【技術實現步驟摘要】
本專利技術涉及燃燒裝置燃燒產物濃度預測，具體涉及一種基于cnn-lstm模型的燃燒裝置co2排放濃度預測方法。
技術介紹
1、在推進ccus項目建設過程中，對燃燒裝置的碳排放水平進行全面調研評估極具必要性。多數燃燒裝置的煙氣在線監測系統主要用于對氮氧化物、硫氧化物和一氧化碳等污染物的排放進行監測，缺少對co2濃度的直接監測。構建co2濃度與燃燒裝置運行參數間的聯系，對co2濃度變化進行預測把控，不僅可以預估燃燒裝置碳排放水平，還可以為碳捕集裝置控制系統設計提供支持。
2、目前，現有技術針對co2排放的預測主要集中于從宏觀層面對我國某一行業、群體的碳排放進行預測，少有從工業應用及工況運行角度對co2排放進行研究。由于燃燒裝置是一個多因素作用的復雜系統，因此燃燒裝置co2排放濃度受到多變量共同影響，從而導致對燃燒裝置co2排放濃度很難進行準確預測。
3、目前僅依靠燃燒裝置現場的煙氣co排放數據和燃料等數據人為粗略估算co2排放濃度，使得對燃燒裝置燃燒狀況及碳排放水平缺少直接準確的預估。因此，亟需提出一種以燃燒裝置運行工況為依據的co2排放濃度預測方法，以期為ccus裝置低能耗優化運行提供理論支持。
技術實現思路
1、基于以上背景，本專利技術的目的是提供一種基于cnn-lstm模型的燃燒裝置co2排放濃度預測方法，以燃燒裝置運行工況為依據，實現對燃燒裝置co2排放濃度的實時準確預測。
2、為達到上述目的，本專利技術提供一種基于cnn-lstm模型的燃燒
3、從燃燒裝置的控制系統以及排放監測系統的歷史數據記錄中提取連續時間序列的相關特征變量，以固定的時間間隔將數據導出，得到輸入變量數據集；
4、連續監測相同時間間隔的co2排放濃度數據并在時序上匹配輸入變量數據集的輸入變量，對監測數據進行清洗，得到輸出變量數據集；
5、根據各輸入變量與co2排放濃度之間的相關系數，對輸入變量數據集進行篩選，剔除輸入變量數據集中的冗余變量數據和無關變量數據；
6、對輸出變量數據集和篩選后的輸入變量數據集進行數據轉換處理，將全部數據集中的75％作為訓練集，另外25％作為測試集；
7、構建cnn-lstm模型作為初始預測模型，將訓練集輸入初始預測模型進行訓練，通過初始預測模型中的卷積神經網絡對一維輸入變量矩陣的數據進行深度特征提取后，輸入到初始預測模型中的長短期記憶神經網絡的隱藏層進行輸出；訓練期間，同步計算訓練集和測試集之間的平均絕對誤差損失，每輪訓練后反向傳播更新初始預測模型的下一時刻長短期記憶神經網絡的隱藏層的狀態向量，使co2排放濃度預測值與co2排放濃度實際測量值的平均絕對誤差損失縮小，直至平均絕對誤差損失小于5％，保存該模型作為訓練模型；
8、改變初始預測模型的超參數，進行多次訓練，在獲得的多個訓練模型中進行篩選，選取其中均方根誤差最小和決定系數最大的訓練模型作為最終預測模型；
9、將當前時間步的相關特征變量參數輸入最終預測模型，獲得下一時間步的co2排放濃度預測值。
10、作為優選，所述燃燒裝置為燃煤鍋爐，所述相關特征變量包括鍋爐運行特征變量、煙氣排放特征變量和煤質特征變量，所述鍋爐運行特征變量包括給水流量、機組功率、爐膛壓力、一次風壓、再熱蒸汽溫度、再熱蒸汽壓力、主汽壓力、主蒸汽溫度、主蒸汽流量、總風量和總燃煤量，所述煙氣排放特征變量包括煙氣co濃度、煙氣nox濃度、煙氣o2濃度、煙氣so2濃度、煙氣流量和煙氣濕度，所述煤質特征變量包括含碳量。
11、作為優選，所述對監測數據進行清洗包括去除異常值和填補空缺值，填補空缺值采用線性插值方法，其計算式為，
12、
13、式中，m為空缺值出現開始樣本序號，n為空缺值出現結束樣本序號，i為需要處理的樣本序號。
14、作為優選，根據各輸入變量與co2排放濃度之間的相關系數，對輸入變量數據集進行篩選，具體包括：
15、采用以下計算式計算各輸入變量與co2排放濃度之間的皮爾遜相關系數，
16、
17、式中，x和y分別為兩個變量數據點，和分別為兩個變量數據的平均值；
18、將輸入變量數據集中相關系數大于0.4的輸入變量保留，將相關系數大于0.9的輸入變量作為冗余變量進行剔除。
19、作為優選，對輸出變量數據集和篩選后的輸入變量數據集進行數據轉換處理，具體包括：
20、采用min-max歸一化方法將所有變量數據轉換為處于[-1,1]區間的監督學習數據，其計算式為，
21、
22、式中，xi為數據集中第i個數據點，xmax和xmin分別為某類數據中的最大值和最小值，max和min分別為所需歸一化的區間上下限。
23、作為優選，所述平均絕對誤差損失的計算式為，
24、
25、式中，yi和分別為co2排放濃度實際測量值和預測值，n為數據總數。
26、作為優選，所述反向傳播具體包括：
27、使用相同的計算單元重復作用于當前時刻t的輸入特征向量xt與上一時刻的狀態向量ht-1，產生該時刻下的新狀態向量ht；
28、將新狀態向量ht進行反向梯度傳播，通過從輸出層向輸入層逐層計算誤差梯度，求解神經網絡參數的偏導數，以實現超參數的優化和損失函數的最小化。
29、作為優選，所述均方根誤差的計算式為，
30、
31、所述決定系數的計算式為，
32、
33、上述式中，yi、和分別為co2排放濃度實際測量值、平均值和預測值，n為數據總數。
34、作為優選，所述最終預測模型的超參數包括：
35、輸入特征維數為4，卷積層為2層，池化層為最大池化，長短期記憶神經網絡的隱藏結點數為20層，dropout為0.2，損失函數為mae，激活函數為relu，優化算法為adam，訓練輪數epoch為30，單次訓練參數個數batch?size為24。
36、與現有技術相比，本專利技術具有以下優點：
37、本專利技術一種基于cnn-lstm模型的燃燒裝置co2排放濃度預測方法，與現有技術中利用機器學習進行訓練得到的模型進行預測的方法相比，本專利技術通過獲取實時連續的燃燒裝置數據分析輸入變量與輸出變量的關聯性，篩選相關性高的特征變量并輸入到本專利技術構建的cnn-lstm模型中，通過神經網絡擬合并挖掘出co2排放濃度與輸入變量的關系，從而實現對燃燒裝置的co2排放濃度的實時準確預測，為燃燒裝置碳排放水平評估和ccus裝置低能耗優化運行提供理論支持。
本文檔來自技高網...【技術保護點】
1.一種基于CNN-LSTM模型的燃燒裝置CO2排放濃度預測方法，其特征在于：該方法包括以下步驟：
2.根據權利要求1所述的一種基于CNN-LSTM模型的燃燒裝置CO2排放濃度預測方法，其特征在于：所述燃燒裝置為燃煤鍋爐，所述相關特征變量包括鍋爐運行特征變量、煙氣排放特征變量和煤質特征變量，所述鍋爐運行特征變量包括給水流量、機組功率、爐膛壓力、一次風壓、再熱蒸汽溫度、再熱蒸汽壓力、主汽壓力、主蒸汽溫度、主蒸汽流量、總風量和總燃煤量，所述煙氣排放特征變量包括煙氣CO濃度、煙氣NOX濃度、煙氣O2濃度、煙氣SO2濃度、煙氣流量和煙氣濕度，所述煤質特征變量包括含碳量。
3.根據權利要求1所述的一種基于CNN-LSTM模型的燃燒裝置CO2排放濃度預測方法，其特征在于：所述對監測數據進行清洗包括去除異常值和填補空缺值，填補空缺值采用線性插值方法，其計算式為，
4.根據權利要求1所述的一種基于CNN-LSTM模型的燃燒裝置CO2排放濃度預測方法，其特征在于：根據各輸入變量與CO2排放濃度之間的相關系數，對輸入變量數據集進行篩選，具體包括：
5.
6.根據權利要求1所述的一種基于CNN-LSTM模型的燃燒裝置CO2排放濃度預測方法，其特征在于：所述平均絕對誤差損失的計算式為，
7.根據權利要求1所述的一種基于CNN-LSTM模型的燃燒裝置CO2排放濃度預測方法，其特征在于：所述反向傳播具體包括：
8.根據權利要求1所述的一種基于CNN-LSTM模型的燃燒裝置CO2排放濃度預測方法，其特征在于：所述均方根誤差的計算式為，
9.根據權利要求1所述的一種基于CNN-LSTM模型的燃燒裝置CO2排放濃度預測方法，其特征在于：所述最終預測模型的超參數包括：
...【技術特征摘要】
1.一種基于cnn-lstm模型的燃燒裝置co2排放濃度預測方法，其特征在于：該方法包括以下步驟：
2.根據權利要求1所述的一種基于cnn-lstm模型的燃燒裝置co2排放濃度預測方法，其特征在于：所述燃燒裝置為燃煤鍋爐，所述相關特征變量包括鍋爐運行特征變量、煙氣排放特征變量和煤質特征變量，所述鍋爐運行特征變量包括給水流量、機組功率、爐膛壓力、一次風壓、再熱蒸汽溫度、再熱蒸汽壓力、主汽壓力、主蒸汽溫度、主蒸汽流量、總風量和總燃煤量，所述煙氣排放特征變量包括煙氣co濃度、煙氣nox濃度、煙氣o2濃度、煙氣so2濃度、煙氣流量和煙氣濕度，所述煤質特征變量包括含碳量。
3.根據權利要求1所述的一種基于cnn-lstm模型的燃燒裝置co2排放濃度預測方法，其特征在于：所述對監測數據進行清洗包括去除異常值和填補空缺值，填補空缺值采用線性插值方法，其計算式為，
4.根據權利要求1所述的一種基于cnn-lstm模型的燃燒裝置...
【專利技術屬性】
技術研發人員：高翔，劉少俊，鄭成航，李倬毅，孟駿，郭姜敏，劉鵬，楊洋，張涌新，
申請(專利權)人：浙江大學，
類型：發明
國別省市：
還沒有人留言評論。發表了對其他瀏覽者有用的留言會獲得科技券。