基于LSTM的锅炉NOx排放量预测模型的建模方法及装置.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CN109165789A(43)申请公布日2019.01.08(21)申请号201811026148.7G06F17/50(2006.01)(22)申请日2018.09.04G06N3/04(2006.01)(71)申请人广东电网有限责任公司地址510600广东省广州市越秀区东风东路757号申请人广东电网有限责任公司电力科学研究院广东电科院能源技术有限责任公司(72)发明人湛志钢温智勇邓剑华刘亚明徐齐胜胡康涛张良波王佐东(74)专利代理机构北京集佳知识产权代理有限公司11227代理人张春水唐京桥(51)Int.Cl.G06Q10/04(2012.01)权利要求书3页说明书8页附图3页(54)发明名称基于LSTM的锅炉NOx排放量预测模型的建模方法及装置(57)摘要本发明提供了一种基于LSTM(LongShort-TermMemory，长短期记忆网络)的锅炉NOx排放预测模型的建模方法及装置。本发明通过燃煤电站的历史锅炉运行数据，构建基于LSTM递归神经网络的锅炉NOx排放量预测模型，并利用LSTM递归神经网络的序列依赖问题处理功能，解决了现有的预测燃煤电站锅炉NOx排放的机器学习建模方法所采用的建模数据均为锅炉稳态运行时的数据，忽略了NOx排放的动态特性，导致的在锅炉运行工况频繁变化时，模型的预测精度会大幅下降的技术问题。CN109165789ACN109165789A权利要求书1/3页1.一种基于LSTM的锅炉NOx排放量预测模型的建模方法，其特征在于，包括：S1：根据预置的锅炉运行输入变量，获取与锅炉运行输入变量相对应的锅炉运行数据；S2：根据数据的采集时间，对锅炉运行数据进行排序，得到锅炉参数矩阵，然后根据LSTM模型的数据格式要求，对锅炉参数矩阵进行数据重组，得到模型参数矩阵，并以模型参数矩阵为变量，构建LSTM锅炉排放量初始预测模型；S3：对LSTM锅炉排放量初始预测模型中的超参数进行优化，以优化后的超参数作为控制量，对LSTM锅炉排放量初始预测模型进行训练，得到LSTM锅炉NOx排放量动态预测模型。2.根据权利要求1所述的一种基于LSTM的锅炉NOx排放量预测模型的建模方法，其特征在于，步骤S1具体包括：S11：根据预置的锅炉运行输入变量，从电站实时监控系统中获取与锅炉运行输入变量相对应的锅炉运行数据，其中，锅炉运行输入变量包括：机组负荷、磨煤机给煤量、风门开度、燃烧器摆角、风箱与炉膛的压差、炉膛出口氧量。3.根据权利要求2所述一种基于LSTM的锅炉NOx排放量预测模型的建模方法，其特征在于，步骤S2具体包括：S21：根据数据的采集时间，以相同时刻采集的锅炉运行数据为行向量，以相同的锅炉运行数据为列向量，对锅炉运行数据进行排序，得到锅炉参数矩阵X；S22：对锅炉参数矩阵X中的锅炉运行数据进行归一化计算，得到锅炉参数归一化矩阵X*，其中，归一化计算的计算公式为：其中，xik代表锅炉参数矩阵X中第i行第k列的锅炉运行数据，代表锅炉参数矩阵X中xik归一化后的锅炉运行数据，为锅炉参数矩阵X中第k列的锅炉运行数据的均值，为锅炉参数矩阵X中第k列的锅炉运行数据的方差，ε为非零常数；S23：根据LSTM模型的数据格式要求，对锅炉参数矩阵进行数据重组，得到模型参数矩阵Xt，并以模型参数矩阵Xt为变量，构建LSTM锅炉排放量初始预测模型，其中，模型参数矩阵Xt为：其中，T为LSTM锅炉排放量初始预测模型的超参数中的时间步数，代表在t-(T-a)*时刻得到的锅炉参数归一化矩阵X数据，其中参数a的取值范围为1≤a≤T，yt为LSTM模型的输出参数，代表t时刻锅炉脱硝系统入口的NOx浓度。4.根据权利要求3所述的一种基于LSTM的锅炉NOx排放量预测模型的建模方法，其特征在于，步骤S3具体包括：S31：初始化LSTM锅炉排放量初始预测模型中的超参数，然后对LSTM锅炉排放量初始预测模型中的超参数进行优化，得到优化后的超参数；S32：以优化后的超参数作为控制量，对LSTM锅炉排放量初始预测模型进行训练，得到LSTM锅炉NOx排放量动态预测模型。2CN109165789A权利要求书2/3页5.根据权利要求2至4任意一项所述的一种基于LSTM的锅炉NOx排放量预测模型的建模方法，其特征在于，风门开度具体包括：一次风量、二次风量和SOFA风量。6.一种基于LSTM的锅炉NOx排放量预测模型的建模装置，其特征在于，包括：数据获取单元，用于根据预置的锅炉运行输入变量，获取与锅炉运行输入变量相对应的锅炉运行数据；数据处理单元，用于根据数据的采集时间，对锅炉运行数据进行排序，得到锅炉参数矩阵，然后根据LSTM模型的数据格式要求，对锅炉参数矩阵进行数据重组，得到模型参数矩阵，并以模