本发明专利技术公开一种脱硝系统气体浓度预测方法、装置、设备及存储介质，该方法首先获取当前系统的气体排放数据，再基于改进后浓度预测模型中的特征提取模块对气体排放数据进行特征提取并预测当前系统的目标气体浓度，其中，改进后浓度预测模型基于互信息值和数据样本预先训练，数据样本基于时延特性重构，特征提取模块包括基于LSTM的全局特征提取模块、基于CNN结合注意力机制的局部特征提取模块以及特征融合模块。相比现有技术，本发明专利技术对输入变量进行基于时延特性的重构，减少变量时延的影响，且改进后的浓度预测模型将局部特征与全局特征进行特征融合，提升了对本质特征提取的能力，进而提高了通过模型对脱硝系统目标气体浓度的预测准确度。度的预测准确度。度的预测准确度。
【技术实现步骤摘要】
脱硝系统气体浓度预测方法、装置、设备及存储介质
[0001]本专利技术涉及模型预测
，尤其涉及一种脱硝系统气体浓度预测方法、装置、设备及存储介质。
技术介绍
[0002]随着工业现代化的发展，人类社会生活对能源的需求与日俱增，我国煤炭储量大、能源转化设备核技术完备，以煤炭为主的化石燃料在未来仍是我国电能产生的主体。基于各项政策和环保意识，我国火力发电厂大力发展脱销技术来抑制氮氧化物的排放。
[0003]目前主要采用的烟气脱硝技术是选择性催化还原（SCR）技术，在实际运行过程中，需要对SCR反应器入口的气体浓度进行检测。然而由于整个系统本身存在滞后和非线性的特点，会使得检测得到的气体浓度具有一定的时间滞后，对SCR系统的控制优化产生巨大的不利影响。因此，预测SCR反应器入口气体浓度成为脱硝系统控制优化的重中之重。
[0004]常用的浓度预测方法包括机理模型、现场调整试验和机器学习方法，然而上述方法中构造的模型通常过于理想化，在实际场景中面对系统复杂的工况时，对目标气体的预测存在着准确度不够的问题。
[0005]上述内容仅用于辅助理解本专利技术的技术方案，并不代表承认上述内容是相关技术。
技术实现思路
[0006]本专利技术的主要目的在于提供了一种脱硝系统气体浓度预测方法、装置、设备及存储介质，旨在解决现有技术中在SCR系统复杂工况时对目标气体浓度的预测准确度不足的技术问题。
[0007]为实现上述目的，本专利技术提供了一种脱硝系统气体浓度预测方法，所述方法包括以下步骤：获取当前系统的气体排放数据；基于改进后浓度预测模型中的特征提取模块对所述气体排放数据进行特征提取，并根据特征提取结果预测所述当前系统的目标气体浓度，所述改进后浓度预测模型基于互信息值和数据样本预先训练，所述数据样本基于时延特性重构，所述特征提取模块与全连接层相连，所述特征提取模块包括基于LSTM的全局特征提取模块、基于CNN结合注意力机制的局部特征提取模块以及特征融合模块，所述特征融合模块用于将全局特征提取模块提取的全局特征和局部特征提取模块提取的局部特征进行特征融合。
[0008]可选地，所述方法还包括：根据所述当前系统的工艺流程，选择与所述目标气体相关的过程变量；计算各个过程变量与目标变量的最大互信息值并与预设阈值进行对比；选取大于预设阈值的所述过程变量为输入变量，获得数据样本；通过所述数据样本对所述改进后浓度预测模型进行训练。
[0009]可选地，所述方法还包括：获取所述输入变量，并计算所述输入变量与所述目标变量的互信息值；根据所述互信息值获得所述输入变量的动态时延信息；根据所述动态时延信息对所述输入变量进行重构，得到多变量时间序列即重构的数据样本。
[0010]可选地，所述改进后浓度预测模型还包括输入模块和输出层，所述输入模块与所述全局特征提取模块和所述局部特征提取模块相连，所述输出层与所述全连接层相连，所述基于改进后浓度预测模型中的特征提取模块对所述气体排放数据进行特征提取，并根据特征提取结果预测所述当前系统的目标气体浓度，包括：将所述气体排放数据发送至所述输入模块进行预处理，获得基于时间重构的输入数据；通过所述全局特征提取模块对所述重构的输入数据进行全局特征提取；通过所述局部特征提取模块对所述重构的输入数据进行局部特征提取；基于注意力机制将所述全局特征和所述局部特征进行特征融合；通过所述特征融合模块将融合后的特征输入至所述全连接层，并由所述输出层输出预测结果。
[0011]可选地，所述局部特征提取模块包括：卷积层和池化层；所述通过所述局部特征提取模块对所述重构的输入数据进行局部特征提取，包括：通过所述卷积层对所述重构的输入数据进行特征提取，其中，所述卷积层为单维卷积层；通过所述池化层对所述单维卷积层提取到的序列特征进行筛选，得到所述输入数据的局部特征。
[0012]可选地，所述基于注意力机制将所述全局特征和所述局部特征进行特征融合，包括：通过所述注意力机制对所述局部特征进行加权；基于所述局部特征的权重值，将所述全局特征与加权后的局部特征进行融合，得到融合特征。
[0013]可选地，所述改进后浓度预测模型基于测试集进行测试和重训练，所述测试集为从网络数据库中获取并经过优化处理的相关数据，所述优化处理包括数据滤波和/或数据归一化。
[0014]此外，为实现上述目的，本专利技术还提出一种气体浓度预测装置，所述气体浓度预测装置应用于脱硝系统，所述气体浓度预测装置包括：数据获取模块，用于获取当前系统的气体排放数据；浓度预测模块，用于基于改进后浓度预测模型中的特征提取模块对所述气体排放数据进行特征提取，并根据特征提取结果预测所述当前系统的目标气体浓度，所述改进后浓度预测模型基于互信息值和数据样本预先训练，所述数据样本基于时延特性重构，所述特征提取模块与全连接层相连，所述特征提取模块包括基于LSTM的全局特征提取模块、基于CNN结合注意力机制的局部特征提取模块以及特征融合模块，所述特征融合模块用于将
全局特征提取模块提取的全局特征和局部特征提取模块提取的局部特征进行特征融合。
[0015]此外，为实现上述目的，本专利技术还提出一种气体浓度预测设备，所述气体浓度预测设备应用于脱硝系统，所述气体浓度预测设备包括：存储器、处理器及存储在所述存储器上并可在所述处理器上运行的脱硝系统气体浓度预测程序，所述脱硝系统气体浓度预测程序配置为实现上文所述的脱硝系统气体浓度预测方法的步骤。
[0016]此外，为实现上述目的，本专利技术还提出一种存储介质，所述存储介质上存储有脱硝系统气体浓度预测程序，所述脱硝系统气体浓度预测程序被处理器执行时实现如上文所述的脱硝系统气体浓度预测方法的步骤。
[0017]本专利技术首先获取当前系统的气体排放数据，再基于改进后浓度预测模型中的特征提取模块对气体排放数据进行特征提取，并根据特征提取结果预测当前系统的目标气体浓度，其中，改进后浓度预测模型基于互信息值和数据样本预先训练，数据样本基于时延特性重构，特征提取模块与全连接层相连，其中特征提取模块包括基于LSTM的全局特征提取模块、基于CNN结合注意力机制的局部特征提取模块以及特征融合模块，特征融合模块用于将全局特征提取模块提取的全局特征和局部特征提取模块提取的局部特征进行特征融合。由于本专利技术是将当前系统的气体数据输入至改进的浓度预测模型来获得预测的目标气体浓度，该改进的浓度预测模型引入了注意力机制，并通过两个不同的模块分别提取输入数据的全局特征和局部特征再融合，同时考虑到当前系统的时滞性和时延性，基于时延特性重构了用于训练的数据样本，相比现有的预测模型，能够提升模型提取多维时序变量本质特征的能力，进而提升了通过该改进后浓度预测模型对当前系统的目标气体浓度的预测准确度。
附图说明
[0018]图1是本专利技术实施例涉及的硬件运行环境的气体浓度预测设备的结构示意图；图2是本专利技术脱硝系统气体浓度预测方法第一实施例的流程示意图；图3是本专利技术改进后的浓度预测模型结构示意图；图4是本专利技术脱硝系统气体浓度预测方法第二实本文档来自技高网...
【技术保护点】
【技术特征摘要】
1.一种脱硝系统气体浓度预测方法，其特征在于，所述方法包括：获取当前系统的气体排放数据；基于改进后浓度预测模型中的特征提取模块对所述气体排放数据进行特征提取，并根据特征提取结果预测所述当前系统的目标气体浓度，所述改进后浓度预测模型基于互信息值和数据样本预先训练，所述数据样本基于时延特性重构，所述特征提取模块与全连接层相连，所述特征提取模块包括基于LSTM的全局特征提取模块、基于CNN结合注意力机制的局部特征提取模块以及特征融合模块，所述特征融合模块用于将全局特征提取模块提取的全局特征和局部特征提取模块提取的局部特征进行特征融合。2.如权利要求1所述的脱硝系统气体浓度预测方法，其特征在于，所述方法还包括：根据所述当前系统的工艺流程，选择与所述目标气体相关的过程变量；计算各个过程变量与目标变量的最大互信息值并与预设阈值进行对比；选取大于预设阈值的所述过程变量为输入变量，获得数据样本；通过所述数据样本对所述改进后浓度预测模型进行训练。3.如权利要求2所述的脱硝系统气体浓度预测方法，其特征在于，所述方法还包括：获取所述输入变量，并计算所述输入变量与所述目标变量的互信息值；根据所述互信息值获得所述输入变量的动态时延信息；根据所述动态时延信息对所述输入变量进行重构，得到多变量时间序列即重构的数据样本。4.如权利要求1所述的脱硝系统气体浓度预测方法，其特征在于，所述改进后浓度预测模型还包括输入模块和输出层，所述输入模块与所述全局特征提取模块和所述局部特征提取模块相连，所述输出层与所述全连接层相连，所述基于改进后浓度预测模型中的特征提取模块对所述气体排放数据进行特征提取，并根据特征提取结果预测所述当前系统的目标气体浓度，包括：将所述气体排放数据发送至所述输入模块进行预处理，获得基于时间重构的输入数据；通过所述全局特征提取模块对所述重构的输入数据进行全局特征提取；通过所述局部特征提取模块对所述重构的输入数据进行局部特征提取；基于注意力机制将所述全局特征和所述局部特征进行特征融合；通过所述特征融合模块将融合后的特征输入至所述全连接层，并由所述输出层输出预测结果。5.如权利要求4所述的脱硝系统气体浓度预测方法，其特征在于，所述...
【专利技术属性】
技术研发人员：刘瑞平，匡亮，邹本健，李晓华，
申请(专利权)人：济南作为科技有限公司，
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。