[发明专利]一种基于机器学习算法的烟气脱硫二氧化硫浓度预测方法

权利要求书

1.一种基于机器学习算法的烟气脱硫二氧化硫浓度预测方法，其特征在于：所述方法包括以下步骤：

S1：采集湿法烟气脱硫装置历史运行数据作为样本集数据；

S2：把S1中采集得到的样本集数据整理成机器学习需要的类型和格式，并通过数据清洗形成机器学习的样本数据；

S2-1：删除样本集中的缺失值，并从小到大进行排序，得到各参数的序列{X₁,X₂,X₃,……X_n}；

S2-2：令Q_L＝X_(n/4),Q_U＝X_(3n/4),IQR＝Q_U-Q_L；n/4、3n/4四舍五入取整数；

Q_L为下四分位数；Q_U为上四分位数；IQR为四分位距；

X_(n/4)、X_(3n/4)均为数列{X₁,X₂,X₃,……X_n}对应的值；

S2-3：去除S2-1序列中大于Q_U+1.5IQR和小于Q_L-1.5IQR的值，生锈的数据构成新的新的数据样本供机器学习使用；

S3：根据湿法脱硫装置烟气数据、吸收喷淋液数据与出口SO₂浓度的关联性，建立机器学习算法模型；

S3-1：以20条时间序列为一组输入序列，其中每个时间节点hi都是通过树形网络结构所计算得到,其算法公式如下：

f_i＝σ(w_ix_t+b_i)

f_t＝σ(w_fh_i-1+b_f)

p_i＝tanh(w_p[h_i-1；x_t]+b_p)

o_t＝tanh(w_o[h_i-1；x_t]+b_o)

h_i＝tanh(f_t*o_t+p_i*f_i)

其中f_i是一种映射关系，是记录现在时刻的信息；

σ是sigmoid函数，其公式如下：

x_t为本时刻输入的特征信息；

f_t是一种映射关系；

h_i-1是上一时刻的信息矩阵运算结果；

[h_i-1；x_t]表示前一时刻的计算结果和现时刻的特征信息相拼接；

tanh函数如下：

*表示矩阵点乘运算；

Wt,Wf,Wo,Wp,bt,bf,bo,bp都为参数矩阵；

S3-2：引入Attention机制，在输入时间序列时，更多的注意上一时间段中不同时间点的信息，记录时间更长的信息；其中Attention是一种选择机制，把对当前节点最相关的位置信息选出来；

每个节点的分数值为输入序列的隐藏状态hi(h₁,h₂…h_k)(k为每次迭代所输入的信息个数)和上个节点h_i-1的乘积，把该分数值进行softmax加权计算：公式如下：

所述公式为归一化指数函数，指有限项离散概率分布的梯度对数归一化；

表示k从1取值到T，T为输入时间序列的长度；

表示求和；

exp(e_t)表示指数函数e的多少次方；

其中e_k＝h_i

S3-3：提取前5-30分钟(优选10-15分钟)的所有输入特征的均值，此时相关性最大，其公式如下：

a(h_j)＝tanh(WX+B)

W,B为参数矩阵，提取出脱硫塔前十分钟的运行状态，

a(h_j)为前映射后的结果；

其中h_j为前5-30分钟(优选10-15分钟)特征的平均值输入；

X为前10钟特征参数平均值；

S3-4：通过公式：

计算得到最终结果，即出口二氧化硫浓度；

其中m为选择信息参数矩阵；

S4：利用S2的数据训练步骤3建立的算法模型；通过测试调整算法模型参数，提高结果的准确性和精度；

S5：输入实时运行的数据，利用S4获得的算法模型预测湿法烟气脱硫装置出口SO₂浓度；得到的预测结果就是湿法烟气脱硫装置出口SO2浓度；

S6：对S5的预测结果进行判断，若超出设定值则输出一个报警事件，并保存算法模型进入下一次预测；若未超设定值则与实测值进行对比；

设定值是指脱硫装置出口SO₂浓度控制值，目前执行的超低排放标准是35mg/m³；

S7：当实测值与预测值相符，则保存算法模型进入下一次预测；若实测值与预测值不相符，则该组运行数据进入历史数据库，重新进行算法模型；待训练、测试，迭代后的算法模型用于S5湿法烟气脱硫装置出口SO₂浓度的预测；

训练、测试是指重复本S3、S4步骤所述工作内容；

迭代是指利用S7规则构成历史数据库并重复S2～S4步骤得到新的算法模型来替换原算法模型的过程。