[发明专利]一种基于遗传算法与卷积网络的氮氧化物排放预测方法及设备

权利要求书

1.一种基于遗传算法与卷积网络的氮氧化物排放预测方法，其特征在于，包括：

构建氮氧化物排放预测模型；

所述氮氧化物排放预测模型包括变量选择超参数设定模块、变量滞后超参数设定模块、卷积网络回归模型超参数设定模块及参数寻优模块；其中，所述参数寻优模块基于遗传算法，对所述变量选择超参数设定模块设定的变量选择超参数、变量滞后超参数设定模块设定的变量滞后超参数、卷积网络回归模型超参数设定模块设定的卷积网络回归模型超参数进行参数寻优，基于寻优结果确定氮氧化物排放预测模型；

获取历史锅炉运行数据，筛选锅炉异常运行数据，作为训练数据对所述氮氧化物排放预测模型进行训练；

实时获取锅炉运行数据，输入训练完成的氮氧化物排放预测模型，输出结果作为氮氧化物排放预测结果。

2.根据权利要求1所述的基于遗传算法与卷积网络的氮氧化物排放预测方法，其特征在于，所述历史锅炉运行数据为指定时间间隔内锅炉运行产生的数据，至少包括给煤量、一次风量、二次风量、排烟氧含量、锅炉负荷、炉膛温度、烟气量、烟气温度、脱销反应器入口NOx浓度。

3.根据权利要求2所述的基于遗传算法与卷积网络的氮氧化物排放预测方法，其特征在于，在筛选锅炉异常运行数据的步骤中，包括步骤：

沿时间轴将所述历史锅炉运行数据划分为若干等长区间，计算在任一等长区间内所述历史锅炉运行数据中每一类型数据的波动幅度；

若对应数据的波动幅度满足预设条件，则将对应等长区间内对应类型数据作为锅炉异常运行数据；

重复进行多次筛选，得到第一样本数据。

4.根据权利要求3所述的基于遗传算法与卷积网络的氮氧化物排放预测方法，其特征在于，所述变量选择超参数设定模块用于构建变量组合映射字典；具体包括：

定义所述氮氧化物排放预测模型的模型相关变量为基础变量和寻优变量；其中，所述基础变量包括锅炉负荷Steam、给煤量Coal、总风量Wind、排烟氧含量O2，寻优变量包含一次风量Wind1、二次风量Wind2、炉膛温度BoilerTem、烟气量Gas、烟气温度GasTem；

模型相关变量选择策略为基础变量+寻优变量；根据组合递推，确定模型的变量组合类型，建立变量组合映射字典；

根据变量组合映射字典，确定变量选择超参数，并对所述第一样本数据进行特征过滤，得到第二样本数据。

5.根据权利要求4所述的基于遗传算法与卷积网络的氮氧化物排放预测方法，其特征在于，所述变量滞后超参数设定模块用于消除锅炉运行生产过程中产生的延时特性；

其中，若当前为t时刻，第二样本数据中的变量滞后参数为t1，则表明[t-t1，t]时刻的变量均会对当前时刻的NOx生成产生影响，[t-t1，t]时刻变量均作为输入数据；

若当前为t时刻，预测变量NOx存在测量延时t2，则表明当前时刻NOx测量值实际为t-t2时刻生产数据，需将第二样本数据进行平移处理，即t时刻NOx数据对应t-t2时刻生产的数据；

建立变量滞后超参数，表示第二样本数据中各变量类型的滞后参数集合，根据自变量及预测变量延时参数对第二样本数据进行预处理，得到用于训练模型的样本数据。

6.根据权利要求5所述的基于遗传算法与卷积网络的氮氧化物排放预测方法，其特征在于，所述卷积网络回归模型包括：

第一卷积层、第二卷积层、池化层、Flatten层、Dropout层、全连接层及输出层；

其中，第一卷积层为线性激活函数，第二卷积层为非线性激活函数；

则设定卷积网络回归模型超参数包括：第一卷积核数量、第一卷积层大小、第二卷积核数量、第二卷积层大小、非线性激活函数参数及池化参数。