[发明专利]一种基于随机森林和LSTM神经网络的SCR脱硝喷氨量预测方法

权利要求书

1.一种基于随机森林和LSTM神经网络的SCR脱硝喷氨量预测方法，其特征在于，包括以下步骤：

步骤1、基于历史数据，利用SCR出口烟气NO_x浓度和其他氨气流量相关参数作为LSTM神经网络预测模型的输入，氨气流量作为LSTM神经网络预测模型的输出，训练LSTM神经网络预测模型；其他氨气流量相关参数为：机组负荷、氨/空混合气压力、SCR入口烟气NO_x浓度、SCR入口烟气温度、SCR入口烟气压力、SCR入口烟气流量、SCR出口烟气温度、SCR出口烟气压力和SCR出口烟气流量；

步骤2、基于历史数据，利用氨气流量和其他氨气流量相关参数作为随机森林模型的输入，SCR出口烟气NO_x浓度测量值作为随机森林模型的输出，训练随机森林模型；

步骤3、对于实测数据，通过LSTM神经网络预测模型进行氨气流量预测，随后将通过LSTM神经网络预测模型得到的氨气流量预测值和其他氨气流量相关参数作为随机森林模型的输入，得到SCR出口烟气NO_x浓度预测值；

步骤4、将由步骤3得到的SCR出口烟气NO_x浓度预测值与SCR出口烟气NO_x浓度实测值进行比对，并通过计算均方根误差RMSE的方式计算预测误差，设置误差阈值，验证LSTM神经网络预测模型输出的氨气流量预测值是否准确；

步骤5、LSTM神经网络预测模型和随机森林模型建立完毕，并且通过步骤4验证LSTM神经网络预测模型的准确性：若由步骤4计算得到的预测误差不大于误差阈值，则以LSTM神经网络预测模型的氨气流量预测值来指导喷氨量控制；若由步骤4计算得到的预测误差大于误差阈值，则采集更多历史数据，返回执行步骤1～步骤4，重新训练LSTM神经网络预测模型和随机森林模型，直至由步骤4计算得到的预测误差小于等于误差阈值。

2.根据权利要求1所述基于随机森林和LSTM神经网络的SCR脱硝喷氨量预测方法，其特征在于：所述步骤1中历史数据为采用设定SCR出口烟气NO_x浓度目标的方式进行脱硝控制时产生的数据；按照不同SCR出口烟气NO_x浓度设定值对历史数据进行分类，在每一类中选取适量数据用于构建LSTM神经网络预测模型。

3.根据权利要求1所述基于随机森林和LSTM神经网络的SCR脱硝喷氨量预测方法，其特征在于：所述步骤2中历史数据为采用设定SCR出口烟气NO_x浓度目标的方式进行脱硝控制时产生的数据；按照不同SCR出口烟气NO_x浓度测量值对历史数据进行分类，在每一类中选取适量数据用于构建随机森林预测模型。

4.根据权利要求1所述基于随机森林和LSTM神经网络的SCR脱硝喷氨量预测方法，其特征在于，所述步骤4中均方根误差RMSE的计算方法为：

上式中，为数据长度，表示时刻SCR出口烟气NO_x浓度预测值，表示时刻SCR出口烟气NO_x浓度实测值。

5.根据权利要求1所述基于随机森林和LSTM神经网络的SCR脱硝喷氨量预测方法，其特征在于，所述步骤5后还有：

步骤6、随着数据的更新，每更新预定数量的历史数据后，重新构造并训练LSTM神经网络预测模型和随机森林模型。