[发明专利]一种基于CNN-LSTM的湿法脱硫出口SO2

说明书

本发明涉及一种基于CNN‑LSTM的湿法脱硫出口SO₂浓度预测方法，包括如下步骤：步骤1：采集数据，测量并记录与出口SO₂浓度相关的变量，获得初始变量；步骤2：数据筛选，通过随机森林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：采用CNN‑LSTM神经网络建立预测模型，并结合注意力机制，输入模型的输入变量，获得SO₂浓度的预测数据；步骤4，对预测的结果进行评价分析，验证预测的有效性。本发明涉及火电厂机组烟气脱硫领域。本发明具有减少SO₂的排放量，达到保护环境的效果。

技术领域

本发明涉及火电厂机组烟气脱硫领域，尤其是涉及一种基于CNN-LSTM的湿法脱硫出口SO₂浓度预测方法。

背景技术

目前，火力发电量仍占我国总发电量的70％以上，燃煤是火力发电的主要能源，但是煤的燃烧会产生大量SO₂气体，对环境造成极大地污染。因此，对燃烧后的烟气进行脱硫处理，控制SO₂的排放是电力行业面临的重要问题。

当前大部分燃煤电厂使用的都是石灰石-石膏湿法脱硫技术，这种方法具有成本低，脱硫效率较高的优点，但也存在扰动较大、非线性强、延迟较大等缺点。当工况发生波动时，由于时间延迟，出口处的SO₂值变化不能被及时的检测跟踪，运行人员难以做出准确的供浆量调控，可能会导致排放的SO₂量增大，超出标准，对大气造成污染。

发明内容

根据现有技术存在的不足，本发明的目的是提供一种基于CNN-LSTM的湿法脱硫出口SO₂浓度预测方法，具有减少SO₂的排放量，达到保护环境的效果。

本发明的上述技术目的是通过以下技术方案得以实现的：

一种基于CNN-LSTM的湿法脱硫出口SO₂浓度预测方法，包括如下步骤：

步骤1：采集数据，测量并记录与出口SO₂浓度相关的变量，获得初始变量Y；

步骤2：数据筛选，通过随机森林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：采用CNN-LSTM神经网络建立预测模型，并结合注意力机制，输入模型的输入变量，获得SO₂浓度的预测数据；

步骤4，对预测的结果进行评价分析，验证预测的有效性。

本发明在一较佳示例中可以进一步配置为：在所述步骤1中，初始变量包括实发功率、原烟气折算后SO₂含量、一级FGD入口原烟气CEMS测温度、烟囱出口净烟气CEMS测温度、一级FGD入口原烟气流量、一级FGD入口原烟气O₂、一级吸收塔石膏浆液密度、一级吸收塔石膏PH值、一级吸收塔循环泵A电动机电流、一级吸收塔循环泵B电动机电流、一级吸收塔循环泵C电动机输入电流、脱硫一级吸收塔C浆液循环泵电机变频输出电流、一级吸收塔氧化风机A电动机电流及一级吸收塔氧化风机B电动机电流。

本发明在一较佳示例中可以进一步配置为：在所述步骤2中，经过随机森林算法的筛选，获得实发功率、烟气折算后SO₂含量、一级吸收塔循环泵C电动机输入电流、一级FGD入口原烟气CEMS测温度、一级吸收塔石膏PH值、一级FGD入口原烟气流量、一级吸收塔氧化风机B电动机电流及脱硫一级吸收塔C浆液循环泵电机变频输出电流。

本发明在一较佳示例中可以进一步配置为：在所述步骤2中，随机森林算法通过袋外数据(out of bag)法对各个特征的重要度进行评估。