CN116306234B - 一种燃气轮机的氮氧化物预测排放检测方法及系统 - Google Patents
一种燃气轮机的氮氧化物预测排放检测方法及系统 Download PDFInfo
- Publication number
- CN116306234B CN116306234B CN202310080463.2A CN202310080463A CN116306234B CN 116306234 B CN116306234 B CN 116306234B CN 202310080463 A CN202310080463 A CN 202310080463A CN 116306234 B CN116306234 B CN 116306234B
- Authority
- CN
- China
- Prior art keywords
- gas turbine
- model
- lsh
- variables
- solution
- 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
Links
- MWUXSHHQAYIFBG-UHFFFAOYSA-N Nitric oxide Chemical compound O=[N] MWUXSHHQAYIFBG-UHFFFAOYSA-N 0.000 title claims abstract description 161
- 239000007789 gas Substances 0.000 title claims abstract description 71
- 238000001514 detection method Methods 0.000 title claims description 7
- 238000005457 optimization Methods 0.000 claims abstract description 47
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 38
- 238000000034 method Methods 0.000 claims abstract description 32
- 230000000739 chaotic effect Effects 0.000 claims abstract description 31
- 230000007246 mechanism Effects 0.000 claims abstract description 25
- 238000007637 random forest analysis Methods 0.000 claims abstract description 13
- 239000013598 vector Substances 0.000 claims description 15
- 238000012549 training Methods 0.000 claims description 14
- 239000011159 matrix material Substances 0.000 claims description 12
- 230000008569 process Effects 0.000 claims description 10
- 238000004364 calculation method Methods 0.000 claims description 7
- 238000003066 decision tree Methods 0.000 claims description 6
- 238000010187 selection method Methods 0.000 claims description 6
- 238000001914 filtration Methods 0.000 claims description 5
- PCHJSUWPFVWCPO-UHFFFAOYSA-N gold Chemical compound [Au] PCHJSUWPFVWCPO-UHFFFAOYSA-N 0.000 claims description 5
- 239000010931 gold Substances 0.000 claims description 5
- 229910052737 gold Inorganic materials 0.000 claims description 5
- 238000010606 normalization Methods 0.000 claims description 5
- 238000010248 power generation Methods 0.000 claims description 5
- 238000007781 pre-processing Methods 0.000 claims description 5
- 238000005070 sampling Methods 0.000 claims description 5
- 238000011156 evaluation Methods 0.000 claims description 4
- 238000013507 mapping Methods 0.000 claims description 4
- 238000012545 processing Methods 0.000 claims description 4
- 238000004821 distillation Methods 0.000 claims description 3
- 230000006870 function Effects 0.000 claims description 3
- 238000013178 mathematical model Methods 0.000 claims description 3
- 238000005259 measurement Methods 0.000 claims description 3
- 238000012797 qualification Methods 0.000 claims description 3
- 238000012360 testing method Methods 0.000 claims description 3
- 238000012795 verification Methods 0.000 claims description 3
- 238000012216 screening Methods 0.000 claims description 2
- 238000012935 Averaging Methods 0.000 claims 1
- 229910002089 NOx Inorganic materials 0.000 description 3
- 238000013135 deep learning Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 238000012544 monitoring process Methods 0.000 description 3
- RAHZWNYVWXNFOC-UHFFFAOYSA-N Sulphur dioxide Chemical compound O=S=O RAHZWNYVWXNFOC-UHFFFAOYSA-N 0.000 description 2
- 238000002485 combustion reaction Methods 0.000 description 2
- 239000003344 environmental pollutant Substances 0.000 description 2
- 239000000284 extract Substances 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 231100000719 pollutant Toxicity 0.000 description 2
- MGWGWNFMUOTEHG-UHFFFAOYSA-N 4-(3,5-dimethylphenyl)-1,3-thiazol-2-amine Chemical compound CC1=CC(C)=CC(C=2N=C(N)SC=2)=C1 MGWGWNFMUOTEHG-UHFFFAOYSA-N 0.000 description 1
- UGFAIRIUMAVXCW-UHFFFAOYSA-N Carbon monoxide Chemical compound [O+]#[C-] UGFAIRIUMAVXCW-UHFFFAOYSA-N 0.000 description 1
- 101001095088 Homo sapiens Melanoma antigen preferentially expressed in tumors Proteins 0.000 description 1
- 102100037020 Melanoma antigen preferentially expressed in tumors Human genes 0.000 description 1
- CBENFWSGALASAD-UHFFFAOYSA-N Ozone Chemical compound [O-][O+]=O CBENFWSGALASAD-UHFFFAOYSA-N 0.000 description 1
- 238000003916 acid precipitation Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 239000003546 flue gas Substances 0.000 description 1
- 239000003517 fume Substances 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000000691 measurement method Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- JCXJVPUVTGWSNB-UHFFFAOYSA-N nitrogen dioxide Inorganic materials O=[N]=O JCXJVPUVTGWSNB-UHFFFAOYSA-N 0.000 description 1
- 230000000737 periodic effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 239000000779 smoke Substances 0.000 description 1
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
- G06N5/00—Computing arrangements using knowledge-based models
- G06N5/04—Inference or reasoning models
- G06N5/042—Backward inferencing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N7/00—Computing arrangements based on specific mathematical models
- G06N7/08—Computing arrangements based on specific mathematical models using chaos models or non-linear system models
-
- 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
- G06F2119/08—Thermal analysis or thermal optimisation
-
- 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)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Computing Systems (AREA)
- Data Mining & Analysis (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Computational Linguistics (AREA)
- Medical Informatics (AREA)
- Geometry (AREA)
- Computer Hardware Design (AREA)
- Nonlinear Science (AREA)
- Algebra (AREA)
- Computational Mathematics (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Pure & Applied Mathematics (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开一种燃气轮机的氮氧化物预测排放检测方法及系统，包括：获取燃气轮机传感器上的变量数据；采用随机森林挑选重要性高的参数。将局部敏感哈希LSH用于优化informer模型，并使用该模型预测发电厂燃气轮机氮氧化物排放；将挑选出来的参数和变量输入到改进的informer模型中，并对informer的模型进行调参，找出informer模型影响最大的超参数；对混沌博弈优化算法进行改进，加入精英反向学习机制和黄金正弦；使用改进的算法对模型的超参数进行进一步优化。本发明用于发电厂燃气轮机氮氧化物的预测，提高氮氧化物预测精度，解决了现有技术对氮氧化物预测精度不高的问题。
Description
技术领域
本发明属于发电厂燃气轮机氮氧化物预测技术领域，尤其涉及一种燃气轮机的氮氧化物预测排放检测方法及系统。
背景技术
联合循环发电厂的燃气轮机在燃烧过程中产生氮氧化物在是工业场景中不可避免的伴随过程。氮氧化物是严重污染环境的有害气态污染物，包括一氧化氮和二氧化氮，并且这些气体排放到空气中会导致烟雾、酸雨和对流层臭氧污染。若不约束氮氧化物的排放，氮氧化物很有可能取代二氧化硫成为大气中主要污染物。同时，检测发电厂燃烧过程产生的氮氧化物也是至关重要的。为此，有三种监测焚化炉烟气排放的方法：定期测量，连续排放监测系统(CEMS)，或预测排放监测系统(PEMS)。对于燃气轮机氮氧化物的处理，联合循环发电厂使用CEMS实时监测氮氧化物，而CEMS需要经常校准。PEMS是用于验证和备份燃气轮机发电厂使用过程中的烟气排放的重要工具。
深度学习不断的发展，作为机器学习的一个组成部分，深度学习比传统模型效果更好。传统模型只能收集浅层特征，不能自动提取深层特征。但是，深度学习可以比机器学习更深入、更全面地挖掘变量数据之间的特征，提高氮氧化物排放预测的准确性。近年来，基于深度神经网络的预测方法被应用于不同领域，氮氧化物排放预测也进入了一个新的时代。
目前氮氧化物预测模型不能充分利用燃气轮机的一些像环境温度和涡轮机入口温度的过程变量，模型参数设置不够准确，预测精度有待提升。本研究考虑采用随机森林挑选重要性高的随机变量，并使用改进的混沌博弈优化算法优化模型的超参数。
发明内容：
发明目的：针对背景技术中指出的问题，本发明公开了一种燃气轮机的氮氧化物预测排放检测方法及系统，利用改进的混沌博弈优化算法优化改进的informer模型，提高氮氧化物预测精度，解决了现有技术对氮氧化物预测精度不高的问题。
技术方案：本发明提供了一种燃气轮机的氮氧化物预测排放检测方法，包括如下步骤：
步骤1：从发电厂的燃气轮机传感器位置上获取所有输入和输出变量的数据，其中含有燃气轮机的环境温度、环境压力、环境湿度、空气过滤差压、燃气轮机排气压力、燃气轮机进口温度、燃气轮机后温度、燃气轮机发电量和燃气轮机机进口温度，这些变量作为输入变量，同时，氮氧化物的排放作为输出变量；
步骤2：使用随机森林对9个变量进行筛选，选择重要性高的作为输入变量；
步骤3：对informer模型进行改进，在probsparse自注意力机制对key进行随机采样的过程进行改进，加入局部敏感哈希LSH为每一个向量对应的query向量找到最邻近的key向量，构建LSH-informer模型；
步骤4：将步骤2中选择的发电厂的燃气轮机上的多维数据输入到LSH-informer模型中进行训练；
步骤5：对混沌博弈优化算法进行改进，使用精英反向学习机制对搜索空间进行改进，使用黄金正弦对位置更新方式进行改进；
步骤6：先通过手动调参，选取对该模型影响较大的超参数并确定范围；根据以上选出的超参数，使用改进的混沌博弈优化算法优化模型的超参数；
步骤7：使用评价指标评价该模型的性能，并利用优化后的模型进行氮氧化物预测排放检测。
进一步地，所述步骤2利用随机森林对变量重要性进行筛选。
随机森林在处理过程中对每个特征进行随机替换，再对重要性进行评估，根据决策树的贡献值选择重要性高的变量；每个因素的贡献大小使用Gini指数来衡量，Gini指数的计算公式如下。
其中p表示有p个决策树，c表示有c个类别，表示c类在q中的比例。
进一步地，所述步骤3利用LSH优化informer模型构建LSH-informer模型如下：
Informer模型的probsparse自注意力机制公式如下：
Q代表查询(query)矩阵，K代表键值(key)矩阵，V代表值(value)矩阵，d是缩放系数，代表矩阵Q与K的维度，用于控制点积值的范围，其中为通过稀疏性度量得到的稀疏矩阵；
步骤3.1probsparse自注意力机制需要为每个query随机采样部分的key；
步骤3.2加入LSH为query向量找到最邻近的N个key向量；
步骤3.3再为每个query计算稀疏性得分；
步骤3.4选取得分高的N个query；
步骤3.5计算N个query的和key的点积结果，进而得到attention的结果；
步骤3.6直接将自注意力层的输入去均值作为输出，这样保证每个probsparse自注意力机制层的输入和输出的长度。
进一步地，所述步骤4中将步骤2中选择的发电厂的燃气轮机上的多维数据输入LSH-informer模型中，具体操作为：
步骤4.1对步骤2的筛选的发电厂燃气轮机的序列数据使用标准化进行归一化理操作，按照7:1:2的比例划分训练集、验证集和测试集，归一化之后的数据映射为[0,1]区间的数据；
步骤4.2通过inputembedding生成编码器，对输入的特征进行位置编码；
步骤4.3对于query，key和value的计算，用LSH改进probsparse自注意力，增加并行计算能力，减少时间复杂度；
步骤4.4通过注意力蒸馏机制，使得单个层级特征在时间维度减半，从而准许编码器处理更长的输入；
步骤4.5通过一次向前计算，预测长序列的所有输出，通过对decoder的堆叠，进行动态堆叠数据；
步骤4.6最终通过一个全连接层，得到最后的输出，将预测得到的输出和真实值进行损失函数loss计算；
步骤4.7进行反归一化操作得到氮氧化物的最终预测结果。
进一步地，所述步骤5对混沌博弈优化算法进行改进的具体方法为：
步骤5.1：首先定义了搜索空间中候选解X，该过程使用随机选择方法；
其中，用于表示候选解的初始位置；/>and/>是第v个候选方案的第u个决策变量的上界与下界，rand是0到1之中的随机数；
步骤5.2：利用精英反向学习机制优化混沌博弈优化算法的搜索能力，利用当前混沌博弈优化算法的可行解去构造反向解，得到当前解和反向解，然后从中选取最优解；该方法的的数学模型如下：
其中，Z为(0,1)上的动态系数，δv＝min(Xu，v)εv＝max(Xu，v)，δv、εv为动态边界；精英反向解重置边界，重置方式如下：
步骤5.3：计算初始候选解的适应度值，由初始合格点的自相似性决定；
步骤5.4：确定全局最佳合格以及全局最优值GB；
步骤5.5：对于搜索空间中每个合格点Xu，由随机选择过程确定平均值MGu；
步骤5.6：对于搜索空间中每个合格点，用三个点Xu，MGu，GB确定一个临时三角形；
步骤5.7：对于构建的每个临时三角形，对四个种子的位置进行更新；
步骤5.8：黄金正弦改变混沌博弈优化算法第四个位置的更新方式，改进后的黄金正弦的方程式如下：
其中表示在d维空间中，个体o在第t次迭代时的解向量；W1决定着下一次迭代个体的移动的距离，是[0,2π]中的一个随机数；W2决定着下一次迭代个体的移动的方向，是[0,2]中的一个随机数；/>代表第t次迭代的最佳位置；x1和x2代表由黄金分割系数所得到的系数，x1＝-π+(1-γ)2π，x1＝-π+γ×2π，
步骤5.9：再次评估种子位置，接着计算适应度值，判断是否满足最大迭代次数，若满足，则输出最优位置和全局最优解；否则，返回步骤5.3重新计算迭代计算。
本发明还公开一种燃气轮机的氮氧化物预测排放检测系统，包括数据预处理模块、模型训练模块、智能优化模型；
数据预处理模块，用于从发电厂的燃气轮机传感器位置上获取所有输入和输出变量的数据，其中含有燃气轮机的环境温度、环境压力、环境湿度、空气过滤差压、燃气轮机排气压力、燃气轮机进口温度、燃气轮机后温度、燃气轮机发电量和燃气轮机机进口温度的变量作为输入变量，氮氧化物的排放作为输出变量；利用随机森林对发电厂燃气轮机传感器上获取变量的重要性进行筛选；
模型训练模块，用于建立基于LSH-informer模型的氮氧化物预测模型，通过发电厂燃气轮机氮氧化物的历史数据与智能优化模块对氮氧化物预测模型进行训练，求出模型的最优超参数；
智能优化模块，用于使用基于LSH-informer模型的氮氧化物预测模型的超参数，模块内部包含改进的混沌博弈优化算法，改进的混沌博弈优化算法包括：反向精英学习机制扩大搜索范围，黄金正弦改变混沌博弈优化算法第四个位置的更新方式。
有益效果
1、本发明使用局部敏感哈希改进informer的注意力机制以便模型提取更深参差的特征模型时搜索能力更强。该方法使得模型的并行计算能力得到加强，并且速度有一定的提升。
2、本发明针对混沌博弈优化算法容易陷入局部最优提出了一种改进的混沌博弈优化算法，通过精英反向学习机制和黄金正弦优化算法的初始化和位置更新方式，提高算法优化能力。
3、本发明使用改进的混沌博弈优化算法对LSH-informer模型进行优化，获取适合的超参数，得到最好的预测结果。4、本发明将改进的informer模型用于预测氮氧化物的排放。
附图说明
图1为本发明的系统流程图；
图2为所提出的氮氧化物预测模型；
图3为改进的优化算法。
具体实施方法
为了能够更加详尽的了解本公开发明的特点和技术内容，下面结合附图对本发明作进一步详细说明。
本发明提供一种燃气轮机的氮氧化物预测排放检测方法及系统，该系统包括数据预处理模块、模型训练模块和智能优化模型。
数据预处理模块：从发电厂的燃气轮机传感器位置上获取所有输入和输出变量的数据，其中含有燃气轮机的环境温度、环境压力、环境湿度、空气过滤差压、燃气轮机排气压力、燃气轮机进口温度、燃气轮机后温度、燃气轮机发电量和燃气轮机机进口温度的变量作为输入变量，氮氧化物的排放作为输出变量。对于这些变量，本发明利用随机森林对发电厂燃气轮机传感器上获取变量的重要性进行筛选。
随机森林是一种重要性衡量的方法，在处理过程中对每个特征进行随机替换，在对重要性进行评估，根据决策树的贡献值选择重要性高的变量。通常情况下，每个因素的贡献大小可以用Gini指数来衡量。Gini指数的计算公式如下。
其中p表示有p个决策树，c表示有c个类别，表示c类在q中的比例。
本实施方式使用随机森林对燃气轮机传感器的九个变量的重要性进行筛选，选出7个重要性高的变量，再将变量输入到模型中进行训练。
模型训练模块，用于建立基于LSH-informer模型的氮氧化物预测模型，通过发电厂燃气轮机氮氧化物的历史数据与智能优化模块对氮氧化物预测模型进行训练，求出模型的最优超参数。
利用LSH优化informer模型如下：
Informer模型的probsparse自注意力机制如下：
Q代表查询(Query)矩阵，K代表键值(Key)矩阵，V代表值(Value)矩阵。d是缩放系数，代表矩阵Q与K的维度，用于控制点积值的范围。其中为通过稀疏性度量得到的稀疏矩阵。
(1)Probsparse自注意力机制需要为每个query随机采样部分的key。
(2)加入LSH为query向量找到最邻近的N个key向量。
(3)再为每个query计算稀疏性得分。
(4)选取得分高的N个query。
(5)计算N个query的和key的点积结果，进而得到attention的结果。
(6)直接将自注意力层的输入去均值作为输出，这样保证每个probsparse自注意力机制层的输入和输出的长度。
(7)发电厂的燃气轮机的多维数据，对该序列数据使用标准化进行归一化理操作，按照7:1:2的比例划分训练集、验证集和测试集，归一化之后的数据映射为[0,1]区间的数据。
(8)通过input embedding生成编码器，对输入的特征进行位置编码。
(9)对于query，key和value的计算用LSH改进probsparse自注意力，增加并行计算能力，减少时间复杂度。
(10)通过注意力蒸馏机制，使得单个层级特征在时间维度减半，从而准许编码器处理更长的输入。
(11)通过一次向前计算，预测长序列的所有输出，通过对Decoder的堆叠，进行动态堆叠数据，来更好的获得输入输出间的映射关系，以此来提高预测精度。
(12)最终通过一个全连接层，得到最后的输出；其中技术。将预测得到的输出和真实值进行损失函数loss计算。
(13)进行反归一化操作得到氮氧化物的最终预测结果。
智能优化模块，用于使用基于LSH-informer模型的氮氧化物预测模型的超参数，模块内部包含改进的混沌博弈优化算法，改进的策略包括：反向精英学习机制扩大搜索范围，黄金正弦改变混沌博弈优化算法第四个位置的更新方式。
使用改进的混沌博弈优化算法对LSH-Informer进行改进。
(1)：首先定义了搜索空间中候选解X，该过程使用随机选择方法；
其中，用于表示候选解的初始位置；/>and/>是第v个候选方案的第u个决策变量的上界与下界，rand是0到1之中的随机数。
(2)：利用精英反向学习机制优化混沌博弈优化算法的搜索能力。利用当前混沌博弈优化算法的可行解去构造反向解，得到当前解和反向解，然后从中选取最优解。该方法的的数学模型如下：
其中，Z为(0,1)上的动态系数，δv＝min(Xu，v)εv＝max(Xu，v)，δv、εv为动态边界。动态边界相对于固定边界，解决了搜索经验难保持的缺点。精英反向解使得该算法可以在狭窄的空间中进行搜索，同时不易限于局部最优。但是该方法可能使/>越界，这时需要重置边界，重置方式如下：
(3)：计算初始候选解的适应度值，由初始合格点的自相似性决定。
(4)：确定全局最佳合格以及全局最优值GB。
(5)：对于搜索空间中每个合格点Xu，由随机选择过程确定平均值MGu。
(6)：对于搜索空间中每个合格点，用三个点Xu，MGu，GB确定一个临时三角形。
(7)：对于构建的每个临时三角形，对四个种子的位置进行更新。
(8)：黄金正弦优化位置更新方法的使用使混沌博弈优化算法在每次迭代中都能充分搜索，并给出优秀解的区域，而不是整个区域。这提高了算法的搜索速度，增强该算法的局部搜索能力。该改进涉及到第四种位置更新方法，改进后的黄金正弦的方程式如下。
其中表示在d维空间中，个体o在第t次迭代时的解向量；W1决定着下一次迭代个体的移动的距离，是[0,2π]中的一个随机数；W2决定着下一次迭代个体的移动的方向，是[0,2]中的一个随机数；/>代表第t次迭代的最佳位置；x1和x2代表由黄金分割系数所得到的系数，x1＝-π+(1-γ)2π，x1＝-π+γ×2π，
(9)：再次评估种子位置，接着计算适应度值，判断是否满足最大迭代次数，若满足，则输出最优位置和全局最优解。否则，返回步骤(3)重新计算迭代计算。
(10)改进的混沌博弈优化算法构建成功。
(11)：对模型的超参数进行简单的调参，挑选对模型的影响大的超参数，一般选择dropout，batch和learning rate超参数。
(12)：确定需要调整的超参数的范围。
(13)：使用改进的混沌博弈优化算法优化模型的超参数，输出最优超参数。
(14)：得到发电厂燃气轮机的氮氧化物排放预测结果。
(15)：验证和备份发电厂燃气轮机烟气排放。
对于上述的预测模型使用评价指标评价该模型的性能，并利用优化后的模型进行氮氧化物预测排放检测，得到发电厂燃气轮机的氮氧化物排放预测结果。
评价指标如下所述：
其中，ai表示预测值，bi表示真实值，是ai的平均值，n表示样本的总数。R2的范围是0到1，MSE，RSME和MAE越接近0，预测效果越好。MAPE越接近0％越好。
上述实施方式只为说明本发明的技术构思及特点，其目的在于让熟悉此项技术的人能够了解本发明的内容并据以实施，并不能以此限制本发明的保护范围。凡根据本发明精神实质所做的等效变换或修饰，都应涵盖在本发明的保护范围之内。
Claims (4)
1.一种燃气轮机的氮氧化物预测排放检测方法，其特征在于，包括如下步骤：
步骤1：从发电厂的燃气轮机传感器位置上获取所有输入和输出变量的数据，其中含有燃气轮机的环境温度、环境压力、环境湿度、空气过滤差压、燃气轮机排气压力、燃气轮机进口温度、燃气轮机后温度、燃气轮机发电量和燃气轮机机进口温度，这些变量作为输入变量，同时，氮氧化物的排放作为输出变量；
步骤2：使用随机森林对9个变量进行筛选，选择重要性高的作为输入变量；
步骤3：对informer模型进行改进，在probsparse自注意力机制对key进行随机采样的过程进行改进，加入局部敏感哈希LSH为每一个向量对应的query向量找到最邻近的key向量，构建LSH-informer模型；
所述步骤3利用LSH优化informer模型构建LSH-informer模型如下：
Informer模型的probsparse自注意力机制公式如下：
Q代表查询query矩阵，K代表键值key矩阵，V代表值value矩阵，d是缩放系数，代表矩阵Q与K的维度，用于控制点积值的范围，其中为通过稀疏性度量得到的稀疏矩阵；
步骤3.1probsparse自注意力机制需要为每个query随机采样部分的key；
步骤3.2加入LSH为query向量找到最邻近的N个key向量；
步骤3.3再为每个query计算稀疏性得分；
步骤3.4选取得分高的N个query；
步骤3.5计算N个query的和key的点积结果，进而得到attention的结果；
步骤3.6直接将自注意力层的输入去均值作为输出，这样保证每个probsparse自注意力机制层的输入和输出的长度；
步骤4：将步骤2中选择的发电厂的燃气轮机上的多维数据输入到LSH-informer模型中进行训练；
步骤5：对混沌博弈优化算法进行改进，使用精英反向学习机制对搜索空间进行改进，使用黄金正弦对位置更新方式进行改进；
步骤5.1：首先定义了搜索空间中候选解X，该过程使用随机选择方法；
其中，用于表示候选解的初始位置；/>and/>是第v个候选方案的第u个决策变量的上界与下界，rand是0到1之中的随机数；
步骤5.2：利用精英反向学习机制优化混沌博弈优化算法的搜索能力，利用当前混沌博弈优化算法的可行解去构造反向解，得到当前解和反向解，然后从中选取最优解；该方法的的数学模型如下：
其中，Z为(0,1)上的动态系数，δv＝min(Xu，v)，εv＝max(Xu，v)，δv、εv为动态边界；精英反向解重置边界，重置方式如下：
步骤5.3：计算初始候选解的适应度值，由初始合格点的自相似性决定；
步骤5.4：确定全局最佳合格以及全局最优值GB；
步骤5.5：对于搜索空间中每个合格点Xu，由随机选择过程确定平均值MGu；
步骤5.6：对于搜索空间中每个合格点，用三个点Xu，MGu，GB确定一个临时三角形；
步骤5.7：对于构建的每个临时三角形，对四个种子的位置进行更新；
步骤5.8：黄金正弦改变混沌博弈优化算法第四个位置的更新方式，改进后的黄金正弦的方程式如下：
其中表示在d维空间中，个体o在第t次迭代时的解向量；/>W1决定着下一次迭代个体的移动的距离，是[0,2π]中的一个随机数；W2决定着下一次迭代个体的移动的方向，是[0,2]中的一个随机数；/>代表第t次迭代的最佳位置；x1和x2代表由黄金分割系数所得到的系数，x1＝-π+(1-γ)2π，x1＝-π+γ×2π，/>
步骤5.9：再次评估种子位置，接着计算适应度值，判断是否满足最大迭代次数，若满足，则输出最优位置和全局最优解；否则，返回步骤5.3重新计算迭代计算；
步骤6：先通过手动调参，选取对该模型影响较大的超参数并确定范围；根据以上选出的超参数，使用改进的混沌博弈优化算法优化模型的超参数；
步骤7：使用评价指标评价该模型的性能，并利用优化后的模型进行氮氧化物预测排放检测。
2.根据权利要求1所述的一种燃气轮机的氮氧化物预测排放检测方法，其特征在于，所述步骤2利用随机森林对变量重要性进行筛选：
随机森林在处理过程中对每个特征进行随机替换，再对重要性进行评估，根据决策树的贡献值选择重要性高的变量；每个因素的贡献大小使用Gini指数来衡量，Gini指数的计算公式如下：
其中p表示有p个决策树，c表示有c个类别，表示c类在q中的比例。
3.根据权利要求1所述的一种燃气轮机的氮氧化物预测排放检测方法，其特征在于，所述步骤4中将步骤2中选择的发电厂的燃气轮机上的多维数据输入LSH-informer模型中，具体操作为：
步骤4.1对步骤2的筛选的发电厂燃气轮机的序列数据使用标准化进行归一化理操作，按照7:1:2的比例划分训练集、验证集和测试集，归一化之后的数据映射为[0,1]区间的数据；
步骤4.2通过input embedding生成编码器，对输入的特征进行位置编码；
步骤4.3对于query，key和value的计算，用LSH改进probsparse自注意力，增加并行计算能力，减少时间复杂度；
步骤4.4通过注意力蒸馏机制，使得单个层级特征在时间维度减半，从而准许编码器处理更长的输入；
步骤4.5通过一次向前计算，预测长序列的所有输出，通过对decoder的堆叠，进行动态堆叠数据；
步骤4.6最终通过一个全连接层，得到最后的输出，将预测得到的输出和真实值进行损失函数loss计算；
步骤4.7进行反归一化操作得到氮氧化物的最终预测结果。
4.一种基于权利要求1至3任一所述的燃气轮机的氮氧化物预测排放检测方法的检测系统，其特征在于：包括数据预处理模块、模型训练模块、智能优化模型；
数据预处理模块，用于从发电厂的燃气轮机传感器位置上获取所有输入和输出变量的数据，其中含有燃气轮机的环境温度、环境压力、环境湿度、空气过滤差压、燃气轮机排气压力、燃气轮机进口温度、燃气轮机后温度、燃气轮机发电量和燃气轮机机进口温度的变量作为输入变量，氮氧化物的排放作为输出变量；利用随机森林对发电厂燃气轮机传感器上获取变量的重要性进行筛选；
模型训练模块，用于建立基于LSH-informer模型的氮氧化物预测模型，通过发电厂燃气轮机氮氧化物的历史数据与智能优化模块对氮氧化物预测模型进行训练，求出模型的最优超参数；
智能优化模块，用于使用基于LSH-informer模型的氮氧化物预测模型的超参数，模块内部包含改进的混沌博弈优化算法，改进的混沌博弈优化算法包括：反向精英学习机制扩大搜索范围，黄金正弦改变混沌博弈优化算法第四个位置的更新方式。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310080463.2A CN116306234B (zh) | 2023-02-08 | 2023-02-08 | 一种燃气轮机的氮氧化物预测排放检测方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310080463.2A CN116306234B (zh) | 2023-02-08 | 2023-02-08 | 一种燃气轮机的氮氧化物预测排放检测方法及系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN116306234A CN116306234A (zh) | 2023-06-23 |
| CN116306234B true CN116306234B (zh) | 2023-10-20 |
Family
ID=86821296
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310080463.2A Active CN116306234B (zh) | 2023-02-08 | 2023-02-08 | 一种燃气轮机的氮氧化物预测排放检测方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116306234B (zh) |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106971240A (zh) * | 2017-03-16 | 2017-07-21 | 河海大学 | 一种变量选择与高斯过程回归的短期负荷预测方法 |
| CN113282122A (zh) * | 2021-05-31 | 2021-08-20 | 西安建筑科技大学 | 一种商用建筑能耗预测优化方法及系统 |
| CN113435101A (zh) * | 2021-04-01 | 2021-09-24 | 国网内蒙古东部电力有限公司 | 一种基于粒子群优化的支持向量机停电预测方法 |
| CN114519469A (zh) * | 2022-02-22 | 2022-05-20 | 重庆大学 | 一种基于Transformer框架的多变量长序列时间序列预测模型的构建方法 |
| CN114662389A (zh) * | 2022-03-22 | 2022-06-24 | 河南大学 | 面向空气污染物的自相关误差Informer模型长时序预测方法及系统 |
| CN114707227A (zh) * | 2022-04-28 | 2022-07-05 | 水利部南京水利水文自动化研究所 | 一种基于数字孪生的大坝安全预警消警方法及系统 |
| CN115437386A (zh) * | 2022-11-03 | 2022-12-06 | 中国人民解放军陆军装甲兵学院 | 一种基于空地信息融合的无人车路径规划方法 |
-
2023
- 2023-02-08 CN CN202310080463.2A patent/CN116306234B/zh active Active
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106971240A (zh) * | 2017-03-16 | 2017-07-21 | 河海大学 | 一种变量选择与高斯过程回归的短期负荷预测方法 |
| CN113435101A (zh) * | 2021-04-01 | 2021-09-24 | 国网内蒙古东部电力有限公司 | 一种基于粒子群优化的支持向量机停电预测方法 |
| CN113282122A (zh) * | 2021-05-31 | 2021-08-20 | 西安建筑科技大学 | 一种商用建筑能耗预测优化方法及系统 |
| CN114519469A (zh) * | 2022-02-22 | 2022-05-20 | 重庆大学 | 一种基于Transformer框架的多变量长序列时间序列预测模型的构建方法 |
| CN114662389A (zh) * | 2022-03-22 | 2022-06-24 | 河南大学 | 面向空气污染物的自相关误差Informer模型长时序预测方法及系统 |
| CN114707227A (zh) * | 2022-04-28 | 2022-07-05 | 水利部南京水利水文自动化研究所 | 一种基于数字孪生的大坝安全预警消警方法及系统 |
| CN115437386A (zh) * | 2022-11-03 | 2022-12-06 | 中国人民解放军陆军装甲兵学院 | 一种基于空地信息融合的无人车路径规划方法 |
Non-Patent Citations (2)
| Title |
|---|
| 卷积神经网络的人脸隐私保护识别;章坚武;沈炜;吴震东;;中国图象图形学报(05);全文 * |
| 基于混沌最优博弈的网络任务调度算法仿真;陈艇;;计算机仿真(11);全文 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN116306234A (zh) | 2023-06-23 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110532674B (zh) | 一种燃煤电站锅炉炉膛温度测量方法 | |
| CN113627071B (zh) | 一种基于鲸鱼算法优化长短时记忆网络的燃煤锅炉nox软测量方法 | |
| CN109492319B (zh) | 一种火电厂锅炉烟气含氧量软测量方法 | |
| CN110987436B (zh) | 基于激励机制的轴承故障诊断方法 | |
| CN116448419A (zh) | 基于深度模型高维参数多目标高效寻优的零样本轴承故障诊断方法 | |
| CN110880369A (zh) | 基于径向基函数神经网络的气体标志物检测方法及应用 | |
| CN115374995A (zh) | 一种分布式光伏、小风电场站功率预测方法 | |
| Tang et al. | A deep learning model for measuring oxygen content of boiler flue gas | |
| CN113011660A (zh) | 空气质量预测方法、系统及存储介质 | |
| CN110794485A (zh) | 基于集成学习的强对流天气持续时间预报方法 | |
| CN116306234B (zh) | 一种燃气轮机的氮氧化物预测排放检测方法及系统 | |
| CN110988263A (zh) | 一种基于改进的Stacking模型的车辆尾气浓度估计方法 | |
| Krishna et al. | Selection of data preprocessing techniques and its emergence towards machine learning algorithms using hpi dataset | |
| CN115437245A (zh) | 一种基于燃烧状态预测模型的锅炉优化控制方法 | |
| Xu et al. | Analysis and prediction of vehicle exhaust emission using ann | |
| CN114896895A (zh) | 基于门控循环神经网络的脱硝系统入口氮氧化物排放预测方法及系统 | |
| CN115879367A (zh) | 一种工业园区内二氧化碳排放源位置和强度的反演方法 | |
| TWI735385B (zh) | 硫氧化物的預測方法與燒結工廠 | |
| CN113707228A (zh) | 一种基于LightGBM算法的湿法烟气脱硫优化方法 | |
| CN114038513A (zh) | 燃煤锅炉内硫化氢的质量浓度预测方法、装置及终端 | |
| CN117874480A (zh) | 基于ico-boss算法的土壤重金属光谱特征提取方法 | |
| Aytenfsu et al. | Controlling the interior of greenhouses using Elman recurrent neural network | |
| CN118039026A (zh) | 一种基于集成学习燃气轮机的氮氧化物预测方法及系统 | |
| Jing et al. | Research on genetic neural network algorithm and its application | |
| He et al. | A novel soft sensor model based on stacking ensemble learning framework |
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 |