[发明专利]一种NOx浓度预测模型的训练方法、预测方法和装置

说明书

本申请公开了一种NOx浓度预测模型的训练方法、预测方法和装置，该训练方法包括：获取从SCR脱硝系统的分散控制系统采集的训练数据；基于XGBoost算法和相关性分析，从训练数据中进行特征选择，得到训练特征集和验证特征集；将训练特征集中的训练特征作为输入参数、训练特征对应的训练NOx预测浓度作为输出结果，对预置神经网络进行训练，得到初始预测模型；将验证特征集中的验证特征作为输入参数输入至初始预测模型，得到初始预测模型输出的验证NOx预测浓度；计算验证特征对应的验证NOx实际浓度和验证NOx预测浓度之间的预测误差；根据预测误差对初始预测模型进行调整，得到训练好的目标预测模型。解决了现有对NOx浓度预测时预测模型的预测精度不高的技术问题。

技术领域

本申请涉及SCR烟气脱硝技术领域，尤其涉及一种NOx浓度预测模型的训练方法、预测方法和装置。

背景技术

随着大气污染问题日益凸出，火电机组的大气污染物排放已纳入严格监管。传统的低NOx(Nitric Oxide，氮氧化物)燃烧控制很难满足排放标准，需配合尾部的烟气脱硝装置，其中，SCR烟气脱硝技术的使用较为广泛。

在使用SCR烟气脱硝技术的过程中，需要对排放的NOx浓度进行预测，采用的预测模型通常是RBF预测模型、LSSVM预测模型、RNN预测模型，但是上述预测模型的预测精度不高，预测到的NOx浓度与实际排放的NOx浓偏差较大。

发明内容

有鉴于此，本申请提供了一种NOx浓度预测模型的训练方法、预测方法和装置，解决了现有对NOx浓度预测时预测模型的预测精度不高的技术问题。

本申请第一方面提供了一种NOx浓度预测模型的训练方法，包括：

获取从SCR脱硝系统的分散控制系统采集的训练数据；

基于XGBoost算法和相关性分析，从所述训练数据中进行特征选择，得到用于训练的训练特征集和用于验证的验证特征集；

将所述训练特征集中的训练特征作为输入参数、所述训练特征对应的训练NOx预测浓度作为输出结果，对预置神经网络进行训练，得到初始预测模型；

将所述验证特征集中的验证特征作为输入参数输入至所述初始预测模型，得到所述初始预测模型输出的验证NOx预测浓度；

计算所述验证特征对应的验证NOx实际浓度和所述验证NOx预测浓度之间的预测误差；

根据所述预测误差对所述初始预测模型进行调整，得到训练好的目标预测模型。

优选地，所述预置神经网络为LSTM神经网络。

优选地，所述LSTM神经网络包括：输入层、隐层和输出层；

所述输入层、所述隐层和所述输出层均包含128个节点。

优选地，根据所述预测误差对所述初始预测模型进行调整，得到训练好的目标预测模型具体包括：

基于Adam算法和所述预测误差，确定用于调整所述初始预测模型的调整参数；

基于所述调整参数对所述初始预测模型进行调整，得到训练好的目标预测模型。

优选地，所述训练特征集中的训练特征包括：喷氨质量流量、锅炉负荷、SCR入口烟气温度、SCR入口烟气含氧量、SCR入口NOx质量浓度、SCR脱硝效率。

本申请第二发明提供了一种NOx浓度预测模型的预测方法，所述NOx浓度预测模型为通过如上述第一方面所述的NOx浓度预测模型的训练方法训练得到的；

获取用于预测的待分析特征；

将所述待分析特征输入至所述NOx浓度预测模型中，得到所述NOx浓度预测模型输出的预测NOx浓度。