【技术实现步骤摘要】
本专利技术涉及一种燃煤电厂烟气脱硫过程净烟气so2浓度预测方法，属于软测量。
技术介绍
1、复杂工业过程中，需要对与产品质量及生产安全密切相关的关键质量变量进行实时测量，以满足工业过程控制要求，但部分关键质量变量难以直接或实时测量，因此软测量技术应运而生。软测量技术能够利用工业过程中的易测辅助变量对难测主导变量进行实时有效估计，在流程制造业和过程控制领域得到广泛应用。例如，燃煤电厂烟气脱硫工艺过程中需要获知排放净烟气二氧化硫(so2)浓度，以确保其排放符合国家大气污染物排放标准。
2、软测量建模方法一般可分为三类：基于机理分析建模、基于数据驱动建模以及机理数据混合驱动建模。三类建模方法中，基于数据驱动的建模方法不过分依赖过程工艺机理，仅需从过程数据中提取关键特征信息即可建立软测量模型。其中，人工神经网络凭借其出色的非线性建模能力成为了该领域的研究热点。然而，实际工业过程建模数据本质上具有复杂的时序性和动态性，且在不同时间尺度下呈现出不同的分布特征。传统人工神经网络多采用前馈网络结构，难以直接描述数据间复杂的动态时序关系，因此所建立的软测量模型往往难以满足实际生产需求。
3、近年来，深度神经网络发展迅速，其特征表征能力愈发增强。lstm神经网络可长时记忆、动态分析、处理历史信息，建立变量间的长时依赖关系，实现信息的留存持久化；同时考虑实际建模过程通常面临高维变量的难题，过多的冗余变量会导致模型复杂度增加与性能降低，因此，专利cn114547974a公开了一种基于输入变量选择与lstm神经网络的动态软测量建模
技术实现思路
1、为了解决现有燃煤发电厂中燃煤燃烧产生的烟气中的二氧化硫(so2)去除的工艺中采用现有的软测量技术未充分综合考虑复杂工业过程的非线性、动态性及变量冗余等特征所导致的建模难度增加与模型性能降低、进而导致预测不准确的问题，本专利技术提供了一种基于注意力绞杀与gru网络的工业软测量建模方法并将其应用在燃煤发电烟气脱硫过程so2含量动态预测中，建模过程中，将注意力机制(包括时序注意力和变量注意力)和nng算法与gru神经网络相结合，然后进行组合稀疏优化，在有效剔除冗余变量并简化模型结构的同时提高其对so2含量预测的精准度。
2、一种燃煤电厂烟气脱硫过程净烟气so2浓度预测方法，所述方法包括：
3、步骤1，获取燃煤电厂烟气脱硫工艺过程中的过程变量和目标变量的历史数据，作为训练样本；其中，目标变量为二级吸收塔出口净烟气so2浓度，过程变量为燃煤电厂烟气脱硫工艺过程中的其他参数；
4、步骤2，构建基于时序注意力的初始gru网络模型，对gru网络隐含层各历史时刻进行重要性分析，并赋予不同的影响权重；利用所述训练样本进行超参数寻优训练，得到基于时序注意力的初始gru网络模型tam-gru；
5、步骤3，通过miv算法计算训练样本中各过程变量对目标变量的平均影响值，获得不同过程变量的注意力权重向量；
6、步骤4，对步骤3获得的不同过程变量的注意力权重向量进行系数转换后嵌入nng算法约束，得到带变量注意力的nng算法模型；
7、步骤5，利用步骤4得到的带变量注意力的nng算法模型对步骤2得到的基于时序注意力的初始gru网络模型tam-gru进行稀疏优化，得到基于注意力绞杀与gru网络的amge-gru预测模型；
8、步骤6，获取燃煤电厂烟气脱硫工艺过程中的过程变量的实时数据，输入所述amge-gru预测模型，得到燃煤发电烟气脱硫过程so2含量动态预测值。
9、可选的，假设步骤2中基于时序注意力的初始gru网络模型tam-gru为：
10、y′t＝g(whyh′t+by) (16)
11、其中g(·)为初始gru网络全连接层激活函数，why和by分别为对应的权重矩阵和偏置；h′t为采用时序注意力机制优化后的网络隐含状态输出，y′t为模型t时刻对应的输出，即采用基于时序注意力的初始gru网络模型tam-gru预测得到的目标变量值；
12、假设步骤1获取到的历史数据中过程变量和目标变量分别为和其中n为样本总数，p为过程变量维数，过程变量维数表示燃煤电厂烟气脱硫工艺过程中的其他参数的个数；
13、将训练样本中的每个过程变量xi＝[x1，x2，...，xn]t在原始输入基础分别增加和减少10％，得到两个新的过程变量空间；将新构造的两个过程变量空间依次输入基于时序注意力的初始gru网络模型tam-gru，即可获得变化样本中过程变量xi指标变化时与之对应的两个目标向量，以上标(1)和(2)进行区分：
14、
15、
16、两者差值即为过程变量xi变化后对应的影响变化值向量ivi＝yi(1)-yi(2)，则n次输出值的平均影响值向量为：
17、
18、不同过程变量的注意力权重向量βi为：
19、
20、其中，j表示对应第j个样本数据，i表示对应第i个过程变量。
21、可选的，所述步骤4包括：
22、利用公式(17)所示的映射函数对各过程向量的注意力权重向量进行系数转换：
23、
24、将转换的注意力权重向量μi嵌入nng算法约束，并将nng算法的收缩系数λi约束限制为[0，1]范围内，得到带变量注意力的nng算法模型：
25、
26、其中，各过程变量对应的注意力权重向量均值⊙表示为哈达玛积运算，s为给定可调的绞杀超参数，收缩系数λ＝[λ1，λ2，...，λp]，β＝[β1，β2，...，βp]t为最小二乘系数估计；y表示目标变量，λ*(s)表示绞杀超参数s对应的最优收缩系数。
27、可选的，所述步骤5包括：
28、采用带变量注意力的nng算法对tam-gru网络进行稀疏优化，通过将收缩系数λ＝[λ1，λ2，...，λp]嵌入tam-gru网络输入权重矩阵，建立新的神经网络表达式：
29、
30、其中，表示经nng算法优化后的tam-gru网络模型输出，tam-gru网络新的隐含状态输出为：
31、
32、各本文档来自技高网...
【技术保护点】
1.一种燃煤电厂烟气脱硫过程净烟气SO2浓度预测方法，其特征在于，所述方法包括：
2.根据权利要求1所述的方法，其特征在于，假设步骤2中基于时序注意力的初始GRU网络模型TAM-GRU为：
3.根据权利要求2所述的方法，其特征在于，所述步骤4包括：
4.根据权利要求3所述的方法，其特征在于，所述步骤5包括：
5.根据权利要求4所述的方法，其特征在于，所述步骤2中采用时序注意力机制优化后的网络隐含状态输出h′t为：
6.根据权利要求5所述的方法，其特征在于，所述步骤1中获取燃煤电厂烟气脱硫工艺过程中的过程变量和目标变量的历史数据，作为训练样本，包括：
7.根据权利要求6所述的方法，其特征在于，所述步骤1还包括，对采样后的历史数据进行预处理，包括缺失值、异常值处理及数据标准化。
8.根据权利要求6所述的方法，其特征在于，所述步骤1还包括，对训练样本进行划分，前80％作为训练数据集，剩余20％作为测试数据集。
9.一种燃煤发电烟气脱硫过程SO2含量动态控制方法，其特征在于，所述控制方法采样权
10.权利要求1-8任一所述的预测方法和/或权利要求9所述的控制方法在燃煤发电中的应用。
...【技术特征摘要】
1.一种燃煤电厂烟气脱硫过程净烟气so2浓度预测方法，其特征在于，所述方法包括：
2.根据权利要求1所述的方法，其特征在于，假设步骤2中基于时序注意力的初始gru网络模型tam-gru为：
3.根据权利要求2所述的方法，其特征在于，所述步骤4包括：
4.根据权利要求3所述的方法，其特征在于，所述步骤5包括：
5.根据权利要求4所述的方法，其特征在于，所述步骤2中采用时序注意力机制优化后的网络隐含状态输出h′t为：
6.根据权利要求5所述的方法，其特征在于，所述步骤1中获取燃煤电厂烟气脱硫工艺过程中的过程变量和目标变量的历史数据，作为训练样本，包括：
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。