[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

说明书

本发明提出一种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，该方法利用循环流化床电厂DCS系统采集的运行数据，采用邻域粗糙集方法对影响NOx生成的参数进行选择，提取出数据建模的输入参数集合，通过该算法的特征选择，去掉了其中的冗余信息，保留了原始信息中的重要特征关系，进而降低了数据模型的输入量个数，减少了模糊规则的数目；通过模糊神经网络建立输入参数与NOx生成量之间的非线性映射关系，充分结合了模糊推理，直观了解影响NOx生成的调节规律，积累控制NOx排放的调节经验，可进一步作为锅炉燃烧优化和SCR脱硝系统精准喷氨优化的参考基础。

技术领域

本发明涉及机器学习技术领域，尤其涉及一种基于邻域粗糙集与模糊神经网络的NOx排放预测方法、装置、设备、存储介质。

背景技术

循环流化床机组作为污染物气体的主要排放源，对其建立精确的污染物气体排放预测模型具有重要的节能减排意义。而氮氧化物NOx作为燃烧排放过程中危害性最大的污染物，必须得到进一步的重视。

循环流化床复杂的燃烧过程，使影响NOx生成的因素也呈现出很强的耦合性，因此很难建立准确的机理模型，如今大都采用了数据建模方法。利用现场测量数据结结合人工智能方法建立了预测NOx排放的神经网络模型、支持向量机模型、长短期记忆神经网络模型等。尽管各预测模型都表现出不错的预测效果，但数据驱动类模型皆为黑箱模型，不易得知影响NOx排放的运行规律，不利于运行人员从中得到更具指导意义的预防NOx气体排放的调节措施。此外，面对高维数据时，建模过程和模型训练时间都会持续增加，影响模型及时预测的需求。

发明内容

本发明提供一种基于邻域粗糙集与模糊神经网络的NOx排放预测方法、装置、设备、存储介质，旨在实现不同运行条件下循环流化床机组NOx生成量的精准预测。

为此，本发明的第一个目的是提出一种基于邻域粗糙集与模糊神经网络的NOx排放预测方法，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特征参数进行筛选，去除其中重要度较低的特征参数；将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，通过模型训练集数据对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NOx排放预测模型中，输出结果即为对应的NOx生成浓度预测。

其中，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。

其中，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。

其中，通过邻域粗糙集算法对特征参数进行筛选，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：