基于数据分解和神经网络的SO2排放预测方法及系统技术方案

本发明专利技术属于脱硫预测控制领域，提供了一种基于数据分解和神经网络的SO2排放预测方法及系统，包括采集原始SO2排放数据；基于完全集合经验模态分解方法对原始SO2排放数据进行数据分解，并利用小波阈值去噪对分解后的数据进行去噪，得到经过去噪处理后的本征模态分量；基于经过去噪处理后的本征模态分量，利用预先训练好的神经网络排放预测模型进行预测，得到各个分量的预测结果；将各个分量的预测结果进行线性重构，得到最终的预测结果。本发明专利技术仅利用SO2排放数据构建预测模型，过程简单，无需参数测量，并可有效降低数据噪声对预测精度的影响，准确提取SO2排放数据的非线性特征，并有效消除时延性，可显著提高SO2排放浓度的预测精度。度。度。

【技术实现步骤摘要】
排放预测系统，采用如下技术方案：
[0012]一种基于数据分解和神经网络的SO2排放预测系统，包括：
[0013]数据采集模块，被配置为采集原始SO2排放数据；
[0014]数据分解和去噪模块，被配置为基于完全集合经验模态分解方法对原始SO2排放数据进行数据分解，并利用小波阈值去噪对分解后的数据进行去噪，得到经过去噪处理后的本征模态分量；
[0015]排放预测模块，被配置为基于经过去噪处理后的本征模态分量，利用预先训练好的神经网络排放预测模型进行预测，得到各个分量的预测结果；
[0016]结果重构模块，被配置为将各个分量的预测结果进行线性重构，得到最终的预测结果。
[0017]根据一些实施例，本专利技术的第三方案提供了一种计算机可读存储介质。
[0018]一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现如上述第一个方面所述的一种基于数据分解和神经网络的SO2排放预测方法中的步骤。
[0019]根据一些实施例，本专利技术的第四方案提供了一种计算机设备。
[0020]一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现如上述第一个方面所述的一种基于数据分解和神经网络的SO2排放预测方法中的步骤。
[0021]与现有技术相比，本专利技术的有益效果为：
[0022]本专利技术针对石灰石
‑
石膏湿法脱硫系统数据驱动建模，基于完全自适应噪声集合经验模态分解(complete ensemble empirical mode decomposition with adaptive noise，CEEMDAN)联合小波阈值去噪的方法对数据进行去噪处理，然后建立卷积神经网络，双向门控循环单元结合的模型对SO2浓度进行预测。首先从机组中采集SO2排放数据，使用CEEMDAN方法将数据分解成若干个本征模态分量(intrinsic mode function，IMF)，对其中包含噪声的分量进行小波变换去噪，得到平滑数据序列。构建基于改进麻雀算法的CNN
‑
BiGRU神经网络模型对SO2排放进行预测。使用卷积神经网络(convolutional neural network，CNN)对数据中非线性特征进行自动提取，并结合双向门控循环单元(bi
‑
directional gated recurrent unit，BiGRU)对数据中的时间联系进行挖掘以消除湿法脱硫系统的时间滞后性，采用改进的麻雀优化算法对CNN
‑
BiGRU神经网络模型进行参数寻优，获得模型的最优参数。最后对各个分量分别进行预测，对预测结果进行线性重构得到最终的预测数据。本专利技术仅利用SO2排放数据构建预测模型，过程简单，无需参数测量，并可有效降低数据噪声对预测精度的影响，准确提取SO2排放数据的非线性特征，并有效消除时延性，可显著提高SO2排放浓度的预测精度。
附图说明
[0023]构成本专利技术的一部分的说明书附图用来提供对本专利技术的进一步理解，本专利技术的示意性实施例及其说明用于解释本专利技术，并不构成对本专利技术的不当限定。
[0024]图1是本专利技术实施例所述的一种基于数据分解和神经网络的SO2排放预测方法的流程图；
[0025]图2是本专利技术实施例所述的一种基于数据分解和神经网络的SO2排放预测方法的
整体架构图；
[0026]图3是本专利技术实施例所述的小波阈值去噪的流程图。
具体实施方式
[0027]下面结合附图与实施例对本专利技术作进一步说明。
[0028]应该指出，以下详细说明都是例示性的，旨在对本专利技术提供进一步的说明。除非另有指明，本文使用的所有技术和科学术语具有与本专利技术所属
的普通技术人员通常理解的相同含义。
[0029]需要注意的是，这里所使用的术语仅是为了描述具体实施方式，而非意图限制根据本专利技术的示例性实施方式。如在这里所使用的，除非上下文另外明确指出，否则单数形式也意图包括复数形式，此外，还应当理解的是，当在本说明书中使用术语“包含”和/或“包括”时，其指明存在特征、步骤、操作、器件、组件和/或它们的组合。
[0030]在不冲突的情况下，本专利技术中的实施例及实施例中的特征可以相互组合。
[0031]实施例一
[0032]如图1所示，本实施例提供了一种基于数据分解和神经网络的SO2排放预测方法，本实施例以该方法应用于服务器进行举例说明，可以理解的是，该方法也可以应用于终端，还可以应用于包括终端和服务器和系统，并通过终端和服务器的交互实现。服务器可以是独立的物理服务器，也可以是多个物理服务器构成的服务器集群或者分布式系统，还可以是提供云服务、云数据库、云计算、云函数、云存储、网络服务器、云通信、中间件服务、域名服务、安全服务CDN、以及大数据和人工智能平台等基础云计算服务的云服务器。终端可以是智能手机、平板电脑、笔记本电脑、台式计算机、智能音箱、智能手表等，但并不局限于此。终端以及服务器可以通过有线或无线通信方式进行直接或间接地连接，本申请在此不做限制。本实施例中，该方法包括以下步骤：
[0033]采集原始SO2排放数据；
[0034]基于完全集合经验模态分解方法对原始SO2排放数据进行数据分解，并利用小波阈值去噪对分解后的数据进行去噪，得到经过去噪处理后的本征模态分量；
[0035]基于经过去噪处理后的本征模态分量，利用预先训练好的神经网络排放预测模型进行预测，得到各个分量的预测结果；
[0036]将各个分量的预测结果进行线性重构，得到最终的预测结果。
[0037]本实施例提出基于改进麻雀算法的CNN
‑
BiGRU架构SO2预测模型。其中CNN
‑
BiGRU是卷积神经网络和双向门控循环单元的组合。CNN对石灰石
‑
石膏湿法脱硫系统出口处的SO2排放浓度值进行特征的提取，输入到BiGRU中，对其中隐含的时序特征进行挖掘以消除时间滞后性。CNN
‑
BiGRU模型包含一层一维卷积层，激活函数为线性整流函数(rectified linear unit，ReLU)；一层池化层；两层BiGRU层，激活函数为双曲正切函数(hyperbolic tangent function,tanh)；一层全连接层，激活函数为线性整流函数；最后为一层输出层，用来输出预测结果。具体模型参数通过改进麻雀算法优化计算得出。如图2所示，展示了所提出的模型的总体结构图，它包括三个阶段，数据分解和去噪、模型预测和结果重构。
[0038]数据分解和去噪
[0039]由于系统运行会产生腐蚀结垢等问题，给传感器采集到的数据带来噪声，因此对
于从机组中采集到的SO2排放数据，首先使用CEEMDAN方法将数据分解成若干个IMF分量，基于皮尔森相关系数对其中含有噪声的分量进行筛选，然后采用小波阈值去噪方法对其进行去噪，得到平滑数据序列。
...

【技术保护点】

【技术特征摘要】
1.一种基于数据分解和神经网络的SO2排放预测方法，其特征在于，包括：采集原始SO2排放数据；基于完全集合经验模态分解方法对原始SO2排放数据进行数据分解，并利用小波阈值去噪对分解后的数据进行去噪，得到经过去噪处理后的本征模态分量；基于经过去噪处理后的本征模态分量，利用预先训练好的神经网络排放预测模型进行预测，得到各个分量的预测结果；将各个分量的预测结果进行线性重构，得到最终的预测结果。2.如权利要求1所述的一种基于数据分解和神经网络的SO2排放预测方法，其特征在于，所述基于完全集合经验模态分解方法对原始SO2排放数据进行数据分解，具体为：(1)将高斯白噪声加入待分解的历史SO2排放数据序列，得到新信号，对其进行EMD分解，得到M个第一阶段的本征模态分量；(2)对产生的M个本征模态分量进行总体平均即可得到CEEMDAN分解的第一个本征模态分量；(3)去除第一个本征模态分量，得到第一个残差；(4)在第一个残差中加入正负成对的高斯白噪声得到新的信号，对得到的信号再次进行EMD分解，得到第一阶模态分量，据此可以得到CEEMDAN分解的第二个本征模态分量；(5)去除第二个本征模态分量，得到第二个残差：(6)重复步骤(1)～(5)，直到残差信号不能再被分解，算法结束；此时得到的本征模态分量个数为I。3.如权利要求2所述的一种基于数据分解和神经网络的SO2排放预测方法，其特征在于，历史SO2排放数据序列s(t)最终被分解为：其中，本征模态分量个数为I，Res
m
(t)是第m个本征模态分量对应的残差；是第m个本征模态分量，t是时间。4.如权利要求1所述的一种基于数据分解和神经网络的SO2排放预测方法，其特征在于，所述利用小波阈值去噪对分解后的数据进行去噪，得到经过去噪处理后的本征模态分量，包括：对CEEMDAN分解后的I个本征模态分量进行分解，将其分解为细节分量和近似分量；对分解后得到的各层系数信息进行阈值处理，把低于阈值的信息看作噪音并置为零以实现去噪的目的，从而获得估计小波系数；重构去噪后的小波系数，得到去噪后的本征模态分量。5.如权利要求1所述的一种基于数据分解和神经网络的SO2排放预测方法，其特征在于，所述神经网络排放预测模型，具体为：一层一维卷积层，激活函数为线性整流函数；一层池化层；两层BiGRU层，激活函数为双曲正切函数；一层全连接层，激活函数为线性整流函数；
最后为一层输出层，用来输出预测结果。6.如权利要求5所述的一种基于数据分解和神经网络的SO2排放预测方法，其特征在于，所述神经网络排放预测模型采用改进麻雀算法优化模型参数，具体为：(1)初始化麻雀优化算法的各参数，包括种群数量、种群位置、适应度、迭代次数、预警值和安全值；采用PWLCM映射生成混沌序列，改进麻雀种群初始化为：值和安全值；采用PWLCM映射生成混沌序列，改进麻雀种群初始化为：其中，g和f分布表示种群数量和当前...

【专利技术属性】
技术研发人员：尹晓红，王新立，孙坤，李少远，董勇，崔琳，邵明军，
申请(专利权)人：青岛科技大学，
类型：发明
国别省市：