基于人工智能的氮氧化物预测方法及相关装置制造方法及图纸

本发明专利技术涉及人工智能领域，公开了一种基于人工智能的氮氧化物预测方法及相关装置，用于提高SCR脱硝控制的精度。所述方法包括：基于垃圾焚烧发电系统中预设的多个传感器采集垃圾焚烧过程中的工艺参数集；对工艺参数集进行参数筛选，得到标准参数数据，并对标准参数数据进行特征选取，得到目标特征参数；根据目标特征参数生成第一输入特征，并获取目标特征参数对应的氮氧化物历史值，以及根据氮氧化物历史值生成第一输入特征对应的输出变量；将第一输入特征和输出变量输入深度神经网络模型进行模型训练，得到氮氧化物预测模型；获取待处理的目标工作状态参数，并将目标工作状态参数输入氮氧化物预测模型进行氮氧化物预测，得到氮氧化物预测值。氧化物预测值。氧化物预测值。

【技术实现步骤摘要】
基于人工智能的氮氧化物预测方法及相关装置


[0001]本专利技术涉及人工智能领域，尤其涉及一种基于人工智能的氮氧化物预测方法及相关装置。

技术介绍

[0002]随着环境环保要求的逐渐严格，采用焚烧垃圾的方法发电可以化废为宝，从而达到社会资源的可持续发展。在处理垃圾焚烧时产生的氮氧化物气体时，需提前预估氮氧化物的排放，才能精准的控制污染物的排放策略。
[0003]现有方案采用传统控制进料和发电量进行氮氧化物的排放量预测，传统的计算方法难以结合实际操作过程中的参数变化进行分析，因此现有方案的准确率较低。

技术实现思路

[0004]本专利技术提供了一种基于人工智能的氮氧化物预测方法及相关装置，用于提高SCR脱硝控制的精度。
[0005]本专利技术第一方面提供了一种基于人工智能的氮氧化物预测方法，所述基于人工智能的氮氧化物预测方法包括：基于垃圾焚烧发电系统中预设的多个传感器采集垃圾焚烧过程中的工艺参数集；对所述工艺参数集进行参数筛选，得到标准参数数据，并对所述标准参数数据进行特征选取，得到目标特征参数；根据所述目标特征参数生成第一输入特征，并获取所述目标特征参数对应的氮氧化物历史值，以及根据所述氮氧化物历史值生成所述第一输入特征对应的输出变量；将所述第一输入特征和所述输出变量输入预置的深度神经网络模型进行模型训练，得到氮氧化物预测模型；获取待处理的目标工作状态参数，并将所述目标工作状态参数输入所述氮氧化物预测模型进行氮氧化物预测，得到氮氧化物预测值。
[0006]可选的，在本专利技术第一方面的第一种实现方式中，所述基于人工智能的氮氧化物预测方法还包括：对所述氮氧化物历史值进行数据清洗，得到数据清洗后的氮氧化物历史值；对所述数据清洗后的氮氧化物历史值进行异常值去除，得到标准氮氧化物历史值。
[0007]可选的，在本专利技术第一方面的第二种实现方式中，所述基于人工智能的氮氧化物预测方法还包括：获取多个待预测时刻的测试参数数据，以及获取所述测试参数数据对应的氮氧化物实际值；根据所述测试参数数据生成所述待预测时刻对应的第二输入特征；将所述第二输入特征输入所述深度神经网络模型进行计算，得到氮氧化物测试值；根据所述氮氧化物实际值和所述氮氧化物测试值对所述深度神经网络模型进行模型优化，得到优化后的深度神经网络模型；将所述优化后的深度神经网络模型作为所述氮氧化物预测模型。
[0008]可选的，在本专利技术第一方面的第三种实现方式中，所述根据所述氮氧化物实际值和所述氮氧化物测试值对所述深度神经网络模型进行模型优化，得到优化后的深度神经网络模型，包括：调用预置的损失函数计算所述氮氧化物实际值和所述氮氧化物测试值之间的损失值；根据所述损失值对所述深度神经网络模型进行模型准确度分析，得到目标准确度；根据所述目标准确度对所述深度神经网络模型进行模型参数优化，得到优化后的深度
神经网络模型。
[0009]可选的，在本专利技术第一方面的第四种实现方式中，所述基于垃圾焚烧发电系统中预设的多个传感器采集垃圾焚烧过程中的工艺参数集，包括：基于垃圾焚烧发电系统中预设的多个传感器采集垃圾焚烧过程中的工艺参数；对所述工艺参数进行测量，得到工艺参数测量值，并采用预设更新频率对所述工艺参数测量值进行测量值更新，生成工艺参数集。
[0010]可选的，在本专利技术第一方面的第五种实现方式中，所述对所述工艺参数集进行参数筛选，得到标准参数数据，并对所述标准参数数据进行特征选取，得到目标特征参数，包括：对所述工艺参数集中的布袋除尘工艺参数、石灰浆制备工艺参数和干法工艺参数进行参数筛选，得到标准参数数据，其中，所述标准参数数据包括：焚烧炉工艺参数、一二次风系统参数、SNCR工艺参数和SCR工艺参数；通过特征工程选取所述标准参数数据中的时间相关性参数数据，得到目标特征参数。
[0011]可选的，在本专利技术第一方面的第六种实现方式中，所述基于人工智能的氮氧化物预测方法还包括：按照预设的特征分类方案对所述工艺参数集进行特征分类，得到多个特征分类数据，其中所述多个特征分类数据包括：垃圾锅炉燃烧、垃圾热值和SNCR脱硝类特征数据、脱酸除尘相关特征数据以及SCR脱硝相关特征数据；分别计算所述多个特征分类数据的平均值和标准差，并根据所述平均值和所述标准差对所述工艺参数集进行数据集特征增强。
[0012]本专利技术第二方面提供了一种基于人工智能的氮氧化物预测装置，所述基于人工智能的氮氧化物预测装置包括：采集模块，用于基于垃圾焚烧发电系统中预设的多个传感器采集垃圾焚烧过程中的工艺参数集；筛选模块，用于对所述工艺参数集进行参数筛选，得到标准参数数据，并对所述标准参数数据进行特征选取，得到目标特征参数；处理模块，用于根据所述目标特征参数生成第一输入特征，并获取所述目标特征参数对应的氮氧化物历史值，以及根据所述氮氧化物历史值生成所述第一输入特征对应的输出变量；训练模块，用于将所述第一输入特征和所述输出变量输入预置的深度神经网络模型进行模型训练，得到氮氧化物预测模型；输出模块，用于获取待处理的目标工作状态参数，并将所述目标工作状态参数输入所述氮氧化物预测模型进行氮氧化物预测，得到氮氧化物预测值。
[0013]可选的，在本专利技术第二方面的第一种实现方式中，所述基于人工智能的氮氧化物预测装置还包括：数据处理模块，用于对所述氮氧化物历史值进行数据清洗，得到数据清洗后的氮氧化物历史值；对所述数据清洗后的氮氧化物历史值进行异常值去除，得到标准氮氧化物历史值。
[0014]可选的，在本专利技术第二方面的第二种实现方式中，所述基于人工智能的氮氧化物预测装置还包括：计算模块，用于获取多个待预测时刻的测试参数数据，以及获取所述测试参数数据对应的氮氧化物实际值；根据所述测试参数数据生成所述待预测时刻对应的第二输入特征；将所述第二输入特征输入所述深度神经网络模型进行计算，得到氮氧化物测试值；优化模块，用于根据所述氮氧化物实际值和所述氮氧化物测试值对所述深度神经网络模型进行模型优化，得到优化后的深度神经网络模型；生成模块，用于将所述优化后的深度神经网络模型作为所述氮氧化物预测模型。
[0015]可选的，在本专利技术第二方面的第三种实现方式中，所述优化模块具体用于：调用预置的损失函数计算所述氮氧化物实际值和所述氮氧化物测试值之间的损失值；根据所述损
失值对所述深度神经网络模型进行模型准确度分析，得到目标准确度；根据所述目标准确度对所述深度神经网络模型进行模型参数优化，得到优化后的深度神经网络模型。
[0016]可选的，在本专利技术第二方面的第四种实现方式中，所述采集模块具体用于：基于垃圾焚烧发电系统中预设的多个传感器采集垃圾焚烧过程中的工艺参数；对所述工艺参数进行测量，得到工艺参数测量值，并采用预设更新频率对所述工艺参数测量值进行测量值更新，生成工艺参数集。
[0017]可选的，在本专利技术第二方面的第五种实现方式中，所述筛选模块具体用于：对所述工艺参数集中的布袋除尘工艺参数、石灰浆制备工艺参数和干法工艺参数进行参数筛选，得到标准参数数据，其中，所述标准参数数据包括：焚烧炉工本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于人工智能的氮氧化物预测方法，其特征在于，所述基于人工智能的氮氧化物预测方法包括：基于垃圾焚烧发电系统中预设的多个传感器采集垃圾焚烧过程中的工艺参数集；对所述工艺参数集进行参数筛选，得到标准参数数据，并对所述标准参数数据进行特征选取，得到目标特征参数；根据所述目标特征参数生成第一输入特征，并获取所述目标特征参数对应的氮氧化物历史值，以及根据所述氮氧化物历史值生成所述第一输入特征对应的输出变量；将所述第一输入特征和所述输出变量输入预置的深度神经网络模型进行模型训练，得到氮氧化物预测模型；获取待处理的目标工作状态参数，并将所述目标工作状态参数输入所述氮氧化物预测模型进行氮氧化物预测，得到氮氧化物预测值。2.根据权利要求1所述的基于人工智能的氮氧化物预测方法，其特征在于，所述基于人工智能的氮氧化物预测方法还包括：对所述氮氧化物历史值进行数据清洗，得到数据清洗后的氮氧化物历史值；对所述数据清洗后的氮氧化物历史值进行异常值去除，得到标准氮氧化物历史值。3.根据权利要求1所述的基于人工智能的氮氧化物预测方法，其特征在于，所述基于人工智能的氮氧化物预测方法还包括：获取多个待预测时刻的测试参数数据，以及获取所述测试参数数据对应的氮氧化物实际值；根据所述测试参数数据生成所述待预测时刻对应的第二输入特征；将所述第二输入特征输入所述深度神经网络模型进行计算，得到氮氧化物测试值；根据所述氮氧化物实际值和所述氮氧化物测试值对所述深度神经网络模型进行模型优化，得到优化后的深度神经网络模型；将所述优化后的深度神经网络模型作为所述氮氧化物预测模型。4.根据权利要求3所述的基于人工智能的氮氧化物预测方法，其特征在于，所述根据所述氮氧化物实际值和所述氮氧化物测试值对所述深度神经网络模型进行模型优化，得到优化后的深度神经网络模型，包括：调用预置的损失函数计算所述氮氧化物实际值和所述氮氧化物测试值之间的损失值；根据所述损失值对所述深度神经网络模型进行模型准确度分析，得到目标准确度；根据所述目标准确度对所述深度神经网络模型进行模型参数优化，得到优化后的深度神经网络模型。5.根据权利要求1所述的基于人工智能的氮氧化物预测方法，其特征在于，所述基于垃圾焚烧发电系统中预设的多个传感器采集垃圾焚烧过程中的工艺参数集，包括：基于垃圾焚烧发电系统中预设的多个传感器采集垃圾焚烧过程中的工艺参数；对所述工艺参数进行测量，得到工艺参数测量值，并采用预设更新频率对所述工艺参数测量值进行测量值更新，生成工艺参数集。6.根据权利要求1所...

【专利技术属性】
技术研发人员：陈联宏，许洪滨，王超，钟日钢，刘小娟，赖昊明，冉从华，李松军，王润，
申请(专利权)人：深圳能源环保股份有限公司，
类型：发明
国别省市：