CN114201915A - 一种基于时延神经网络及支持向量机的脱硫效率预测方法 - Google Patents

一种基于时延神经网络及支持向量机的脱硫效率预测方法 Download PDF

Info

Publication number
CN114201915A
CN114201915A CN202111446664.7A CN202111446664A CN114201915A CN 114201915 A CN114201915 A CN 114201915A CN 202111446664 A CN202111446664 A CN 202111446664A CN 114201915 A CN114201915 A CN 114201915A
Authority
CN
China
Prior art keywords
desulfurization efficiency
neural network
desulfurization
error
prediction 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
Application number
CN202111446664.7A
Other languages
English (en)
Inventor
薛菲
彭愿
陈超
鄢烈祥
周力
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.)
Hangu Yunzhi Wuhan Technology Co ltd
Original Assignee
Hangu Yunzhi Wuhan Technology 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 Hangu Yunzhi Wuhan Technology Co ltd filed Critical Hangu Yunzhi Wuhan Technology Co ltd
Priority to CN202111446664.7A priority Critical patent/CN114201915A/zh
Publication of CN114201915A publication Critical patent/CN114201915A/zh
Pending legal-status Critical Current

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
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
    • G06F2119/02—Reliability analysis or reliability optimisation; Failure analysis, e.g. worst case scenario performance, failure mode and effects analysis [FMEA]

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Medical Informatics (AREA)
  • Software Systems (AREA)
  • Artificial Intelligence (AREA)
  • Computer Hardware Design (AREA)
  • Geometry (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Treating Waste Gases (AREA)

Abstract

本发明属于脱硫技术领域，并具体公开了一种基于时延神经网络及支持向量机的脱硫效率预测方法。包括采集脱硫系统运行数据以及脱硫效率数据，基于神经网络结构，构建初级脱硫效率预测模型，增加初级脱硫效率预测模型的隐含层，以构建脱硫效率预测模型,计算脱硫效率预测模型反向传播误差的累计误差,将所述累计误差传输至多分类支撑向量机中，进行累计误差训练，将最优累计误差作为所述脱硫效率预测模型的下降策略，进行收敛计算，并及时调整脱硫效率预测模型的权重和阈值，使得所述脱硫效率预测模型的预测精度满足要求，获取最优脱硫效率预测模型。本发明能极大提高预测精度，具有更好鲁棒性、记忆能力、非线性映射能力以及强大的自学习能力。

Description

一种基于时延神经网络及支持向量机的脱硫效率预测方法
技术领域
本发明属于脱硫技术领域，更具体地，涉及一种基于时延神经网络及支持向量机的脱硫效率预测方法。
背景技术
虽然石灰石-石膏湿法烟气脱硫技术成熟，且在脱硫效率、运行稳定性及副产品处理方面具有较大的优势。然而其工艺流程复杂，容易堵塞管道和设备，日常运行中的能耗与物耗相对开销较大。
现有的湿法脱硫系统难以精确化控制能耗，极易造成电耗、石灰石耗量增加和SO2出口浓度剧烈波动，主要原因是由于传统的湿法脱硫系统脱硫效率大迟延和大惯性和非线性，导致其无法准确被预测从而及时调整相关运行参数。
神经网络有很强的非线性拟合能力，可映射任意复杂的非线性关系，而且学习规则简单，便于计算机实现。具有很强的鲁棒性、记忆能力、非线性映射能力以及强大的自学习能力，但是没能力来解释自己的推理过程和推理依据，结果势必是丢失信息，理论和学习算法还有待于进一步完善和提高。支持向量机(SVM)是一种有坚实理论基础的新颖的小样本学习方法，它基本上不涉及概率测度及大数定律等，因此不同于现有的统计方法。但是，SVM算法对大规模训练样本难以实施。
基于上述缺陷和不足，本领域亟需寻找合适的途径预测湿法脱硫系统脱硫效率，并以此为依据调整相应运行参数，以解决现有技术中脱硫效率无法准确被预测的问题。
发明内容
针对现有技术的以上缺陷或改进需求，本发明提供了一种基于时延神经网络及支持向量机的脱硫效率预测方法，其中结合脱硫系统自身的特征及其脱硫效率预测工艺特点，相应设计了基于时延神经网络及支持向量机的脱硫效率预测方法，其中，采用包含隐含层的时延神经网络构建脱硫效率预测模型，并计算隐藏层各神经元的累计误差，采用支持向量机对该累计误差进行迭代训练，以寻求最优解，从而克服了现有神经网络计算过程中直接通过自身阈值进行参数调整带来结果不精确或难以收敛的问题，因而能极大提高预测精度，具有更好鲁棒性、记忆能力、非线性映射能力以及强大的自学习能力，系统预测误差小于1％。将预测系统投入实际运行后，脱硫系统电耗降低5％，水和石灰石降低1％，一年综合节约成本100万以上。
为实现上述目的，本发明提出了一种基于时延神经网络及支持向量机的脱硫效率预测方法，包括以下步骤：
S1采集脱硫系统运行数据以及脱硫效率数据，对所述脱硫系统运行数据以及脱硫效率数据进行预处理；
S2基于神经网络结构，以所述脱硫系统运行数据作为脱硫效率预测模型的输入，脱硫效率数据作为脱硫效率预测模型的输出，构建初级脱硫效率预测模型，基于延时神经网络结构增加初级脱硫效率预测模型的隐含层，以构建脱硫效率预测模型；
S3计算脱硫效率预测模型反向传播误差的累计误差；
S4将所述累计误差传输至多分类支撑向量机中，进行累计误差训练，并求出最优累计误差；
S5将所述最优累计误差作为所述脱硫效率预测模型的下降策略，进行收敛计算，并及时调整脱硫效率预测模型的权重和阈值，使得所述脱硫效率预测模型的预测精度满足要求，获取最优脱硫效率预测模型；
S6采用所述最优脱硫效率预测模型进行脱硫效率预测，并输出预测结果。
作为进一步优选的，步骤S1中，所述脱硫系统运行数据包括烟气流量、负荷、液气比、PH值、液位高度以及浆液密度；
所述预处理包括对所述脱硫系统运行数据以及脱硫效率数据进行平滑、中心化以及标准化处理。
作为进一步优选的，步骤S2中，所述初级脱硫效率预测模型如下：
Figure BDA0003385003770000031
其中，每个所述脱硫系统运行数据均是包含前N个时刻的子集以及该子集对应的权重，式中，Y(t)为初级脱硫效率预测模型的输出，即脱硫效率，f为激励函数，Xi(t-d)为第i个输入层节点信息，d＝1,2,3...,N，t为时间，d为时间步长，M为时延神经元总个数，N为每个时延神经元总时长，wid为第i个输入层节点权重，bi为第i个输入层节点偏置；
所述脱硫效率预测模型如下：
Figure BDA0003385003770000032
Figure BDA0003385003770000033
式中，f为激励函数，M为输入层个数，N1和N2均为隐藏层时延步数，Yr(t)表示输出层，Hj(t)为隐含层输出，r为输出层节点，
Figure BDA0003385003770000034
表示第r个输出层节点与各隐含层节点间连接权重，j为神经元，
Figure BDA0003385003770000035
表示第r个输出层节点与各隐含层节点间连接的偏置，
Figure BDA0003385003770000036
为各隐含层节点与第i个输出层节点的连接权重，
Figure BDA0003385003770000037
为各隐含层节点与第i个输出层节点的偏置，Hj(t-d)为第i个隐含层节点信息，d＝1,2,3...,N，t为时间，d为时间步长，Xi(t-d)同上。
作为进一步优选的，步骤S3具体包括以下步骤：
S31正向的传播输入：将神经网络隐藏层或输出层的所有神经元j对应的上层神经元i的神经网络净输入向量Sj计算出来，并采用Sigmoid函数对神经网络净输入向量Sj进行处理；
S32构建神经网络的误差平方和计算模型；
S33根据所述误差平方和的链式法则对脱硫效率预测模型的权重进行求导，并采用实用选取的脱硫系统运行数据中样本所对应的目标期望输出向量来代替神经网络信息Xj，将神经网络隐藏层神经元j的反向误差向量推算出来；
S34求累计误差：累加求和隐藏层各神经元j误差向量，以获取脱硫效率预测模型反向传播误差的累计误差。
作为进一步优选的，步骤S31中，所述神经网络净输入向量Sj的计算模型如下：
Figure BDA0003385003770000041
采用Sigmoid函数对神经网络净输入向量Sj进行处理的计算模型如下：
Figure BDA0003385003770000042
步骤S32中，所述误差平方和计算模型如下：
Figure BDA0003385003770000043
步骤S33中，所述反向误差向量的计算模型如下：
Figure BDA0003385003770000044
步骤S34中，所述脱硫效率预测模型反向传播误差的累计误差模型为：
Figure BDA0003385003770000045
式中，神经网络隐藏层或输出层的所有神经元j对应的上层神经元i的神经网络净输入向量Sj计算出来，wij为神经网络隐藏层或输出层的所有神经元j对应的上层神经元i的权重，Xj为上层神经元i的信息，θi是神经网络隐藏层或输出层的所有神经元j对应的上层神经元i的偏置，Sj神经网络隐藏层或输出层的所有神经元j对应的上层神经元i的神经网络净输入向量，
Figure BDA0003385003770000051
为采用Sigmoid函数对神经网络净输入向量Sj进行处理，SSE为误差平方和，EER为反向误差向量，是SSE对权重偏导系数，Tj为神经网络隐藏层或输出层的所有神经元j期望值，EERij为神经网络隐藏层或输出层的神经元j对应的上层神经元i反向传播误差，EERj为为神经网络隐藏层或输出层的所有神经元j对应的上层神经元i反向传播误差。
作为进一步优选的，步骤S4具体包括以下步骤：
S41建立累计误差与脱硫系统运行数据的多分类支持向量机模型：
Figure BDA0003385003770000052
Figure BDA0003385003770000053
式中，αij为自变量拟合系数向量，bij为拟合常数向量，ξij为拉格朗日乘子向量，C为分类系数，
Figure BDA0003385003770000054
为样本数据从输入空间到特征空间的非线性映，X(t)为样本数据；本申请中，X(t)是烟气流量、负荷、液气比、PH值、液位高度以及浆液密度的集合，多分类支持向量机模型目标建立EERj与上述X(t)最优函数关系(最优拟合模型)，因此通过求解αij、bij、ξij在满足约束条件的前提下，得到目标表达式值最小的模型，该模型即为EERj与上述X(t)最优函数关系，得到最优拟合模型后，即可通过模型求得最优EERj；
S42将脱硫系统运行数据按照指定比例划分为训练集和验证集，将所述训练集作为所述多分类支持向量机模型的输入，所述训练集中个样本对应的累计误差作为多分类支持向量机模型的输出，对所述多分类支持向量机模型进行训练，并采用验证集验证训练后的多分类支持向量机模型，得到误差阈值满足要求的多分类支持向量机模型，采用该训练后的多分类支持向量机模型进行累计误差训练，并求出最优累计误差。
作为进一步优选的，步骤S5中，
所述收敛计算的模型为：
Figure BDA0003385003770000061
θj＝θ’j+η·ERRj
式中，wij为调整前神经网络隐藏层或输出层的所有神经元j对应的上层神经元i的权重，w′ij为调整后神经网络隐藏层或输出层的所有神经元j对应的上层神经元i的权重，η为学习率，即调整系数，θ′j为调整前神经网络隐藏层或输出层的所有神经元j对应的上层神经元i的偏置，θj为调整后神经网络隐藏层或输出层的所有神经元j对应的上层神经元i的偏置，WRRj为优化后反向误差向量，
Figure BDA0003385003770000062
为采用Sigmoid函数对神经网络净输入向量Sj进行处理；
所述最优脱硫效率预测模型为：
Figure BDA0003385003770000063
式中，Y(n+1)为下一时刻脱硫效率预测值，Y(n)为当前时刻脱硫效率当前值，wyn为n时刻脱硫系统的脱硫效率对(n+1)时刻脱硫效率的权重，wn-iO2为(n-i)时刻烟气量对(n+1)时刻脱硫效率的权重，wn-iLd为(n-i)时刻负荷对(n+1)时刻脱硫效率的权重，wn-iLy为(n-i)时刻SCR脱硝液气比对(n+1)时刻脱硫效率的权重，wn-iLa为(n-i)时刻浆液密度对(n+1)时刻脱硫效率的权重，wn-iu为(n-i)时刻液位高度对(n+1)时刻脱硫效率的权重，wn-ie为(n-i)时刻液气比对(n+1)时刻脱硫效率权重，Xn-iO2为(n-i)时刻烟气量实际值，Xn-iLd为(n-i)时刻负荷实际值，Xn-iLy为(n-i)时刻液气比实际值，Xn-iLa为(n-i)时刻浆液密度实际值，Xn-iu为(n-i)时刻液位高度实际值，Xn-ie为(n-i)时刻液气比实际值。
总体而言，通过本发明所构思的以上技术方案与现有技术相比，主要具备以下的技术优点：
1.本发明基于时延神经网络、多类支持向量机算法能够互补时延神经网络以及多类支持向量机的优缺点，适用于脱硫系统数据的大样本、非线性和大迟延和大惯性特性，多类支持向量机弥补当样本代表性差时神经网络拟合精度差的缺点。时延神经网络与多类支持向量机的结合，能极大提高预测精度，具有更好鲁棒性、记忆能力、非线性映射能力以及强大的自学习能力，系统预测误差小于1％。将预测系统投入实际运行后，脱硫系统电耗降低5％，水和石灰石降低1％，一年综合节约成本100万以上。
2.本发明将初级脱硫效率预测模型计算累计误差传输到多分类支持向量机中，进行累计误差训练，并求出最优累计误差。这一步是很关键的一步，传统神经网络通过自身阈值进行参数的调整，由于数据的多维、非线性以及样本非全局代表性，求解结果可能出现发散的结果。因此，借助多分类支持向量机的优势，对误差进行求解，有限解决上述问题。
3.本发明将隐藏层神经元的反向误差向量代表输出层梯度项，且神经网络以此作为梯度下降策略，进行收敛计算并及时调整各权重和阈值，进一步提升了调整后预测模型预测的精度。
附图说明
图1是本发明优选实施例涉及的一种基于时延神经网络及支持向量机的脱硫效率预测方法的流程图；
图2是本发明方法中涉及的脱硫系统时延网络结构图；
图3是采用传统时延神经网络预测结果示意图，其脱硫效率预测精度为98.1％；
图4是采用本发明一种基于时延神经网络及支持向量机的脱硫效率预测方法的预测结果示意图，其预测精度大于99％。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。此外，下面所描述的本发明各个实施方式中所涉及到的技术特征只要彼此之间未构成冲突就可以相互组合。
如图1所示，本发明实施例提供的一种基于时延神经网络及支持向量机的脱硫效率预测方法，包括以下步骤：
步骤一，采集脱硫系统运行数据以及脱硫效率数据，对所述脱硫系统运行数据以及脱硫效率数据进行预处理。根据体的，汇总脱硫效率、烟气流量、负荷、液气比、PH值、液位高度、浆液密度等参数数据进行预处理，数据预处理的方法包括：平滑、中心化、标准化。预处理后将数据存储备用。
步骤二，建立时延神经网络。基于神经网络结构，以所述脱硫系统运行数据作为脱硫效率预测模型的输入，脱硫效率数据作为脱硫效率预测模型的输出，构建初级脱硫效率预测模型，基于延时神经网络结构增加初级脱硫效率预测模型的隐含层，以构建脱硫效率预测模型。
更具体的，将上述数据建立时延神经网络，脱硫效率时延网络模型的输入参数为烟气流量、负荷、液气比、PH值、液位高度、浆液密度，输出参数是脱硫效率。每个输入参数均是包含前N个时刻的子集信息以及其对应的权重，其中，前N个时刻的子集可表示为Xi(t-d)，d＝1，2，...，N，权重信息可表示为(wi1,wi2,…,wiN)。该时延网络TDN输出，即所述初级脱硫效率预测模型可以由如式3-1所示。
Figure BDA0003385003770000081
其中，每个所述脱硫系统运行数据均是包含前N个时刻的子集以及该子集对应的权重，式中，Y(t)为初级脱硫效率预测模型的输出，即脱硫效率，f为激励函数，Xi(t-d)为第i个输入层节点信息，d＝1,2,3...,N，t为时间，d为时间步长，M为时延神经元总个数，N为每个时延神经元总时长，wid为第i个输入层节点权重。bi为第i个输入层节点偏置。每个输出Y(t)均由前N个时刻的时序数据共同决定。
如图2所示，当网络结构包含隐含层后，将上述初级脱硫效率预测模型转化为脱硫效率预测模型，其输入输出均与公式3-1类似，其计算公式如3-2和3-2所示：
Figure BDA0003385003770000091
Figure BDA0003385003770000092
式中，f为激励函数，M为输入层个数，N1和N2均为隐藏层时延步数，Yr(t)表示输出层，Hj(t)为隐含层输出，r为输出层节点，
Figure BDA0003385003770000093
表示第r个输出层节点与各隐含层节点间连接权重，j为神经元，
Figure BDA0003385003770000094
表示第r个输出层节点与各隐含层节点间连接的偏置，
Figure BDA0003385003770000095
为各隐含层节点与第i个输出层节点的连接权重，
Figure BDA0003385003770000096
为各隐含层节点与第i个输出层节点的偏置，Hj(t-d)为第i个隐含层节点信息，d＝1,2,3...,N，t为时间，d为时间步长。Xi(t-d)同上。
步骤三，计算时延神经网络反向传播误差的累计误差，即计算脱硫效率预测模型反向传播误差的累计误差。具体如下：
(3.1)正向的传播输入。
正向的传播输入：将神经网络隐藏层或输出层的所有神经元j对应的上层神经元i的神经网络净输入向量Sj计算出来，并采用Sigmoid函数对神经网络净输入向量Sj进行处理。将神经网络隐藏层或输出层的所有神经元j对应的上层神经元i的神经网络净输入向量Sj计算出来，Sj计算公式与公式3-1类似，由所有神经元j对应的上层神经元i的神经网络信息Xj乘以相应权重wij加上偏置θi得到，如公式3-4所示。同时，为了结果能够收敛，采用Sigmoid函数对神经元信息Sj进行处理，如公式3-5所示。
神经网络净输入向量Sj的计算模型如下：
Figure BDA0003385003770000097
采用Sigmoid函数对神经网络净输入向量Sj进行处理的计算模型如下：
Figure BDA0003385003770000101
(3.2)构建神经网络的误差平方和计算模型，计算神经网络的误差平方和，所述误差平方和计算模型如下：
Figure BDA0003385003770000102
(3.3)计算反向传播误差，即根据所述误差平方和的链式法则对脱硫效率预测模型的权重进行求导，并采用实用选取的脱硫系统运行数据中样本所对应的目标期望输出向量来代替神经网络信息Xj，将神经网络隐藏层神经元j的反向误差向量推算出来。
由于SSE是一个关于wij和θi的多项式，根据链式法则SSE对wij进行求导：
Figure BDA0003385003770000103
定义
Figure BDA0003385003770000104
则Gi为输出层梯度项。通过采用使用选取的样本x所对应的目标期望输出向量Tj替换Xj，将神经网络隐藏层神经元j的反向误差向量ERRj推算出来。其中，反向误差向量的计算模型如下：
Figure BDA0003385003770000105
(3.4)求累计误差：累加求和隐藏层各神经元j误差向量，以获取脱硫效率预测模型反向传播误差的累计误差。脱硫效率预测模型反向传播误差的累计误差模型为：
Figure BDA0003385003770000106
式中，神经网络隐藏层或输出层的所有神经元j对应的上层神经元i的神经网络净输入向量Sj计算出来，wij为神经网络隐藏层或输出层的所有神经元j对应的上层神经元i的权重，Xj为上层神经元i的信息，θi是神经网络隐藏层或输出层的所有神经元j对应的上层神经元i的偏置，Sj神经网络隐藏层或输出层的所有神经元j对应的上层神经元i的神经网络净输入向量，
Figure BDA0003385003770000111
为采用Sigmoid函数对神经网络净输入向量Sj进行处理，SSE为误差平方和，EER为反向误差向量，是SSE对权重偏导系数，Tj为神经网络隐藏层或输出层的所有神经元j期望值，EERij为神经网络隐藏层或输出层的神经元j对应的上层神经元i反向传播误差，EERj为为神经网络隐藏层或输出层的所有神经元j对应的上层神经元i反向传播误差。
步骤四，将所述累计误差传输至多分类支撑向量机中，进行累计误差训练，并求出最优累计误差。将(3.4)计算累计误差传输到多分类支持向量机中，进行累计误差训练，并求出最优累计误差。这一步是很关键的一步，传统神经网络通过自身阈值进行参数的调整，由于数据的多维、非线性以及样本非全局代表性，求解结果可能出现发散的结果。因此，借助多分类支持向量机的优势，对误差进行求解，有限解决上述问题。计算步骤如下：
(4.1)建立累计误差与脱硫系统运行数据的多分类支持向量机模型。即建立累计误差与输入参数(烟气流量、负荷、液气比、PH值、液位高度、浆液密度)多分类支持向量机模型，则优化问题变为公式3-10：
Figure BDA0003385003770000112
Figure BDA0003385003770000113
式中，αij为自变量拟合系数向量，bij为拟合常数向量，ξij为拉格朗日乘子向量，C为分类系数，
Figure BDA0003385003770000114
为样本数据从输入空间到特征空间的非线性映，X(t)为样本数据；本申请中，X(t)是烟气流量、负荷、液气比、PH值、液位高度以及浆液密度的集合，多分类支持向量机模型目标建立EERj与上述X(t)最优函数关系(最优拟合模型)，因此通过求解αij、bij、ξij在满足约束条件的前提下，得到目标表达式值最小的模型，该模型即为EERj与上述X(t)最优函数关系，得到最优拟合模型后，即可通过模型求得最优EERj。
(4.2)将脱硫系统运行数据按照指定比例划分为训练集和验证集，将所述训练集作为所述多分类支持向量机模型的输入，所述训练集中个样本对应的累计误差作为多分类支持向量机模型的输出，对所述多分类支持向量机模型进行训练，并采用验证集验证训练后的多分类支持向量机模型，得到误差阈值满足要求的多分类支持向量机模型，采用该训练后的多分类支持向量机模型进行累计误差训练，并求出最优累计误差。即，给定含N个样本的训练集X＝{X1,X2,...,XN}，类标签yn＝{y1,y2,...,yn}训练集数据共M个类。任务是找到决策函数y＝f(x)用于预测新数据的类别。其中，上标i,j表示是i类和j类之间binarySVM的参数；
Figure BDA0003385003770000122
表示输入空间到特征空间的非线性映射。
步骤五，最优误差反馈到神经网络，提高训练精度，调整参数模型。将所述最优累计误差作为所述脱硫效率预测模型的下降策略，进行收敛计算，并及时调整脱硫效率预测模型的权重和阈值，使得所述脱硫效率预测模型的预测精度满足要求，获取最优脱硫效率预测模型。
(5.1)通过步骤4求解最优ERR。由于ERRj代表具有反向误差的输出层梯度项，神经网络以此作为梯度下降策略，进行收敛计算并及时调整各权重和阈值，计算公式如3-11和3-12所示：
Figure BDA0003385003770000121
θj＝θ′j+η·ERRj (3-12)
式中，wij为调整前神经网络隐藏层或输出层的所有神经元j对应的上层神经元i的权重，w′ij为调整后神经网络隐藏层或输出层的所有神经元j对应的上层神经元i的权重，η为学习率，即调整系数。θ′j为调整前神经网络隐藏层或输出层的所有神经元j对应的上层神经元i的偏置，θj为调整后神经网络隐藏层或输出层的所有神经元j对应的上层神经元i的偏置。ERRj为优化后反向误差向量，
Figure BDA0003385003770000131
为采用Sigmoid函数对神经网络净输入向量Sj进行处理。
(5.2)迭代计算，计算预测精度，直到预测精度满足要求，输出和保存时延网络预测模型，即得到最优脱硫效率预测模型，该最优脱硫效率预测模型为：
Y(n+1)＝wynY(n)+Σ(wn-iO2Xn-iO2+wn-iLdXn-iLd+wn-iLyXn-iLy+wn-iLaXn-iLa+wn-iuXn-iu+wn- ieXn-ie)
式中，Y(n+1)为下一时刻脱硫效率预测值，Y(n)为当前时刻脱硫效率当前值，wyn为n时刻脱硫系统的脱硫效率对(n+1)时刻脱硫效率的权重，wn-iO2为(n-i)时刻烟气量对(n+1)时刻脱硫效率的权重，wn-iLd为(n-i)时刻负荷对(n+1)时刻脱硫效率的权重，wn-iLy为(n-i)时刻SCR脱硝液气比对(n+1)时刻脱硫效率的权重，wn-iLa为(n-i)时刻浆液密度对(n+1)时刻脱硫效率的权重，wn-iu为(n-i)时刻液位高度对(n+1)时刻脱硫效率的权重，wn-ie为(n-i)时刻液气比对(n+1)时刻脱硫效率权重，Xn-iO2为(n-i)时刻烟气量实际值，Xn-iLd为(n-i)时刻负荷实际值，Xn-iLy为(n-i)时刻液气比实际值，Xn-iLa为(n-i)时刻浆液密度实际值，Xn-iu为(n-i)时刻液位高度实际值，Xn-ie为(n-i)时刻液气比实际值。
步骤六，采用所述最优脱硫效率预测模型进行脱硫效率预测，并输出预测结果。采用传统时延神经网络进行预测，脱硫效率预测精度为98.1％，如图3所示。而通过构建时延神经网络+多分类支持向量机的脱硫效率预测办法，能够极大提高预测精度，预测精度大于99％，如图4所示。如图3和4结果表明时延神经网络+多分类支持向量机的脱硫效率预测对传统时延神经网络能进行良好的改进，提高预测精度，能够较好应用到实际电厂中，指导运行操作，达到节能减排的效果。
本领域的技术人员容易理解，以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。

Claims (8)

1.一种基于时延神经网络及支持向量机的脱硫效率预测方法，其特征在于，包括以下步骤：
S1采集脱硫系统运行数据以及脱硫效率数据，对所述脱硫系统运行数据以及脱硫效率数据进行预处理；
S2基于神经网络结构，以所述脱硫系统运行数据作为脱硫效率预测模型的输入，脱硫效率数据作为脱硫效率预测模型的输出，构建初级脱硫效率预测模型，基于延时神经网络结构增加初级脱硫效率预测模型的隐含层，以构建脱硫效率预测模型；
S3计算脱硫效率预测模型反向传播误差的累计误差；
S4将所述累计误差传输至多分类支撑向量机中，进行累计误差训练，并求出最优累计误差；
S5将所述最优累计误差作为所述脱硫效率预测模型的下降策略，进行收敛计算，并及时调整脱硫效率预测模型的权重和阈值，使得所述脱硫效率预测模型的预测精度满足要求，获取最优脱硫效率预测模型；
S6采用所述最优脱硫效率预测模型进行脱硫效率预测，并输出预测结果。
2.根据权利要求1所述的一种基于时延神经网络及支持向量机的脱硫效率预测方法，其特征在于，步骤S1中，所述脱硫系统运行数据包括烟气流量、负荷、液气比、PH值、液位高度以及浆液密度；
所述预处理包括对所述脱硫系统运行数据以及脱硫效率数据进行平滑、中心化以及标准化处理。
3.根据权利要求1所述的一种基于时延神经网络及支持向量机的脱硫效率预测方法，其特征在于，步骤S2中，所述初级脱硫效率预测模型如下：
Figure FDA0003385003760000021
其中，每个所述脱硫系统运行数据均是包含前N个时刻的子集以及该子集对应的权重，式中，Y(t)为初级脱硫效率预测模型的输出，即脱硫效率，f为激励函数，Xi(t-d)为第i个输入层节点信息，d＝1,2,3...,N，t为时间，d为时间步长，M为时延神经元总个数，N为每个时延神经元总时长，wid为第i个输入层节点权重，bi为第i个输入层节点偏置；
所述脱硫效率预测模型如下：
Figure FDA0003385003760000022
Figure FDA0003385003760000023
式中，f为激励函数，M为输入层个数，N1和N2均为隐藏层时延步数，Yr(t)表示输出层，Hj(t)为隐含层输出，r为输出层节点，
Figure FDA0003385003760000024
表示第r个输出层节点与各隐含层节点间连接权重，
Figure FDA0003385003760000025
表示第r个输出层节点与各隐含层节点间连接的偏置，
Figure FDA0003385003760000026
为各隐含层节点与第i个输出层节点的连接权重，
Figure FDA0003385003760000027
为各隐含层节点与第i个输出层节点的偏置，Hj(t-d)为第i个隐含层节点信息，d＝1,2,3...,N，t为时间，d为时间步长。
4.根据权利要求1所述的一种基于时延神经网络及支持向量机的脱硫效率预测方法，其特征在于，步骤S3具体包括以下步骤：
S31正向的传播输入：将神经网络隐藏层或输出层的所有神经元j对应的上层神经元i的神经网络净输入向量Sj计算出来，并采用Sigmoid函数对神经网络净输入向量Sj进行处理；
S32构建神经网络的误差平方和计算模型；
S33根据所述误差平方和的链式法则对脱硫效率预测模型的权重进行求导，并采用实用选取的脱硫系统运行数据中样本所对应的目标期望输出向量来代替神经网络信息Xj，将神经网络隐藏层神经元j的反向误差向量推算出来；
S34求累计误差：累加求和隐藏层各神经元j误差向量，以获取脱硫效率预测模型反向传播误差的累计误差。
5.根据权利要求4所述的一种基于时延神经网络及支持向量机的脱硫效率预测方法，其特征在于，步骤S31中，所述神经网络净输入向量Sj的计算模型如下：
Figure FDA0003385003760000031
采用Sigmoid函数对神经网络净输入向量Sj进行处理的计算模型如下：
Figure FDA0003385003760000032
步骤S32中，所述误差平方和计算模型如下：
Figure FDA0003385003760000033
步骤S33中，所述反向误差向量的计算模型如下：
Figure FDA0003385003760000034
步骤S34中，所述脱硫效率预测模型反向传播误差的累计误差模型为：
Figure FDA0003385003760000035
式中，神经网络隐藏层或输出层的所有神经元j对应的上层神经元i的神经网络净输入向量Sj计算出来，wij为神经网络隐藏层或输出层的所有神经元j对应的上层神经元i的权重，Xj为上层神经元i的信息，θi是神经网络隐藏层或输出层的所有神经元j对应的上层神经元i的偏置，Sj神经网络隐藏层或输出层的所有神经元j对应的上层神经元i的神经网络净输入向量，
Figure FDA0003385003760000036
为采用Sigmoid函数对神经网络净输入向量Sj进行处理，SSE为误差平方和，EER为反向误差向量，是SSE对权重偏导系数，Tj为神经网络隐藏层或输出层的所有神经元j期望值，EERij为神经网络隐藏层或输出层的神经元j对应的上层神经元i反向传播误差，EERj为为神经网络隐藏层或输出层的所有神经元j对应的上层神经元i反向传播误差。
6.根据权利要求1所述的一种基于时延神经网络及支持向量机的脱硫效率预测方法，其特征在于，步骤S4具体包括以下步骤：
S41建立累计误差与脱硫系统运行数据的多分类支持向量机模型：
Figure FDA0003385003760000041
Figure FDA0003385003760000042
式中，αij为自变量拟合系数向量，bij为拟合常数向量，ξij为拉格朗日乘子向量，C为分类系数，
Figure FDA0003385003760000043
为样本数据从输入空间到特征空间的非线性映，X(t)为样本数据；
S42将脱硫系统运行数据按照指定比例划分为训练集和验证集，将所述训练集作为所述多分类支持向量机模型的输入，所述训练集中个样本对应的累计误差作为多分类支持向量机模型的输出，对所述多分类支持向量机模型进行训练，并采用验证集验证训练后的多分类支持向量机模型，得到误差阈值满足要求的多分类支持向量机模型，采用该训练后的多分类支持向量机模型进行累计误差训练，并求出最优累计误差。
7.根据权利要求1所述的一种基于时延神经网络及支持向量机的脱硫效率预测方法，其特征在于，步骤S5中，
所述收敛计算的模型为：
Figure FDA0003385003760000044
θj＝θ′j+η·ERRj
式中，wij为调整前神经网络隐藏层或输出层的所有神经元j对应的上层神经元i的权重，w′ij为调整后神经网络隐藏层或输出层的所有神经元j对应的上层神经元i的权重，η为学习率，即调整系数，θ′j为调整前神经网络隐藏层或输出层的所有神经元j对应的上层神经元i的偏置，θj为调整后神经网络隐藏层或输出层的所有神经元j对应的上层神经元i的偏置，ERRj为优化后反向误差向量，
Figure FDA0003385003760000051
为采用Sigmoid函数对神经网络净输入向量Sj进行处理。
8.根据权利要求7所述的一种基于时延神经网络及支持向量机的脱硫效率预测方法，其特征在于，步骤S5中，所述最优脱硫效率预测模型为：
Y(n+1)＝wynY(n)+∑(wn-iO2Xn-iO2+wn-iLdXn-iLd+wn-iLyXn-iLy+wn-iLaXn-iLa+wn-iuXn-iu+wn-ieXn-ie)
式中，Y(n+1)为下一时刻脱硫效率预测值，Y(n)为当前时刻脱硫效率当前值，wyn为n时刻脱硫系统的脱硫效率对(n+1)时刻脱硫效率的权重，wn-iO2为(n-i)时刻烟气量对(n+1)时刻脱硫效率的权重，wn-iLd为(n-i)时刻负荷对(n+1)时刻脱硫效率的权重，wn-iLy为(n-i)时刻SCR脱硝液气比对(n+1)时刻脱硫效率的权重，wn-iLa为(n-i)时刻浆液密度对(n+1)时刻脱硫效率的权重，wn-iu为(n-i)时刻液位高度对(n+1)时刻脱硫效率的权重，wn-ie为(n-i)时刻液气比对(n+1)时刻脱硫效率权重，Xn-iO2为(n-i)时刻烟气量实际值，Xn-iLd为(n-i)时刻负荷实际值，Xn-iLy为(n-i)时刻液气比实际值，Xn-iLa为(n-i)时刻浆液密度实际值，Xn-iu为(n-i)时刻液位高度实际值，Xn-ie为(n-i)时刻液气比实际值。
CN202111446664.7A 2021-11-30 2021-11-30 一种基于时延神经网络及支持向量机的脱硫效率预测方法 Pending CN114201915A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111446664.7A CN114201915A (zh) 2021-11-30 2021-11-30 一种基于时延神经网络及支持向量机的脱硫效率预测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111446664.7A CN114201915A (zh) 2021-11-30 2021-11-30 一种基于时延神经网络及支持向量机的脱硫效率预测方法

Publications (1)

Publication Number Publication Date
CN114201915A true CN114201915A (zh) 2022-03-18

Family

ID=80649806

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111446664.7A Pending CN114201915A (zh) 2021-11-30 2021-11-30 一种基于时延神经网络及支持向量机的脱硫效率预测方法

Country Status (1)

Country Link
CN (1) CN114201915A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115094193A (zh) * 2022-06-27 2022-09-23 中冶华天南京工程技术有限公司 一种基于数据挖掘的铁水预处理脱硫智能系统
CN116300410A (zh) * 2023-05-25 2023-06-23 武汉理工大学 数据驱动前馈加反馈补偿的转角优化方法及系统

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115094193A (zh) * 2022-06-27 2022-09-23 中冶华天南京工程技术有限公司 一种基于数据挖掘的铁水预处理脱硫智能系统
CN116300410A (zh) * 2023-05-25 2023-06-23 武汉理工大学 数据驱动前馈加反馈补偿的转角优化方法及系统
CN116300410B (zh) * 2023-05-25 2023-08-22 武汉理工大学 数据驱动前馈加反馈补偿的转角优化方法及系统

Similar Documents

Publication Publication Date Title
CN106600059B (zh) 基于改进rbf神经网络的智能电网短期负荷预测方法
Ch et al. Streamflow forecasting by SVM with quantum behaved particle swarm optimization
CN109142171B (zh) 基于特征扩张的融合神经网络的城市pm10浓度预测方法
Liu et al. Deriving reservoir operation rule based on Bayesian deep learning method considering multiple uncertainties
CN114201915A (zh) 一种基于时延神经网络及支持向量机的脱硫效率预测方法
CN103105246A (zh) 一种基于遗传算法改进的bp神经网络的温室环境预测反馈方法
TW201820174A (zh) 整體式學習預測裝置與方法、以及非暫存電腦可讀的儲存媒介
CN110837915B (zh) 一种基于混合集成深度学习的电力系统低压负荷点预测及概率预测方法
CN116307652A (zh) 一种智能电网人工智能资源分配方法
CN109670625A (zh) 基于无迹卡尔曼滤波最小二乘支持向量机的NOx排放浓度预测方法
CN115186803A (zh) 一种考虑pue的数据中心算力负荷需求组合预测方法和系统
CN111008790A (zh) 一种水电站群发电调度规则提取方法
Zou et al. Deep non-crossing probabilistic wind speed forecasting with multi-scale features
CN117035201A (zh) 平原河网水工程集群多目标调度规则制定方法及系统
Wei et al. K-NN based neuro-fuzzy system for time series prediction
Li et al. A novel combined forecasting system based on advanced optimization algorithm-A study on optimal interval prediction of wind speed
CN114818487A (zh) 一种基于pso-bp神经网络的天然气湿气管道持液率预测模型方法
CN105809272A (zh) 一种基于数据挖掘的梯级水电站群指令调度优化方法
CN111476437A (zh) 一种光伏发电功率超短期区间预测的方法及设备
Ghasabehi et al. Multi-objective optimization of two-phase flow in the proton exchange membrane fuel cells based on a data driven surrogate model
Gao et al. Establishment of economic forecasting model of high-tech industry based on genetic optimization neural network
CN115879361A (zh) 一种一次设备运维检修调试费用智能确定方法
Chuentawat et al. The forecast of PM10 pollutant by using a hybrid model
Vila et al. Predictive neuro-control of uncertain systems: design and use of a neuro-optimizer
Wica et al. Weather forecasting system with the use of neural network and backpropagation 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