基于注意力机制LSTM模型的入炉垃圾热值实时预测方法.pdf

(19)国家知识产权局(12)发明专利申请(10)申请公布号CN115717709A(43)申请公布日2023.02.28(21)申请号202211417405.6(22)申请日2022.11.11(71)申请人浙江大学地址310058浙江省杭州市西湖区余杭塘路866号(72)发明人林晓青温朝军谢昊源黄群星李晓东严建华(74)专利代理机构杭州中成专利事务所有限公司33212专利代理师周世骏(51)Int.Cl.F23G5/50(2006.01)G06N3/0442(2023.01)G06N3/084(2023.01)G06N3/09(2023.01)权利要求书2页说明书6页附图2页(54)发明名称基于注意力机制LSTM模型的入炉垃圾热值实时预测方法(57)摘要本发明涉及入炉垃圾的热值预测技术，旨在提供一种基于注意力机制LSTM模型的入炉垃圾热值实时预测方法。包括：从历史数据记录中提取DCS控制参量，筛选出用于模型训练的输入特征参量，从中提取部分S参量计算入炉垃圾热值并以用于模型训练；建立基于时间注意力机制的LSTM时序模型作为训练模型；筛选多次训练后保存的模型，选取其中均方根误差最小的作为最终的预测模型；从当前时刻DCS控制参数中提取输入特征参量，输入预测模型，经计算获得下一个时间步长的入炉垃圾热值预测值。本发明能够高效准确地测算垃圾焚烧炉入炉垃圾的热值，进一步将垃圾热值预测结果用于控制策略的调整，能够减少污染物排放并提高焚烧发电的效能。CN115717709ACN115717709A权利要求书1/2页1.一种基于注意力机制LSTM模型的入炉垃圾热值实时预测方法，其特征在于，包括以下步骤：(1)从垃圾焚烧炉DCS控制系统的历史数据记录中，提取的不同时间点位的DCS控制参量；按固定的时间间隔将数据导入工控机，得到待整理数据集；(2)基于相关性系数的计算，从待整理数据集中筛选出SO2浓度、烟气温度、炉燃烧炉排上部温度、一次风温温度、烟尘浓度、NOx含量、HCl含量、CO含量、湿基CO2含量、氟化物含量、干基O2含量和烟气湿度，共12个输入特征参量；进行数据清洗后，将这12个输入特征的数据用于模型训练；(3)从步骤(2)得到的输入特征参量中提取用于计算C、H、O、S、含水率参数的DCS参量，并计算出各时刻的入炉垃圾热值，为计算结果添加标签以用于模型训练；(4)对步骤(2)得到的输入特征参量和步骤(3)得到的各时刻的入炉垃圾热值进行整合处理；然后将全部数据中的80％用作训练集数据，20％用作测试集数据；(5)建立基于时间注意力机制的LSTM时序模型作为训练模型；将训练集数据输入训练模型进行训练，通过将LSTM模型的隐藏层状态量h与注意力矩阵进行点积相乘，优化隐藏层的状态量h；同步使用均方根误差损失计算预测值和真实值之间的损失，每轮训练后需反向传播更新预测模型的下一时刻状态量h，使炉垃圾热值的预测值与入计算结果之间的欧式距离逐步缩小，直至均方根误差损失小于1％，保存该模型；筛选多次训练后保存的模型，选取其中均方根误差最小的作为最终的预测模型；(6)从当前时刻下的DCS控制参数中提取输入特征参量，输入步骤(5)得到的预测模型，经计算获得下一个时间步长的入炉垃圾热值预测值。2.根据权利要求1所述的方法，其特征在于，步骤(2)中所述筛选是指，计算输入特征参量与实时目标热值的皮尔逊相关性系数，保留相关系数大于0.3的输入特征参量用于训练模型的输入；其中，皮尔逊相关性系数pearson的计算如下式所示：式中：xi为某待选输入参量，yi为实时目标热值的计算结果；为输入参量组的均值，为实时目标热值组的均值；i＝1，2...n。3.根据权利要求1所述的方法，其特征在于，步骤(2)中所述数据清洗是指，根据垃圾焚烧炉运行过程中的控制参数范围，对提取到的输入特征参量数据进行清洗，去除异常工况值。4.根据权利要求1所述的方法，其特征在于，所述步骤(3)中，所述提取的DCS参量包括：用于计算碳含量的CO含量、CO2含量；用于计算氢含量的烟气含水量；用于计算氧含量的氧气含量；用于计算水分含量的烟气含水量，以及用于各元素含量计算的干烟气密度和烟气含水量。5.根据权利要求1所述的方法，其特征在于，所述步骤(3)中，通过下述公式计算获得各2CN115717709A权利要求书2/2页时刻的入炉垃圾热值；其中，当氧含量超过10％时使用公式(2)，当氧含量低于10％时使用公式(3)；式中，Q为入炉垃圾热值，单位：kJ/kg；C为入炉垃圾中的碳含量，单位：％；H为入炉垃圾中的氢含量，单位：％；O为入炉垃圾中的氧含量，单位：％；S为入炉垃圾的硫含量，单位：％；W为入炉垃圾的水分含量，单位：％；其中，碳含量按(CO与CO2的含量总和)/(干烟气密度和烟气含水量总和)计算；氢含量按(