一种基于LSTM的CFB机组NOx排放浓度的预测方法

    公开(公告)号:CN112613237B

    公开(公告)日:2022-10-21

    申请号:CN202011621137.0

    申请日:2020-12-31

    摘要: 本发明涉及一种基于LSTM的CFB机组NOx排放浓度的预测方法,包括以下步骤:S1通过灰色关联度法确定CFB机组氮氧化物排放浓度的主要影响因子;S2搜集现场数据,对风量数据均做高斯平滑处理;S3为保证数据训练的精度与速度,LSTM的所有输入输出数据均做归一化处理,归一化处理区间为[‑1,1];S4建立基于LSTM的CFB机组NOx排放浓度的数据模型,并通过现场数据进行验证;S5改变LSTM深度学习神经网络中的输出迟延阶次,使该模型具有预测作用,以此克服NOx浓度测点靠后的原因带来的测量迟延。本发明采用机器学习的方式进行流化床NOx排放浓度建模,精度高且过程简单;通过改变训练集中输出值的迟延阶次来使模型具有预测性质,可超前1~3分钟预测NOx排放浓度。

    一种基于LSTM的CFB机组NOx排放浓度的预测方法

    公开(公告)号:CN112613237A

    公开(公告)日:2021-04-06

    申请号:CN202011621137.0

    申请日:2020-12-31

    摘要: 本发明涉及一种基于LSTM的CFB机组NOx排放浓度的预测方法,包括以下步骤:S1通过灰色关联度法确定CFB机组氮氧化物排放浓度的主要影响因子;S2搜集现场数据,对风量数据均做高斯平滑处理;S3为保证数据训练的精度与速度,LSTM的所有输入输出数据均做归一化处理,归一化处理区间为[‑1,1];S4建立基于LSTM的CFB机组NOx排放浓度的数据模型,并通过现场数据进行验证;S5改变LSTM深度学习神经网络中的输出迟延阶次,使该模型具有预测作用,以此克服NOx浓度测点靠后的原因带来的测量迟延。本发明采用机器学习的方式进行流化床NOx排放浓度建模,精度高且过程简单;通过改变训练集中输出值的迟延阶次来使模型具有预测性质,可超前1~3分钟预测NOx排放浓度。