CN116665808A - 基于邻域粗糙集与模糊神经网络的NOx排放预测方法及设备 - Google Patents

基于邻域粗糙集与模糊神经网络的NOx排放预测方法及设备 Download PDF

Info

Publication number
CN116665808A
CN116665808A CN202310572071.8A CN202310572071A CN116665808A CN 116665808 A CN116665808 A CN 116665808A CN 202310572071 A CN202310572071 A CN 202310572071A CN 116665808 A CN116665808 A CN 116665808A
Authority
CN
China
Prior art keywords
nox
fuzzy
neural network
attribute
data
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
CN202310572071.8A
Other languages
English (en)
Inventor
王灵梅
韩磊
孟恩隆
刘玉山
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Shanxi University
Original Assignee
Shanxi University
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Shanxi University filed Critical Shanxi University
Priority to CN202310572071.8A priority Critical patent/CN116665808A/zh
Publication of CN116665808A publication Critical patent/CN116665808A/zh
Pending legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N33/00—Investigating or analysing materials by specific methods not covered by groups G01N1/00 - G01N31/00
    • G01N33/0004—Gaseous mixtures, e.g. polluted air
    • G01N33/0009—General constructional details of gas analysers, e.g. portable test equipment
    • G01N33/0027—General constructional details of gas analysers, e.g. portable test equipment concerning the detector
    • G01N33/0036—General constructional details of gas analysers, e.g. portable test equipment concerning the detector specially adapted to detect a particular component
    • G01N33/0037—NOx
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N33/00—Investigating or analysing materials by specific methods not covered by groups G01N1/00 - G01N31/00
    • G01N33/0004—Gaseous mixtures, e.g. polluted air
    • G01N33/0009—General constructional details of gas analysers, e.g. portable test equipment
    • G01N33/0062—General constructional details of gas analysers, e.g. portable test equipment concerning the measuring method or the display, e.g. intermittent measurement or digital display
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N33/00—Investigating or analysing materials by specific methods not covered by groups G01N1/00 - G01N31/00
    • G01N33/0004—Gaseous mixtures, e.g. polluted air
    • G01N33/0009—General constructional details of gas analysers, e.g. portable test equipment
    • G01N33/0062—General constructional details of gas analysers, e.g. portable test equipment concerning the measuring method or the display, e.g. intermittent measurement or digital display
    • G01N33/0068—General constructional details of gas analysers, e.g. portable test equipment concerning the measuring method or the display, e.g. intermittent measurement or digital display using a computer specifically programmed
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/211—Selection of the most significant subset of features
    • G06F18/2113—Selection of the most significant subset of features by ranking or filtering the set of features, e.g. using a measure of variance or of feature cross-correlation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/043—Architecture, e.g. interconnection topology based on fuzzy logic, fuzzy membership or fuzzy inference, e.g. adaptive neuro-fuzzy inference systems [ANFIS]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N5/00—Computing arrangements using knowledge-based models
    • G06N5/04—Inference or reasoning models
    • G06N5/048—Fuzzy inferencing
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16C—COMPUTATIONAL CHEMISTRY; CHEMOINFORMATICS; COMPUTATIONAL MATERIALS SCIENCE
    • G16C20/00—Chemoinformatics, i.e. ICT specially adapted for the handling of physicochemical or structural data of chemical particles, elements, compounds or mixtures
    • G16C20/10—Analysis or design of chemical reactions, syntheses or processes
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16C—COMPUTATIONAL CHEMISTRY; CHEMOINFORMATICS; COMPUTATIONAL MATERIALS SCIENCE
    • G16C20/00—Chemoinformatics, i.e. ICT specially adapted for the handling of physicochemical or structural data of chemical particles, elements, compounds or mixtures
    • G16C20/70—Machine learning, data mining or chemometrics

Landscapes

  • Engineering & Computer Science (AREA)
  • Chemical & Material Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Health & Medical Sciences (AREA)
  • Data Mining & Analysis (AREA)
  • Software Systems (AREA)
  • Artificial Intelligence (AREA)
  • General Health & Medical Sciences (AREA)
  • Evolutionary Computation (AREA)
  • Computing Systems (AREA)
  • Analytical Chemistry (AREA)
  • General Engineering & Computer Science (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Combustion & Propulsion (AREA)
  • Biochemistry (AREA)
  • Food Science & Technology (AREA)
  • Medicinal Chemistry (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Pathology (AREA)
  • Immunology (AREA)
  • Mathematical Physics (AREA)
  • Crystallography & Structural Chemistry (AREA)
  • Fuzzy Systems (AREA)
  • Computational Linguistics (AREA)
  • Evolutionary Biology (AREA)
  • Automation & Control Theory (AREA)
  • Databases & Information Systems (AREA)
  • Computational Mathematics (AREA)
  • Mathematical Analysis (AREA)
  • Mathematical Optimization (AREA)
  • Pure & Applied Mathematics (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Chemical Kinetics & Catalysis (AREA)
  • Molecular Biology (AREA)
  • Medical Informatics (AREA)

Abstract

本发明提出一种基于邻域粗糙集与模糊神经网络的NOx排放预测方法及设备，该方法利用循环流化床电厂DCS***采集的运行数据，采用邻域粗糙集方法对影响NOx生成的参数进行选择，提取出数据建模的输入参数集合，通过该算法的特征选择，去掉了其中的冗余信息，保留了原始信息中的重要特征关系，进而降低了数据模型的输入量个数，减少了模糊规则的数目；通过模糊神经网络建立输入参数与NOx生成量之间的非线性映射关系，充分结合了模糊推理，直观了解影响NOx生成的调节规律，积累控制NOx排放的调节经验，可进一步作为锅炉燃烧优化和SCR脱硝***精准喷氨优化的参考基础。

Description

基于邻域粗糙集与模糊神经网络的NOx排放预测方法及设备
技术领域
本发明涉及机器学习技术领域，尤其涉及一种基于邻域粗糙集与模糊神经网络的NOx排放预测方法、装置、设备、存储介质。
背景技术
循环流化床机组作为污染物气体的主要排放源，对其建立精确的污染物气体排放预测模型具有重要的节能减排意义。而氮氧化物NOx作为燃烧排放过程中危害性最大的污染物，必须得到进一步的重视。
循环流化床复杂的燃烧过程，使影响NOx生成的因素也呈现出很强的耦合性，因此很难建立准确的机理模型，如今大都采用了数据建模方法。利用现场测量数据结结合人工智能方法建立了预测NOx排放的神经网络模型、支持向量机模型、长短期记忆神经网络模型等。尽管各预测模型都表现出不错的预测效果，但数据驱动类模型皆为黑箱模型，不易得知影响NOx排放的运行规律，不利于运行人员从中得到更具指导意义的预防NOx气体排放的调节措施。此外，面对高维数据时，建模过程和模型训练时间都会持续增加，影响模型及时预测的需求。
发明内容
本发明提供一种基于邻域粗糙集与模糊神经网络的NOx排放预测方法、装置、设备、存储介质，旨在实现不同运行条件下循环流化床机组NOx生成量的精准预测。
为此，本发明的第一个目的是提出一种基于邻域粗糙集与模糊神经网络的NOx排放预测方法，包括：
从循环流化床锅炉机组DCS***中采集指定时间段内NOx浓度历史数据及对应的与NOx生成有关的历史运行参数；其中，将NOx浓度历史数据标记为目标参数，对应的与NOx生成有关的历史运行参数标记为特征参数；
通过邻域粗糙集算法对特征参数进行筛选，去除其中重要度较低的特征参数；将目标参数和筛选后的特征参数作为模型训练集数据；
基于Takagi-Sugeno的模糊神经网络建立NOx排放预测模型，通过模型训练集数据对NOx排放预测模型进行训练；
将待预测时间段内采集的筛选后的特征参数输入训练完成的NOx排放预测模型中，输出结果即为对应的NOx生成浓度预测。
其中，对应的与NOx生成有关的历史运行参数的类型至少包括：煤质、机组负荷、烟气量、烟温、主蒸汽流量、一二次风门挡板开度、一二次风压、一二次风风量、每台给煤机转速、给煤量及配风方式。
其中，在采集数据的步骤之后，还包括对数据进行预处理的步骤；具体包括：
缺值补全；其中，单点缺值时利用该点前后数据进行均值补全，连续多点缺值时利用插值法进行补全；
坏值剔除；
数据归一化；其中，数据归一化方法如下公式：
式中的x表示特征参数。
其中，通过邻域粗糙集算法对特征参数进行筛选，去除其中重要度较低的特征参数的步骤中，
设一信息***IS＝＜U,A,V,f＞；其中，A表示属性集合；V表示值域，f:U×A→V为一函数，表示样本与属性值之间的映射关系；C为条件属性；D为决策属性；且A＝C∪D；则对于任一xi∈U,定义其邻域为：
δ(x)＝{y∣Δ(x,y)，，δ,y∈U}
其中，δ为邻域半径；δ(x)为x的邻域粒子；Δ采用P范数距离函数：
基于上述计算结果，得到特征参数的邻域粗糙集上、下近似与边界：
基于邻域粗糙集算法的属性约简过程是通过判别属性在决策***中的必要性而实现，具体实现途径中需要计算属性重要度。假定若满足γB(D)≠γB-{a}(D)，则表明属性a在集合B中对决策属性D是必要的。如果集合B中的任意一个属性a都存在如此关系，那么集合B相对于D是独立的。其中，γB(D)为属性依赖度，可通过下式计算得到：
当a∈C-B，那么a相对于B和D的属性重要度为：
SIG(a,B,D)＝γB(D)-γB-(a)(D)
综合上述邻域粗糙集与属性约简算法定义，依据属性重要度信息，采用向前添加条件属性的方式得到影响NOx排放的特征参数约简集合。
其中，基于Takagi-Sugeno的模糊神经网络建立NOx排放预测模型中，设输入向量为X＝[x1,x2,...,xn]T，其中每个分量xi均为模糊语言变量，并有 表示xi的第j个语言变量值；该值是定义在论域/>上的一个模糊集合，相应的隶属度函数为/>对于输出量y也为模糊语言变量T(y)＝{B1,B2,...,Bm}，Bj表示y的第j个语言变量，它是定义在论域Uy上的模糊集合，其隶属度函数为/>
该模型中模糊规则的输出是输入变量的线性组合，表示如下：
Rj：if x1 isand x2 is/>and…and xn is/>then Bj＝pj0+pj1x1+...+pjnxn
上式中
其中，NOx排放预测模型为5层结构，其中，
第一层为输入层，用于将模糊神经网络的输入参数传递到下一层模糊化层；公式表示为：
式中，i＝1,2,...,n；n为输入参数的数目；
第二层为模糊化层，用于将输入参数模糊化，计算各自的隶属度值；公式表示为：
式中，i＝1,2,...,n，j＝1,2,...,m；cij和δij分别表示高斯函数的中心和宽度；
第三层为模糊推理层，用于将产生模糊规则并计算出每条规则的适应度值；公式表示为：
式中，w＝1,2,...,m，
第四层为归一化层，用于将每条规则的适应度进行归一化运算；公式表示为：
式中，j＝1,2,…,m；
第五层为输出层，用于计算归一化层所有输出的加权和；公式表示为：
式中，i＝1,2,…,r，wij表示yi的第j个语言值隶属函数的中心值。
其中，过模型训练集数据对NOx排放预测模型进行训练的步骤中，采用混合学习算法对NOx排放预测模型中的参数进行寻优调整。
本发明的第二个目的是提出一种基于邻域粗糙集与模糊神经网络的NOx排放预测装置，包括：
数据采集模块，用于从循环流化床锅炉机组DCS***中采集指定时间段内NOx浓度历史数据及对应的与NOx生成有关的历史运行参数；其中，将NOx浓度历史数据标记为目标参数，对应的与NOx生成有关的历史运行参数标记为特征参数；
数据筛选模块，通过邻域粗糙集算法对特征参数进行筛选，去除其中重要度较低的特征参数；将目标参数和筛选后的特征参数作为模型训练集数据；
模型构建模块，用于基于Takagi-Sugeno的模糊神经网络建立NOx排放预测模型，通过模型训练集数据对NOx排放预测模型进行训练；
预测模块，用于将待预测时间段内采集的筛选后的特征参数输入训练完成的NOx排放预测模型中，输出结果即为对应的NOx生成浓度预测。
本发明的第三个目的在于提出一种电子设备，包括：至少一个处理器；以及与至少一个处理器通信连接的存储器；其中，存储器存储有可被至少一个处理器执行的指令，指令被至少一个处理器执行，以使至少一个处理器能够执行前述技术方案的方法中的各步骤。
本发明的第四个目的在于提出存储有计算机指令的非瞬时计算机可读存储介质，其中，计算机指令用于使计算机执行根据前述技术方案的方法中的各步骤。
区别于现有技术，本发明提供的基于邻域粗糙集与模糊神经网络的NOx排放预测方法，利用循环流化床电厂DCS***采集的运行数据，采用邻域粗糙集方法对影响NOx生成的参数进行选择，提取出数据建模的输入参数集合，通过该算法的特征选择，去掉了其中的冗余信息，保留了原始信息中的重要特征关系，进而降低了数据模型的输入量个数，减少了模糊规则的数目；通过模糊神经网络建立输入参数与NOx生成量之间的非线性映射关系，充分结合了模糊推理，直观了解影响NOx生成的调节规律，积累控制NOx排放的调节经验，可进一步作为锅炉燃烧优化和SCR脱硝***精准喷氨优化的参考基础。
附图说明
本发明的和/或附加的方面和优点从下面结合附图对实施例的描述中将变得明显和容易理解，其中：
图1是本发明提供的一种基于邻域粗糙集与模糊神经网络的NOx排放预测方法的流程示意图。
图2是本发明提供的一种基于邻域粗糙集与模糊神经网络的NOx排放预测方法中基于邻域粗糙集的属性约简算法流程示意图。
图3是本发明提供的一种基于邻域粗糙集与模糊神经网络的NOx排放预测方法中构建的NOx排放预测模型的结构示意图。
图4是本发明提供的一种基于邻域粗糙集与模糊神经网络的NOx排放预测装置的结构示意图。
图5是本发明提供的一种存储有计算机指令的非瞬时计算机可读存储介质的结构示意图。
具体实施方式
下面详细描述本发明的实施例，实施例的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的，旨在用于解释本发明，而不能理解为对本发明的限制。
如图1所示，为本发明实施例所提供的一种基于邻域粗糙集与模糊神经网络的NOx排放预测方法，处理逻辑如图2所示。该方法的步骤包括：
S110：从循环流化床锅炉机组DCS***中采集指定时间段内NOx浓度历史数据及对应的与NOx生成有关的历史运行参数。
在进行数据采集之前，本发明还包括通过NOx生成机理的理论分析，确定影响NOx气体生成的参数集合的步骤。具体的，影响NOx气体生成的因素有氮元素含量及燃烧反应环境状况，具体可分为煤质、过量空气系数、床温及燃烧方式。
从循环流化床锅炉机组DCS***中采集指定时间段内NOx浓度及确定的与NOx生成有关的运行参数数值，作为指定时间段内NOx浓度历史数据及对应的与NOx生成有关的历史运行参数。
采集的参数包括：煤质、机组负荷、烟气量、烟温、主蒸汽流量、一二次风门挡板开度、一二次风压、一二次风风量、每台给煤机转速、给煤量、配风方式及NOx浓度。其中，NOx浓度标记为目标参数，其余标记为特征参数。
S120：通过邻域粗糙集算法对特征参数进行筛选，去除其中重要度较低的特征参数；将目标参数和筛选后的特征参数作为模型训练集数据。
在采集数据的步骤之后，还包括对数据进行预处理的步骤；具体包括：
缺值补全；其中，单点缺值时利用该点前后数据进行均值补全，连续多点缺值时利用插值法进行补全；
坏值剔除；
数据归一化；其中，数据归一化方法如下公式：
式中的x表示特征参数。
针对循环流化床机组数据样本量大且为数值型数据的特点，本发明提出邻域粗糙集约简方法对影响NOx气体生成的特征参数进行属性约简。其中，距离采用P范数进行计算。
邻域粗糙集的相关定义如下：
设一信息***IS＝＜U,A,V,f＞；其中，A表示属性集合；V表示值域，f:U×A→V为一函数，表示样本与属性值之间的映射关系；C为条件属性；D为决策属性；且A＝C∪D；则对于任一xi∈U,定义其邻域为：
δ(x)＝{y∣Δ(x,y)，，δ,y∈U}
其中，δ为邻域半径；δ(x)为x的邻域粒子；Δ采用P范数距离函数：
基于上述计算结果，得到特征参数的邻域粗糙集上、下近似与边界：
基于邻域粗糙集算法的属性约简过程是通过判别属性在决策***中的必要性而实现，具体实现途径中需要计算属性重要度。假定若满足γB(D)≠γB-{a}(D)，则表明属性a在集合B中对决策属性D是必要的。如果集合B中的任意一个属性a都存在如此关系，那么集合B相对于D是独立的。其中，γB(D)为属性依赖度，可通过下式计算得到：
当a∈C-B，那么a相对于B和D的属性重要度为：
SIG(a,B,D)＝γB(D)-γB-(a)(D)
综合上述邻域粗糙集与属性约简算法定义，依据属性重要度信息，采用向前添加条件属性的方式得到影响NOx排放的特征参数约简集合。基于邻域粗糙集的属性约简算法流程示意图见图2。
S130：基于Takagi-Sugeno的模糊神经网络建立NOx排放预测模型，通过模型训练集数据对NOx排放预测模型进行训练。
基于Takagi-Sugeno的模糊神经网络建立NOx排放预测模型中，设输入向量为X＝[x1,x2,...,xn]T，其中每个分量xi均为模糊语言变量，并有 表示xi的第j个语言变量值；该值是定义在论域/>上的一个模糊集合，相应的隶属度函数为/>对于输出量y也为模糊语言变量T(y)＝{B1,B2,...,Bm}，Bj表示y的第j个语言变量，它是定义在论域Uy上的模糊集合，其隶属度函数为/>
该模型中模糊规则的输出是输入变量的线性组合，表示如下：
Rj：if x1 isand x2 is/>and…and xn is/>then Bj＝pj0+pj1x1+...+pjnxn
上式中
如图3所示，NOx排放预测模型为5层结构，其中，
第一层为输入层，用于将模糊神经网络的输入参数传递到下一层模糊化层；公式表示为：
式中，i＝1,2,...,n；n为输入参数的数目；
第二层为模糊化层，用于将输入参数模糊化，计算各自的隶属度值；公式表示为：
式中，i＝1,2,...,n，j＝1,2,...,m；cij和δij分别表示高斯函数的中心和宽度；
第三层为模糊推理层，用于将产生模糊规则并计算出每条规则的适应度值；公式表示为：
式中，w＝1,2,…,m，
第四层为归一化层，用于将每条规则的适应度进行归一化运算；公式表示为：
式中，j＝1,2,…,m；
第五层为输出层，用于计算归一化层所有输出的加权和；公式表示为：
式中，i＝1,2,…,r，wij表示yi的第j个语言值隶属函数的中心值。
采用混合学习算法对网络模型中的参数进行寻优调整，完成对模型的训练。
S140：将待预测时间段内采集的筛选后的特征参数输入训练完成的NOx排放预测模型中，输出结果即为对应的NOx生成浓度预测。
将待预测时间段采集的特征参数进行预处理后，输入训练好的NOx预测模型中，模型输出即为该时间段内预测的NOx生成浓度结果。
如图4所示，本发明提供了一种基于邻域粗糙集与模糊神经网络的NOx排放预测装置300，包括：
数据采集模块310，用于从循环流化床锅炉机组DCS***中采集指定时间段内NOx浓度历史数据及对应的与NOx生成有关的历史运行参数；其中，将NOx浓度历史数据标记为目标参数，对应的与NOx生成有关的历史运行参数标记为特征参数；
数据筛选模块320，通过邻域粗糙集算法对特征参数进行筛选，去除其中重要度较低的特征参数；将目标参数和筛选后的特征参数作为模型训练集数据；
模型构建模块330，用于基于Takagi-Sugeno的模糊神经网络建立NOx排放预测模型，通过模型训练集数据对NOx排放预测模型进行训练；
预测模块340，用于将待预测时间段内采集的筛选后的特征参数输入训练完成的NOx排放预测模型中，输出结果即为对应的NOx生成浓度预测。
为了实现实施例，本发明还提出一种电子设备，包括：至少一个处理器；以及与至少一个处理器通信连接的存储器；其中，存储器存储有可被至少一个处理器执行的指令，指令被至少一个处理器执行，以使至少一个处理器能够执行前述技术方案的NOx排放预测方法中的各步骤。
如图5所示，非临时性计算机可读存储介质800包括指令的存储器810，接口830，指令可由根据NOx排放预测处理器820执行以完成方法。可选地，存储介质可以是非临时性计算机可读存储介质，例如，非临时性计算机可读存储介质可以是ROM、随机存取存储器(RAM)、CD-ROM、磁带、软盘和光数据存储设备等。
为了实现实施例，本发明还提出一种非临时性计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现如本发明实施例的NOx排放预测。
在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中，对所述术语的示意性表述不必须针对的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任一个或多个实施例或示例中以合适的方式结合。此外，在不相互矛盾的情况下，本领域的技术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结合和组合。
此外，术语“第一”、“第二”仅用于描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或者隐含地包括至少一个该特征。在本发明的描述中，“多个”的含义是至少两个，例如两个，三个等，除非另有明确具体的限定。
流程图中或在此以其他方式描述的任何过程或方法描述可以被理解为，表示包括一个或更多个用于实现定制逻辑功能或过程的步骤的可执行指令的代码的模块、片段或部分，并且本发明的优选实施方式的范围包括另外的实现，其中可以不按所示出或讨论的顺序，包括根据所涉及的功能按基本同时的方式或按相反的顺序，来执行功能，这应被本发明的实施例所属技术领域的技术人员所理解。
在流程图中表示或在此以其他方式描述的逻辑和/或步骤，例如，可以被认为是用于实现逻辑功能的可执行指令的定序列表，可以具体实现在任何计算机可读介质中，以供指令执行***、装置或设备(如基于计算机的***、包括处理器的***或其他可以从指令执行***、装置或设备取指令并执行指令的***)使用，或结合这些指令执行***、装置或设备而使用。就本说明书而言，"计算机可读介质"可以是任何可以包含、存储、通信、传播或传输程序以供指令执行***、装置或设备或结合这些指令执行***、装置或设备而使用的装置。计算机可读介质的更具体的示例(非穷尽性列表)包括以下：具有一个或多个布线的电连接部(电子装置)，便携式计算机盘盒(磁装置)，随机存取存储器(RAM)，只读存储器(ROM)，可擦除可编辑只读存储器(EPROM或闪速存储器)，光纤装置，以及便携式光盘只读存储器(CDROM)。另外，计算机可读介质甚至可以是可在其上打印所述程序的纸或其他合适的介质，因为可以例如通过对纸或其他介质进行光学扫描，接着进行编辑、解译或必要时以其他合适方式进行处理来以电子方式获得所述程序，然后将其存储在计算机存储器中。
应当理解，本发明的各部分可以用硬件、软件、固件或它们的组合来实现。在所述实施方式中，多个步骤或方法可以用存储在存储器中且由合适的指令执行***执行的软件或固件来实现。如，如果用硬件来实现和在另一实施方式中一样，可用本领域公知的下列技术中的任一项或他们的组合来实现：具有用于对数据信号实现逻辑功能的逻辑门电路的离散逻辑电路，具有合适的组合逻辑门电路的专用集成电路，可编程门阵列(PGA)，现场可编程门阵列(FPGA)等。
本技术领域的普通技术人员可以理解实现所述实施例方法携带的全部或部分步骤是可以通过程序来指令相关的硬件完成，所述的程序可以存储于一种计算机可读存储介质中，该程序在执行时，包括方法实施例的步骤之一或其组合。
此外，在本发明各个实施例中的各功能单元可以集成在一个处理模块中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个模块中。所述集成的模块既可以采用硬件的形式实现，也可以采用软件功能模块的形式实现。所述集成的模块如果以软件功能模块的形式实现并作为独立的产品销售或使用时，也可以存储在一个计算机可读取存储介质中。
所述提到的存储介质可以是只读存储器，磁盘或光盘等。尽管上面已经示出和描述了本发明的实施例，可以理解的是，所述实施例是示例性的，不能理解为对本发明的限制，本领域的普通技术人员在本发明的范围内可以对所述实施例进行变化、修改、替换和变型。

Claims (10)

1.一种基于邻域粗糙集与模糊神经网络的NOx排放预测方法，其特征在于，包括：
从循环流化床锅炉机组DCS***中采集指定时间段内NOx浓度历史数据及对应的与NOx生成有关的历史运行参数；其中，将NOx浓度历史数据标记为目标参数，对应的与NOx生成有关的历史运行参数标记为特征参数；
通过邻域粗糙集算法对所述特征参数进行筛选，去除其中重要度较低的特征参数；将所述目标参数和筛选后的特征参数作为模型训练集数据；
基于Takagi-Sugeno的模糊神经网络建立NOx排放预测模型，通过所述模型训练集数据对所述NOx排放预测模型进行训练；
将待预测时间段内采集的筛选后的特征参数输入训练完成的所述NOx排放预测模型中，输出结果即为对应的NOx生成浓度预测。
2.根据权利要求1所述的基于邻域粗糙集与模糊神经网络的NOx排放预测方法，其特征在于，对应的与NOx生成有关的历史运行参数的类型至少包括：煤质、机组负荷、烟气量、烟温、主蒸汽流量、一二次风门挡板开度、一二次风压、一二次风风量、每台给煤机转速、给煤量及配风方式。
3.根据权利要求1所述的基于邻域粗糙集与模糊神经网络的NOx排放预测方法，其特征在于，在采集数据的步骤之后，还包括对数据进行预处理的步骤；具体包括：
缺值补全；其中，单点缺值时利用该点前后数据进行均值补全，连续多点缺值时利用插值法进行补全；
坏值剔除；
数据归一化；其中，数据归一化方法如下公式：
式中的x表示特征参数。
4.根据权利要求3所述的基于邻域粗糙集与模糊神经网络的NOx排放预测方法，其特征在于，通过邻域粗糙集算法对所述特征参数进行筛选，去除其中重要度较低的特征参数的步骤中，
设一信息***IS＝＜U,A,V,f＞；其中，A表示属性集合；V表示值域，f:U×A→V为一函数，表示样本与属性值之间的映射关系；C为条件属性；D为决策属性；且A＝C∪D；则对于任一xi∈U,定义其邻域为：
δ(x)＝{y∣Δ(x,y)，，δ,y∈U}
其中，δ为邻域半径；δ(x)为x的邻域粒子；Δ采用P范数距离函数：
基于上述计算结果，得到所述特征参数的邻域粗糙集上、下近似与边界：
基于邻域粗糙集算法的属性约简过程是通过判别属性在决策***中的必要性而实现，具体实现途径中需要计算属性重要度。假定若满足γB(D)≠γB-{a}(D)，则表明属性a在集合B中对决策属性D是必要的。如果集合B中的任意一个属性a都存在如此关系，那么集合B相对于D是独立的。其中，γB(D)为属性依赖度，可通过下式计算得到：
当a∈C-B，那么a相对于B和D的属性重要度为：
SIG(a,B,D)＝γB(D)-γB-(a)(D)
综合上述邻域粗糙集与属性约简算法定义，依据属性重要度信息，采用向前添加条件属性的方式得到影响NOx排放的特征参数约简集合。
5.根据权利要求1所述的基于邻域粗糙集与模糊神经网络的NOx排放预测方法，其特征在于，基于Takagi-Sugeno的模糊神经网络建立NOx排放预测模型中，设输入向量为X＝[x1,x2,...,xn]T，其中每个分量xi均为模糊语言变量，并有 表示xi的第j个语言变量值；该值是定义在论域/>上的一个模糊集合，相应的隶属度函数为/>对于输出量y也为模糊语言变量T(y)＝{B1,B2,...,Bm}，Bj表示y的第j个语言变量，它是定义在论域Uy上的模糊集合，其隶属度函数为/>
该模型中模糊规则的输出是输入变量的线性组合，表示如下：
Rj：then Bj＝pj0+pj1x1+...+pjnxn
上式中j＝1，2，...，m，
6.根据权利要求5所述的基于邻域粗糙集与模糊神经网络的NOx排放预测方法，其特征在于，所述NOx排放预测模型为5层结构，其中，
第一层为输入层，用于将所述模糊神经网络的输入参数传递到下一层模糊化层；公式表示为：
式中，i＝1,2,...,n；n为输入参数的数目；
第二层为模糊化层，用于将输入参数模糊化，计算各自的隶属度值；公式表示为：
式中，i＝1,2,...,n，j＝1,2,...,m；cij和δij分别表示高斯函数的中心和宽度；
第三层为模糊推理层，用于将产生模糊规则并计算出每条规则的适应度值；公式表示为：
式中，w＝1,2,…,m，
第四层为归一化层，用于将每条规则的适应度进行归一化运算；公式表示为：
式中，j＝1,2,…,m；
第五层为输出层，用于计算归一化层所有输出的加权和；公式表示为：
式中，i＝1,2,…,r，wij表示yi的第j个语言值隶属函数的中心值。
7.根据权利要求1所述的基于邻域粗糙集与模糊神经网络的NOx排放预测方法，其特征在于，通过所述模型训练集数据对所述NOx排放预测模型进行训练的步骤中，采用混合学习算法对NOx排放预测模型中的参数进行寻优调整。
8.一种基于邻域粗糙集与模糊神经网络的NOx排放预测装置，其特征在于，包括：
数据采集模块，用于从循环流化床锅炉机组DCS***中采集指定时间段内NOx浓度历史数据及对应的与NOx生成有关的历史运行参数；其中，将NOx浓度历史数据标记为目标参数，对应的与NOx生成有关的历史运行参数标记为特征参数；
数据筛选模块，通过邻域粗糙集算法对所述特征参数进行筛选，去除其中重要度较低的特征参数；将所述目标参数和筛选后的特征参数作为模型训练集数据；
模型构建模块，用于基于Takagi-Sugeno的模糊神经网络建立NOx排放预测模型，通过所述模型训练集数据对所述NOx排放预测模型进行训练；
预测模块，用于将待预测时间段内采集的筛选后的特征参数输入训练完成的所述NOx排放预测模型中，输出结果即为对应的NOx生成浓度预测。
9.一种电子设备，包括：至少一个处理器；以及与所述至少一个处理器通信连接的存储器；其中，所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行权利要求1-7中任一项所述的方法中的各步骤。
10.一种存储有计算机指令的非瞬时计算机可读存储介质，其中，所述计算机指令用于使所述计算机执行根据权利要求1-7中任一项所述的方法中的各步骤。
CN202310572071.8A 2023-05-19 2023-05-19 基于邻域粗糙集与模糊神经网络的NOx排放预测方法及设备 Pending CN116665808A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310572071.8A CN116665808A (zh) 2023-05-19 2023-05-19 基于邻域粗糙集与模糊神经网络的NOx排放预测方法及设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310572071.8A CN116665808A (zh) 2023-05-19 2023-05-19 基于邻域粗糙集与模糊神经网络的NOx排放预测方法及设备

Publications (1)

Publication Number Publication Date
CN116665808A true CN116665808A (zh) 2023-08-29

Family

ID=87716400

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310572071.8A Pending CN116665808A (zh) 2023-05-19 2023-05-19 基于邻域粗糙集与模糊神经网络的NOx排放预测方法及设备

Country Status (1)

Country Link
CN (1) CN116665808A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117272233A (zh) * 2023-11-21 2023-12-22 中国汽车技术研究中心有限公司 柴油机排放预测方法、设备和存储介质
CN117809763A (zh) * 2024-01-03 2024-04-02 南方电网电力科技股份有限公司 一种基于自适应更新策略的在线NOx预测方法和***

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117272233A (zh) * 2023-11-21 2023-12-22 中国汽车技术研究中心有限公司 柴油机排放预测方法、设备和存储介质
CN117272233B (zh) * 2023-11-21 2024-05-31 中国汽车技术研究中心有限公司 柴油机排放预测方法、设备和存储介质
CN117809763A (zh) * 2024-01-03 2024-04-02 南方电网电力科技股份有限公司 一种基于自适应更新策略的在线NOx预测方法和***

Similar Documents

Publication Publication Date Title
CN116665808A (zh) 基于邻域粗糙集与模糊神经网络的NOx排放预测方法及设备
US8554706B2 (en) Power plant control device which uses a model, a learning signal, a correction signal, and a manipulation signal
DE102019126310A1 (de) System und Verfahren zum Optimieren der Verbrennung eines Kessels
DE102004052433A1 (de) Gasturbinen-Steuer- bzw. Regelungsvorrichtung, Gasturbinensystem und Gasturbinensteuer- bzw. Regelungsverfahren
CN113469449B (zh) 脱硫***的寻优控制方法及***
CN112712189B (zh) 一种供热需求负荷预测方法
CN105137762A (zh) 用于焚烧炉的自动燃烧模糊控制方法及***
US20120173004A1 (en) System and Method for Real-Time Industrial Process Modeling
DE102009003200A1 (de) Verfahren zur Bestimmung eines Ölverschleißes bei einer Brennkraftmaschine, elektrische Einrichtung zur Steuerung und/oder Regelung einer Brennkraftmaschine, Brennkraftmaschine
CN107203687A (zh) 吸收塔脱硫过程多目标协同智能优化控制方法
WO2020002447A1 (de) Steuereinrichtung zum steuern eines technischen systems und verfahren zum konfigurieren der steuereinrichtung
WO2009080282A2 (de) Optimierung des betriebs eines kraftwerks
CN113440990A (zh) 基于emd-lstm的出口so2浓度预测方法
CN112232373A (zh) 一种锅炉飞灰含碳量预测方法及***
CN115111601B (zh) 多变负荷下内嵌算法融合的多目标锅炉燃烧优化控制方法
CN115587433A (zh) 一种基于状态工况的机组耗差分析优化方法及***
DE102019127154A1 (de) Vorrichtung zur Verbrennungsoptimierung und Verfahren dafür
CN117052596A (zh) 基于深度强化学习的风机偏航控制方法及***
DE102019126293B4 (de) System und Verfahren zum Regeln des Betriebs eines Kessels
CN117290752A (zh) 一种磨煤机煤粉细度的预测方法
CN114019846A (zh) 公路长隧道智能通风控制设计方法与***
CN113759709A (zh) 策略模型的训练方法、装置、电子设备和存储介质
Sahab et al. An adaptive type-2 input based nonsingleton type-2 fuzzy logic system for real world applications
CN117470300B (zh) 一种成品铜管存储车间的环境监测方法及***
CN112699600B (zh) 火电运行参数与NOx排放浓度间的偏回分析方法

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination