[發明專利]脫硝系統NOx濃度預測方法、裝置、計算機設備和存儲介質

在審

• 申請號: 202011437818.1
• 申請日: 2020-12-07
• 公開（公告）號: CN112766534A
• 公開（公告）日: 2021-05-07
• 發明（設計）人: 王祖林;韓碩;康俊杰;李云飛;藕泉江;胡國力;牛玉廣
• 申請（專利權）人: 河北國華定州發電有限責任公司;華北電力大學;北京達華潔能工程技術有限公司
• 主分類號: G06Q10/04
• 分類號: G06Q10/04;G06N3/04;G06N3/08;G06Q50/06
• 代理公司: 北京專贏專利代理有限公司 11797
• 代理人: 于剛

1.一種脫硝系統NOx濃度預測方法，其特征在于，所述脫硝系統NOx濃度預測方法包括：

獲取運行參數并對所述運行參數進行去噪處理；

基于隨機森林算法，根據所述運行參數與NOx濃度的相關度選取若干個所述運行參數作為輸入變量；

將所述輸入變量輸入到預訓練的深度學習雙向長短時記憶神經網絡進行處理以輸出NOx濃度預測值。

2.根據權利要求1所述的脫硝系統NOx濃度預測方法，其特征在于，所述對所述運行參數進行去噪處理，包括以下步驟：

將所述運行參數按一定規則排序；

從前往后依次取若干個相鄰的所述運行參數的平均值得到去噪處理結果。

3.根據權利要求1所述的脫硝系統NOx濃度預測方法，其特征在于，所述基于隨機森林算法，根據所述運行參數與NOx濃度的相關度選取若干個所述運行參數作為輸入變量，包括以下步驟：

確定每個所述運行參數在每個決策樹節點中的基尼指數大小；

根據每個所述運行參數在各個決策樹節點中的基尼指數的大小確定所述運行參數與NOx濃度的相關度；

選取所述相關度最高的前若干個所述運行參數作用為輸入變量。

4.根據權利要求3所述的脫硝系統NOx濃度預測方法，其特征在于，所述基尼指數通過下式確定：

式中，GI表示基尼指數；k為類別個數；P_nk表示類別k在節點n中所占的比例大小。

5.根據權利要求3所述的脫硝系統NOx濃度預測方法，其特征在于，所述運行參數與NOx濃度的相關度通過下式確定：

式中，L表示隨機森林中節點的個數；VIM表示變量的重要性；i表示決策樹的標號。

6.根據權利要求1所述的脫硝系統NOx濃度預測方法，其特征在于，所述深度學習雙向長短時記憶神經網絡包括輸入層、雙向長短時記憶層、全連接層和輸出層；

其中，所述輸入層的層數等于特征個數，所述全連接層的層數等于響應數。

7.根據權利要求1所述的脫硝系統NOx濃度預測方法，其特征在于，所述深度學習雙向長短時記憶神經網絡通過以下方法進行訓練：

獲取運行參數集并對所述運行參數集進行去噪處理；

基于隨機森林算法，根據所述運行參數集與NOx濃度的相關度選取若干個所述運行參數作為輸入變量，并將所述輸入變量劃分為訓練集以及測試集；

將所述訓練集輸入到深度學習雙向長短時記憶神經網絡進行處理以輸出NOx濃度預測值；

根據輸入的所述NOx濃度預測值調整所述深度學習雙向長短時記憶神經網絡的參數直至輸出結構滿足設定條件；

將所述測試集輸入到深度學習雙向長短時記憶神經網絡進行處理以對所述深度學習雙向長短時記憶神經網絡進行測試。

8.一種脫硝系統NOx濃度預測裝置，其特征在于，所述脫硝系統NOx濃度預測裝置包括：

數據獲取模塊，用于獲取運行參數并對所述運行參數進行去噪處理；

選取模塊，用于基于隨機森林算法，根據所述運行參數與NOx濃度的相關度選取若干個所述運行參數作為輸入變量；

處理模塊，用于將所述輸入變量輸入到預訓練的深度學習雙向長短時記憶神經網絡進行處理以輸出NOx濃度預測值。

9.一種計算機設備，其特征在于，包括存儲器和處理器，所述存儲器中存儲有計算機程序，所述計算機程序被所述處理器執行時，使得所述處理器執行權利要求1至7中任一項權利要求所述脫硝系統NOx濃度預測方法的步驟。

10.一種計算機可讀存儲介質，其特征在于，所述計算機可讀存儲介質上存儲有計算機程序，所述計算機程序被處理器執行時，使得所述處理器執行權利要求1至7中任一項權利要求所述脫硝系統NOx濃度預測方法的步驟。