全工况下脱硫系统浆液pH值预测模型建立方法及系统.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CN113723002A(43)申请公布日2021.11.30(21)申请号202111027260.4G06Q10/04(2012.01)(22)申请日2021.09.02(71)申请人大唐环境产业集团股份有限公司地址100097北京市海淀区紫竹院路120号(72)发明人袁照威孟磊谷小兵曹书涛王力光杨大洲李婷彦梁东李广林夏爽吴晔杜明生李玉宇王皓(74)专利代理机构北京八月瓜知识产权代理有限公司11543代理人张峰(51)Int.Cl.G06F30/27(2020.01)G06K9/62(2006.01)G06N3/04(2006.01)权利要求书2页说明书5页附图3页(54)发明名称全工况下脱硫系统浆液pH值预测模型建立方法及系统(57)摘要本发明公开了一种全工况下脱硫系统浆液pH值预测模型建立方法及系统，所述方法包括：根据确定的与脱硫系统浆液pH值相关的影响因素，采集所述影响因素的历史数据作为数据集；采用均值漂移聚类算法处理所述数据集，分别得到多个不同工况和所述多个不同工况下的训练数据集；将多个所述训练数据集输入相应的长短期记忆神经网络LSTM训练并进行优化，构建不同工况下的pH值预测模型。提供了一种能够适应脱硫系统一系列工况的预测模型，对系统的适用性较强；实现过程简单，计算速度较快，成本较低。CN113723002ACN113723002A权利要求书1/2页1.一种全工况下脱硫系统浆液pH值预测模型建立方法，其特征在于，包括：S1.根据确定的与脱硫系统浆液pH值相关的影响因素，采集所述影响因素的历史数据作为数据集；S2.采用均值漂移聚类算法处理所述数据集，分别得到多个不同工况和所述多个不同工况下的训练数据集；S3.将多个所述训练数据集输入相应的长短期记忆神经网络LSTM训练并进行优化，构建不同工况下的pH值预测模型。2.根据权利要求1所述的方法，其特征在于，步骤S1所述影响因素主要包括：机组负荷、入口烟气SO2浓度、入口烟尘浓度、入口烟气流量、入口烟气压力、入口烟气温度、入口烟气含氧量和石灰石浆液密度；所述训练数据集包括所述影响因素及对应的pH值。3.根据权利要求1所述的方法，其特征在于，步骤S2所述均值漂移聚类算法处理所述数据集的具体方法为：创建滑动窗口，确定滑动窗口大小并随机初始化聚类中心，通过不断更新滑动窗口范围内的数据，得到不同的聚类中心及聚类分组结果，即得到多个不同工况及所述多个不同工况下的训练数据集。4.根据权利要求1所述的方法，其特征在于，步骤S3所述进行优化的具体方法为：采用模拟退火算法优化所述LSTM的参数，得到多个不同工况下的最优LSTM的神经网络模型，即pH值预测模型；所述参数包括所述神经网络模型隐含层的数量、不同层之间的权重以及偏置。5.根据权利要求1所述的方法，其特征在于，所述方法进一步包括：对当前时刻pH值进行预测，具体方法为：获取当前时刻与脱硫系统浆液pH值相关的影响因素，判断当前时刻所属工况后输入与当前时刻所属工况对应的pH值预测模型中，得到当前时刻的pH预测值；所述判断当前时刻所属工况具体方法为：获取当前时刻与脱硫系统浆液pH值相关的影响因素后采集所述影响因素当前值，基于采集的所述当前值计算其与所述不同的聚类中心之间的距离，根据所述距离大小确定当前时刻所属工况。6.一种全工况下脱硫系统浆液pH值预测模型建立系统，其特征在于，包括：数据采集模块：用于根据确定的与脱硫系统浆液pH值相关的影响因素，采集所述影响因素的历史数据作为数据集；数据处理模块：用于采用均值漂移聚类算法处理所述数据集，分别得到多个不同工况和所述多个不同工况下的训练数据集；模型构建模块：用于将多个所述训练数据集输入相应的长短期记忆神经网络LSTM训练并进行优化，构建不同工况下的pH值预测模型。7.根据权利要求6所述的系统，其特征在于，所述数据采集模块具体用于：采集机组负荷、入口烟气SO2浓度、入口烟尘浓度、入口烟气流量、入口烟气压力、入口烟气温度、入口烟气含氧量和石灰石浆液密度的历史数据，即影响因素的值和其对应的历史pH值。8.根据权利要求6所述的系统，其特征在于，所述数据处理模块具体用于：随机初始化聚类中心，根据创建的滑动窗口大小，不断更新滑动窗口范围内的数据，得到不同的聚类中心及聚类分组结果，即得到多个不同工况及所述多个不同工况下的训练数据集。2CN113723002A权利要求书2/2页9.根据权利要求6所述的系统，其特征在于，所述模型构建模块具体用于：采用模拟退火算法对所述LSTM的参数进行优化，得到多个不同工况下的最优LSTM的神经网络模型。10.根据权利要求6所述的系统，其特征在于，所述系统还包括pH值预测模块，用于对当前时刻的pH值进行预测