CN115392437A - 基于机器学习的烟气控制方法、装置、设备及存储介质 - Google Patents

基于机器学习的烟气控制方法、装置、设备及存储介质 Download PDF

Info

Publication number
CN115392437A
CN115392437A CN202211060624.3A CN202211060624A CN115392437A CN 115392437 A CN115392437 A CN 115392437A CN 202211060624 A CN202211060624 A CN 202211060624A CN 115392437 A CN115392437 A CN 115392437A
Authority
CN
China
Prior art keywords
value
model
nitrogen oxide
ammonia water
parameter 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.)
Pending
Application number
CN202211060624.3A
Other languages
English (en)
Inventor
陈联宏
钟日钢
许洪滨
刘小娟
赖昊明
李松军
冉从华
王超
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.)
Shenzhen Energy and Environmental Protection Co Ltd
Original Assignee
Shenzhen Energy and Environmental Protection 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 Shenzhen Energy and Environmental Protection Co Ltd filed Critical Shenzhen Energy and Environmental Protection Co Ltd
Priority to CN202211060624.3A priority Critical patent/CN115392437A/zh
Publication of CN115392437A publication Critical patent/CN115392437A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B11/00—Automatic controllers
    • G05B11/01—Automatic controllers electric
    • G05B11/36—Automatic controllers electric with provision for obtaining particular characteristics, e.g. proportional, integral, differential
    • G05B11/42—Automatic controllers electric with provision for obtaining particular characteristics, e.g. proportional, integral, differential for obtaining a characteristic which is both proportional and time-dependent, e.g. P. I., P. I. D.
    • 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
    • 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
    • G06Q50/10—Services
    • G06Q50/26—Government or public services

Landscapes

  • Business, Economics & Management (AREA)
  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Economics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Human Resources & Organizations (AREA)
  • Strategic Management (AREA)
  • Health & Medical Sciences (AREA)
  • Tourism & Hospitality (AREA)
  • General Health & Medical Sciences (AREA)
  • Marketing (AREA)
  • General Business, Economics & Management (AREA)
  • Primary Health Care (AREA)
  • Development Economics (AREA)
  • Operations Research (AREA)
  • Evolutionary Computation (AREA)
  • Quality & Reliability (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Game Theory and Decision Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Educational Administration (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Public Health (AREA)
  • Water Supply & Treatment (AREA)
  • Automation & Control Theory (AREA)
  • Feedback Control In General (AREA)
  • Incineration Of Waste (AREA)

Abstract

本发明涉及人工智能领域，公开了一种基于机器学习的烟气控制方法、装置、设备及存储介质，用于精准的控制氨水的输出量。所述方法包括：将实际参数数据输入氮氧化物预测模型进行氮氧化物预测，得到第一氮氧化物预测值；获取第一氮氧化物值和第二氮氧化物值以及历史氨水流量；根据第一氮氧化物值、第二氮氧化物值、第一氮氧化物预测值和历史氨水流量对线性回归模型进行模型训练，并对氨水输出值设置PID参数，得到氨水控制量计算模型；获取目标参数数据，将目标参数数据输入氮氧化物预测模型进行氮氧化物预测，得到第二氮氧化物预测值，并将第二氮氧化物预测值输入氨水控制量计算模型进行氨水量计算，生成目标氨水值。

Description

基于机器学习的烟气控制方法、装置、设备及存储介质
技术领域
本发明涉及人工智能领域，尤其涉及一种基于机器学习的烟气控制方法、装置、设备及存储介质。
背景技术
用焚烧垃圾的方法发电，化废为宝，达到社会资源的可持续发展。在处理垃圾焚烧时产生的氮氧化物气体时，为降低超标风险，环保生产物料的投放量均以最大开度，存在很大的物料浪费。
现有方案在控制过程中存在物料投放过多，当前端氮氧化物过高时，当前控制不能快速跟踪控制投放，存在SCR后氮氧化物短期超标现象，当前端氮氧化物过低时，当前控制不能快速降低投放物料，导致SCR后的氮氧化物排放出现极低值，即现有方案的氨水量控制不准确。
发明内容
本发明提供了一种基于机器学习的烟气控制方法、装置、设备及存储介质，用于精准的控制氨水的输出量。
本发明第一方面提供了一种基于机器学习的烟气控制方法，所述基于机器学习的烟气控制方法包括：基于垃圾焚烧发电系统中预设的多个传感器采集在垃圾发电过程中的多个参数数据，并根据所述多个参数数据对预置的深度神经网络模型进行模型训练，得到氮氧化物预测模型；获取待预测的实际参数数据，并将所述实际参数数据输入所述氮氧化物预测模型进行氮氧化物预测，得到第一氮氧化物预测值；获取所述垃圾焚烧发电系统在选择性催化还原之前的第一氮氧化物值和在选择性催化还原之后的第二氮氧化物值，以及获取所述垃圾焚烧发电系统的历史氨水流量；根据所述第一氮氧化物值、所述第二氮氧化物值、所述第一氮氧化物预测值和所述历史氨水流量对预置的多元线性回归模型进行模型训练，并设置所述多元线性回归模型的PID参数，得到氨水控制量计算模型；获取所述垃圾焚烧发电系统待处理的目标参数数据，将所述目标参数数据输入所述氮氧化物预测模型进行氮氧化物预测，得到第二氮氧化物预测值，并将所述第二氮氧化物预测值输入所述氨水控制量计算模型进行氨水量计算，并按照预设输出频率生成目标氨水值。
可选的，在本发明第一方面的第一种实现方式中，所述基于机器学习的烟气控制方法还包括：对所述多个参数数据进行特征参数提取，得到多个特征参数；对所述多个特征参数进行时间相关性分析，得到多个时间相关性参数；将所述多个时间相关性参数作为所述深度神经网络模型的第一输入特征。
可选的，在本发明第一方面的第二种实现方式中，所述基于机器学习的烟气控制方法还包括：获取多个待预测时刻的测试参数数据，以及获取所述测试参数数据对应的氮氧化物实际值；根据所述测试参数数据生成所述待预测时刻对应的第二输入特征；将所述第二输入特征输入所述深度神经网络模型进行计算，得到氮氧化物测试值；根据所述氮氧化物实际值和所述氮氧化物测试值对所述深度神经网络模型进行模型优化，得到优化后的深度神经网络模型；将所述优化后的深度神经网络模型作为所述氮氧化物预测模型。
可选的，在本发明第一方面的第三种实现方式中，所述根据所述第一氮氧化物值、所述第二氮氧化物值、所述第一氮氧化物预测值和所述历史氨水流量对预置的多元线性回归模型进行模型训练，并设置所述多元线性回归模型的PID参数，得到氨水控制量计算模型，包括：基于所述第一氮氧化物值、所述第二氮氧化物值和所述第一氮氧化物预测值生成特征训练向量；将所述特征训练向量和所述历史氨水流量输入预置的多元线性回归模型进行模型训练，得到初始模型；设置所述初始模型的PID参数，得到氨水控制量计算模型。
可选的，在本发明第一方面的第四种实现方式中，所述将所述特征训练向量和所述历史氨水流量输入预置的多元线性回归模型进行模型训练，得到初始模型，包括：将所述特征训练向量输入预置的多元线性回归模型进行模型训练，得到氨水训练值；通过所述历史氨水流量和所述氨水训练值对所述多元线性回归模型进行多轮模型训练，生成初始模型。
可选的，在本发明第一方面的第五种实现方式中，所述设置所述初始模型的PID参数，得到氨水控制量计算模型，包括：设置所述初始模型的PID参数，其中，所述PID参数包括：输出目标值和积分时长；根据所述积分时长和所述输出目标值计算积分值；根据所述积分值生成氨水控制量计算模型。
可选的，在本发明第一方面的第六种实现方式中，所述基于机器学习的烟气控制方法还包括：若所述垃圾焚烧发电系统处于维护期间，则将所述氨水控制量计算模型切换至模糊控制模式；当所述氨水控制量计算模型处于模糊控制模式时，在所述模糊控制模式下不设置所述氨水控制量计算模型的PID参数，并控制所述氨水控制量计算模型按照所述输出频率生成目标氨水值。
本发明第二方面提供了一种基于机器学习的烟气控制装置，所述基于机器学习的烟气控制装置包括：采集模块，用于基于垃圾焚烧发电系统中预设的多个传感器采集在垃圾发电过程中的多个参数数据，并根据所述多个参数数据对预置的深度神经网络模型进行模型训练，得到氮氧化物预测模型；预测模块，用于获取待预测的实际参数数据，并将所述实际参数数据输入所述氮氧化物预测模型进行氮氧化物预测，得到第一氮氧化物预测值；获取模块，用于获取所述垃圾焚烧发电系统在选择性催化还原之前的第一氮氧化物值和在选择性催化还原之后的第二氮氧化物值，以及获取所述垃圾焚烧发电系统的历史氨水流量；训练模块，用于根据所述第一氮氧化物值、所述第二氮氧化物值、所述第一氮氧化物预测值和所述历史氨水流量对预置的多元线性回归模型进行模型训练，并设置所述多元线性回归模型的PID参数，得到氨水控制量计算模型；生成模块，用于获取所述垃圾焚烧发电系统待处理的目标参数数据，将所述目标参数数据输入所述氮氧化物预测模型进行氮氧化物预测，得到第二氮氧化物预测值，并将所述第二氮氧化物预测值输入所述氨水控制量计算模型进行氨水量计算，并按照预设输出频率生成目标氨水值。
可选的，在本发明第二方面的第一种实现方式中，所述基于机器学习的烟气控制装置还包括：分析模块，用于对所述多个参数数据进行特征参数提取，得到多个特征参数；对所述多个特征参数进行时间相关性分析，得到多个时间相关性参数；将所述多个时间相关性参数作为所述深度神经网络模型的第一输入特征。
可选的，在本发明第二方面的第二种实现方式中，所述基于机器学习的烟气控制装置还包括：优化模块，用于获取多个待预测时刻的测试参数数据，以及获取所述测试参数数据对应的氮氧化物实际值；根据所述测试参数数据生成所述待预测时刻对应的第二输入特征；将所述第二输入特征输入所述深度神经网络模型进行计算，得到氮氧化物测试值；根据所述氮氧化物实际值和所述氮氧化物测试值对所述深度神经网络模型进行模型优化，得到优化后的深度神经网络模型；将所述优化后的深度神经网络模型作为所述氮氧化物预测模型。
可选的，在本发明第二方面的第三种实现方式中，所述训练模块还包括：生成单元，用于基于所述第一氮氧化物值、所述第二氮氧化物值和所述第一氮氧化物预测值生成特征训练向量；训练单元，用于将所述特征训练向量和所述历史氨水流量输入预置的多元线性回归模型进行模型训练，得到初始模型；设置单元，用于设置所述初始模型的PID参数，得到氨水控制量计算模型。
可选的，在本发明第二方面的第四种实现方式中，所述训练单元具体用于：将所述特征训练向量输入预置的多元线性回归模型进行模型训练，得到氨水训练值；通过所述历史氨水流量和所述氨水训练值对所述多元线性回归模型进行多轮模型训练，生成初始模型。
可选的，在本发明第二方面的第五种实现方式中，所述设置单元具体用于：设置所述初始模型的PID参数，其中，所述PID参数包括：输出目标值和积分时长；根据所述积分时长和所述输出目标值计算积分值；根据所述积分值生成氨水控制量计算模型。
可选的，在本发明第二方面的第六种实现方式中，所述基于机器学习的烟气控制装置还包括：控制模块，用于若所述垃圾焚烧发电系统处于维护期间，则将所述氨水控制量计算模型切换至模糊控制模式；当所述氨水控制量计算模型处于模糊控制模式时，在所述模糊控制模式下不设置所述氨水控制量计算模型的PID参数，并控制所述氨水控制量计算模型按照所述输出频率生成目标氨水值。
本发明第三方面提供了一种基于机器学习的烟气控制设备，包括：存储器和至少一个处理器，所述存储器中存储有指令；所述至少一个处理器调用所述存储器中的所述指令，以使得所述基于机器学习的烟气控制设备执行上述的基于机器学习的烟气控制方法。
本发明的第四方面提供了一种计算机可读存储介质，所述计算机可读存储介质中存储有指令，当其在计算机上运行时，使得计算机执行上述的基于机器学习的烟气控制方法。
本发明提供的技术方案中，基于垃圾焚烧发电系统中预设的多个传感器采集在垃圾发电过程中的多个参数数据，并根据所述多个参数数据对预置的深度神经网络模型进行模型训练，得到氮氧化物预测模型；获取待预测的实际参数数据，并将所述实际参数数据输入所述氮氧化物预测模型进行氮氧化物预测，得到第一氮氧化物预测值；获取所述垃圾焚烧发电系统在选择性催化还原之前的第一氮氧化物值和在选择性催化还原之后的第二氮氧化物值，以及获取所述垃圾焚烧发电系统的历史氨水流量；根据所述第一氮氧化物值、所述第二氮氧化物值、所述第一氮氧化物预测值和所述历史氨水流量对预置的多元线性回归模型进行模型训练，并设置所述多元线性回归模型的PID参数，得到氨水控制量计算模型；获取所述垃圾焚烧发电系统待处理的目标参数数据，将所述目标参数数据输入所述氮氧化物预测模型进行氮氧化物预测，得到第二氮氧化物预测值，并将所述第二氮氧化物预测值输入所述氨水控制量计算模型进行氨水量计算，并按照预设输出频率生成目标氨水值。本发明利用人工智能分析算法，完成对生产工艺参数的数据整理、建模与分析，实现对环保排放指标的控制，PID控制具有原理简单，鲁棒性强和实用面广等优点，对多元线性回归的建议值，采用PID控制调控，模型综合考虑当前的控制效果，历史的控制效果来优化整体模型的控制输出，能够更精准的控制氨水的输出量。
附图说明
图1为本发明实施例中基于机器学习的烟气控制方法的一个实施例示意图；
图2为本发明实施例中基于机器学习的烟气控制方法的另一个实施例示意图；
图3为本发明实施例中基于机器学习的烟气控制装置的一个实施例示意图；
图4为本发明实施例中基于机器学习的烟气控制装置的另一个实施例示意图；
图5为本发明实施例中基于机器学习的烟气控制设备的一个实施例示意图。
具体实施方式
本发明实施例提供了一种基于机器学习的烟气控制方法、装置、设备及存储介质，用于精准的控制氨水的输出量。本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”、“第三”、“第四”等（如果存在）是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的实施例能够以除了在这里图示或描述的内容以外的顺序实施。此外，术语“包括”或“具有”及其任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
为便于理解，下面对本发明实施例的具体流程进行描述，请参阅图1，本发明实施例中基于机器学习的烟气控制方法的一个实施例包括：
101、基于垃圾焚烧发电系统中预设的多个传感器采集在垃圾发电过程中的多个参数数据，并根据多个参数数据对预置的深度神经网络模型进行模型训练，得到氮氧化物预测模型；
可以理解的是，本发明的执行主体可以为基于机器学习的烟气控制装置，还可以是终端或者服务器，具体此处不做限定。本发明实施例以服务器为执行主体为例进行说明。
需要说明的是，本发明实施例中，采用深度神经网络作为NOX预测的模型，深度神经网络模型又成为“长短期记忆网络”，CNN等传统神经网络的局限在于：将固定大小的向量作为输入然后输出一个固定大小的向量（比如不同分类的概率），这样的神经网络没有持久性。而RNN/LSTM是包含循环的网络，可以把信息从上一步传递到下一步。所有的RNN都具有一种重复神经网络模块的链式形式，具体的，服务器基于垃圾焚烧发电系统中预设的多个传感器采集在垃圾发电过程中的多个参数数据，并根据多个参数数据对预置的深度神经网络模型进行模型训练，得到氮氧化物预测模型，可基于大量历史数据进行训练，并可对多个指标进行预测建模分析，提升对氮氧化物分析的准确率。
102、获取待预测的实际参数数据，并将实际参数数据输入氮氧化物预测模型进行氮氧化物预测，得到第一氮氧化物预测值；
具体的，服务器通过在垃圾焚烧发电系统中安装多台传感器，对垃圾发电过程中的焚烧炉工艺参数、一二次风系统参数，SNCR工艺参数、SCR工艺参数进行测量，共包括240个测量值，测量值每秒更新一次，当服务器获取待预测的实际参数数据，并将实际参数数据输入氮氧化物预测模型进行氮氧化物预测，得到第一氮氧化物预测值。进一步地，本发明中的氮氧化物预测模型不仅限于预测氮氧化物值，还可以用于HCL和SO2等酸性气体的预测。
103、获取垃圾焚烧发电系统在选择性催化还原之前的第一氮氧化物值和在选择性催化还原之后的第二氮氧化物值，以及获取垃圾焚烧发电系统的历史氨水流量；
需要说明的是，选择性催化还原法（Selective Catalytic Reduction，SCR）是指在催化剂的作用下，利用还原剂（如NH3、液氨、尿素）来“有选择性”地与烟气中的NOX反应并生成无毒无污染的N2和H2O。本发明实施例中，服务器通过获取垃圾焚烧发电系统在选择性催化还原之前的第一氮氧化物值和在选择性催化还原之后的第二氮氧化物值，并根据预置的传感器获取垃圾焚烧发电系统的历史氨水流量，以便于后续通过上述第一氮氧化物值、第二氮氧化物值及历史氨水流量进行模型训练，提升在模型训练时数据的准确度。
104、根据第一氮氧化物值、第二氮氧化物值、第一氮氧化物预测值和历史氨水流量对预置的多元线性回归模型进行模型训练，并设置多元线性回归模型的PID参数，得到氨水控制量计算模型；
需要说明的是，服务器根据多指标建立时间序列预测模型，需同时从专家经验角度数据分析特征工程角度来选择用于预测的合适的特征，去除冗余特征。通过专家经验，将特征与生产流程的相对应，选取焚烧炉工艺参数、一二次风系统参数，SNCR工艺参数、SCR工艺参数，去除特征中的布袋除尘工艺参数、石灰浆制备工艺数据、干法工艺数据。选取188个参数，去除无关参数52个。通过特征工程，选取时间相关性特征，共选出17个特征作为模型输入特征，具体的，服务器根据第一氮氧化物值、第二氮氧化物值、第一氮氧化物预测值和历史氨水流量对预置的多元线性回归模型进行模型训练，并设置多元线性回归模型的PID参数，得到氨水控制量计算模型。
105、获取垃圾焚烧发电系统待处理的目标参数数据，将目标参数数据输入氮氧化物预测模型进行氮氧化物预测，得到第二氮氧化物预测值，并将第二氮氧化物预测值输入氨水控制量计算模型进行氨水量计算，并按照预设输出频率生成目标氨水值。
具体的，服务器将训练好的氮氧化物预测模型应用到垃圾焚烧系统中，每秒输出1次氨水控制建议值，在CEMS系统维护期间，模型将切换到模糊控制，在模糊控制模式下，SCR后NOX不作为模型输入特征,同时不加入步骤(11)的PID控制模型。模型每秒输出1次氨水控制建议值，进而将目标参数数据输入氮氧化物预测模型进行氮氧化物预测，得到第二氮氧化物预测值，并将第二氮氧化物预测值输入氨水控制量计算模型进行氨水量计算，并按照预设输出频率生成目标氨水值，对多元线性回归的建议值，采用PID控制调控，模型综合考虑当前的控制效果，历史的控制效果来优化整体模型的控制输出，能够更精准的控制氨水的输出量，输出频率最快可达500ms。
本发明实施例中，基于垃圾焚烧发电系统中预设的多个传感器采集在垃圾发电过程中的多个参数数据，并根据多个参数数据对预置的深度神经网络模型进行模型训练，得到氮氧化物预测模型；获取待预测的实际参数数据，并将实际参数数据输入氮氧化物预测模型进行氮氧化物预测，得到第一氮氧化物预测值；获取垃圾焚烧发电系统在选择性催化还原之前的第一氮氧化物值和在选择性催化还原之后的第二氮氧化物值，以及获取垃圾焚烧发电系统的历史氨水流量；根据第一氮氧化物值、第二氮氧化物值、第一氮氧化物预测值和历史氨水流量对预置的多元线性回归模型进行模型训练，并设置多元线性回归模型的PID参数，得到氨水控制量计算模型；获取垃圾焚烧发电系统待处理的目标参数数据，将目标参数数据输入氮氧化物预测模型进行氮氧化物预测，得到第二氮氧化物预测值，并将第二氮氧化物预测值输入氨水控制量计算模型进行氨水量计算，并按照预设输出频率生成目标氨水值。本发明利用人工智能分析算法，完成对生产工艺参数的数据整理、建模与分析，实现对环保排放指标的控制，PID控制具有原理简单，鲁棒性强和实用面广等优点，对多元线性回归的建议值，采用PID控制调控，模型综合考虑当前的控制效果，历史的控制效果来优化整体模型的控制输出，能够更精准的控制氨水的输出量。
请参阅图2，本发明实施例中基于机器学习的烟气控制方法的另一个实施例包括：
201、基于垃圾焚烧发电系统中预设的多个传感器采集在垃圾发电过程中的多个参数数据，并根据多个参数数据对预置的深度神经网络模型进行模型训练，得到氮氧化物预测模型；
可选的，对多个参数数据进行特征参数提取，得到多个特征参数；对多个特征参数进行时间相关性分析，得到多个时间相关性参数；将多个时间相关性参数作为深度神经网络模型的第一输入特征。
其中，通过在垃圾焚烧发电系统中安装多台传感器，对垃圾发电过程中的焚烧炉工艺参数、一二次风系统参数，SNCR工艺参数、SCR工艺参数进行测量，共包括240个测量值，测量值每秒更新一次，进而服务器对多个参数数据进行特征参数提取，得到多个特征参数，对多个特征参数进行时间相关性分析，得到多个时间相关性参数，其中，服务器采用经验模态分解算法以自身的数据特点为驱动，将特征参数分解为多个简单波形分量和残差，分解得到的本征模态函数具有不同的频率特征，本征模态函数随分解阶数的提高频率逐渐降低从而表示不同海况下的特征参数信息。在经验模态函数分解算法的基础上，对得到的各个简单波形分量进行Hilbert变换，即可得到信号的时频联合能量谱，根据时频联合能量谱就可以研究信号的时频能量分布，最后采用时间内禀相关函数计算分解后数据的相关性，然后通过局部相关估计特征参数实测数据的全局相关系数，得到特征参数的时间相关性，在服务器得到多个时间相关性参数；将多个时间相关性参数作为深度神经网络模型的第一输入特征，可以能够准确的时间相关性参数，从而提高符合对氮氧化物预测的准确性。
可选的，获取多个待预测时刻的测试参数数据，以及获取测试参数数据对应的氮氧化物实际值；根据测试参数数据生成待预测时刻对应的第二输入特征；将第二输入特征输入深度神经网络模型进行计算，得到氮氧化物测试值；根据氮氧化物实际值和氮氧化物测试值对深度神经网络模型进行模型优化，得到优化后的深度神经网络模型；将优化后的深度神经网络模型作为氮氧化物预测模型。
其中，在本案中将深度神经网络网络对NOX的预测结果与SCR反应过程中的指标同时作为多元线性回归的输入，同时根据SCR前NOX的性质，均值、标准差和分布，以及SCR脱硝过程中对不同浓度的NOX脱硝效率不一致，对数据做相应的转换处理，从历史数据中选择NOX控制较优的数据作为训练样本，训练出模型，模型输出为氨水的建议值,同时对多元线性回归的建议值，采用PID控制调控，模型综合考虑当前的控制效果，历史的控制效果来优化整体模型的控制输出，并根据氮氧化物实际值和氮氧化物测试值对深度神经网络模型进行模型优化，得到优化后的深度神经网络模型；将优化后的深度神经网络模型作为氮氧化物预测模型，，由多个自变量的最优组合共同来预测或估计因变量，比只用一个自变量进行预测或估计更有效，更符合实际。
202、获取待预测的实际参数数据，并将实际参数数据输入氮氧化物预测模型进行氮氧化物预测，得到第一氮氧化物预测值；
203、获取垃圾焚烧发电系统在选择性催化还原之前的第一氮氧化物值和在选择性催化还原之后的第二氮氧化物值，以及获取垃圾焚烧发电系统的历史氨水流量；
204、基于第一氮氧化物值、第二氮氧化物值和第一氮氧化物预测值生成特征训练向量；
具体的，服务器选取待预测的实际参数数据，并将实际参数数据输入氮氧化物预测模型进行氮氧化物预测，得到第一氮氧化物预测值生成输入特征，并且将其对应的1-3分钟后的NOX值的历史数据作为输出变量，并对上述数据做数据清洗，去除异常值，将在CEMS维护期间的1个小时的数据去除，进而服务器将的输入特征和输出变量的历史数据作为训练样本对深度神经网络模型进行训练，同时服务器将17个待预测时刻的实际数据生成测试特征向量，通过所建立的深度神经网络模型进行计算，得到模型预测值即为待预测时刻的之后1-3分钟的NOX预测值，根据所述待预测时刻的NOX实际数据为NOX的真实值，将NOX预测值和真实值对比验证深度神经网络网络模型的准确性，并基于第一氮氧化物值、第二氮氧化物值和第一氮氧化物预测值生成特征训练向量。
205、将特征训练向量和历史氨水流量输入预置的多元线性回归模型进行模型训练，得到初始模型；
具体的，将特征训练向量输入预置的多元线性回归模型进行模型训练，得到氨水训练值；通过历史氨水流量和氨水训练值对多元线性回归模型进行多轮模型训练，生成初始模型。
其中，在训练阶段，定义模型的结构，构建长短期记忆深度学习网络,选择损失函数及优化器后，输入训练数据，将特征训练向量输入预置的线性回归模型进行模型训练，得到氨水训练值，经过多轮模型训练后，以验证数据验证模型的性能，在预测应用阶段，通过历史氨水流量和氨水训练值对线性回归模型进行多轮模型训练，生成初始模型，具体的，以该氮氧化物近期与测值构建短序列和标准化处理后，输入模型进行预测，预测是逐步进行的，将第二轮的预测结果放到原输入后，再进行下一轮的预测，以此类推形成近期的预测序列。最后对预测结果进行反标准化处理并输出，最终模型收敛，得到初始模型。
206、设置初始模型的PID参数，得到氨水控制量计算模型；
具体的，设置初始模型的PID参数，其中，PID参数包括：输出目标值和积分时长；根据积分时长和输出目标值计算积分值；根据积分值生成氨水控制量计算模型。
其中，服务器设置模型PID参数是通过设置输出目标值（即SCR后NOX值），error等于目标值减去当前SCR后NOX，积分时长为T，其中，需要说明的是，积分值通过求和公式进行计算，根据积分值生成氨水控制量计算模型。
207、获取垃圾焚烧发电系统待处理的目标参数数据，将目标参数数据输入氮氧化物预测模型进行氮氧化物预测，得到第二氮氧化物预测值，并将第二氮氧化物预测值输入氨水控制量计算模型进行氨水量计算，并按照预设输出频率生成目标氨水值。
可选的，若垃圾焚烧发电系统处于维护期间，则将氨水控制量计算模型切换至模糊控制模式；当氨水控制量计算模型处于模糊控制模式时，不设置氨水控制量计算模型的PID参数并控制氨水控制量计算模型按照输出频率生成目标氨水值。
其中，同时将训练好的融合模型应用到垃圾焚烧系统中，每秒输出1次氨水控制建议值，需要说明的是，在CEMS系统维护期间，模型将切换到模糊控制，在模糊控制模式下，SCR后NOX不作为模型输入特征,同时不加入PID控制模型。，模型每秒输出1次氨水控制建议值，最终服务器根据积分时长和输出目标值计算积分值，其中，当氨水控制量计算模型处于模糊控制模式时，不设置氨水控制量计算模型的PID参数并控制氨水控制量计算模型按照输出频率生成目标氨水值，本发明实施例中，通过对深能环保典型炉排型垃圾焚烧炉污染排放工艺的深度剖析，结合大量生产数据，针对性地搭建一套高效的大数据智能分析预控平台，利用人工智能分析算法，完成对生产工艺参数的数据整理、建模与分析，实现对环保排放指标的控制。这种方法让人工智能系统的投入率可以达到100%，它是利用焚烧炉的焚烧参数直接利用大数据学习的结果给出模糊控制值。从而保证了当CEMS维护结束后能够顺利切回到机器学习精准控制。
本发明实施例中，基于垃圾焚烧发电系统中预设的多个传感器采集在垃圾发电过程中的多个参数数据，并根据多个参数数据对预置的深度神经网络模型进行模型训练，得到氮氧化物预测模型；获取待预测的实际参数数据，并将实际参数数据输入氮氧化物预测模型进行氮氧化物预测，得到第一氮氧化物预测值；获取垃圾焚烧发电系统在选择性催化还原之前的第一氮氧化物值和在选择性催化还原之后的第二氮氧化物值，以及获取垃圾焚烧发电系统的历史氨水流量；根据第一氮氧化物值、第二氮氧化物值、第一氮氧化物预测值和历史氨水流量对预置的多元线性回归模型进行模型训练，并设置多元线性回归模型的PID参数，得到氨水控制量计算模型；获取垃圾焚烧发电系统待处理的目标参数数据，将目标参数数据输入氮氧化物预测模型进行氮氧化物预测，得到第二氮氧化物预测值，并将第二氮氧化物预测值输入氨水控制量计算模型进行氨水量计算，并按照预设输出频率生成目标氨水值。本发明利用人工智能分析算法，完成对生产工艺参数的数据整理、建模与分析，实现对环保排放指标的控制，PID控制具有原理简单，鲁棒性强和实用面广等优点，对多元线性回归的建议值，采用PID控制调控，模型综合考虑当前的控制效果，历史的控制效果来优化整体模型的控制输出，能够更精准的控制氨水的输出量。
上面对本发明实施例中基于机器学习的烟气控制方法进行了描述，下面对本发明实施例中基于机器学习的烟气控制装置进行描述，请参阅图3，本发明实施例中基于机器学习的烟气控制装置一个实施例包括：
采集模块301，用于基于垃圾焚烧发电系统中预设的多个传感器采集在垃圾发电过程中的多个参数数据，并根据所述多个参数数据对预置的深度神经网络模型进行模型训练，得到氮氧化物预测模型；
预测模块302，用于获取待预测的实际参数数据，并将所述实际参数数据输入所述氮氧化物预测模型进行氮氧化物预测，得到第一氮氧化物预测值；
获取模块303，用于获取所述垃圾焚烧发电系统在选择性催化还原之前的第一氮氧化物值和在选择性催化还原之后的第二氮氧化物值，以及获取所述垃圾焚烧发电系统的历史氨水流量；
训练模块304，用于根据所述第一氮氧化物值、所述第二氮氧化物值、所述第一氮氧化物预测值和所述历史氨水流量对预置的多元线性回归模型进行模型训练，并设置所述多元线性回归模型的PID参数，得到氨水控制量计算模型；
生成模块305，用于获取所述垃圾焚烧发电系统待处理的目标参数数据，将所述目标参数数据输入所述氮氧化物预测模型进行氮氧化物预测，得到第二氮氧化物预测值，并将所述第二氮氧化物预测值输入所述氨水控制量计算模型进行氨水量计算，并按照预设输出频率生成目标氨水值。
本发明实施例中，基于垃圾焚烧发电系统中预设的多个传感器采集在垃圾发电过程中的多个参数数据，并根据所述多个参数数据对预置的深度神经网络模型进行模型训练，得到氮氧化物预测模型；获取待预测的实际参数数据，并将所述实际参数数据输入所述氮氧化物预测模型进行氮氧化物预测，得到第一氮氧化物预测值；获取所述垃圾焚烧发电系统在选择性催化还原之前的第一氮氧化物值和在选择性催化还原之后的第二氮氧化物值，以及获取所述垃圾焚烧发电系统的历史氨水流量；根据所述第一氮氧化物值、所述第二氮氧化物值、所述第一氮氧化物预测值和所述历史氨水流量对预置的多元线性回归模型进行模型训练，并设置所述多元线性回归模型的PID参数，得到氨水控制量计算模型；获取所述垃圾焚烧发电系统待处理的目标参数数据，将所述目标参数数据输入所述氮氧化物预测模型进行氮氧化物预测，得到第二氮氧化物预测值，并将所述第二氮氧化物预测值输入所述氨水控制量计算模型进行氨水量计算，并按照预设输出频率生成目标氨水值。本发明利用人工智能分析算法，完成对生产工艺参数的数据整理、建模与分析，实现对环保排放指标的控制，PID控制具有原理简单，鲁棒性强和实用面广等优点，对多元线性回归的建议值，采用PID控制调控，模型综合考虑当前的控制效果，历史的控制效果来优化整体模型的控制输出，能够更精准的控制氨水的输出量。
请参阅图4，本发明实施例中基于机器学习的烟气控制装置另一个实施例包括：
采集模块301，用于基于垃圾焚烧发电系统中预设的多个传感器采集在垃圾发电过程中的多个参数数据，并根据所述多个参数数据对预置的深度神经网络模型进行模型训练，得到氮氧化物预测模型；
预测模块302，用于获取待预测的实际参数数据，并将所述实际参数数据输入所述氮氧化物预测模型进行氮氧化物预测，得到第一氮氧化物预测值；
获取模块303，用于获取所述垃圾焚烧发电系统在选择性催化还原之前的第一氮氧化物值和在选择性催化还原之后的第二氮氧化物值，以及获取所述垃圾焚烧发电系统的历史氨水流量；
训练模块304，用于根据所述第一氮氧化物值、所述第二氮氧化物值、所述第一氮氧化物预测值和所述历史氨水流量对预置的多元线性回归模型进行模型训练，并设置所述多元线性回归模型的PID参数，得到氨水控制量计算模型；
生成模块305，用于获取所述垃圾焚烧发电系统待处理的目标参数数据，将所述目标参数数据输入所述氮氧化物预测模型进行氮氧化物预测，得到第二氮氧化物预测值，并将所述第二氮氧化物预测值输入所述氨水控制量计算模型进行氨水量计算，并按照预设输出频率生成目标氨水值。
可选的，所述基于机器学习的烟气控制装置还包括：
分析模块306，用于对所述多个参数数据进行特征参数提取，得到多个特征参数；对所述多个特征参数进行时间相关性分析，得到多个时间相关性参数；将所述多个时间相关性参数作为所述深度神经网络模型的第一输入特征。
可选的，所述基于机器学习的烟气控制装置还包括：
优化模块307，用于获取多个待预测时刻的测试参数数据，以及获取所述测试参数数据对应的氮氧化物实际值；根据所述测试参数数据生成所述待预测时刻对应的第二输入特征；将所述第二输入特征输入所述深度神经网络模型进行计算，得到氮氧化物测试值；根据所述氮氧化物实际值和所述氮氧化物测试值对所述深度神经网络模型进行模型优化，得到优化后的深度神经网络模型；将所述优化后的深度神经网络模型作为所述氮氧化物预测模型。
可选的，所述训练模块304还包括：
生成单元，用于基于所述第一氮氧化物值、所述第二氮氧化物值和所述第一氮氧化物预测值生成特征训练向量；
训练单元，用于将所述特征训练向量和所述历史氨水流量输入预置的多元线性回归模型进行模型训练，得到初始模型；
设置单元，用于设置所述初始模型的PID参数，得到氨水控制量计算模型。
可选的，所述训练单元具体用于：将所述特征训练向量输入预置的多元线性回归模型进行模型训练，得到氨水训练值；通过所述历史氨水流量和所述氨水训练值对所述多元线性回归模型进行多轮模型训练，生成初始模型。
可选的，所述设置单元具体用于：设置所述初始模型的PID参数，其中，所述PID参数包括：输出目标值和积分时长；根据所述积分时长和所述输出目标值计算积分值；根据所述积分值生成氨水控制量计算模型。
可选的，所述基于机器学习的烟气控制装置还包括：
控制模块308，用于若所述垃圾焚烧发电系统处于维护期间，则将所述氨水控制量计算模型切换至模糊控制模式；当所述氨水控制量计算模型处于模糊控制模式时，在所述模糊控制模式下不设置所述氨水控制量计算模型的PID参数，并控制所述氨水控制量计算模型按照所述输出频率生成目标氨水值。
本发明实施例中，基于垃圾焚烧发电系统中预设的多个传感器采集在垃圾发电过程中的多个参数数据，并根据所述多个参数数据对预置的深度神经网络模型进行模型训练，得到氮氧化物预测模型；获取待预测的实际参数数据，并将所述实际参数数据输入所述氮氧化物预测模型进行氮氧化物预测，得到第一氮氧化物预测值；获取所述垃圾焚烧发电系统在选择性催化还原之前的第一氮氧化物值和在选择性催化还原之后的第二氮氧化物值，以及获取所述垃圾焚烧发电系统的历史氨水流量；根据所述第一氮氧化物值、所述第二氮氧化物值、所述第一氮氧化物预测值和所述历史氨水流量对预置的多元线性回归模型进行模型训练，并设置所述多元线性回归模型的PID参数，得到氨水控制量计算模型；获取所述垃圾焚烧发电系统待处理的目标参数数据，将所述目标参数数据输入所述氮氧化物预测模型进行氮氧化物预测，得到第二氮氧化物预测值，并将所述第二氮氧化物预测值输入所述氨水控制量计算模型进行氨水量计算，并按照预设输出频率生成目标氨水值。本发明利用人工智能分析算法，完成对生产工艺参数的数据整理、建模与分析，实现对环保排放指标的控制，PID控制具有原理简单，鲁棒性强和实用面广等优点，对多元线性回归的建议值，采用PID控制调控，模型综合考虑当前的控制效果，历史的控制效果来优化整体模型的控制输出，能够更精准的控制氨水的输出量。
上面图3和图4从模块化功能实体的角度对本发明实施例中的基于机器学习的烟气控制装置进行详细描述，下面从硬件处理的角度对本发明实施例中基于机器学习的烟气控制设备进行详细描述。
图5是本发明实施例提供的一种基于机器学习的烟气控制设备的结构示意图，该基于机器学习的烟气控制设备500可因配置或性能不同而产生比较大的差异，可以包括一个或一个以上处理器（central processing units，CPU）510（例如，一个或一个以上处理器）和存储器520，一个或一个以上存储应用程序533或数据532的存储介质530（例如一个或一个以上海量存储设备）。其中，存储器520和存储介质530可以是短暂存储或持久存储。存储在存储介质530的程序可以包括一个或一个以上模块（图示没标出），每个模块可以包括对基于机器学习的烟气控制设备500中的一系列指令操作。更进一步地，处理器510可以设置为与存储介质530通信，在基于机器学习的烟气控制设备500上执行存储介质530中的一系列指令操作。
基于机器学习的烟气控制设备500还可以包括一个或一个以上电源540，一个或一个以上有线或无线网络接口550，一个或一个以上输入输出接口560，和/或，一个或一个以上操作系统531，例如Windows Serve，Mac OS X，Unix，Linux，FreeBSD等等。本领域技术人员可以理解，图5示出的基于机器学习的烟气控制设备结构并不构成对基于机器学习的烟气控制设备的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件布置。
本发明还提供一种基于机器学习的烟气控制设备，所述基于机器学习的烟气控制设备包括存储器和处理器，存储器中存储有计算机可读指令，计算机可读指令被处理器执行时，使得处理器执行上述各实施例中的所述基于机器学习的烟气控制方法的步骤。
本发明还提供一种计算机可读存储介质，该计算机可读存储介质可以为非易失性计算机可读存储介质，该计算机可读存储介质也可以为易失性计算机可读存储介质，所述计算机可读存储介质中存储有指令，当所述指令在计算机上运行时，使得计算机执行所述基于机器学习的烟气控制方法的步骤。
进一步地，计算机可读存储介质可主要包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需的应用程序等；存储数据区可存储根据区块链节点的使用所创建的数据等。
本发明所指区块链是分布式数据存储、点对点传输、共识机制、加密算法等计算机技术的新型应用模式。区块链(Blockchain)，本质上是一个去中心化的数据库，是一串使用密码学方法相关联产生的数据块，每一个数据块中包含了一批次网络交易的信息，用于验证其信息的有效性(防伪)和生成下一个区块。区块链可以包括区块链底层平台、平台产品服务层以及应用服务层等。
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。
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（read-only memory，ROM）、随机存取存储器（random access memory，RAM）、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)

1.一种基于机器学习的烟气控制方法，其特征在于，所述基于机器学习的烟气控制方法包括：
基于垃圾焚烧发电系统中预设的多个传感器采集在垃圾发电过程中的多个参数数据，并根据所述多个参数数据对预置的深度神经网络模型进行模型训练，得到氮氧化物预测模型；
获取待预测的实际参数数据，并将所述实际参数数据输入所述氮氧化物预测模型进行氮氧化物预测，得到第一氮氧化物预测值；
获取所述垃圾焚烧发电系统在选择性催化还原之前的第一氮氧化物值和在选择性催化还原之后的第二氮氧化物值，以及获取所述垃圾焚烧发电系统的历史氨水流量；
根据所述第一氮氧化物值、所述第二氮氧化物值、所述第一氮氧化物预测值和所述历史氨水流量对预置的多元线性回归模型进行模型训练，并设置所述多元线性回归模型的PID参数，得到氨水控制量计算模型；
获取所述垃圾焚烧发电系统待处理的目标参数数据，将所述目标参数数据输入所述氮氧化物预测模型进行氮氧化物预测，得到第二氮氧化物预测值，并将所述第二氮氧化物预测值输入所述氨水控制量计算模型进行氨水量计算，并按照预设输出频率生成目标氨水值。
2.根据权利要求1所述的基于机器学习的烟气控制方法，其特征在于，所述基于机器学习的烟气控制方法还包括：
对所述多个参数数据进行特征参数提取，得到多个特征参数；
对所述多个特征参数进行时间相关性分析，得到多个时间相关性参数；
将所述多个时间相关性参数作为所述深度神经网络模型的第一输入特征。
3.根据权利要求1所述的基于机器学习的烟气控制方法，其特征在于，所述基于机器学习的烟气控制方法还包括：
获取多个待预测时刻的测试参数数据，以及获取所述测试参数数据对应的氮氧化物实际值；
根据所述测试参数数据生成所述待预测时刻对应的第二输入特征；
将所述第二输入特征输入所述深度神经网络模型进行计算，得到氮氧化物测试值；
根据所述氮氧化物实际值和所述氮氧化物测试值对所述深度神经网络模型进行模型优化，得到优化后的深度神经网络模型；
将所述优化后的深度神经网络模型作为所述氮氧化物预测模型。
4.根据权利要求1所述的基于机器学习的烟气控制方法，其特征在于，所述根据所述第一氮氧化物值、所述第二氮氧化物值、所述第一氮氧化物预测值和所述历史氨水流量对预置的多元线性回归模型进行模型训练，并设置所述多元线性回归模型的PID参数，得到氨水控制量计算模型，包括：
基于所述第一氮氧化物值、所述第二氮氧化物值和所述第一氮氧化物预测值生成特征训练向量；
将所述特征训练向量和所述历史氨水流量输入预置的多元线性回归模型进行模型训练，得到初始模型；
设置所述初始模型的PID参数，得到氨水控制量计算模型。
5.根据权利要求4所述的基于机器学习的烟气控制方法，其特征在于，所述将所述特征训练向量和所述历史氨水流量输入预置的多元线性回归模型进行模型训练，得到初始模型，包括：
将所述特征训练向量输入预置的多元线性回归模型进行模型训练，得到氨水训练值；
通过所述历史氨水流量和所述氨水训练值对所述多元线性回归模型进行多轮模型训练，生成初始模型。
6.根据权利要求4所述的基于机器学习的烟气控制方法，其特征在于，所述设置所述初始模型的PID参数，得到氨水控制量计算模型，包括：
设置所述初始模型的PID参数，其中，所述PID参数包括：输出目标值和积分时长；
根据所述积分时长和所述输出目标值计算积分值；
根据所述积分值生成氨水控制量计算模型。
7.根据权利要求1-6中任一项所述的基于机器学习的烟气控制方法，其特征在于，所述基于机器学习的烟气控制方法还包括：
若所述垃圾焚烧发电系统处于维护期间，则将所述氨水控制量计算模型切换至模糊控制模式；
当所述氨水控制量计算模型处于模糊控制模式时，在所述模糊控制模式下不设置所述氨水控制量计算模型的PID参数，并控制所述氨水控制量计算模型按照所述输出频率生成目标氨水值。
8.一种基于机器学习的烟气控制装置，其特征在于，所述基于机器学习的烟气控制装置包括：
采集模块，用于基于垃圾焚烧发电系统中预设的多个传感器采集在垃圾发电过程中的多个参数数据，并根据所述多个参数数据对预置的深度神经网络模型进行模型训练，得到氮氧化物预测模型；
预测模块，用于获取待预测的实际参数数据，并将所述实际参数数据输入所述氮氧化物预测模型进行氮氧化物预测，得到第一氮氧化物预测值；
获取模块，用于获取所述垃圾焚烧发电系统在选择性催化还原之前的第一氮氧化物值和在选择性催化还原之后的第二氮氧化物值，以及获取所述垃圾焚烧发电系统的历史氨水流量；
训练模块，用于根据所述第一氮氧化物值、所述第二氮氧化物值、所述第一氮氧化物预测值和所述历史氨水流量对预置的多元线性回归模型进行模型训练，并设置所述多元线性回归模型的PID参数，得到氨水控制量计算模型；
生成模块，用于获取所述垃圾焚烧发电系统待处理的目标参数数据，将所述目标参数数据输入所述氮氧化物预测模型进行氮氧化物预测，得到第二氮氧化物预测值，并将所述第二氮氧化物预测值输入所述氨水控制量计算模型进行氨水量计算，并按照预设输出频率生成目标氨水值。
9.一种基于机器学习的烟气控制设备，其特征在于，所述基于机器学习的烟气控制设备包括：存储器和至少一个处理器，所述存储器中存储有指令；
所述至少一个处理器调用所述存储器中的所述指令，以使得所述基于机器学习的烟气控制设备执行如权利要求1-7中任一项所述的基于机器学习的烟气控制方法。
10.一种计算机可读存储介质，所述计算机可读存储介质上存储有指令，其特征在于，所述指令被处理器执行时实现如权利要求1-7中任一项所述的基于机器学习的烟气控制方法。
CN202211060624.3A 2022-08-31 2022-08-31 基于机器学习的烟气控制方法、装置、设备及存储介质 Pending CN115392437A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202211060624.3A CN115392437A (zh) 2022-08-31 2022-08-31 基于机器学习的烟气控制方法、装置、设备及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202211060624.3A CN115392437A (zh) 2022-08-31 2022-08-31 基于机器学习的烟气控制方法、装置、设备及存储介质

Publications (1)

Publication Number Publication Date
CN115392437A true CN115392437A (zh) 2022-11-25

Family

ID=84123750

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211060624.3A Pending CN115392437A (zh) 2022-08-31 2022-08-31 基于机器学习的烟气控制方法、装置、设备及存储介质

Country Status (1)

Country Link
CN (1) CN115392437A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115855763A (zh) * 2022-12-19 2023-03-28 山东创宇环保科技有限公司 一种防烟道堵塞方法、装置、电子设备和计算机可读介质

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115855763A (zh) * 2022-12-19 2023-03-28 山东创宇环保科技有限公司 一种防烟道堵塞方法、装置、电子设备和计算机可读介质

Similar Documents

Publication Publication Date Title
CN114191953B (zh) 一种基于卷积神经网络和XGBoost的烟气脱硫脱硝控制方法
CN114225662B (zh) 一种基于滞后模型的烟气脱硫脱硝优化控制方法
CN101180590B (zh) 预测性排放物监测系统及方法
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
CN112364562B (zh) 一种烟气环保岛协同控制方法及系统
RU2013130996A (ru) Оптимизированное интегрированное управление для электростанции, работающей на сжигании кислородного топлива
CN112613237B (zh) 一种基于LSTM的CFB机组NOx排放浓度的预测方法
CN112418284A (zh) 一种全工况电站scr脱硝系统的控制方法及系统
CN116085823A (zh) 锅炉燃烧控制方法及系统
CN111917111B (zh) 用于配电网的分布式光伏电源接纳能力在线评估的方法、系统、设备及存储介质
CN117829342A (zh) 基于改进随机森林算法的燃煤电厂氮氧化物排放预测方法
CN107464014A (zh) 一种燃煤机组脱硝控制系统入口氮氧化物的预测方法
CN115392437A (zh) 基于机器学习的烟气控制方法、装置、设备及存储介质
WO2024130992A1 (zh) 一种mswi过程二噁英排放浓度在线软测量方法
CN106557027B (zh) 优化焦化烟气脱硫脱硝过程中臭氧运行的系统及方法
CN115114857B (zh) 脱硝催化剂性能在线评估方法、装置、设备及存储介质
CN115717709A (zh) 基于注意力机制lstm模型的入炉垃圾热值实时预测方法
CN112134275B (zh) 一种计算含风电场电力系统的可靠性方法及系统
Wang et al. A low-carbon economic dispatch method for power systems with carbon capture plants based on safe reinforcement learning
Dean et al. Deliberation scheduling for time-critical sequential decision making
CN115356998A (zh) 基于人工智能的氮氧化物预测方法及相关装置
CN114360656B (zh) 选择性催化还原脱硝模型建模方法、装置及设备
CN103714262A (zh) 一种基于缓冲块时序设计的热工软测量模型更新方法
CN114904655A (zh) 一种单电场节能控制方法及装置
CN115034616A (zh) 基于算法模型的环境整改评判方法

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
CB02 Change of applicant information
CB02 Change of applicant information

Country or region after: China

Address after: 518000 Board House J101, Guangming Energy Ecological Park Living Area, Xitian Community, Gongming Street, Guangming District, Shenzhen City, Guangdong Province

Applicant after: Shenzhen Energy and environmental protection Co.,Ltd.

Address before: 13 / F, Times financial center, 4001 Shennan Avenue, Futian District, Shenzhen, Guangdong 518000

Applicant before: Shenzhen Energy and environmental protection Co.,Ltd.

Country or region before: China