一种基于鲸鱼算法优化长短时记忆网络的燃煤锅炉NO制造技术

本发明专利技术公开了一种基于鲸鱼算法优化长短时记忆网络的燃煤锅炉NO

【技术实现步骤摘要】
一种基于鲸鱼算法优化长短时记忆网络的燃煤锅炉NO
X
软测量方法


[0001]本专利技术涉及燃煤电厂
，具体为一种基于鲸鱼算法优化长短时记忆网络的燃煤锅炉NO
X
软测量方法。

技术介绍

[0002]目前，尾部烟气脱硝技术在燃煤电厂中得到了大规模的应用。它是在烟气流动通道末处采用一系列技术及吸附手段，对锅炉内产生的大量NO
X
进行还原转化。我国燃煤机组多数采用SCR脱硝技术来处理燃烧过程产生的烟气，即在催化物质的作用下，尾部通道中的NO
X
和某些具有还原性的物质发生反应，将NO
X
还原成H2O和N2，使得排到空气中的NO
X
含量降低，从而保护大气环境。SCR脱硝技术需要根据烟道中NO
X
的含量，确定所需还原性物质NH3的量。但是由于锅炉运行环境的特殊性，传统传感器存在着诸多的缺点，如易出现难以直接测量、环境恶劣不方便专业人员的定期检查、性价比低、设备老化严重等问题。而软测量方法是采用易测量辅助变量的信息来间接获取被测量变量信息，在可实现性，准确性和成本方面具有明显优势，因此建立NO
X
含量的软测量模型对脱硝减排具有重要意义。
[0003]软测量技术将工业过程领域和信息技术知识联合，通过选取火电厂的方便测得的常规监测点的实时数据，利用计算机技术构造映射关系模型，估量或者预测生产过程中不方便测量的关键变量。我国以煤炭为主的能源结构，决定了燃煤发电是当前的主要发电方式。煤燃烧产生的NO
X
是环境污染的主要原因之一，合理优化NO
X
含量是燃煤电厂面临的重要任务。NO
X
的传统测量方式存在难以直接测量、维护困难等问题，因此建立灵活高效的NO
X
软测量模型具有重要意义。
[0004]基于此，本专利技术设计了一种基于鲸鱼算法优化长短时记忆网络的燃煤锅炉NO
X
软测量方法，以解决上述提到的问题。

技术实现思路

[0005]本专利技术的目的在于提供一种基于鲸鱼算法优化长短时记忆网络的燃煤锅炉NO
X
软测量方法，目的是用大数据和人工智能方法，实现NO
X
含量的软测量。一方面能够实现NO
X
的测量，另一方面经过对模型的进一步拓展可以测量其他物质的含量，因此具有一定的灵活应用性。通过建立软测量模型辅助硬测量设备，有利于改善传统设备的不足，降低生产监测的经济成本，向智能化测量方向的发展跨进了一大步。
[0006]为实现上述目的，本专利技术提供如下技术方案：一种基于鲸鱼算法优化长短时记忆网络的燃煤锅炉NO
X
软测量方法，包括以下步骤：
[0007]S1：根据NO
X
生成机理和锅炉燃烧工艺分析选取相关辅助变量；
[0008]S2：从燃煤电厂DCS系统中提取辅助变量对应的数据并进行数据预处理；
[0009]S3：采用主成分分析法对辅助变量进行二次筛选，求取各主元成分及其贡献率；
[0010]S4：分析每个主元对应各辅助变量的载荷分布情况，将每个主元的载荷以柱状图
的形式表示出来，选择得分较高的几个变量作为最终模型的主要变量；
[0011]S5：加入鲸鱼优化算法，通过寻优得到合适的超参数值；
[0012]S6：将超参数值代入网络中，构建鲸鱼算法优化长短时记忆神经网络的燃煤电厂锅炉NO
X
软测量模型；
[0013]S7：以获得的辅助变量的数据输入，经过燃煤电厂锅炉NO
X
软测量模型，获得NO
X
含量的软测量值，
[0014]S8：以降低NO
X
含量为优化目标，利用鲸鱼算法在软测量模型的基础上结合可调变量边界条件对目标寻优，对可调变量给出优化指导，实现了NO
X
软测量模型的燃烧优化。
[0015]优选的，上述一种基于鲸鱼算法优化长短时记忆网络的燃煤锅炉NO
X
软测量方法中，通过所述主成分分析法提取原始数据的主成分变量，实现m维数据空间投影到k维数据空间，k维称为主元，是重新构造出的特征，
[0016]具体步骤为：
[0017]S3.1：设n个样本记为X＝(X1,X2,
…
,X
n
)，其中第i个样本x
i
＝[x
1i
,x
2i
,
…
,x
mi
]T
，经过主成分分析法，得到的k维特征变量的表达式为：
[0018][0019]式中，共提取k个主元，F1为第一主成分，F2为第二主成分，依次类推，F
k
为第k主成分，a为主成分系数；
[0020]S3.2：计算主成分值：计算各变量的相关系数矩阵，
[0021][0022][0023]S3.3：计算相关系数矩阵R的特征值λ＝(λ1,λ2,
…
,λ
n
)和特征值对应的特征向量a
i
＝(a
i1
,a
i2
,
…
,a
in
),i＝1,2,
…
,n，计算得到的第i组主成分F
i
的值为：
[0024]F
i
＝a
i1
X1+a
i2
X2+...+a
in
X
n
ꢀꢀꢀ
(4)
[0025]S3.4：主成分个数的选取：先分别计算出每个主元a
i
的方差贡献率和前k个主元的累计方差贡献率，再根据模型情况设定k个主元需达到的预设累计方差贡献率值，如果前k个主元的累积方差贡献率超过预设累计方差贡献率值，就确定主成分的个数为k，公式如下：
[0026][0027][0028]式中，λ
i
为主元a
i
的方差，δ
i
为主元a
i
的方差贡献率，η
k
为k的主元含有的信息占总信息的百分比。
[0029]优选的，上述一种基于鲸鱼算法优化长短时记忆网络的燃煤锅炉NO
X
软测量方法中，所述S5的具体步骤为：首先是对初始种群进行更新；然后通过鲸鱼优化算法看出鲸鱼群体通过选择3个不同的搜索方式其中一种，按对应的目标位置进行更新；最后，当迭代次数达到最大值时结束算法，输出最优解，即超参数值。
[0030]优选的，上述一种基于鲸鱼算法优化长短时记忆网络的燃煤锅炉NO
X
软测量方法中，所述鲸鱼优化算法包括包围捕食环节、气泡攻击环节和搜寻猎物环节，
[0031]包围捕食环节：
[0032]D＝|C
·
X
*本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于鲸鱼算法优化长短时记忆网络的燃煤锅炉NO
X
软测量方法，其特征在于：包括以下步骤：S1：根据NO
X
生成机理和锅炉燃烧工艺分析选取相关辅助变量；S2：从燃煤电厂DCS系统中提取辅助变量对应的数据并进行数据预处理；S3：采用主成分分析法对辅助变量进行二次筛选，求取各主元成分及其贡献率；S4：分析每个主元对应各辅助变量的载荷分布情况，将每个主元的载荷以柱状图的形式表示出来，选择得分较高的几个变量作为最终模型的主要变量；S5：加入鲸鱼优化算法，通过寻优得到合适的超参数值；S6：将超参数值代入网络中，构建鲸鱼算法优化长短时记忆神经网络的燃煤电厂锅炉NO
X
软测量模型；S7：将获得的辅助变量的数据作为输入，经过燃煤电厂锅炉NO
X
软测量模型，获得NO
X
含量的软测量值，S8：以降低NO
X
含量为优化目标，利用鲸鱼算法在软测量模型的基础上结合可调变量边界条件对目标寻优，对可调变量给出优化指导，实现了NO
X
软测量模型的燃烧优化。2.根据权利要求1所述的一种基于鲸鱼算法优化长短时记忆网络的燃煤锅炉NO
X
软测量方法，其特征在于：通过所述主成分分析法提取原始数据的主成分变量，实现m维数据空间投影到k维数据空间，k维称为主元，是重新构造出的特征，具体步骤为：S3.1：设n个样本记为X＝(X1,X2,
…
,X
n
)，其中第i个样本x
i
＝[x
1i
,x
2i
,
…
,x
mi
]
T
，经过主成分分析法，得到的k维特征变量的表达式为：式中，共提取k个主元，F1为第一主成分，F2为第二主成分，依次类推，F
k
为第k主成分，a为主成分系数；S3.2：计算主成分值：计算各变量的相关系数矩阵，S3.2：计算主成分值：计算各变量的相关系数矩阵，S3.3：计算相关系数矩阵R的特征值λ＝(λ1,λ2,
…
,λ
n
)和特征值对应的特征向量a
i
＝(a
i1
,a
i2
,
…
,a
in
),i＝1,2,
…
,n，计算得到的第i组主成分F
i
的值为：F
i
＝a
i1
X1+a
i2
X2+...+a
in
X
n
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(4)S3.4：主成分个数的选取：先分别计算出每个主元a
i
的方差贡献率和前k个主元的累计方差贡献率，再根据模型情况设定k个主元需达到的预设累计方差贡献率值，如果前k个主
元的累积方差贡献率超过预设累计方差贡献率值，就确定主成分的个数为k，公式如下：元的累积方差贡献率超过预设累计方差贡献率值，就确定主成分的个数为k，公式如下：式中，λ
i
为主元a
i
的方差，δ
i
为主元a
i
的方差贡献率，η
k
为k的主元含有的信息占总信息的百分比。3.根据权利要求1所述的一种基于鲸鱼算法优化长短时记忆网络的燃煤锅炉NO
X
软测量方法，其特征在于：所述S5的具体步骤为：首先是对初始种群进行更新；然后通过鲸鱼优化算法看出鲸鱼群体通过选择3个不同的搜索方式其中一种，按对应的目标位置进行更新；最后，当迭代次数达到最大值时结束算法，输出最优解，即超参数值。4.根据权利要求1所述的一种基于鲸鱼算法优化长短时记忆网络的燃煤锅炉NO
X
软测量方法，其特征在于：所述鲸鱼优化算法包括包围捕食环节、气泡攻击环节和搜寻猎物环节，包围捕食环节：D＝|C
·
X
*
(t)
‑
X(t)|
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(12)X(t+1)＝X
*
(t)
‑
A
·
D
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(13)式中，D为鲸鱼和目标猎物之间的位置距离，t代表目前的迭代次数，X
*
(t)为第t次迭代后猎物的位置即目前鲸鱼种群中最佳解的位置，X(t)为迭代t次后该鲸鱼的位置即当前鲸鱼个体的位置，A和C表示系数向量，计算公式如下：A＝2a
·
r
‑
a
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(14)C＝2r
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(15)式中，r为[0,1]之间的随机数。式中，T
max
为最大迭代次数，t是当前迭代次数，收敛因子是a；气泡攻击环节：包括收缩包围机制和螺旋更新机制，假设鲸鱼群体选择包围收缩和螺旋更新这两种捕猎方式的概率相同，统一设置为0.5，根据概率p的大小选择捕猎方式，当p＜0.5时，鲸鱼群体通过包围收缩捕获猎物，计算公式同(13)；反之，按照螺旋更新的捕猎方...

【专利技术属性】
技术研发人员：汪梅，李远成，张昭昭，许犇，董立红，王丹阳，
申请(专利权)人：西安科技大学，
类型：发明
国别省市：