[发明专利]基于EMD-LSTM的出口SO2

权利要求书

1.一种基于EMD-LSTM的出口SO2浓度预测方法，其特征在于，包括如下步骤：

步骤1：采集与出口SO2浓度相关的变量，获得初始变量；

步骤2：通过LASSO算法对初始变量进行筛选，去除掉冗余变量后获得输入变量；

步骤3：通过互信息算法对输入变量进行时间延迟补偿；

步骤4：通过EMD算法对所选输入变量进行分解，获得平稳信号作为模型输入变量；

步骤5：采用LSTM神经网络建立预测模型，输入模型输入变量，获得SO₂浓度的预测数据。

2.根据权利要求1所述的基于EMD-LSTM的出口SO₂浓度预测方法，其特征在于，步骤1中，初始变量包括脱硫塔PH值、石灰石浆液供浆流量、入口烟气流量、入口SO₂浓度、机组负荷、浆液箱密度、锅炉总风量、吸收塔液位、氧化风机的电流、母管浆液密度、供浆泵电机变频速度、循环泵电流和入口烟气含氧量。

3.根据权利要求2所述的基于EMD-LSTM的出口SO₂浓度预测方法，其特征在于，步骤2中，经过LASSO算法的筛选，获得脱硫塔PH值、石灰石浆液供浆流量、入口烟气流量和入口SO₂浓度。

4.根据权利要求1所述的基于EMD-LSTM的出口SO₂浓度预测方法，其特征在于，步骤2中，LASSO算法通过最小二乘回归模型对初始变量和目标变量进行拟合预测，再通过误差函数进行最小化求解并压缩贡献小的变量，以实现变量筛选的目的。

5.根据权利要求1所述的基于EMD-LSTM的出口SO₂浓度预测方法，其特征在于，步骤3中，互信息算法通过计算各个输入变量前600s内与输出变量的互信息，进而获得互信息最大时所对应的时间值，通过时间值对输入变量进行时间延迟补偿。

6.根据权利要求1所述的基于EMD-LSTM的出口SO₂浓度预测方法，其特征在于，步骤4中，

EMD算法对所选输入变量进行分解包括提取原始信号中有效特征信息并对非平稳信号进行平稳化处理：

步骤4.1：获得原始信号x(t)所有的极值点；

步骤4.2：拟合出上下极值点的包络线，并求解出上下包络线的平均值m(t)，在x(t)中减去上下包络线的平均值m(t)，得到一个剩余信号h(t)＝x(t)-m(t)；

步骤4.3：判断剩余信号h(t)是否为固有模态函数IMF；

步骤4.4：如果不是，以h(t)代替x(t)，重复以上步骤4.1-4.3，直到h(t)满足判据，则h(t)为需要提取的IMF分量c(t)；

步骤4.5：每得到一阶IMF，就从原信号中扣除它，重复以上步骤；

步骤4.6：当信号最后剩余部分r(t)为单调序列或者常值序列时，停止循环，得到最终的IMF分量和一残余分量。

7.根据权利要求6所述的基于EMD-LSTM的出口SO₂浓度预测方法，其特征在于，步骤5中，LSTM神经网络预测模型包括上一个细胞层的输出模块y_t-1、外部输入模块x_t、sigmod函数σ和新细胞状态值产生模块tanh。

8.根据权利要求4所述的基于EMD-LSTM的出口SO₂浓度预测方法，其特征在于，步骤2包括：

设一个线性回归模型：

Y＝β₀+β₁X₁+β₂X₂+...+β_pX_p……(1)，

其中β为对预测因子X的系数估计，Y为目标函数，p表示回归模型中输入变量的个数，针对复杂问题进行回归分析，将拟合过程中出现的损失函数，称为残差平方和RSS，其公式如下：

其中，式子中j表示单次训练中输入变量的个数，n表示回归模型中训练样本的个数，i用来表示当前时刻的训练样本，y_i则表示当前回归模型的目标函数，在损失函数的公式中加入L1正则项，此时的公式如下：

通过不断优化求解，损失函数逐渐趋近0，式中λ为正则化系数。