基于LSTM的锅炉NOx排放量预测模型的建模方法及装置制造方法及图纸

本发明专利技术提供了一种基于LSTM(Long Short‑Term Memory，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。本发明专利技术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。

【技术实现步骤摘要】
基于LSTM的锅炉NOx排放量预测模型的建模方法及装置
本专利技术涉及环境监测领域，尤其涉及一种基于LSTM的锅炉NOx排放量预测模型的建模方法及装置。
技术介绍
随着社会与经济的发展，人们的环境保护意识也愈发强烈，保护环境、发展绿色经济已经成为了全世界人民共同的奋斗目标。大气污染一直是环境保护的最大难题之一，而导致大气污染的其中一个因素就是过量的NOx，其中，以二氧化氮为主的NOx是形成光化学烟雾和酸雨的一个重要原因。NOx与碳氢化合物经紫外线照射发生反应形成的有毒烟雾,称为光化学烟雾，光化学烟雾具有特殊气味,刺激眼睛,伤害植物,并能使大气能见度降低。另外，NOx与空气中的水反应生成的硝酸和亚硝酸是形成酸雨主要原因。燃煤电站作为大气中NOx的主要来源之一，锅炉的NOx排放量预测和控制对大气中的NOx治理工作具有直接影响。现有的锅炉NOx排放预测方法是通过机器学习方法建立锅炉运行参数与污染物排放之间的关系模型，将其有机地与运行控制系统结合，对炉内燃烧和尾部烟气处理进行精确控制，从而达到发挥锅炉减排NOx的潜力。然而，由于近年来绿色能源的开发成效显著，燃煤机组的年利用小时数逐年下降，加本文档来自技高网...

【技术保护点】
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。

【技术特征摘要】
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。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...

【专利技术属性】
技术研发人员：湛志钢，温智勇，邓剑华，刘亚明，徐齐胜，胡康涛，张良波，王佐东，
申请(专利权)人：广东电网有限责任公司，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，
类型：发明
国别省市：广东,44