CN112884213B

CN112884213B - 小波分解与动态混合深度学习的燃煤锅炉NOx预测方法

Info

Publication number: CN112884213B
Application number: CN202110143854.5A
Authority: CN
Inventors: 牛玉广; 康俊杰
Original assignee: North China Electric Power University
Current assignee: North China Electric Power University
Priority date: 2021-02-02
Filing date: 2021-02-02
Publication date: 2024-04-19
Anticipated expiration: 2041-02-02
Also published as: CN112884213A

Abstract

本发明提供了小波分解与动态混合深度学习的燃煤锅炉NOx预测方法，涉及燃煤锅炉运营技术领域，能够准确稳定的预测NOx排放，泛化性能和可重复性好；该方法步骤包括：S1、采集NOx排放敏感参数在某一时间段内的值；S2、对NOx排放敏感参数的采集值进行小波变换，得到该NOx排放敏感参数采集值的趋势分量和高频波动分量；S3、对趋势分量和高频波动分量进行小波重构；S4、采用LSTM模型对重构后的趋势分量进行动态预测，同时采用CNN模型对重构后的高频波动分量进行动态预测；S5、将S4中的预测结果进行融合，得到最终的NOx排放预测结果。本发明提供的技术方案适用于燃煤锅炉NOx排放预测的过程中。

Description

小波分解与动态混合深度学习的燃煤锅炉NOx预测方法

技术领域

本发明涉及燃煤锅炉运营技术领域，尤其涉及一种小波分解与动态混合深度学习的燃煤锅炉NOx预测方法。

背景技术

近几年，随着新能源发电规模迅速发展及我国电力装机总容量长期、持续增长等方面的竞争，全国火电机组的平均年利用小时数持续下降。为了适应利用小时数减少和调峰频繁的要求，大部分火电机组长期处于变负荷甚至低负荷运行状态。低负荷运行时，机组各类能效指标将降低，NOx排放浓度因单位燃料所对应的空气量的增加而增加，节能减排依然面临挑战。

电站锅炉NOx排放预测是燃烧优化和选择性催化还原(SCR)系统喷氨等运行的基础，也是锅炉兼顾经济性和低排放的一项重要技术，近年来一直受到研究者的关注。

目前大多数的燃烧优化建模方法及成型的产品开发都是基于锅炉燃烧系统的稳态数据建立的稳态模型，难以满足动态变负荷情况下的燃烧优化模型预测。为了实现现在电厂频繁的负荷波动污染物排放模型的训练和预测，许多研究者开始尝试动态预测模型。动态模型总是比静态模型具有更高的预测精度，这是因为动态预测模型考虑了电厂运行的时变性，将过程历史数据中的变化特性提供的有用信息加入进来。动态预测模型可以很好的解决电厂频繁负荷内在信息的变化性，在模型预测方面有较好的优势。

尽管上述模型加入了数据的动态信息并且都取得了比静态模型好的预测效果，但是大部分的模型都未考虑到原始数据在频繁波动及采集过程中可能由于各种因素的影响而导致的复杂特征信息的疑似噪声的存在，甚至把这些所谓的噪声直接去掉。对于调峰频繁的电站燃烧数据通常具有非平稳性、非线性和高波动性等复杂特征，而这些特征通常也是原始数据中最重要的组成部分，应当加以考虑。并且考虑到神经网络等机器学习算法容易发生过拟合、收敛速度快及局部极小等缺点，这都会限制预测模型的准确性。

因此，有必要研究一种小波分解与动态混合深度学习的燃煤锅炉NOx预测方法来应对现有技术的不足，以解决或减轻上述一个或多个问题。

发明内容

为了满足电网调峰要求，大多数火电机组往往在变负荷甚至低负荷下运行，导致NOx排放量增加。选择性催化还原(SCR)脱硝系统喷氨是降低电站锅炉NOx浓度的主要途径。为了提高SCR脱硝系统的控制质量和经济性，需要建立SCR脱硝反应器入口NOx生成的精确动态模型。有鉴于此，本发明提供了一种小波分解与动态混合深度学习的燃煤锅炉NOx预测方法，能够具有准确、稳定的建模和预测效果，与其他典型的预测方法相比，该模型具有更好的泛化性能和较高的可重复、稳定性，为进一步实现精准喷氨和燃烧优化提供了更好的选择。

一方面，本发明提供小波分解与动态混合深度学习的燃煤锅炉NOx预测方法，其特征在于，所述方法的步骤包括：

S1、采集NOx排放敏感参数在某一时间段内的值(NOx排放敏感参数即为用于预测NOx排放的相关测量参数，如负荷、风门挡板开度、一次风压、二次风压、风量、煤量、配风方式及磨煤机运行组合方式等)；

S2、对每一个NOx排放敏感参数的所有采集值进行小波变换，得到该NOx排放敏感参数在该时间段内的趋势分量和高频波动分量；

S3、对趋势分量和高频波动分量进行小波重构；

S4、采用LSTM模型对重构后的趋势分量进行动态预测，同时采用CNN模型对重构后的高频波动分量进行动态预测；

S5、将LSTM模型和CNN模型得到的预测结果进行融合，得到最终的NOx排放预测结果。

如上所述的方面和任一可能的实现方式，进一步提供一种实现方式，每一个NOx排放敏感参数均分解为一个趋势分量和多个高频波动分量。

如上所述的方面和任一可能的实现方式，进一步提供一种实现方式，步骤S5中融合的内容包括：用高频波动分量的预测结果对趋势分量的预测结果进行补偿。

如上所述的方面和任一可能的实现方式，进一步提供一种实现方式，步骤S3中对趋势分量和高频波动分量进行小波重构的具体内容为序列重构。

如上所述的方面和任一可能的实现方式，进一步提供一种实现方式，对高频波动分量进行序列重构的依据为波动频率。

如上所述的方面和任一可能的实现方式，进一步提供一种实现方式，步骤S1中采集数据的时间段长度为一周，采集频率为1次/分钟。

另一方面，本发明提供一种小波分解与动态混合深度学习的燃煤锅炉NOx建模方法，其特征在于，所述方法的步骤包括：

S1、收集NOx排放敏感参数的历史数据以及对应的NOx排放量；

S2、对NOx排放敏感参数的历史数据以及对应的NOx排放量进行小波变换，得到该NOx排放敏感参数和NOx排放量的趋势分量和高频波动分量；

S3、对趋势分量和高频波动分量进行小波重构；

S4、采用重构后的趋势分量对LSTM模型进行训练，采用重构后的高频波动分量对CNN模型进行训练，得到训练好的LSTM模型和CNN模型；

反复进行S1-S4的步骤，得到最终的模型。

如上所述的方面和任一可能的实现方式，进一步提供一种实现方式，所述NOx排放敏感参数包括负荷、风门挡板开度、一次风压、二次风压、风量、煤量、配风方式及磨煤机运行组合方式。

如上所述的方面和任一可能的实现方式，进一步提供一种实现方式，原始LSTM模型和CNN模型的设置参数根据经验数据得到。

如上所述的方面和任一可能的实现方式，进一步提供一种实现方式，训练好的LSTM模型的参数设置包括：隐藏层节点数为128，maxEpochs为128,miniBatchSize为8,InitionalLearnRate为0.006,Dropout为0.7；

最终CNN模型的结构包括：1个输入层，2个卷积层(C1,C3)，2个下采样层(S2,S4),2个全连接层(C5,C6)，1个输出层；输入层的大小为9*9，C1层利用4个滑动步长是2*2的卷积核得到4个8*8大小的特征面，经过下采样后，得到下采样层S2为4个4*4的特征面，C3层利用滑动步长为3*3的卷积核得到8个2*2大小特征面，下采样后得到S4为8个1*1的特征面，最后通过两个全连接层分别是C5为32层和C6为4层与其前一层进行全连接，该层将前期所提取的各种局部特征综合起来，最后通过输出层得到预测值。

与现有技术相比，本发明可以获得包括以下技术效果：基于小波分解与动态混合深度学习的模型，即WT-CNN-LSTM模型，具有适应工况变化的能力，与其他预测方法相比具有较高的预测精度和稳定性，可进一步作为燃煤锅炉燃烧优化和SCR脱硝系统精准喷氨优化的基础；同时，该模型具有足够高质量运行数据和必要的数据预处理，在类似燃煤电厂锅炉上具有良好的应用潜力。

当然，实施本发明的任一产品并不一定需要同时达到以上所述的所有技术效果。

附图说明

为了更清楚地说明本发明实施例的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其它的附图。

图1是本发明一个实施例提供的LSTM神经网络基本结构示意图；

图2是本发明一个实施例提供的混合小波变换、LSTM和CNN的燃煤锅炉NOx排放预测的动态预测方法的流程图；

图3是本发明一个实施例提供的预测模型中CNN模块的结构示意图；

图4是本发明一个实施例提供的LSTM-CNN_All和LSTM-CNN_Low训练数据集对比图；

图5是本发明一个实施例提供的LSTM-CNN_All和LSTM-CNN_Low测试数据集对比图；

图6是本发明一个实施例提供的LSTM-CNN_All和LSTM-CNN_Low的RMSE对比图；

图7是本发明一个实施例提供的LSTM-CNN_All和LSTM-CNN_Low的RMSE标准差S比较图；

图8是本发明一个实施例提供的各模型训练数据集预测性能的对比；

图9是本发明一个实施例提供的各模型测试数据集预测性能的对比；

图10是本发明一个实施例提供的每个模型的RMSE比较图；

图11是本发明一个实施例提供的每个模型的RMSE标准差比较图。

具体实施方式

为了更好的理解本发明的技术方案，下面结合附图对本发明实施例进行详细描述。

应当明确，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其它实施例，都属于本发明保护的范围。

在本发明实施例中使用的术语是仅仅出于描述特定实施例的目的，而非旨在限制本发明。在本发明实施例和所附权利要求书中所使用的单数形式的“一种”、“所述”和“该”也旨在包括多数形式，除非上下文清楚地表示其他含义。

为了捕获电站锅炉燃烧数据的包含的复杂信息，本发明利用小波分解变换(WT)的信号处理技术，将原始燃烧数据样本分解为一个平滑近似分量和一系列细节分量。这些分解的子系列分量都可以根据其特征分别用合适的时间序列深度神经网络模型进行预测，即用混合深度学习算法来预测SCR脱硝系统入口前的NOx排放。利用混合深度神经网络模型的特点来捕捉分解数据中的不同模式，可以有效提高最终预测模型的准确性。

本发明提出一种混合小波变换、LSTM和CNN的燃煤锅炉NOx排放预测的动态预测方法。首先，利用小波变换将原始运行数据分解为高频分量和低频分量。高频分量反应的是数据的波动，即为高频波动分量；低频分量反应的是趋势，即为趋势分量；再对高频分量和低频分量进行小波重构，得到重构后的高频分量和低频分量应用于后续的训练或预测。其次，利用深度学习的长短期记忆神经网络(LSTM)对低频分量进行动态建模，卷积神经网络(CNN)对高频分量进行动态建模。然后将两种预测模型融合，得到最终的NOx排放模型。

建模后可使用模型进行NOx排放预测。首先基于小波变换(WT)算法将原始数据分解为一个近似分量和多个细节分量，可以同时捕捉历史运行数据中的时间和频率模式。然后利用LSTM模型动态捕获近似分量的趋势特征，利用CNN网络动态捕获细节分量中的影响因素特征，最后得到相应的预测结果。最后将每个分量得到的预测结果进行融合得到最终的NOx排放预测结果。

1、小波变换

小波变换(WT)与傅立叶变换原理类似，其是通过小波函数(由母波通过平移和拉伸得到)对原始数据进行分解。小波变换有较好的过滤信号的能力，分解的子信号序列与原始信号序列相比，能更好地体现变量的变化特征，可以更准确地预测NOx浓度。小波变换可分为2种：连续小波变换(CWT)和离散小波变换(DWT)。

对于任意函数y(t)的连续小波变换的表达式为：

式中，主小波为小波母波，尺度参数为小波分量，平移参数为小波分量。

CWT的值称为小波系数

离散小波变换的表达式为：

式中:m为尺度参数(分解级)；n为平移常数，为整数。

本发明使用Mallat开发的快速离散小波变换算法，此算法将低通滤波器和高通滤波器代替了父小波和母小波。低通滤波器称为尺度函数，用来分析低频分量，而高通滤波器称为小波函数，用来分析高频分量，通过滤波器将原始信号分解成多组时间序列，其中一组为反应趋势特征的平滑时间序列，其余组为反应扰动信号细节的时间序列。母波的选取对结果有重要影响。

2、LSTM神经网络

长短期记忆人工神经网络(Long-Short Term Memory，LSTM)是一种改进的时间循环神经网络(Recurrent Neural Network，RNN)。由于LSTM神经网络中包含时间记忆单元，可以学习时间序列长短期依赖信息，因此适用于处理和预测时间序列中的间隔和延迟事件。LSTM内部状态主要包括四个相关不同作用的激活函数(其中三个是sigmoid函数，一个是tanh函数)构成的三个控制门开关，分别是遗忘门、输入门和输出门，通过这种门限结构来控制信息的输入和输出，从而实现模型训练误差的正向和反向传播，最后达到模型收敛的目的，LSTM模型的基本结构如图1所示。

如图1，C_t–1和C_t是细胞的旧状态和新状态，细胞状态就像传送带一样直接在整个链上运行。在LSTM中，关键在于细胞的状态。通过门结构对细胞状态信息进行增删，这种门结构由一个sigmoid神经网络层和一个成对乘法操作组成(sigmoid是非线性的激活函数)，可以有选择地决定信息是否通过。对于给定样本序列X＝(x₁,x₂,…,x_m)，其前向计算方法可以表示为：

f_t＝sigmoid(w_xfx_t+w_hfh_t-1+b_f) (3)

i_t＝sigmoid(w_xix_t+w_hih_t-1+b_i) (4)

g_t＝tanh(w_xgx_t+w_hgh_t-1+b_g) (5)

o_t＝sigmoid(w_xo+w_hoh_t-1+b_o) (6)

式中:i、f、c、o分别为输入门、遗忘门、细胞状态、输出门；W和b分别为对应的权重系数矩阵和偏置项；σ和tanh分别为sigmoid和双曲正切激活函数。

3、CNN网络

CNN网络即为卷积神经网络，基本结构由输入层、卷积层(convolutional layer)、池化层(pooling layer，也称为下采样层)、全连接层及输出层构成。CNN模型的实质是通过建立多个滤波器提取输入数据的特征。随着网络的加深，提取出更高级别的特征，最终从原始数据中得到具有移不变性的鲁棒特征。

3.1卷积层

卷积层是卷积神经网络的核心组成部分。一般的卷积神经网络由多个卷积层组成，每个卷积层可以有多个不同的卷积核。每个卷积核可以看作一个滤波器，每一个滤波器都对应一个滤波后映射出的新特征图，同一新特征图中的每个数据都来自同一个完全相同的滤波器，即卷积核的权值共享。在卷积层，上一层的特征图(Feature map)被一个可学习的卷积核进行卷积，然后通过一个激活函数(Activation function)，就可以得到输出特征图。卷积层中每个输入特征图对应的特征输出可表示为：

式中,是卷积层l的第j个通道的输出，/>称为卷积层l的第j个通道的净激活(Net activation),它通过对前一层输出特征图/>进行卷积求和与偏置后得到的。/>称为激活函数，本发明使用sigmoid函数作为激活函数。M_j表示计算/>的输入特征图子集，/>是卷积核矩阵，/>是对卷积后特征图的偏置。对于一个输出特征图/>每个输入特征图/>对应的卷积核/>可能不同，符号“*”表示卷积。

3.2下采样层

下采样层一般跟随在卷积层后面，通过下面的公式下采样层将每个输入的特征图进行降维和特征提取：

式中，称为下采样层l的第j通道的净激活,它由前一层输出特征图/>进行下采样加权、偏置后得到，β是下采样层的权重系数，/>是下采样层的偏置项。符号down(.)表示下采样函数，它通过对输入特征图/>通过滑动窗口方法划分为多个不重叠的n×n区域块,然后对每个区域块内的值求和、求均值或最大值，于是输出的特征图在两个维度上都缩小了n倍。

3.3全连接层

在全连接网络中，将所有的二维特征图拼接为一维特征作为全连接网络的输入。全连接层l的输出可通过对输入加权求和并通过激活函数的响应得到：

x^l＝f(u^l) (13)

u^l＝w^lx^l-1+b^l (14)

其中，u^l称为全连接层l的净激活,它由前一层输出特征图x^l-1进行加权和偏置后得到的。w^l是全连接网络的权重系数，b^l是全连接层l的偏置项。

卷积神经网络训练是一个反向传播过程，通过误差函数反向传播。反向传播算法是神经网络一种常用监督学习方法，目标是根据训练样本和期望输出来估计网络参数。对于卷积神经网络而言,主要优化卷积核参数k、下采样层网络权重β、全连接层网络权重w和各层的偏置参数b等。

反向传播算法的本质在于允许我们对每个网络层计算有效误差，并由此推导出一个网络参数的学习规则,使得实际网络输出更加接近目标。反向传播算法主要基于梯度下降方法，网络参数首先被初始化为随机值，然后通过梯度下降法向训练误差减小的方向调整，直到网络收敛或者达到最大迭代次数停止。

4、预测方法结构

本发明采用db1作为母波，其可以很好地平衡波长和平滑度，并且分解结果能较好地反映输入变量的变化特征。使用此小波对输入变量进行3层分解，以求更加全面更加有意义的描述NOx质量浓度模型。通过将原始数据样本序列分解重构为一个近似序列(一般趋势分量)和三个细节序列(高频分量)。近似分量是原始样本序列的低频分量，跟随信号的趋势，采用动态LSTM模型对其进行预测。CNN模型可以捕捉到数据的高波动性特征，适合于对细节序列进行预测。这一过程流程如图2所示。

该预测方法的步骤包括以下几步：

步骤1：通过小波变换，将所有原始运行数据都分解为一个近似级数c3(t)和三个细节级数d1(t)、d2(t)、d3(t)；

步骤2：为了复制原始数据序列，重建近似值序列和细节序列是很重要的。将c3t、d1t、d2t、d3t的小波重构后的对应值记为C3t、D1t、D2t、D3t，重构过程为对应分解过程的逆运算。通过小波重构后的序列与原始数据相比较，具有的损失较小：

X_t＝C_3t+D_1t+D_2t+D_3t (15)

分解的意义是利用不同的滤波信号分解为近似分量和一系列细节分量，同时达到去除噪声的效果；然后通过重新构造系数的方法逆构造原来的信号，最终在不偏离原信号的基础上达到去噪的目的，精度更高。

步骤3：建立NOx排放预测方面，采用LSTM模型动态的对C3t进行预测，细节系列(包括D1t、D2t、D3t)采用CNN模型动态进行预测。

步骤4：最终NOx预测是将系列D1t、D2t、D3t的预测结果对A3t的结果进行补偿、融合在一起得到的，可以表示为：

实施例1：

为了验证模型的有效性，本发明从所研究电厂的分散控制系统(DCS)中采集了7天左右的运行数据。所选数据覆盖的机组负荷波动频繁，采样间隔为1分钟，采样点数为11700个，对基于小波变换的动态混合LSTM和CNN神经网络NOx排放模型进行训练和测试。本发明利用[X(t)、X(t-1)、X(t-2)、X(t-3)、y(t-1),y(t)]的扩展结构建立SCR系统入口NOx的动态模型。为了验证LSTM-CNN模型的准确性，单独使用分离的低频建立的模型LSTM_low以及没有经过处理的原数据建立的LSTM和BPNN动态模型和静态KPLS模型做比较。利用上边提到的现场实际数据对模型有效性进行验证，其中前70％的数据设置为训练数据集，剩余30％设置为测试数据集。为了评估该方法的预测能力，采取了两种误差措施作为评价指标，并与不同模型进行比较。均方根误差(RMSE)的定义如下：

其中n是样本数，y_i为实际值，为预测值。

模型的稳定性指标是检验拟合模型可靠性的重要依据，以避免模型时好时坏的表现。可以通过估计误差项的标准差来衡量，模型误差项的标准差越小，表明预测模型就越准确越稳定可靠。均方根误差的标准差表示式为：

模型建立及结果分析对比：

经过调试，本发明验证模型的低频部分LSTM模型设置的重要超参数为：隐藏层节点数为128，maxEpochs＝128,miniBatchSize＝8,InitionalLearnRate＝0.006,Dropout＝0.7。高频三个部分根据上述所选的变量形式，本发明验证模型的CNN模型结构如图3所示，即1个输入层，2个卷积层(C1,C3)，2个下采样层(S2,S4),2个全连接层(C5,C6)，1个输出层；输入层的大小为9*9，C1层利用4个滑动步长是2*2的卷积核得到4个8*8大小的特征面，经过下采样后，得到下采样层S2为4个4*4的特征面，C3层利用滑动步长为3*3的卷积核得到8个2*2大小特征面，下采样后得到S4为8个1*1的特征面，最后通过两个全连接层分别是C5为32层和C6为4层与其前一层进行全连接，该层将前期所提取的各种局部特征综合起来，最后通过输出层得到预测值。

建立的电站锅炉SCR系统入口NOx排放预测模型LSTM-CNN模型的整体部分LSTM-CNN_All与低频部分LSTM-CNN_Low的训练数据集和测试数据集对比图，如图4-5所示，图中的蓝线是实际测量值。从图中可以看出，LSTM-CNN_All和LSTM-CNN_Low都具有较好的准确性，但是加上高频部分CNN模型补偿的LSTM-CNN_All更靠近实际值，它的准确性更高。为了说明所提方法的稳定性，在给定的参数下进行了15次重复试验。图6-7进一步给出了LSTM-CNN_All和LSTM-CNN_Low 15次试验的RMSE及其标准差S的具体对比数值。LSTM-CNN_All模型训练数据的平均RMSE为3.48mg/Nm³,测试数据集的平均RMSE仅为6.823.48mg/Nm³而LSTM-CNN_Low模型的训练和测试的RMSE分别为5.09mg/Nm³、8.61mg/Nm³。LSTM-CNN_All模型比LSTM-CNN_Low模型训练精度平均提高了31.7％，测试精度平均提高了20.8％。另外从图4可以看出LSTM-CNN_All模型和LSTM-CNN_Low模型RMSE的标准差都很小，说明两者的稳定性都比较好。对试验数据的良好预测性能表明，基于小波分解的LSTM-CNN的NOx排放模型具有很强的通用性。

图8和图9是WT-LSTM-CNN模型和单独的LSTM、BPNN模型和静态KPLS模型的对比图。需要指出的是单独的没有经过小波变换的LSTM跟LSTM-CNN模型的低频部分的LSTM使用的是同样的参数。BPNN模型使用的也是同样的动态结构，其主要参数的设置为隐藏层节点＝128，学习速率＝0.01，最大训练步数＝1000，训练要求精度＝0.01。静态KPLS模型选用高斯核函数。对于图8各模型的训练数据集对比图，各个模型都能较好的拟合NOx的排放趋势，但是对于图9的测试数据集可以明显看出静态模型KPLS模型的偏差较大，泛化能力不好，这可能是KPLS算法局限于小样本及稳态的数据样本，一旦数据样本的波动性较大时，精度就会明显下降。同样进行15次试验，各模型的具体对比数值如图10-图11所示，由于KPLS的测试平均RMSE较大，其RMSE的标准差不再给出。BPNN模型平均RMSE的标准差较大，说明该网络会出现时好时坏的表现，其稳定性欠佳。LSTM-CNN和LSTM都表现出较好的预测性能，但是LSTM-CNN模型的准确性和稳定性更好。

以上对本申请实施例所提供的小波分解与动态混合深度学习的燃煤锅炉NOx预测方法，进行了详细介绍。以上实施例的说明只是用于帮助理解本申请的方法及其核心思想；同时，对于本领域的一般技术人员，依据本申请的思想，在具体实施方式及应用范围上均会有改变之处，综上所述，本说明书内容不应理解为对本申请的限制。

如在说明书及权利要求书当中使用了某些词汇来指称特定组件。本领域技术人员应可理解，硬件制造商可能会用不同名词来称呼同一个组件。本说明书及权利要求书并不以名称的差异来作为区分组件的方式，而是以组件在功能上的差异来作为区分的准则。如在通篇说明书及权利要求书当中所提及的“包含”、“包括”为一开放式用语，故应解释成“包含/包括但不限定于”。“大致”是指在可接收的误差范围内，本领域技术人员能够在一定误差范围内解决所述技术问题，基本达到所述技术效果。说明书后续描述为实施本申请的较佳实施方式，然所述描述乃以说明本申请的一般原则为目的，并非用以限定本申请的范围。本申请的保护范围当视所附权利要求书所界定者为准。

还需要说明的是，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商品或者系统不仅包括那些要素，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商品或者系统所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的商品或者系统中还存在另外的相同要素。

应当理解，本文中使用的术语“和/或”仅仅是一种描述关联对象的关联关系，表示可以存在三种关系，例如，A和/或B，可以表示：单独存在A，同时存在A和B，单独存在B这三种情况。另外，本文中字符“/”，一般表示前后关联对象是一种“或”的关系。

上述说明示出并描述了本申请的若干优选实施例，但如前所述，应当理解本申请并非局限于本文所披露的形式，不应看作是对其他实施例的排除，而可用于各种其他组合、修改和环境，并能够在本文所述申请构想范围内，通过上述教导或相关领域的技术或知识进行改动。而本领域人员所进行的改动和变化不脱离本申请的精神和范围，则都应在本申请所附权利要求书的保护范围内。

Claims

1.一种小波分解与动态混合深度学习的燃煤锅炉NOx预测方法，其特征在于，所述方法的步骤包括：

S1、采集NOx排放敏感参数在某一时间段内的值，其中，每一个NOx排放敏感参数均分解为一个趋势分量和若干高频波动分量；所述NOx排放敏感参数包括负荷、风门挡板开度、一次风压、二次风压、风量、煤量、配风方式及磨煤机运行组合方式；其中，采集数据的时间段长度为一周，采集频率为1次/分钟；

S2、对NOx排放敏感参数的采集值进行小波变换，得到该NOx排放敏感参数采集值的趋势分量和高频波动分量；

S3、对趋势分量和高频波动分量进行小波重构，其中，对趋势分量和高频波动分量进行小波重构的具体内容为序列重构；其中，对高频波动分量进行序列重构的依据为波动频率；

S5、将LSTM模型和CNN模型得到的预测结果进行融合，得到最终的NOx排放预测结果，其中，融合的内容包括：用高频波动分量的预测结果对趋势分量的预测结果进行补偿。

2.一种小波分解与动态混合深度学习的燃煤锅炉NOx建模方法，其特征在于，所述建模方法基于权利要求1所述的小波分解与动态混合深度学习的燃煤锅炉NOx预测方法进行建模，所述建模方法的步骤包括：

S1、收集NOx排放敏感参数的历史数据以及对应的NOx排放量；

S3、对趋势分量和高频波动分量进行小波重构；

反复进行S1-S4的步骤，得到最终的模型。

3.根据权利要求2所述的小波分解与动态混合深度学习的燃煤锅炉NOx建模方法，其特征在于，所述NOx排放敏感参数包括负荷、风门挡板开度、一次风压、二次风压、风量、煤量、配风方式及磨煤机运行组合方式。

4.根据权利要求2所述的小波分解与动态混合深度学习的燃煤锅炉NOx建模方法，其特征在于，训练好的LSTM模型的参数设置包括：隐藏层节点数为128，maxEpochs为128,miniBatchSize为8,InitionalLearnRate为0.006,Dropout为0.7；

最终CNN模型的结构包括：1个输入层，2个卷积层，2个下采样层,2个全连接层，1个输出层；输入层的大小为9*9，卷积层C1利用4个滑动步长是2*2的卷积核得到4个8*8大小的特征面，经过下采样后，得到下采样层S2为4个4*4的特征面，卷积层C3利用滑动步长为3*3的卷积核得到8个2*2大小特征面，下采样后得到下采样层S4为8个1*1的特征面，最后通过大小为32层的全连接层C5和大小为4层的全连接层C6进行全连接，最后通过输出层得到预测值。