[發明專利]基于多變量時序深度網絡模型的水泥煙囪NOX預測方法

有效

• 申請號: 202110560060.9
• 申請日: 2021-05-21
• 公開（公告）號: CN113268871B
• 公開（公告）日: 2023-04-07
• 發明（設計）人: 趙彥濤;閆歡;丁伯川;張玉玲;王正坤;張策;郝曉辰
• 申請（專利權）人: 燕山大學
• 主分類號: G06F30/20
• 分類號: G06F30/20;G06N3/045;G06N3/0442;G06N3/08
• 代理公司: 石家莊眾志華清知識產權事務所(特殊普通合伙) 13123
• 代理人: 張建

1.一種基于多變量時序深度網絡模型的水泥煙囪NO_X預測方法，其特征在于：該方法包括以下步驟：

步驟1，根據水泥NO_X產生機理、脫硝過程以及排放流程工藝，選用13個變量作為水泥煙囪NO_X預測的輸入變量，并對多變量時間序列統一進行歸一化處理；選取的13個輸入變量，其中體現NO_X生成機理的變量有6個：二次風溫、窯頭煤、窯尾溫度、喂料量、窯電流平均值、煙室NO_X反饋量，體現NO_X脫硝及排放的變量有7個：分解爐出口溫度、分解爐喂煤量、一級筒氧氣含量、C11A出口溫度、脫硝?供氧泵頻率反饋、氨水流量AB、脫硝?NO_X反饋值，選取的13個變量中包括12個過程變量和一個目標變量歷史信息作為煙囪NO_X預測模型MT-LSTMs的輸入變量，依次對每個變量進行歸一化處理；

步驟2，根據水泥NO_X生成過程中多變量時間序列在時域上表現的特征，建立基于深度學習LSTM特征重構模型，利用該模型提取反映水泥NO_X生成過程的本質特征；在步驟2中建立的基于深度學習LSTM特征重構模型，將LSTM模型后加入兩層全連接層，利用特征重構模型進行NO_X生成過程本質特征的提取；

步驟3，依據水泥煙囪NO_X整體工藝流程，將步驟2得到的特征與脫硝排放過程的特征融合,建立一種基于多變量時間序列長短時神經網絡LSTM水泥煙囪NO_X預測模型MT-LSTMs，確定模型的初始參數，并對網絡模型進行前向訓練；

步驟4，利用誤差反向微調進行有監督訓練，通過對誤差修正來優化模型參數；采用代價函數誤差反向微調，代價函數包含主要損失函數Margin?Loss和重構損失函數Reconstruction?Loss；

其中主要損失函數就是模型預測輸出與標簽y之間的交叉熵，主要損失函數的表達式如下所示：

重構損失函數就是通過構建輸出特征向量的重構特征，計算重構特征與輸入數據時間序列之間的交叉熵，重構損失函數的表達式如下所示：

Reconstruction?Loss＝-∑_k(r_klogx_k+x_klogr_k)????????(12)

最后本模型訓練過程的損失函數L由主要損失函數Margin?Loss和重構損失函數Reconstruction?Loss組成，

相比于RNN，LSTM除了有隱藏狀態h_t,還多了一個細胞狀態C_t，LSTM的反向轉播算法：首先定義隱層狀態h_t和C_t的梯度表示為并且設t＝τ時的損失函數用l(t)表示，t＜τ時的損失函數用L(t)表示

LSTM要訓練的參數分別為：W_f、U_f、b_f、W_i、U_i、b_i、W_c、U_c、b_c、W_o、U_o、b_o，其中以W_f為例

本模型中采用的是多層LSTM，訓練方式同上述LSTM一樣，還需進行上一層的傳播計算，計算如下：

設當前層是K層，則K-1層的誤差項δ_h^K-1、δ_c^K-1是損失函數對K-1層的加權輸入的導數，計算公式如下：

最后將訓練好的模型用于NO_X生成過程的特征提取，提取到的特征表示為x(k)；

步驟5，利用步驟3和步驟4中訓練好的MT-LSTMs模型對水泥煙囪NO_X進行預測，將步驟2提取的特征和步驟1中的NO_X脫硝排放變量特征融合，作為MT-LSTMs模型的輸入；

最后得到的煙囪NO_X預測輸出表達式如下所示：