[发明专利]一种基于深度神经网络的水泥生产线烟气NOx浓度预测方法

权利要求书

1.一种基于深度神经网络的水泥生产线烟气NO_x浓度预测方法，其特征在于，包括如下步骤：

步骤S1：根据NO_x产生机理结合水泥生产线工艺流程，筛选预测NO_x浓度的相关变量；

步骤S2：从水泥企业数据库下载筛选的变量数据并进行预处理，通过滑动窗口的方式使各变量数据形成数列，以将各变量数据包含的时延特征隐含在模型的输入数列中；

步骤S3：通过无监督训练和有监督训练结合的方式，将输入数据的时延特征和输出数据的对应关系特征提取并保存至DNN网络的参数中，建立NO_x预测模型；

步骤S4：结合历史数据与NO_x预测值滚动预测出未来一段时间的NO_x浓度值。

2.根据权利要求1所述的基于深度神经网络的水泥生产线烟气NO_x浓度预测方法，其特征在于，相关变量包括输入变量和输出变量，其中输入变量包括喂料量X₁，氨水流量X₂，窑电流平均值X₃，分解炉喂煤量X₄，二次风温X₅，一级筒出口温度X₆，窑尾温度X₇，一级筒O2含量X₈，脱硝供氨泵频率X₉，窑头喂煤量X₁₀，分解炉出口温度X₁₁，烟囱口NO_x浓度X₁₂；输出变量包括烟囱口NO_x浓度Y。

3.根据权利要求2所述的基于深度神经网络的水泥生产线烟气NO_x浓度预测方法，其特征在于，步骤S2中，使用滑动窗口将所选变量数据按式(1)～(4)形成输入输出数据，各输入变量数列表示为：

X_i(t)＝{X_i(t-k-m,t-k)},i＝1,2,3,…11 (1)

X₁₂(t)＝{X₁₂(t-n,t)} (2)

网络输入层的输入数列为：

X(t)＝{X₁(t),X₂(t),X₃(t),……,X₁₂(t)} (3)

网络输出层为：

Y(t+1)＝X₁₂(t+1) (4)

式(1)～(4)中t为预测时刻，X(t)和Y(t+1)分别表示输入层、输出层的数据，k值小于最小时延时间，X_i(t-k-m，t-k)表示X_i变量从t-k-m时刻到t-k时刻的时间序列，m为时间长度，X₁₂(t-n，t)表示X₁₂变量从t-n时刻到t时刻的时间序列，n为时间长度，X₁₂(t+1)表示用下一时刻的NO_x浓度值作为t时刻输入的标签数据。

4.根据权利要求3所述的基于深度神经网络的水泥生产线烟气NO_x浓度预测方法，其特征在于，步骤S3具体包括：令DNN网络训练过程的输入数据为X(t)＝{X₁(t),X₂(t),X₃(t),……,X₁₂(t)}，输出数据为Y(t+1)＝X₁₂(t+1)；将DNN的输入层和隐含层作为DBN进行无监督训练，从而提取输入数据中包含的各变量的时延特征，并将提取的特征保存在DNN输入层和隐含层的初始权值上；将保存了输入数据时延特征的DBN与输出层连接，通过BP算法反向微调DNN网络参数，从而使输出数据的对应关系特征保存在模型的网络参数中；最终建立NO_x预测模型，DNN网络的层数与每层的神经元根据变量数据的具体情况进行设置。

5.根据权利要求4所述的基于深度神经网络的水泥生产线烟气NO_x浓度预测方法，其特征在于，步骤S4具体包括：

使用式(5)～(7)把历史数据与NO_x预测值结合，滚动预测未来一段时间的NO_x浓度值，各输入变量数列由式(1)(2)变为：

网络输入层数列由式(3)变为：

式(6)中，为t+1时刻的NO_x预测值，将数列X¹(t)输入NO_x预测模型即得到t+2时刻的NO_x预测值不断重复式(5)～(7)过程，得到k+1个NO_x预测值，从而实现t至t+k+1时刻的NO_x浓度预测。