CN112488145B - 一种基于智能化方法的NOx在线预测方法及系统 - Google Patents

Abstract

本发明公开了一种基于智能化方法的NOx在线预测方法及系统，该方法包括：对燃煤机组烟气生成机理及SCR系统机理分析，确定NOx排放量预测模型的输入变量，并采集与NOx排放量相关的运行数据，构建训练集数据；基于采集的训练集数据，采用PCA算法降低输入维度，重新构建样本空间；采用LSTM循环神经网络模型建立SCR入口NOx动态预测模型；获取当前时刻与NOx排放量相关的运行数据，确定当前时刻最优SCR入口NOx预测值。通过本发明的方法，提前预测SCR入口NOx浓度，及时调整喷氨量，并提高了SCR入口NOx预测精度，对于燃煤机组排放污染物和成本具有指导意义。

Description

一种基于智能化方法的NOx在线预测方法及系统

技术领域

本发明涉及燃煤电厂烟气脱硝技术领域，特别涉及一种基于智能化方法的NOx在线监测方法及系统。

背景技术

目前，在我国电力行业中能源消耗大部分来源于煤炭燃烧，煤炭燃烧过程中会产生大量的大气污染物，造成严重的环境污染问题。NOx是燃煤电厂排放的主要污染物之一，其排放进入大气会经过一系列物理化学反应，生成多种有害物质，对环境、人体造成巨大伤害。因此，为了控制NOx的排放，国家环境保护部和质量监督检疫总局对燃煤火电厂NOx制定了严格的NOx 排放标准。在此背景下，如何精确地测量脱硝系统入口NOx的实时值成为改善脱硝系统控制效果的关键。

目前国内外主要通过连续排放检测系统(Continuous Emission MonitoringSystem，CEMS)对烟气中的NOx成分进行实时测量。然而，这种测量方法在测量过程那个具有投资成本高、分析数据耗时长、测量值反馈存在严重滞后等缺点，势必导致脱硝系统入口NOx难以实时准确的展现，最终导致脱硝系统对NOx的控制效果不理想。当机组负荷发生变化时，脱硝反应器入口NOx会发生较大的波动，如果喷氨量不足，容易导致NOx排放增加甚至超标；如果喷氨量过多，过量的氨气与烟气中SO3反应生成硫酸氢铵和硫酸铵，降低催化剂火星，造成空预器积灰堵塞和腐蚀，影响锅炉安全运行，同时氨逃逸增加运行成本浪费和二次环境污染。

长短时记忆神经网络(Long Short-term Memory，LSTM)是在循环神经网络(Recurrent Neural Network，RNN)基础上发展的一种特殊类型的深度神经网络框架，它是由Hochreiter和Schmidhuber于1997提出。LSTM神经网络解决了RNN中的梯度消失的问题，可以使网络记忆更长时间的内容，使网络的可靠性增强，有效地解决了具有时间序列特性的问题。

主成分分析(Principal Components Analysis，以下简称PCA)算法是由K.Pearson对非随机变量引入的，后由霍特林于1933年推广到随即向量的情形。其主要思想是试图力保数据丢失最少的原则下，对高维数据空间进行降维处理。在BP神经网络模型中引入PCA算法，主要对训练样本进行降维，简化BP神经网络模型的结构。

通过上述分析，当前烟气脱硝反应器入口NOx值存在测不准、测量滞后的现，导致目前对于喷氨量的控制存在较大的困难，影响脱硝效率和机组的安全运行，实现NOx在线监测是火电厂脱硝控制过程中一个亟待解决的问题。

发明内容

本发明的目的是提供了一种基于智能化方法的NOx在线预测方法及系统，克服传统测量方法存在测量不精确、测量滞后的缺陷，实现快速、精确的NOx在线监测过程。

为实现上述目的，本发明提供了如下方案：

所述基于智能化方法NOx在线预测方法包括：

步骤101，对燃煤机组烟气生成机理及SCR系统机理分析，确定NOx 排放量预测模型的输入变量，并采集与NOx排放量相关的运行数据，构建训练集数据；

步骤201，基于采集的训练集数据，采用PCA算法降低输入维度，重新构建样本空间；

步骤301，采用LSTM循环神经网络模型建立SCR入口NOx动态预测模型；

步骤401，获取当前时刻与NOx排放量相关的运行数据，确定当前时刻最优SCR入口NOx预测值。

可选地，所述与NOx排放量预测模型的输入变量主要有机组负荷、总风量、总煤量、烟气含氧量、磨煤机给煤量、二次风门开度、燃尽风门开度、炉膛出口温度等。所述构建训练集数据主要构建由输入时间序列信号和输出时间序列信号组成的时间序列集(X,Y)。所述输入时间序列信号为训练样本的输入值X＝[x_i]_m＝[x_ij]_mⅹp，i＝1,2,…,t,…m，j＝1,2,……p，m为训练样本的个数，p为与NOx排放量预测模型的相关输入变量个数；所述输出时间序列信号为训练样本输出值Y＝[y_i]_mⅹ1，i＝1,2,…,t,…m，m为所述训练样本的个数，此处即是指SCR入口NOx排放量。

可选地，所述采用PCA算法降低输入维度重构样本空间主要求取与NOx 排放量预测模型的相关输入变量的相关系数矩阵R，并根据特征方程计算其特征值及特征向量，进而根据特征值确定累计贡献率达85％～95％的特征值的个数，也即所述主成分分量的个数。根据所述特征值及特征向量，计算主成分载荷矩阵L＝(l_ij)_q×p，根据主成分载荷矩阵确定最终与NOx排放量预测模型的相关输入变量，重新构建输入样本空间，所述重构的输入样本空间为机组负荷、总风量、总煤量、烟气含氧量、磨煤机给煤量。

可选地，所述动态NOx预测模型主要包括LSTM循环神经网络结构建立以及LSTM循环神经网络模型训练两个过程。所述LSTM循环神经网络结构为多输入单输出的三层模型；所述第一层为输入层，训练数据集中与 NOx排放量相关的运行时间序列数据，输入神经元个数为主成分分量的个数；所述第二层为隐含层，为LSTM循环网络结构。LSTM隐含层的个数需要通过LSTM网络的迭代训练确定最佳的隐含层神经元个数，LSTM隐含层采用LSTM单元，该单元具有三个门和一个状态更新单元。所述三个门分别为输入门、遗忘门、输出门，输入门用来决定当前时刻网络的输入有多少保存到单元状态中；遗忘门决定上一时刻当前的状态有多少信息保留到当前时刻；输出门用来控制单元状态有多少输出到当前输出值；所述第三层为输出层，对应的是NOx排放量时间序列。所述LSTM循环神经网络模型训练过程包括前向计算每个神经元的输出值、反向计算每个神经元的误差值以及计算每个神经元之间权重梯度和偏置梯度。其训练的参数共有8组，分别是遗忘门的权重矩阵W_fh、W_fx和偏置项b_f、输入门的权重矩阵W_ih、W_ix和偏置项b_i、输出门的权重矩阵W_oh、W_ox和偏置项b_o、计算单元状态的权重矩阵W_ch、W_cx和偏置项b_c。LSTM网络训练过程中选择均方根误差作为目标损失函数，选择自适应矩估计的Adam算法作为梯度下降的优化算法。通过LSTM网络的反向传播并更新网络中的参数，获得最优的权重及偏置，这样就完成了整个LSTM 网络模型的训练过程。

本发明还提供一种基于智能化方法的NOx在线预测系统，所述NOx在线监测系统包括：

训练数据采集模块，对燃煤机组烟气生成机理及SCR系统机理分析，确定NOx排放量预测模型的输入变量，并采集与NOx排放量相关的运行数据，构建训练集数据。所述与NOx排放量预测模型的相关输入变量为：机组负荷、总风量、总煤量、烟气含氧量、磨煤机给煤量、二次风门开度、燃尽风门开度、炉膛出口温度等。

训练数据预处理模块，基于采集的训练集数据，采用PCA算法降低输入维度，重新构建样本空间。求取与NOx排放量预测模型的相关输入变量的相关系数矩阵R，并根据特征方程计算其特征值及特征向量，进而根据特征值确定累计贡献率达85％～95％的特征值的个数，也即所述主成分分量的个数。根据所述特征值及特征向量，计算主成分载荷矩阵L＝(l_ij)_q×p，根据主成分载荷矩阵确定最终与NOx排放量预测模型的相关输入变量，重新构建输入样本空间，所述重构的输入样本空间为机组负荷、总风量、总煤量、烟气含氧量、磨煤机给煤量。

动态预测模型建立模块，采用LSTM循环神经网络模型建立SCR入口 NOx动态预测模型。动态预测模型主要包括LSTM循环神经网络结构建立以及LSTM循环神经网络模型训练两个过程。所述LSTM循环神经网络结构为多输入单输出的三层模型；所述第一层为输入层，训练数据集中与NOx 排放量相关的运行时间序列数据，输入神经元个数为主成分分量的个数；所述第二层为隐含层，为LSTM循环网络结构。LSTM隐含层的个数需要通过 LSTM网络的迭代训练确定最佳的隐含层神经元个数，LSTM隐含层采用 LSTM单元，该单元具有三个门和一个状态更新单元。所述三个门分别为输入门、遗忘门、输出门，输入门用来决定当前时刻网络的输入有多少保存到单元状态中；遗忘门决定上一时刻当前的状态有多少信息保留到当前时刻；输出门用来控制单元状态有多少输出到当前输出值；所述第三层为输出层，对应的是NOx排放量时间序列。所述LSTM循环神经网络模型训练过程包括前向计算每个神经元的输出值、反向计算每个神经元的误差值以及计算每个神经元之间权重梯度和偏置梯度。其训练的参数共有8组，分别是遗忘门的权重矩阵W_fh、W_fx和偏置项b_f、输入门的权重矩阵W_ih、W_ix和偏置项b_i、输出门的权重矩阵W_oh、W_ox和偏置项b_o、计算单元状态的权重矩阵W_ch、W_cx和偏置项 b_c。LSTM网络训练过程中选择均方根误差作为目标损失函数，选择自适应矩估计的Adam算法作为梯度下降的优化算法。通过LSTM网络的反向传播并更新网络中的参数，获得最优的权重及偏置，这样就完成了整个LSTM网络模型的训练过程。

当前时刻NOx预测模块，获取当前时刻与NOx排放量相关的运行数据，根据主成分分析得到当前时刻的机组负荷、总风量、总煤量、烟气含氧量、磨煤机给煤量，并将当前时刻的参数输入到训练后的LSTM循环神经网络模型中，得到当前时刻最优SCR入口NOx预测值。

根据本发明提供的具体实施例，本发明公开了以下技术效果：

本发明提供了一种基于智能化方法的NOx在线预测方法及系统所述基于智能化方法NOx在线预测方法包括：对燃煤机组烟气生成机理及SCR系统机理分析，确定NOx排放量预测模型的输入变量，并采集与NOx排放量相关的运行数据，构建训练集数据；基于采集的训练集数据，采用PCA算法降低输入维度，重新构建样本空间；采用LSTM循环神经网络模型建立 SCR入口NOx动态预测模型；获取当前时刻与NOx排放量相关的运行数据，确定当前时刻最优SCR入口NOx预测值。本发明通过PCA算法确定了与 NOx相关的输入变量，减少NOx预测过程中的冗余度，降低训练样本输入维度，提高速度和精度；针对脱硝入口NOx及其影响因素具有明显的时间序列特性，而LSTM循环神经网络能够很好地解决时间序列预测的问题。本发明克服了传统脱硝反应器入口NOx预测不准、预测滞后的问题，实现了快速有效的在线预测过程。

上述技术方案仅为本发明实施例的一些部分，本领域技术人员从以下本发明的详细描述中可以导出和理解包含了本发明的技术特征的各种实施例。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。

图1为本发明实施例用于NOx在线监测方法的流程示意图；

图2为本发明1的具体流程示意图；

图3为本发明实施例用于NOx在线监测系统的结构示意图。

具体实施方式

现在将详细参考本发明的示例性实施例，其示例在附图中示出。下面将参考附图给出的详细描述旨在解释本发明的示例性实施例，而不是示出可以根据本发明实现的唯一实施例。以下详细描述包括具体细节以便提供对本发明的透彻理解。然而，对于本领域技术人员来说显而易见的是，可以在没有这些具体细节的情况下实践本发明。

在一些情况下，已知的结构和设备被省略或以框图形式示出，集中于结构和设备的重要特征，以免模糊本发明的概念。在整个说明书中将使用相同的附图标记来表示相同或相似的部分。

以下结合附图对本发明的原理和特征进行描述，所举实例只用于解释本发明，并非用于限定本发明的范围。

在本发明的描述中，需要理解的是，术语“上”、“下”、“中心”、“内”、“外”、“顶”、“底”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。

在本发明的描述中，需要说明的是，除非另有明确的规定和限定，术语“安装”、“相连”、“连接”应做广义理解，例如，可以是固定连接，也可以是可拆卸连接，或一体地连接；可以是机械连接，也可以是电连接；可以是直接相连，也可以通过中间媒介间接相连，可以是两个元件内部的连通。对于本领域的普通技术人员而言，可以具体情况理解上述术语在本发明中的具体含义。

本发明的目的是提供了一种基于智能化方法的NOx在线预测方法，克服传统SCR反应器入口NOx测量不精确及存在滞后的缺陷，实现快速、精确的NOx在线监测过程。

为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合附图和具体实施方式对本发明作进一步详细的说明。

图1为本发明实施例用于NOx在线监测方法的流程示意图，如图1所示，本发明实施例提供的NOx在线监测方法具体包括以下步骤：

步骤101，对燃煤机组烟气生成机理及SCR系统机理分析，确定NOx 排放量预测模型的输入变量，并采集与NOx排放量相关的运行数据，构建训练集数据；

步骤201，基于采集的训练集数据，采用PCA算法降低输入维度，重新构建样本空间；

步骤301，采用LSTM循环神经网络模型建立SCR入口NOx动态预测模型；

步骤401，获取当前时刻与NOx排放量相关的运行数据，确定当前时刻最优SCR入口NOx预测值。

图2为本发明实施例1的具体流程示意图，具体实现过程如下：

对燃煤机组烟气生成机理及SCR系统机理分析，确定NOx排放量预测模型的输入变量，主要包括机组负荷、总风量、总煤量、烟气含氧量、磨煤机给煤量、二次风门开度、燃尽风门开度、炉膛出口温度等。采集与NOx 排放量相关的运行数据，构建训练集数据。所述构建训练集数据主要构建由输入时间序列信号和输出时间序列信号组成的时间序列集(X,Y)。所述输入时间序列信号为训练样本的输入值X＝[x_i]_m＝[x_ij]_mⅹp，i＝1,2,…,t,…m， j＝1,2,……p，m为训练样本的个数，p为与NOx排放量预测模型的相关输入变量个数；所述输出时间序列信号为训练样本输出值Y＝[y_i]_mⅹ1， i＝1,2,…,t,…m，m为所述训练样本的个数，此处即是指SCR入口NOx排放量。

基于采集的训练集数据，采用PCA算法降低输入维度，重新构建样本空间。具体包括：

计算所述训练样本中所述与NOx排放量预测模型的相关输入变量的相关系数矩阵R：

其中，r_ab为所述训练样本中x_a与x_b的相关系数， r_ab＝r_ba，为变量x_a的样本均值，/>为变量x_b的样本均值；

根据特征方程|λI-R|＝0，计算特征值，所述特征值为λ_j,j＝1,2,…,p，并按从大到小的顺序排序所述特征值，λ₁≥λ₂≥…≥λ_p，其中，I表示单位矩阵；

计算每个所述特征值λ_j,j＝1,2,...,p对应的特征向量e_j,j＝1,2,...,p；其中，||e_j||＝1；

根据所述特征值，计算累计贡献率，选取所述累计贡献率达85％～95％的特征值，累计贡献率达85％～95％的特征值的个数确定为所述主成分分量的个数q；所述累计贡献率的计算公式：

根据所述特征值以及所述特征向量，计算主成分载荷矩阵L＝(l_ij)_q×p；所述主成分载荷的计算公式为i＝1,2，…，q,j＝1,2,…,p。根据主成分载荷矩阵确定最终与NOx排放量预测模型的相关输入变量，重新构建输入样本空间，所述重构的输入样本空间为机组负荷、总风量、总煤量、烟气含氧量、磨煤机给煤量。

采用LSTM循环神经网络模型建立SCR入口NOx动态预测模型。动态预测模型包括LSTM循环神经网络结构建立和LSTM循环神经网络模型训练。

所述LSTM循环神经网络结构的建立为建立多输入单输出的三层模型；所述第一层为输入层，根据PCA分析得到的机组负荷、总风量、总煤量、烟气含氧量、磨煤机给煤量确定输入层神经元个数；所述第二层为隐含层，为LSTM循环网络结构。LSTM隐含层的个数需要通过LSTM网络的迭代训练确定最佳的隐含层神经元个数，隐含层采用LSTM单元，该单元具有三个门和一个状态更新单元。所述三个门分别为输入门、遗忘门、输出门，输入门用来决定当前时刻网络的输入有多少保存到单元状态中；遗忘门决定上一时刻当前的状态有多少信息保留到当前时刻；输出门用来控制单元状态有多少输出到当前输出值；所述第三层为输出层，对应的是NOx排放量预测时间序列，该层通过全连接层输出。

所述LSTM循环神经网络模型训练是训练过程包括前向计算每个神经元的输出值、反向计算每个神经元的误差值以及计算每个神经元之间权重梯度和偏置梯度。其训练的参数共有8组，分别是遗忘门的权重矩阵W_fh、W_fx和偏置项b_f、输入门的权重矩阵W_ih、W_ix和偏置项b_i、输出门的权重矩阵W_oh、W_ox和偏置项b_o、计算单元状态的权重矩阵W_ch、W_cx和偏置项b_c。训练过程中，通过计算训练数据集的预测结果和实测结果的对比，计算损失函数，所述损失函数选择均方根误差作为目标损失函数，通过不断的训练直至损失函数达到最小。同时训练过程中选择自适应矩估计的Adam算法作为梯度下降的优化算法。通过LSTM网络的反向传播并更新网络中的参数，获得最优的权重及偏置，这样就完成了整个LSTM网络模型的训练过程。

获取当前时刻与NOx排放量相关的运行数据，根据主成分分析得到当前时刻的机组负荷、总风量、总煤量、烟气含氧量、磨煤机给煤量，并将当前时刻的参数输入到训练后的LSTM循环神经网络模型中，得到当前时刻最优SCR入口NOx预测值。

为实现上述目的，本发明还提供了一种用于NOx在线监测系统。

图3为本发明实施例用于NOx在线监测系统的结构示意图。所述在线监测系统包括：

步骤100，训练数据采集模块，对燃煤机组烟气生成机理及SCR系统机理分析，确定NOx排放量预测模型的输入变量，并采集与NOx排放量相关的运行数据，构建训练集数据。所述与NOx排放量预测模型的相关输入变量为：机组负荷、总风量、总煤量、烟气含氧量、磨煤机给煤量、二次风门开度、燃尽风门开度、炉膛出口温度等。

步骤200，训练数据预处理模块，基于采集的训练集数据，采用PCA算法降低输入维度，重新构建样本空间。所述采用PCA算法降低输入维度重构样本空间主要求取与NOx排放量预测模型的相关输入变量的相关系数矩阵R，并根据特征方程计算其特征值及特征向量，进而根据特征值确定累计贡献率达85％～95％的特征值的个数，也即所述主成分分量的个数。根据所述特征值及特征向量，计算主成分载荷矩阵L＝(l_ij)_q×p，根据主成分载荷矩阵确定最终与NOx排放量预测模型的相关输入变量，重新构建输入样本空间，所述重构的输入样本空间为机组负荷、总风量、总煤量、烟气含氧量、磨煤机给煤量。

步骤300，动态预测模型建立模块，采用LSTM循环神经网络模型建立 SCR入口NOx动态预测模型。动态预测模型包括LSTM循环神经网络结构建立和LSTM循环神经网络模型训练。

所述LSTM循环神经网络结构的建立为建立多输入单输出的三层模型；所述第一层为输入层，根据PCA分析得到的机组负荷、总风量、总煤量、烟气含氧量、磨煤机给煤量确定输入层神经元个数；所述第二层为隐含层，为LSTM循环网络结构。LSTM隐含层的个数需要通过LSTM网络的迭代训练确定最佳的隐含层神经元个数，隐含层采用LSTM单元，该单元具有三个门和一个状态更新单元。所述三个门分别为输入门、遗忘门、输出门，输入门用来决定当前时刻网络的输入有多少保存到单元状态中；遗忘门决定上一时刻当前的状态有多少信息保留到当前时刻；输出门用来控制单元状态有多少输出到当前输出值；所述第三层为输出层，对应的是NOx排放量预测时间序列，该层通过全连接层输出。

所述LSTM循环神经网络模型训练是训练过程包括前向计算每个神经元的输出值、反向计算每个神经元的误差值以及计算每个神经元之间权重梯度和偏置梯度。其训练的参数共有8组，分别是遗忘门的权重矩阵W_fh、W_fx和偏置项b_f、输入门的权重矩阵W_ih、W_ix和偏置项b_i、输出门的权重矩阵W_oh、W_ox和偏置项b_o、计算单元状态的权重矩阵W_ch、W_cx和偏置项b_c。训练过程中，通过计算训练数据集的预测结果和实测结果的对比，计算损失函数，所述损失函数选择均方根误差作为目标损失函数，通过不断的训练直至损失函数达到最小。同时训练过程中选择自适应矩估计的Adam算法作为梯度下降的优化算法。通过LSTM网络的反向传播并更新网络中的参数，获得最优的权重及偏置，这样就完成了整个LSTM网络模型的训练过程。

步骤400，当前时刻NOx预测模块，获取当前时刻与NOx排放量相关的运行数据，根据主成分分析得到当前时刻的机组负荷、总风量、总煤量、烟气含氧量、磨煤机给煤量，并将当前时刻的参数输入到训练后的LSTM循环神经网络模型中，得到当前时刻最优SCR入口NOx预测值。

与现有技术相比，本发明的有益效果为：

1、通过主成分分析方法减少了反应器入口NOx预测所使用的输入变量，降低了过多变量带来的信息冗余问题，提高了计算的速度和精度；

2、LSTM在解决时间序列方面具有明显的优势，而反应器入口NOx及其影响因素之间具有的时间特性，借助LSTM循环神经网络模型能够很好地解决两者之间的非线性问题，提前得到入口NOx的值；

3、最重要的一点，该技术能够提前预测反应器入口NOx的值，而且得到的预测精度较高，克服传统上依靠仪器分析得到的结果，引入一种快速、精确的预测模型。

如上所述，已经给出了本发明的优选实施例的详细描述，以使本领域技术人员能够实施和实践本发明。虽然已经参照示例性实施例描述了本发明，但是本领域技术人员将会理解，在不脱离所附权利要求书中描述的本发明的精神或范围的情况下，可以在本发明中进行各种修改和改变。因此，本发明不应限于在此描述的特定实施例，而应被赋予与本文公开的原理和新颖特征一致的最宽范围。

Claims (6)

1.一种基于智能化方法的NOx在线预测方法，其特征在于，所述基于智能化方法NOx在线预测方法包括：

步骤101，对燃煤机组烟气生成机理及SCR系统机理分析，确定NOx排放量预测模型的输入变量，并采集与NOx排放量相关的运行数据，构建训练集数据；

步骤201，基于采集的训练集数据，采用PCA算法降低输入维度，重新构建样本空间；

计算训练样本中所述与NOx排放量预测模型的相关输入变量的相关系数矩阵R：

其中，r_ab为所述训练样本中x_a与x_b的相关系数， 为变量x_a的样本均值，/>为变量x_b的样本均值；

根据特征方程|λI-R|＝0，计算特征值，所述特征值为λ_j,j＝1,2,...,p，并按从大到小的顺序排序所述特征值，λ₁≥λ₂≥…≥λ_p，其中，I表示单位矩阵；

计算每个所述特征值λ_j,j＝1,2,...,p对应的特征向量e_j,j＝1,2,...,p；其中，||e_j||＝1；

根据所述特征值，计算累计贡献率，选取所述累计贡献率达85％～95％的特征值，累计贡献率达85％～95％的特征值的个数确定为主成分分量的个数q；所述累计贡献率的计算公式：

根据所述特征值以及所述特征向量，计算主成分载荷矩阵L＝(l_ij)_q×p；所述主成分载荷的计算公式为根据主成分载荷矩阵确定最终与NOx排放量预测模型的相关输入变量，重新构建输入样本空间，所述重构的输入样本空间为机组负荷、总风量、总煤量、烟气含氧量、磨煤机给煤量，

步骤301，采用LSTM循环神经网络模型建立SCR入口NOx动态预测模型；

步骤401，获取当前时刻与NOx排放量相关的运行数据，确定当前时刻最优SCR入口NOx预测值。

2.根据权利要求1所述的基于智能化方法的NOx在线预测方法，其特征在于，步骤101中与NOx排放量预测模型的相关输入变量为：机组负荷、总风量、总煤量、烟气含氧量、磨煤机给煤量、二次风门开度、燃尽风门开度、炉膛出口温度，所述构建训练集数据主要构建由输入时间序列信号和输出时间序列信号组成的时间序列集(X,Y)，所述输入时间序列信号为训练样本的输入值X＝[x_i]_m＝[x_ij]_mⅹp，i＝1,2,…,t,…m，j＝1,2,……p，m为训练样本的个数，p为与NOx排放量预测模型的相关输入变量个数；所述输出时间序列信号为训练样本输出值Y＝[y_i]_mⅹ1，i＝1,2,…,t,…m，m为所述训练样本的个数，此处即是指SCR入口NOx排放量。

3.根据权利要求1所述的基于智能化方法的NOx在线预测方法，其特征在于，步骤301具体包括：

建立LSTM循环神经网络结构，所述LSTM循环神经网络结构为多输入单输出的三层模型；所述第一层为输入层，训练数据集中与NOx排放量相关的运行时间序列数据，输入神经元个数为主成分分量的个数；所述第二层为隐含层，为LSTM循环网络结构，LSTM隐含层的个数需要通过LSTM网络的迭代训练确定最佳的隐含层神经元个数，LSTM隐含层采用LSTM单元，该单元具有三个门和一个状态更新单元，所述三个门分别为输入门、遗忘门、输出门，输入门用来决定当前时刻网络的输入有多少保存到单元状态中；遗忘门决定上一时刻当前的状态有多少信息保留到当前时刻；输出门用来控制单元状态有多少输出到当前输出值；所述第三层为输出层，对应的是NOx排放量时间序列；

训练LSTM循环神经网络模型，训练过程包括前向计算每个神经元的输出值、反向计算每个神经元的误差值以及计算每个神经元之间权重梯度和偏置梯度，其训练的参数共有8组，分别是遗忘门的权重矩阵W_fh、W_fx和偏置项b_f、输入门的权重矩阵W_ih、W_ix和偏置项b_i、输出门的权重矩阵W_oh、W_ox和偏置项b_o、计算单元状态的权重矩阵W_ch、W_cx和偏置项b_c；

所述前向计算每个神经元的输出值，计算每个门的输出值，其前向计算公式：

遗忘门，f_t＝σ(net_f,t)＝σ(W_f·[h_t-1,x_t]+b_f)

输入门，i_t＝σ(net_i,t)＝σ(W_i·[h_t-1,x_t]+b_i)

状态更新单元信息，

输出门，o_t＝σ(net_o,t)＝σ(W_o·[h_t-1,x_t]+b_o)

隐含层最终输出，

全连接层的输出，y_t＝W_yh_t+b_y

其中，net_f,t、net_i,t、net_o,t为LSTM网络中f_t、i_t、c_t、o_t的加权输入；W_f是遗忘门的权重矩阵；h_t-1是上一时刻LSTM网络的输出值；x_t为当前时刻的输入向量，也即与NOx排放量相关的输入变量；b_f是遗忘门的偏置项；W_i是输入门的权重矩阵；b_i是输入门的偏置项；/>为当前输入的单元状态；W_c是状态更新单元的权重矩阵；b_c是状态更新单元的偏置项；W_o是输出门的权重矩阵；b_o是输出门的偏置项；W_y是隐含层至全连接层的权重矩阵；b_y是隐含层到全连接层的偏置项；/>表示两个矩阵按元素相乘；tanh是双曲正切激活函数；σ(·)表示sigmoid函数/>

所述LSTM反向计算就是计算每个神经元的误差值，其沿着两个误差传播的方向，一个是沿时间的反向传播，从当前时刻开始，计算每个时刻的误差项；另一个是将误差项向上一层传播；在t时刻，LSTM网络的输出值为h_t，那么t时刻的误差项δ_t为：

其中，E为网络所有样本误差，

设δ_f,t、δ_i,t、δ_o,t为LSTM网络中f_t、i_t、c_t、o_t对应的误差项，其计算公式为：

net_f,t＝W_f·[h_t-1,x_t]+b_f＝W_fhh_t-1+W_fxx_t+b_f net_i,t＝W_i·[h_t-1,x_t]+b_i＝W_ihh_t-1+W_ixx_t+b_i

net_o,t＝W_o·[h_t-1,x_t]+b_o＝W_ohh_t-1+W_oxx_t+b_o

误差项沿时间轴方向的反向传播为：沿时间轴方向传播的误差项主要是计算相邻的前一时刻的误差项，也即t-1时刻的误差项δ_t-1为：

根据LSTM网络中各个门的计算过程，f_t、i_t、o_t是h_t-1的函数，通过全导数公式上式可转化为：

根据遗忘门、输入门、状态更新单元信息、输出门及隐含层最终输出计算公式，可得到：

同时根据f_t、i_t、o_t以及net_f,t、net_i,t、/>net_o,t的计算公式，得到对应的偏导数：

将上述公式带入到t-1时刻的误差项δ_t-1中，得到：

根据误差项沿着时间轴反向传播上一时刻的规律，得到误差项沿着时间轴反向传播到任意k时刻的公式即：

另一个反向传播是将误差项向上一层传播，假设当前为第l层，则第l-1层的误差项就是误差函数E对l-1层加权输入/>的导数，即：

是网络在t时刻的输入x_t的函数，而/>为/>的函数，因此需借助全导数公式求出第l-1层的误差项/>

所述计算每个神经元之间的权重和偏置梯度，LSTM网络的梯度是根据过去各个时刻的权重梯度叠加而得到，在已知误差项δ_f,t、δ_i,t、以及δ_o,t的情况下，LSTM网络在t时刻的权重梯度和偏置项梯度：

将LSTM网络所有时刻的梯度线性叠加，得到最终的权重梯度和偏置项梯度：

同理，根据误差项计算出W_fx、W_ix、W_cx、W_ox的权重梯度，即：

训练过程中选择均方根误差作为目标损失函数，选择自适应矩估计的Adam算法作为梯度下降的优化算法，通过LSTM网络的反向传播并更新网络中的参数，获得最优的权重及偏置，完成整个LSTM网络模型的训练过程。

4.根据权利要求1所述的基于智能化方法的NOx在线预测方法，其特征在于，步骤401中获取当前时刻与NOx排放量相关的运行数据，根据主成分分析得到当前时刻的机组负荷、总风量、总煤量、烟气含氧量、磨煤机给煤量，并将当前时刻的参数输入到训练后的LSTM循环神经网络模型中，得到当前时刻最优SCR入口NOx预测值。

5.一种基于智能化方法的NOx在线预测系统，其特征在于，所述NOx在线预测系统包括：

训练数据采集模块，对燃煤机组烟气生成机理及SCR系统机理分析，确定NOx排放量预测模型的输入变量，并采集与NOx排放量相关的运行数据，构建训练集数据，所述与NOx排放量预测模型的相关输入变量为：机组负荷、总风量、总煤量、烟气含氧量、磨煤机给煤量、二次风门开度、燃尽风门开度、炉膛出口温度；

训练数据预处理模块，基于采集的训练集数据，采用PCA算法降低输入维度，重新构建样本空间；

动态预测模型建立模块，采用LSTM循环神经网络模型建立SCR入口NOx动态预测模型；

当前时刻NOx预测模块，获取当前时刻与NOx排放量相关的运行数据，根据主成分分析得到当前时刻的机组负荷、总风量、总煤量、烟气含氧量、磨煤机给煤量，并将当前时刻的参数输入到训练后的LSTM循环神经网络模型中，得到当前时刻最优SCR入口NOx预测值；

所述训练数据预处理模块主要包括：

计算训练样本中所述与NOx排放量预测模型的相关输入变量的相关系数矩阵R：

其中，r_ab为所述训练样本中x_a与x_b的相关系数， 为变量x_a的样本均值，/>为变量x_b的样本均值；

根据特征方程|λI-R|＝0，计算特征值，所述特征值为λ_j,j＝1,2,…,p，并按从大到小的顺序排序所述特征值，λ₁≥λ₂≥…≥λ_p，其中，I表示单位矩阵；

计算每个所述特征值λ_j,j＝1,2,…,p对应的特征向量e_j,j＝1,2,…,p；其中，||e_j||＝1；

根据所述特征值，计算累计贡献率，选取所述累计贡献率达85％～95％的特征值，累计贡献率达85％～95％的特征值的个数确定为主成分分量的个数q；所述累计贡献率的计算公式：

根据所述特征值以及所述特征向量，计算主成分载荷矩阵L＝(l_ij)_q×p；所述主成分载荷的计算公式为根据主成分载荷矩阵确定最终与NOx排放量预测模型的相关输入变量，重新构建输入样本空间，所述重构的输入样本空间为机组负荷、总风量、总煤量、烟气含氧量、磨煤机给煤量。

6.根据权利要求5所述的基于智能化方法的NOx在线预测系统，所述动态预测模型建立模块主要包括：

建立LSTM循环神经网络结构，所述LSTM循环神经网络结构为多输入单输出的三层模型；所述第一层为输入层，训练数据集中与NOx排放量相关的运行时间序列数据，输入神经元个数为主成分分量的个数；所述第二层为隐含层，为LSTM循环网络结构，LSTM隐含层的个数需要通过LSTM网络的迭代训练确定最佳的隐含层神经元个数，LSTM隐含层采用LSTM单元，该单元具有三个门和一个状态更新单元，所述三个门分别为输入门、遗忘门、输出门，输入门用来决定当前时刻网络的输入有多少保存到单元状态中；遗忘门决定上一时刻当前的状态有多少信息保留到当前时刻；输出门用来控制单元状态有多少输出到当前输出值；所述第三层为输出层，对应的是NOx排放量时间序列；

训练LSTM循环神经网络模型，训练过程包括前向计算每个神经元的输出值、反向计算每个神经元的误差值以及计算每个神经元之间权重梯度和偏置梯度，其训练的参数共有8组，分别是遗忘门的权重矩阵W_fh、W_fx和偏置项b_f、输入门的权重矩阵W_ih、W_ix和偏置项b_i、输出门的权重矩阵W_oh、W_ox和偏置项b_o、计算单元状态的权重矩阵W_ch、W_cx和偏置项b_c；

所述前向计算每个神经元的输出值，计算每个门的输出值，其前向计算公式：

遗忘门，f_t＝σ(net_f,t)＝σ(W_f·[h_t-1,x_t]+b_f)

输入门，i_t＝σ(net_i,t)＝σ(W_i·[h_t-1,x_t]+b_i)

状态更新单元信息，

输出门，o_t＝σ(net_o,t)＝σ(W_o·[h_t-1,x_t]+b_o)

隐含层最终输出，

全连接层的输出，y_t＝W_yh_t+b_y

其中，net_f,t、net_i,t、net_o,t为LSTM网络中f_t、i_t、c_t、o_t的加权输入；W_f是遗忘门的权重矩阵；h_t-1是上一时刻LSTM网络的输出值；x_t为当前时刻的输入向量，也即与NOx排放量相关的输入变量；b_f是遗忘门的偏置项；W_i是输入门的权重矩阵；b_i是输入门的偏置项；/>为当前输入的单元状态；W_c是状态更新单元的权重矩阵；b_c是状态更新单元的偏置项；W_o是输出门的权重矩阵；b_o是输出门的偏置项；W_y是隐含层至全连接层的权重矩阵；b_y是隐含层到全连接层的偏置项；/>表示两个矩阵按元素相乘；tanh是双曲正切激活函数；σ(·)表示sigmoid函数/>

所述LSTM反向计算就是计算每个神经元的误差值，其沿着两个误差传播的方向，一个是沿时间的反向传播，从当前时刻开始，计算每个时刻的误差项；另一个是将误差项向上一层传播，在t时刻，LSTM网络的输出值为h_t，那么t时刻的误差项δ_t为：

其中，E为网络所有样本误差，

设δ_f,t、δ_i,t、δ_o,t为LSTM网络中f_t、i_t、c_t、o_t对应的误差项，其计算公式为：

net_f,t＝W_f·[h_t-1,x_t]+b_f＝W_fhh_t-1+W_fxx_t+b_f net_i,t＝W_i·[h_t-1,x_t]+b_i＝W_ihh_t-1+W_ixx_t+b_i

net_o,t＝W_o·[h_t-1,x_t]+b_o＝W_ohh_t-1+W_oxx_t+b_o

误差项沿时间轴方向的反向传播为：沿时间轴方向传播的误差项主要是计算相邻的前一时刻的误差项，也即t-1时刻的误差项δ_t-1为：

根据LSTM网络中各个门的计算过程，f_t、i_t、o_t是h_t-1的函数，通过全导数公式上式可转化为：

根据遗忘门、输入门、状态更新单元信息、输出门及隐含层最终输出计算公式，可得到：

同时根据f_t、i_t、o_t以及net_f,t、net_i,t、/>net_o,t的计算公式，得到对应的偏导数：

将上述公式带入到t-1时刻的误差项δ_t-1中，得到：

根据误差项沿着时间轴反向传播上一时刻的规律，得到误差项沿着时间轴反向传播到任意k时刻的公式即：

另一个反向传播是将误差项向上一层传播，假设当前为第l层，则第l-1层的误差项就是误差函数E对l-1层加权输入/>的导数，即：

是网络在t时刻的输入x_t的函数，而/>为/>的函数，因此需借助全导数公式求出第l-1层的误差项/>

所述计算每个神经元之间的权重和偏置梯度，LSTM网络的梯度是根据过去各个时刻的权重梯度叠加而得到，在已知误差项δ_f,t、δ_i,t、以及δ_o,t的情况下，LSTM网络在t时刻的权重梯度和偏置项梯度：

将LSTM网络所有时刻的梯度线性叠加，得到最终的权重梯度和偏置项梯度：

同理，根据误差项计算出W_fx、W_ix、W_cx、W_ox的权重梯度，即：

训练过程中选择均方根误差作为目标损失函数，选择自适应矩估计的Adam算法作为梯度下降的优化算法，通过LSTM网络的反向传播并更新网络中的参数，获得最优的权重及偏置，完成整个LSTM网络模型的训练过程。