CN115034129B - 一种面向火电厂脱硝装置的NOx排放浓度软测量方法 - Google Patents
一种面向火电厂脱硝装置的NOx排放浓度软测量方法 Download PDFInfo
- Publication number
- CN115034129B CN115034129B CN202210535424.2A CN202210535424A CN115034129B CN 115034129 B CN115034129 B CN 115034129B CN 202210535424 A CN202210535424 A CN 202210535424A CN 115034129 B CN115034129 B CN 115034129B
- Authority
- CN
- China
- Prior art keywords
- lstm
- time
- attention
- input
- attention mechanism
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000000691 measurement method Methods 0.000 title claims abstract description 13
- 230000007246 mechanism Effects 0.000 claims abstract description 72
- 238000000034 method Methods 0.000 claims abstract description 71
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 57
- 238000005259 measurement Methods 0.000 claims abstract description 37
- 238000012549 training Methods 0.000 claims abstract description 15
- 238000005457 optimization Methods 0.000 claims abstract description 14
- 210000004027 cell Anatomy 0.000 claims description 43
- 230000008569 process Effects 0.000 claims description 13
- 239000013598 vector Substances 0.000 claims description 11
- 238000012360 testing method Methods 0.000 claims description 9
- 230000006870 function Effects 0.000 claims description 7
- 230000002123 temporal effect Effects 0.000 claims description 7
- 230000004913 activation Effects 0.000 claims description 6
- 230000006835 compression Effects 0.000 claims description 6
- 238000007906 compression Methods 0.000 claims description 6
- 239000011159 matrix material Substances 0.000 claims description 6
- 210000002569 neuron Anatomy 0.000 claims description 6
- 238000004364 calculation method Methods 0.000 claims description 5
- 230000008602 contraction Effects 0.000 claims description 5
- 238000000342 Monte Carlo simulation Methods 0.000 claims description 4
- 230000003044 adaptive effect Effects 0.000 claims description 4
- 230000007774 longterm Effects 0.000 claims description 4
- 238000007781 pre-processing Methods 0.000 claims description 4
- 230000008859 change Effects 0.000 claims description 3
- 230000015654 memory Effects 0.000 claims description 3
- 238000012937 correction Methods 0.000 abstract description 3
- UGFAIRIUMAVXCW-UHFFFAOYSA-N Carbon monoxide Chemical compound [O+]#[C-] UGFAIRIUMAVXCW-UHFFFAOYSA-N 0.000 description 9
- 239000003546 flue gas Substances 0.000 description 9
- 238000010586 diagram Methods 0.000 description 6
- 238000013528 artificial neural network Methods 0.000 description 5
- 230000000694 effects Effects 0.000 description 4
- 238000012423 maintenance Methods 0.000 description 4
- 238000004519 manufacturing process Methods 0.000 description 4
- 238000012544 monitoring process Methods 0.000 description 4
- 230000008901 benefit Effects 0.000 description 3
- 238000011161 development Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 238000007405 data analysis Methods 0.000 description 2
- 239000000428 dust Substances 0.000 description 2
- 238000004880 explosion Methods 0.000 description 2
- 238000009776 industrial production Methods 0.000 description 2
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 description 1
- 238000012369 In process control Methods 0.000 description 1
- 230000006978 adaptation Effects 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 239000003054 catalyst Substances 0.000 description 1
- 238000010531 catalytic reduction reaction Methods 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000002485 combustion reaction Methods 0.000 description 1
- 238000002790 cross-validation Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000006477 desulfuration reaction Methods 0.000 description 1
- 230000023556 desulfurization Effects 0.000 description 1
- 230000003009 desulfurizing effect Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 230000008034 disappearance Effects 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000010965 in-process control Methods 0.000 description 1
- 238000010978 in-process monitoring Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000010926 purge Methods 0.000 description 1
- 230000000306 recurrent effect Effects 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 238000010187 selection method Methods 0.000 description 1
- 230000006403 short-term memory Effects 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/02—Total factory control, e.g. smart factories, flexible manufacturing systems [FMS] or integrated manufacturing systems [IMS]
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- Mathematical Physics (AREA)
- Computational Linguistics (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Computer Hardware Design (AREA)
- Geometry (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及一种面向火电厂脱硝装置的NOx排放浓度软测量方法,包括如下步骤:收集火电厂脱销系统的历史数据,通过历史数据训练LSTM模型,基于LSTM模型设计注意力机制自适应算子,引入蒙特·卡罗方法被引入作为LASSO算法求解的辅助算法;通过“滑窗法”交叉检验法求解LASSO收缩参数,得到调整后的软测量模型;将测量模型应用火电厂脱销系统的工控机中,获取脱销系统在线运行状态下的实时数据,在线预测脱销系统的NOx排放浓度。利用建模和软测量仪表的实时在线校正来保证NOx排放浓度值的预测精度,同时该软测量模型为系统的优化和控制提供有效技术支持。
Description
技术领域
本发明涉及火电厂脱销领域,具体涉及一种面向火电厂脱硝装置的NOx排放浓度软测量方法。
背景技术
在现代火电厂的工业生产中,大都采用选择性催化还原(selective catalyticreduction,SCR)技术对锅炉燃烧过程产生的烟气进行脱硝处理。火电厂多采用高温高尘布置方式,即反应器布置在省煤器和空预器之间,烟气竖直向下流经催化剂层,其工艺流程图如图6所示。为了满足环保标准和提高经济效益,就需要对该系统的NOx浓度和该变量密切相关的变量进行严格的控制。然而SCR系统出口处的NOx存在测量不稳的问题,反馈控制很难达到及时有效。
原烟气中的NOx在参与脱硝反应后,通过空气预热器依次进入电除尘器和脱硫装置,净化后的烟气最终通过烟囱排放到大气中。为了保证NOx排放浓度满足国家标准以及生产效益最大化,需要对该烟囱检测点的NOx浓度进行实时监测,以使NOx浓度保持在一定范围内。受工业现场环境以及硬件设备的限制,烟气排放连续监测系统在测量NOx浓度时的取样管路较长,测量值存在较大的延时;同时,烟气排放连续监测系统需进行定期对管路进行维护吹扫,维护保养期间NOx的浓度测量工作无法进行。因此需要一种代替在线分析仪表的数据驱动软测量方法,该软传感器不仅可以替代硬件传感器工作,而且可以作为硬件传感器的备份,用于校正测量数据的准确性。而在面对系统具有大量复杂的输入变量时,如何快速准确的实现对多个输入变量进行有效筛选和系数压缩,以及对该脱硝系统出口处NOx的浓度值的预测成为一个十分困难的测量难题。
软测量技术是一种应用回归算法的估计模型,其使用在线可用的传感器(如温度、压力、流量等)来预测无法测量的变量,或者只能以高成本或高延迟(如实验室分析)进行测量的变量。在现代工业过程中,各种类型的软传感器在过程监控、控制和优化中起着至关重要的作用,传感器的监测能够实时反应工业过程的运行状况。新的理论、先进的技术和信息基础设施的出现,使软测量的性能得到了提高。虽然我们已经看到可获得性的明显增加物理传感器收集的原始数据,如果没有适当的数据分析、信息提取和知识开发技术,最终将成为数据垃圾。在软测量技术开发中,其主要利用集散控制系统提供的历史数据建立回归模型。在数据的分析应用中,输入变量的选择、模型训练以及优化都是其重要的组成部分。
随着而机器学习的发展,针对非线性,动态化的生产状况,神经网络逐渐引入到建立软测量模型中,多层反向传播网络和径向基函数网络被得到了广泛应用。此类静态软测量模型常常会导致软仪表在实际应用时估计精度低、泛化能力不足。为了提高模型的精度、可靠性和动态自适应能力,采用了许多复杂的动态神经网络模型。模型的训练和优化需要占用大量的计算资源,动态软测量建模方法的应用满足了现在复杂多变的工业生产现状,变量选择及优化算法简化了模型复杂性结构的,同时大大提高了模型的预测精度和鲁棒性能。
发明内容
针对上述问题,本发明提供了一种面向火电厂脱硝装置的NOx排放浓度软测量方法,通过电厂集散控制系统与数据库相连,获取脱硝系统在线运行状态下的实时数据,将最终得到的软测量模型下载到工控机中在线预测脱硝系统的NOx排放浓度,利用建模和软测量仪表的实时在线校正来保证NOx排放浓度值的预测精度,同时该软测量模型为系统的优化和控制提供有效技术支持;基于注意力机制与LASSO的LSTM算法的软测量方法预测精准且计算成本低,基于此方法的软测量传感器克服了普通传感器价格昂贵、滞后和维护保养困难的缺点,具有较好的实用性和经济性。
本发明提供如下技术方案:一种面向火电厂脱硝装置的NOx排放浓度软测量方法,包括如下步骤:
步骤1、收集火电厂脱销系统的历史数据,对历史数据进行预处理,为LSTM模型的训练做准备;
步骤2、通过历史数据训练LSTM模型,基于LSTM模型设计注意力机制自适应算子,在此基础上引入LASSSO算法执行输入变量选择;引入蒙特·卡罗方法被引入作为LASSO算法求解的辅助算法;由于在求解LASSO算法的有效压缩系数时,方法极易陷入局部最优解,从而影响算法的顺利运行,因此引入蒙特·卡罗方法被引入作为LASSO算法求解的辅助算法;
步骤3、通过“滑窗法”交叉检验法求解LASSO收缩参数,从而得到一个调整后的软测量模型;
步骤4、将测量模型应用火电厂脱销系统的工控机中,获取脱销系统在线运行状态下的实时数据,在线预测脱销系统的NOx排放浓度。
LSTM是一种特殊的RNN结构,它是为了解决传统循环神经网络中梯度“消失”或“爆炸”的问题而提出的。由于LSTM结构在细胞机制和门机制中通过线性的信息流保持长期的依赖关系,因此在编码阶段使用LSTM结构将原始序列编码为特征表示,在解码器阶段使用LSTM结构对编码后的特征向量进行解码。
LSTM结构由一个记忆细胞和三个门组成。在t时刻,细胞状态ct负责维持输入序列的时间依赖性,遗忘门ft决定ct-1对当前ct的影响程度,输入门it决定t时刻序列输入值xt对ct的影响程度,输出门ot是用来控制ct对t时刻LSTM的输出ht的影响程度。给定输入序列X=(x1,x2,…,xT),LSTM计算公式如下所示:
ft=σg(Wf[ht-1;xt]+bf) (1)
it=σg(Wi[ht-1;xt]+bi) (2)
ot=σg(Wo[ht-1;xt]+bo) (3)
ct=ft⊙ct-1+it⊙σc(Wc[ht-1;xt]+bc) (4)
ht=ot⊙σc(ct) (5)
式中Wf,Wi,Wo,Wc∈Rm×(m+n),bf,bi,bo,bc∈Rm是需要学习的参数,m是LSTM隐藏层神经元个数。[ht-1;xt]∈Rm+n是前一个LSTM单元的隐藏状态ht-1与当前输入xt的连接。⊙为向量的点乘运算,σg和σc分别表示sigmod和tanh激活函数。
设计基于LSTM模型注意力机制自适应算子:包括空间注意力机制和时间注意力机制;
空间注意力机制,注意机制可以动态学习输入变量之间的空间相关性,用于输出变量的预测,用于表示输入变量之间的影响,其注意力权重的总和为1,该机制不会忽略任何输入变量的影响,也不允许相关性低的输入变量干扰目标变量的预测结果,具体来说,给定第k个输入变量其注意力权重可通过如下方式学习:
其中ve,be∈RT,We∈RT×2m,Ue∈RT×T是需要学习的参数,m是空间注意力机制的隐藏层神经元个数。σz是softmax激活函数,ht-1∈Rm,ct-1∈Rm分别是在空间注意力机制下LSTM的前一个单元的隐藏状态和细胞状态。通过求解得到每个输入变量在t时刻的注意力权重,空间注意力机制对应的输入变量可以表示为:
时间注意力机制,LSTM单元通过细胞机制存储时间信息,通过门机制控制时间信息的增减,保持长期依赖,通过门机制的时间信息导致LSTM单元在每个时间窗口T内改变细胞状态,使用注意力机制来学习这些隐藏状态在每个时间窗口中的影响,由于LSTM单元存储时间信息,而注意力机制被用来衡量这些不同细胞状态对目标变量预测的重要性,隐藏状态hj在t时刻的注意权值可由下式得知:
其中vd,bd∈Rm,Wd∈Rm×2p,Ud∈Rm×m是要学习的参数,p为时间注意中的隐藏状态数,和分别是前一个隐藏LSTM单元在时间注意中的隐藏状态和细胞状态,每个时间窗口内的LSTM单元的单元状态进一步表示为:
空间注意力机制在一个时间窗内的时间关系表示为:
时间—空间注意力机制,空间相关性是通过空间注意力机制为原始属性分配注意权重来表示的,时间注意机制通过空间注意中的隐藏状态分配注意力权重来表示时间关系,通过同时学习空间相关性和时间相关性来学习联合时空关系,就是时空联合注意力机制,结合加权属性和隐藏层状态hj∈Rm×T,空间相关性和时间相关性在时间t时刻的关系:
其中vd,bd∈Rm∈Rm+n,Wd∈R(m+n)×2q,Ud∈R(m+m)×(m+n)是要学习的参数,q为时间注意力机制中的隐藏状态数。和分别为注意模块中前一个隐藏LSTM单元的隐藏状态和细胞状态,为连接向量,同时表示联合时空关系;
每个时间窗口内的LSTM单元的细胞状态进一步表示为:
时间窗口内的时空关系可以表示为:
在模型的训练过程中,将此方法被作为一个自适应算子引入到LAASO-LSTM算法中,从而提高算法的效率和自适应性。在模型细节和训练方法方面,Adam算法优于均方根反向传播算法和动量梯度下降算法,因此被引入为一种优化算法;利用标准时间反向传播最小化均方误差,可以学习并获得具有时空注意的LSTM的模型参数。将时间—空间注意力机制引入LSTM,公式(1)~(5)更新如下:
引入蒙特·卡罗方法作为LASSO辅助算法:蒙特·卡罗方法是概率论和统计理论指导下的一种重要的数值计算算法,是指利用随机数解决计算问题。在建模的优化过程中,在计算全局优化问题时,通常使用该方法来给出较好的初始解。因此,该方法通常作为求解优化过程中的一种辅助技术;在蒙特·卡罗方法的基础上计算了一个非常合适的初始解,并引入了一个新的压缩系数到LSTM的输入权重中,其中n是输入矩阵的列数,h是LSTM隐含层参数值的4倍,矩阵M由4个相同大小的矩阵M1,M2,M3,M4组成,引入蒙特·卡罗方法,公式(17)~(21)更新后的如下
在LSTM中引入LASSO作为惩罚来实现输入变量的选择,添加一个收缩算子δ=[δ1,δ2,…,δn]T在输入xt,公式(22)~(26)更新如下:
基于注意力机制与LASSO的LSTM软测量算法公式如下:
其中是一个非线性二次极小化问题,用基于蒙特卡罗方法的有效集法优化算法求解最优解,将δ替换为得到新的LSTM模型。
在基于注意力机制与LASSO的LSTM软测量算法中,参数λ决定了输入权值δ的收缩程度,其对模型性能影响较大;使用枚举方法从向量Λ中选择最优的λ,其中向量中的元素在给定的[0,λub]范围内均匀分布,λub是一个足够大的值,用于将所有输入变量的系数收缩为零。
基于时间序列过程的特点,采用“滑窗法”交叉检验法来确定最优λ,执行一个新的模式来分割数据集,测试数据集Ztest=Zk+1,它们沿着合适的子数据集同步移动,移动步长为1个窗口,测试数据集之前的剩余子数据集Ztrain={Z1,Z2,…,Zk]作为训练集对软测量模型进行训练。利用上述方法计算每个λ模型的平均均方根误差,并选择均方根误差最小的最佳λ作为LASSO-LSTM的超参数。
通过上述描述,可以看出本方案(1)为了适应脱硝系统高度非线性、动态性、时序性、强关联性、多变量等严重的问题,将用于处理时间序列的长短期记忆网络(long short-term memory,LSTM)网络引入作为建模的基础模型,LSTM不仅可以解决传统循环神经网络无法处理长距离的依赖问题,还可以很有效的解决简单循环神经网络的梯度爆炸或消失问题。
(2)针对集散控制系统提供的脱硫装置的45个可测输入变量,如表1所示。集散控制系统虽然为建模提供了海量的数据,由于输入变量中存在大量的冗余变量,增加了模型的计算量的同时降低了模型的预测精度。套索(least absolute shrinkage andselection operator,LASSO)算法的引入其优势主要表现在:1)使模型解释性更强,将冗余变量删除;2)减小问题的规模,使算法效率更高,能够处理高维数据;3)克服过度拟合;4)对输入变量的权重进行精确压缩;5)提高模型的预测精度。
(3)LASSO算法在求解最优输入变量时,在算法初次求解时极易陷入局部最优值。通过引入蒙特·卡罗方法(Monte Carlo method,MCM)为LASSO算法提供一个辅助初始解。
(4)为了适应脱销工业现场的复杂多变性,将注意力机制引入作为一个自适应算子,为LAASO算法的惩罚项提供一个辅助系数,从而提高算法的效率和自适应性。
(5)在求解LASSO算法的收缩参数时,为了提高算法的可靠稳定性,将“滑窗法”交叉检验引入。
(6)基于注意力机制与LASSO的LSTM算法,相比于传统的神经网络建模算法,该算法能捕捉到更多关于时序的关键信息,对输入变量压缩效果更好,预测精度更高,稳定性更好。
附图说明
图1为时间—空间注意力机制结构框图。
图2为LSTM物理结构图。
图3为“滑窗法”交叉检验法原理图。
图4为基于注意力机制与LASSO的LSTM算法整体框架图。
图5为火电厂脱硝装置的软测量算法流程图。
图6为烟气脱硝工艺流程。
图7为本发明动态软测量建模方法对火电厂烟气中NOx浓度排放预测曲线及预测误差。
具体实施方式
下面将结合本发明具体实施方式中的附图,对本发明具体实施方式中的技术方案进行清楚、完整地描述,显然,所描述的具体实施方式仅仅是本发明一种具体实施方式,而不是全部的具体实施方式。基于本发明中的具体实施方式,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他具体实施方式,都属于本发明保护的范围。
通过附图可以看出,本发明的面向火电厂脱硝装置的NOx排放浓度软测量方法,基于注意力机制与LASSO的LSTM算法整体框架图如图4所示,包括如下步骤:
步骤1、收集火电厂脱销系统的历史数据,对数据进行预处理,为LSTM模型的训练做准备;
步骤2、通过历史数据训练LSTM模型,基于LSTM模型设计注意力机制自适应算子,在此基础上引入LASSSO算法执行输入变量选择;引入蒙特·卡罗方法被引入作为LASSO算法求解的辅助算法;
步骤3、通过“滑窗法”交叉检验法求解LASSO收缩参数,从而得到一个调整后的软测量模型;
步骤4、将测量模型应用火电厂脱销系统的工控机中,获取脱销系统在线运行状态下的实时数据,在线预测脱销系统的NOx排放浓度。
通过以上步骤,所开发的软测量算法可获得最终有效预测模型,基于注意力机制与LASSO的LSTM软测量算法的火电厂脱硝流程图如图5所示。
训练LSTM模型,LSTM结构由一个记忆细胞和三个门组成。在t时刻,细胞状态ct负责维持输入序列的时间依赖性,遗忘门ft决定ct-1对当前ct的影响程度,输入门it决定t时刻序列输入值xt对ct的影响程度,输出门ot是用来控制ct对t时刻LSTM的输出ht的影响程度,给定输入序列X=(x1,x2,…,xT),LSTM计算公式如下所示:
ft=σg(Wf[ht-1;xt]+bf) (1)
it=σg(Wi[ht-1;xt]+bi) (2)
ot=σg(Wo[ht-1;xt]+bo) (3)
ct=ft⊙ct-1+it⊙σc(Wc[ht-1;xt]+bc) (4)
ht=ot⊙σc(ct) (5)
式中Wf,Wi,Wo,Wc∈Rm×(m+n),bf,bi,bo,bc∈Rm是需要学习的参数,m是LSTM隐藏层神经元个数,[ht-1;xt]∈Rm+n是前一个LSTM单元的隐藏状态ht-1与当前输入xt的连接,⊙为向量的点乘运算,σg和σc分别表示sigmod和tanh激活函数。
设计基于LSTM模型注意力机制自适应算子:
(1)空间注意力机制,注意机制可以动态学习输入变量之间的空间相关性,用于输出变量的预测,用于表示输入变量之间的影响,其注意力权重的总和为1,该机制不会忽略任何输入变量的影响,也不允许相关性低的输入变量干扰目标变量的预测结果,具体来说,给定第k个输入变量其注意力权重可通过如下方式学习:
其中ve,be∈RT,We∈RT×2m,Ue∈RT×T是需要学习的参数,m是空间注意力机制的隐藏层神经元个数,σz是softmax激活函数,ht-1∈Rm,ct-1∈Rm分别是在空间注意力机制下LSTM的前一个单元的隐藏状态和细胞状态。通过求解得到每个输入变量在t时刻的注意力权重,空间注意力机制对应的输入变量可以表示为:
(2)时间注意力机制,LSTM单元通过细胞机制存储时间信息,通过门机制控制时间信息的增减,保持长期依赖,通过门机制的时间信息导致LSTM单元在每个时间窗口T内改变细胞状态,使用注意力机制来学习这些隐藏状态在每个时间窗口中的影响,由于LSTM单元存储时间信息,而注意力机制被用来衡量这些不同细胞状态对目标变量预测的重要性,隐藏状态hj在t时刻的注意权值可由下式得知:
其中vd,bd∈Rm,Wd∈Rm×2p,Ud∈Rm×m是要学习的参数,p为时间注意中的隐藏状态数,和分别是前一个隐藏LSTM单元在时间注意中的隐藏状态和细胞状态,每个时间窗口内的LSTM单元的单元状态进一步表示为:
空间注意力机制在一个时间窗内的时间关系表示为:
(3)时间—空间注意力机制,空间相关性是通过空间注意力机制为原始属性分配注意权重来表示的,时间注意机制通过空间注意中的隐藏状态分配注意力权重来表示时间关系,通过同时学习空间相关性和时间相关性来学习联合时空关系,即时间空间联合注意,其结构图如图1所示,通过同时学习空间相关性和时间相关性来学习联合时空关系,结合加权属性和隐藏层状态hj∈Rm×T,空间相关性和时间相关性在时间t时刻的关系:
其中vd,bd∈Rm∈Rm+n,Wd∈R(m+n)×2q,Ud∈R(m+m)×(m+n)是要学习的参数,q为时间注意力机制中的隐藏状态数,和分别为注意模块中前一个隐藏LSTM单元的隐藏状态和细胞状态,为连接向量,同时表示联合时空关系;
每个时间窗口内的LSTM单元的细胞状态进一步表示为:
时间窗口内的时空关系可以表示为:
将时间—空间注意力机制引入LSTM,公式(1)~(5)更新如下:
引入蒙特·卡罗方法作为LASSO辅助算法:在蒙特·卡罗方法的基础上计算了一个非常合适的初始解,并引入了一个新的压缩系数到LSTM的输入权重中,其中n是输入矩阵的列数,h是LSTM隐含层参数值的4倍,矩阵M由4个相同大小的矩阵M1,M2,M3,M4组成,引入蒙特·卡罗方法,公式(17)~(21)更新后的如下
设计基于注意力机制与LASSO的LSTM算法,本软测量方法在LSTM中引入LASSO作为惩罚来实现输入变量的选择。图2给出了LSTM的物理结构和LASSO的变量选择原理。添加一个收缩算子δ=[δ1,δ2,…,δn]T在输入xt,公式(22)~(26)更新如下:
基于注意力机制与LASSO的LSTM软测量算法公式如下:
其中是一个非线性二次极小化问题,用基于蒙特卡罗方法的有效集法优化算法求解最优解,将δ替换为得到新的LSTM模型。
在基于注意力机制与LASSO的LSTM软测量算法中,参数λ决定了输入权值δ的收缩程度,其对模型性能影响较大;使用枚举方法从向量Λ中选择最优的λ,其中向量中的元素在给定的[0,λub]范围内均匀分布。λub是一个足够大的值,用于将所有输入变量的系数收缩为零。
交叉验证是一种常用的性能评估技术,用于调整鲁棒建模的超参数。考虑到时间序列过程的特点,采用“滑窗法”交叉检验法来确定最优λ。该方法执行一个新的模式来分割数据集,测试数据集Ztest=Zk+1,它们沿着合适的子数据集同步移动,移动步长为1个窗口。测试数据集之前的剩余子数据集Ztrain={Z1,Z2,…,Zk]作为训练集对软测量模型进行训练。利用上述方法计算每个λ模型的平均均方根误差,并选择均方根误差最小的最佳λ作为LASSO-LSTM的超参数,该方法的原理如图3所示。
本发明开发的基本思想是对脱硝装置中的关键变量NOx排放浓度进行准确预测,通过对系统数据进行预处理,对45个可测输入变量进行精确筛选如表1所示,利用所选择的变量建模对NOx排放浓度进行预测。该过程对辅助变量的选择是基于注意力机制与LASSO的LSTM变量选择方法,其中引入了蒙特·卡罗方法作为LASSO算法求解的辅助算法,为了提高算法的有准确性和稳定性,通过“滑窗法”交叉检验法求解LASSO收缩参数,最终得到有效的软测量模型。通过电厂集散控制系统与数据库相连,获取脱硝系统在线运行状态下的实时数据,将最终得到的软测量模型下载到工控机中在线预测脱硝系统的NOx排放浓度。利用该算法建模和软测量仪表的实时在线校正来保证NOx排放浓度值的预测精度,同时该软测量模型为系统的优化和控制提供有效技术支持,该软测量算法的执行整体过程如图5所示。本发明提出的该软测量系统,具有响应迅速、投资低、维护保养简单等优点。
表1火电厂烟气NOx浓度排放软测量建模的候选输入变量
辅助变量的选择要通过对脱硝系统的机理分析以及工艺流程来初步确定影响主导变量的相关辅助变量,包括变量类型、变量数目和监测点的选择。由于脱硝系统过程特性的原因,这些变量之间相互作用,互有影响,彼此耦合。此外,在脱硝系统中还要考虑经济性、维护的难易程度等。实践证明,基于注意力机制与LASSO的LSTM的软测量方法可以选择出最佳的辅助变量,有较高的预测精度,其预测结果如图7和表2所示。
表2不同算法的软测量建模方法的性能对比表
尽管已经示出和描述了本发明的具体实施方式,对于本领域的普通技术人员而言,可以理解在不脱离发明的原理和精神的情况下可以对这些具体实施方式进行多种变化、修改、替换和变型,本发明的范围由所附权利要求及其等同物限定。
Claims (1)
1.一种面向火电厂脱硝装置的NOx排放浓度软测量方法,其特征在于包括如下步骤:
步骤1、收集火电厂脱销系统的历史数据,对数据进行预处理,为LSTM模型的训练做准备;
步骤2、通过历史数据训练LSTM模型,基于LSTM模型设计注意力机制自适应算子,在此基础上引入LASSO算法执行输入变量选择;蒙特·卡罗方法被引入作为LASSO算法求解的辅助算法;
步骤3、通过“滑窗法”交叉检验法求解LASSO收缩参数,从而得到一个调整后的软测量模型;
步骤4、将测量模型应用火电厂脱销系统的工控机中,获取脱销系统在线运行状态下的实时数据,在线预测脱销系统的NOx排放浓度;
步骤2中,LSTM结构由一个记忆细胞和三个门组成,在t时刻,细胞状态ct负责维持输入序列的时间依赖性,遗忘门ft决定ct-1对当前ct的影响程度,输入门it决定t时刻序列输入值xt对ct的影响程度,输出门ot是用来控制ct对t时刻LSTM的输出ht的影响程度,给定输入序列X=(x1,x2,…,xT),LSTM计算公式如下所示:
ft=σg(Wf[ht-1;xt]+bf) (1)
it=σg(Wi[ht-1;xt]+bi) (2)
ot=σg(Wo[ht-1;xt]+bo) (3)
ct=ft⊙ct-1+it⊙σc(Wc[ht-1;xt]+bc) (4)
ht=ot⊙σc(ct) (5)
式中Wf,Wi,Wo,Wc∈Rm×(m+n),bf,bi,bo,bc∈Rm是需要学习的参数,m是LSTM隐藏层神经元个数,[ht-1;xt]∈Rm+n是前一个LSTM单元的隐藏状态ht-1与当前输入xt的连接,⊙为向量的点乘运算,σg和σc分别表示sigmod和tanh激活函数;
设计基于LSTM模型注意力机制自适应算子:
空间注意力机制,注意机制动态学习输入变量之间的空间相关性,用于输出变量的预测,用于表示输入变量之间的影响,其注意力权重的总和为1,该机制不会忽略任何输入变量的影响,也不允许相关性低的输入变量干扰目标变量的预测结果,给定第k个输入变量其注意力权重通过如下方式学习:
其中ve,be∈RT,We∈RT×2m,Ue∈RT×T是需要学习的参数,m是空间注意力机制的隐藏层神经元个数,σz是softmax激活函数,ht-1∈Rm,ct-1∈Rm分别是在空间注意力机制下LSTM的前一个单元的隐藏状态和细胞状态;通过求解得到每个输入变量在t时刻的注意力权重,空间注意力机制对应的输入变量表示为:
时间注意力机制,LSTM单元通过细胞机制存储时间信息,通过门机制控制时间信息的增减,保持长期依赖,通过门机制的时间信息导致LSTM单元在每个时间窗口T内改变细胞状态,使用注意力机制来学习这些隐藏状态在每个时间窗口中的影响,由于LSTM单元存储时间信息,而注意力机制被用来衡量这些不同细胞状态对目标变量预测的重要性,隐藏状态hj在t时刻的注意权值由下式得知:
其中vd,bd∈Rm,Wd∈Rm×2p,Ud∈Rm×m是要学习的参数,p为时间注意中的隐藏状态数,和分别是前一个隐藏LSTM单元在时间注意中的隐藏状态和细胞状态,每个时间窗口内的LSTM单元的单元状态进一步表示为:
空间注意力机制在一个时间窗内的时间关系表示为:
时间—空间注意力机制,空间相关性是通过空间注意力机制为原始属性分配注意权重来表示的,时间注意机制通过空间注意中的隐藏状态分配注意力权重来表示时间关系,通过同时学习空间相关性和时间相关性来学习联合时空关系,结合加权属性和隐藏层状态hj∈Rm×T,空间相关性和时间相关性在时间t时刻的关系:
其中vd,bd∈Rm∈Rm+n,Wd∈R(m+n)×2q,Ud∈R(m+m)×(m+n)是要学习的参数,q为时间注意力机制中的隐藏状态数,和分别为注意模块中前一个隐藏LSTM单元的隐藏状态和细胞状态,为连接向量,同时表示联合时空关系;每个时间窗口内的LSTM单元的细胞状态进一步表示为:
时间窗口内的时空关系表示为:
将时间—空间注意力机制引入LSTM,公式(1)~(5)更新如下:
引入蒙特·卡罗方法作为LASSO辅助算法:在蒙特·卡罗方法的基础上计算了一个初始解,并引入了一个新的压缩系数到LSTM的输入权重中,其中n是输入矩阵的列数,h是LSTM隐含层参数值的4倍,矩阵M由4个相同大小的矩阵M1,M2,M3,M4组成,引入蒙特·卡罗方法,公式(17)~(21)更新后的如下
在LSTM中引入LASSO作为惩罚来实现输入变量的选择,添加一个收缩算子δ=[δ1,δ2,…,δn]T在输入xt,公式(22)~(26)更新如下:
基于注意力机制与LASSO的LSTM软测量算法公式如下:
其中是一个非线性二次极小化问题,用基于蒙特卡罗方法的有效集法优化算法求解最优解,将δ替换为得到新的LSTM模型;
基于时间序列过程的特点,采用“滑窗法”交叉检验法来确定最优λ,执行一个新的模式来分割数据集,测试数据集Ztest=Zk+1,它们沿着合适的子数据集同步移动,移动步长为1个窗口,测试数据集之前的剩余子数据集Ztrain={Z1,Z2,…,Zk]作为训练集对软测量模型进行训练,计算每个λ模型的平均均方根误差,并选择均方根误差最小的最佳λ作为LASSO-LSTM的超参数。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210535424.2A CN115034129B (zh) | 2022-05-17 | 2022-05-17 | 一种面向火电厂脱硝装置的NOx排放浓度软测量方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210535424.2A CN115034129B (zh) | 2022-05-17 | 2022-05-17 | 一种面向火电厂脱硝装置的NOx排放浓度软测量方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115034129A CN115034129A (zh) | 2022-09-09 |
CN115034129B true CN115034129B (zh) | 2024-08-20 |
Family
ID=83120775
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210535424.2A Active CN115034129B (zh) | 2022-05-17 | 2022-05-17 | 一种面向火电厂脱硝装置的NOx排放浓度软测量方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115034129B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117313936B (zh) * | 2023-09-30 | 2024-03-29 | 江南大学 | 一种燃煤电厂烟气脱硫过程净烟气so2浓度预测方法 |
CN117829822B (zh) * | 2024-03-04 | 2024-06-04 | 合肥工业大学 | 一种电力变压器故障预警方法及系统 |
CN117977580B (zh) * | 2024-03-28 | 2024-06-14 | 深圳触觉智能科技有限公司 | 一种基于开源鸿蒙系统的电力线控制方法 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110110586A (zh) * | 2019-03-18 | 2019-08-09 | 北京理工雷科电子信息技术有限公司 | 基于深度学习的遥感机场飞机检测的方法及装置 |
CN110912598A (zh) * | 2019-11-22 | 2020-03-24 | 中原工学院 | 基于长短时注意力机制的大规模mimo系统csi反馈方法 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104700828B (zh) * | 2015-03-19 | 2018-01-12 | 清华大学 | 基于选择性注意原理的深度长短期记忆循环神经网络声学模型的构建方法 |
CN112734028B (zh) * | 2020-12-28 | 2022-06-03 | 三峡大学 | 一种变压器油中溶解气体浓度预测模型建模方法 |
-
2022
- 2022-05-17 CN CN202210535424.2A patent/CN115034129B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110110586A (zh) * | 2019-03-18 | 2019-08-09 | 北京理工雷科电子信息技术有限公司 | 基于深度学习的遥感机场飞机检测的方法及装置 |
CN110912598A (zh) * | 2019-11-22 | 2020-03-24 | 中原工学院 | 基于长短时注意力机制的大规模mimo系统csi反馈方法 |
Also Published As
Publication number | Publication date |
---|---|
CN115034129A (zh) | 2022-09-09 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN115034129B (zh) | 一种面向火电厂脱硝装置的NOx排放浓度软测量方法 | |
CN117235595A (zh) | 一种基于LSTM-Attention的污水处理加药量预测方法及系统 | |
CN117574780B (zh) | 一种智能火电厂负荷在线建模方法及系统 | |
CN110189800B (zh) | 基于多粒度级联循环神经网络的炉氧含量软测量建模方法 | |
Li et al. | Real-time prediction of SO2 emission concentration under wide range of variable loads by convolution-LSTM VE-transformer | |
Liu et al. | Long–short-term memory encoder–decoder with regularized hidden dynamics for fault detection in industrial processes | |
Ismail et al. | Adaptive neural network prediction model for energy consumption | |
Zhang et al. | An online transfer kernel recursive algorithm for soft sensor modeling with variable working conditions | |
CN115688581A (zh) | 油气集输站设备参数预警方法、系统、电子设备及介质 | |
CN117829822B (zh) | 一种电力变压器故障预警方法及系统 | |
Wenqiang et al. | Remaining useful life prediction for mechanical equipment based on temporal convolutional network | |
CN118280472A (zh) | 一种基于雪融优化器的火电机组scr反应器氮氧化物浓度预测方法 | |
CN114548701B (zh) | 面向全量测点耦合结构分析与估计的过程预警方法及系统 | |
CN115688865A (zh) | 面向脱硫工艺烟气的长短期记忆网络工业软测量方法 | |
CN116110506A (zh) | 一种mswi过程二噁英排放浓度在线软测量方法 | |
Song et al. | A Soft Sensor for Multirate Quality Variables Based on MC-CNN | |
CN113705932B (zh) | 一种短期负荷预测方法及装置 | |
Bakal et al. | Time Delay Neural Networks for NOx and CO Prediction in Fossil Fuel Plants | |
Cao et al. | Research on soft sensing modeling method of gas turbine’s difficult-to-measure parameters | |
Zhao et al. | An interpretable ultra-short-term wind power prediction model based on the feature matrix reconstruction through regression trees | |
Zhan et al. | Long Short-term Memory modeling method with monotonicity analysis as constraints base on Spearman coefficient | |
Guo et al. | Nox prediction of gas turbine based on dual attention and lstm | |
He et al. | A novel soft sensor model based on stacking ensemble learning framework | |
Wang | A new variable selection method for soft sensor based on deep learning | |
Srinivasan et al. | A Comparative Study on AI/ML-Based Transient Temperature Predictions and Real-Time Operational Transient Temperature Data of Coke Drum |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant | ||
CP03 | Change of name, title or address |
Address after: 250353 University Road, Changqing District, Ji'nan, Shandong Province, No. 3501 Patentee after: Qilu University of Technology (Shandong Academy of Sciences) Country or region after: China Address before: 250353 University Road, Changqing District, Ji'nan, Shandong Province, No. 3501 Patentee before: Qilu University of Technology Country or region before: China |
|
CP03 | Change of name, title or address |