基于数据驱动的脱硫系统建模方法及装置.docxVIP

(19)中华人民共和国国家知识产权局

(12)发明专利说明书

(10)申请公布号CN113935236A

(43)申请公布日2022.01.14

(21)申请号CN202111192367.4

(22)申请日2021.10.13

(71)申请人大唐环境产业集团股份有限公司

地址100097北京市海淀区紫竹院路120号

(72)发明人袁照威王彦文孟磊谷小兵曹书涛杨大洲闫欢欢刘君君宁翔杜明生

(74)专利代理机构11543北京八月瓜知识产权代理有限公司

代理人秦莹

(51)Int.CI

G06F30/27

G06N3/04

G06N3/08

B01D53/96

B01D53/80

B01D53/50

权利要求说明书说明书幅图

(54)发明名称

基于数据驱动的脱硫系统建模方法及装置

(57)摘要

本发明公开了一种基于数据驱动的脱硫系统建模方法及装置，所述方法包括：确定与脱硫出口SO2浓度相关的影响因素，基于所述影响因素采集相关历史运行数据，根据所述相关历史运行数据构建训练数据集；将所述训练数据集中的所述相关历史运行数据通过局部保持投影法LPP投射到低维子空间中；基于所述训练数据集，采用一维卷积神经网络1D?CNN模型建立脱硫出口SO2浓度动态预测模型；获取当前时刻与脱硫出口SO2浓度相关的当前运行数据，基于所述脱硫出口SO2浓度动态预测模型确定当前时刻脱硫出口SO2浓度预测值。本发明能够有效提高脱硫出口SO2浓度预测的精度。

法律状态

法律状态公告日

法律状态信息

法律状态

2022-02-01

实质审查的生效

实质审查的生效

2022-01-14

公开

公开

权利要求说明书

1.一种基于数据驱动的脱硫系统建模方法,其特征在于,包括:

确定与脱硫出口SO

2

浓度相关的影响因素,基于所述影响因素采集相关历史运行数据,根据所述相关历史运行数据构建训练数据集;

将所述训练数据集中的所述相关历史运行数据通过局部保持投影法LPP投射到低维子空间中;

基于所述训练数据集,采用一维卷积神经网络1D-CNN模型建立脱硫出口SO

2

浓度动态预测模型;

获取当前时刻与脱硫出口SO

2

浓度相关的当前运行数据,基于所述脱硫出口SO

2

浓度动态预测模型确定当前时刻脱硫出口SO

2

浓度预测值。

2.根据权利要求1所述的方法,其特征在于,所述影响因素具体包括以下至少之一:

燃煤机组负荷、烟气量、吸收塔入口SO

2

浓度、吸收塔入口温度、吸收塔入口氧量、浆液pH值、浆液循环泵电流、浆液供给量、浆液密度、液气比、钙硫比、吸收塔出口SO

2

浓度、吸收塔出口温度、吸收塔出口氧量。

3.根据权利要求1所述的方法,其特征在于,确定与脱硫出口SO

2

浓度相关的影响因素,基于所述影响因素采集相关历史运行数据,根据所述相关历史运行数据构建训练数据集具体包括:

通过对燃煤机组锅炉燃烧原理及脱硫系统机理分析,确定与脱硫出口SO

2

浓度相关的影响因素;

基于所述影响因素,从现场脱硫系统的分散控制系统DCS系统中采集预定时间间隔的相关历史运行数据;

根据特征参数和输出值确定训练数据集,其中,所述特征参数为与脱硫出口SO

2

浓度相关的影响因素,所述输出值是脱硫出口SO

2

浓度组成的时间序列信号。

4.根据权利要求1所述的方法,其特征在于,将所述训练数据集中的所述相关历史运行数据通过LPP投射到低维子空间中具体包括:

将所述训练数据集中的所述相关历史运行数据通过无监督的线性降维算法,通过构建一个具有远近亲疏关系的图进行数据的降维:

给定R

n

中m个数据点x

1

,x

2

,...,x

m

,采用局部保持投影法LPP通过找到一个转换矩阵Q,将这m个数据点映射为R

t

(tn)上的数据点y

1

,y

2

,...,y

m

:

y

i

=A

T

x

i

,i=1,2,...,m公式1;

其中,矩阵A通过最小化目标函数得到:

其中,W

ij

是权值矩阵,代表两个数据点y

1

,y

2

,...,y

m

之间的关系。

5.根据权利要求1所述的方法,其特征在于,基于所述训练数据集,采用一维卷积神经网络1D-CNN模型建立脱硫出口SO

2

浓度动态预测模型具体包括:

搭建1D-CNN模型框架的输入层、卷积层、池化层、以及