[发明专利]基于EMD-LSTM的出口SO2

说明书

本发明提出一种基于EMD‑LSTM的出口SO₂浓度预测方法，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。本发明所述预测方法能够能够有效提升模型的精度并防止模型过拟合，以提供预测的准确性。

技术领域

本发明涉及污染物监测技术领域，具体涉及一种基于EMD-LSTM的出口SO₂浓度预测方法。

背景技术

中国是以煤为主要能源的国家，燃煤产生的SO₂会对环境造成极大的污染。燃煤电厂是SO₂排放大户，近年来，由于我国对燃煤电厂SO₂的排放要求日益严格，控制SO₂出口浓度减少对环境的破坏，是当前所有电力企业面临的主要问题。

目前燃煤电厂脱硫系统大部分采用的都是石灰石-石膏湿法脱硫系统，该系统具有脱硫效率高，成本低等优点，但由于脱硫塔内反应复杂，受影响因素较多，且系统存在大迟延、大惯性等问题。当工况发生波动时，测量SO₂的仪器并不能及时反映SO₂浓度的变化，导致运行人员不能及时对SO₂浓度变化做出调整，因此，需要对脱硫塔出口SO₂浓度进行预测，从而为运行人员及时调整脱硫系统参数提供一定的参考，实现供浆量的超前控制，保证SO₂的超低排放和脱硫系统运行的经济性与稳定性。

针对现有技术存在的上述技术问题，本发明提供一种基于EMD-LSTM的出口SO₂浓度预测方法。

发明内容

本发明提供一种基于EMD-LSTM的出口SO₂浓度预测方法。

为了实现本发明的目的，采用如下技术方案：

一种基于EMD-LSTM的出口SO₂浓度预测方法，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。

进一步地，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。

进一步地，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。

进一步地，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。

进一步地，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。