基于多变量时序深度网络模型的水泥烟囱NOX预测方法技术

本发明专利技术公开了一种基于多变量时序深度网络模型的水泥烟囱NOX预测方法，具体步骤包括：根据水泥NOX产生机理、脱硝过程以及排放流程工艺，选取13个变量作为水泥烟囱NOX预测的输入变量，并对多变量时间序列统一进行归一化处理；根据水泥NOX生成过程中多变量时间序列在时域上表现的特征，建立基于深度学习LSTM特征重构模型进行NOX生成过程的本质特征提取；依据水泥烟囱NOX整体工艺流程，建立一种基于多变量时间序列长短时神经网络(LSTM)水泥烟囱NOX预测模型（MT‑LSTMs）；确定模型的初始参数，并对网络模型进行前向训练，然后利用网络主导代价函数误差反向微调进行训练，通过对误差修正来优化模型参数。

【技术实现步骤摘要】
基于多变量时序深度网络模型的水泥烟囱NOX预测方法
本专利技术涉及水泥烟囱NOX预测领域，尤其涉及一种基于多变量时序深度网络模型的水泥烟囱NOX预测方法。
技术介绍
我国是世界上最大的水泥生产国，占世界水泥总产量的60％以上，自上世纪90年代新型干法水泥生产线国产化之后，我国水泥生产规模迅速扩大。水泥工厂燃料煅烧主要以燃煤为主，造成空气受氮氧化物或二氧化硫等气体污染。随着煤炭燃烧的不断增加，我国空气污染不容乐观。为缓解空气压力，目前水泥行业NOX的排放值浓度已经从800mg/Nm3降到400mg/Nm3，由此可看，我国对水泥厂NOX排放要求越来越严格。为了将烟囱NOX浓度值控制在合理的范围下，大多数水泥厂采用喷氨技术进行脱硝。但当氨水过高时会导致氨逃逸，容易造成二次污染；氨水过低时会导致NOX浓度过高，不符合排放标准。因此，为了合理控制氨水量，需要精准预测水泥烟囱NOX含量值。由于水泥NOX生成、脱销及排放过程具有非线性、大时延性、强耦合等特性，从而传统的静态模型很难建立NOX预测模型。Smrekar等人提出了一种基于最小二乘支持向量机(LS-SVM)的循环流化床锅炉床温动态预测模型。Smrekar等人采用具有外部输入的自回归模型(ARX)实现了燃煤锅炉NOX排放的多步预测。同时针对强耦合且多维度的数据特征，传统的特征提取方法很难提取到多变量时序序列的本质特征，大大降低预测模型的精度。因此建立水泥烟囱NOX预测模型，不仅要考虑模型的动态性，还要考虑数据的多维性。
技术实现思路
针对上述存在的问题，本专利技术提供一种基于多变量时序深度网络模型的水泥烟囱NOX预测方法，从而减少变量维度，提取本质特征，降低耦合变量对水泥烟囱NOX预测的影响。为实现上述目的，本专利技术通过以下技术方案来实现：一种基于多变量时序深度网络模型的水泥烟囱NOX预测方法，包括以下步骤：步骤1，根据水泥NOX产生机理、脱硝过程以及排放流程工艺，选用13个变量作为水泥烟囱NOX预测的输入变量，并对多变量时间序列统一进行归一化处理；步骤2，根据水泥NOX生成过程中多变量时间序列在时域上表现的特征，建立基于深度学习LSTM特征重构模型，利用该模型提取反映水泥NOX生成过程的本质特征；步骤3，依据水泥烟囱NOX整体工艺流程，将步骤2得到的特征与脱硝排放过程的特征融合,建立一种基于多变量时间序列长短时神经网络LSTM水泥烟囱NOX预测模型MT-LSTMs，确定模型的初始参数，并对网络模型进行前向训练；步骤4，利用误差反向微调进行有监督训练，通过对误差修正来优化模型参数；步骤5，利用步骤3和步骤4中训练好的MT-LSTMs模型对水泥烟囱NOX进行预测。本专利技术技术方案的进一步改进在于：在步骤1中选取的13个变量中包括12个过程变量和一个目标变量历史信息作为烟囱NOX预测模型MT-LSTMs的输入变量，依次对每个变量进行归一化处理。本专利技术技术方案的进一步改进在于：在步骤1中选取的13个输入变量，其中体现NOX生成机理的变量有6个：二次风温、窑头煤、窑尾温度、喂料量、窑电流平均值、烟室NOX反馈量，体现NOX脱硝及排放的变量有7个：分解炉出口温度、分解炉喂煤量、一级筒氧气含量、C11A出口温度、脱销供氧泵频率反馈、氨水流量AB、脱销NOX反馈值。本专利技术技术方案的进一步改进在于：在步骤2中建立的基于深度学习LSTM特征重构模型，将LSTM模型后加入两层全连接层，利用特征重构模型进行NOX生成过程本质特征的提取。本专利技术技术方案的进一步改进在于：在步骤4中采用代价函数误差反向微调，其中代价函数是由主要损失函数和重构损失函数构成；所述主要损失函数由预测输出y和标签y的交叉熵组成，重构损失函数由预测输出y和输入变量特征x的交叉熵组成。本专利技术技术方案的进一步改进在于：在步骤5中，将步骤2提取的特征和步骤1中的NOX脱硝排放变量特征融合，作为MT-LSTMs模型的输入。由于采用了上述技术方案，本专利技术取得了以下有益效果：本专利技术建立的LSTM水泥烟囱NOX预测模型，解决了13个变量造成的变量耦合和维度灾难问题，降低了变量维度，较少耦合数据对烟囱NOX预测的影响。本专利技术根据NOX生成机理，建立的特征重构模型，不仅增强基于深度学习提取本质特征的能力，从而提高整体模型的预测精度。本专利技术从整体工艺出发，能很好的预测烟囱NOX含量，而且便于之后的目标优化和特征分析，为氨水量的合理控制研究带来了重大意义。附图说明图1为烟囱NOX预测方案图；图2为RNN循环神经网络结构图；图3为LSTMcell结构图；图4为本专利技术设计的基于深度学习LSTM特征重构模型；图5为本专利技术设计的多变量时序深度网络模型的水泥烟囱NOX预测方法结果图。具体实施方式下面结合附图对本专利技术做进一步详细的描述：本专利技术提出了一种基于多变量时序深度网络模型的水泥烟囱NOX预测方法，预测的设计方案如图1所示。首先进行变量选择，根据水泥NOX产生机理、脱硝过程以及排放流程工艺，获得与烟囱NOX含量最密切的变量作为模型输入变量。然后为解决不同变量带来的量纲问题，将各个变量一次进行归一化处理。依据NOX生成过程多变量时间序列数据的特点，采用深度学习LSTM对其进行特征提取，然后加入两层全连接层网络解码器，构建基于深度学习LSTM的特征重构模型如图3所示，将输出的特征重构映射到输入空间，这种模型增强保留原有输入时序变量的本质特征的能力。最后将特征重构模型得到的表征NOX生成的特征和表征NOX脱硝排放的变量特征，输入到LSTM神经网络进行训练，通过反向传播算法进行参数微调，最后完成基于多变量时间序列长短期记忆神经网络水泥烟囱NOX预测模型的构建。其内容包括以下步骤：步骤1、根据水泥NOX产生机理、脱硝过程以及排放流程工艺，选取13个与烟囱NOX含量密切相关的变量，然后依次进行归一化处理。工艺分析：由水泥厂工艺学可知，水泥烟囱NOX含量是由回转窑内生成的NOX，经过分解炉喷氨脱硝，最后通过一级筒排放到烟囱处而产生的。因此从NOX生成、脱硝到排放过程的各个参量对烟囱NOX含量有着至关重要的作用，是实现水泥烟囱NOX预测模型的关键输入变量。生成的NOX一部分是热力型NOX，一部分是燃料型NOX。在煤粉喷入初期由于温度过低，燃料内的含氮物质在受到一定温度燃烧后分解产生燃料型NOX。随着燃料燃烧温度随之升高，空气内的氮气和氧气在高温作用下产生热力型NOX。因此NOX生成的热量主要来源于窑头喂煤量以及篦冷机回收进入窑的二次风。分解炉处的脱硝技术，是在一定温度下，将氨水与NOX反应，还原成氨气。由于氨水量未能得到一定的控制或时间的延迟，所以仍会有一些NOX经过五级筒、增湿塔，排放到烟囱处。由上述分析可知，选取与烟囱NOX含量密切相关的13个变量：体现NOX生成机理的变量有6个：二次风温、窑头煤、窑尾温度、喂料量、窑电流平均值、烟室NOX反馈量，体现NO本文档来自技高网...

【技术保护点】
1.一种基于多变量时序深度网络模型的水泥烟囱NOX预测方法，其特征在于：该方法包括以下步骤：/n步骤1，根据水泥NOX产生机理、脱硝过程以及排放流程工艺，选用13个变量作为水泥烟囱NOX预测的输入变量，并对多变量时间序列统一进行归一化处理；/n步骤2，根据水泥NOX生成过程中多变量时间序列在时域上表现的特征，建立基于深度学习LSTM特征重构模型，利用该模型提取反映水泥NOX生成过程的本质特征；/n步骤3，依据水泥烟囱NOX整体工艺流程，将步骤2得到的特征与脱硝排放过程的特征融合,建立一种基于多变量时间序列长短时神经网络LSTM水泥烟囱NOX预测模型MT-LSTMs，确定模型的初始参数，并对网络模型进行前向训练；/n步骤4，利用误差反向微调进行有监督训练，通过对误差修正来优化模型参数；/n步骤5，利用步骤3和步骤4中训练好的MT-LSTMs模型对水泥烟囱NOX进行预测。/n

【技术特征摘要】
1.一种基于多变量时序深度网络模型的水泥烟囱NOX预测方法，其特征在于：该方法包括以下步骤：
步骤1，根据水泥NOX产生机理、脱硝过程以及排放流程工艺，选用13个变量作为水泥烟囱NOX预测的输入变量，并对多变量时间序列统一进行归一化处理；
步骤2，根据水泥NOX生成过程中多变量时间序列在时域上表现的特征，建立基于深度学习LSTM特征重构模型，利用该模型提取反映水泥NOX生成过程的本质特征；
步骤3，依据水泥烟囱NOX整体工艺流程，将步骤2得到的特征与脱硝排放过程的特征融合,建立一种基于多变量时间序列长短时神经网络LSTM水泥烟囱NOX预测模型MT-LSTMs，确定模型的初始参数，并对网络模型进行前向训练；
步骤4，利用误差反向微调进行有监督训练，通过对误差修正来优化模型参数；
步骤5，利用步骤3和步骤4中训练好的MT-LSTMs模型对水泥烟囱NOX进行预测。


2.根据权利要求1所述的一种基于多变量时序深度网络模型的水泥烟囱NOX预测方法，其特征在于：在步骤1中选取的13个变量中包括12个过程变量和一个目标变量历史信息作为烟囱NOX预测模型MT-LSTMs的输入变量，依次对每个变量进行归一化处理。


3.根据权利要求1或2所述的一种基...

【专利技术属性】
技术研发人员：赵彦涛，闫欢，丁伯川，张玉玲，王正坤，张策，郝晓辰，
申请(专利权)人：燕山大学，
类型：发明
国别省市：河北;13