基于时序特征与LSTM网络的电站锅炉烟气含氧量预测方法技术

本发明专利技术公开了一种基于时序特征与LSTM网络的电站锅炉烟气含氧量预测方法，包括：1、数据的采集和预处理；2、滑动窗口截取辅助变量数据归一化矩阵；3、CNN网络提取截取后结果的时序特征；4、调整截取间隔和截取区间截取辅助变量数据并提取特征，拼接辅助变量和烟气氧含量归一化矩阵送入LSTM网络，根据预测拟合度R2判断整体辅助变量的最优时序特征；5、提取各个辅助变量的最优时序特征并构建最优预测模型。本发明专利技术能充分考虑影响辅助变量和电站锅炉烟气含氧量时间延迟问题，并提取各个辅助变量的最优时序特征并构建最优预测模型，从而能提升模型的预测精度，有助于实现电站锅炉烟气含氧量在线软测量。在线软测量。在线软测量。

【技术实现步骤摘要】
基于时序特征与LSTM网络的电站锅炉烟气含氧量预测方法


[0001]本专利技术涉及电站锅炉烟气含氧量在线软测量
，具体的说是一种基于时序特征与LSTM网络的电站锅炉烟气含氧量预测方法。

技术介绍

[0002]电站锅炉烟气含氧量是评价燃烧过程好坏和锅炉优化运行的重要标准，也是调节最佳风煤比的主要依据。目前直接使用的氧量测量仪器存在设备成本昂贵、安装环境恶劣、使用寿命短、积灰后稳定性差、测量结果滞后、各类电磁干扰复杂、经常需要对氧量计校正归零等问题。为了解决上述直接测量的问题，提出依赖辅助变量达到测量效果的软测量技术，由此电站锅炉烟气含氧量实时数据驱动建模方法应运而生。

技术实现思路

[0003]本专利技术是为了解决上述现有技术存在的不足之处，提出一种基于时序特征与LSTM网络的电站锅炉烟气含氧量预测方法，以期能充分考虑辅助变量和电站锅炉烟气氧含量时延特性，并提取辅助变量最优时序特征，以构建最优预测模型，从而能提升预测精度，并对电站锅炉调节最佳风煤比提供准确依据，进而为电站锅炉燃烧系统优化提供指导。
[0004]本专利技术为达到上述专利技术目的，采用如下技术方案：
[0005]本专利技术一种基于时序特征与LSTM网络的电站锅炉烟气含氧量预测方法的特点是按如下步骤进行：
[0006]步骤1、数据的采集和预处理：
[0007]步骤1.1、按照电站锅炉烟气产生工艺机理，获取煤粉锅炉DCS分布式控制系统中在连续时间段的m个采样周期为t1的n维的辅助变量数据、h个采样周期为t2的烟气含氧量数据，其中，第i个时间采样点的n维辅助变量数据记为第i个行向量a
i
，j个时间采样点的烟气含氧量数据记为列向量b
j
，其中，m/t1＝h/t2，t1＜＜t2，i∈[1，m]，j∈[1，h]；
[0008]步骤1.2、计算第i个行向量a
i
中的第p个特征a
i
×
p
的归一化值a
′
i
×
p
，从而构建辅助变量数据归一化矩阵A＝(a
′
i
×
p
)
m
×
n
，计算列向量b
j
第j个特征值b
j
×1的归一化值b
′
j
×1，从而构建烟气氧含量归一化矩阵B＝(b
′
j
×1)
h
×1，p∈[1，n]；
[0009]步骤2、辅助变量数据归一化矩阵的截取：
[0010]设置每次滑动窗口的长度即截取区间为T2，每次截取间隔为T1，则每次提取间隔g为T2/t1行n维辅助变量数据，提取长度l为T1/t1行n维辅助变量数据，从而得到每次滑动窗口截取的h个结果记为A*＝[A1，A2，...，A
h
]，并对应h个烟气氧含量归一化矩阵B＝(b
′1×
j
)1×
h
；其中，A
h
表示第h次的截取结果，且
[0011]步骤3、截取后结果的特征提取：
[0012]构建CNN网络的输入层、卷积层、激活函数层、池化层和全连接层并初始化各个层
的参数后，将h个结果A*输入所述CNN网络中进行时序特征的提取，得到数据时序特征的参数后，将h个结果A*输入所述CNN网络中进行时序特征的提取，得到数据时序特征其中，表示第h个截取结果A
h
的时序特征；
[0013]步骤4、提取整体辅助变量的最优时序特征：
[0014]步骤4.1、设置截取间隔T1的变化范围为[1，H]，定义变量s，其中，H表示电站锅炉中纯氧从输入气化炉至排放到烟气中的时间总间隔，s∈[1，H]；
[0015]步骤4.2、设置截取区间T2为[H/18，H/6]范围内的随机整数M
rand
；
[0016]步骤4.3、初始化s＝1；
[0017]步骤4.4、当T1＝s，T2＝M
rand
时，按照步骤2和步骤3的过程进行截取和特征提取，得到一次的处理结果为
[0018]步骤4.5、将s+1赋值给s后，若s＞H，则表示得到H次的处理结果为步骤4.5、将s+1赋值给s后，若s＞H，则表示得到H次的处理结果为否则，返回步骤4.4顺序执行；
[0019]步骤4.6、将每次调整T1的处理结果分别与烟气氧含量归一化矩阵B＝(b
′1×
j
)1×
h
进行拼接，从而得到拼接后的结果为接，从而得到拼接后的结果为I
s
表示第s个拼接后的结果；
[0020]步骤4.7、构建LSTM网络并设置LSTM层的层数，并在最后一个LSTM层后增加Dropout层后初始化训练参数，再将第s个拼接后的结果I
s
按比例划分训练集I
s，train
和测试集I
s，test
；且I
s，test
＝I
s，x
+I
s，y
，I
s，x
为I
s，test
中的辅助变量部分，I
s，y
为I
s，test
中的烟气氧含量部分；
[0021]将所述训练集I
s，train
输入所述LSTM网络中，并采用Adam算法深度学习优化器进行训练，得到第s次训练后的LSTM网络，并输出辅助变量I
s，x
对应的烟气氧含量I
s，y
的预测值从而根据烟气氧含量部分I
s，y
及其预测值计算预测拟合度
[0022]步骤4.8、按照步骤4.7的过程得到H个拼接后的结果[I1，I2，I3，...，I
H
]对应的预测拟合度并绘制在T2＝M
rand
下的R2曲线；
[0023]步骤4.9、按照步骤4.2
‑
步骤4.8的过程重复执行若干次，从而得到在不同T2取值下的R2曲线，并根据R2曲线幅值变化得到整体辅助变量最优时序特征所对应的截取间隔T1的最优取值T
1_best
、截取区间T2的最优取值M
best
；
[0024]步骤5、提取各个辅助变量的最优时序特征并构建最优预测模型：
[0025]步骤5.1、针对辅助变量数据归一化矩阵A＝(a
′
i
×
p
)
m
×
n
中的每一个辅助变量对应的归一化矩阵，依次设置截取间隔T1的变化范围为1
‑
H、截取区间T2为最优取值M
best
；其余辅助变量对应的归一化矩阵的截取间隔T1为最优取值T
1_best
、截取区间T2为最优取值M
best
，从而按本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于时序特征与LSTM网络的电站锅炉烟气含氧量预测方法，其特征按如下步骤进行：步骤1、数据的采集和预处理：步骤1.1、按照电站锅炉烟气产生工艺机理，获取煤粉锅炉DCS分布式控制系统中在连续时间段的m个采样周期为t1的n维的辅助变量数据、h个采样周期为t2的烟气含氧量数据，其中，第i个时间采样点的n维辅助变量数据记为第i个行向量a
i
，j个时间采样点的烟气含氧量数据记为列向量b
j
，其中，m/t1＝h/t2，t1<<t2，i∈[1,m]，j∈[1,h]；步骤1.2、计算第i个行向量a
i
中的第p个特征a
i
×
p
的归一化值a'
i
×
p
，从而构建辅助变量数据归一化矩阵A＝(a'
i
×
p
)
m
×
n
，计算列向量b
j
第j个特征值b
j
×1的归一化值b'
j
×1，从而构建烟气氧含量归一化矩阵B＝(b'
j
×1)
h
×1，p∈[1,n]；步骤2、辅助变量数据归一化矩阵的截取：设置每次滑动窗口的长度即截取区间为T2，每次截取间隔为T1，则每次提取间隔g为T2/t1行n维辅助变量数据，提取长度l为T1/t1行n维辅助变量数据，从而得到每次滑动窗口截取的h个结果记为A
*
＝[A1,A2,
…
,A
h
]，并对应h个烟气氧含量归一化矩阵B＝(b'1×
j
)1×
h
；其中，A
h
表示第h次的截取结果，且步骤3、截取后结果的特征提取：构建CNN网络的输入层、卷积层、激活函数层、池化层和全连接层并初始化各个层的参数后，将h个结果A
*
输入所述CNN网络中进行时序特征的提取，得到数据时序特征输入所述CNN网络中进行时序特征的提取，得到数据时序特征其中，表示第h个截取结果A
h
的时序特征；步骤4、提取整体辅助变量的最优时序特征：步骤4.1、设置截取间隔T1的变化范围为[1,H]，定义变量s，其中，H表示电站锅炉中纯氧从输入气化炉至排放到烟气中的时间总间隔，s∈[1,H]；步骤4.2、设置截取区间T2为[H/18,H/6]范围内的随机整数M
rand
；步骤4.3、初始化s＝1；步骤4.4、当T1＝s，T2＝M
rand
时，按照步骤2和步骤3的过程进行截取和特征提取，得到一次的处理结果为步骤4.5、将s+1赋值给s后，若s>H，则表示得到H次的处理结果为步骤4.5、将s+1赋值给s后，若s>H，则表示得到H次的处理结果为否则，返回步骤4.4顺序执行；步骤4.6、将每次调整T1的处理结果分别与烟气氧含量归一化矩阵B＝(b'1×

【专利技术属性】
技术研发人员：刘辉，陈薇，郑涛，张建飞，刘双飞，杨恺，
申请(专利权)人：合肥工业大学，
类型：发明
国别省市：