一种基于随机森林和LSTM神经网络的SCR脱硝喷氨量预测方法技术

本发明专利技术涉及一种基于随机森林和LSTM神经网络的SCR脱硝喷氨量预测方法，包括：步骤1、基于历史数据（训练数据）；步骤2、基于历史数据（训练数据）；步骤3、对于实测数据（测试数据）。本发明专利技术的有益效果是：本发明专利技术通过双模型验证的方式，建立了可靠的氨气流量预测模型，建立了随机森林模型对喷氨量预测LSTM神经网络预测模型进行实时验证，可实现准确的喷氨量控制，有效避免因模型准确性不佳而导致的控制效果差的问题，对于SCR脱硝系统喷氨量控制具有重要意义。同时本发明专利技术所提出喷氨量预测方法采用LSTM神经网络预测模型，可解决SCR脱硝控制系统滞后问题，实现预测控制。

【技术实现步骤摘要】
一种基于随机森林和LSTM神经网络的SCR脱硝喷氨量预测方法
本专利技术属于燃煤电厂脱硝领域，涉及一种燃煤电厂脱硝系统过程参数软测量方法，尤其涉及一种基于随机森林和LSTM神经网络的SCR脱硝喷氨量预测方法。
技术介绍
SCR（选择性催化还原方法）脱硝系统基于其较高的脱硝效率，是大型火电机组脱硝系统改造首选类塑。SCR脱硝系统反应机理复杂，脱硝效率受到喷氨量、反应温度、烟气速度、催化剂活性等因素影响，其中喷氨量对脱硝效果影响最大，是关键的可调因素。喷氨量过少会导致烟气NOx含量超标；喷氨量过多，不仅会提高氨逃逸率而造成二次污染，同时也会增加脱硝成本。长期以来，对SCR脱硝系统的研究主要针对于其物理原理、设备结构和运行方式方面。近年来，随着预测控制、核偏最小二乘、神经网络以及支持向量机等技术和机器学习算法的发展并在工业上获得成功应用，可以充分利用燃煤电厂充足的历史运行数据建立SCR烟气脱硝系统模型，同时采用先进控制算法，实现喷氨量的最优控制，在降低NOx排放的同时减少脱硝成本。然而，此类技术获得的模型准确性在实际使用中需要得到验证。目前，国内SCR脱硝闭环控制策略基本设计为固定摩尔比控制方式。该控制方式下设定值为氨氮摩尔比或者脱硝效率，控制系统根据当前的烟气流量、SCR入口NOx和设定氨氮摩尔比计算出NH3流量需求，通过流量PID调节器改变氨气阀开度调节NH3实际流量，此控制方式近似于开环控制，脱硝系统阳需求量仅根据静态物理特性计算得出；部分电厂总结固定摩尔比控制方式不足，采取固定SCR出口NOx浓度控制方式，此时系统设定值SCR出口NOx浓度，并根据其与实际出口NOx浓度的偏差来动态修正氢氮摩尔比，达到闭环控制SCR出口浓度的效果。然而，上述方式都存在一系列问题，如控制策略简单，目前脱硝控制策略普遍采用简单PID+前馈方案等，无法获得满意控制品质；控制系统仅考虑受控对象静态机理，目前国内脱硝拉制策略考虑了机组负荷、烟气量前馈作用，但仅仅是基于静态物理特性，导致机组负荷频繁变化时脱硝控制品质差，同时静态机理控制方式无随机组工况、燃煤品质变化做出实时调整。另外，SCR脱硝控制系统存在大滞后特性，若忽略其滞后问题进行控制，将无法得到满意的控制品质。为实现高效和准确的脱硝控制，必须建立适用的喷氨量软测量模型，针对实际工况得到准确可靠的喷氨量，从而实现喷氨量最优控制。
技术实现思路
本专利技术的目的是克服现有技术中的不足，提供一种基于随机森林和LSTM神经网络的SCR脱硝喷氨量预测方法。这种基于随机森林和LSTM神经网络的SCR脱硝喷氨量预测方法，包括以下步骤：步骤1、基于历史数据（训练数据），利用SCR出口烟气NOx浓度和其他氨气流量相关参数作为LSTM神经网络预测模型的输入，氨气流量作为LSTM神经网络预测模型的输出，训练用于氨气流量软测量的LSTM神经网络预测模型；步骤2、基于历史数据（训练数据），利用氨气流量和其他氨气流量相关参数作为随机森林模型的输入，SCR出口烟气NOx浓度测量值作为随机森林模型的输出，训练用于SCR出口烟气NOx浓度预测的随机森林模型；步骤3、对于实测数据（测试数据），通过LSTM神经网络预测模型进行氨气流量预测，随后将通过LSTM神经网络预测模型得到的氨气流量预测值和其他氨气流量相关参数作为随机森林模型的输入，得到SCR出口烟气NOx浓度预测值；步骤4、将由步骤3得到的SCR出口烟气NOx浓度预测值与SCR出口烟气NOx浓度实测值进行比对，并通过计算均方根误差RMSE的方式计算预测误差，设置一定误差阈值，验证LSTM神经网络预测模型输出的氨气流量预测值是否准确；步骤5、LSTM神经网络预测模型和随机森林模型建立完毕，并且通过步骤4验证LSTM神经网络预测模型的准确性，即若由步骤4计算得到的预测误差不大于误差阈值（即均方根误差RMSE满足阈值要求），则说明LSTM的输出是可靠的，以LSTM神经网络预测模型的氨气流量预测值来指导喷氨量控制（也就是喷氨量前馈补偿控制）；若由步骤4计算得到的预测误差大于误差阈值，则采集更多历史数据（训练数据），返回执行步骤1～步骤4，重新训练LSTM神经网络预测模型和随机森林模型，直至由步骤4计算得到的预测误差小于等于误差阈值。作为优选，所述步骤1～步骤3中其他氨气流量相关参数为：机组负荷、氨/空混合气压力、SCR入口烟气NOx浓度、SCR入口烟气温度、SCR入口烟气压力、SCR入口烟气流量、SCR出口烟气温度、SCR出口烟气压力和SCR出口烟气流量。作为优选，所述步骤1中历史数据（训练数据）为采用设定SCR出口烟气NOx浓度目标的方式进行脱硝控制时产生的数据；按照不同SCR出口烟气NOx浓度设定值对历史数据（训练数据）进行分类，在每一类中选取适量数据（选取数据时一般分季节选取，每一季度取其中一个月的数据，具体数据量需根据实际业务情况而定）用于构建LSTM神经网络预测模型。作为优选，所述步骤2中历史数据（训练数据）为采用设定SCR出口烟气NOx浓度目标的方式进行脱硝控制时产生的数据；按照不同SCR出口烟气NOx浓度测量值对历史数据（训练数据）进行分类，在每一类中选取适量数据（选取数据时一般分季节选取，每一季度取其中一个月的数据，具体数据量需根据实际业务情况而定）用于构建随机森林预测模型。作为优选，所述步骤4中均方根误差RMSE的计算方法为：上式中，为数据长度，表示时刻SCR出口烟气NOx浓度预测值，表示时刻SCR出口烟气NOx浓度实测值。作为优选，所述步骤5后还有：步骤6、随着数据的更新，每更新预定数量的历史数据（训练数据）后，重新构造并训练LSTM神经网络预测模型和随机森林模型，以得到更准确的预测和模型验证结果。本专利技术的有益效果是：本专利技术通过双模型验证的方式，建立了可靠的氨气流量预测模型，建立了随机森林模型对喷氨量预测LSTM神经网络预测模型进行实时验证，可实现准确的喷氨量控制，有效避免因模型准确性不佳而导致的控制效果差的问题，对于SCR脱硝系统喷氨量控制具有重要意义。同时本专利技术所提出喷氨量预测方法采用LSTM神经网络预测模型，可解决SCR脱硝控制系统滞后问题，实现预测控制。附图说明图1为基于随机森林和LSTM神经网络的SCR脱硝喷氨量预测方法的流程图；图2为实例中LSTM神经网络预测模型喷氨量预测结果图；图3为实例中LSTM神经网络预测模型喷氨量预测精度图；图4为实例中随机森林模型NOx浓度预测结果图；图5为实例中随机森林模型NOx浓度预测精度图。具体实施方式下面结合实施例对本专利技术做进一步描述。下述实施例的说明只是用于帮助理解本专利技术。应当指出，对于本
的普通人员来说，在不脱离本专利技术原理的前提下，还可以对本专利技术进行若干修饰，这些改进和修饰也落入本专利技术权利要求的保护范围内。本专利技术针对SCR脱硝系统喷氨量控制问题，同时考虑SCR脱硝控制系统大滞后特性本文档来自技高网...

【技术保护点】
1.一种基于随机森林和LSTM神经网络的SCR脱硝喷氨量预测方法，其特征在于，包括以下步骤：/n步骤1、基于历史数据，利用SCR出口烟气NO

【技术特征摘要】
1.一种基于随机森林和LSTM神经网络的SCR脱硝喷氨量预测方法，其特征在于，包括以下步骤：
步骤1、基于历史数据，利用SCR出口烟气NOx浓度和其他氨气流量相关参数作为LSTM神经网络预测模型的输入，氨气流量作为LSTM神经网络预测模型的输出，训练LSTM神经网络预测模型；
步骤2、基于历史数据，利用氨气流量和其他氨气流量相关参数作为随机森林模型的输入，SCR出口烟气NOx浓度测量值作为随机森林模型的输出，训练随机森林模型；
步骤3、对于实测数据，通过LSTM神经网络预测模型进行氨气流量预测，随后将通过LSTM神经网络预测模型得到的氨气流量预测值和其他氨气流量相关参数作为随机森林模型的输入，得到SCR出口烟气NOx浓度预测值；
步骤4、将由步骤3得到的SCR出口烟气NOx浓度预测值与SCR出口烟气NOx浓度实测值进行比对，并通过计算均方根误差RMSE的方式计算预测误差，设置误差阈值，验证LSTM神经网络预测模型输出的氨气流量预测值是否准确；
步骤5、LSTM神经网络预测模型和随机森林模型建立完毕，并且通过步骤4验证LSTM神经网络预测模型的准确性：若由步骤4计算得到的预测误差不大于误差阈值，则以LSTM神经网络预测模型的氨气流量预测值来指导喷氨量控制；若由步骤4计算得到的预测误差大于误差阈值，则采集更多历史数据，返回执行步骤1～步骤4，重新训练LSTM神经网络预测模型和随机森林模型，直至由步骤4计算得到的预测误差小于等于误差阈值。


2.根据权利要求1所述基于随机森林和LSTM神经网络的SCR脱硝喷氨量预测方法，其特征在...

【专利技术属性】
技术研发人员：周君良，范海东，解剑波，王豆，李清毅，关键，
申请(专利权)人：浙江浙能技术研究院有限公司，浙江省能源集团有限公司，
类型：发明
国别省市：浙江;33