.计算滑动时间窗中每一个时刻点间负荷的差值将，将第i时刻前后负荷的差值记为di，其计算公式为di＝xi+1-xi，滑动时间窗内每一时刻间负荷的差值为di＝[x2-x1,…,xi+1-xi],i＝1,...,δ-1，作为负荷的变化量；
C.判断该滑动时间窗内各时刻点间负荷变化的差值是否均为正或均为负，即di>0或di<0；
D.若di>0或di<0，则记录该滑动时间窗所对应的时刻下负荷、入口SO2 浓度参数的历史数据，滑动时间窗向后移动δ个时间单位，几t＝t+δ，重复A-C步骤；若不符合di>0或di<0，则滑动时间窗向后移动1个时间单位，即 t＝t+1，重复A-C步骤。
可选地，基于人工神经网络，以当前时刻机组负荷、预设时间后的机组负荷、当前时刻入口SO2浓度作为输入参数，预设时间后入口SO2浓度作为输出参数，进行第一入口SO2浓度预测模型训练包括：
当前时刻机组负荷、当前时刻入口SO2浓度为记录的每个滑动时间窗内第一个时刻的数据，即x1；一段时间后机组负荷为记录的每个滑动时间窗内最后一个时刻的负荷数据，即xi+1；
对训练样本进行归一化处理，使结果值映射到[0，1]之间，其公式如下：
Figure RE-GDA0003188748400000031
其中，Xmax为原始数据最大值；Xmin为原始数据最小值；Xi'为实测值；
为每个输入参数乘上一个权重αi，且α1+α2+...+αi＝i，其中i为输入参数个数。
可选地，以R2作为评价模型精度的指标，同时作为优化算法的适应度函数，通过优化算法寻找使模型精度最高时对应的各输入参数的权重后，重新训练人工神经网络模型得到第二入口SO2浓度预测模型包括：
以R2作为评价模型精度的指标，其中，R2为回归平方和与总离差平方和的比值，其中回归平方和为总平方和与残差平方和的差值，其公式如下：
Figure RE-GDA0003188748400000041
其中，
Figure RE-GDA0003188748400000042
为实际值；yi为预测值；
Figure RE-GDA0003188748400000043
为实际值的平均值；
以R2作为优化算法的适应度函数，通过优化算法寻找人工神经网络训练最大的R2，并得到R2最大时，各输入参数的权重αi，使用最优的αi重新对人工神经网络模型进行训练，得到精度最高的第二入口SO2浓度预测模型。
第二方面，本发明实施例提供了一种脱硫系统入口SO2浓度预测装置包括：
获取模块，用于获取历史数据并进行预处理作为训练样本；其中，所述历史数据包括当前时刻机组负荷、预设时间后的机组负荷、当前时刻入口SO2浓度；
第一训练模块，基于人工神经网络，以当前时刻机组负荷、预设时间后的机组负荷、当前时刻入口SO2浓度作为输入参数，预设时间后入口SO2浓度作为输出参数，进行第一入口SO2浓度预测模型训练；在建立第一入口SO2浓度预测模型时，将每个输入参数乘一个权重后进行人工神经网络建模训练；
第二训练模块，以R2作为评价模型精度的指标，同时作为优化算法的适应度函数，通过优化算法寻找使模型精度最高时对应的各输入参数的权重后，重新训练人工神经网络模型得到第二入口SO2浓度预测模型；
预测模块，基于第二入口SO2浓度预测模型以及相应的负荷指令，获得对应负荷下的入口SO2浓度。
第三方面，本发明实施例提供了一种电子设备，包括：
处理器，用于存储处理器可执行指令的存储器；
其中，所述处理器通过运行所述可执行指令以实现上述的方法。
第四方面，本发明实施例提供了一种计算机可读存储介质，其上存储有计算机指令，该指令被处理器执行时实现上述方法的步骤。
有益效果：
本发明提供了一种脱硫系统入口SO2浓度预测方法、装置、电子设备及存储介质，所述预测方法通过获取历史数据并进行预处理作为训练样本；基于人工神经网络，以当前时刻机组负荷、预设时间后的机组负荷、当前时刻入口SO2浓度作为输入参数，预设时间后入口SO2浓度作为输出参数，进行第一入口SO2浓度预测模型训练；以R2作为评价模型精度的指标，同时作为优化算法的适应度函数，通过优化算法寻找使模型精度最高时对应的各输入参数的权重后，重新训练人工神经网络模型得到第二入口SO2浓度预测模型；将对脱硫系统入口SO2浓度的预测与机组负荷预测相结合，通过预测机组负荷的变化，以及利用机器学习的方法，从历史运行数据中寻找机组负荷与入口SO2浓度的关系，建立脱硫系统入口SO2浓度预测模型，以此来预测入口SO2浓度的变化情况，提高了脱硫系统入口SO2浓度预测精度。
附图说明
为了更清楚地说明本发明具体实施方式或现有技术中的技术方案，下面将对具体实施方式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，下面描述中的附图是本发明的一些实施方式，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1是根据本发明实施例示出的一种脱硫系统入口SO2浓度预测方法的流程图；
图2是根据本发明实施例示出的较优实施方式的脱硫系统入口SO2浓度预测方法流程图；
图3是较优实施方式的脱硫系统入口SO2浓度方法获得的预测结果图；
图4是根据本发明实施例示出的一种脱硫系统入口SO2浓度预测装置的结构框图；
图5是发明一个实施例示出的一种电子设备的结构框图。
具体实施方式
下面将结合实施例对本发明的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。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他实施例，都属于本发明保护的范围。
本发明的目的在于提供一种脱硫系统浆液循环泵性能预测方法，装置、电子设备及存储介质，脱硫系统入口SO2浓度与机组运行负荷存在一定的关系，并且由于目前对机组负荷的预测方法较为成熟，因此可将对脱硫系统入口SO2浓度的预测与机组负荷预测相结合，通过预测机组负荷的变化，以及利用机器学习的方法，从历史运行数据中寻找机组负荷与入口SO2浓度的关系，建立脱硫系统入口SO2浓度预测模型，以此来预测入口SO2浓度的变化情况。
图1是根据本发明一个实施例示出的一种脱硫系统入口SO2浓度预测方法的流程图，如图1所示，该方法包括：
S20、获取历史数据并进行预处理作为训练样本；其中，所述历史数据包括当前时刻机组负荷、预设时间后的机组负荷、当前时刻入口SO2浓度；
S40、基于人工神经网络，以当前时刻机组负荷、预设时间后的机组负荷、当前时刻入口SO2浓度作为输入参数，预设时间后入口SO2浓度作为输出参数，进行第一入口SO2浓度预测模型训练；
S60、以R2作为评价模型精度的指标，同时作为优化算法的适应度函数，通过优化算法寻找使模型精度最高时对应的各输入参数的权重后，重新训练人工神经网络模型得到第二入口SO2浓度预测模型；
S80、基于第二入口SO2浓度预测模型以及相应的负荷指令，获得对应负荷下的入口SO2浓度。
本实施例所述方法基于人工神经网络，以当前时刻机组负荷、预设时间后的机组负荷、当前时刻入口SO2浓度作为输入参数，预设时间后入口 SO2浓度作为输出参数，进行第一入口SO2浓度预测模型训练；以R2作为评价模型精度的指标，通过优化算法寻找使模型精度最高时对应的各输入参数的权重后，重新训练人工神经网络模型得到第二入口SO2浓度预测模型；将对脱硫系统入口SO2浓度的预测与机组负荷预测相结合，从历史运行数据中寻找机组负荷与入口SO2浓度的关系，建立脱硫系统入口SO2 浓度预测模型，以此来预测入口SO2浓度的变化情况，提高了脱硫系统入口SO2浓度预测精度，利用机器学习的方法，从历史运行数据中寻找机组负荷与入口SO2浓度的关系，建立脱硫系统入口SO2浓度预测模型，以此来预测入口SO2浓度的变化情况，提高了脱硫系统入口SO2浓度预测精度。
具体地，进行第一入口SO2浓度预测模型训练包括：
在建立第一入口SO2浓度预测模型时，将每个输入参数乘一个权重后进行人工神经网络建模训练。
具体地，获取历史数据包括，
从机组的SIS数据源采集各个测点所需预设时间跨度的历史数据，间隔预设时间采集包括负荷、脱硫系统入口SO2浓度数据。将采取的数据按时间顺序排列，其中数据的时间跨度和采取间隔可自定义。
具体地，数据预处理包括：
剔除异常值，针对数据中存在的一些异常值，包括数值超过正常运行的上下限和数值在一段时间内保持不变的数据。由于传感器故障或信号中断，运行数据中可能存在一些异常值；另外由于电厂内各项数据存在一定延迟，可能出现各个数据无法准确对应的情况。
具体地，设定滑动时间窗体参数，按照滑动窗体参数将队列数据划分为若干组滑动窗体，记录其中满足预设要求的历史数据，作为模型的训练样本。
其中，设定滑动时间窗体参数，按照滑动窗体参数将队列数据划分为若干组滑动窗体，记录其中满足预设要求的历史数据，作为模型的训练样本包括：
A.在序列中放置一个固定长度为δ的小窗口，通过滑动时间窗按照时间序列读取负荷数据，记为x*＝[xt,…,xt+δ-1]，其中t为滑动时间窗读中的第一个负荷数据在该段负荷历史数据中的位置；
B.计算滑动时间窗中每一个时刻点间负荷的差值将，将第i时刻前后负荷的差值记为di，其计算公式为di＝xi+1-xi，滑动时间窗内每一时刻间负荷的差值为di＝[x2-x1,…,xi+1-xi],i＝1,...,δ-1，作为负荷的变化量；
C.判断该滑动时间窗内各时刻点间负荷变化的差值是否均为正或均为负，即di>0或di<0；
D.若di>0或di<0，则记录该滑动时间窗所对应的时刻下负荷、入口SO2 浓度参数的历史数据，滑动时间窗向后移动δ个时间单位，几t＝t+δ，重复A-C步骤；若不符合di>0或di<0，则滑动时间窗向后移动1个时间单位，即t＝t+1，重复A-C步骤。
具体地，基于人工神经网络，以当前时刻机组负荷、预设时间后的机组负荷、当前时刻入口SO2浓度作为输入参数，预设时间后入口SO2浓度作为输出参数，进行第一入口SO2浓度预测模型训练包括：
当前时刻机组负荷、当前时刻入口SO2浓度为记录的每个滑动时间窗内第一个时刻的数据，即x1；一段时间后机组负荷为记录的每个滑动时间窗内最后一个时刻的负荷数据，即xi+1；
对训练样本进行归一化处理，使结果值映射到[0，1]之间，其公式如下：
Figure RE-GDA0003188748400000091
其中，Xmax为原始数据最大值；Xmin为原始数据最小值；Xi'为实测值；
为每个输入参数乘上一个权重αi，且α1+α2+...+αi＝i，其中i为输入参数个数。
具体地，以R2作为评价模型精度的指标，同时作为优化算法的适应度函数，通过优化算法寻找使模型精度最高时对应的各输入参数的权重后，重新训练人工神经网络模型得到第二入口SO2浓度预测模型包括：
以R2作为评价模型精度的指标，其中，R2为回归平方和与总离差平方和的比值，其中回归平方和为总平方和与残差平方和的差值，其公式如下：
Figure RE-GDA0003188748400000101
其中，
Figure RE-GDA0003188748400000102
为实际值；yi为预测值；
Figure RE-GDA0003188748400000103
为实际值的平均值；
以R2作为优化算法的适应度函数，通过优化算法寻找人工神经网络训练最大的R2，并得到R2最大时，各输入参数的权重αi，使用最优的α i重新对人工神经网络模型进行训练，得到精度最高的第二入口SO2浓度预测模型。
下面以一较优的实施例对本发明所述方法的有益效果进行说明：
图2是根据本发明实施例示出的较优实施方式的脱硫系统入口SO2浓度预测方法流程图；如图2所示，
1)从机组的SIS数据源采包括当前时刻机组负荷、1min后机组负荷、当前时刻入口SO2浓度测点的历史数据，时间间隔1min。
2)数据预处理。由于传感器故障或信号中断，运行数据中可能存在一些异常值；另外由于电厂内各项数据存在一定延迟，可能出现各个数据无法准确对应的情况。因此在进行数据分析前先进行数据预处理。
3)设定滑动时间窗体参数，按照滑动窗体参数将队列数据划分为若干组滑动窗体，记录其中满足相关要求的历史数据，作为模型的训练样本。其要求具体为滑动时间窗内各时刻点间负荷变化的差值均为正或均为负，即di>0/di<0。
4)以当前时刻机组负荷、1min后机组负荷、当前时刻入口SO2浓度作为输入神经网络参数，1min后入口SO2浓度作为神经网络输出参数。在建立入口SO2浓度预测模型时，为每个输入参数乘一个权重后进行人工神经网络建模训练。
5)用R2作为评价模型精度的指标，同时作为优化算法的适应度函数。通过优化算法寻找使模型精度最高时对应的各输入参数的权重后，重新训练神经网络模型。
6)最终建立脱硫系统入口SO2浓度预测，通过建立的预测模型，以及相应的负荷指令，即可获得对应负荷下的入口SO2浓度。
有益效果：
(1)该方法基于机组的历史运行数据，发挥了大数据的优势，在进行数据分析前先进行数据预处理，避免出现各个数据无法准确对应的情况。
(2)提出了一种机组动态数据提取方法，从历史数据中挖掘出建模所需的训练样本。
(3)提出了一种输入参数加权重的建模方法，将人工神经网络与优化算法相结合，提高了模型的预测精度。
基于同一发明构思，本发明实施例还提供了一种脱硫系统入口SO2浓度预测装置，可以用于实现上述实施例中所描述的方法，如下面实施例所述。由于该脱硫系统入口SO2浓度预测装置解决问题的原理与一种脱硫系统入口SO2浓度预测方法相似，因此脱硫系统入口SO2浓度预测装置的实施可以参见一种脱硫系统入口SO2浓度预测方法的实施，重复之处不再赘述。以下所使用的，术语“单元”或者“模块”可以实现预定功能的软件和/或硬件的组合。尽管以下实施例所描述的系统较佳地以软件来实现，但是硬件，或者软件和硬件的组合的实现也是可能并被构想的。
具体的，入口SO2浓度预测装置如图4所示，包括：
获取模块20，用于获取历史数据并进行预处理作为训练样本；其中，所述历史数据包括当前时刻机组负荷、预设时间后的机组负荷、当前时刻入口SO2浓度；
第一训练模块40，基于人工神经网络，以当前时刻机组负荷、预设时间后的机组负荷、当前时刻入口SO2浓度作为输入参数，预设时间后入口 SO2浓度作为输出参数，进行第一入口SO2浓度预测模型训练；在建立第一入口SO2浓度预测模型时，将每个输入参数乘一个权重后进行人工神经网络建模训练；
第二训练模块60，以R2作为评价模型精度的指标，同时作为优化算法的适应度函数，通过优化算法寻找使模型精度最高时对应的各输入参数的权重后，重新训练人工神经网络模型得到第二入口SO2浓度预测模型；
预测模块80，基于第二入口SO2浓度预测模型以及相应的负荷指令，获得对应负荷下的入口SO2浓度。
本发明实施例还提供了一种电子设备，图5示出了可以应用本发明实施例的电子设备的结构示意图，如图5所示，该计算机电子设备包括，中央处理单元(CPU)501，其可以根据存储在只读存储器(ROM)502中的程序或者从存储部分508加载到随机访问存储器(RAM)503中的程序而执行各种适当的动作和处理。在RAM 503中，还存储有系统操作所需的各种程序和数据。CPU 501、ROM 502以及RAM 503通过总线504彼此相连。输入/输出(I/O)接口505也连接至总线504。
以下部件连接至I/O接口505：包括键盘、鼠标等的输入部分506；包括诸如阴极射线管(CRT)、液晶显示器(LCD)等以及扬声器等的输出部分507；包括硬盘等的存储部分508；以及包括诸如LAN卡、调制解调器等的网络接口卡的通信部分509。通信部分509经由诸如因特网的网络执行通信处理。驱动器510也根据需要连接至I/O接口505。可拆卸介质511，诸如磁盘、光盘、磁光盘、半导体存储器等等，根据需要安装在驱动器510 上，以便于从其上读出的计算机程序根据需要被安装入存储部分508。
附图中的流程图和框图，图示了按照本发明各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分，所述模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个接连地表示的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或操作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。
本发明还提供了一种计算机可读存储介质，该计算机可读存储介质可以是上述实施例中一种脱硫系统入口SO2浓度预测装置中所包含的计算机可读存储介质；也可以是单独存在，未装配入电子设备中的计算机可读存储介质。计算机可读存储介质存储有一个或者一个以上程序，所述程序被一个或者一个以上的处理器用来执行描述于本发明的一种脱硫系统入口 SO2浓度预测方法。
最后应说明的是：以上各实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述各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，或者对其中部分或者全部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范围。

Claims (8)

1.一种脱硫系统入口SO2浓度预测方法，其特征在于，所述预测方法包括：
获取历史数据并进行预处理作为训练样本；其中，所述历史数据包括当前时刻机组负荷、预设时间后的机组负荷、当前时刻入口SO2浓度；
进行预处理的具体方法为：设定滑动时间窗体参数，按照滑动窗体参数将队列数据划分为若干组滑动窗体，记录其中满足预设要求的历史数据，作为模型的训练样本包括：
A.在序列中放置一个固定长度为δ的小窗口，通过滑动时间窗按照时间序列读取负荷数据，记为x*＝[xt,…,xt+δ-1]，其中t为滑动时间窗读中的第一个负荷数据在该段负荷历史数据中的位置；
B.计算滑动时间窗中每一个时刻点间负荷的差值，将第i时刻前后负荷的差值记为di，其计算公式为di＝xi+1-xi，滑动时间窗内每一时刻间负荷的差值为di＝[x2-x1,…,xi+1-xi],i＝1,...,δ-1，作为负荷的变化量；
C.判断该滑动时间窗内各时刻点间负荷变化的差值是否均为正或均为负，即di>0或di<0；
D.若di>0或di<0，则记录该滑动时间窗所对应的时刻下负荷、入口SO2浓度参数的历史数据，滑动时间窗向后移动δ个时间单位，即t＝t+δ，重复A-C步骤；若不符合di>0或di<0，则滑动时间窗向后移动1个时间单位，即t＝t+1，重复A-C步骤；
基于人工神经网络，以当前时刻机组负荷、预设时间后的机组负荷、当前时刻入口SO2浓度作为输入参数，预设时间后入口SO2浓度作为输出参数，进行第一入口SO2浓度预测模型训练；在建立第一入口SO2浓度预测模型时，将每个输入参数乘一个权重后进行人工神经网络建模训练；
以R2作为评价模型精度的指标，同时作为优化算法的适应度函数，通过优化算法寻找使模型精度最高时对应的各输入参数的权重后，重新训练人工神经网络模型得到第二入口SO2浓度预测模型；
基于第二入口SO2浓度预测模型以及相应的负荷指令，获得对应负荷下的入口SO2浓度。
2.根据权利要求1所述的入口SO2浓度预测方法，其特征在于，获取历史数据包括，
从机组的SIS数据源采集各个测点所需预设时间跨度的历史数据，间隔预设时间采集包括负荷、脱硫系统入口SO2浓度数据。
3.根据权利要求2所述的入口SO2浓度预测方法，其特征在于，数据预处理包括：
剔除异常值，针对数据中存在的一些异常值，包括数值超过正常运行的上下限和数值在一段时间内保持不变的数据。
4.根据权利要求1所述的入口SO2浓度预测方法，其特征在于，基于人工神经网络，以当前时刻机组负荷、预设时间后的机组负荷、当前时刻入口SO2浓度作为输入参数，预设时间后入口SO2浓度作为输出参数，进行第一入口SO2浓度预测模型训练包括：
当前时刻机组负荷、当前时刻入口SO2浓度为记录的每个滑动时间窗内第一个时刻的数据，即x1；一段时间后机组负荷为记录的每个滑动时间窗内最后一个时刻的负荷数据，即xi+1；
对训练样本进行归一化处理，使结果值映射到[0，1]之间，其公式如下：
Figure FDA0003514357970000021
其中，Xmax为原始数据最大值；Xmin为原始数据最小值；Xi′为实测值；
为每个输入参数乘上一个权重αi，且α1+α2+...+αi＝i，其中i为输入参数个数。
5.根据权利要求1所述的入口SO2浓度预测方法，其特征在于，以R2作为评价模型精度的指标，同时作为优化算法的适应度函数，通过优化算法寻找使模型精度最高时对应的各输入参数的权重后，重新训练人工神经网络模型得到第二入口SO2浓度预测模型包括：
以R2作为评价模型精度的指标，其中，R2为回归平方和与总离差平方和的比值，其中回归平方和为总平方和与残差平方和的差值，其公式如下：
Figure FDA0003514357970000031
其中，
Figure FDA0003514357970000032
为实际值；yi为预测值；
Figure FDA0003514357970000033
为实际值的平均值；
以R2作为优化算法的适应度函数，通过优化算法寻找人工神经网络训练最大的R2，并得到R2最大时，各输入参数的权重αi，使用最优的αi重新对人工神经网络模型进行训练，得到精度最高的第二入口SO2浓度预测模型。
6.一种脱硫系统入口SO2浓度预测装置包括：
获取模块，用于获取历史数据并进行预处理作为训练样本；其中，所述历史数据包括当前时刻机组负荷、预设时间后的机组负荷、当前时刻入口SO2浓度；
第一训练模块，基于人工神经网络，以当前时刻机组负荷、预设时间后的机组负荷、当前时刻入口SO2浓度作为输入参数，预设时间后入口SO2浓度作为输出参数，进行第一入口SO2浓度预测模型训练；在建立第一入口SO2浓度预测模型时，将每个输入参数乘一个权重后进行人工神经网络建模训练；
第二训练模块，以R2作为评价模型精度的指标，同时作为优化算法的适应度函数，通过优化算法寻找使模型精度最高时对应的各输入参数的权重后，重新训练人工神经网络模型得到第二入口SO2浓度预测模型；
预测模块，基于第二入口SO2浓度预测模型以及相应的负荷指令，获得对应负荷下的入口SO2浓度。
7.一种电子设备，包括：
处理器，用于存储处理器可执行指令的存储器；
其中，所述处理器通过运行所述可执行指令以实现如权利要求1-5中任一项所述的方法。
8.一种计算机可读存储介质，其上存储有计算机指令，该指令被处理器执行时实现如权利要求1-5中任一项所述方法的步骤。
CN202110769876.2A 2021-07-07 2021-07-07 一种脱硫系统入口so2浓度预测方法、装置、电子设备 Active CN113468813B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110769876.2A CN113468813B (zh) 2021-07-07 2021-07-07 一种脱硫系统入口so2浓度预测方法、装置、电子设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110769876.2A CN113468813B (zh) 2021-07-07 2021-07-07 一种脱硫系统入口so2浓度预测方法、装置、电子设备

Publications (2)

Publication Number Publication Date
CN113468813A CN113468813A (zh) 2021-10-01
CN113468813B true CN113468813B (zh) 2022-04-15

Family

ID=77879098

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110769876.2A Active CN113468813B (zh) 2021-07-07 2021-07-07 一种脱硫系统入口so2浓度预测方法、装置、电子设备

Country Status (1)

Country Link
CN (1) CN113468813B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115253652B (zh) * 2022-06-30 2023-10-24 国能龙源环保有限公司 脱硫单塔双循环自动供浆控制方法及装置

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106777465A (zh) * 2016-11-14 2017-05-31 重庆科技学院 高含硫天然气净化工艺动态演化建模与节能优化方法
CN109343367A (zh) * 2018-10-26 2019-02-15 齐鲁工业大学 一种基于神经网络预测控制烟气脱硫的方法
CN109420424A (zh) * 2017-08-22 2019-03-05 邢台国泰发电有限责任公司 一种石灰石-石膏湿法烟气脱硫系统节能优化方法
CN109948869A (zh) * 2019-04-22 2019-06-28 东南大学 基于有序聚类离散化的脱硫系统so2出口浓度预测方法
CN110189800A (zh) * 2019-05-06 2019-08-30 浙江大学 基于多粒度级联循环神经网络的炉氧含量软测量建模方法
CN110188383A (zh) * 2019-04-23 2019-08-30 华中科技大学 一种基于选择性集成模型的电站scr脱硝建模方法
WO2020088485A1 (zh) * 2018-11-02 2020-05-07 浙江大学 一种智能化多种污染物超低排放系统及全局优化方法

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20170091615A1 (en) * 2015-09-28 2017-03-30 Siemens Aktiengesellschaft System and method for predicting power plant operational parameters utilizing artificial neural network deep learning methodologies

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106777465A (zh) * 2016-11-14 2017-05-31 重庆科技学院 高含硫天然气净化工艺动态演化建模与节能优化方法
CN109420424A (zh) * 2017-08-22 2019-03-05 邢台国泰发电有限责任公司 一种石灰石-石膏湿法烟气脱硫系统节能优化方法
CN109343367A (zh) * 2018-10-26 2019-02-15 齐鲁工业大学 一种基于神经网络预测控制烟气脱硫的方法
WO2020088485A1 (zh) * 2018-11-02 2020-05-07 浙江大学 一种智能化多种污染物超低排放系统及全局优化方法
CN109948869A (zh) * 2019-04-22 2019-06-28 东南大学 基于有序聚类离散化的脱硫系统so2出口浓度预测方法
CN110188383A (zh) * 2019-04-23 2019-08-30 华中科技大学 一种基于选择性集成模型的电站scr脱硝建模方法
CN110189800A (zh) * 2019-05-06 2019-08-30 浙江大学 基于多粒度级联循环神经网络的炉氧含量软测量建模方法

Also Published As

Publication number Publication date
CN113468813A (zh) 2021-10-01

Similar Documents

Publication Publication Date Title
CN111047012A (zh) 基于深度双向长短期记忆网络的空气质量预测方法
CN112465239B (zh) 基于改进pso-fcm算法的脱硫系统运行优化方法
CN113440990A (zh) 基于emd-lstm的出口so2浓度预测方法
CN111832607B (zh) 一种基于模型剪枝的桥梁病害实时检测方法
CN113468813B (zh) 一种脱硫系统入口so2浓度预测方法、装置、电子设备
CN111292020A (zh) 一种基于随机森林的电网实时运行风险评估方法及系统
CN116688754A (zh) 船舶烟气脱硫自动控制系统及其方法
CN115239070A (zh) 一种流域水环境有机污染物监测全过程质控指标评价系统
CN117744704B (zh) 一种烟气污染源采集监测系统、方法及可读存储介质
CN113723002A (zh) 全工况下脱硫系统浆液pH值预测模型建立方法及系统
CN110222384A (zh) 一种桥梁裂缝分析方法、装置及存储介质
CN112906967A (zh) 一种脱硫系统浆液循环泵性能预测方法、装置
CN114444391A (zh) 一种基于粒子群优化的氧化风机运行优化算法
CN116258266A (zh) 一种管理环保设备的方法、系统、设备及介质
CN116247655A (zh) 一种风电出力预测方法、系统、存储介质及设备
CN112044270B (zh) 一种基于数据驱动多模型的脱硫氧化风系统控制方法
CN114139803A (zh) 一种风电场站短期功率的预测方法、系统、设备和介质
CN113935230A (zh) 基于注意力机制LSTM模型实现NOx排放量预测方法
CN112100367A (zh) 一种景区舆情预警方法及装置
CN114718525B (zh) 抽油机控制方法、计算机设备及存储介质
CN112183728B (zh) 基于深度学习的学习策略生成方法和系统
CN114781762B (zh) 一种基于寿命消耗的装备故障预测方法
CN114778648B (zh) 一种水溶液氧化还原电位值的测试系统及测量方法
CN112365065B (zh) 一种wfgd自适应在线优化调度方法
CN118152749A (zh) 一种服务器能耗预测方法、装置、设备及可读存储介质

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
GR01 Patent grant
GR01 Patent grant