[发明专利]一种基于LSTM的SCR出口氮氧化物浓度预测方法

说明书

本发明公开了一种基于LSTM的SCR出口氮氧化物浓度预测方法，采用改进的互信息特征选择算法（BMIFS），考虑相关性和冗余性进行辅助变量筛选，基于最终确定的辅助变量建立LSTM预估模型。本发明提出的基于BMIFS‑LSTM的SCR出口NO_x浓度预估模型拥有更好的预估精度和拟合效果，解决了常规LSTM算法由于建模时的输入变量存在诸多冗余或者不相关变量，导致预估结果偏差较大，效果较差的问题。

技术领域

本发明涉及一种基于LSTM(长短期记忆网络)的SCR出口NO_x浓度预测方法，将SCR脱硝系统出口的NO_x浓度作为研究对象，准确反映SCR出口NO_x浓度的实时变化，进而及时地指导反应器动作。

背景技术

在我国电力市场中，燃煤火力发电一直占主导地位，火电厂燃煤锅炉焚烧产生的NO_x是大气污染物的主要来源之一。煤炭作为火电厂发电的主要能源，其在锅炉内焚烧过程中会产生大量的氮氧化物，通常将其统称为NO_x。在自然界中，雨和雪的形成以及降落过程中，会吸收空气中NO_x等物质，进而形成酸雨造成建筑腐蚀，农作物死亡等恶劣结果。同时，NO_x还会在太阳光(紫外线)的作用下同其它一些污染物产生光化学反应，产生二次混合污染物，即光化学烟雾污染。随着国内环保意识的逐日增强，烟气脱硝优化被提上日程。

最近几年，长短期记忆神经网络(LSTM)在处理大数据方面取得了引人瞩目的成果。其不仅能做到传统神经网络那样经过学习训练，抽取特征，然后通过组织底层特征构建高层特征，并最后得到数据之下的分布特性，更重要的是，LSTM在其神经元中加入了状态门，可以对海量数据进行筛选处理，有效的解决了梯度消失和梯度爆炸问题，提高了大数据的处理能力。

针对脱硝，目前大部分火电厂均采取选择性催化还原(SCR)技术来实现，从而减少NO_x的排放。对于烟气中的氮氧化物含量，各厂一般利用烟气自动监控系统对其浓度进行实时测量，但该系统在进行测量时会有较大的迟延，不能准确反映SCR出口NO_x浓度的实时变化，进而无法及时地指导反应器动作。

发明内容

本发明的目的是为了解决现有技术中存在的缺陷，提供一种基于LSTM的SCR出口NO_x浓度预测方法，具有良好的预估精度、且能够准确反映SCR出口NO_x浓度的实时变化。

为了达到上述目的，本发明提供的技术方案如下：

一种基于LSTM的SCR出口氮氧化物浓度预测方法，采用改进的互信息特征选择算法(BMIFS)，考虑相关性和冗余性进行辅助变量筛选，基于最终确定的辅助变量建立LSTM预估模型。

本发明采用改进的互信息特征选择算法，以保证辅助变量筛选时的相关性以及冗余性，以此建立LSTM预估模型，具有更好的预估精度和拟合效果。

进一步的，上述改进的互信息特征选择算法在循环挑选辅助变量过程中，考虑已选变量个数|S|，将1/|S|作为权重，同时将待选变量和主导变量之间的关联性加入到待选变量之间的关联性当中。解决了MIFS算法存在的缺陷。

进一步的，该改进的互信息特征选择算法的表达式如下：

上式中，|S|表示已选特征变量个数；MR是在已选变量集S中，f_i相对S_j的最小冗余量，其公式如下：