本发明属于火电厂气体排放监测,具体涉及一种基于gru的火电厂nox排放量智能预测的建模方法。
背景技术:
1、氮氧化物作为火力发电厂大气污染物排放的重要监测指标,其排放浓度也越来越受到各大火力发电厂的重视;目前,国内燃煤电厂大多通过选择性催化还原烟气(scr)脱硝系统来实现nox的超低排放,但是由于电厂运行工况变化、仪器测量数据具有滞后性等原因,此类脱硝系统无论是采用手动控制,还是通过pid自动调节的方式来调节喷氨量,均存在着一定滞后性,对喷氨系统的控制作用落后于被控变量的变化,易出现脱硝系统出口烟气氮氧化物质量浓度超标、过量喷氨以及由硫酸氢铵引起的空预器堵塞等问题,难以保证最佳氨氮比,从而造成了人力和物力的浪费、以及环保指标不达标等后果,严重时甚至会因空预器堵塞导致电厂非计划性停机;基于上述原因,根据火电厂运行的大量历史数据来设计一种合适的预测模型,使得该模型可以准确预测氮氧化合物的排放量,并且反馈给dcs控制系统进行实时调整,就显得尤为重要;因此,本案需要设计一种基于gru的火电厂nox排放量智能预测的建模方法来解决上述问题。
技术实现思路
1、本发明目的在于提供一种基于gru的火电厂nox排放量智能预测的建模方法,该方案解决了现有技术中火电厂缺少基于历史数据的预测模型提供数据支撑,在nox排放时难以调整脱硝系统至最佳氨氮比的问题,具有可快速、准确的预测nox排放浓度,并且可以根据实时运行数据定期更新模型,确保了较好的预测精度的特点。
2、为解决上述技术问题,本发明所采用的技术方案是:
3、一种基于gru的火电厂nox排放量智能预测的建模方法,包括以下步骤:
4、s1,根据火电厂实际运行情况,获取历史的nox排放数据,包括时间戳和nox浓度;收集生产过程中影响nox排放量的控制变量,控制变量与nox排放量具有对应的时间戳;
5、s2,对获取的历史的nox排放数据进行数据处理,具体如下:
6、s201,根据历史nox排放数据采集时间,对影响nox排放量的控制变量进行排序,得到输入变量矩阵;
7、s202,采用归一化卷积对输入变量矩阵中缺失值和异常值进行处理并归一化,接着对输入变量矩阵进行数据重组,使其满足gru模型的输入数据格式;
8、s203,根据时间顺序对数据集进行划分,选取时间上处于前80%的数据作为训练集,中间10%的数据用于验证,最近10%的数据用于测试;
9、s3,构建包含gru层的神经网络模型,采用合适的损失函数与优化器;
10、s4,将输入序列馈送到模型中得到其损失函数,使用反向传播算法更新gru模型权重;
11、s5,在训练过程中定期评估模型在验证集上的性能,并根据需要进行模型结构和调整超参数调整,得到基于gru的nox智能预测模型。
12、优选地,步骤s1的具体方法如下:
13、根据火电厂实际生产运行情况,从dcs控制系统中获取影响nox排放量的控制变量;控制变量包括燃料类型、机组负荷、烟气温度、炉膛出口氧量、风门开度及氨气流量。
14、优选地,步骤s201的具体方法如下:
15、按照历史nox排放量的采集时间,对控制变量的数据进行排序,同一时间的不同控制变量排成行,同一种控制变量按时间前后排成列,通过对控制变量排序得到输入变量矩阵x。
16、优选地,步骤s202的具体方法如下:
17、针对排序后的变量矩阵x存在数据缺失或数据异常的情况,采用归一化卷积对变量矩阵x进行处理,归一化卷积根据数据的置信度去填补缺失值或去除异常值,置信度矩阵c与x相同维度,正常值的置信度为1异常值与缺失值的置信度为0,归一化卷积的公式为:
18、
19、式中,xl-1和cl-1为归一化卷积中第l-1层输出的数据与置信度,xl和cl为第l层归一化处理后输出的数据及置信度,w是共享卷积核的权重,a(·)表示对卷积核参数执行softmax激活,ε是为了避免分母为零而设置的极小量,b即是偏置,输入变量x经归一化卷积处理后为xt。
20、优选地,步骤s3的具体方法如下:
21、s301,网络由一层gru与全连接层构成,全连接层根据输入数据与预测数据维度进行设置,gru的数学表示为:
22、
23、其中,ht为在时间步t的隐状态,初始隐状态h0通常初始化为零向量或具有小随机值的向量,ht根据更新门zt和候选隐状态进行更新;
24、更新门决定了在当前时间步是否更新隐状态,其数学表示为:
25、zt=σ(wz·[ht-1,xt]);
26、其中,wz是权重矩阵,σ是sigmoid激活函数,xt为时间步t的输入向量;
27、候选隐状态表示可以更新到隐状态的“候选值”,其数学表达为:
28、
29、其中,wh是权重矩阵,tanh是双曲正切激活函数;
30、s302,采用rmse作为损失函数,采用结合动量和自适应学习率的adam优化器对网络参数进行训练。
31、优选地,步骤s4的具体方法如下:
32、将模型预测值与真实的目标值进行比较,计算出rmse损失函数的值,使用反向传播算法来计算损失函数对模型参数的梯度,通过adam优化算法,根据梯度的方向和幅度来更新模型的权重和偏置以最小化损失函数。
33、优选地,步骤s5的具体方法如下:
34、在训练过程中使用未见过的数据集进行定期评估,以保证模型的泛化性能,根据验证集的性能表现,改变gru层数,调整神经元数量,调整超参数,以寻找适应数据特性的模型配置,使其能够准确地预测nox排放量;超参数包括学习率、批量大小和训练迭代次数。
35、本发明的有益效果为:
36、1,该方案通过火电厂运行的历史数据建立包含gru层的神经网络模型来进行nox排放量智能预测,有效将火电厂运行中的海量历史数据进行利用,并且可以为脱销系统的运行提供超前调节,解决了现有技术中火电厂通过脱硝系统进行氮氧化合物还原时,缺少基于历史数据的预测模型提供数据支撑,采用传统的喷氨量控制方法存在滞后和摆动,无法快速及时匹配氮氧化合物排放量,从而难以保证最佳氨氮比的问题;
37、2,本方案建立的nox排放量智能预测模型,可以快速、准确的预测nox排放浓度,并且可以根据新的运行数据进行定期模型结构和超参数调整,确保了较好的预测精度,可以有效实现对nox浓度预测,从而为喷氨量的超前调节提供准确的数据支撑。
1.一种基于gru的火电厂nox排放量智能预测的建模方法,其特征在于,包括以下步骤:
2.根据权利要求1所述的一种基于gru的火电厂nox排放量智能预测的建模方法,其特征在于:步骤s1的具体方法如下:
3.根据权利要求1所述的一种基于gru的火电厂nox排放量智能预测的建模方法,其特征在于:步骤s201的具体方法如下:
4.根据权利要求1所述的一种基于gru的火电厂nox排放量智能预测的建模方法,其特征在于:步骤s202的具体方法如下:
5.根据权利要求1所述的一种基于gru的火电厂nox排放量智能预测的建模方法,其特征在于:步骤s3的具体方法如下:
6.根据权利要求1所述的一种基于gru的火电厂nox排放量智能预测的建模方法,其特征在于:步骤s4的具体方法如下:
7.根据权利要求1所述的一种基于gru的火电厂nox排放量智能预测的建模方法,其特征在于:步骤s5的具体方法如下: