SO2浓度预测方法及装置

技术领域

本发明属于电厂参数预测技术领域，尤其涉及一种SO2浓度预测方法及装置。

背景技术

我国是煤炭大国，煤炭燃烧产生的SO2等是重要的污染排放物，由于其面广量大，对环境和人们健康都具有较大的影响，因此越来越得到国家的重视。燃煤电厂近年来也对SO2的排放进行了一定的治理，采用干法脱硫、湿法脱硫等等。湿法烟气脱硫技术吸收剂适用范围广，也适用于燃烧煤的处理，可以处理含硫量高达8％的烟气，但是脱硫系统受到各种因素的影响，脱硫效率下降，系统也将会难以控制，会导致惯性大、实时性变差等问题。

当运行参数经过调整出现误差的情况下，脱硫效果受到影响，那么脱硫塔入口SO2的浓度会超限，以致二氧化硫排放超标。建立一个有效的SO2浓度预测模型是至关重要的，不仅可以监测出口SO2浓度，还可以为运行人员提供有效的参数，以便于调整脱硫系统运行的参数，从而保证脱硫系统运行的经济性、稳定性和可靠性。

随着人工智能技术的飞速发展和计算能力的不断提升，不少的研究者对污染物的浓度预测采用回归分析、支持向量机、神经网络等算法。其中线性回归算法要求有精度较高的数据，但预测的误差却偏大；支持向量机SVM算法是将其做参数寻优，以求更精确的预测值；神经网络包含有LSTM、BP神经网络等，在SO2浓度的预测中，虽有一定的效果，但是存在收敛速度慢，训练容易出现过拟合，一般会引入其它优化算法以提高预测精度。

发明内容

针对现有技术的不足，本发明提出一种SO2浓度预测方法及装置，该方法通过历史数据建立初始的LSTM模型，再利用麻雀算法寻优LSTM模型参数，从而保证SO2浓度预测的准确性。

为了实现上述目的，本发明一方面提供一种SO2浓度预测方法，包含：

采集待测火电厂机组的脱硫塔出口浓度数据并进行预处理，构建数据集，所述脱硫塔出口浓度数据至少包含出口SO2浓度真实值；

以预处理后的脱硫塔出口浓度数据作为输入数据，构建初始浓度预测模型；

对所述初始浓度预测模型的参数进行寻优，获取目标浓度预测模型；

利用所述目标浓度预测模型，进行SO2浓度预测，输出SO2浓度预测值。

在一实施例中，采集待测火电厂机组的脱硫塔出口浓度数据并进行预处理，包含：

计算采集的脱硫塔出口浓度数据在预设正常范围内的比例，对不属于预设正常范围的异常数据进行填充；

对采集的脱硫塔出口浓度数据进行评估，判定数据中是否存在缺失值，对存在的缺失值进行插值填充；

将通过异常数据处理与缺失数据处理后的脱硫塔出口浓度数据，采用数据归一化方法将转换为[0,1]区间的无量纲化数据。

在一实施例中，所述初始浓度预测模型采用LSTM神经网络预测模型，包含：

一遗忘层，用于确定预处理后的脱硫塔出口浓度数据中需要从细胞状态中抛弃的信息；

一输入层，与所述遗忘层输出端连接，用于确定预处理后的脱硫塔出口浓度数据中在单元状态中需要存储的新信息；

一输出层，与所述输入层的输出端连接，用于决定要输出的SO2浓度预测值。

在一实施例中，预处理后的脱硫塔出口浓度数据中在单元状态中需要存储的信息表示为：

i

其中，i

输入层的输出数据为

其中，C

在一实施例中，输出的SO2浓度预测值表示为：

h

其中，o

在一实施例中，基于SSA麻雀算法，以所述出口SO2浓度真实值与所述SO2浓度预测值的误差最小为目标函数，对所述初始浓度预测模型的参数进行寻优，获取目标浓度预测模型。

在一实施例中，所述SSA麻雀算法通过在局部搜索中，更新发现者的位置与追随者的位置，以确定适用度值达到预设标准的最优位置，得到所述LSTM神经网络预测模型满足预设目标函数的最优参数。

在一实施例中，利用SSA麻雀算法，优化LSTM神经网络预测模型中的学习率、迭代次数以及不同遗忘层的神经元数值。

本发明另一方面还提供了一种SO2浓度预测装置，采取上述的SO2浓度预测方法，至少包含：

数据集构建模块，用于采集待测火电厂机组的脱硫塔出口浓度数据并进行预处理，构建数据集，所述脱硫塔出口浓度数据至少包含出口SO2浓度真实值；

模型构建模块，用于以预处理后的脱硫塔出口浓度数据作为输入数据，构建初始浓度预测模型；及

对所述初始浓度预测模型的参数进行寻优，获取目标浓度预测模型；

预测模块，用于利用所述目标浓度预测模型，进行SO2浓度预测，输出SO2浓度预测值。

本发明另一方面还提供了一种可读存储介质，可读存储介质上存储有程序或指令，该程序或指令被处理器执行时实现上述SO2浓度预测方法的步骤，且能达到相同的技术效果。

由以上方案可知，本发明的优点在于：

本发明提供的SO2浓度预测方法，其使用基于SSA麻雀算法的SSA-LSTM神经网络对SO2浓度进行建模，提高了预测精度。具体通过采集待测火电厂机组的脱硫塔出口浓度数据并进行预处理，构建数据集；以预处理后的脱硫塔出口浓度数据作为输入数据，基于LSTM神经网络构建初始浓度预测模型；然后，采用SSA麻雀算法对所述初始浓度预测模型的参数进行寻优，获取目标浓度预测模型；最后，利用所述目标浓度预测模型，进行SO2浓度预测，输出SO2浓度预测值。该方法基于SSA算法收敛速度快、鲁棒性强、稳定性好，通过采用传统LSTM模型结合麻雀优化算法的方式，使SO2预测的更为准确。

附图说明

图1为本发明提供的SO2浓度预测方法的整体流程示意图；

图2示出了基于SSA-LSTM构建目标浓度预测模型的流程图；

图3示出了不同预测模型的效果对比图；

图4为浓度预测装置的架构图；

其中：

400-浓度预测装置；

401-数据集构建模块；

402-模型构建模块；

403-预测模块；

S1-S4：步骤。

具体实施方式

为让本发明的上述特征和效果能阐述的更明确易懂，下文特举实施例，并配合说明书附图作详细说明如下。

如前所述，现有技术中的SO2预测方法存在预测模型复杂、SO2浓度预测精度差等问题，对此，本发明提供了一种基于SSA-LSTM的SO2浓度预测方法，通过历史数据建立最初的LSTM模型，再利用麻雀算法寻优LSTM模型参数，从而保证软测量的准确性。下面将对本发明提供的SO2浓度预测方法进行详细说明。

如图1中所示，图1示出了该SO2浓度预测方法的总体流程图。

一种SO2浓度预测方法，至少包含：

S1、采集待测火电厂机组的脱硫塔出口浓度数据并进行预处理，构建数据集，脱硫塔出口浓度数据至少包含出口SO2浓度真实值。

于本实施例中，首先通过测量待测火电厂机组的脱硫塔出口浓度数据，并对该数据进行预处理，以构建数据集。其中，实际中，采集的火电厂机组脱硫塔出口浓度数据包含进口SO2含量、进口含尘量、机组负荷、脱硫塔浆液、石灰石浆液密度、脱硫塔供浆量、脱硫工艺水箱补水量、除雾器冲洗水箱补水量、脱硫塔液位、脱硫塔密度、出口SO2浓度等不同数据。即，脱硫塔出口浓度数据至少包含测量的出口SO2浓度真实值，本实施例通过对预测模型所得到的出口处SO2浓度的预测值与真实值做对比，以验证模型的精确性。

于具体实现中，由于在数据采集的过程中不是理想环境，容易受到各种因素的干扰，导致数据不精确，因此对数据进行分析和建模前，需要对数据进行处理以适应模型。本实施例中，数据预处理主要包括异常数据处理、缺失数据处理以及数据归一化等。

其中，异常数据处理指识别明显偏离数据集的异常数据后进行数据填充。本实施例具体依据整体污染物指标数据的特征将浓度值小于0mg/m

缺失数据的处理，首先对缺失值进行判别，判断数据中是否存在缺失值。本实施例中，对采集的脱硫塔出口浓度数据进行评估，判定数据中是否存在缺失值，对存在的缺失值进行插值填充。在Python环境中，可以使用isnull()方法对数据进行判断，经计算缺失比例为0.2％。发现SO2的缺失值比例偏小，通过knn插值填充的方法填补缺失数据。

数据归一化，是将数据按比例进行缩放，使原始非标准化数据经过标准化处理使之落入一个特定区间。为了使数据被限定在一定范围内，消除单位限制，提高模型的预测精度。本实施例中，采集的SO2数据值相对偏小，不利于后期LSTM模型的训练以及预测结果的输出，因此为了提高模型训练的准确性，减少不必要的误差，将通过异常数据处理与缺失数据处理后的脱硫塔出口浓度数据，采用数据归一化方法将数据转换为[0,1]区间的无量纲化数据。

本实施例中，通过该过程构建出数据集之后，进一步将数据集划分为训练集与测试集。实际中，例如可以按照80％训练集和20％测试集的比例划分，对此不做具体限制。

S2、以预处理后的脱硫塔出口浓度数据作为输入数据，构建初始浓度预测模型。

于本实施例中，通过步骤S1构造出数据集之后，进一步利用该数据集构造浓度预测模型，以预测出口SO2的浓度。

本实施例采用LSTM神经网络预测模型构造初始浓度预测模型，其包含一遗忘层、一输入层、一输出层。

于具体实现中，对于遗忘层，其为LSTM神经网络预测模型中第一步，用于确定预处理后的脱硫塔出口浓度数据中需要从细胞状态中抛弃的信息，遗忘层的输出信息表示为：

f

式中：h

对于输入层，输入层与遗忘层输出端连接，用于确定预处理后的脱硫塔出口浓度数据中在单元状态中需要存储的新信息。实际中，预处理后的脱硫塔出口浓度数据中在单元状态中需要存储的信息表示为：

i

其中，i

对于输出层，其与输入层的输出端连接，用于决定要输出的SO2浓度预测值。实际中，输出的SO2浓度预测值表示为：

h

其中，

S3、对初始浓度预测模型的参数进行寻优，获取目标浓度预测模型。

于本实施例中，通过步骤S2基于LSTM神经网络预测模型构造初始浓度预测模型之后，进一步基于SSA麻雀算法，以出口SO2浓度真实值与SO2浓度预测值的误差最小为目标函数，对初始浓度预测模型的参数进行寻优，获取目标浓度预测模型。SSA算法结构简单，控制参数较少，收敛速度快、拥有良好的全局寻优能力和稳定性，通过采用传统LSTM模型结合麻雀优化算法的方式，使SO2预测的更为准确。

本实施例具体利用SSA麻雀算法，优化LSTM神经网络预测模型中的学习率、迭代次数以及不同遗忘层的神经元数值，找到1组超参数使LSTM网络的MSE最低，进而得到目标浓度预测模型，

如图2中所示，其示出了基于SSA-LSTM构建目标浓度预测模型的流程图。于具体实现中，SSA麻雀算法通过在局部搜索中，更新发现者的位置与追随者的位置，以确定适用度值达到预设标准的最优位置，得到LSTM神经网络预测模型满足预设目标函数的最优参数。即，其首先通过LSTM设置初始参数，SSA初始化参数，获取初始适用度值；然后通过更新发现者位置与追随者位置，在获取到警戒者的信号时，判断适用度值达到预设标准，进而得到LSTM的最优参数，进而得到目标浓度预测模型。

此外，对于SSA算法，在该算法原理中，将麻雀群体分为发现者和追随者两类，其中，发现者负责探索食物的位置，并为麻雀群体提供该路径；追随者跟踪前者来觅取食物。种群中存在有一定比例的警戒者，没有危险的时候就在种群中随意走动,一旦发现危险就会转向安全区域。在迭代的过程中，按照一定的规则进行更新位置信息。假设一个为m的麻雀群在d维空间进行觅食活动，那么第n只麻雀的位置为x

发现者的位置更新表示为：

其中，T是目前迭代次数；iter

跟随者的位置更新表示为：

其中，X

当意识到警戒者的信号时，麻雀种群会做出反捕食行为，位置更新表示为：

其中，其中X

S4、利用目标浓度预测模型，进行SO2浓度预测，输出SO2浓度预测值。

于本实施例中，通过步骤S2-S3基于SSA-LSTM构建目标浓度预测模型之后，利用该目标浓度预测模型进行SO2浓度预测，计算脱硫塔出口处的SO2浓度的预测值。然后，对标浓度预测模型所得到的出口处的SO2浓度预测值与实际采集的出口SO2浓度真实值做对比，以验证模型精确性。

下面以一具体实验来说明本发明上述实施例提供的SO2浓度预测方法的效果。

本次实验数据来源于山东某火力发电厂300MW机组的实时运行数据，采集该电厂2022年7月5日当天24小时的脱硫塔出口浓度数据，每隔10s采样，共计采样8640条原始数据。如表1中所示：

表1脱硫塔出口浓度数据

对表1中采集的脱硫塔出口浓度数据进行预处理，对异常值进行替换或者剔除。由于量纲不同，需要对选取的变量做归一化处理。选取80％的数据作为训练集，20％为测试集。

对数据设定滑动窗口，窗口大小为10，每次滑动一步，表示使用前十分钟的数据作为输入预测下一分钟的出口SO2浓度值。

对处理过的变量，使用基于SSA麻雀算法的SSA-LSTM神经网络对SO2浓度进行建模，建立目标浓度预测模型，即脱硫系统出口SO2预测模型。其中，SSA算法的主要参数设置：利用SSA优化LSTM神经网络预测模型中的学习率、迭代次数以及不同隐藏层的神经元数值，目的是找到1组超参数使LSTM网络的MSE最低。

LSTM模型的隐含层设置为2层，学习率设置范围为[0.001,0.01]，训练次数为[l0,100]，隐含层第1、第2层神经元个数分别为[1,100]、[l,100]。SSA剩余参数设置:麻雀种群数量为30、发现者占比20％、TS占比10％、最大迭代次数为100、适应度函数为均方误差MSE。

用于对比的LSTM参数设置:隐含层第1层神经元个数为50、第2层神经元个数为50、训练次数60次、学习率0.005。

利用建立的目标浓度预测模型计算电厂脱硫塔出口处的SO2浓度的预测值，将出口处的SO2浓度预测值与实际采集的出口SO2浓度真实值做对比。为了验证本发明SO2浓度预测方法精确性，分别利用SSA-LSTM网络和LSTM搭建了预测模型，所得到的预测结果如图3所示，图3显示了不同预测模型的效果对比图。三种预测模型的RMSE、MAE和R2值如表2所示，可以看到，本发明所提出模型在两种指标的表现上均为最优，说明了结合麻雀算法的SSA-LSTM神经网络出口SO2浓度预测模型具有较好的预测精度。

表2不同模型评价指标

综上，本发明提供的SO2浓度预测方法，其使用基于SSA麻雀算法的SSA-LSTM神经网络对SO

此外，本发明上述实施例可以应用于SO2浓度预测方法功能的终端设备中，该终端设备可以包括个人终端、以及上位机终端等，本发明实施例对此不加以限制。该终端可以支持Windows、Android(安卓)、IOS、WindowsPhone等操作系统。

参照图4，图4示出了一种浓度预测装置400，基于SO2浓度预测方法，可应用于个人终端、以及上位机终端设备中，其可实现通过如图1-图2所示的SO2浓度预测方法，本申请实施例提供的浓度预测装置能够实现上述SO2浓度预测方法实现的各个过程。

一种浓度预测装置400，采用上述实施例提供的SO2浓度预测方法，至少包括：

数据集构建模块401，用于采集待测火电厂机组的脱硫塔出口浓度数据并进行预处理，构建数据集，脱硫塔出口浓度数据至少包含出口SO2浓度真实值；

模型构建模块402，用于以预处理后的脱硫塔出口浓度数据作为输入数据，构建初始浓度预测模型；及

对初始浓度预测模型的参数进行寻优，获取目标浓度预测模型；

预测模块403，用于利用目标浓度预测模型，进行SO2浓度预测，输出SO2浓度预测值。

此外，应当理解，在根据本申请实施例的浓度预测装置300中，仅以上述各功能模块的划分进行举例说明，实际应用中，可以根据需要而将上述功能分配由不同的功能模块完成，即该浓度预测装置300可划分为与上述例示出的模块不同的功能模块，以完成以上描述的全部或者部分功能。

此外，本申请实施例还提供了一种电子设备，包括处理器，存储器，存储在存储器上并可在处理器上运行的程序或指令，该程序或指令被处理器执行时实现上述SO2浓度预测方法的步骤，且能达到相同的技术效果。

其中，处理器为上述实施例中的电子设备中的处理器。可读存储介质，包括计算机可读存储介质，如计算机只读存储器(Read-Only Memory，ROM)、随机存取存储器(RandomAccess Memory，RAM)、磁碟或者光盘等。

此外，本申请实施例还提供一种可读存储介质，可读存储介质上存储有程序或指令，该程序或指令被处理器执行时实现上述SO2浓度预测方法的步骤，且能达到相同的技术效果。

需要说明的是，在本文中，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者装置不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者装置所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括该要素的过程、方法、物品或者装置中还存在另外的相同要素。此外，需要指出的是，本申请实施方式中的方法和装置的范围不限按示出或讨论的顺序来执行功能，还可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，例如，可以按不同于所描述的次序来执行所描述的方法，并且还可以施加、省去、或组合各种步骤。另外，参照某些示例所描述的特征可在其他示例中被组合。

通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到上述实施例方法可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件，但很多情况下前者是更佳的实施方式。

上面结合附图对本申请的实施例进行了描述，但是本申请并不局限于上述的具体实施方式，上述的具体实施方式仅仅是示意性的，而不是限制性的，本领域的普通技术人员在本申请的启示下，在不脱离本申请宗旨和权利要求所保护的范围情况下，还可做出很多形式，均属于本申请的保护之内。