基于混合深度神经网络建模的锅炉短期NO.pdf

(19)中华人民共和国国家知识产权局(12)发明专利申请(10)申请公布号CN113947013A(43)申请公布日2022.01.18(21)申请号202111077632.4(51)Int.Cl.(22)申请日2021.09.14G06F30/27(2020.01)G06F17/16(2006.01)(71)申请人国网河北省电力有限公司电力科学G06F17/18(2006.01)研究院G06N3/04(2006.01)地址050031河北省石家庄市裕华区体育G06N3/08(2006.01)南大街238号国网河北省电力有限公司电力科学研究院申请人国家电网有限公司国网河北能源技术服务有限公司(72)发明人殷喆杨春来袁晓磊李剑锋侯倩饶群(74)专利代理机构石家庄新世纪专利商标事务所有限公司13100代理人张晓佩权利要求书2页说明书6页附图2页(54)发明名称基于混合深度神经网络建模的锅炉短期NOx排放预测方法(57)摘要本发明涉及一种基于混合深度神经网络建模的锅炉短期NOx排放预测方法，包括以下步骤：（1），进行数据预处理，针对原始数据存在的数据缺失和失真情况，对其进行补充与清洗；（2），进行特征提取模块，特征提取层的CNN部分需要将锅炉运行的高维时间序列进行特征提取，LSTM紧接着完成对所提取的特征完成时间维度的建模和分析；（3），基于混合深度神经网络模型，对短期机组NOx排放进行预测。本发明通过训练CNN‑LSTM深度网络模型，学习空间特征之间的时间关联，动态定量预测未来一段时间内NOx排放的变化，可以为锅炉的运行指导提供参考。CN113947013ACN113947013A权利要求书1/2页1.一种基于混合深度神经网络建模的锅炉短期NOx排放预测方法，其特征在于，包括以下步骤：(1)，进行数据预处理，针对原始数据存在的数据缺失和失真情况，对其进行补充与清洗；(2)，进行特征提取，特征提取层的CNN部分需要将锅炉运行的高维时间序列进行特征提取，LSTM紧接着完成对所提取的特征完成时间维度的建模和分析；(3)，基于混合深度神经网络模型，对短期机组NOx排放进行预测。2.根据权利要求1所述的基于混合深度神经网络建模的锅炉短期NOx排放预测方法，其特征于在，步骤(1)包括(a)从电站锅炉系统运行数据库中，选择时间跨度为12个月的运行数据，记作数据集D，采样频率为每分钟1个数据样本，且这个采集数据时间跨度范围内锅炉燃烧系统无故障或停机过程；(b)对获取的数据进行预处理针对原始数据存在的数据缺失和失真情况，对其进行补充与清洗，为了加快损失函数的收敛，还对处理后的数据进行归一化处理。3.根据权利要求2所述的基于混合深度神经网络建模的锅炉短期NOx排放预测方法，其特征于在，所述(a)步骤采集数据，采集数据的变量包含机组负荷、总煤量、总风量、一次风压、一次风总风量、二次风总风量、各层二次风门开度、各层燃尽风门开度、各层给煤机给煤量、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、SCR入口NOx浓度、SCR喷氨量、SCR出口NOx浓度、SCR氨逃逸量、SCR入口烟气压力、SCR出口烟气压力、供电煤耗、发电煤耗和锅炉效率。4.根据权利要求2所述的基于混合深度神经网络建模的锅炉短期NOx排放预测方法，其特征于在，所述(b)步骤包括：步骤2‑1：采用的是基于正态分布检验，根据统计学中的正态分布的假设之上，数值分布在以内的概率为0.9974，若样本偏离平均值超过3倍的标准差则认为该样本为离群点；步骤2‑2：删除离群点后，为了保持数据的趋势性和不减少深度网络训练样本的数量，对其进行线性插值补充，如下式，步骤2‑3：对数据进行归一化计算，其中归一化计算的计算公式为：其中，代表锅炉参数归一化后的锅炉运行数据，为锅炉运行数据的均值，为锅炉运行数据的方差，ε为非零常数。5.根据权利要求1所述的基于混合深度神经网络建模的锅炉短期NOx排放预测方法，其特征于在，步骤(2)包括：(c)进行特征提取模块，特征提取层的CNN部分要将锅炉运行的高维时间序列进行特征提取；(d)根据LSTM模型的数据格式要求，对获得的CNN输出矩阵进行数据重组，得到模型参数矩阵Xt，并以模型参数矩阵Xt为变量，构建LSTM锅炉排放量预测模型。6.根据权利要求5所述的基于混合深度神经网络建模的锅炉短期NOx排放预测方法，其2CN113947013A权利要求书2/2页特征于在，步骤(c)包括将上述归一化后的每分钟数据转换为一种类图像，即将每一类数据视作一个特征，由每个特征包含不同的测点数据或操作参数，将每次采集到的数据按列拼接成二位面板数据，面板数据包含空间特征，便于后续采用卷积神经网络对面板数据进行特征提取。7.根据权利要求6所述的基于混合深度神经网络建模的锅炉