一种基于深度神经网络的水泥生产线烟气NOx浓度预测方法与流程

本发明属于水泥生产烟气NOx浓度检测领域,具体涉及一种基于深度神经网络的水泥生产线烟气NOx浓度预测方法。

背景技术：

我国水泥行业的氮氧化物(NOx)排放量占全国NOx排放量的10％左右,是火力发电和汽车尾气后的第三大NOx排放源。大量的NOx排放能改变大气的性质，从而引起酸雨、光化学污染等大气污染问题，对自然环境及人类生存环境有巨大危害。《水泥工业“十三五”发展规划》中明确指出，2020年NOx排放量要比2015年减少30％。因此，水泥行业作为NOx排放的重要工业之一，控制并减少NOx排放具有重大意义。

目前水泥烟气脱硝主要采用的是选择性非催化还原(Selective No Catalytic Reduction，缩写为SNCR，下文以“SNCR”表示选择性非催化还原)法。SNCR法是在合适的温度区喷入氨水，在不使用催化剂的条件下将烟气中的NOx快速还原成无毒的水和氮气，进而实现烟气脱硝。水泥工业产生的NOx在脱硝反应发生区被还原，完成NOx浓度的降低，之后烟气NOx浓度不发生巨大变化经多级旋风预热器、增湿塔、收尘器等工艺环节，流动至烟囱排出。有效检测烟气NOx浓度传感器设置在烟囱排入大气口处而非实际脱硝反应发生区，造成不可避免的工艺流程性的NOx浓度检测延迟。同时水泥生产系统具有大时滞、时变、强非线性的特点，使得NOx浓度检测的时延具有不确定性。烟气NOx浓度的准确预测能够为NOx减排控制(本发明基于SNCR脱硝控制)提供有效的数据支持，故而准确预测延迟检测到的烟气NOx浓度具有重要意义。

技术实现要素：

为了克服现有技术的不足，本发明提出了一种基于深度神经网络(Deep Neural Network，DNN)预测烟气NOx浓度的方法，能够即时预测一段时间的NOx浓度，较好地解决了烟气NOx检测的延迟问题，为SNCR脱硝控制过程中的喷氨量计算提供了可靠的数据支持。

为实现上述目的，本发明是根据以下技术方案实现的：

一种基于深度神经网络的水泥生产线烟气NOx浓度预测方法，包括如下步骤：

步骤S1：根据NOx产生机理结合水泥生产线工艺流程，筛选预测NOx浓度的相关变量；

步骤S2：从水泥企业数据库下载筛选的变量数据并进行预处理，通过滑动窗口的方式使各变量数据形成数列，以将各变量数据包含的时延特征隐含在模型的输入数列中；

步骤S3：通过无监督训练和有监督训练结合的方式，将输入数据的时延特征和输出数据的对应关系特征提取并保存至DNN网络的参数中，建立NOx预测模型；

步骤S4：结合历史数据与NOx预测值滚动预测出未来一段时间的NOx浓度值。

上述技术方案中，相关变量包括输入变量和输出变量，其中输入变量包括喂料量X1，氨水流量X2，窑电流平均值X3，分解炉喂煤量X4，二次风温X5，一级筒出口温度X6，窑尾温度X7，一级筒O2含量X8，脱硝供氨泵频率X9，窑头喂煤量X10，分解炉出口温度X11，烟囱口NOx浓度X12；输出变量包括烟囱口NOx浓度Y。

上述技术方案中，步骤S2中，使用滑动窗口将所选变量数据按式(1)～(4)形成输入输出数据，各输入变量数列表示为：

Xi(t)＝{Xi(t-k-m,t-k)},i＝1,2,3,…11 (1)

X12(t)＝{X12(t-n,t)} (2)

网络输入层的输入数列为：

X(t)＝{X1(t),X2(t),X3(t),……,X12(t)} (3)

网络输出层为：

Y(t+1)＝X12(t+1) (4)

式(1)～(4)中t为预测时刻，X(t)和Y(t+1)分别表示输入层、输出层的数据，k值小于最小时延时间，Xi(t-k-m，t-k)表示Xi变量从t-k-m时刻到t-k时刻的时间序列，m为时间长度，X12(t-n，t)表示X12变量从t-n时刻到t时刻的时间序列，n为时间长度，X12(t+1)表示用下一时刻的NOx浓度值作为t时刻输入的标签数据。

上述技术方案中，步骤S3具体包括：令DNN网络训练过程的输入数据为X(t)＝{X1(t),X2(t),X3(t),……,X12(t)}，输出数据为Y(t+1)＝X12(t+1)；将DNN的输入层和隐含层作为DBN进行无监督训练，从而提取输入数据中包含的各变量的时延特征，并将提取的特征保存在DNN输入层和隐含层的初始权值上；将保存了输入数据时延特征的DBN与输出层连接，通过BP算法反向微调DNN网络参数，从而使输出数据的对应关系特征保存在模型的网络参数中；最终建立NOx预测模型，DNN网络的层数与每层的神经元根据变量数据的具体情况进行设置。

上述技术方案中，步骤S4具体包括：

使用式(5)～(7)把历史数据与NOx预测值结合，滚动预测未来一段时间的NOx浓度值，各输入变量数列由式(1)(2)变为：

网络输入层数列由式(3)变为：

式(6)中，为t+1时刻的NOx预测值，将数列X¹(t)输入NOx预测模型即得到t+2时刻的NOx预测值不断重复式(5)～(7)过程，得到k+1个NOx预测值，从而实现t至t+k+1时刻的NOx浓度预测。

本发明与现有技术相比，具有如下有益效果：

1、本发明提出的DNN水泥生产线烟气NOx浓度预测模型，能够从输入数据中提取时变时延特征，从输出数据中提取对应关系特征，并将提取的时延和关系特征保存在网络模型的参数中。从而通过历史的变量数据，预测未来的烟气NOx值。

2、本发明通过预测模型输入数据的变换，即历史数据与预测数据结合的方式，预测出未来一段时间的NOx值，达到消除时变时延准确预测烟气NOx浓度的目的。

3、本发明建立模型的数据均是水泥企业数据库的历史数据，无需新添设备采集数据。因此，模型成本较低且对不同的水泥生产线具有较好的适应性。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其它附图。

图1为本发明提出的DNN水泥烟气NOx浓度预测模型结构图；

图2为DBN网络结构图；

图3为受限玻尔兹曼机结构图；

图4为输入数列改变方式示意图；

图5为本发明提出的水泥烟气NOx预测系统流程图。

具体实施方式

为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。

本发明提出了一种基于深度神经网络预测水泥生产线烟气NOx浓度的方法。首先选取变量，从水泥企业数据库中下载对应的数据，一部分用于训练DNN网络，另一部分用于检验网络的预测准确性；然后建立基于深度神经网络的输入隐含时变时延信息的水泥烟气NOx浓度预测模型，结构见图1；本发明提出的输入隐含时变时延信息的DNN水泥烟气NOx预测系统流程图见图5；最后，通过BP算法进行DNN网络参数的反向微调，即通过误差对神经元的权值和偏置调优，实现DNN预测模型的建立，具体步骤如下：

步骤S1：根据NOx生成机理结合水泥生产工艺选取相关变量并下载数据，对各变量数据进行异常值处理和归一化处理；步骤S1中，从水泥企业的数据库中选取样本数据集，并对选取的数据进行异常值处理和归一化处理。深度神经网络可以将相关变量的特征和输入输出之间的关系包含在网络参数中，因此不需要对变量数据进行复杂的预处理，只要将影响训练的异常值处理即可。输入数据选取的是不同的变量，各变量的单位及变化范围各不相同，故在训练之前对输入数据进行归一化处理。采用滑动窗口方式使变量数据形成输入数据，目的是将变量的时间特性隐含在输入数据中。根据深度神经网络可提取变量之间特征关系并使其隐含在在网络参数中的特点，使用水泥企业数据库中的实际生产数据，建立起一段时间变量数据对应一个NOx浓度值的网络结构，从而挖掘出预测量与各输入变量的关系，达到消除时变时延影响进而准确预测NOx浓度的目的。

具体地，水泥生产中NOx主要有三种类型：燃烧型、热力型、瞬时型。燃料型NOx是燃料里的含氮化合物在燃烧过程中先受热裂解为N、CN、HCN等中间产物，后被氧化生成NOx。在以煤粉为燃料的水泥窑中，燃料型NOx的生成量约占水泥窑总NOx生成量的60％以上。热力型NOx是空气中的N2和O2在高温条件下反应生成，反应温度在高于1800k后生成量会迅速变大。瞬时型NOx是空气中的N分子与碳氢化合物燃烧生成的离子团发生碰撞和反应后被氧化形成，瞬时型NOx的生成量一般很小。

根据NOx的产生机理可知，NOx主要在回转窑与分解炉两个生产环节产生。氨水经分解炉上部的喷氨设备喷入，在分解炉上部合适的温度条件下还原NOx完成脱硝过程。结合上述分析，DNN模型选用如下12个输入变量：喂料量X1，氨水流量X2，窑电流平均值X3，分解炉喂煤量X4，二次风温X5，一级筒出口温度X6，窑尾温度X7，一级筒O2含量X8，脱硝供氨泵频率X9，窑头喂煤量X10，分解炉出口温度X11，烟囱口NOx浓度X12；选取的输出变量为烟囱口NOx浓度Y。DNN网络模型能够将输入数据中隐含的时变时延特征和各数据变量与预测量的关系特征提取并保存至网络的结构权值当中，因此只需将各变量数据进行预处理，后形成输入输出来训练DNN模型即可。

步骤S2：将预处理过的变量数据通过滑动窗口的方式形成输入数据,以将各变量数据包含的时延特征隐含在模型的输入数列中，同时使用下一时刻的烟囱口NOx浓度归一化数值作为输出数据；

首先用m(s)时长的X1～X11变量数据及n(s)时长的X12变量数据以滑动窗口的方式构建输入层，输入层结构如图1所示。其中，每行数据表示不同的输入变量，如喂料量、喂煤量等；每列数据表示不同时刻各变量数值。

各输入变量数列表示为：

Xi(t)＝{Xi(t-k-m,t-k)},i＝1,2,3,…11 (1)

X12(t)＝{X12(t-n,t)} (2)

网络输入层数列为：

X(t)＝{X1(t),X2(t),X3(t),……,X12(t)} (3)

网络输出层为：

Y(t+1)＝X12(t+1) (4)

上式中t为预测时刻，X(t)和Y(t+1)分别表示输入层、输出层的数据，k值略小于最小时延时间，Xi(t-k-m，t-k)表示Xi变量从t-k-m时刻到t-k时刻的时间序列，m为时间长度，X12(t-n，t)表示X12变量从t-n时刻到t时刻的时间序列，n为时间长度，X12(t+1)表示用下一时刻的NOx浓度值作为t时刻输入的标签数据。

步骤S3：通过无监督训练和有监督训练结合的方式，将输入数据的时延特征和输出数据的对应关系特征提取并保存至DNN网络的参数中，建立NOx预测模型；

在步骤S3中，根据输入数据、输出数据确定DNN网络的输入层、输出层神经元个数；根据NOx浓度相关变量的工业数据特征确定DBN网络的层数及每层神经元个数。设定最大训练次数、学习率、迭代样本量大小。将DNN网络的输入层和隐含层作为DBN网络，进行贪婪无监督的前向训练，确定权值w、偏置a和b的初始值，从而通过DBN能够实现数据特征提取和数据降维的特点，将输入数据隐含的时延特征提取并保存。再对整个DNN网络进行有监督的反向训练，实现整个网络参数的调整，使输出数据具有的对应关系特征保存在网络参数中。最终，建立一段时间变量数据预测单点NOx值的DNN模型。

本发明提出的DNN网络模型结构设置为4层，前三层由两个受限玻尔兹曼机(RBM)堆叠而成，单独一个神经元作为第四层。即，前三层作为DBN，然后与单神经元的输出层连接。DNN模型每层神经元数依次为672、100、50、1，学习率设置为0.1，并将DBN网络结构的连接权值及偏置设置为0。

DBN网络的无监督训练过程，是从底层开始依次训练每个RBM。第一个RBM用整个DNN网络的输入层训练；上面的RBM用前一个RBM的输出层作为输入层完成训练，所有RBM完成训练后得到整个DBN网络参数，DBN网络结构如图2。以单个RBM的训练过程进行说明，其结构见图3。

RBM模型是一种能量模型，可用能量函数和概率对其进行描述和计算。设显层神经元v有n个，隐层神经元h有m个，则一个给定了二值状态的RBM的能量函数可定义为

式中，wij为显层神经元vi与隐层神经元hj连接的权值，ai为神经元vi的偏置，bj为神经元hj的偏置。θ＝(w,a,b)表示构成能量函数的参数。能量函数的概率分布为

式中，Z为归一化因子。

根据上式，由显层计算隐层的激活概率:

由隐层计算显层激活概率:

式中，为sigmiod函数。根据Hinton教授提出的对比散度算法(Contrastive Divergence,CD)训练RBM，该算法的思想是对显层采样计算出隐层再对隐层采样更新显层θ＝(w,a,b)各参数计算公式如下：

bj＝P(hj＝1|v⁽⁰⁾)-P(hj＝1|v^(k)) (12)

在对比散度算法中，k值一般取1就能取得较好地结果。

使输入层数列X进入显层，由公式(8)得到隐层的激活概率P(hi＝|1v)，再以公式(9)反求出显层的激活概率，最后通过公式(10)～(12)得到权值和偏置，从而完成一次无监督训练。

重复上述过程，对上方的RBM完成训练，得到全部DBN的权值和偏置。

在得到DBN网络参数的基础上，根据标签样本采用BP反向误差修正算法优化整个DNN网络参数w、a、b，对网络有监督地反向微调，完成DNN模型的建立。

完成前向无监督训练的DBN与输出层全连接组成DNN网络，使用BP算法对DNN网络参数进行反向逐层修正，实现DNN网络模型的反向微调。利用BP算法反向调整网络参数的目的在于，把标签样本与输入数据的对应关系特征提取并保存至网络的参数中。由于该步骤需要标签样本进行误差计算，因此该步骤是有监督的。

将训练好的DBN网络参数作为前三层结构初始参数，然后连接单神经元的输出层，连接权值取随机值，单神经元偏置取0。用BP反向误差修正算法实现DNN网络参数的反向微调。

误差函数:

式中，p为网络预测值，y为标签样本值。

令表示网络第l层的i个神经元输出，f(·)表示激活函数，η表示学习率。误差函数对输出层(L层)第k个神经元与第L-1层中的第j个神经元权值的偏导：

对偏置的偏导：

对L-1隐层，误差对权值的偏导：

误差对偏置的偏导：

令

那么

则第l层的权值和偏置的变化量为：

最后，权值和偏置的更新公式：

w^l＝w^l-η*△w^l (24)

b^l＝b^l-η*△b^l (25)

根据上述公式介绍本发明提出的DNN网络模型反向微调过程。首先通过式(22)(23)计算出输出层(L层)和前一层(L-1层)的权值和偏置的变化量，再通过式(24)(25)完成权值和偏置的更新。重复上述步骤反向依次对DNN网络的所有权值与偏置实现更新调优，从而将标签样本包含的对应关系特征提取保存在整个网络完成参数中。反向训练完成后，烟气NOx浓度值预测模型就建立了起来。

步骤S4：用历史数据结合NOx预测值滚动预测出未来一段时间的烟气NOx浓度值。

使输入数据进入预测模型得到下一采样时刻NOx预测值，后将输入数据包含的各变量数列后移一采样时刻，结合NOx的预测值形成新的输入数据，完成下下一采样时刻NOx值的预测。重复上述步骤预测出未来一段时间的NOx值。

具体地，使步骤S1中的输入变量数列进入步骤S3中训练好的NOx浓度预测模型中，得到下一时刻的NOx浓度预测值将步骤S1中变量Xi(t)的数据后移一采样时刻形成新的输入数列的数据也后移一采样时刻从而将NOx浓度预测值包含，输入数列改变方式见图4，输入数列表达式如下：

各输入变量数列由式(1)(2)变为

网络输入层数列由式(3)变为

将X¹(t)数列输入预测模型得到t+2时刻的NOx浓度预测值重复上述过程得到t+3时刻的NOx浓度预测值依次类推可得到共k+1个NOx浓度预测值，实现通过深度神经网络预测t时刻至t+k+1时刻烟气NOx浓度值的功能。

以上所述，仅为本发明较佳的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到的变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应该以权利要求的保护范围为准。