[发明专利]基于LSTM深度学习的燃机NOx超标预警方法与装置

说明书

本发明属于电厂安全控制系统领域，尤其涉及一种基于LSTM深度学习的燃机NOx超标预警方法与装置。本专利在于将LSTM预测模型应用于燃机NOx预测，由于NOx的排放需要收到多种因素的影响，主要是烟气温度、燃气的不同以及氧量等因素。因此，这些因素通过一系列反应经过相关设备最终导致NOx排放一般有有一段时间，通过实时模型计算，如果发现NOx含量值到达50ppm则可用提前发出污染预测，提前制定减排措施，做到NOx排放的智能监控，提前预警。利用LSTM方法对原始数据进行处理，可以自适应找出与NOx排放相关联的特征参数，避免传统机器学习方法人工选择特征带来的遗漏或错误本发明采集数据量大，分析误差小，预警结果准确率高。

技术领域

本发明属于电厂安全控制系统领域，尤其涉及一种基于LSTM深度学习的燃机NOx超标预警方法与装置。

背景技术

现有技术中，对于燃气轮机异常的检测方法大致可以划分为两类。一类是采用机理模型的方法，通过基于气体的热力学性质和热力学原理建立物理模型，并用该模型计算燃气轮机的各项KPI指标，并与实测值进行对比。如果实测值与理论值有较大偏差，则认为燃气轮机存在异常。机理模型的主要问题在于运用物理学原理建立分析模型时，存在大量的前提假设和简化条件，不适合真实情况下的复杂系统。

随着设备运行过程中获得的设备检测数据越来越多样和设备自身结构以及运行环境的越来越复杂，充分理解设备的运行机理并且提取设备故障状态相关的数据特征难度越来越高，为此另一类异常检测技术尝试运用数据分析和机器学习的方法来建立数理模型，自动化、智能化的寻找数据特征与异常模式之间的映射关系，提升异常检测方法的准确性。常用的机器学习方法包括模糊逻辑、支持向量机(SVM)、人工神经网络等等。机器学习的方法能够充分挖掘信息本身的数据，最大程度的实现数据驱动，减少人为干预。然而，由于燃气轮机在火电得以应用的时间较短，故障类型复杂多样且重复案例较少，故障机理难以充分理解，导致了很难准确的抽取并定义用于异常检测的相关特征，难以保证异常检测的准确性。

中国专利申请201410677543.7本发明公开了一种基于神经网络的燃煤机组氮氧化物排放浓度预测方法，先对燃煤机组的关键运行参数机组负荷、SCR入口NOx折算浓度、SCR入口烟气温度、喷氨流量、排口NOx折算浓度进行预处理，然后建立BP神经网络，将机组负荷、SCR入口NOx折算浓度、SCR入口烟气温度、喷氨流量作为输入值，将排口NOx折算浓度作为输出值，得到燃煤机组氮氧化物排放浓度预测值。本发明极大地降低了工作人员的工作量，降低了维护成本。其存在的不足是选取的特征为与输出测点NOx含量有明显关联性的参数，需要对建模的输入选择关键的影响因素特征，如负荷、NOx入口浓度、SCR入口烟气温度等，且该申请是针对燃煤机组的，其检测数据值较大，预测误差较大，对后续控制有较大影响。

发明内容

针对现有技术存在的问题，本发明提供了一种针对燃气机组的误差小、准确率高的基于LSTM深度学习的燃机NOx超标预警方法，以及利用该方法的装置。

本发明是这样实现的，一种基于LSTM深度学习的燃机NOx超标预警方法，其特征在于：包括以下步骤：

步骤一：获取燃机历史运行数据，并对历史数据进行预处理；

步骤二：根据预处理后的历史数据划分模型训练集与测试集，并以训练集为基础，构造NOx排放为输出的LSTM预测模型；

步骤三：利用测试集数据输入到燃机NOx排放模型，对比NOx排放实际值与预测值偏差是否在合理范围内，并判断模型是否有效；若无效则进行步骤四；若有效满足则保存模型结束；

步骤四：调节LSTM的网络层数、学习率等超参数，调节后重新利用训练数据进行建模预测，直到NOx预测值与实际值偏差在合理范围内；

步骤五：利用LSTM预测模型对实时数据进行预测，当NOx含量达到50ppm时，提前发出NOx环保预警。

其中优选方案是：