[發明專利]一種基于時延神經網絡及支持向量機的脫硫效率預測方法

在審

• 申請號: 202111446664.7
• 申請日: 2021-11-30
• 公開（公告）號: CN114201915A
• 公開（公告）日: 2022-03-18
• 發明（設計）人: 薛菲;彭愿;陳超;鄢烈祥;周力
• 申請（專利權）人: 漢谷云智（武漢）科技有限公司
• 主分類號: G06F30/27
• 分類號: G06F30/27;G06F119/02
• 代理公司: 武漢知伯樂知識產權代理有限公司 42282
• 代理人: 王福新

本發明屬于脫硫技術領域，并具體公開了一種基于時延神經網絡及支持向量機的脫硫效率預測方法。包括采集脫硫系統運行數據以及脫硫效率數據，基于神經網絡結構，構建初級脫硫效率預測模型，增加初級脫硫效率預測模型的隱含層，以構建脫硫效率預測模型,計算脫硫效率預測模型反向傳播誤差的累計誤差,將所述累計誤差傳輸至多分類支撐向量機中，進行累計誤差訓練，將最優累計誤差作為所述脫硫效率預測模型的下降策略，進行收斂計算，并及時調整脫硫效率預測模型的權重和閾值，使得所述脫硫效率預測模型的預測精度滿足要求，獲取最優脫硫效率預測模型。本發明能極大提高預測精度，具有更好魯棒性、記憶能力、非線性映射能力以及強大的自學習能力。

技術領域

本發明屬于脫硫技術領域，更具體地，涉及一種基于時延神經網絡及支持向量機的脫硫效率預測方法。

背景技術

雖然石灰石-石膏濕法煙氣脫硫技術成熟，且在脫硫效率、運行穩定性及副產品處理方面具有較大的優勢。然而其工藝流程復雜，容易堵塞管道和設備，日常運行中的能耗與物耗相對開銷較大。

現有的濕法脫硫系統難以精確化控制能耗，極易造成電耗、石灰石耗量增加和SO₂出口濃度劇烈波動，主要原因是由于傳統的濕法脫硫系統脫硫效率大遲延和大慣性和非線性，導致其無法準確被預測從而及時調整相關運行參數。

神經網絡有很強的非線性擬合能力，可映射任意復雜的非線性關系，而且學習規則簡單，便于計算機實現。具有很強的魯棒性、記憶能力、非線性映射能力以及強大的自學習能力，但是沒能力來解釋自己的推理過程和推理依據，結果勢必是丟失信息，理論和學習算法還有待于進一步完善和提高。支持向量機(SVM)是一種有堅實理論基礎的新穎的小樣本學習方法，它基本上不涉及概率測度及大數定律等，因此不同于現有的統計方法。但是，SVM算法對大規模訓練樣本難以實施。

基于上述缺陷和不足，本領域亟需尋找合適的途徑預測濕法脫硫系統脫硫效率，并以此為依據調整相應運行參數，以解決現有技術中脫硫效率無法準確被預測的問題。

發明內容

針對現有技術的以上缺陷或改進需求，本發明提供了一種基于時延神經網絡及支持向量機的脫硫效率預測方法，其中結合脫硫系統自身的特征及其脫硫效率預測工藝特點，相應設計了基于時延神經網絡及支持向量機的脫硫效率預測方法，其中，采用包含隱含層的時延神經網絡構建脫硫效率預測模型，并計算隱藏層各神經元的累計誤差，采用支持向量機對該累計誤差進行迭代訓練，以尋求最優解，從而克服了現有神經網絡計算過程中直接通過自身閾值進行參數調整帶來結果不精確或難以收斂的問題，因而能極大提高預測精度，具有更好魯棒性、記憶能力、非線性映射能力以及強大的自學習能力，系統預測誤差小于1％。將預測系統投入實際運行后，脫硫系統電耗降低5％，水和石灰石降低1％，一年綜合節約成本100萬以上。

為實現上述目的，本發明提出了一種基于時延神經網絡及支持向量機的脫硫效率預測方法，包括以下步驟：

S1采集脫硫系統運行數據以及脫硫效率數據，對所述脫硫系統運行數據以及脫硫效率數據進行預處理；

S2基于神經網絡結構，以所述脫硫系統運行數據作為脫硫效率預測模型的輸入，脫硫效率數據作為脫硫效率預測模型的輸出，構建初級脫硫效率預測模型，基于延時神經網絡結構增加初級脫硫效率預測模型的隱含層，以構建脫硫效率預測模型；

S3計算脫硫效率預測模型反向傳播誤差的累計誤差；

S4將所述累計誤差傳輸至多分類支撐向量機中，進行累計誤差訓練，并求出最優累計誤差；

S5將所述最優累計誤差作為所述脫硫效率預測模型的下降策略，進行收斂計算，并及時調整脫硫效率預測模型的權重和閾值，使得所述脫硫效率預測模型的預測精度滿足要求，獲取最優脫硫效率預測模型；

S6采用所述最優脫硫效率預測模型進行脫硫效率預測，并輸出預測結果。