一种基于集成模型的流程工业污染物排放浓度预测方法技术

本发明专利技术公开一种基于集成模型的流程工业污染物排放浓度预测方法，将流程工业中涉及到的多个重要参数作为特征，采用猎人猎物优化算法（HPO）对支持向量机(SVM)模型的惩罚因子、核参数和长短期记忆神经网络(LSTM)模型的神经元个数、学习率进行优化，最后利用猎人猎物优化算法不断迭代寻找出的集成模型最优权重，建立HPO

【技术实现步骤摘要】
一种基于集成模型的流程工业污染物排放浓度预测方法


[0001]本专利技术涉及流程工业中煤化工预测控制领域，具体是一种基于集成模型的流程工业污染物排放浓度预测方法。

技术介绍

[0002]流程工业在国民经济中占据主导地位,其发展状况直接影响国家的经济基础，煤化工就属于典型的流程工业。一般的煤化工相关企业都会采用相应的拥有较高效率的脱污技术来进行污染物处理，例如煤电厂都会采用拥有较高脱硝效率的选择性催化还原法(Selective Catalytic Reduction,SCR)技术来进行烟气脱硝，其反应过程为煤粉在锅炉中燃烧会形成烟气，其中包含了氮氧化物(NOx)、SO2等污染物，烟气经过省煤器之后进入SCR脱硝反应器，然后来自氨供应系统的氨气，经稀释风稀释后通过喷氨格栅喷出，在催化剂的作用下有选择性地将NOx还原成无害的N2与H2O，主要反应方程式为：
[0003][0004]实际反应过程中，由于流程工业现场复杂的工况变化，流程工业运作现场污染物含量会发生波动难以测量，并且实际生产过程中一般采用的分析仪测量污染物含量，时常会出现测量值与实际值有着一定时长的时滞。因此，现阶段大多数流程工业都难以实现污染物的精确测量。

技术实现思路

[0005]本专利技术针对流程工业中污染物(Nox)排放浓度模型预测精度不高的问题，提供了一种基于集成模型的流程工业污染物排放浓度预测方法。本专利技术采用猎人猎物优化算法对支持向量机(Support Vector Machine,SVM)模型的惩罚因子c、核参数g和长短期记忆神经网络(Long Short
‑
Term Memory，LSTM)模型的神经元个数m、学习率lr进行优化，然后利用HPO算法不断迭代寻找出的组合模型的最优权重，建立HPO
‑
SVM
‑
LSTM组合预测模型。本专利技术针对流程工业中煤化工实际生产活动中，污染物(Nox)的排放进行预测，在满足当前污染物(Nox)排放限额的条件下，致力于优化脱硝系统的喷氨量，防止其过多或过少。所提方法兼具SVM模型提高泛化性能、解决高维问题的优势和LSTM模型具有长短期记忆功能和输入数据随时间自动更新的特点，充分提高了模型的拟合效果。与传统机器学习数据建模方法相比，HPO
‑
SVM
‑
LSTM模型泛化能力更强，具有更高的预测精度，能够准确描述SCR脱硝系统的反应过程，可以改善NOX含量测量实时获取的滞后问题，有助于提高喷氨量控制准确性，对减小氨逃逸，降低出口NOX排放有明确的现实意义。
[0006]一种基于集成模型的流程工业污染物排放浓度预测方法，包括如下步骤：
[0007]步骤S1：采集流程工业运作现场污染物浓度及影响污染物浓度的特征参数的样本数据；
[0008]步骤S2：对样本数据进行标准化处理；
[0009]步骤S3：以标准化后影响污染物浓度的特征参数的样本数据为模型输入，以标准
化后流程工业污染物排放浓度为模型输出，建立支持向量机模型；
[0010]步骤S4：引入猎人猎物优化算法HPO，将支持向量机SVM模型的惩罚因子c和核参数g两个参数作为HPO的初始参数，训练返回误差决定惩罚因子和核参数的最终参数(c
*
、g
*
)，即计算误差寻求最优参数来优化支持向量机模型；
[0011]步骤S5：重复步骤S1
‑
S4，建立最终的HPO
‑
SVM预测模型,并对样本测试集数据进行预测，输出HPO
‑
SVM预测模型的预测值F1；
[0012]步骤S6：以标准化后影响污染物浓度的特征参数的样本数据为模型输入，以标准化后流程工业污染物排放浓度为模型输出，确定长短期记忆神经网络模型网络结构并进行参数初始化，建立长短期记忆神经模型LSM；
[0013]步骤S7：将LSM的神经元个数m、学习率lr作为HPO算法初始参数，寻求神经元个数和学习率的最优参数(m
*
、lr
*
)来建立LSTM模型；
[0014]步骤S8：重复步骤S1
‑
S2、S6
‑
S7，利用最优的神经元个数m
*
和学习率lr
*
来建立最终的HPO
‑
LSTM预测模型,并对样本测试集数据进行预测，输出HPO
‑
LSTM预测模型的预测值F2；
[0015]步骤S9：令HPO
‑
SVM模型的权重参数为a，HPO
‑
LSTM模型权重参数为(1
‑
a)，建立HPO
‑
SVM
‑
LSTM预测模型，根据模型表达式F＝aF1+(1
‑
a)F2，输出组合模型预测值F；
[0016]步骤S10：更新输入样本数据，预测流程工业污染物排放浓度，调整喷氨量。
[0017]进一步的，步骤S1中影响污染物浓度的特征参数包括发电机指令功率x1,负荷x2，总一次风量x3，锅炉炉膛总风量x4，一次风机动叶位置反馈x5，送风机动叶位置反馈x6，磨煤机A
‑
D流量燃烧器x7‑
x
10
，A
‑
F层右侧二次风流量x
11
‑
x
16
，炉膛前墙上层左侧过燃风流量x
17
，炉膛前墙左侧过燃风流量x
18
。
[0018]进一步的，步骤S3包括如下步骤：
[0019]3‑
1构建SVM回归函数f(x)在高维特征空间的表达式，将标准化后的样本集划分为训练集Z
*1
和测试集Z
*2
，则：
[0020][0021]其中，i＝1,2,
…
m，m表示特征的个数，n为一个相关特征所收集样本的个数，其中n>m，Z
*1
为输入矢量，表示样本训练集，y
*1
为SCR脱硝反应器入口的NOx浓度的真实值，为转换到高维空间的映射，ω和b是待定的模型参数，ω是法向量，决定了超平面的方向，b是位移项，决定了超平面与原点间的距离；
[0022]3‑
2引入松弛变量ξ
i
和构造下列目标函数，求解ω和b的最优解：
[0023][0024]s.t.f(Z
*1
)
‑
y
*1
≤ε+ξ
i
ꢀꢀꢀ
(3)
[0025][0026][0027]其中，‖ω‖表示法向量由线性范数空间到非负实数的映射，c是惩罚因子，s.t.表示在优化问题的求解中，目标函数的约束条件，f(Z
*1
)表示训练集通过目标函数得到的预测值，ε为允许存在的偏差，ξ
i
表示初始松弛变量本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于集成模型的流程工业污染物排放浓度预测方法，其特征在于，包括如下步骤：步骤S1：采集流程工业运作现场污染物浓度及影响污染物浓度的特征参数的样本数据；步骤S2：对样本数据进行标准化处理；步骤S3：以标准化后影响污染物浓度的特征参数的样本数据为模型输入，以标准化后流程工业污染物排放浓度为模型输出，建立支持向量机模型；步骤S4：引入猎人猎物优化算法HPO，将支持向量机SVM模型的惩罚因子c和核参数g两个参数作为HPO的初始参数，训练返回误差决定惩罚因子和核参数的最终参数c*和g
*
，即计算误差寻求最优参数来优化支持向量机模型；步骤S5：重复步骤S1
‑
S4，建立最终的HPO
‑
SVM预测模型,并对样本测试集数据进行预测，输出HPO
‑
SVM预测模型的预测值F1；步骤S6：以标准化后影响污染物浓度的特征参数的样本数据为模型输入，以标准化后流程工业污染物排放浓度为模型输出，确定长短期记忆神经网络模型网络结构并进行参数初始化，建立长短期记忆神经模型LSM；步骤S7：将LSM的神经元个数m、学习率lr作为HPO算法初始参数，寻求神经元个数和学习率的最优参数m
*
和lr
*
来建立LSTM模型；步骤S8：重复步骤S1
‑
S2、S6
‑
S7，利用最优的神经元个数m
*
和学习率lr
*
来建立最终的HPO
‑
LSTM预测模型,并对样本测试集数据进行预测，输出HPO
‑
LSTM预测模型的预测值F2；步骤S9：令HPO
‑
SVM模型的权重参数为a，HPO
‑
LSTM模型权重参数为(1
‑
a)，建立HPO
‑
SVM
‑
LSTM预测模型，根据模型表达式F＝aF1+(1
‑
a)F2，输出组合模型预测值F；步骤S10：更新输入样本数据，预测流程工业污染物排放浓度，调整喷氨量。2.根据权利要求1所述的一种基于集成模型的流程工业污染物排放浓度预测方法，其特征在于：步骤S1中影响污染物浓度的特征参数包括发电机指令功率x1,负荷x2，总一次风量x3，锅炉炉膛总风量x4，一次风机动叶位置反馈x5，送风机动叶位置反馈x6，磨煤机A
‑
D流量燃烧器x7‑
x
10
，A
‑
F层右侧二次风流量x
11
‑
x
16
，炉膛前墙上层左侧过燃风流量x
17
，炉膛前墙左侧过燃风流量x
18
。3.根据权利要求1所述的一种基于集成模型的流程工业污染物排放浓度预测方法，其特征在于，步骤S3包括如下步骤：3
‑
1构建SVM回归函数f(x)在高维特征空间的表达式，将标准化后的样本集划分为训练集Z
*1
和测试集Z
*2
，则：其中，m表示特征的个数，n为一个相关特征所收集样本的个数，并且n>m，Z
*1
为输入矢量，表示样本训练集，y
*1
为SCR脱硝反应器入口的NOx浓度的真实值，为转换到高维空间的映射，ω和b是待定的模型参数，ω是法向量，决定了超平面的方向，b是位移项，决定了超平面与原点间的距离；
3
‑
2引入松弛变量ξ
i
和构造下列目标函数，求解ω和b的最优解：s.t.f(z
*1
...

【专利技术属性】
技术研发人员：易辉，柴宇恒，
申请(专利权)人：南京工业大学，
类型：发明
国别省市：