[发明专利]基于LSTM的锅炉NOx排放量预测模型的建模方法及装置

说明书

本发明提供了一种基于LSTM(Long Short‑Term Memory，长短期记忆网络)的锅炉NOx排放预测模型的建模方法及装置。本发明通过燃煤电站的历史锅炉运行数据，构建基于LSTM递归神经网络的锅炉NOx排放量预测模型，并利用LSTM递归神经网络的序列依赖问题处理功能，解决了现有的预测燃煤电站锅炉NOx排放的机器学习建模方法所采用的建模数据均为锅炉稳态运行时的数据，忽略了NOx排放的动态特性，导致的在锅炉运行工况频繁变化时，模型的预测精度会大幅下降的技术问题。

技术领域

本发明涉及环境监测领域，尤其涉及一种基于LSTM的锅炉NOx排放量预测模型的建模方法及装置。

背景技术

随着社会与经济的发展，人们的环境保护意识也愈发强烈，保护环境、发展绿色经济已经成为了全世界人民共同的奋斗目标。

大气污染一直是环境保护的最大难题之一，而导致大气污染的其中一个因素就是过量的NOx，其中，以二氧化氮为主的NOx是形成光化学烟雾和酸雨的一个重要原因。NOx与碳氢化合物经紫外线照射发生反应形成的有毒烟雾,称为光化学烟雾，光化学烟雾具有特殊气味,刺激眼睛,伤害植物,并能使大气能见度降低。另外，NOx与空气中的水反应生成的硝酸和亚硝酸是形成酸雨主要原因。

燃煤电站作为大气中NOx的主要来源之一，锅炉的NOx排放量预测和控制对大气中的NOx治理工作具有直接影响。现有的锅炉NOx排放预测方法是通过机器学习方法建立锅炉运行参数与污染物排放之间的关系模型，将其有机地与运行控制系统结合，对炉内燃烧和尾部烟气处理进行精确控制，从而达到发挥锅炉减排NOx的潜力。

然而，由于近年来绿色能源的开发成效显著，燃煤机组的年利用小时数逐年下降，加上现有的预测燃煤电站锅炉NOx排放的机器学习建模方法所采用的建模数据均为锅炉稳态运行时的数据，忽略了NOx排放的动态特性，导致了在锅炉运行工况频繁变化时，模型的预测精度会大幅下降的技术问题。

发明内容

本发明提供了一种基于LSTM的锅炉NOx排放量预测模型的建模方法及装置，用于解决现有的预测燃煤电站锅炉NOx排放的机器学习建模方法所采用的建模数据均为锅炉稳态运行时的数据，忽略了NOx排放的动态特性，导致的在锅炉运行工况频繁变化时，模型的预测精度会大幅下降的技术问题。

本发明提供了一种基于LSTM的锅炉NOx排放量预测模型的建模方法，包括：

S1：根据预置的锅炉运行输入变量，获取与锅炉运行输入变量相对应的锅炉运行数据；

S2：根据数据的采集时间，对锅炉运行数据进行排序，得到锅炉参数矩阵，然后根据LSTM模型的数据格式要求，对锅炉参数矩阵进行数据重组，得到模型参数矩阵，并以模型参数矩阵为变量，构建LSTM锅炉排放量初始预测模型；

S3：对LSTM锅炉排放量初始预测模型中的超参数进行优化，以优化后的超参数作为控制量，对LSTM锅炉排放量初始预测模型进行训练，得到LSTM锅炉NOx排放量动态预测模型。

优选地，步骤S1具体包括：

S11：根据预置的锅炉运行输入变量，从电站实时监控系统中获取与锅炉运行输入变量相对应的锅炉运行数据，其中，锅炉运行输入变量包括：机组负荷、磨煤机给煤量、风门开度、燃烧器摆角、风箱与炉膛的压差、炉膛出口氧量。

优选地，步骤S2具体包括：

S21：根据数据的采集时间，以相同时刻采集的锅炉运行数据为行向量，以相同的锅炉运行数据为列向量，对锅炉运行数据进行排序，得到锅炉参数矩阵X；

S22：对锅炉参数矩阵X中的锅炉运行数据进行归一化计算，得到锅炉参数归一化矩阵X^*，其中，归一化计算的计算公式为：