[发明专利]基于邻域粗糙集与模糊神经网络的NOx排放预测方法及设备

权利要求书

1.一种基于邻域粗糙集与模糊神经网络的NOx排放预测方法，其特征在于，包括：

从循环流化床锅炉机组DCS系统中采集指定时间段内NOx浓度历史数据及对应的与NOx生成有关的历史运行参数；其中，将NOx浓度历史数据标记为目标参数，对应的与NOx生成有关的历史运行参数标记为特征参数；

通过邻域粗糙集算法对所述特征参数进行筛选，去除其中重要度较低的特征参数；将所述目标参数和筛选后的特征参数作为模型训练集数据；

基于Takagi-Sugeno的模糊神经网络建立NOx排放预测模型，通过所述模型训练集数据对所述NOx排放预测模型进行训练；

将待预测时间段内采集的筛选后的特征参数输入训练完成的所述NOx排放预测模型中，输出结果即为对应的NOx生成浓度预测。

2.根据权利要求1所述的基于邻域粗糙集与模糊神经网络的NOx排放预测方法，其特征在于，对应的与NOx生成有关的历史运行参数的类型至少包括：煤质、机组负荷、烟气量、烟温、主蒸汽流量、一二次风门挡板开度、一二次风压、一二次风风量、每台给煤机转速、给煤量及配风方式。

3.根据权利要求1所述的基于邻域粗糙集与模糊神经网络的NOx排放预测方法，其特征在于，在采集数据的步骤之后，还包括对数据进行预处理的步骤；具体包括：

缺值补全；其中，单点缺值时利用该点前后数据进行均值补全，连续多点缺值时利用插值法进行补全；

坏值剔除；

数据归一化；其中，数据归一化方法如下公式：

式中的x表示特征参数。

4.根据权利要求3所述的基于邻域粗糙集与模糊神经网络的NOx排放预测方法，其特征在于，通过邻域粗糙集算法对所述特征参数进行筛选，去除其中重要度较低的特征参数的步骤中，

设一信息系统IS＝＜U,A,V,f＞；其中，A表示属性集合；V表示值域，f:U×A→V为一函数，表示样本与属性值之间的映射关系；C为条件属性；D为决策属性；且A＝C∪D；则对于任一x_i∈U,定义其邻域为：

δ(x)＝{y∣Δ(x,y)，，δ,y∈U}

其中，δ为邻域半径；δ(x)为x的邻域粒子；Δ采用P范数距离函数：

基于上述计算结果，得到所述特征参数的邻域粗糙集上、下近似与边界：

基于邻域粗糙集算法的属性约简过程是通过判别属性在决策系统中的必要性而实现，具体实现途径中需要计算属性重要度。假定若满足γ_B(D)≠γ_B-{a}(D)，则表明属性a在集合B中对决策属性D是必要的。如果集合B中的任意一个属性a都存在如此关系，那么集合B相对于D是独立的。其中，γ_B(D)为属性依赖度，可通过下式计算得到：

当a∈C-B，那么a相对于B和D的属性重要度为：

SIG(a,B,D)＝γ_B(D)-γ_B-(a)(D)

综合上述邻域粗糙集与属性约简算法定义，依据属性重要度信息，采用向前添加条件属性的方式得到影响NOx排放的特征参数约简集合。