[發(fā)明專利]一種由GRU網絡的氣體排放濃度預測方法及系統(tǒng)

有效

• 申請?zhí)枺?/td>: 202010928729.0
• 申請日: 2020-09-07
• 公開（公告）號: CN112070156B
• 公開（公告）日: 2021-12-21
• 發(fā)明（設計）人: 李德波;廖宏楷;周杰聯(lián);陳拓;成明濤;馮永新
• 申請（專利權）人: 南方電網電力科技股份有限公司
• 主分類號: G06K9/62
• 分類號: G06K9/62;G06Q50/26
• 代理公司: 北京集佳知識產權代理有限公司 11227
• 代理人: 沈闖

本申請公開了一種由GRU網絡的氣體排放濃度預測方法及系統(tǒng)，該方法包括獲取用于預測氣體排放濃度的第一參數(shù)數(shù)據集；由第一參數(shù)數(shù)據集進行特征選擇，得到多項用于輸入到GRU網絡進行網絡訓練的特征向量；由所得的多項特征向量，將第一參數(shù)數(shù)據集劃分為訓練集和測試集；將訓練集作為待訓練GRU網絡的輸入，對GRU網絡進行訓練，直到滿足迭代收斂條件時，輸出預訓練網絡；將測試集作為預訓練網絡的輸入，通過衡量預訓練網絡輸出的預測值與給定實際值之間的偏差，在偏差值小于預置的偏差閾值時，得到訓練好的氣體排放濃度預測模型。

技術領域

本申請涉及環(huán)境工程檢測技術領域，尤其涉及一種由GRU網絡的氣體排放濃度預測方法及系統(tǒng)。

背景技術

隨著大氣污染問題的日益突出，我國火電機組的大氣污染物排放已納入嚴格監(jiān)管。傳統(tǒng)的低NOx燃燒控制很難滿足排放標準，需配合尾部煙氣脫硝裝置，國內外已廣泛采用SCR煙氣脫硝技術。

目前的實現(xiàn)方案，利用PCA方法對原始數(shù)據進行特征提取，由RNN神經網絡建立脫硝系統(tǒng)NOx排放預測模型。但是經過PCA降維分析的主成分在解釋其含義時比較模糊，無法像原始變量中描述的一樣清晰、準確；同時由于降維后的數(shù)據量較少，在實際的工業(yè)應用中參考意義不大。

傳統(tǒng)人工神經網絡RBF模型，其空間復雜度很大且同時預測結果達不到實際應用的要求。LSSVM模型的決定系數(shù)R2相比于RBF模型較優(yōu)，但LSSVM模型的均方根誤差和平均絕對誤差均比RBF模型的要高，因此，采用LSSVM模型進行氣體排放濃度預測的穩(wěn)定性較為不足。

發(fā)明內容

本申請?zhí)峁┝艘环N由GRU網絡的氣體排放濃度預測方法及系統(tǒng)，利用GRU網絡在模型精度、泛化能力和訓練速度上的優(yōu)勢，避免發(fā)生氣體濃度測量存在滯后和測量值不準確的情況，有效的提高了預測精度。

有鑒于此，本申請第一方面提供了一種由GRU網絡的氣體排放濃度預測方法，所述方法包括：

獲取用于預測氣體排放濃度的第一參數(shù)數(shù)據集；

由所述第一參數(shù)數(shù)據集進行特征選擇，得到多項用于輸入到GRU網絡進行網絡訓練的特征向量；

由所得的多項特征向量，將所述第一參數(shù)數(shù)據集劃分為訓練集和測試集；

將訓練集作為所述GRU網絡的輸入，對GRU網絡進行訓練，直到滿足迭代收斂條件時，輸出預訓練網絡；

將所述測試集作為所述預訓練網絡的輸入，計算所述預訓練網絡輸出的預測值與給定實際值之間的偏差，若偏差值小于預置的偏差閾值，得到氣體排放濃度預測模型。

可選的，在對所述第一參數(shù)數(shù)據集進行特征選擇前，還包括：

采用奇異值檢查方法或閾值檢查方法從所述第一參數(shù)數(shù)據集中過濾出非正常運行數(shù)據，其中，采用奇異值檢查方法進行非正常運行數(shù)據過濾包括：

由所述第一參數(shù)數(shù)據集中包括的各項數(shù)據進行奇異值檢查；

由奇異值檢查結果，定義異常值；

從所述第一參數(shù)數(shù)據集中去除異常值，或將異常值定義為缺失值并進行缺失值的補齊；

所述采用閾值檢查方法包括從所述第一參數(shù)數(shù)據集中選取參數(shù)取值低于預置檢測閾值的非正常運行數(shù)據。

可選的，在所述采用奇異值檢查方法或閾值檢查方法從所述第一參數(shù)數(shù)據集中過濾出非正常運行數(shù)據，之后還包括：

采用Z-score數(shù)據標準化方法對過濾出非正常運行數(shù)據的第二參數(shù)數(shù)據集進行標準化處理。

可選的，由所述第一參數(shù)數(shù)據集進行特征選擇具體為：

利用互信息特征選擇算法，對標準化處理后的第二參數(shù)數(shù)據集進行特征選擇包括：