[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

说明书

本发明提出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，该方法基于历史运行数据，将变量选择、变量影响的延时滞后特性、预测模型调优过程转化为一个综合的函数优化问题，利用遗传算法对各个环节的参数进行寻优，根据最优解所对应的函数解空间确定模型结构，解决了测量时间滞后引起的变量选择及模型调优所导致的局部最优解问题，使得预测模型能够更充分挖掘NOx生成规律，进而为脱销控制提供更为精准的支撑。

技术领域

本发明涉及燃煤火力发电技术领域，尤其涉及一种基于遗传算法与卷积网络的氮氧化物排放预测方法、装置、设备、存储介质。

背景技术

在我国的电力生产中，以煤炭为主的能源结构决定了燃煤火力发电占主导地位,而随着社会的发展，环保问题越来越被重视，国家对火电厂NOx排放标准也上升到了新高度，这就促使火电厂对脱硝控制的品质要求越高。目前大型火力发电机组普遍采用SCR(选择性催化还原)方式，为了减少NOx的排放，避免喷氨过多导致空气预热器堵塞以及还原剂过少造成排放NOx浓度超标，必须实时测量和监控氮氧化物的排放浓度，并对脱硝系统进行优化控制。

目前正在广泛使用的烟气自动监控系统(CEMS)存在许多缺点，CEMS需要定期的离线维护，工作量大，在实际运行中其测量值是始终精确有效；CEMS普标采用抽取法测量，需要较长的测量滞后时间，导致控制系统反馈存在较大的滞后特性，影响控制精度。

为了克服上述缺点，基于数据驱动的预测模型被广泛应用于烟气NOx的软测量及控制优化，如线性回归、支持向量机、朴素贝叶斯、循环神经网络等；现有的机器学习方法大多无法对时间维度上的持续影响进行学习，循环神经网络虽然具有较强的非线性及时间维度学习能力，但是对模型数据的延时没有很好的解决方法。

发明内容

本发明提供一种基于遗传算法与卷积网络的氮氧化物排放预测方法、装置、设备、存储介质，旨在解决现有技术中测量数据滞后引起的变量选择及模型调优问题。

为此，本发明的第一个目的在于提出一种基于遗传算法与卷积网络的氮氧化物排放预测方法，包括：

构建氮氧化物排放预测模型；

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，参数寻优模块基于遗传算法，对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。

其中，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。

其中，在筛选锅炉异常运行数据的步骤中，包括步骤：

沿时间轴将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。

其中，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：