CN116167523A - 一种融合多神经网络的sncr脱硝预测方法 - Google Patents
一种融合多神经网络的sncr脱硝预测方法 Download PDFInfo
- Publication number
- CN116167523A CN116167523A CN202310214812.5A CN202310214812A CN116167523A CN 116167523 A CN116167523 A CN 116167523A CN 202310214812 A CN202310214812 A CN 202310214812A CN 116167523 A CN116167523 A CN 116167523A
- Authority
- CN
- China
- Prior art keywords
- model
- parameters
- post
- optimized
- value
- 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 41
- 238000013528 artificial neural network Methods 0.000 title claims abstract description 17
- 238000005457 optimization Methods 0.000 claims abstract description 57
- 238000012216 screening Methods 0.000 claims abstract description 41
- 238000012549 training Methods 0.000 claims abstract description 20
- 238000003062 neural network model Methods 0.000 claims description 31
- 238000013527 convolutional neural network Methods 0.000 claims description 25
- UGFAIRIUMAVXCW-UHFFFAOYSA-N Carbon monoxide Chemical compound [O+]#[C-] UGFAIRIUMAVXCW-UHFFFAOYSA-N 0.000 claims description 20
- 239000003546 flue gas Substances 0.000 claims description 20
- 238000010219 correlation analysis Methods 0.000 claims description 13
- QVGXLLKOCUKJST-UHFFFAOYSA-N atomic oxygen Chemical compound [O] QVGXLLKOCUKJST-UHFFFAOYSA-N 0.000 claims description 12
- 239000001301 oxygen Substances 0.000 claims description 12
- 229910052760 oxygen Inorganic materials 0.000 claims description 12
- QGZKDVFQNNGYKY-UHFFFAOYSA-N Ammonia Chemical compound N QGZKDVFQNNGYKY-UHFFFAOYSA-N 0.000 claims description 11
- 238000012795 verification Methods 0.000 claims description 11
- 239000003245 coal Substances 0.000 claims description 10
- 238000012545 processing Methods 0.000 claims description 8
- 238000012163 sequencing technique Methods 0.000 claims description 8
- 229910021529 ammonia Inorganic materials 0.000 claims description 5
- 102220522291 THAP domain-containing protein 1_S31A_mutation Human genes 0.000 claims description 4
- 102220536518 THAP domain-containing protein 1_S51A_mutation Human genes 0.000 claims description 4
- 230000004927 fusion Effects 0.000 claims description 4
- 238000002347 injection Methods 0.000 claims description 4
- 239000007924 injection Substances 0.000 claims description 4
- -1 bed temperature Chemical compound 0.000 claims description 3
- 238000010248 power generation Methods 0.000 claims description 3
- 239000000446 fuel Substances 0.000 claims description 2
- 230000008569 process Effects 0.000 description 15
- XSQUKJJJFZCRTK-UHFFFAOYSA-N Urea Chemical compound NC(N)=O XSQUKJJJFZCRTK-UHFFFAOYSA-N 0.000 description 6
- 239000004202 carbamide Substances 0.000 description 6
- 239000000243 solution Substances 0.000 description 6
- 238000004422 calculation algorithm Methods 0.000 description 4
- 238000004364 calculation method Methods 0.000 description 4
- 230000008859 change Effects 0.000 description 4
- 239000003638 chemical reducing agent Substances 0.000 description 3
- MWUXSHHQAYIFBG-UHFFFAOYSA-N Nitric oxide Chemical compound O=[N] MWUXSHHQAYIFBG-UHFFFAOYSA-N 0.000 description 2
- 238000006243 chemical reaction Methods 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000005265 energy consumption Methods 0.000 description 2
- 239000000779 smoke Substances 0.000 description 2
- 230000006978 adaptation Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000010531 catalytic reduction reaction Methods 0.000 description 1
- 238000002485 combustion reaction Methods 0.000 description 1
- 125000004122 cyclic group Chemical group 0.000 description 1
- 230000003111 delayed effect Effects 0.000 description 1
- 238000009795 derivation Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000004836 empirical method Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 239000002737 fuel gas Substances 0.000 description 1
- 230000005484 gravity Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000035484 reaction time Effects 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
- 238000005507 spraying Methods 0.000 description 1
- 230000002123 temporal effect 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
- 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
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
- G06Q10/06311—Scheduling, planning or task assignment for a person or group
-
- 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
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
- G06Q10/06312—Adjustment or analysis of established resource schedule, e.g. resource or task levelling, or dynamic rescheduling
-
- 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
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
-
- 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
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/067—Enterprise or organisation modelling
-
- 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
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T10/00—Road transport of goods or passengers
- Y02T10/10—Internal combustion engine [ICE] based vehicles
- Y02T10/40—Engine management systems
Landscapes
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Engineering & Computer Science (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- Entrepreneurship & Innovation (AREA)
- Theoretical Computer Science (AREA)
- Development Economics (AREA)
- Marketing (AREA)
- General Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- Physics & Mathematics (AREA)
- Quality & Reliability (AREA)
- Operations Research (AREA)
- Game Theory and Decision Science (AREA)
- Educational Administration (AREA)
- Health & Medical Sciences (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Feedback Control In General (AREA)
Abstract
本发明公开了一种融合多神经网络的SNCR脱硝预测方法，包括：步骤S1训练若干初始模型，筛选得到若干筛后模型；步骤S2各筛后模型输出不同筛后预测值，计算得到各筛后预测值间的相关性及预测准确率；步骤S3对筛后模型各输入参数所占比重调整得到若干优化模型；步骤S4计算得到各优化预测值间的相关性及预测准确率；步骤S5对各优化模型各输入参数所占的比重调整得到调整后的优化模型；步骤S6判断最近预测准确率最高的优化模型与上一次预测准确率最高的优化模型间的预测准确率差值是否低于预设阈值：若是，则将最近预测准确率最高的优化模型作为最终模型输出；若否，则转向步骤S5。本发明提升了对NOx输出含量的预测精度。
Description
技术领域
本发明涉及火电工业脱销、自动喷氨技术领域，尤其涉及一种融合多神经网络的SNCR脱硝预测方法。
背景技术
各类燃烧器火电机组运行过程中，燃烧产生的大量NOx会污染环境。为了减少NOx排放，脱硝技术的实施及优化成为减少火电机组污染的关键问题。火电机组的选择性非催化还原(SNCR)脱硝控制系统中，传统方法是通过PID算法控制脱硝系统，但是会导致脱硝系统出口的NO浓度波动起伏较大，同时由于采样检测的化学反应时间存在延迟，无法精准预测NOx输出量来快速调节喷氨量。为了精准预测实时NOx输出含量，进而实现动态控制反应还原剂的含量，需要建立精确的脱硝预测模型。目前，在现有技术中，存在利用BP神经网络算法、多层感知器神经网络、深度循环神经网络DRNN－LSTM等算法建立脱硝预测模型以预测NOx输出含量，但是在实际生产环境中，因各机组情况不同，影响脱硝系统参数较为复杂，导致现有的单一神经网络模型使用时均存在缺陷，无法实现对SNCR脱硝系统中NOx输出含量进行精确预测。
发明内容
针对现有技术存在的不足，本发明的目的在于提供一种融合多神经网络的SNCR脱硝预测方法，用于提升对NOx输出含量的预测精度。
为实现上述目的，本发明提供了如下技术方案：一种融合多神经网络的SNCR脱硝预测方法，包括：
步骤S1，利用预设的数据集训练得到若干不同的初始模型，将各所述初始模型的预测输出值与所述数据集中的真实输出值比对，根据比对结果筛选各所述初始模型，得到若干筛后模型；
步骤S2，根据比对结果依次运行各所述筛后模型以输出不同筛后预测值，根据各所述筛后预测值与当前状态下的NOx真实排放量之间的关系计算得到各所述筛后预测值之间的相关性以及各所述筛后预测值的预测准确率；
步骤S3，根据各所述筛后预测值之间的相关性以及各所述筛后预测值的预测准确率对各所述筛后模型的各所述输入参数所占的比重进行调整得到若干优化模型，各所述优化模型用于输出优化预测值；
步骤S4，根据各所述优化预测值与所述NOx真实排放量之间的关系计算得到各所述优化预测值之间的相关性以及各所述优化预测值的预测准确率；
步骤S5，根据各所述优化预测值之间的相关性以及各所述优化预测值的预测准确率对各所述优化模型的各所述输入参数所占的比重进行调整得到调整过后的所述优化模型；
步骤S6，根据各所述优化预测值与所述NOx真实排放量之间的关系计算得到各所述优化预测值的预测准确率，判断最近一次调整后预测准确率最高的所述优化模型与上一次调整后预测准确率最高的所述优化模型之间的预测准确率差值是否低于预设阈值：
若是，则将最近一次调整后预测准确率最高的所述优化模型作为最终模型输出；
若否，则转向步骤S5。
进一步地，所述步骤S1包括：
步骤S11，将所述数据集中的数据按照预设比例划分为训练集和验证集；
步骤S12，利用所述训练集中的数据训练得到各所述初始模型，所述初始模型包括Bi-LSTM网络模型、SVM网络模型、DNN神经网络模型、CNN神经网络模型和单向LSTM网络模型；
步骤S13，将所述验证集中的若干输入参数分别输入各所述初始模型中，得到不同的所述预测输出值，所述验证集中还包含有对应与各所述输出参数的所述真实输出值；
步骤S14，将各所述预测输出值与所述真实输出值进行比对得到所述比对结果，利用均方误差、拟合优度对所述比对结果中的各所述预测输出值相对应的各所述初始模型进行筛选，得到筛选后的各所述筛后模型，所述筛后模型包括所述Bi-LSTM网络模型、所述CNN神经网络模型和所述单向LSTM网络模型；所述步骤14包括：
步骤141，计算得到所述比对结果中的各所述预测输出值相对于真实输出值的均方误差值和拟合优度值；
步骤142，将各所述均方误差值和所述拟合优度值带入预设的排序公式中，得到排序优先值；
步骤143，按照所述排序优先值由高到低对相应各所述初始模型进行排序筛选，得到各所述筛后模型，所述Bi-LSTM网络模型的排序优先值高于所述单向LSTM网络模型，所述单向LSTM网络模型的排序优先值高于所述CNN神经网络模型；
所述排序公式配置为：
其中，Sf用于表示所述排序优先值；
MSE用于表示所述均方误差值；
R2用于表示所述拟合优度值；
k1，k2分别用于表示预设的第一系数和第二系数，k1,k2∈(0,1)。
进一步地，所述步骤S2包括：
步骤S21，根据所述排序优先值由高到低依次运行所述Bi-LSTM网络模型、所述单向LSTM网络模型和所述CNN神经网络模型，使得所述Bi-LSTM网络模型、所述单向LSTM网络模型和所述CNN神经网络模型分别输出不同的所述筛后预测值；
步骤S22，分别计算各所述筛后预测值与所述NOx真实排放量之间的误差绝对值，并根据各所述误差绝对值处理得到各所述筛后预测值的预测准确率；
步骤S23，对各所述筛后预测值之间进行相关性分析，计算得到其余所述筛后预测值关于预测准确率最高的所述筛后预测值的第一相关系数。
进一步地，所述步骤S3包括：
步骤S31，根据各所述第一相关系数以及各所述筛后预测值的预测准确率调整相应所述筛后模型中输入层与隐藏层之间的权重参数；
步骤S32，重新训练调整后的各所述筛后模型得到所述优化模型。
进一步地，在所述步骤S31中，将所述第一相关系数和各所述筛后预测值的预测准确率输入权重参数调整公式以调整所述筛后模型中输入层与隐藏层之间的权重参数，所述权重参数调整公式配置为：
W用于表示调整过后的所述权重参数；
W0用于表示预设的初始权重参数；
Pa用于表示所述筛后预测值的预测准确率；
C1用于表示所述第一相关系数；
b1，b2分别用于表示预设的第一调整系数和第二调整系数。
进一步地，所述筛后预测值和所述优化预测值均为NOx输出含量，各所述筛后模型和各所述优化模型的输入参数均包括若干核心参数和若干非核心参数，各所述筛后模型的所述核心参数相同，所述核心参数包括总煤量、一次风总风量、二次风总风量；
各所述筛后模型的所述非核心参数不同，所述Bi-LSTM网络模型的非核心参数包括实发功率、总风量、右侧炉膛床层压力、左侧炉膛床层压力、炉膛前墙右侧平均床温、炉膛前墙左侧平均床温、炉膛后墙右侧平均床温、炉膛后墙左侧平均床温、右侧炉膛出口温度、左侧炉膛出口温度、炉膛上部压力3和炉膛上部压力1；
所述单向LSTM网络模型的非核心参数包括机组负荷、燃烧器摆角、风箱与炉膛的压差、炉膛出口氧量、床温、喷氨量、空压机入口氧量；
所述CNN神经网络模型的非核心参数包括机组负荷、一次风压、各层二次风门开度、各层燃尽风门开度、锅炉出口烟气流量、锅炉出口烟气温度、锅炉出口烟气含氧量、锅炉出口NOx浓度、锅炉入口NOx浓度、SNCR入口烟气压力、SNCR出口烟气压力、供电煤耗、发电煤耗和锅炉效率；
则所述步骤S31包括：
步骤S311，对各所述非核心参数与相应所述筛后预测值之间进行相关性分析，计算得到各所述非核心参数关于相应所述筛后预测值的第二相关系数；
步骤S312，根据各所述第二相关系数调整对应于非核心参数的所述筛后模型中的权重参数；
在所述权重参数调整公式中，当所述筛后模型中的权重参数对应于非核心参数时，所述第一调整系数和所述第二调整系数配置为：
其中，b1'，b2'分别用于表示所述第一调整系数和所述第二调整系数的初始值；
C2用于表示所述第二相关系数；
m用于表示所述非核心参数的个数；
当所述筛后模型中的权重参数对应于核心参数时，所述第一调整系数和所述第二调整系数配置为：
其中，n用于表示所述核心参数的个数。
进一步地，各所述筛后模型和各所述优化模型的各所述核心参数和各所述非核心参数均由设置在SNCR脱硝系统中的若干传感器实时检测得到；
所述非核心参数中包含有易损传感器参数，所述Bi-LSTM网络模型的所述易损传感器参数包括所述右侧炉膛床层压力、所述左侧炉膛床层压力、所述炉膛上部压力3和所述炉膛上部压力1，所述单向LSTM网络模型的所述易损传感器参数包括空压机入口氧量，所述CNN神经网络模型的所述易损传感器参数包括锅炉出口烟气流量；
所述步骤S311与所述步骤S312之间还包括步骤S31A，判断各所述非核心参数中是否包含有所述易损传感器参数：
若是，则将根据所述易损传感器参数生成相应的传感器开启指令，并根据各所述第二相关系数调整对应于易损传感器参数的所述筛后模型中的权重参数,随后转向步骤S312；
若否，则则转向步骤S312；
在所述权重参数调整公式中，当所述筛后模型中的权重参数对应于易损传感器参数时，所述第一调整系数和所述第二调整系数配置为：
其中，p用于表示所述易损传感器参数的个数；
在运行各所述优化模型前，位于炉膛处的压力传感器、位于空压机入口处的温度传感器或位于锅炉出口处的流量传感器提前调整一预设时间段调整开闭状态。
进一步地，所述步骤S4和所述步骤S5之间还包括：
步骤S4A，判断预测准确率最高的所述优化模型与预测准确率最高的所述筛后模型之间的预测准确率差值是否低于预设阈值：
若是，则将预测准确率最高的所述优化模型作为最终模型输出；
若否，则转向步骤S5。
进一步地，所述步骤S4包括：
步骤S41，分别计算各所述优化预测值与所述NOx真实排放量之间的误差绝对值，并根据各所述误差绝对值处理得到各所述优化预测值的预测准确率；
步骤S42，对各所述优化预测值之间进行相关性分析，计算得到其余所述优化预测值关于预测准确率最高的所述优化预测值的第三相关系数；
则所述步骤S5包括：
步骤S51，根据各所述第三相关系数以及各所述优化预测值的预测准确率调整相应所述优化模型中输入层与隐藏层之间的权重参数；
步骤S52，重新训练各所述优化模型得到调整过后的所述优化模型。
进一步地，所述步骤S51包括：
步骤S511，对各非核心参数与相应优化预测值之间进行相关性分析，计算得到各非核心参数关于相应优化预测值的第四相关系数；
步骤S512，根据各第四相关系数调整对应于非核心参数的优化模型中的权重参数；
在权重参数调整公式中，当优化模型中的权重参数对应于非核心参数时，第一调整系数和第二调整系数配置为：
其中，C4用于表示第四相关系数；
当优化模型中的权重参数对应于核心参数时，第一调整系数和第二调整系数配置为：
所述步骤S511与所述步骤S512之间还包括步骤S51A，判断各所述非核心参数中是否包含有所述易损传感器参数：
若是，则将根据所述易损传感器参数生成相应的传感器开启指令，并根据各所述第二相关系数调整对应于易损传感器参数的所述优化模型中的权重参数；
若否，则则转向步骤S512；
在所述权重参数调整公式中，当所述优化模型中的权重参数对应于易损传感器参数时，所述第一调整系数和所述第二调整系数配置为：
在每次运行调整后的各所述优化模型前，位于炉膛处的压力传感器、位于空压机入口处的温度传感器或位于锅炉出口处的流量传感器提前调整所述预设时间段调整开闭状态。
本发明的有益效果：
本发明根据各筛后预测值与NOx真实排放量之间的关系计算得到各筛后预测值之间的相关性及预测准确率，以对各筛后模型的各输入参数所占的比重进行调整得到各优化模型，相较于原先的筛后模型，预测准确率得到了初步提升；
然后根据各优化预测值间的相关性及预测准确率对各优化模型的各输入参数所占的比重进行调整得到调整过后的优化模型，通过循环调整各优化模型的权重参数，使得各优化模型的预测精度不断提升，直至预测准确率差值低于预设阈值输出最终模型，该最终模型可以实现对NOx输出含量的精确预测，进而有效提升了对NOx输出含量的预测精度。
附图说明
图1是本发明中融合多神经网络的SNCR脱硝预测方法的步骤流程图；
图2是本发明中SNCR脱硝系统的脱硝工艺图；
图3是本发明中各初始模型的均方误差值的展示图；
图4是本发明中各初始模型的拟合优度值的展示图；
图5是本发明中步骤1的步骤流程图；
图6是本发明中步骤14的步骤子流程图；
图7是本发明中步骤2的步骤流程图；
图8是本发明中步骤3的步骤流程图；
图9是本发明中步骤31的步骤子流程图；
图10是本发明中步骤4A的步骤流程图；
图11是本发明中步骤4的步骤流程图；
图12是本发明中步骤5的步骤流程图；
图13是本发明中步骤51的步骤子流程图。
具体实施方式
下面结合附图和实施例，对本发明进一步详细说明。其中相同的零部件用相同的附图标记表示。需要说明的是，下面描述中使用的词语“前”、“后”、“左”、“右”、“上”和“下”指的是附图中的方向，词语“底面”和“顶面”、“内”和“外”分别指的是朝向或远离特定部件几何中心的方向。
如图1所示，本实施例的一种融合多神经网络的SNCR脱硝预测方法，包括：
步骤S1，利用预设的数据集训练得到若干不同的初始模型，将各初始模型的预测输出值与数据集中的真实输出值比对，根据比对结果筛选各初始模型，得到若干筛后模型；
步骤S2，根据比对结果依次运行各筛后模型以输出不同筛后预测值，根据各筛后预测值与当前状态下的NOx真实排放量之间的关系计算得到各筛后预测值之间的相关性以及各筛后预测值的准确性；
步骤S3，根据各筛后预测值之间的相关性以及各筛后预测值的预测准确率对各筛后模型的各输入参数所占的比重进行调整得到若干优化模型，各优化模型用于输出优化预测值；
步骤S4，根据各优化预测值与NOx真实排放量之间的关系计算得到各优化预测值之间的相关性以及各优化预测值的预测准确率；
步骤S5，根据各优化预测值之间的相关性以及各优化预测值的预测准确率对各优化模型的各输入参数所占的比重进行调整得到调整过后的优化模型；
步骤S6，根据各优化预测值与NOx真实排放量之间的关系计算得到各优化预测值的预测准确率，判断最近一次调整后预测准确率最高的优化模型与上一次调整后预测准确率最高的优化模型之间的预测准确率差值是否低于预设阈值：
若是，则将最近一次调整后预测准确率最高的优化模型作为最终模型输出；
若否，则转向步骤S5。
具体地，本实施例应用于SNCR脱硝系统，用于实现对SNCR脱硝系统中锅炉燃烧后的烟气中NOx输出含量的精确预测，SNCR脱硝系统采用的锅炉为东方锅炉股份有限公司生产的DG1089/17.4-II1型循环流化床锅炉，该锅炉的功率为300MW，过热蒸汽流量为1088.48t/H。SNCR脱硝系统可以通过尿素或液氨作为还原剂与SNCR烟气中的一氧化氮进行反应实现脱硝，在本实施例中，SNCR脱硝系统采用尿素作为还原剂进行还原反应脱硝，SNCR脱硝系统的脱硝工艺流程如图2所示。
优选的，如图5所示，步骤S1包括：
步骤S11，将数据集中的数据按照预设比例划分为训练集和验证集；
步骤S12，利用训练集中的数据训练得到各初始模型，初始模型包括Bi-LSTM网络模型、SVM网络模型、DNN神经网络模型、CNN神经网络模型和单向LSTM网络模型；
步骤S13，将验证集中的若干输入参数分别输入各初始模型中，得到不同的预测输出值，验证集中还包含有对应与各输出参数的真实输出值；
步骤S14，将各预测输出值与真实输出值进行比对得到比对结果，利用均方误差、拟合优度对比对结果中的各预测输出值相对应的各初始模型进行筛选，得到筛选后的各筛后模型，筛后模型包括Bi-LSTM网络模型、CNN神经网络模型和单向LSTM网络模型。
具体地，本实施例中，数据集中的数据包括标准输入参数和真实输出值，其中，标准输入参数为当前状况下在SNCR脱硝系统中的采集到的，其中标准输入参数包括实发功率、总煤量、总风量、热一次风总风量、二次风总风量、右侧炉膛床层压力、左侧炉膛床层压力、炉膛前墙右侧平均床温、炉膛前墙左侧平均床温、炉膛后墙右侧平均床温、炉膛后墙左侧平均床温、右侧炉膛出口温度、左侧炉膛出口温度、炉膛上部压力3和炉膛上部压力1。真实输出值为对应于标准输入参数的实际数据，其中真实输出值包括炉原烟气NOx含量和炉区尿素溶液尿素流量，利用炉原烟气NOx含量和炉区尿素溶液尿素流量可以计算得到NOx输出含量。训练集和验证集的比例可以为6:1，利用训练集中的各标准输入参数和相应的真实输出值分别训练得到Bi-LSTM网络模型、SVM网络模型、DNN神经网络模型、CNN神经网络模型和单向LSTM网络模型这五个初始模型。在五个初始模型训练过程中，首先需要对训练集中的各参数进行数据融合、缺失值处理；然后通过特征衍生、有监督化、无量纲化，融合各因素统计特征和时序数据的时间性特征，且衍生出更多交叉项特征和高次项特征；进而利用经验法和逐步试错法确定隐藏层维度；最后进行模型训练。五个初始模型训练完毕后再将验证集中的各标准输入参数分别输入五个初始模型中，使得五个初始模型分别输出不同的预测输出值，进而将各预测输出值与真实输出值进行比较，并利用均方误差、拟合优度对比对结果中的各预测输出值相对应的各初始模型进行筛选，筛选得到三个较优的初始模型作为筛后模型，以供后续步骤使用。
优选的，如图6所示，步骤14包括：
步骤141，计算得到比对结果中的各预测输出值相对于真实输出值的均方误差值和拟合优度值；
步骤142，将各均方误差值和拟合优度值带入预设的排序公式中，得到排序优先值；
步骤143，按照排序优先值由高到低对相应各初始模型进行排序筛选，得到各筛后模型，Bi-LSTM网络模型的排序优先值高于单向LSTM网络模型，单向LSTM网络模型的排序优先值高于CNN神经网络模型。
具体地，本实施例中，Bi-LSTM网络模型、SVM网络模型、DNN神经网络模型、CNN神经网络模型和单向LSTM网络模型所对应的均方误差值和拟合优度值分别如图3和图4所示，在计算到各初始模型的均方误差值和拟合优度值后，利用排序公式生成各初始模型的排序优先值，截取五个初始模型中排序优先值排前三的三个初始模型作为筛选模型，完成模型的筛选过程。在筛选过程中不但同时考虑到了均方误差值和拟合优度值对初始模型的精度影响，还利用了排序公式实现了对各初始模型的自动排序，简化了模型筛选难度，更使得筛选得到的筛后模型相较于其他排序优先值较低的初始模型而言，预测精度更高，为后续进一步提升模型精度奠定基础。
优选的，排序公式配置为：
其中，Sf用于表示排序优先值；
MSE用于表示均方误差值；
R2用于表示拟合优度值；
k1，k2分别用于表示预设的第一系数和第二系数，k1,k2∈(0,1)。
具体地，本实施例中，k1可以为2/5，k2可以为3/5，k1，k2的值可以在初始模型的类型发生变化时进行适应性调整。
优选的，如图7所示，步骤S2包括：
步骤S21，根据排序优先值由高到低依次运行Bi-LSTM网络模型、单向LSTM网络模型和CNN神经网络模型，使得Bi-LSTM网络模型、单向LSTM网络模型和CNN神经网络模型分别输出不同的筛后预测值；
步骤S22，分别计算各筛后预测值与NOx真实排放量之间的误差绝对值，并根据各误差绝对值处理得到各筛后预测值的预测准确率；
步骤S23，对各筛后预测值之间进行相关性分析，计算得到其余筛后预测值关于预测准确率最高的筛后预测值的第一相关系数。
具体地，本实施例中，本技术方案的核心逻辑是切换运行当前预测准确率最高的模型，在本技术方案的所有步骤中，系统都会切换运行在当前预测准确率最高的模型，以使得系统能时刻保持当前状态下的预测准确性。在各筛后模型切换运行过程中，各筛后模型的输入参数包括包括若干核心参数和若干非核心参数，不同筛后模型的各核心参数相同，各非核心参数不同。由于各筛后模型的输入参数不完全相同，且筛后模型的算法不同，因此输出的筛后预测值大小不同，但是类型相同，均用于表示NOx输出含量。
在步骤143中已经计算得到Bi-LSTM网络模型的排序优先值最高，单向LSTM网络模型次之，CNN神经网络模型最低。按照排序优先值依次运行Bi-LSTM网络模型、LSTM网络模型和CNN神经网络模型，使得三个筛后模型依次输出不同的筛后预测值。通过将各筛后预测值与NOx真实排放量做差后绝对值运算，得到误差绝对值，进而利用1-误差绝对值/筛后预测值计算得到筛后预测值的预测准确率。在计算得到各筛后预测值的预测准确率后，以预测准确率最高的筛后预测值为基准，利用样本协方差计算公式计算得到其余筛后预测值与关于预测准确率最高的筛后预测值的第一相关系数，为后续计算奠定基础。
优选的，如图8所示，步骤S3包括：
步骤S31，根据各第一相关系数以及各筛后预测值的预测准确率调整相应筛后模型中输入层与隐藏层之间的权重参数；
步骤S32，重新训练调整后的各筛后模型得到优化模型。
具体地，本实施例中，利用第一相关系数和各筛后预测值的预测准确率调整筛后模型中输入层与隐藏层之间的权重参数，实现了对筛后模型的参数调优，提升各筛后模型的预测精度得到各优化模型，各优化模型相较于原先的筛后模型，预测准确率得到了初步提升。
优选的，在步骤S31中，将第一相关系数和各筛后预测值的预测准确率输入权重参数调整公式以调整筛后模型中输入层与隐藏层之间的权重参数，权重参数调整公式配置为：
W用于表示调整过后的权重参数；
W0用于表示预设的初始权重参数；
Pa用于表示筛后预测值的预测准确率；
C1用于表示第一相关系数；
b1，b2分别用于表示预设的第一调整系数和第二调整系数。
优选的，筛后预测值和优化预测值均为NOx输出含量，各筛后模型的输入参数均包括若干核心参数和若干非核心参数，各筛后模型的核心参数相同，核心参数包括总煤量、一次风总风量、二次风总风量；
各筛后模型的非核心参数不同，Bi-LSTM网络模型的非核心参数包括实发功率、总风量、右侧炉膛床层压力、左侧炉膛床层压力、炉膛前墙右侧平均床温、炉膛前墙左侧平均床温、炉膛后墙右侧平均床温、炉膛后墙左侧平均床温、右侧炉膛出口温度、左侧炉膛出口温度、炉膛上部压力3和炉膛上部压力1；
单向LSTM网络模型的非核心参数包括机组负荷、燃烧器摆角、风箱与炉膛的压差、炉膛出口氧量、床温、喷氨量、空压机入口氧量；
CNN神经网络模型的非核心参数包括机组负荷、一次风压、各层二次风门开度、各层燃尽风门开度、锅炉出口烟气流量、锅炉出口烟气温度、锅炉出口烟气含氧量、锅炉出口NOx浓度、锅炉入口NOx浓度、SNCR入口烟气压力、SNCR出口烟气压力、供电煤耗、发电煤耗和锅炉效率；
如图9所示，步骤S31包括：
步骤S311，对各非核心参数与相应筛后预测值之间进行相关性分析，计算得到各非核心参数关于相应筛后预测值的第二相关系数；
步骤S312，根据各第二相关系数调整对应于非核心参数的筛后模型中的权重参数；
在权重参数调整公式中，当筛后模型中的权重参数对应于非核心参数时，第一调整系数和第二调整系数配置为：
其中，b1'，b2'分别用于表示第一调整系数和第二调整系数的初始值；
C2用于表示第二相关系数；
m用于表示非核心参数的个数；
当筛后模型中的权重参数对应于核心参数时，第一调整系数和第二调整系数配置为：
其中，n用于表示核心参数的个数。
具体地，本实施例中，各筛后模型的非核心参数不同，不同的非核心参数会对各筛后模型输出的筛后预测值产生影响，进而影响各筛后模型的预测准确率，为了降低不同非核心参数对各筛后模型的预测准确率的影响，以提升各筛后模型的预测精度，需要对各非核心参数与相应筛后预测值之间进行相关性分析，利用样本协方差计算公式计算得到各非核心参数关于相应筛后预测值的第二相关系数，当第二相关系数较大时则表明该非核心参数对筛后预测值的影响较大，需要调整该非核心参数的权重参数以调整筛后预测值。第一调整系数和第二调整系数的初始值是确定的，分别可以为2和3。在本实施例中，核心参数的个数为3，因此当筛后模型中的权重参数对应于核心参数时，第一调整系数和第二调整系数是定值。而当筛后模型中的权重参数对应于非核心参数时，由于第二相关系数是需要根据各非核心参数和筛后预测值计算得到的，同时不同筛后模型的非核心参数的个数也不一致，因此对应于非核心参数的权重参数会随着非核心参数的变化动态变化，第二相关系数通过对权重参数调整公式中第一调整系数和第二调整系数的动态调整实现对权重参数的动态优化，进而提升筛后模型的预测精度。
优选的，各筛后模型和各优化模型的各核心参数和各非核心参数均由设置在SNCR脱硝系统中的若干传感器实时检测得到；
非核心参数中包含有易损传感器参数，Bi-LSTM网络模型的易损传感器参数包括右侧炉膛床层压力、左侧炉膛床层压力、炉膛上部压力3和炉膛上部压力1，单向LSTM网络模型的易损传感器参数包括空压机入口氧量，CNN神经网络模型的易损传感器参数包括锅炉出口烟气流量；
步骤S311与步骤S312之间还包括步骤S31A，判断各非核心参数中是否包含有易损传感器参数：
若是，则将根据易损传感器参数生成相应的传感器开启指令，并根据各第二相关系数调整对应于易损传感器参数的筛后模型中的权重参数，随后转向步骤S312；
若否，转向步骤S312；
在权重参数调整公式中，当筛后模型中的权重参数对应于易损传感器参数时，第一调整系数和第二调整系数配置为：
其中，p用于表示易损传感器参数的个数；
在运行各优化模型前，位于炉膛处的压力传感器、位于空压机入口处的温度传感器或位于锅炉出口处的流量传感器提前调整一预设时间段调整开闭状态。
具体地，本实施例中，不同筛后模型在预测过程中所需要输入的非核心参数不同，在传统模型预测过程中，采集SNCR脱硝系统输入参数的传感器需要时刻保持开启状态以进行实时采集，这样不但会造成不必要的能耗，还会加速传感器损坏，减少传感器的使用寿命。在本技术方案中，会优先切换运行预测准确率最高的筛后模型，在运行该筛后模型时，其余两个筛后模型中容易耗损的传感器可以关闭，以延长使用寿命，随着筛后模型的权重参数调整得到优化模型，调整过后预测准确率最高的优化模型与原先预测准确率最高的筛后模型可能不是同一个，因此在运行优化模型前，通过判断该优化模型的各非核心参数中是否包含有易损传感器参数以生成相应的传感器开启指令，可以提前开启易损的传感器，使得易损的传感器在模型不运行之前可以处于关闭状态，在接收到传感器开启指令开始数据采集，在模型停止运行一段时间后自动关闭。在本实施例中，易损传感器包括位于炉膛处的压力传感器、位于空压机入口处的温度传感器和位于锅炉出口处的流量传感器。
在步骤S312中的非核心参数是不包含易损传感器参数的其余非核心参数，当筛后模型中的权重参数对应于易损传感器参数时，采用
计算第一调整系数以及第二调整系数，当筛后模型中的权重参数对应于不包含易损传感器参数的其余非核心参数时，采用
计算第一调整系数和第二调整系数，通过采用不同的系数配置公式来计算第一调整系数以及第二调整系数，实现了对筛后模型中权重参数调整时针对非核心参数中是否包含易损传感器参数进行精确区分，进而能够根据非核心参数中是否包含易损传感器参数计算得到不同的第一调整系数以及不同的第二调整系数，进而实现对筛后模型中的权重参数进行动态优化，进一步提升了筛后模型的预测精度。
优选的，如图10所示，步骤S4和步骤S5之间还包括：
步骤S4A，判断预测准确率最高的优化模型与预测准确率最高的筛后模型之间的预测准确率差值是否低于预设阈值：
若是，则将预测准确率最高的优化模型作为最终模型输出；
若否，则转向步骤S5。
具体地，本实施例中，预设阈值可以为0.01％，当预测准确率最高的优化模型与预测准确率最高的筛后模型之间的预测准确率差值低于0.01％表明此时预测准确率最高的优化模型预测精度已经满足需求，可以作为最终模型输出，否则需要对各优化模型的权重参数进行不断调整，以实现对模型的预测精度优化。
优选的，如图11所示，步骤S4包括：
步骤S41，分别计算各优化预测值与NOx真实排放量之间的误差绝对值，并根据各误差绝对值处理得到各优化预测值的预测准确率；
步骤S42，对各优化预测值之间进行相关性分析，计算得到其余优化预测值关于预测准确率最高的优化预测值的第三相关系数；
如图12所示，步骤S5包括：
步骤S51，根据各第三相关系数以及各优化预测值的预测准确率调整相应优化模型中输入层与隐藏层之间的权重参数；
步骤S52，重新训练各优化模型得到调整过后的优化模型。
具体地，本实施例中，步骤S42中利用样本协方差计算公式计算得到其余优化预测值关于预测准确率最高的优化预测值的第三相关系数。步骤S51中对优化模型中输入层与隐藏层之间的权重参数调整过程与步骤S31中一致：将第三相关系数和各优化预测值的预测准确率输入权重参数调整公式以调整优化模型中输入层与隐藏层之间的权重参数。在计算权重参数的过程中，用第三相关系数替换原权重参数调整公式中的第一相关系数，其余不变，则权重参数调整公式更新为：
C3用于表示第三相关系数。优化模型的输入参数与筛后模型一致，也包括核心参数与非核心参数，不同优化模型的各核心参数相同，各非核心参数不同。
如图13所示，步骤S51包括：
步骤S511，对各非核心参数与相应优化预测值之间进行相关性分析，计算得到各非核心参数关于相应优化预测值的第四相关系数；
步骤S512，根据各第四相关系数调整对应于非核心参数的优化模型中的权重参数；
在权重参数调整公式中，当优化模型中的权重参数对应于非核心参数时，第一调整系数和第二调整系数配置为：
其中，C4用于表示第四相关系数；
当优化模型中的权重参数对应于核心参数时，第一调整系数和第二调整系数配置为：
步骤S511与步骤S512之间还包括步骤S51A，判断各非核心参数中是否包含有易损传感器参数：
若是，则将根据易损传感器参数生成相应的传感器开启指令，并根据各第二相关系数调整对应于易损传感器参数的优化模型中的权重参数；
若否，转向步骤S512；
在权重参数调整公式中，当优化模型中的权重参数对应于易损传感器参数时，第一调整系数和第二调整系数配置为：
在每次运行调整后的各优化模型前，位于炉膛处的压力传感器、位于空压机入口处的温度传感器或位于锅炉出口处的流量传感器提前调整预设时间段调整开闭状态。
具体地，本实施例中，步骤S51中对于第一调整系数与第二调整系数的动态调整过程与步骤S31中一致，区别只在于用第四相关系数替换了第二相关系数，对应于非核心参数的权重参数会随着非核心参数的变化动态变化。第四相关系数通过对权重参数调整公式中第一调整系数和第二调整系数的动态调整实现对权重参数的动态优化，进而提升优化模型的预测精度。
步骤S51A中对于第一调整系数与第二调整系数的动态调整过程与步骤S31A中一致，区别只在于用第四相关系数替换了第二相关系数，对应于易损传感器参数的权重参数会随着易损传感器参数的变化动态变化。
不同优化模型在预测过程中所需要输入的非核心参数不同，在传统模型预测过程中，采集SNCR脱硝系统输入参数的传感器需要时刻保持开启状态以进行实时采集，这样不但会造成不必要的能耗，还会加速传感器损坏，减少传感器的使用寿命。在本技术方案中，会优先切换运行预测准确率最高的优化模型，在运行该优化模型时，其余两个优化模型中容易耗损的传感器可以关闭，以延长使用寿命，随着优化模型的权重参数调整得到优化模型，调整过后预测准确率最高的优化模型与原先预测准确率最高的优化模型可能不是同一个，因此在运行优化模型前，通过判断该优化模型的各非核心参数中是否包含有易损传感器参数以生成相应的传感器开启指令，可以提前开启易损的传感器，使得易损的传感器在模型不运行之前可以处于关闭状态，在接收到传感器开启指令开始数据采集，在模型停止运行一段时间后自动关闭。在本实施例中，易损传感器包括位于炉膛处的压力传感器、位于空压机入口处的温度传感器和位于锅炉出口处的流量传感器。
在步骤S512中的非核心参数是不包含易损传感器参数的其余非核心参数，当优化模型中的权重参数对应于易损传感器参数时，采用
计算第一调整系数以及第二调整系数，当优化模型中的权重参数对应于不包含易损传感器参数的其余非核心参数时，采用
计算第一调整系数和第二调整系数，通过采用不同的系数配置公式来计算第一调整系数以及第二调整系数，实现了对优化模型中权重参数调整时针对非核心参数中是否包含易损传感器参数进行精确区分，进而能够根据非核心参数中是否包含易损传感器参数计算得到不同的第一调整系数以及不同的第二调整系数，进而实现对优化模型中的权重参数进行动态优化，进一步提升了优化模型的预测精度。
步骤S6通过计算各优化预测值与NOx真实排放量之间的误差绝对值，并根据各误差绝对值处理得到各优化预测值的预测准确率。当最近一次调整后预测准确率最高的优化模型与上一次调整后预测准确率最高的优化模型之间的预测准确率差值低于0.01％表明最近一次调整后预测准确率最高的优化模型预测精度已经满足需求，可以作为最终模型输出。否则表明最近一次调整后的优化模型还具有优化调整的空间，需要重复步骤5中的调整过程，通过若干次调整各优化模型，使得预测准确率差值逐步减少，同时各优化模型的预测精度不断提升，直至预测准确率差值低于0.01％得到最终模型，通过循环调整优化模型，实现了对优化模型预测准确率的不断提升直至得到最终模型，最终模型可以实现对NOx输出含量的精确预测，有效提升了对NOx输出含量的预测精度。
以上仅是本发明的优选实施方式，本发明的保护范围并不仅局限于上述实施例，凡属于本发明思路下的技术方案均属于本发明的保护范围。应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理前提下的若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。
Claims (10)
1.一种融合多神经网络的SNCR脱硝预测方法，其特征在于，包括：
步骤S1，利用预设的数据集训练得到若干不同的初始模型，将各所述初始模型的预测输出值与所述数据集中的真实输出值比对，根据比对结果筛选各所述初始模型，得到若干筛后模型；
步骤S2，根据比对结果依次运行各所述筛后模型以输出不同筛后预测值，根据各所述筛后预测值与当前状态下的NOx真实排放量之间的关系计算得到各所述筛后预测值之间的相关性以及各所述筛后预测值的预测准确率；
步骤S3，根据各所述筛后预测值之间的相关性以及各所述筛后预测值的预测准确率对各所述筛后模型的各所述输入参数所占的比重进行调整得到若干优化模型，各所述优化模型用于输出优化预测值；
步骤S4，根据各所述优化预测值与所述NOx真实排放量之间的关系计算得到各所述优化预测值之间的相关性以及各所述优化预测值的预测准确率；
步骤S5，根据各所述优化预测值之间的相关性以及各所述优化预测值的预测准确率对各所述优化模型的各所述输入参数所占的比重进行调整得到调整过后的所述优化模型；
步骤S6，根据各所述优化预测值与所述NOx真实排放量之间的关系计算得到各所述优化预测值的预测准确率，判断最近一次调整后预测准确率最高的所述优化模型与上一次调整后预测准确率最高的所述优化模型之间的预测准确率差值是否低于预设阈值：
若是，则将最近一次调整后预测准确率最高的所述优化模型作为最终模型输出；
若否，则转向步骤S5。
2.根据权利要求1所述的融合多神经网络的SNCR脱硝预测方法，其特征在于，所述步骤S1包括：
步骤S11，将所述数据集中的数据按照预设比例划分为训练集和验证集；
步骤S12，利用所述训练集中的数据训练得到各所述初始模型，所述初始模型包括Bi-LSTM网络模型、SVM网络模型、DNN神经网络模型、CNN神经网络模型和单向LSTM网络模型；
步骤S13，将所述验证集中的若干输入参数分别输入各所述初始模型中，得到不同的所述预测输出值，所述验证集中还包含有对应与各所述输出参数的所述真实输出值；
步骤S14，将各所述预测输出值与所述真实输出值进行比对得到所述比对结果，利用均方误差、拟合优度对所述比对结果中的各所述预测输出值相对应的各所述初始模型进行筛选，得到筛选后的各所述筛后模型，所述筛后模型包括所述Bi-LSTM网络模型、所述CNN神经网络模型和所述单向LSTM网络模型；
所述步骤14包括：
步骤141，计算得到所述比对结果中的各所述预测输出值相对于真实输出值的均方误差值和拟合优度值；
步骤142，将各所述均方误差值和所述拟合优度值带入预设的排序公式中，得到排序优先值；
步骤143，按照所述排序优先值由高到低对相应各所述初始模型进行排序筛选，得到各所述筛后模型，所述Bi-LSTM网络模型的排序优先值高于所述单向LSTM网络模型，所述单向LSTM网络模型的排序优先值高于所述CNN神经网络模型；
所述排序公式配置为：
其中，Sf用于表示所述排序优先值；
MSE用于表示所述均方误差值；
R2用于表示所述拟合优度值；
k1，k2分别用于表示预设的第一系数和第二系数，k1,k2∈(0,1)。
3.根据权利要求2所述的融合多神经网络的SNCR脱硝预测方法，其特征在于，所述步骤S2包括：
步骤S21，根据所述排序优先值由高到低依次运行所述Bi-LSTM网络模型、所述单向LSTM网络模型和所述CNN神经网络模型，使得所述Bi-LSTM网络模型、所述单向LSTM网络模型和所述CNN神经网络模型分别输出不同的所述筛后预测值；
步骤S22，分别计算各所述筛后预测值与所述NOx真实排放量之间的误差绝对值，并根据各所述误差绝对值处理得到各所述筛后预测值的预测准确率；
步骤S23，对各所述筛后预测值之间进行相关性分析，计算得到其余所述筛后预测值关于预测准确率最高的所述筛后预测值的第一相关系数。
4.根据权利要求3所述的融合多神经网络的SNCR脱硝预测方法，其特征在于，所述步骤S3包括：
步骤S31，根据各所述第一相关系数以及各所述筛后预测值的预测准确率调整相应所述筛后模型中输入层与隐藏层之间的权重参数；
步骤S32，重新训练调整后的各所述筛后模型得到所述优化模型。
5.根据权利要求4所述的融合多神经网络的SNCR脱硝预测方法，其特征在于：在所述步骤S31中，将所述第一相关系数和各所述筛后预测值的预测准确率输入权重参数调整公式以调整所述筛后模型中输入层与隐藏层之间的权重参数，所述权重参数调整公式配置为：
W用于表示调整过后的所述权重参数；
W0用于表示预设的初始权重参数；
Pa用于表示所述筛后预测值的预测准确率；
C1用于表示所述第一相关系数；
b1，b2分别用于表示预设的第一调整系数和第二调整系数。
6.根据权利要求5所述的融合多神经网络的SNCR脱硝预测方法，其特征在于，所述筛后预测值和所述优化预测值均为NOx输出含量，各所述筛后模型和各所述优化模型的输入参数均包括若干核心参数和若干非核心参数，各所述筛后模型的所述核心参数相同，所述核心参数包括总煤量、一次风总风量、二次风总风量；
各所述筛后模型的所述非核心参数不同，所述Bi-LSTM网络模型的非核心参数包括实发功率、总风量、右侧炉膛床层压力、左侧炉膛床层压力、炉膛前墙右侧平均床温、炉膛前墙左侧平均床温、炉膛后墙右侧平均床温、炉膛后墙左侧平均床温、右侧炉膛出口温度、左侧炉膛出口温度、炉膛上部压力3和炉膛上部压力1；
所述单向LSTM网络模型的非核心参数包括机组负荷、燃烧器摆角、风箱与炉膛的压差、炉膛出口氧量、床温、喷氨量、空压机入口氧量；
所述CNN神经网络模型的非核心参数包括机组负荷、一次风压、各层二次风门开度、各层燃尽风门开度、锅炉出口烟气流量、锅炉出口烟气温度、锅炉出口烟气含氧量、锅炉出口NOx浓度、锅炉入口NOx浓度、SNCR入口烟气压力、SNCR出口烟气压力、供电煤耗、发电煤耗和锅炉效率；
则所述步骤S31包括：
步骤S311，对各所述非核心参数与相应所述筛后预测值之间进行相关性分析，计算得到各所述非核心参数关于相应所述筛后预测值的第二相关系数；
步骤S312，根据各所述第二相关系数调整对应于非核心参数的所述筛后模型中的权重参数；
在所述权重参数调整公式中，当所述筛后模型中的权重参数对应于非核心参数时，所述第一调整系数和所述第二调整系数配置为：
其中，b1'，b2'分别用于表示所述第一调整系数和所述第二调整系数的初始值；
C2用于表示所述第二相关系数；
m用于表示所述非核心参数的个数；
当所述筛后模型中的权重参数对应于核心参数时，所述第一调整系数和所述第二调整系数配置为：
其中，n用于表示所述核心参数的个数。
7.根据权利要求6所述的融合多神经网络的SNCR脱硝预测方法，其特征在于，各所述筛后模型和各所述优化模型的各所述核心参数和各所述非核心参数均由设置在SNCR脱硝系统中的若干传感器实时检测得到；
所述非核心参数中包含有易损传感器参数，所述Bi-LSTM网络模型的所述易损传感器参数包括所述右侧炉膛床层压力、所述左侧炉膛床层压力、所述炉膛上部压力3和所述炉膛上部压力1，所述单向LSTM网络模型的所述易损传感器参数包括空压机入口氧量，所述CNN神经网络模型的所述易损传感器参数包括锅炉出口烟气流量；
所述步骤S311与所述步骤S312之间还包括步骤S31A，判断各所述非核心参数中是否包含有所述易损传感器参数：
若是，则将根据所述易损传感器参数生成相应的传感器开启指令，并根据各所述第二相关系数调整对应于易损传感器参数的所述筛后模型中的权重参数，随后转向步骤S312；
若否，则转向步骤S312；
在所述权重参数调整公式中，当所述筛后模型中的权重参数对应于易损传感器参数时，所述第一调整系数和所述第二调整系数配置为：
其中，p用于表示所述易损传感器参数的个数；
在运行各所述优化模型前，位于炉膛处的压力传感器、位于空压机入口处的温度传感器或位于锅炉出口处的流量传感器提前调整一预设时间段调整开闭状态。
8.根据权利要求1所述的融合多神经网络的SNCR脱硝预测方法，其特征在于，所述步骤S4和所述步骤S5之间还包括：
步骤S4A，判断预测准确率最高的所述优化模型与预测准确率最高的所述筛后模型之间的预测准确率差值是否低于预设阈值：
若是，则将预测准确率最高的所述优化模型作为最终模型输出；
若否，则转向步骤S5。
9.根据权利要求7所述的融合多神经网络的SNCR脱硝预测方法，其特征在于，所述步骤S4包括：
步骤S41，分别计算各所述优化预测值与所述NOx真实排放量之间的误差绝对值，并根据各所述误差绝对值处理得到各所述优化预测值的预测准确率；
步骤S42，对各所述优化预测值之间进行相关性分析，计算得到其余所述优化预测值关于预测准确率最高的所述优化预测值的第三相关系数；
则所述步骤S5包括：
步骤S51，根据各所述第三相关系数以及各所述优化预测值的预测准确率调整相应所述优化模型中输入层与隐藏层之间的权重参数；
步骤S52，重新训练各所述优化模型得到调整过后的所述优化模型。
10.根据权利要求9所述的融合多神经网络的SNCR脱硝预测方法，其特征在于，所述步骤S51包括：
步骤S511，对各非核心参数与相应优化预测值之间进行相关性分析，计算得到各非核心参数关于相应优化预测值的第四相关系数；
步骤S512，根据各第四相关系数调整对应于非核心参数的优化模型中的权重参数；
在权重参数调整公式中，当优化模型中的权重参数对应于非核心参数时，第一调整系数和第二调整系数配置为：
其中，C4用于表示第四相关系数；
当优化模型中的权重参数对应于核心参数时，第一调整系数和第二调整系数配置为：
所述步骤S511与所述步骤S512之间还包括步骤S51A，判断各所述非核心参数中是否包含有所述易损传感器参数：
若是，则将根据所述易损传感器参数生成相应的传感器开启指令，并根据各所述第二相关系数调整对应于易损传感器参数的所述优化模型中的权重参数，随后转向步骤S512；
若否，则转向步骤S512；
在所述权重参数调整公式中，当所述优化模型中的权重参数对应于易损传感器参数时，所述第一调整系数和所述第二调整系数配置为：
在每次运行调整后的各所述优化模型前，位于炉膛处的压力传感器、位于空压机入口处的温度传感器或位于锅炉出口处的流量传感器提前调整所述预设时间段调整开闭状态。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310214812.5A CN116167523A (zh) | 2023-03-06 | 2023-03-06 | 一种融合多神经网络的sncr脱硝预测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310214812.5A CN116167523A (zh) | 2023-03-06 | 2023-03-06 | 一种融合多神经网络的sncr脱硝预测方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN116167523A true CN116167523A (zh) | 2023-05-26 |
Family
ID=86413252
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310214812.5A Pending CN116167523A (zh) | 2023-03-06 | 2023-03-06 | 一种融合多神经网络的sncr脱硝预测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116167523A (zh) |
-
2023
- 2023-03-06 CN CN202310214812.5A patent/CN116167523A/zh active Pending
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN104534507B (zh) | 一种锅炉燃烧优化控制方法 | |
| CN110368808B (zh) | 一种scr烟气脱硝系统的喷氨量控制方法及系统 | |
| US8554706B2 (en) | Power plant control device which uses a model, a learning signal, a correction signal, and a manipulation signal | |
| CN107023825A (zh) | 流化床锅炉控制与燃烧优化系统 | |
| CN110263452B (zh) | 一种烟道内烟气时间分布特性分析方法、系统及脱硝系统 | |
| CN113433911B (zh) | 基于浓度精准预测的脱硝装置喷氨精准控制系统与方法 | |
| CN110263395A (zh) | 基于数值模拟和数据分析的电厂脱硝运行优化方法及系统 | |
| WO2024060488A1 (zh) | 一种基于深度循环神经网络和进化计算的工业锅炉燃烧优化方法 | |
| CN115111594B (zh) | 一种蓄热式热力氧化炉智能调控系统及方法 | |
| JP2007241624A (ja) | プラントの制御装置と制御方法及び火力発電プラントとその制御方法 | |
| CN114225662B (zh) | 一种基于滞后模型的烟气脱硫脱硝优化控制方法 | |
| CN111522290A (zh) | 一种基于深度学习方法的脱硝控制方法和系统 | |
| CN110764419A (zh) | 大型燃煤电站co2捕集整体调度及预测控制系统和方法 | |
| CN110762540A (zh) | 垃圾焚烧炉的燃烧决策方法和自动燃烧控制方法及系统 | |
| CN115145152A (zh) | 一种锅炉燃烧与脱硝过程协同优化控制的方法 | |
| CN109002068A (zh) | 一种火道的温度优化控制方法 | |
| CN115329659B (zh) | 废物焚烧炉二噁英排放实时预警及智能控制的方法及系统 | |
| CN116085823A (zh) | 锅炉燃烧控制方法及系统 | |
| CN105808945B (zh) | 一种混合智能锅炉效率燃烧优化方法 | |
| CN114427688A (zh) | 一种基于气温对锅炉运行影响构造的闭环燃烧优化控制方法 | |
| CN116167523A (zh) | 一种融合多神经网络的sncr脱硝预测方法 | |
| CN113177352A (zh) | 一种基于数值模拟和人工智能的锅炉燃烧优化系统及方法 | |
| Xia et al. | Soft measuring method of dioxin emission concentration for MSWI process based on RF and GBDT | |
| CN115113519A (zh) | 一种煤-煤气混烧锅炉脱硝系统出口NOx浓度预警方法 | |
| CN114740713B (zh) | 一种湿法烟气脱硫过程的多目标优化控制方法 |
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 |