[发明专利]一种燃气轮机的氮氧化物预测排放检测方法及系统

权利要求书

1.一种燃气轮机的氮氧化物预测排放检测方法，其特征在于，包括如下步骤：

步骤1：从发电厂的燃气轮机传感器位置上获取所有输入和输出变量的数据，其中含有燃气轮机的环境温度、环境压力、环境湿度、空气过滤差压、燃气轮机排气压力、燃气轮机进口温度、燃气轮机后温度、燃气轮机发电量和燃气轮机机进口温度，这些变量作为输入变量，同时，氮氧化物的排放作为输出变量；

步骤2：使用随机森林对9个变量进行筛选，选择重要性高的作为输入变量；

步骤3：对informer模型进行改进，在probsparse自注意力机制对key进行随机采样的过程进行改进，加入局部敏感哈希LSH为每一个向量对应的query向量找到最邻近的key向量，构建LSH-informer模型；

步骤4：将步骤2中选择的发电厂的燃气轮机上的多维数据输入到LSH-informer模型中进行训练；

步骤5：对混沌博弈优化算法进行改进，使用精英反向学习机制对搜索空间进行改进，使用黄金正弦对位置更新方式进行改进；

步骤6：先通过手动调参，选取对该模型影响较大的超参数并确定范围；根据以上选出的超参数，使用改进的混沌博弈优化算法优化模型的超参数；

步骤7：使用评价指标评价该模型的性能，并利用优化后的模型进行氮氧化物预测排放检测。

2.根据权利要求1所述的一种燃气轮机的氮氧化物预测排放检测方法，其特征在于，所述步骤2利用随机森林对变量重要性进行筛选。

随机森林在处理过程中对每个特征进行随机替换，再对重要性进行评估，根据决策树的贡献值选择重要性高的变量；每个因素的贡献大小使用Gini指数来衡量，Gini指数的计算公式如下。

其中p表示有p个决策树，c表示有c个类别，表示c类在q中的比例。

3.根据权利要求1所述的一种燃气轮机的氮氧化物预测排放检测方法，其特征在于，所述步骤3利用LSH优化informer模型构建LSH-informer模型如下：

Informer模型的probsparse自注意力机制公式如下：

Q代表查询(query)矩阵，K代表键值(key)矩阵，V代表值(value)矩阵，d是缩放系数，代表矩阵Q与K的维度，用于控制点积值的范围，其中为通过稀疏性度量得到的稀疏矩阵；

步骤3.1probsparse自注意力机制需要为每个query随机采样部分的key；

步骤3.2加入LSH为query向量找到最邻近的N个key向量；

步骤3.3再为每个query计算稀疏性得分；

步骤3.4选取得分高的N个query；

步骤3.5计算N个query的和key的点积结果，进而得到attention的结果；

步骤3.6直接将自注意力层的输入去均值作为输出，这样保证每个probsparse自注意力机制层的输入和输出的长度。

4.根据权利要求3所述的一种燃气轮机的氮氧化物预测排放检测方法，其特征在于，所述步骤4中将步骤2中选择的发电厂的燃气轮机上的多维数据输入LSH-informer模型中，具体操作为：

步骤4.1对步骤2的筛选的发电厂燃气轮机的序列数据使用标准化进行归一化理操作，按照7:1:2的比例划分训练集、验证集和测试集，归一化之后的数据映射为[0,1]区间的数据；

步骤4.2通过inputembedding生成编码器，对输入的特征进行位置编码；

步骤4.3对于query，key和value的计算，用LSH改进probsparse自注意力，增加并行计算能力，减少时间复杂度；

步骤4.4通过注意力蒸馏机制，使得单个层级特征在时间维度减半，从而准许编码器处理更长的输入；

步骤4.5通过一次向前计算，预测长序列的所有输出，通过对decoder的堆叠，进行动态堆叠数据；

步骤4.6最终通过一个全连接层，得到最后的输出，将预测得到的输出和真实值进行损失函数loss计算；

步骤4.7进行反归一化操作得到氮氧化物的最终预测结果。