CN117852587A - 基于改进时序卷积网络模型的脱硫装置注碱量预测方法 - Google Patents
基于改进时序卷积网络模型的脱硫装置注碱量预测方法 Download PDFInfo
- Publication number
- CN117852587A CN117852587A CN202211222858.3A CN202211222858A CN117852587A CN 117852587 A CN117852587 A CN 117852587A CN 202211222858 A CN202211222858 A CN 202211222858A CN 117852587 A CN117852587 A CN 117852587A
- Authority
- CN
- China
- Prior art keywords
- network model
- improved time
- time sequence
- desulfurization device
- convolution network
- 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
- 239000003513 alkali Substances 0.000 title claims abstract description 71
- 238000000034 method Methods 0.000 title claims abstract description 68
- 238000002347 injection Methods 0.000 title claims abstract description 53
- 239000007924 injection Substances 0.000 title claims abstract description 53
- 238000006477 desulfuration reaction Methods 0.000 title claims abstract description 51
- 230000023556 desulfurization Effects 0.000 title claims abstract description 51
- 238000012549 training Methods 0.000 claims abstract description 25
- 230000008569 process Effects 0.000 claims abstract description 19
- 238000013507 mapping Methods 0.000 claims abstract description 12
- 230000001364 causal effect Effects 0.000 claims description 35
- 239000011159 matrix material Substances 0.000 claims description 25
- 230000000873 masking effect Effects 0.000 claims description 18
- 230000006870 function Effects 0.000 claims description 17
- 238000012544 monitoring process Methods 0.000 claims description 17
- UGFAIRIUMAVXCW-UHFFFAOYSA-N Carbon monoxide Chemical compound [O+]#[C-] UGFAIRIUMAVXCW-UHFFFAOYSA-N 0.000 claims description 11
- 239000003546 flue gas Substances 0.000 claims description 11
- 238000006243 chemical reaction Methods 0.000 claims description 6
- 238000007781 pre-processing Methods 0.000 claims description 6
- 230000009466 transformation Effects 0.000 claims description 6
- 238000005070 sampling Methods 0.000 claims description 5
- 230000002745 absorbent Effects 0.000 claims description 4
- 239000002250 absorbent Substances 0.000 claims description 4
- 230000004913 activation Effects 0.000 claims description 3
- 230000006399 behavior Effects 0.000 claims description 3
- 239000002904 solvent Substances 0.000 claims description 3
- 229910052717 sulfur Inorganic materials 0.000 claims description 3
- 238000005406 washing Methods 0.000 claims description 3
- 238000001914 filtration Methods 0.000 claims description 2
- 230000009467 reduction Effects 0.000 abstract description 4
- 230000008859 change Effects 0.000 description 10
- 238000012360 testing method Methods 0.000 description 8
- RAHZWNYVWXNFOC-UHFFFAOYSA-N Sulphur dioxide Chemical compound O=S=O RAHZWNYVWXNFOC-UHFFFAOYSA-N 0.000 description 6
- 238000004364 calculation method Methods 0.000 description 5
- 230000008929 regeneration Effects 0.000 description 5
- 238000011069 regeneration method Methods 0.000 description 5
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 description 4
- 239000002912 waste gas Substances 0.000 description 4
- 238000004523 catalytic cracking Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 238000013528 artificial neural network Methods 0.000 description 2
- 239000003344 environmental pollutant Substances 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 230000007246 mechanism Effects 0.000 description 2
- 210000002569 neuron Anatomy 0.000 description 2
- 238000010606 normalization Methods 0.000 description 2
- 231100000719 pollutant Toxicity 0.000 description 2
- 239000002585 base Substances 0.000 description 1
- 230000003197 catalytic effect Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000010339 dilation Effects 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 239000007789 gas Substances 0.000 description 1
- 239000007788 liquid Substances 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000005504 petroleum refining Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000011002 quantification Methods 0.000 description 1
- 238000011158 quantitative evaluation Methods 0.000 description 1
- 239000002994 raw material Substances 0.000 description 1
- 238000007670 refining Methods 0.000 description 1
- 238000005507 spraying Methods 0.000 description 1
- 230000008961 swelling Effects 0.000 description 1
- 230000002123 temporal effect Effects 0.000 description 1
- 239000002699 waste material Substances 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及脱硫设施注碱量预测技术领域,具体涉及一种基于改进时序卷积网络模型的脱硫装置注碱量预测方法,该方法包括:S1、构建残差连接模块;S2、构建遮罩自注意力网络模块;S3、将残差连接模块和遮罩自注意力网络模块进行交替堆叠,构建改进的时序卷积网络模型;S4、对改进的时序卷积网络模型进行训练;S5、运用训练好的改进的时序卷积网络模型,在线对下一时刻的碱液流量进行预测。运用该方法,基于引入的遮罩自注意力网络模块,对每个残差连接模块的输入进行了动态增强,解决了传统时序卷积网络模型在脱硫装置注碱量预测过程中,由于映射的非线性程度较高,时序关联性较强所导致的精度下降问题,从而实现了注碱量的实时高精度预测。
Description
技术领域
本发明涉及脱硫设施注碱量预测技术领域,具体涉及一种基于改进时序卷积网络模型的脱硫装置注碱量预测方法。
背景技术
催化裂化装置是炼油企业造成大气污染的主要大气污染源之一,也是政府及企业自身的环保管理重点。目前,《GB 31570-2015石油炼制工业污染物排放标准》对催化裂化装置废气中二氧化硫的排放限值为100mg/m3,特别排放限值为50mg/m3。为防止催化裂化装置废气污染物的超标排放,大部分企业已增设废气脱硫装置。一般地,废气脱硫装置多采用钠碱法脱硫,即使用废碱性清液作为吸收剂,通过喷淋的方式吸收废气中的二氧化硫。因此碱液的加注量是该设施的主要操作变量,需要根据反应再生装置的运行情况,原料性质等因素进行动态调整。
然而,目前对脱硫装置的调整是依靠人工判断反应再生装置运行状态的变化进行的,从反应再生装置运行状态变化到调整治理装置再到调整生效,存在很强的滞后性。此外,不合理的调整可能会使碱液添加量不足导致废气二氧化硫浓度的超标,或是使碱液添加量过量导致装置运行成本的增加。
同时,传统时序卷积网络模型(TCN)在脱硫装置注碱量预测过程中,由于映射的非线性程度较高,时序关联性较强也会造成预测精度下降。
因此,亟待提出一种基于改进时序卷积网络模型的脱硫装置注碱量预测方法,使操作人员能够根据未来的变化趋势进行脱硫装置的调整,确保催化裂化装置废气的稳定达标排放。
发明内容
本发明为解决目前对脱硫装置的调整是依靠人工判断反应再生装置运行状态变化,而从再生装置运行状态变化到调整治理装置再到调整生效,存在很强的滞后性,以及传统时序卷积网络模型(TCN)在脱硫装置注碱量预测过程中,由于映射的非线性程度较高,时序关联性较强会造成预测精度下降的问题,提供了一种基于改进时序卷积网络模型的脱硫装置注碱量预测方法。
本发明为了实现上述目的,本发明提供了一种基于改进时序卷积网络模型(MA-TCN)的脱硫装置注碱量预测方法,该方法包括以下步骤:
S1、构建残差连接模块;
S2、构建遮罩自注意力网络模块;
S3、将残差连接模块和遮罩自注意力网络模块进行交替堆叠,构建改进的时序卷积网络模型;
S4、对所述改进的时序卷积网络模型进行训练;
S5、运用训练好的所述改进的时序卷积网络模型,在线对下一时刻的碱液流量进行预测。
优选地,在步骤S1中,所述构建残差连接模块,具体包括:
S1.1、构建膨胀因果卷积网络层;
S1.2、将步骤S1.1中的多个膨胀因果卷积网络层进行堆叠,得到残差连接模块。
优选地,在步骤S1.1中,所述构建膨胀因果卷积网络层,具体包括构建膨胀因果卷积网络层U(T):
其中,S={s0,s1,...,sT,...,st}为一段时间序列数据,S中每一个样本U={u0,u1,...,uk-1}为一个卷积核,U中的每一个内核ds是时间序列数据的维度,κ是卷积核的大小,D为卷积核的膨胀率,用于控制两个相邻的内核间所跳过的步长。
优选地,在步骤S1.2中,残差连接模块具体为:
O=f(F(S,W)+S)
其中,f为激活函数,F(S,W)为多个膨胀因果卷积网络层的映射函数,S为F的输入,W为F的参数集合。
优选地,在步骤S2中,所述构建遮罩自注意力网络模块,具体包括:
S2.1、进行线性变换,具体数学描述公式为:
Q=WqS
K=WkS
V=WvS
其中,Q为dk维的索引值,K为dk维的键值,V为dv维的数值,Wq,Wk,Wv分别为将S映射为Q,K,V的参数矩阵;
S2.2、进行矩阵相乘,得到输出矩阵A:
A=KTQ
S2.3、进行因果softmax遮罩;
A′=softmax(A)
A″=ATM
其中,A′为softmax运算后的注意力分数矩阵,A″为遮罩注意力分数矩阵,M为维度为dk×dk的因果遮罩矩阵;
S2.4、将步骤S2.1中的线性变换矩阵V与步骤S2.3中的遮罩注意力分数矩阵A″相乘,再与步骤S2.1中的一段时间序列数据S相加,得到遮罩自注意力网络模块:
O=VA″+S。
优选地,在步骤S3中,所述将残差连接模块和遮罩自注意力网络模块进行交替堆叠,构建改进的时序卷积网络模型,具体包括:
将遮罩自注意力网络模块和残差连接模块以遮罩自注意力网络模块在前,残差连接模块在后的方式进行交替堆叠。
优选地,遮罩自注意力网络模块和残差连接模块的数量相同。
优选地,在步骤S4中,所述对所述改进的时序卷积网络模型进行训练,具体包括:
S4.1、设定损失函数LB:
其中,B为大小为b的时间序列数据切片,为将B输入到改进的时序卷积网络模型中得到的模型预测值,YB为对应时间点的碱液流量监测数据;lp为损失函数的范数级别,P为范数阶级;
S4.2、采用监督学习的方式对所述改进的时序卷积网络模型进行训练。
优选地,在步骤S4.2中,所述采用监督学习的方式对所述改进的时序卷积网络模型进行训练之前,具体还包括:
设定所述改进的时序卷积网络模型的超参数。
优选地,所述超参数包括用于决定所述改进的时序卷积网络模型的结构的结构超参数和用于决定所述改进的时序卷积网络模型训练时行为的训练超参数。
优选地,在步骤S5中,所述运用训练好的所述改进的时序卷积网络模型,在线对下一时刻的碱液流量进行预测,具体包括:
S5.1、选取输入变量,采集脱硫装置当前时刻的过程变量监测数据及当前时刻之前τ个时刻的历史过程变量监测数据,得到所述改进的时序卷积网络模型的输入数据;
S5.2、对所述改进的时序卷积网络模型的输入数据进行预处理,并将预处理后所述改进的时序卷积网络模型的输入数据输入训练好的所述改进的时序卷积网络模型中,得到下一时刻的碱液流量的预测值。
优选地,在步骤S5.1中,所述过程变量监测数据包括吸收剂酸碱度、洗涤塔循环泵入口pH值、滤清模块循环泵入口pH值、洗涤塔补水线流量、洗涤塔入口烟气标态流量、洗涤塔入口烟气温度、洗涤塔入口烟气压力、洗涤塔入口SO2浓度、循环溶剂百分比、脱硝反应温度、洗涤塔底温度。
优选地,
其中,κ为所述改进的时序卷积网络模型中卷积核的大小,D为卷积核的膨胀率,χ为所述改进的时序卷积网络模型中的残差连接模块的数量。
优选地,在步骤S5.2中,所述对所述改进的时序卷积网络模型的输入数据进行预处理,具体包括:
将所述改进的时序卷积网络模型的输入数据中数值为0或没有数值的采样点进行移除。
根据上述技术方案,运用该方法,基于引入的遮罩自注意力网络模块,对每个残差连接模块的输入进行了动态增强,解决了传统时序卷积网络模型在脱硫装置注碱量预测过程中,由于映射的非线性程度较高,时序关联性较强所导致的精度下降问题,从而实现了注碱量的实时高精度预测,使现场操作人员可根据注碱量的变化趋势对脱硫装置进行调整。
附图说明
图1是基于改进时序卷积网络模型的脱硫装置注碱量预测方法的流程图;
图2是T时刻的膨胀因果卷积示例图;
图3是残差连接模块的结构示意图;
图4是因果遮罩矩阵示例图;
图5是遮罩自注意力网络模块的计算流程图;
图6是引入遮罩自注意力网络模块的改进时序卷积网络模型的结构图;
图7是基于改进时序卷积网络模型的脱硫装置注碱量预测方法的预测值与真实值的对比图;
图8a是基于A组数据原始时序卷积模型预测值与真实值的对比图;
图8b是基于A组数据改进时序卷积模型预测值与真实值的对比图;
图9a是基于B组数据原始时序卷积模型预测值与真实值的对比图;
图9b是基于B组数据改进时序卷积模型预测值与真实值的对比图。
具体实施方式
以下结合附图对本发明实施例的具体实施方式进行详细说明。应当理解的是,此处所描述的具体实施方式仅用于说明和解释本发明实施例,并不用于限制本发明实施例。
在本申请的描述中,术语“第一”、“第二”仅用于描述目的,而不能理解为指示相对重要性,或者隐含指明所指示的技术特征的数量。由此,除非另有说明,限定有“第一”、“第二”的特征可以明示或者隐含地包括一个或者更多个该特征;“多个”的含义是两个或两个以上。术语“包括”及其任何变形,意为不排他的包含、可能存在或添加一个或更多其他特征、单元、组件和/或其组合。
此外,除非另有明确的规定和限定,术语“安装”、“相连”、“连接”应做广义理解,例如可以是固定连接,也可以是可拆卸连接,或一体地连接;可以是机械连接,也可以是电连接;可以是直接相连,也可以通过中间媒介间接相连,或是两个元件内部的连通。对于本领域的普通技术人员而言,可以根据具体情况理解上述术语在本申请中的具体含义。
本发明提供了一种基于改进时序卷积网络模型的脱硫装置注碱量预测方法,如图1所示,该方法包括以下步骤:
S1、构建残差连接模块;
S2、构建遮罩自注意力网络模块;
S3、将残差连接模块和遮罩自注意力网络模块进行交替堆叠,构建改进的时序卷积网络模型;
S4、对所述改进的时序卷积网络模型进行训练;
S5、运用训练好的所述改进的时序卷积网络模型,在线对下一时刻的碱液流量进行预测。
根据上述技术方案,运用该方法,基于引入的遮罩自注意力网络模块,对每个残差连接模块的输入进行了动态增强,解决了传统时序卷积网络模型在脱硫装置注碱量预测过程中,由于映射的非线性程度较高,时序关联性较强所导致的精度下降问题,从而实现了注碱量的实时高精度预测,使现场操作人员可根据注碱量的变化趋势对脱硫装置进行调整。
在本发明所述的基于改进时序卷积网络模型的脱硫装置注碱量预测方法中,步骤S1中,所述构建残差连接模块,具体包括:
S1.1、构建膨胀因果卷积网络层;
其中,步骤S1.1中具体包括构建膨胀因果卷积网络层U(T):
其中,S={s0,s1,...,sT,...,st}为一段时间序列数据,S中每一个样本U={u0,u1,...,uk-1}为一个卷积核,U中的每一个内核ds是时间序列数据的维度,κ是卷积核的大小,D为卷积核的膨胀率,用于控制两个相邻的内核间所跳过的步长。
在具体的实施方式中,膨胀因果卷积网络层U(T)的输入S为一段时间序列数据,也可以为前一个膨胀因果卷积网络层U(T)的输出;膨胀因果卷积网络层U(T)的输出为同输入有相同采样点数量的一段时间序列数据。其中,与时序卷积网络模型不同,sT-(κ-1-i)能够阻止卷积核U与未来时刻数据ST+1,ST+2,...,St之间的运算,防止膨胀因果卷积网络层在训练时利用未来的信息;膨胀率D会随着膨胀因果卷积网络层深度的增加而呈指数型增加。例如,膨胀因果卷积网络层第j层的膨胀率可以设置为2j-1,通过这种方式,较为上层的网络层(即j更大)将获得更大的膨胀率,并且能够综合更大范围输入数据的信息计算得到,因此通过堆叠膨胀因果卷积网络层能够使足够多的历史数据参与运算,从而提高预测精度。
进一步,同卷积核发生运算的时间序列数据的范围称为感受野。当时间序列数据的长度小于感受野时,可以通过在时间序列数据左侧补零的方式使因果卷积得以运算。如图2所示,膨胀因果卷积不仅能够利用历史数据运算,还能够拥有很长的视野。
S1.2、将步骤S1.1中的多个膨胀因果卷积网络层进行堆叠,得到残差连接模块。
其中,步骤S1.2中,残差连接模块具体为:
O=f(F(S,W)+S)
其中,f为激活函数,F(S,W)为多个膨胀因果卷积网络层的映射函数,S为F的输入,W为F的参数集合。
在具体的实施方式中,当输入与输入的维度不同时,可以使用1×1卷积统一输入输出的维度。其中,残差连接能够在膨胀因果卷积网络加深时保障其稳定性。进一步地,由同一个残差连接所跨过的所有神经网络层共同组成一个残差连接模块,通常如图3所示,每个残差连接模块中包含2个膨胀因果卷积层,2个权值归一化层(softmax),2个双曲正切函数层(tanh)以及2个丢弃层(dropout),各网络层按图3所示轮流堆叠。
在本发明所述的基于改进时序卷积网络模型的脱硫装置注碱量预测方法中,步骤S2中,所述构建遮罩自注意力网络模块,具体包括:
S2.1、进行线性变换,具体数学描述公式为:
Q=WqS
K=WkS
V=WvS
其中,Q为dk维的索引值,K为dk维的键值,V为dv维的数值,Wq,Wk,Wv分别为将S映射为Q,K,V的参数矩阵;
S2.2、进行矩阵相乘,得到输出矩阵A:
A=KTQ
S2.3、进行因果softmax遮罩;
A′=softmax(A)
A″=ATM
其中,A′为softmax运算后的注意力分数矩阵,A″为遮罩注意力分数矩阵,M为维度为dk×dk的因果遮罩矩阵;
S2.4、将步骤S2.1中的线性变换矩阵V与步骤S2.3中的遮罩注意力分数矩阵A″相乘,再与步骤S2.1中的一段时间序列数据S相加,得到遮罩自注意力网络模块:
O=VA″+S。
在具体的实施方式中,步骤S2.3中,对输出矩阵A进行因果softmax遮罩的作用在于防止未来的信息参与到权重的计算当中,图4是一个因果遮罩的示例,为达到遮罩目的,矩阵对角线右上方的数值被设定为负无穷(-inf),原因是这些计算结果是由未来时刻的键值计算得到的,在归一化处理后,这些被负无穷遮罩的位置的权重值会接近于0,也就使得未来的信息不会参与到后续的计算当中。
进一步,由于遮罩自注意力网络模块的运算全部以矩阵的形式完成,故对一组时序输入的运算是并行的,因此运算能够快速完成。同时,遮罩自注意力网络模块可以学习判别所读取数据的重要性,通过将自注意力机制与因果卷积结合形成遮罩自注意力网络模块,能够在不影响自注意力机制获得信息总量的情况下,使其读入历史数据。图5展示了遮罩自注意力网络模块的计算过程。
在本发明所述的基于改进时序卷积网络模型的脱硫装置注碱量预测方法中,步骤S3中,如图6所示,将步骤S1中的残差连接模块和步骤S2中的遮罩自注意力网络模块进行交替堆叠,构建改进的时序卷积网络模的过程中,遮罩自注意力网络模块与残差连接模块的数量必须相等,且数据必须首先经过遮罩自注意力网络模块后再经过残差连接模块。原因在于遮罩自注意力网络模块的作用是动态增强输入数据中有用的信息;而残差连接模块的作用是提取时间序列特征并进行预测,二者缺一不可必须成对出现,以用于提升预测精度。
在本发明所述的基于改进时序卷积网络模型的脱硫装置注碱量预测方法中,步骤S4中,所述对所述改进的时序卷积网络模型进行训练,具体包括:
S4.1、设定损失函数LB:
其中,B为大小为b的时间序列数据切片,为将B输入到改进的时序卷积网络模型中得到的模型预测值,YB为对应时间点的碱液流量监测数据;lp为损失函数的范数级别,P为范数阶级;
S4.2、采用监督学习的方式对所述改进的时序卷积网络模型进行训练。
其中,在步骤S4.2中,所述采用监督学习的方式对所述改进的时序卷积网络模型进行训练之前,具体还包括:
设定所述改进的时序卷积网络模型的超参数。具体地,所述超参数包括用于决定所述改进的时序卷积网络模型的结构的结构超参数和用于决定所述改进的时序卷积网络模型训练时行为的训练超参数。
在具体的实施方式中,设定结构超参数包括设定所述改进的时序卷积网络模型中卷积核的大小κ,卷积核的膨胀基数D;设定所述改进的时序卷积网络模型中残差连接模块的数量χ,以及每个残差连接模块中膨胀因果卷积层的神经元数量;根据设定的残差连接模块的数量χ,设置相等数量的遮罩自注意力网络模块;经过上述设定所述改进的时序卷积网络模型的结构,即前向运算过程被确定。而设定训练超参数包括设定输入数据B的长度b,且b的长度为设定Adam boost优化器的学习率、第一动量的指数衰减率、第二动量的指数衰减率;设定损失函数的范数级别lp;设定最大循环次数(epoch);其中,Adamboost优化器是PyTorch开源深度学习框架提供的训练神经网络的优化器,能够将误差自动进行反向传播并求解最优参数集。优选地,b为16;χ为3,3个残差连接模块中膨胀因果卷积层的神经元数量分别为16,16,5;κ为3,卷积核的膨胀基数D为2;Adam boost优化器的学习率为10-3、第一动量的指数衰减率为0.9,第二动量的指数衰减率为0.99;损失函数的范数级别为l2;epoch大于100。
进一步,采用监督学习的方式对所述改进的时序卷积网络模型进行训练具体包括:1)将脱硫装置的运行历史数据,以1为步长,以上述设定的长度b对数据进行取样分组;2)将每组数据的前个数据输入到所述改进的时序卷积网络模型中,得到运算结果/>3)将每组数据由步骤2)得到的/>与该组数据的最后一个样本数值YB,代入设定的损失函数LB中计算损失值;4)将步骤3)计算出的损失值输入到设定的Adam boost优化器中,将损失进行反向传播,完成对所述改进的时序卷积网络模型参数值的一次优化;5)使用步骤1)中的分组数据,循环执行步骤2)-4),直到循环次数达到设定的最大循环次数(epoch),即表示完成对所述改进的时序卷积网络模型的训练。
在本发明所述的基于改进时序卷积网络模型的脱硫装置注碱量预测方法中,步骤S5中,所述运用训练好的所述改进的时序卷积网络模型,在线对下一时刻的碱液流量进行预测,具体包括以下步骤:
S5.1、选取输入变量,采集脱硫装置当前时刻的过程变量监测数据及当前时刻之前τ个时刻的历史过程变量监测数据,得到所述改进的时序卷积网络模型的输入数据;
其中,步骤S5.1中,所述过程变量监测数据包括吸收剂酸碱度、洗涤塔循环泵入口pH值、滤清模块循环泵入口pH值、洗涤塔补水线流量、洗涤塔入口烟气标态流量、洗涤塔入口烟气温度、洗涤塔入口烟气压力、洗涤塔入口SO2浓度、循环溶剂百分比、脱硝反应温度、洗涤塔底温度。而其中,κ为所述改进的时序卷积网络模型中卷积核的大小,D为卷积核的膨胀率,χ为所述改进的时序卷积网络模型中的残差连接模块的数量。
S5.2、对所述改进的时序卷积网络模型的输入数据进行预处理,并将预处理后所述改进的时序卷积网络模型的输入数据输入训练好的所述改进的时序卷积网络模型中,得到下一时刻的碱液流量的预测值。
其中,步骤S5.2中,所述对所述改进的时序卷积网络模型的输入数据进行预处理,具体包括:
将所述改进的时序卷积网络模型的输入数据中数值为0或没有数值的采样点进行移除。以用于提高预测精度。
在具体的实施方式中,基于本发明所提供的方法,如图7所示,有效提高了对注碱量的实时预测精度,具体地,相比传统时序卷积网络模型方法,本发明所提供的方法具有60%以上的误差提升,以及0.7以上的拟合优度提升,即预测精度更高,误差更小,更能反应真实的注碱量变化。
以下将通过实施例对本发明进行详细描述,但本发明的保护范围并不局限于此。
实施例1
采用了两组测试数据集对离线训练后改进的时序卷积网络模型进行评估,其中A组为包含480条样本的过程变量监测数据集,B组为包含500条样本的过程变量监测数据集。将样本的预测值与真实值同时显示在了统计图中以便进行比较,图8a和图8b为A组数据的预测结果,图9a和图9b为B组数据的预测结果。从两组实验结果能够看出,改进的时序卷积网络模型的预测曲线,相比于原始时序卷积网络模型的预测曲线,更贴合于真实观测值曲线,主要体现在两方面:第一是预测值曲线对于真实观测值曲线的变化趋势能够更好的保持一致;第二是在真实观测值曲线出现局部极大或者极小值时,预测曲线能够做到对这些极值点的拟合。
进一步,还可以采用均方根误差(RMSE)与拟合优度(R2)两个使用最广泛的精度评价指标对原始时序卷积网络模型与改进时序卷积网络模型的预测精度进行定量化的评估。其中RMSE的定义如下:
其中,m为测试数据集中的样本个数,yi为注碱量的真实监测数据,为模型对注碱量的预测数据,该指标主要反应了测试中预测值与真实值之间的平均差异,RMSE数值越低表明模型的预测精度越高。R2的定义如下:
其中,m为测试数据集中的样本个数,yi为注碱量的真实监测数据,为模型对注碱量的预测数据,该指标主要反应了预测值的变化是否与真实监测值的变化保持一致。R2的值域为[-1,1],数值越接近1表明模型的预测精度越高,越接近-1表明模型的预测精度越差。
具体地,模型预测精度定量化的评估结果如表1所示。
表1:模型预测精度定量化评估结果
由表1可知,相比于原始时序卷积网络模型,改进的时序卷积网络模型在测试集A中的均方根误差(RMSE)降低了73.01%,拟合优度(R2)提升了1.28;在测试集B中的均方根误差(RMSE)降低了61.8%,拟合优度(R2)提升了0.73。其中,9.723kg/h左右的均方根误差相比与测试集A中注碱量约250kg/h的值域范围,以及11.175kg/h左右的均方根误差相比与测试集B中注碱量约400kg/h的值域范围,本发明的方法更是能够对注碱量进行精确的预测。
本发明提供的基于改进时序卷积网络模型的脱硫装置注碱量预测方法,基于引入的遮罩自注意力网络模块,对每个残差连接模块的输入进行了动态增强,解决了传统时序卷积网络模型在脱硫装置注碱量预测过程中,由于映射的非线性程度较高,时序关联性较强所导致的精度下降问题,从而实现了注碱量的实时高精度预测,使现场操作人员可根据注碱量的变化趋势对脱硫装置进行调整。
以上结合附图详细描述了本发明的优选实施方式,但是,本发明并不限于此。在本发明的技术构思范围内,可以对本发明的技术方案进行多种简单变型,为了避免不必要的重复,本发明对各种可能的组合方式不再另行说明。但这些简单变型和组合同样应当视为本发明所公开的内容,均属于本发明的保护范围。
Claims (14)
1.一种基于改进时序卷积网络模型的脱硫装置注碱量预测方法,其特征在于,所述基于改进时序卷积网络模型的脱硫装置注碱量预测方法包括以下步骤:
S1、构建残差连接模块;
S2、构建遮罩自注意力网络模块;
S3、将残差连接模块和遮罩自注意力网络模块进行交替堆叠,构建改进的时序卷积网络模型;
S4、对所述改进的时序卷积网络模型进行训练;
S5、运用训练好的所述改进的时序卷积网络模型,在线对下一时刻的碱液流量进行预测。
2.根据权利要求1所述的基于改进时序卷积网络模型的脱硫装置注碱量预测方法,其特征在于,在步骤S1中,所述构建残差连接模块,具体包括:
S1.1、构建膨胀因果卷积网络层;
S1.2、将步骤S1.1中的多个膨胀因果卷积网络层进行堆叠,得到残差连接模块。
3.根据权利要求2所述的基于改进时序卷积网络模型的脱硫装置注碱量预测方法,其特征在于,在步骤S1.1中,所述构建膨胀因果卷积网络层,具体包括构建膨胀因果卷积网络层U(T):
其中,S={s0,s1,...,sT,...,st}为一段时间序列数据,S中每一个样本U={u0,u1,...,uk-1}为一个卷积核,U中的每一个内核ds是时间序列数据的维度,κ是卷积核的大小,D为卷积核的膨胀率,用于控制两个相邻的内核间所跳过的步长。
4.根据权利要求3所述的基于改进时序卷积网络模型的脱硫装置注碱量预测方法,其特征在于,在步骤S1.2中,残差连接模块具体为:
O=f(F(S,W)+S)
其中,f为激活函数,F(S,W)为多个膨胀因果卷积网络层的映射函数,S为F的输入,W为F的参数集合。
5.根据权利要求4所述的基于改进时序卷积网络模型的脱硫装置注碱量预测方法,其特征在于,在步骤S2中,所述构建遮罩自注意力网络模块,具体包括:
S2.1、进行线性变换,具体数学描述公式为:
Q=WqS
K=WkS
V=WvS
其中,Q为dk维的索引值,K为dk维的键值,V为dv维的数值,Wq,Wk,Wv分别为将S映射为Q,K,V的参数矩阵;
S2.2、进行矩阵相乘,得到输出矩阵A:
A=KTQ
S2.3、进行因果softmax遮罩;
A′=soft max(A)
A″=A′+M
其中,A′为softmax运算后的注意力分数矩阵,A″为遮罩注意力分数矩阵,M为维度为dk×dk的因果遮罩矩阵;
S2.4、将步骤S2.1中的线性变换矩阵V与步骤S2.3中的遮罩注意力分数矩阵A″相乘,再与步骤S2.1中的一段时间序列数据S相加,得到遮罩自注意力网络模块:
O=VA″+S。
6.根据权利要求5所述的基于改进时序卷积网络模型的脱硫装置注碱量预测方法,其特征在于,在步骤S3中,所述将残差连接模块和遮罩自注意力网络模块进行交替堆叠,构建改进的时序卷积网络模型,具体包括:
将遮罩自注意力网络模块和残差连接模块以遮罩自注意力网络模块在前,残差连接模块在后的方式进行交替堆叠。
7.根据权利要求1或6所述的基于改进时序卷积网络模型的脱硫装置注碱量预测方法,其特征在于,遮罩自注意力网络模块和残差连接模块的数量相同。
8.根据权利要求6所述的基于改进时序卷积网络模型的脱硫装置注碱量预测方法,其特征在于,在步骤S4中,所述对所述改进的时序卷积网络模型进行训练,具体包括:
S4.1、设定损失函数LB:
其中,B为大小为b的时间序列数据切片,为将B输入到改进的时序卷积网络模型中得到的模型预测值,YB为对应时间点的碱液流量监测数据;lp为损失函数的范数级别,P为范数阶级;
S4.2、采用监督学习的方式对所述改进的时序卷积网络模型进行训练。
9.根据权利要求8所述的基于改进时序卷积网络模型的脱硫装置注碱量预测方法,其特征在于,在步骤S4.2中,所述采用监督学习的方式对所述改进的时序卷积网络模型进行训练之前,具体还包括:
设定所述改进的时序卷积网络模型的超参数。
10.根据权利要求9所述的基于改进时序卷积网络模型的脱硫装置注碱量预测方法,其特征在于,所述超参数包括用于决定所述改进的时序卷积网络模型的结构的结构超参数和用于决定所述改进的时序卷积网络模型训练时行为的训练超参数。
11.根据权利要求1所述的基于改进时序卷积网络模型的脱硫装置注碱量预测方法,其特征在于,在步骤S5中,所述运用训练好的所述改进的时序卷积网络模型,在线对下一时刻的碱液流量进行预测,具体包括:
S5.1、选取输入变量,采集脱硫装置当前时刻的过程变量监测数据及当前时刻之前τ个时刻的历史过程变量监测数据,得到所述改进的时序卷积网络模型的输入数据;
S5.2、对所述改进的时序卷积网络模型的输入数据进行预处理,并将预处理后所述改进的时序卷积网络模型的输入数据输入训练好的所述改进的时序卷积网络模型中,得到下一时刻的碱液流量的预测值。
12.根据权利要求11所述的基于改进时序卷积网络模型的脱硫装置注碱量预测方法,其特征在于,在步骤S5.1中,所述过程变量监测数据包括吸收剂酸碱度、洗涤塔循环泵入口pH值、滤清模块循环泵入口pH值、洗涤塔补水线流量、洗涤塔入口烟气标态流量、洗涤塔入口烟气温度、洗涤塔入口烟气压力、洗涤塔入口SO2浓度、循环溶剂百分比、脱硝反应温度、洗涤塔底温度。
13.根据权利要求11所述的基于改进时序卷积网络模型的脱硫装置注碱量预测方法,其特征在于,
其中,κ为所述改进的时序卷积网络模型中卷积核的大小,D为卷积核的膨胀率,χ为所述改进的时序卷积网络模型中的残差连接模块的数量。
14.根据权利要求11所述的基于改进时序卷积网络模型的脱硫装置注碱量预测方法,其特征在于,在步骤S5.2中,所述对所述改进的时序卷积网络模型的输入数据进行预处理,具体包括:
将所述改进的时序卷积网络模型的输入数据中数值为0或没有数值的采样点进行移除。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211222858.3A CN117852587A (zh) | 2022-10-08 | 2022-10-08 | 基于改进时序卷积网络模型的脱硫装置注碱量预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211222858.3A CN117852587A (zh) | 2022-10-08 | 2022-10-08 | 基于改进时序卷积网络模型的脱硫装置注碱量预测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117852587A true CN117852587A (zh) | 2024-04-09 |
Family
ID=90535234
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211222858.3A Pending CN117852587A (zh) | 2022-10-08 | 2022-10-08 | 基于改进时序卷积网络模型的脱硫装置注碱量预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117852587A (zh) |
-
2022
- 2022-10-08 CN CN202211222858.3A patent/CN117852587A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP2533942B2 (ja) | 知識抽出方法およびプロセス運転支援システム | |
CN111804146B (zh) | 一种智能喷氨控制方法以及智能喷氨控制装置 | |
CN112685961B (zh) | 一种模拟电路的剩余使用寿命预测方法及系统 | |
CN109828089B (zh) | 一种基于dbn-bp的水质参数亚硝酸氮的在线预测方法 | |
CN110889085A (zh) | 基于复杂网络多元在线回归的废水智能监控方法及系统 | |
CN106649479A (zh) | 一种基于概率图的变压器状态关联规则挖掘方法 | |
CN109102002A (zh) | 结合卷积神经网络和概念机递归神经网络的图像分类方法 | |
CN112735541A (zh) | 一种基于简单循环单元神经网络的污水处理水质预测方法 | |
CN114282443B (zh) | 基于mlp-lstm有监督联合模型的剩余使用寿命预测方法 | |
CN114037163A (zh) | 一种基于动态权重pso优化bp神经网络的污水处理出水质量预警方法 | |
CN115964907B (zh) | 复杂系统健康趋势预测方法、系统、电子设备及存储介质 | |
CN116611556A (zh) | 一种基于混合神经网络的致密气井单井产量预测方法 | |
CN115147645A (zh) | 基于多特征信息融合的膜组件膜污染检测方法 | |
Lu et al. | Quality-relevant feature extraction method based on teacher-student uncertainty autoencoder and its application to soft sensors | |
CN112949894B (zh) | 一种基于简化型长短期记忆神经网络的出水bod预测方法 | |
CN117852587A (zh) | 基于改进时序卷积网络模型的脱硫装置注碱量预测方法 | |
JPH03134706A (ja) | 下水処理場運転支援のための知識獲得方法 | |
CN117422165A (zh) | 一种基于低碳排放的城市输水系统水量预测方法及系统 | |
CN116579408A (zh) | 一种基于模型结构冗余度的模型剪枝方法及系统 | |
CN115482877A (zh) | 一种基于时序图网络的发酵过程软测量建模方法 | |
CN115034140A (zh) | 一种基于关键控制因子的地表水水质变化趋势预测方法 | |
CN114638421A (zh) | 一种发电机组备件需求的预测方法 | |
CN114492988A (zh) | 一种催化裂化过程的产品收率的预测方法及装置 | |
CN114298413A (zh) | 一种水电机组振摆趋势预测方法 | |
CN113111588A (zh) | 一种燃气轮机nox排放浓度预测方法及装置 |
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 |