【技术实现步骤摘要】
基于注意力机制LSTM模型的入炉垃圾热值实时预测方法
[0001]本专利技术涉及入炉垃圾的热值预测
,尤其涉及一种基于注意力机制LSTM模型的入炉垃圾热值实时预测方法。
技术介绍
[0002]垃圾焚烧技术是生活垃圾资源化、无害化利用的主要手段,但由于生活垃圾组分复杂、热值波动剧烈,无法实时估算入炉垃圾的热值。因此,需要对垃圾焚烧炉入炉垃圾热值进行实时测算和预测,实现垃圾处理的无害化、资源化和可持续发展。
[0003]目前,技术人员针对垃圾热值测算与估计所采用的技术或主要测量方法包括:氧弹热量法、公式估计法(Dulong/Scheurer
‑
Kestner等)、利用灰色关联度预测生活垃圾热值法,以及使用各类神经网络建立垃圾热值预测模型的方法。但这些方法存在着精度不高、计算模型复杂难以部署、泛化性弱等特点,并且不能做到垃圾热值的实时预测。在现阶段的研究中,缺少一个能够对垃圾热值实时进行预测的有效技术方法。
[0004]目前仅依靠电厂现场的运维人员通过蒸汽负荷的变化趋势人为粗略估计垃圾热值。 ...
【技术保护点】
【技术特征摘要】
1.一种基于注意力机制LSTM模型的入炉垃圾热值实时预测方法,其特征在于,包括以下步骤:(1)从垃圾焚烧炉DCS控制系统的历史数据记录中,提取的不同时间点位的DCS控制参量;按固定的时间间隔将数据导入工控机,得到待整理数据集;(2)基于相关性系数的计算,从待整理数据集中筛选出SO2浓度、烟气温度、炉燃烧炉排上部温度、一次风温温度、烟尘浓度、NOx含量、HCl含量、CO含量、湿基CO2含量、氟化物含量、干基O2含量和烟气湿度,共12个输入特征参量;进行数据清洗后,将这12个输入特征的数据用于模型训练;(3)从步骤(2)得到的输入特征参量中提取用于计算C、H、O、S、含水率参数的DCS参量,并计算出各时刻的入炉垃圾热值,为计算结果添加标签以用于模型训练;(4)对步骤(2)得到的输入特征参量和步骤(3)得到的各时刻的入炉垃圾热值进行整合处理;然后将全部数据中的80%用作训练集数据,20%用作测试集数据;(5)建立基于时间注意力机制的LSTM时序模型作为训练模型;将训练集数据输入训练模型进行训练,通过将LSTM模型的隐藏层状态量h与注意力矩阵进行点积相乘,优化隐藏层的状态量h;同步使用均方根误差损失计算预测值和真实值之间的损失,每轮训练后需反向传播更新预测模型的下一时刻状态量h,使炉垃圾热值的预测值与入计算结果之间的欧式距离逐步缩小,直至均方根误差损失小于1%,保存该模型;筛选多次训练后保存的模型,选取其中均方根误差最小的作为最终的预测模型;(6)从当前时刻下的DCS控制参数中提取输入特征参量,输入步骤(5)得到的预测模型,经计算获得下一个时间步长的入炉垃圾热值预测值。2.根据权利要求1所述的方法,其特征在于,步骤(2)中所述筛选是指,计算输入特征参量与实时目标热值的皮尔逊相关性系数,保留相关系数大于0.3的输入特征参量用于训练模型的输入;其中,皮尔逊相关性系数pearson的计算如下式所示:式中:x
i
为某待选输入参量,y
i
为实时目标热值的计算结果;为输入参量组的均值,为实时目标热值组的均值;i=1,2...n。3.根据权利要求1所述的方法,其特征在于,步骤(2)中所述数据清洗是指,根据垃圾焚烧炉运行过程中的控制参数范围,对提取到的输入特征参量数据进行清洗,去除异常工况值。4.根据权利要求1所述的方法,其特征在于,所述步骤(3)中,所述提取的DCS参量包括:用于计算碳含量的CO含量、CO2含量;用于计算氢含量的烟气含水量;用于计算氧含量的氧气含量;用于计算水分含量的烟气含水量,以及用于各元素含量计算的干烟气密度和烟气含水量。5.根据权利要求1所述的方法,其特征在于,所述步骤(3)中,通过下述公式计算获得各
时刻的入炉垃圾热值;其...
【专利技术属性】
技术研发人员:林晓青,温朝军,谢昊源,黄群星,李晓东,严建华,
申请(专利权)人:浙江大学,
类型:发明
国别省市:
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。