基于时间序列的脱硫系统浆液pH值在线预测方法及装置制造方法及图纸

本发明专利技术公开了一种基于时间序列的脱硫系统浆液pH值在线预测方法及装置，所述方法包括：S1.从数据库中获取预定时间段内脱硫系统浆液pH值的历史数据，对所述历史数据进行采样，得到原始样本D；S2.对所述原始样本D进行数据清洗并进行数据切片，得到分类的数据集D1、D2和D3；S3.将数据集D1、D2依次输入相互连接的两层神经网路模型后，将输出结果进行拼接并作为全连接层Dense1的输入，得到结果A1；基于数据集D3建立自回归模型AR得到结果A2；S4.将A1与A2进行求和，并通过Sigmoid函数进行激活后，得到最终的脱硫系统浆液pH值预测结果。本发明专利技术实现成本较低，并且对无序且频繁波动的数据预测精度更高。

【技术实现步骤摘要】
基于时间序列的脱硫系统浆液pH值在线预测方法及装置
本专利技术涉及电站脱硫
，尤其是涉及一种基于时间序列的脱硫系统浆液pH值在线预测方法及装置。
技术介绍
脱硫吸收塔浆液的pH值是脱硫系统运行的重要监测指标。如果浆液pH过低，则二氧化硫吸收效果差，脱硫效率偏低；若pH过高，则石灰石利用率及石膏纯度下降，不利于脱硫反应的进行。浆液pH是指导运行调整的关键数据，而实际生产过程中，经常存在数据偏差较大和失真的情况。脱硫吸收塔浆液pH一般使用电极法测试，吸收塔浆液为液固混合体，有别于均一状态的水溶液，因此PH值测试需要在浆液流动状态下进行；传统浆液的pH测试，直接将pH计安装在浆液流动管路上，由于浆液中含有大量的石膏结晶体和二氧化硅杂质，过高的浆液流速导致pH计电极磨损严重，使其使用寿命大大降低，同时干扰测试精度。
技术实现思路
本专利技术的目的在于提供一种基于时间序列的脱硫系统浆液pH值在线预测方法及装置，旨在实现对浆液pH值在线测点数据的检验与重构。本专利技术提供一种基于时间序列的脱硫系统浆液pH值在线预测方法，包括：S1.从数据库中获取预定时间段内脱硫系统浆液pH值的历史数据，对所述历史数据进行采样，得到原始样本D；S2.对所述原始样本D进行数据清洗并进行数据切片，得到分类的数据集D1、D2和D3；S3.将数据集D1、D2依次输入相互连接的两层神经网路模型后，将输出结果进行拼接并作为全连接层Dense1的输入，得到结果A1；基于数据集D3建立自回归模型AR得到结果A2；S4.将A1与A2进行求和，并通过Sigmoid函数进行激活后，得到最终的脱硫系统浆液pH值预测结果本专利技术提供一种基于时间序列的脱硫系统浆液pH值在线预测装置，其特征在于，包括：数据获取模块：用于从数据库中获取预定时间段内脱硫系统浆液pH值的历史数据，对所述历史数据进行采样，得到原始样本D；数据预处理模块：对所述原始样本D进行数据清洗并进行数据切片，得到分类的数据集D1、D2和D3；模型预测模块：将数据集D1、D2依次输入相互连接的两层神经网路模型后，将输出结果进行拼接并作为全连接层Dense1的输入，得到结果A1；基于数据集D3建立自回归模型AR得到结果A2；结果计算模块：将A1与A2进行求和，并通过Sigmoid函数进行激活后，得到最终的脱硫系统浆液pH值预测结果。本专利技术实施例还提供一种基于时间序列的脱硫系统浆液pH值在线预测设备，包括：存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述计算机程序被所述处理器执行时实现上述基于时间序列的脱硫系统浆液pH值在线预测方法的步骤。本专利技术实施例还提供一种计算机可读存储介质，所述计算机可读存储介质上存储有信息传递的实现程序，所述程序被处理器执行时实现上述方法的步骤。采用本专利技术实施例进行脱硫系统浆液pH值的在线预测，无需复杂的硬件设备，实现成本较低；而且，本专利技术是一种融合多算法的脱硫系统浆液pH值在线预测方法，预测精度高，对无序且频繁波动的数据适应性更高。上述说明仅是本专利技术技术方案的概述，为了能够更清楚了解本专利技术的技术手段，而可依照说明书的内容予以实施，并且为了让本专利技术的上述和其它目的、特征和优点能够更明显易懂，以下特举本专利技术的具体实施方式。附图说明为了更清楚地说明本专利技术具体实施方式或现有技术中的技术方案，下面将对具体实施方式或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图是本专利技术的一些实施方式，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。图1是本专利技术实施例的基于时间序列的脱硫系统浆液pH值在线预测方法的流程图；图2是本专利技术实施例的基于时间序列的脱硫系统浆液pH值在线预测过程示意图；图3是本专利技术实施例的脱硫系统浆液pH值部分原始数据曲线示意图；图4是本专利技术实施例所预测的脱硫系统浆液pH值与实际浆液pH测点数据值的对比示意图；图5是本专利技术装置实施例一的融合高频影响因素的集成型用电量增长预测装置的示意图；图6是本专利技术装置实施例一的融合高频影响因素的集成型用电量增长预测设备的示意图。具体实施方式下面将结合实施例对本专利技术的技术方案进行清楚、完整地描述，显然，所描述的实施例是本专利技术一部分实施例，而不是全部的实施例。基于本专利技术中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本专利技术保护的范围。在本专利技术的描述中，需要理解的是，术语“中心”、“纵向”、“横向”、“长度”、“宽度”、“厚度”、“上”、“下”、“前”、“后”、“左”、“右”、“竖直”、“水平”、“顶”、“底”、“内”、“外”、“顺时针”、“逆时针”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本专利技术和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本专利技术的限制。此外，术语“第一”、“第二”仅用于描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或者隐含地包括一个或者更多个所述特征。在本专利技术的描述中，“多个”的含义是两个或两个以上，除非另有明确具体的限定。此外，术语“安装”、“相连”、“连接”应做广义理解，例如，可以是固定连接，也可以是可拆卸连接，或一体地连接；可以是机械连接，也可以是电连接；可以是直接相连，也可以通过中间媒介间接相连，可以是两个元件内部的连通。对于本领域的普通技术人员而言，可以具体情况理解上述术语在本专利技术中的具体含义。方法实施例根据本专利技术实施例，提供了一种基于时间序列的脱硫系统浆液pH值在线预测方法，图1是本专利技术实施例的基于时间序列的脱硫系统浆液pH值在线预测方法的流程图，如图1所示，根据本专利技术实施例的基于时间序列的脱硫系统浆液pH值在线预测方法具体包括：S1.从数据库中获取预定时间段内脱硫系统浆液pH值的历史数据，对所述历史数据进行采样，得到原始样本D；具体的，可以从数据库中获取前一周脱硫系统浆液pH值的历史数据，以1min为间隔对所述历史数据进行取数，取出的数据作为原始样本D。S2.对所述原始样本D进行数据清洗并进行数据切片，得到分类的数据集D1、D2和D3；具体的，对原始样本进行数据清洗，所述数据清洗过程目的是过滤掉原始样本中的离群值，将清洗后的数据记作CD，对数据CD进行数据切片，得到分类的数据集D1、D2和D3，进行所述数据切片的具体过程为：针对时间步长T和所要预测的浆液pH值P(t)，D1＝{CDi}(t-T-1≤i≤t-1)；针对D2设置跳跃步长skip，D2＝{CDi}(i＝t-1-m*skip,0≤m<T)；针对D3设置取样步长T1<T,D3＝{CDi}(t-T1本文档来自技高网...

【技术保护点】
1.一种基于时间序列的脱硫系统浆液pH值在线预测方法，其特征在于，包括：/nS1.从数据库中获取预定时间段内脱硫系统浆液pH值的历史数据，对所述历史数据进行采样，得到原始样本D；/nS2.对所述原始样本D进行数据清洗并进行数据切片，得到分类的数据集D1、D2和D3；/nS3.将数据集D1、D2依次输入相互连接的两层神经网路模型后，将输出结果进行拼接并作为全连接层Dense1的输入，得到结果A1；基于数据集D3建立自回归模型AR得到结果A2；/nS4.将A1与A2进行求和，并通过Sigmoid函数进行激活后，得到最终的脱硫系统浆液pH值预测结果。/n

【技术特征摘要】
1.一种基于时间序列的脱硫系统浆液pH值在线预测方法，其特征在于，包括：
S1.从数据库中获取预定时间段内脱硫系统浆液pH值的历史数据，对所述历史数据进行采样，得到原始样本D；
S2.对所述原始样本D进行数据清洗并进行数据切片，得到分类的数据集D1、D2和D3；
S3.将数据集D1、D2依次输入相互连接的两层神经网路模型后，将输出结果进行拼接并作为全连接层Dense1的输入，得到结果A1；基于数据集D3建立自回归模型AR得到结果A2；
S4.将A1与A2进行求和，并通过Sigmoid函数进行激活后，得到最终的脱硫系统浆液pH值预测结果。


2.根据权利要求1所述的方法，其特征在于，步骤S2进行数据切片，得到分类的数据集D1、D2和D3具体包括：
将新型数据清洗后的样本采用如下方式进行数据集的划分：
D1＝{CDi}(t-T-1≤i≤t-1)；
D2＝{CDi}(i＝t-1-m*skip,0≤m<T)；
D3＝{CDi}(t-T1-1≤i≤t-1)；
其中，T为时间步长，skip为跳跃步长，T1为取样步长，T1<T，m表示取样时段数目，t表示取样时间。


3.根据权利要求1所述的方法，其特征在于，步骤S3具体包括：
将数据集D1、D2分别输入卷积神经网络模型CNN1、CNN2后，将输出的第一输出结果分别输入长短期记忆神经网络模型LSTM1和LSTM2，并将输出的第二输出结果进行矩阵拼接并作为全连接层Dense1的输入，得到结果A1，基于数据集D3在全连接层建立自回归模型AR得到结果A2，其中，所述卷积神经网络模型CNN1和所述卷积神经网络模型CNN2采用的结构参数相同，即拥有的过滤器个数、卷积核数量和移动步长相同；所述长短期记忆网络LSTM1和LSTM2采用相同数量的隐含层个数。


4.根据权利要求1所述的方法，其特征在于，将A1与A2进行求和具体包括：将A1、A2的对应元素相加。


5.一种基于时间序列的脱硫系统浆液pH值在线预测装置，其特征在于，包括：
数据获取模块：用于从数据库中获取预定时间段内脱硫系统浆液pH值的历史数据，对所述历史数据进行采样，得到原始样本D；
数据预处理模块：用于对所述原始样本D进行数据清洗...

【专利技术属性】
技术研发人员：马利君，司风琪，孟磊，马欢，闫欢欢，李光辉，黄婉婉，
申请(专利权)人：大唐环境产业集团股份有限公司，
类型：发明
国别省市：北京;11