【技术实现步骤摘要】
本专利技术属于燃煤锅炉nox排放，具体涉及一种通道选择卷积神经网络预测锅炉全负荷nox排放的方法。
技术介绍
1、传统nox排放预测模型采用降维手段防止输入信息冗余，无法建立模型输出与锅炉燃烧器完整被控变量的映射关系。提升nox预测精度不是最终目的，获取对应工况下参与炉内燃烧的被控变量与nox排放的映射关系才是优化燃烧、降低nox排放的关键。
2、cs-cnn网络模拟了人脑通过海马体进行学习的方式，非常符合模型根据锅炉不同磨煤机运行工况调整参与燃烧控制参数的要求。
3、公开号为cn106021916a的现有技术公开一种适用于超超临界锅炉nox排放量分析的计算方法，涉及超临界锅炉运行控制方法。1)根据炉膛结构与计算精度将炉膛自下而上分成若干个小室；2)输入进料参数；3)计算每个小室内各物质的反应速率；4)计算各小室内火焰和烟气对水冷壁的辐射传热量和相邻小室的辐射传热量；5)建立各小室的质量、能量平衡方程；6)对守恒方程进行求解，输出本操作条件下各小室的nox生成量的数据；7)改变进料参数，重复步骤2)～6)即可得到其它操作条件下各小室的nox生成量的数据。可对超超临界锅炉nox排放量分析计算，能直观反映进料参数对炉内nox排放量的影响，其只能根据某一时刻获取的数据进行计算，由于锅炉实际运行中随工况变化参与燃烧的控制变量类型实时变化，所以与nox排放相关的变量类型也随即改变。现有技术无法对其全工矿下进行持续性预测，缺乏动态预测能力。
技术实现思路
1、针对现有技
2、为实现上述目的，本专利技术的一种通道选择卷积神经网络预测锅炉全负荷nox排放的方法，由于锅炉实际运行中随工况变化，导致参与燃烧的控制变量类型实时变化，因此与nox排放相关的变量类型也随即改变，选择利用cs-cnn模型对输入通道重要性进行选择，对不同工况下的nox排放开展动态预测；
3、步骤如下：
4、持续通过发电锅炉的机组分布式控制系统dcs使用传感器提取锅炉运行时的变量数据，包括锅炉负荷、总燃料量、磨煤机容量风流量、总风量、二次风门开度、蒸汽压力、流量、温度；
5、将采集到的锅炉运行时的变量数据进行存储；
6、根据需要选择存储的历史时间段中提取锅炉燃烧运行时的历史数据，然后对历史数据中的锅炉运行数据进行预处理；
7、通过滑动窗口法将经过预处理的锅炉历史数据划为4-d张量，然后将锅炉历史数据以张量的形式输入通道选择性卷积神经网络cs-cnn模型中进行训练，cs-cnn模型将根据输入锅炉的工况变化自动识别重要性排在前80％的通道，释放重要性低通道的超参数，实现cs-cnn模型有限参数资源的最大化利用，达到提升cs-cnn模型预测精度的目的，所述工况包括磨煤机运行组合变化引起的锅炉燃烧器风门运行方式；
8、cs-cnn模型在使用前需要使用完成预处理的锅炉历史数据进行训练和校验，训练完成后即可实现对该过滤的运行工况进行预测。
9、进一步，数据预处理方法为：采用3σ-规则检测缺失、偏离正常值的异常数据，并利用下式替换异常数据：
10、δxi(t)＝xi(t)-xi(t-1)
11、
12、
13、
14、其中，δxi(t)表示辅助变量xi在相邻两个时刻的变化率，表示δxi(t)在时间刻t之前的平均变化率，σi(t)表示标准差，i＝1,2,…,m表示变量个数，t＝2,…,n代表采样时刻。
15、进一步，cs-cnn模型结构为：顺序连接的输入层、卷积层、全连接层以及输出层；卷积层包含顺序连接的卷积滤波器、批量归一化和非线性激活函数，通过设置多个卷积滤波器从输入张量内提取作为目标变量的nox排放量的空间特征；全连接层为一个或者多个，以执行高级推力，将前一层的所有神经元连接到当前层的每个神经元，然后生成全局语义信；输出层包括损失函数和激活函数，损失函数和激活函数根据分类和回归任务而不同，对于分类任务采用交叉熵损失函数和softmax非线性激活函数；
16、输入层模仿灰色图片的单通道输入形式，卷积层用于特征的自动提取，在cs-cnn中，常规卷积层被相同数量的通道选择卷积层所取代；首个卷积层仍采用常规卷积层，在卷积层后设置下采样层用来减小特征图尺寸，保留显著特征、增大感受野、减小噪声影响，让各个特征更具健壮性，最后一个卷积层中的特征图按一维形式展开后，将连接至全连接层所有神经元。最后，输出层实现nox排放的连续性预测。
17、进一步，cs-cnn的基础架构为常规卷积层，包含卷积滤波器、批量归一化和非线性激活函数，通过设置多个卷积滤波器从输入张量内提取nox排放作为目标变量的空间特征，第l层第k个卷积滤波器上的卷积运算如下：
18、
19、
20、其中，式(1)为矩阵形式运算，式(2)为元素运算，*表示卷积算子，分别表示卷积运算后批量归一化前第l层第k个特征图和特征图元素，此处值得注意的是卷积滤波器的数量与输出特征图的数量相等。表示第l层第k个卷积滤波器的权重矩阵，xl-1表示第l层的输入矩阵，表示第l层第k个卷积滤波器对应的偏差参数，h',w'分别代表卷积滤波器的高和宽。
21、进一步，通过批量归一化提高cs-cnn模型的收敛效率：
22、输入数据经过批量归一化bn后使数据的分布标准化，无需进一步学习就能适应不同分布的数据特征，提高网络的泛化能力，在批量归一化和非线性激活函数之间针对卷积层进行批量归一化：卷积层的批量归一化发生在卷积计算之后、非线性激活函数之前；
23、设批量的输入数据中有m个样本，在第l层第k个特征通道上，对该特征通道中m×h×w个元素同时执行批量归一化，h,w分别代表特征图的高和宽，批量归一化的输入表示为对于批量ξ任意样本且1≤i≤m，批量归一化计算过程如下所示：
24、
25、
26、
27、其中，μξ,分别代表ξ的均值和方差，代表批量归一化的输出，ζk和βk分别代表第k个输出通道的拉伸参数和偏移参数，且每个通道都拥有独立的拉伸和偏移参数；
28、批量归一化后，非线性激活函数将应用于所有特征图，采用relu函数作为非线性激活函数，其描述如下：
29、
30、进一步，cs-cnn模型中，信道选择性卷积运算包括de-alloc通道解除分配、re-alloc通道重新分配和空间移位，并使用空间移位用来抵消过多相似通道造成的多样性损失，cs-cnn模型完成训练任务，实现对输入通道进行重新分配的目的：
31、1).de-alloc通道:针对输入工况，阻止重要性低的锅炉变量在以后的计算中被使用，并释放这些通道的参数；
32、2).re-all本文档来自技高网...
【技术保护点】
1.一种通道选择卷积神经网络预测锅炉全负荷NOx排放的方法，其特征在于，由于锅炉实际运行中随工况变化，导致参与燃烧的控制变量类型实时变化，因此与NOx排放相关的变量类型也随即改变，选择利用CS-CNN模型对输入通道重要性进行选择，对不同工况下的NOx排放开展动态预测；
2.根据权利要求1所述通道选择卷积神经网络预测锅炉全负荷NOx排放的方法，其特征在于，数据预处理方法为：采用3σ-规则检测缺失、偏离正常值的异常数据，并利用下式替换异常数据：
3.根据权利要求1所述通道选择卷积神经网络预测锅炉全负荷NOx排放的方法，其特征在于，CS-CNN模型结构为：顺序连接的输入层、卷积层、全连接层以及输出层；卷积层包含顺序连接的卷积滤波器、批量归一化和非线性激活函数，通过设置多个卷积滤波器从输入张量内提取作为目标变量的NOx排放量的空间特征；全连接层为一个或者多个，以执行高级推力，将前一层的所有神经元连接到当前层的每个神经元，然后生成全局语义信；输出层包括损失函数和激活函数，损失函数和激活函数根据分类和回归任务而不同，对于分类任务采用交叉熵损失函数和softmax非线性
4.根据权利要求3所述通道选择卷积神经网络预测锅炉全负荷NOx排放的方法，其特征在于，CS-CNN的基础架构为常规卷积层，包含卷积滤波器、批量归一化和非线性激活函数，通过设置多个卷积滤波器从输入张量内提取NOx排放作为目标变量的空间特征，第l层第k个卷积滤波器上的卷积运算如下：
5.根据权利要求4所述通道选择卷积神经网络预测锅炉全负荷NOx排放的方法，其特征在于，通过批量归一化提高CS-CNN模型的收敛效率：
6.根据权利要求4所述通道选择卷积神经网络预测锅炉全负荷NOx排放的方法，其特征在于，CS-CNN模型中，信道选择性卷积运算包括De-alloc通道解除分配、Re-alloc通道重新分配和空间移位，并使用空间移位用来抵消过多相似通道造成的多样性损失，CS-CNN模型完成训练任务，实现对输入通道进行重新分配的目的：
7.根据权利要求6所述通道选择卷积神经网络预测锅炉全负荷NOx排放的方法，其特征在于，利用预期通道损坏矩阵ECDM识别对输出贡献较小的通道，识别输入信道的重要性；
8.根据权利要求6所述通道选择卷积神经网络预测锅炉全负荷NOx排放的方法，其特征在于，定义通道选择和空间移位：将通道选择卷积层被定义为SelectConv(X,ω)，在常规卷积层基础上实现对输入通道X的选择功能，选择性卷积层表示为：
9.根据权利要求6所述通道选择卷积神经网络预测锅炉全负荷NOx排放的方法，其特征在于，通道选择性卷积层训练方案为：
10.根据权利要求6所述通道选择卷积神经网络预测锅炉全负荷NOx排放的方法，其特征在于，CNN模型的全连接层和输出层具体：在卷积层之后使用一个或多个全连接层执行高级推理，将前一层的所有神经元连接到当前层的每个神经元，然后生成全局语义信息，并设置全连接层，映射关系如下所示：
...【技术特征摘要】
1.一种通道选择卷积神经网络预测锅炉全负荷nox排放的方法，其特征在于，由于锅炉实际运行中随工况变化，导致参与燃烧的控制变量类型实时变化，因此与nox排放相关的变量类型也随即改变，选择利用cs-cnn模型对输入通道重要性进行选择，对不同工况下的nox排放开展动态预测；
2.根据权利要求1所述通道选择卷积神经网络预测锅炉全负荷nox排放的方法，其特征在于，数据预处理方法为：采用3σ-规则检测缺失、偏离正常值的异常数据，并利用下式替换异常数据：
3.根据权利要求1所述通道选择卷积神经网络预测锅炉全负荷nox排放的方法，其特征在于，cs-cnn模型结构为：顺序连接的输入层、卷积层、全连接层以及输出层；卷积层包含顺序连接的卷积滤波器、批量归一化和非线性激活函数，通过设置多个卷积滤波器从输入张量内提取作为目标变量的nox排放量的空间特征；全连接层为一个或者多个，以执行高级推力，将前一层的所有神经元连接到当前层的每个神经元，然后生成全局语义信；输出层包括损失函数和激活函数，损失函数和激活函数根据分类和回归任务而不同，对于分类任务采用交叉熵损失函数和softmax非线性激活函数；
4.根据权利要求3所述通道选择卷积神经网络预测锅炉全负荷nox排放的方法，其特征在于，cs-cnn的基础架构为常规卷积层，包含卷积滤波器、批量归一化和非线性激活函数，通过设置多个卷积滤波器从输入张量内提取nox排放作为目标变量的空间特征，第l层第k个卷积滤波器上的卷积运算如下：
...【专利技术属性】
技术研发人员：彭献永，王志，范赫，周怀春，李框宇，黄文博，
申请(专利权)人：中国矿业大学，
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。