CN116312861A - 脱硝系统气体浓度预测方法、装置、设备及存储介质 - Google Patents
脱硝系统气体浓度预测方法、装置、设备及存储介质 Download PDFInfo
- Publication number
- CN116312861A CN116312861A CN202310513731.5A CN202310513731A CN116312861A CN 116312861 A CN116312861 A CN 116312861A CN 202310513731 A CN202310513731 A CN 202310513731A CN 116312861 A CN116312861 A CN 116312861A
- Authority
- CN
- China
- Prior art keywords
- feature extraction
- extraction module
- gas concentration
- data
- concentration prediction
- 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 105
- 238000000605 extraction Methods 0.000 claims abstract description 163
- 230000004927 fusion Effects 0.000 claims abstract description 60
- 230000007246 mechanism Effects 0.000 claims abstract description 35
- 230000008569 process Effects 0.000 claims description 47
- 238000012549 training Methods 0.000 claims description 21
- 230000015654 memory Effects 0.000 claims description 15
- 238000011176 pooling Methods 0.000 claims description 15
- 238000012360 testing method Methods 0.000 claims description 13
- 238000012545 processing Methods 0.000 claims description 11
- 238000005457 optimization Methods 0.000 claims description 10
- 238000012216 screening Methods 0.000 claims description 5
- 238000001914 filtration Methods 0.000 claims description 4
- 238000010606 normalization Methods 0.000 claims description 4
- 238000007781 pre-processing Methods 0.000 claims description 4
- 239000007789 gas Substances 0.000 description 111
- MWUXSHHQAYIFBG-UHFFFAOYSA-N nitrogen oxide Inorganic materials O=[N] MWUXSHHQAYIFBG-UHFFFAOYSA-N 0.000 description 27
- 238000013527 convolutional neural network Methods 0.000 description 16
- 238000006243 chemical reaction Methods 0.000 description 14
- QGZKDVFQNNGYKY-UHFFFAOYSA-N Ammonia Chemical compound N QGZKDVFQNNGYKY-UHFFFAOYSA-N 0.000 description 10
- 239000003245 coal Substances 0.000 description 9
- 238000005516 engineering process Methods 0.000 description 9
- 238000010586 diagram Methods 0.000 description 7
- UGFAIRIUMAVXCW-UHFFFAOYSA-N Carbon monoxide Chemical compound [O+]#[C-] UGFAIRIUMAVXCW-UHFFFAOYSA-N 0.000 description 6
- 239000003546 flue gas Substances 0.000 description 6
- 229910021529 ammonia Inorganic materials 0.000 description 5
- 238000004891 communication Methods 0.000 description 5
- 230000000694 effects Effects 0.000 description 4
- QVGXLLKOCUKJST-UHFFFAOYSA-N atomic oxygen Chemical compound [O] QVGXLLKOCUKJST-UHFFFAOYSA-N 0.000 description 3
- 238000010531 catalytic reduction reaction Methods 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 238000002347 injection Methods 0.000 description 3
- 239000007924 injection Substances 0.000 description 3
- 239000011159 matrix material Substances 0.000 description 3
- 238000005259 measurement Methods 0.000 description 3
- 239000001301 oxygen Substances 0.000 description 3
- 229910052760 oxygen Inorganic materials 0.000 description 3
- 230000006403 short-term memory Effects 0.000 description 3
- CURLTUGMZLYLDI-UHFFFAOYSA-N Carbon dioxide Chemical compound O=C=O CURLTUGMZLYLDI-UHFFFAOYSA-N 0.000 description 2
- -1 OXY Chemical class 0.000 description 2
- 238000012300 Sequence Analysis Methods 0.000 description 2
- 230000009471 action Effects 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 239000003054 catalyst Substances 0.000 description 2
- 238000010276 construction Methods 0.000 description 2
- 230000008878 coupling Effects 0.000 description 2
- 238000010168 coupling process Methods 0.000 description 2
- 238000005859 coupling reaction Methods 0.000 description 2
- 238000005206 flow analysis Methods 0.000 description 2
- 238000004868 gas analysis Methods 0.000 description 2
- 239000004973 liquid crystal related substance Substances 0.000 description 2
- 230000008447 perception Effects 0.000 description 2
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 2
- IJGRMHOSHXDMSA-UHFFFAOYSA-N Atomic nitrogen Chemical compound N#N IJGRMHOSHXDMSA-UHFFFAOYSA-N 0.000 description 1
- XSQUKJJJFZCRTK-UHFFFAOYSA-N Urea Chemical compound NC(N)=O XSQUKJJJFZCRTK-UHFFFAOYSA-N 0.000 description 1
- 230000002411 adverse Effects 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 239000004202 carbamide Substances 0.000 description 1
- 229910002092 carbon dioxide Inorganic materials 0.000 description 1
- 239000001569 carbon dioxide Substances 0.000 description 1
- 239000003638 chemical reducing agent Substances 0.000 description 1
- 238000002485 combustion reaction Methods 0.000 description 1
- 230000006835 compression Effects 0.000 description 1
- 238000007906 compression Methods 0.000 description 1
- 238000010219 correlation analysis Methods 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 229910001873 dinitrogen Inorganic materials 0.000 description 1
- 230000005611 electricity Effects 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 239000002803 fossil fuel Substances 0.000 description 1
- 239000000446 fuel Substances 0.000 description 1
- 239000012535 impurity Substances 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 230000007787 long-term memory Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- VUZPPFZMUPKLLV-UHFFFAOYSA-N methane;hydrate Chemical compound C.O VUZPPFZMUPKLLV-UHFFFAOYSA-N 0.000 description 1
- 238000012821 model calculation Methods 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000005025 nuclear technology Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000007254 oxidation reaction Methods 0.000 description 1
- 238000010248 power generation Methods 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 230000000306 recurrent effect Effects 0.000 description 1
- 238000006479 redox reaction Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 239000000243 solution Substances 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16C—COMPUTATIONAL CHEMISTRY; CHEMOINFORMATICS; COMPUTATIONAL MATERIALS SCIENCE
- G16C20/00—Chemoinformatics, i.e. ICT specially adapted for the handling of physicochemical or structural data of chemical particles, elements, compounds or mixtures
- G16C20/30—Prediction of properties of chemical compounds, compositions or mixtures
-
- 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
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16C—COMPUTATIONAL CHEMISTRY; CHEMOINFORMATICS; COMPUTATIONAL MATERIALS SCIENCE
- G16C20/00—Chemoinformatics, i.e. ICT specially adapted for the handling of physicochemical or structural data of chemical particles, elements, compounds or mixtures
- G16C20/70—Machine learning, data mining or chemometrics
-
- 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
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A50/00—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE in human health protection, e.g. against extreme weather
- Y02A50/20—Air quality improvement or preservation, e.g. vehicle emission control or emission reduction by using catalytic converters
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Computing Systems (AREA)
- Life Sciences & Earth Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Software Systems (AREA)
- Crystallography & Structural Chemistry (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Chemical & Material Sciences (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Databases & Information Systems (AREA)
- Medical Informatics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Molecular Biology (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开一种脱硝系统气体浓度预测方法、装置、设备及存储介质，该方法首先获取当前系统的气体排放数据，再基于改进后浓度预测模型中的特征提取模块对气体排放数据进行特征提取并预测当前系统的目标气体浓度，其中，改进后浓度预测模型基于互信息值和数据样本预先训练，数据样本基于时延特性重构，特征提取模块包括基于LSTM的全局特征提取模块、基于CNN结合注意力机制的局部特征提取模块以及特征融合模块。相比现有技术，本发明对输入变量进行基于时延特性的重构，减少变量时延的影响，且改进后的浓度预测模型将局部特征与全局特征进行特征融合，提升了对本质特征提取的能力，进而提高了通过模型对脱硝系统目标气体浓度的预测准确度。
Description
技术领域
本发明涉及模型预测技术领域，尤其涉及一种脱硝系统气体浓度预测方法、装置、设备及存储介质。
背景技术
随着工业现代化的发展，人类社会生活对能源的需求与日俱增，我国煤炭储量大、能源转化设备核技术完备，以煤炭为主的化石燃料在未来仍是我国电能产生的主体。基于各项政策和环保意识，我国火力发电厂大力发展脱销技术来抑制氮氧化物的排放。
目前主要采用的烟气脱硝技术是选择性催化还原（SCR）技术，在实际运行过程中，需要对SCR反应器入口的气体浓度进行检测。然而由于整个系统本身存在滞后和非线性的特点，会使得检测得到的气体浓度具有一定的时间滞后，对SCR系统的控制优化产生巨大的不利影响。因此，预测SCR反应器入口气体浓度成为脱硝系统控制优化的重中之重。
常用的浓度预测方法包括机理模型、现场调整试验和机器学习方法，然而上述方法中构造的模型通常过于理想化，在实际场景中面对系统复杂的工况时，对目标气体的预测存在着准确度不够的问题。
上述内容仅用于辅助理解本发明的技术方案，并不代表承认上述内容是相关技术。
发明内容
本发明的主要目的在于提供了一种脱硝系统气体浓度预测方法、装置、设备及存储介质，旨在解决现有技术中在SCR系统复杂工况时对目标气体浓度的预测准确度不足的技术问题。
为实现上述目的，本发明提供了一种脱硝系统气体浓度预测方法，所述方法包括以下步骤：
获取当前系统的气体排放数据；
基于改进后浓度预测模型中的特征提取模块对所述气体排放数据进行特征提取，并根据特征提取结果预测所述当前系统的目标气体浓度，所述改进后浓度预测模型基于互信息值和数据样本预先训练，所述数据样本基于时延特性重构，所述特征提取模块与全连接层相连，所述特征提取模块包括基于LSTM的全局特征提取模块、基于CNN结合注意力机制的局部特征提取模块以及特征融合模块，所述特征融合模块用于将全局特征提取模块提取的全局特征和局部特征提取模块提取的局部特征进行特征融合。
可选地，所述方法还包括：
根据所述当前系统的工艺流程，选择与所述目标气体相关的过程变量；
计算各个过程变量与目标变量的最大互信息值并与预设阈值进行对比；
选取大于预设阈值的所述过程变量为输入变量，获得数据样本；
通过所述数据样本对所述改进后浓度预测模型进行训练。
可选地，所述方法还包括：
获取所述输入变量，并计算所述输入变量与所述目标变量的互信息值；
根据所述互信息值获得所述输入变量的动态时延信息；
根据所述动态时延信息对所述输入变量进行重构，得到多变量时间序列即重构的数据样本。
可选地，所述改进后浓度预测模型还包括输入模块和输出层，所述输入模块与所述全局特征提取模块和所述局部特征提取模块相连，所述输出层与所述全连接层相连，所述基于改进后浓度预测模型中的特征提取模块对所述气体排放数据进行特征提取，并根据特征提取结果预测所述当前系统的目标气体浓度，包括：
将所述气体排放数据发送至所述输入模块进行预处理，获得基于时间重构的输入数据；
通过所述全局特征提取模块对所述重构的输入数据进行全局特征提取；
通过所述局部特征提取模块对所述重构的输入数据进行局部特征提取；
基于注意力机制将所述全局特征和所述局部特征进行特征融合；
通过所述特征融合模块将融合后的特征输入至所述全连接层，并由所述输出层输出预测结果。
可选地，所述局部特征提取模块包括：卷积层和池化层；
所述通过所述局部特征提取模块对所述重构的输入数据进行局部特征提取，包括：
通过所述卷积层对所述重构的输入数据进行特征提取，其中，所述卷积层为单维卷积层；
通过所述池化层对所述单维卷积层提取到的序列特征进行筛选，得到所述输入数据的局部特征。
可选地，所述基于注意力机制将所述全局特征和所述局部特征进行特征融合，包括：
通过所述注意力机制对所述局部特征进行加权；
基于所述局部特征的权重值，将所述全局特征与加权后的局部特征进行融合，得到融合特征。
可选地，所述改进后浓度预测模型基于测试集进行测试和重训练，所述测试集为从网络数据库中获取并经过优化处理的相关数据，所述优化处理包括数据滤波和/或数据归一化。
此外，为实现上述目的，本发明还提出一种气体浓度预测装置，所述气体浓度预测装置应用于脱硝系统，所述气体浓度预测装置包括：
数据获取模块，用于获取当前系统的气体排放数据；
浓度预测模块，用于基于改进后浓度预测模型中的特征提取模块对所述气体排放数据进行特征提取，并根据特征提取结果预测所述当前系统的目标气体浓度，所述改进后浓度预测模型基于互信息值和数据样本预先训练，所述数据样本基于时延特性重构，所述特征提取模块与全连接层相连，所述特征提取模块包括基于LSTM的全局特征提取模块、基于CNN结合注意力机制的局部特征提取模块以及特征融合模块，所述特征融合模块用于将全局特征提取模块提取的全局特征和局部特征提取模块提取的局部特征进行特征融合。
此外，为实现上述目的，本发明还提出一种气体浓度预测设备，所述气体浓度预测设备应用于脱硝系统，所述气体浓度预测设备包括：存储器、处理器及存储在所述存储器上并可在所述处理器上运行的脱硝系统气体浓度预测程序，所述脱硝系统气体浓度预测程序配置为实现上文所述的脱硝系统气体浓度预测方法的步骤。
此外，为实现上述目的，本发明还提出一种存储介质，所述存储介质上存储有脱硝系统气体浓度预测程序，所述脱硝系统气体浓度预测程序被处理器执行时实现如上文所述的脱硝系统气体浓度预测方法的步骤。
本发明首先获取当前系统的气体排放数据，再基于改进后浓度预测模型中的特征提取模块对气体排放数据进行特征提取，并根据特征提取结果预测当前系统的目标气体浓度，其中，改进后浓度预测模型基于互信息值和数据样本预先训练，数据样本基于时延特性重构，特征提取模块与全连接层相连，其中特征提取模块包括基于LSTM的全局特征提取模块、基于CNN结合注意力机制的局部特征提取模块以及特征融合模块，特征融合模块用于将全局特征提取模块提取的全局特征和局部特征提取模块提取的局部特征进行特征融合。由于本发明是将当前系统的气体数据输入至改进的浓度预测模型来获得预测的目标气体浓度，该改进的浓度预测模型引入了注意力机制，并通过两个不同的模块分别提取输入数据的全局特征和局部特征再融合，同时考虑到当前系统的时滞性和时延性，基于时延特性重构了用于训练的数据样本，相比现有的预测模型，能够提升模型提取多维时序变量本质特征的能力，进而提升了通过该改进后浓度预测模型对当前系统的目标气体浓度的预测准确度。
附图说明
图1是本发明实施例涉及的硬件运行环境的气体浓度预测设备的结构示意图；
图2是本发明脱硝系统气体浓度预测方法第一实施例的流程示意图；
图3是本发明改进后的浓度预测模型结构示意图；
图4是本发明脱硝系统气体浓度预测方法第二实施例的流程示意图；
图5是本发明第二实施例中氮氧化物浓度预测相关变量的MIC值对照图；
图6是本发明脱硝系统气体浓度预测方法第三实施例的流程示意图；
图7为本发明气体浓度预测装置第一实施例的结构框图。
本发明目的的实现、功能特点及优点将结合实施例，参照附图做进一步说明。
具体实施方式
应当理解，此处所描述的具体实施例仅用以解释本发明，并不用于限定本发明。
参照图1，图1为本发明实施例方案涉及的硬件运行环境的气体浓度预测设备结构示意图。
如图1所示，该气体浓度预测设备可以包括：处理器1001，例如中央处理器（Central Processing Unit，CPU），通信总线1002、用户接口1003，网络接口1004，存储器1005。其中，通信总线1002用于实现这些组件之间的连接通信。用户接口1003可以包括显示屏（Display）、输入单元比如键盘（Keyboard），可选用户接口1003还可以包括标准的有线接口、无线接口。网络接口1004可选的可以包括标准的有线接口、无线接口（如无线保真（Wireless-Fidelity，WI-FI）接口）。存储器1005可以是高速的随机存取存储器（RandomAccess Memory，RAM），也可以是稳定的非易失性存储器（Non-Volatile Memory，NVM），例如磁盘存储器。存储器1005可选的还可以是独立于前述处理器1001的存储装置。
本领域技术人员可以理解，图1中示出的结构并不构成对气体浓度预测设备的限定，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。
如图1所示，作为一种存储介质的存储器1005中可以包括操作系统、网络通信模块、用户接口模块以及脱硝系统气体浓度预测程序。
在图1所示的气体浓度预测设备中，网络接口1004主要用于与网络服务器进行数据通信；用户接口1003主要用于与用户进行数据交互；本发明气体浓度预测设备中的处理器1001、存储器1005可以设置在气体浓度预测设备中，所述气体浓度预测设备通过处理器1001调用存储器1005中存储的脱硝系统气体浓度预测程序，并执行本发明实施例提供的脱硝系统气体浓度预测方法。
本发明实施例提供了一种脱硝系统气体浓度预测方法，参照图2，图2为本发明脱硝系统气体浓度预测方法第一实施例的流程示意图。
本实施例中，所述脱硝系统气体浓度预测方法包括以下步骤：
步骤S10：获取当前系统的气体排放数据。
需要说明的是，本实施例方法的执行主体可以是具有气体浓度获取、气体分析、数据处理、模型调用、以及程序运行功能的计算服务设备，例如：便携式气体检测仪、气体报警器、烟气排放连续监测系统（CMES）以及大型气体分析计算机等。还可以是能够实现相同或相似功能的能够实现脱硝系统气体浓度预测方法的其他电子设备，本实施例对此不加以限制。此处选用气体浓度预测设备（以下称浓度预测设备）为例对本发明脱硝系统气体浓度预测方法的各项实施例进行说明。
可以理解的是，当前系统可以为基于选择性催化还原SCR（Selective CatalyticReduction，SCR）技术的脱硝系统。SCR技术是目前主要采用的烟气脱硝技术，SCR脱硝原理是在反应器中，烟气中的氮氧化物与氨在适宜的压力、温度和催化剂作用下发生氧化还原反应。具体地，可以是利用例如氨气、尿素等还原剂在催化剂的作用下，选择性地与氮氧化物反应生成氮气和水等。
需要说明的是，气体排放数据可以是当前系统在进行基于SCR技术进行脱硝反应时，SCR反应器入口全部气体的数据以及影响该脱硝反应的运行数据等。由于煤炭在燃烧过程中不仅会产生二氧化碳和水，煤炭中的杂质同样也会发生氧化反应，生成以氮氧化物为主的各种有害气体，这些包含各种有害气体的烟气被排放至上述系统的入口处。因此，上述气体排放数据可以包括进行燃烧的总煤量、SCR反应器总负荷、单次输入的风总量、含氧量等影响系统中脱硝反应的因素。
在具体实现中，浓度预测设备获取到当前脱硝系统SCR反应器入口的全部气体排放数据时，进一步选取影响当前系统进行脱硝反应的气体排放数据。
步骤S20：基于改进后浓度预测模型中的特征提取模块对所述气体排放数据进行特征提取，并根据特征提取结果预测所述当前系统的目标气体浓度，所述改进后浓度预测模型基于互信息值和数据样本预先训练，所述数据样本基于时延特性重构，所述特征提取模块与全连接层相连，所述特征提取模块包括基于LSTM的全局特征提取模块、基于CNN结合注意力机制的局部特征提取模块以及特征融合模块，所述特征融合模块用于将全局特征提取模块提取的全局特征和局部特征提取模块提取的局部特征进行特征融合。
可以理解的是，上述改进后浓度预测模型可以是以LSTM网络为主体构建的浓度预测模型。长短期记忆网络（Long Short Term Memory，LSTM）是一种特殊的递归神经网络，可以利用时间序列对输入进行分析。LSTM包含遗忘门、输入门以及输出门，通过基于LSTM构建浓度预测模型可以考虑到多变量在时间维度上的特征信息。
应该理解的是，目标气体浓度可以是参与脱硝系统中反应的氮氧化物的浓度。在采用SCR技术进行烟气脱硝时，氨的注入量影响脱硝过程的效果，需要对氨的注入量进行控制，SCR反应器入口的氮氧化物浓度是喷氨控制器的主要参考值，因此可以选择氮氧化物作为目标气体。
应该理解的是，数据样本可以为改进后浓度预测模型的训练集，该数据样本是采用互信息值进行筛选的对脱硝工艺流程以及脱硝机理进行分析获取的特征变量，能够剔除相关性较低的变量，进而减少冗余特征。
可以理解的是，互信息是一种应用于解决时间序列间是否存在共同的信息来捕捉时间序列之间的线性和非线性关系的一种信息度量方法。互信息的定义是一个变量中包含另一变量的信息量，减少自身的不确定性，用于特征之间的一个区分。由于在现有的工业设备上，同一时刻输出的不同变量之间可能存在一个延迟反应，而同一时刻上的不同变量数据，因为变量之间存在的延迟时间现象对后续数据分析与相关性提取等数据运用上存在影响，因此可以采用互信息方法分析变量的相关性，进而提高作为用于对模型进行训练的数据样本即训练集的数据可靠性。
需要说明的是，改进后浓度预测模型可以是基于训练集进行训练，并经过测试集进行测试和重训练的浓度预测模型，测试集可以为从网络数据库中获取并经过优化处理的相关数据，该网络数据库可以为发电企业数据库或者其它使用SCR技术采用相同或相似的对目标气体的处理方法的工业企业数据库。
可理解的是，可以将从网络数据库中获取的数据进行数据滤波、数据归一化等优化处理，并将经过处理的数据进一步划分为测试集和训练集。通过训练集对该改进后浓度预测模型进行训练，在训练完成后，通过测试集对训练完成的模型进行测试，若当前模型未达到满意效果，则对当前模型进行结构优化和参数调定。可以通过原始训练集对当前模型再训练，也可通过训练集结合测试集获得的新的训练集，对当前模型进行重训练。
可理解的是，上述改进后浓度预测模型可包括输入模块、特征提取模块、输出层和全连接层。其中，输入模块与特征提取模块相连，特征提取模块还与全连接层相连，全连接层与输出层连接。特征提取模块包括全局特征提取模块、局部特征提取模块以及特征融合模块。
进一步地，可参考图3，图3为本发明改进后的浓度预测模型结构示意图，其中，改进后的浓度预测模型中，输入模块与基于长短期记忆网络（Long Short Term Memory，LSTM）的全局特征提取模块连接，输入模块还与基于卷积神经网络（Convolutional NeuralNetworks，CNN）结合注意力机制（Attention）的局部特征提取模块连接，特征融合模块与全局特征提取模块和局部特征提取模块连接，基于CNN的局部特征提取模块根据Attention将提取的局部特征与基于LSTM的全局特征提取模块提取的全局特征在特征融合模块中进行特征融合，其中特征融合模块还与全连接层连接，全连接层与输出层连接。
进一步地，为了提升通过特征提取模块获取的融合特征效率，从而提升模型提取多维时序变量本质特征的性能，步骤S20，还包括：
步骤S201：将所述气体排放数据发送至所述输入模块进行预处理，获得基于时间重构的输入数据。
需要说明的是，上述气体排放数据可以是考虑到脱硝系统的时滞性和时延性特点，基于动态联合互信息时序分析重构的多变量时间序列。在脱硝系统对目标气体即氮氧化物的处理过程中，变量的时延主要由测量延迟和化学反应的反应延迟两部分构成，可以由原始输入的气体排放数据的动态时延，进一步基于时间重构输入数据。
可理解的是，输入模块与全局特征提取模块以及局部特征提取模块相连，全局特征提取模块与局部特征提取模块分别与特征融合模块相连。气体排放数据通过输入模块进行预处理，基于时间重构，获得输入数据，该输入数据为多维度时序变量。
需要说明的是，全局特征提取模块可以为基于LSTM网络的全局多维时序变量特征提取模块，局部特征提取模块可以为基于CNN结合注意力机制的局部特征提取模块。
步骤S202：通过所述全局特征提取模块对所述重构的输入数据进行全局特征提取。
应该理解的是，由于上述用于训练的数据样本是基于时延性特征进行重构的多变量时间序列，通过选取在多变量时间序列的特征提取方面有较好表现的LSTM网络来进行全局特征提取，能够考虑到数据的时延特性，提升对数据样本的特征提取能力。
在具体实现中，全局特征提取模块接收到来自输入模块传输的重构的多变量时间序列，基于全局多维时序变量对输入数据进行特征提取，获取输入数据的全局特征，并将提取的全局特征传输至特征融合模块。
步骤S203：通过所述局部特征提取模块对所述重构的输入数据进行局部特征提取。
可以理解的是，CNN卷积神经网络具有局部感知和参数共享的特点，在提取时序输入变量在空间维度的特征方面，有较好的非线性拟合能力和学习能力。
在具体实现中，局部特征提取模块接收到来自输入模块传输的重构的多变量时间序列，基于局部多维时序变量对输入数据进行特征提取，获取输入数据的局部特征，并将提取的局部特征传输至特征融合模块。
步骤S204：基于注意力机制将所述全局特征和所述局部特征进行特征融合。
需要说明的是，考虑到不同特征值对最终输出结果有着不同的贡献度的本质特征，可以引入注意力机制对输入到特征融合模块的局部特征进行合适的加权求和，以获得更能反应原始输入数据本质特征的融合特征。
步骤S205：通过所述特征融合模块将融合后的特征输入至所述全连接层，并由所述输出层输出预测结果。
在具体实现中，全连接层与特征融合模块连接，浓度预测设备通过特征融合模块将反应原始输入数据本质特征的融合特征输入至全连接层，将提取到的融合特征用于当前系统的目标气体的浓度预测，通过与全连接层连接的输出层输出预测结果。
本实施例获取当前系统的气体排放数据，再基于改进后浓度预测模型中的特征提取模块对气体排放数据进行特征提取，并根据特征提取结果预测当前系统的目标气体浓度，其中，改进后浓度预测模型基于互信息值和数据样本预先训练，数据样本基于时延特性重构，特征提取模块与全连接层相连，其中特征提取模块包括基于LSTM的全局特征提取模块、基于CNN结合注意力机制的局部特征提取模块以及特征融合模块，特征融合模块用于将全局特征提取模块提取的全局特征和局部特征提取模块提取的局部特征进行特征融合。其中，输入模块分别与全局特征提取模块和局部特征提取模块相连，全局特征提取模块和局部特征提取模块分别与特征融合模块连接，特征融合模块还与全连接层相连，全连接层与输出层连接。由于本发明是将当前系统的气体数据输入至改进的浓度预测模型来获得预测的目标气体浓度，该改进的浓度预测模型引入了注意力机制，并通过两个不同的模块分别提取输入数据的全局特征和局部特征再融合，同时考虑到当前系统的时滞性和时延性，基于时延特性重构了用于训练的数据样本，相比现有的预测模型，能够提升模型提取多维时序变量本质特征的能力，进而提升了通过该改进后浓度预测模型对当前系统的目标气体浓度的预测准确度。
参考图4，图4为本发明脱硝系统气体浓度预测方法第二实施例的流程示意图。
基于上述第一实施例，考虑到用于输入模型的数据的冗余性、相关性和强耦合性，采用基于最大互信息相关分析和当前系统中工艺流程分析得到用于训练模型的数据样本，所述方法还包括：
步骤S01：根据所述当前系统的工艺流程，选择与所述目标气体相关的过程变量。
需要说明的是，过程变量参与是脱硝系统中与脱硝机理相关的化学反应过程的变量，目标变量可以为与当前系统的目标气体浓度有直接关联的目标气体，过程变量和目标变量都是该化学反应过程的相关变量。
步骤S02：计算各个过程变量与目标变量的最大互信息值并与预设阈值进行对比。
可以理解的是，互信息是通过计算两个变量联合分布和边缘分布之间的相对熵，而最大互信息（MIC）是计算两个变量在空间分布下的互信息值。其主要思想是：如果两个变量之间存在一定的相关性，那么在这两个变量的散点图上进行网格划分之后，根据这两个变量在网格中的近似概率密度分布，可以计算这两个变量的互信息，正值化后的互信息值可以用于衡量这两个变量之间的相关性。最大互信息的计算公式可以为：
其中，
是在x，y方向上的划分格子的个数即网格分布，/>
是变量，可以设置为数据量的0.6次方左右，/>
是两个变量的互信息值，其中，互信息值的计算公式可以为：
可以理解的是，过程变量与目标变量是参与脱硝工艺流程的相关变量，通过分析过程变量和目标变量的关系，可以对模型的输入变量进行筛选，减少模型学习数据特征的难度。
在具体实现中，基于脱硝工艺流程分析选取与生成目标气体相关的过程变量，计算每个过程变量与目标变量的最大互信息系数，当MIC值越接近于1时，说明变量之间相关性越强。需要说明的是，过程变量和目标变量都为与脱硝机理相关的化学反应过程的变量，一个变量可以为过程变量的同时也为目标变量。
进一步地，可通过表格的形式对应列出各相关变量之间的MIC值，例如图5所示，图5为氮氧化物浓度预测相关变量的MIC值对照图。表格中纵横行列中，与氮氧化物浓度相关的变量包括：COAL（总煤量）、AIR（单次输入风总量）、LOAD（反应器总负荷）、IN_NOx_A（A口氮氧化物含量）、IN_NO_A（A口一氧化氮含量）、IN_NOx_B（B口氮氧化物含量）、IN_NO_B（B口一氧化氮含量）、OXY_A（A口氧含量）、OXY_B（B口氧含量）、COAL_AIR_RATIO（空气中含煤量）以及COAL_LOAD_RATIO（煤炭负荷量）。纵横向对应格中为过程变量与目标变量即两相关变量的MIC值，可通过对应格的图像灰度值直观地反应不同变量的相关性强度。考虑到选取的变量本身为脱硝系统中的变量，存在着一定的相关性，即纵横向对应格中MIC值至少高于0.7，因此可设定从0.7至1的MIC值的对应的图像灰度值。
步骤S03：选取大于预设阈值的所述过程变量为输入变量，获得数据样本。
可以理解的是，预先设置一个用于判断变量间相关度的阈值，MIC值超过该预设阈值的变量即作为输入变量，该阈值的设置可基于各变量的MIC值进行个性化设置，本实施例对此不加以限制。
步骤S04：通过所述数据样本对所述改进后浓度预测模型进行训练。
应该理解的是，通过选取与目标气体相关的过程变量，并通过计算各个过程变量和目标变量的最大互信息值，能够有效地剔除相关性较低的变量，进而较少冗余特征，降低后续通过该变量构成的数据样本对模型进行训练学习的难度，提升模型的泛化能力，使得模型能够更准确地描述输入-输出之间的关系。
进一步地，针对系统存在的时滞性和时延性特点，可以基于动态联合互信息时序分析重构多变量时间序列进而对输入变量进行基于时间特性的重构，所述方法还包括：
步骤S01’：获取所述输入变量，并计算所述输入变量与所述目标变量的互信息值。
可以理解的是，由于测量延迟和某些变量的反应延迟，变量间存在时延。
步骤S02’：根据所述互信息值获得所述输入变量的动态时延信息。
步骤S03’：根据所述动态时延信息对所述输入变量进行重构，得到多变量时间序列即重构的数据样本。
具体地，假设
为输入变量/>
的测量延迟时延参数，那么与目标变量/>
相关的信息特征是/>
时刻之前的历史输入/>
，那么此时的输入矩阵可以表示为
。因此，引入该时延信息，可深入提取到动态反应信息特征，从每个输入变量/>
的数据中选取连续子集/>
，其中/>
为输入变量/>
的数据长度。而基于联合互信息的输入变量动态时延选取可表示为
。
可以理解的是，通过计算输入变量与目标变量的最大联合互信息，从而获得输入变量的动态时延，进而重构多变量时间序列，能够减少变量时延对后续模型预测精度的影响。
本实施例改进后的浓度预测模型基于互信息值和数据样本预先训练，具体通过根据所述当前系统的工艺流程，选择与所述目标气体相关的过程变量，计算各个过程变量与目标变量的最大互信息值并与预设阈值进行对比，再选取大于预设阈值的所述过程变量为输入变量，获得数据样本，以通过所述数据样本对所述改进后浓度预测模型进行训练。并且该数据样本预先基于时延特性重构：获取所述输入变量，并计算所述输入变量与所述目标变量的互信息值，根据所述互信息值获得所述输入变量的动态时延信息，根据所述动态时延信息对所述输入变量进行重构，得到多变量时间序列即重构的数据样本。能够考虑到系统复杂工况时表现的大时滞、强耦合等多方面的复杂问题，对用于进行模型训练的特征变量进行选取，通过分析特征变量和目标变量的相关性，有效地剔除相关性较低的变量，进而减少冗余特征。其次，针对系统在进行目标气体处理过程中燃料反应以及测量时延的问题，考虑到了输入变量和目标变量之间的时延，基于输入变量的动态时延重构多变时间序列，能够减少变量时延对模型预测效果的影响。
参考图6，图6为本发明脱硝系统气体浓度预测方法第三实施例的流程示意图。
基于上述实施例，为了提升改进后浓度预测模型对局部特征的提取能力，步骤S203，包括：
步骤S2031：通过所述卷积层对所述重构的输入数据进行特征提取，其中，所述卷积层为单维卷积层。
需要说明的是，局部特征提取模块是基于CNN进行构建的，CNN具有局部感知和参数共享等特点，在提取多维时序输入变量在空间维度上的特征方面，表现出极强的非线性拟合能力和学习能力。局部特征提取模块包括卷积层和池化层。
具体地，为了维持变量在时间维度的连续性，采用一维卷积的方法提取输入数据的局部特征，以为卷积层运算过程为：
式中，
为输入数据矩阵；/>
为一维卷积核权重矩阵；/>
为一维卷积层对应的偏置；/>
为激活函数。
步骤S2032：通过所述池化层对所述单维卷积层提取到的序列特征进行筛选，得到所述输入数据的局部特征。
需要说明的是，池化层的作用就是将单维卷积层提取到的序列特征进行重要性筛选，在减少冗余特征的同时还能减少模型计算成本，实现输入变量的特征压缩。一维均值池化运算过程为：
式中，
表示一维池化核的尺寸；/>
表示一维池化层输出特征。最后经过卷积层和池化层之后的特征表示为/>
。
可以理解的是，通过设置单维度卷积，可以维持输入数据在时间维度的连续性，能够提高通过CNN提取输入数据的局部特征的能力。
进一步地，为了增强局部特征的学习能力，步骤S204包括：
步骤S2041：通过所述注意力机制对所述局部特征进行加权。
需要说明的是，注意力机制是依据对目标变量的重要程度赋予特征相应权重，更有助于增强局部特征的学习能力，从而获取有价值的信息。
具体地，可以通过注意力机制对局部特征进行加权：
式中，经过卷积层和池化层之后的特征表示为
,/>
表示经过加权后的局部特征，
表示由不同单位卷积提取的特征的权重。
步骤S2042：基于所述局部特征的权重值，将所述全局特征与加权后的局部特征进行融合，得到融合特征。
可以理解的是，不同的局部特征对最终输出结果有着不同的贡献度，也可以引入注意力机制获取加权后的局部特征的权重值，将局部特征
和全局特征/>
进行融合，得到局部-全局融合特征/>
。
可以理解的是，通过引入注意力机制，有助于增强局部特征的学习能力，从而获取有价值的信息，并进一步地将局部特征和全局特征进行融合，使得融合后的特征更能反应原始输入数据的本质特征，从而提升模型提取多维时序变量本质特征的性能。
本实施例通过局部特征模块对重构的输入数据进行局部特征提取，具体地通过所述卷积层对所述重构的输入数据进行特征提取，其中，所述卷积层为单维卷积层，并通过所述池化层对所述单维卷积层提取到的序列特征进行筛选，得到所述输入数据的局部特征。进一步地，通过所述注意力机制对所述局部特征进行加权，基于所述局部特征的权重值，将所述全局特征与加权后的局部特征进行融合，得到融合特征。能够将全局和局部特征进行融合，从不同角度出发，深度挖掘多维时序变量数据的特征信息，提升模型提取多维时序变量本质特征能力，从而更进一步地提升预测模型在SCR系统复杂工况下对局部特征的捕捉能力，改善模型的预测效果，能够通过该改进后的浓度预测模型对当前系统的目标气体浓度进行更准确的预测。
此外，本发明实施例还提出一种存储介质，所述存储介质上存储有脱硝系统气体浓度预测程序，所述脱硝系统气体浓度预测程序被处理器执行时实现如上文所述的脱硝系统气体浓度预测方法的步骤。
参考图7，图7为本发明气体浓度预测装置第一实施例的结构框图。
如图7所示，本发明气体浓度预测装置，应用于脱硝系统，包括：
数据获取模块701，用于获取当前系统的气体排放数据；
浓度预测模块702，用于基于改进后浓度预测模型中的特征提取模块对所述气体排放数据进行特征提取，并根据特征提取结果预测所述当前系统的目标气体浓度，所述改进后浓度预测模型基于互信息值和数据样本预先训练，所述数据样本基于时延特性重构，所述特征提取模块与全连接层相连，所述特征提取模块包括基于LSTM的全局特征提取模块、基于CNN结合注意力机制的局部特征提取模块以及特征融合模块，所述特征融合模块用于将全局特征提取模块提取的全局特征和局部特征提取模块提取的局部特征进行特征融合，其中，所述改进后浓度预测模型基于测试集进行测试和重训练，所述测试集为从网络数据库中获取并经过优化处理的相关数据，所述优化处理包括数据滤波和/或数据归一化。
其中，浓度预测模块702，还用于将所述气体排放数据发送至所述输入模块进行预处理，获得基于时间重构的输入数据；通过所述全局特征提取模块对所述重构的输入数据进行全局特征提取；通过所述局部特征提取模块对所述重构的输入数据进行局部特征提取；基于注意力机制将所述全局特征和所述局部特征进行特征融合；通过所述特征融合模块将融合后的特征输入至所述全连接层，并由所述输出层输出预测结果。其中，浓度预测模型还包括输入模块和输出层，所述输入模块与所述全局特征提取模块和所述局部特征提取模块相连，所述输出层与所述全连接层相连。
本实施例获取当前系统的气体排放数据，再基于改进后浓度预测模型中的特征提取模块对气体排放数据进行特征提取，并根据特征提取结果预测当前系统的目标气体浓度，其中，改进后浓度预测模型基于互信息值和数据样本预先训练，数据样本基于时延特性重构，特征提取模块与全连接层相连，其中特征提取模块包括基于LSTM的全局特征提取模块、基于CNN结合注意力机制的局部特征提取模块以及特征融合模块，特征融合模块用于将全局特征提取模块提取的全局特征和局部特征提取模块提取的局部特征进行特征融合。其中，输入模块分别与全局特征提取模块和局部特征提取模块相连，全局特征提取模块和局部特征提取模块分别与特征融合模块连接，特征融合模块还与全连接层相连，全连接层与输出层连接。由于本发明是将当前系统的气体数据输入至改进的浓度预测模型来获得预测的目标气体浓度，该改进的浓度预测模型引入了注意力机制，并通过两个不同的模块分别提取输入数据的全局特征和局部特征再融合，同时考虑到当前系统的时滞性和时延性，基于时延特性重构了用于训练的数据样本，相比现有的预测模型，能够提升模型提取多维时序变量本质特征的能力，进而提升了通过该改进后浓度预测模型对当前系统的目标气体浓度的预测准确度。
基于本发明上述气体浓度预测装置第一实施例，提出本发明气体浓度预测装置第二实施例。
在本实施例中，所述数据获取模块701，还用于根据所述当前系统的工艺流程，选择与所述目标气体相关的过程变量，计算各个过程变量与目标变量的最大互信息值并与预设阈值进行对比，选取大于预设阈值的所述过程变量为输入变量，获得数据样本，通过所述数据样本对所述改进后浓度预测模型进行训练。
进一步地，所述数据获取模块701，还用于获取所述输入变量，并计算所述输入变量与所述目标变量的互信息值，根据所述互信息值获得所述输入变量的动态时延信息，根据所述动态时延信息对所述输入变量进行重构，得到多变量时间序列即重构的数据样本。
进一步地，所述浓度预测模块702，还用于通过所述卷积层对所述重构的输入数据进行特征提取，其中，所述卷积层为单维卷积层，通过所述池化层对所述单维卷积层提取到的序列特征进行筛选，得到所述输入数据的局部特征，其中，所述局部特征提取模块包括：卷积层和池化层。
进一步地，所述浓度预测模块702，还用于通过所述注意力机制对所述局部特征进行加权，基于所述局部特征的权重值，将所述全局特征与加权后的局部特征进行融合，得到融合特征。
本发明气体浓度预测装置其他实施例或具体实现方式可参照上述各方法实施例，此处不再赘述。
需要说明的是，在本文中，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者系统不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者系统所固有的要素。在没有更多限制的情况下，由语句“包括一个……限定”的要素，并不排除在包括该要素的过程、方法、物品或者系统中还存在另外的相同要素。
上述本发明实施例序号仅仅为了描述，不代表实施例的优劣。
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到上述实施例方法可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件，但很多情况下前者是更佳的实施方式。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（如只读存储器/随机存取存储器、磁碟、光盘）中，包括若干指令用以使得一台终端设备（可以是手机，计算机，服务器，空调器，或者网络设备等）执行本发明各个实施例所述的方法。
以上仅为本发明的优选实施例，并非因此限制本发明的专利范围，凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换，或直接或间接运用在其他相关的技术领域，均同理包括在本发明的专利保护范围。
Claims (10)
1.一种脱硝系统气体浓度预测方法，其特征在于，所述方法包括：
获取当前系统的气体排放数据；
基于改进后浓度预测模型中的特征提取模块对所述气体排放数据进行特征提取，并根据特征提取结果预测所述当前系统的目标气体浓度，所述改进后浓度预测模型基于互信息值和数据样本预先训练，所述数据样本基于时延特性重构，所述特征提取模块与全连接层相连，所述特征提取模块包括基于LSTM的全局特征提取模块、基于CNN结合注意力机制的局部特征提取模块以及特征融合模块，所述特征融合模块用于将全局特征提取模块提取的全局特征和局部特征提取模块提取的局部特征进行特征融合。
2.如权利要求1所述的脱硝系统气体浓度预测方法，其特征在于，所述方法还包括：
根据所述当前系统的工艺流程，选择与所述目标气体相关的过程变量；
计算各个过程变量与目标变量的最大互信息值并与预设阈值进行对比；
选取大于预设阈值的所述过程变量为输入变量，获得数据样本；
通过所述数据样本对所述改进后浓度预测模型进行训练。
3.如权利要求2所述的脱硝系统气体浓度预测方法，其特征在于，所述方法还包括：
获取所述输入变量，并计算所述输入变量与所述目标变量的互信息值；
根据所述互信息值获得所述输入变量的动态时延信息；
根据所述动态时延信息对所述输入变量进行重构，得到多变量时间序列即重构的数据样本。
4.如权利要求1所述的脱硝系统气体浓度预测方法，其特征在于，所述改进后浓度预测模型还包括输入模块和输出层，所述输入模块与所述全局特征提取模块和所述局部特征提取模块相连，所述输出层与所述全连接层相连，所述基于改进后浓度预测模型中的特征提取模块对所述气体排放数据进行特征提取，并根据特征提取结果预测所述当前系统的目标气体浓度，包括：
将所述气体排放数据发送至所述输入模块进行预处理，获得基于时间重构的输入数据；
通过所述全局特征提取模块对所述重构的输入数据进行全局特征提取；
通过所述局部特征提取模块对所述重构的输入数据进行局部特征提取；
基于注意力机制将所述全局特征和所述局部特征进行特征融合；
通过所述特征融合模块将融合后的特征输入至所述全连接层，并由所述输出层输出预测结果。
5.如权利要求4所述的脱硝系统气体浓度预测方法，其特征在于，所述局部特征提取模块包括：卷积层和池化层；
所述通过所述局部特征提取模块对所述重构的输入数据进行局部特征提取，包括：
通过所述卷积层对所述重构的输入数据进行特征提取，其中，所述卷积层为单维卷积层；
通过所述池化层对所述单维卷积层提取到的序列特征进行筛选，得到所述输入数据的局部特征。
6.如权利要求4所述的脱硝系统气体浓度预测方法，其特征在于，所述基于注意力机制将所述全局特征和所述局部特征进行特征融合，包括：
通过所述注意力机制对所述局部特征进行加权；
基于所述局部特征的权重值，将所述全局特征与加权后的局部特征进行融合，得到融合特征。
7.如权利要求1所述的脱硝系统气体浓度预测方法，其特征在于，所述改进后浓度预测模型基于测试集进行测试和重训练，所述测试集为从网络数据库中获取并经过优化处理的相关数据，所述优化处理包括数据滤波和/或数据归一化。
8.一种气体浓度预测装置，其特征在于，所述气体浓度预测装置应用于脱硝系统，所述气体浓度预测装置包括：
数据获取模块，用于获取当前系统的气体排放数据；
浓度预测模块，用于基于改进后浓度预测模型中的特征提取模块对所述气体排放数据进行特征提取，并根据特征提取结果预测所述当前系统的目标气体浓度，所述改进后浓度预测模型基于互信息值和数据样本预先训练，所述数据样本基于时延特性重构，所述特征提取模块与全连接层相连，所述特征提取模块包括基于LSTM的全局特征提取模块、基于CNN结合注意力机制的局部特征提取模块以及特征融合模块，所述特征融合模块用于将全局特征提取模块提取的全局特征和局部特征提取模块提取的局部特征进行特征融合。
9.一种气体浓度预测设备，其特征在于，所述气体浓度预测设备应用于脱硝系统，所述气体浓度预测设备包括：存储器、处理器及存储在所述存储器上并可在所述处理器上运行的脱硝系统气体浓度预测程序，所述脱硝系统气体浓度预测程序配置为实现如权利要求1至7中任一项所述的脱硝系统气体浓度预测方法的步骤。
10.一种存储介质，其特征在于，所述存储介质上存储有脱硝系统气体浓度预测程序，所述脱硝系统气体浓度预测程序被处理器执行时实现如权利要求1至7任一项所述的脱硝系统气体浓度预测方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310513731.5A CN116312861A (zh) | 2023-05-09 | 2023-05-09 | 脱硝系统气体浓度预测方法、装置、设备及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310513731.5A CN116312861A (zh) | 2023-05-09 | 2023-05-09 | 脱硝系统气体浓度预测方法、装置、设备及存储介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN116312861A true CN116312861A (zh) | 2023-06-23 |
Family
ID=86801570
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310513731.5A Pending CN116312861A (zh) | 2023-05-09 | 2023-05-09 | 脱硝系统气体浓度预测方法、装置、设备及存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116312861A (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116832588A (zh) * | 2023-08-25 | 2023-10-03 | 湖北鼎信成套设备有限公司 | 酸再生烟气净化装置及其方法 |
| CN117009750A (zh) * | 2023-09-28 | 2023-11-07 | 北京宝隆泓瑞科技有限公司 | 一种用于机器学习的甲烷浓度数据补全方法、装置 |
Citations (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105205224A (zh) * | 2015-08-28 | 2015-12-30 | 江南大学 | 基于模糊曲线分析的时间差高斯过程回归软测量建模方法 |
| CN109685116A (zh) * | 2018-11-30 | 2019-04-26 | 腾讯科技（深圳）有限公司 | 图像描述信息生成方法和装置及电子装置 |
| CN111046136A (zh) * | 2019-11-13 | 2020-04-21 | 天津大学 | 融合表情符号与短文本的多维情感强度值计算方法 |
| CN111584015A (zh) * | 2020-05-27 | 2020-08-25 | 大唐环境产业集团股份有限公司 | 脱硝系统入口NOx测量延迟估计方法及装置 |
| CN112651166A (zh) * | 2020-11-24 | 2021-04-13 | 呼和浩特科林热电有限责任公司 | 脱硝系统入口氮氧化物浓度预测方法、装置及脱硝系统 |
| CN113440990A (zh) * | 2021-06-07 | 2021-09-28 | 华北电力大学（保定） | 基于emd-lstm的出口so2浓度预测方法 |
| CN114239725A (zh) * | 2021-12-17 | 2022-03-25 | 四川大学 | 一种面向数据投毒攻击的窃电检测方法 |
| CN115438897A (zh) * | 2022-05-18 | 2022-12-06 | 沈阳化工大学 | 一种基于blstm神经网络的工业过程产品质量预测方法 |
| CN115510445A (zh) * | 2022-10-25 | 2022-12-23 | 西安理工大学 | 一种基于深度学习的Android恶意程序检测方法 |
| CN115994630A (zh) * | 2023-03-24 | 2023-04-21 | 山东大学 | 基于多尺度自注意力的设备剩余使用寿命预测方法及系统 |
-
2023
- 2023-05-09 CN CN202310513731.5A patent/CN116312861A/zh active Pending
Patent Citations (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105205224A (zh) * | 2015-08-28 | 2015-12-30 | 江南大学 | 基于模糊曲线分析的时间差高斯过程回归软测量建模方法 |
| CN109685116A (zh) * | 2018-11-30 | 2019-04-26 | 腾讯科技（深圳）有限公司 | 图像描述信息生成方法和装置及电子装置 |
| CN111046136A (zh) * | 2019-11-13 | 2020-04-21 | 天津大学 | 融合表情符号与短文本的多维情感强度值计算方法 |
| CN111584015A (zh) * | 2020-05-27 | 2020-08-25 | 大唐环境产业集团股份有限公司 | 脱硝系统入口NOx测量延迟估计方法及装置 |
| CN112651166A (zh) * | 2020-11-24 | 2021-04-13 | 呼和浩特科林热电有限责任公司 | 脱硝系统入口氮氧化物浓度预测方法、装置及脱硝系统 |
| CN113440990A (zh) * | 2021-06-07 | 2021-09-28 | 华北电力大学（保定） | 基于emd-lstm的出口so2浓度预测方法 |
| CN114239725A (zh) * | 2021-12-17 | 2022-03-25 | 四川大学 | 一种面向数据投毒攻击的窃电检测方法 |
| CN115438897A (zh) * | 2022-05-18 | 2022-12-06 | 沈阳化工大学 | 一种基于blstm神经网络的工业过程产品质量预测方法 |
| CN115510445A (zh) * | 2022-10-25 | 2022-12-23 | 西安理工大学 | 一种基于深度学习的Android恶意程序检测方法 |
| CN115994630A (zh) * | 2023-03-24 | 2023-04-21 | 山东大学 | 基于多尺度自注意力的设备剩余使用寿命预测方法及系统 |
Non-Patent Citations (4)
| Title |
|---|
| 唐勇波;熊印国;: "基于二次维数约简的油中溶解气体浓度预测", 电工技术学报, no. 21, pages 198 - 206 * |
| 罗晓曙主编: "人工智能技术及应用", 西安：西安电子科技大学出版社, pages: 29 - 31 * |
| 董泽;闫来清;: "SCR脱硝系统NO_x排放浓度建模与仿真", 系统仿真学报, no. 02, pages 28 - 37 * |
| 闫欢: "基于 LSTM神经网络的水泥烟气 NOX排放浓度预测模型研究", 中国优秀硕士学位论文全文数据库 工程科技I辑, vol. 2023, no. 2, pages 1 * |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116832588A (zh) * | 2023-08-25 | 2023-10-03 | 湖北鼎信成套设备有限公司 | 酸再生烟气净化装置及其方法 |
| CN116832588B (zh) * | 2023-08-25 | 2024-02-02 | 湖北鼎信成套设备有限公司 | 酸再生烟气净化装置及其方法 |
| CN117009750A (zh) * | 2023-09-28 | 2023-11-07 | 北京宝隆泓瑞科技有限公司 | 一种用于机器学习的甲烷浓度数据补全方法、装置 |
| CN117009750B (zh) * | 2023-09-28 | 2024-01-02 | 北京宝隆泓瑞科技有限公司 | 一种用于机器学习的甲烷浓度数据补全方法、装置 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN116312861A (zh) | 脱硝系统气体浓度预测方法、装置、设备及存储介质 | |
| Wang et al. | A hybrid NOx emission prediction model based on CEEMDAN and AM-LSTM | |
| CN111814956B (zh) | 一种基于多维度二次特征提取的多任务学习的空气质量预测方法 | |
| CN112488145B (zh) | 一种基于智能化方法的NOx在线预测方法及系统 | |
| CN111460382B (zh) | 基于高斯过程回归的燃油车有害气体排放预测方法及系统 | |
| CN113009077B (zh) | 气体检测方法、装置、电子设备和存储介质 | |
| CN111589301A (zh) | 燃煤电厂scr脱硝性能预测方法、装置、设备和存储介质 | |
| CN112733876A (zh) | 基于模块化神经网络的城市固废焚烧过程氮氧化物软测量方法 | |
| Sonawani et al. | NO2 pollutant concentration forecasting for air quality monitoring by using an optimised deep learning bidirectional GRU model | |
| CN112001520A (zh) | 天气预报方法、装置、计算机设备及存储介质 | |
| Whiteley et al. | Simulation of polymer electrolyte membrane fuel cell degradation using an integrated Petri Net and 0D model | |
| Cartwright et al. | Emulation of greenhouse‐gas sensitivities using variational autoencoders | |
| Xi et al. | Modeling the duration and size of extended attack wildfires as dependent outcomes | |
| CN117521912A (zh) | 一种碳排放测算模型及对比评价方法及其应用 | |
| CN111830190A (zh) | 氧化型催化器标定方法、装置、设备及存储介质 | |
| CN116629451A (zh) | 一种燃料电池剩余寿命预测方法、系统、介质及终端 | |
| CN116415491A (zh) | 车辆排放预测方法、装置、设备以及存储介质 | |
| EP4027277A1 (en) | Method, system and computer program product for drift detection in a data stream | |
| Liu et al. | A prediction method of NOx in thermal power plants using GC-LSTM neural network | |
| CN115527078A (zh) | 数据预测方法、装置、设备以及模型训练方法 | |
| Xu et al. | Prediction method of dioxin emission concentration based on PCA and deep forest regression | |
| Yang et al. | Prediction of pollutant diffusion trend using CNN-GRU hybrid network in IoT air monitoring system | |
| Liao et al. | Prediction of the transient emission characteristics from diesel engine using temporal convolutional networks | |
| CN116907764B (zh) | 脱硫设备气密性检测方法、装置、设备及存储介质 | |
| Rosenthal et al. | Enabling probabilistic retrospective transport modeling for accurate source detection |
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 |