(19)中华 人民共和国 国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202111192367.4 (22)申请日 2021.10.13 (71)申请人 大唐环境产业 集团股份有限公司 地址 100097 北京市海淀区紫竹院路120号 (72)发明人 袁照威　王彦文　孟磊　谷小兵　 曹书涛　杨大洲　闫欢欢　刘君君　 宁翔　杜明生　 (74)专利代理 机构 北京八月瓜知识产权代理有 限公司 1 1543 代理人 秦莹 (51)Int.Cl. G06F 30/27(2020.01) G06N 3/04(2006.01) G06N 3/08(2006.01) B01D 53/96(2006.01)B01D 53/80(2006.01) B01D 53/50(2006.01) (54)发明名称 基于数据驱动的脱 硫系统建模方法及装置 (57)摘要 本发明公开了一种基于数据驱动 的脱硫系 统建模方法及装置， 所述方法包括： 确定与脱硫 出口SO2浓度相关的影响因素， 基于所述影响因 素采集相关历史运行数据， 根据所述相关历史运 行数据构建训练数据集； 将所述训练数据集中的 所述相关历史运行数据通过局部 保持投影 法LPP 投射到低维子空间中； 基于所述训练数据集， 采 用一维卷积神经网络1D ‑CNN模型建立脱硫出口 SO2浓度动态预测模型； 获取当前时刻与脱硫出 口SO2浓度相关的当前运行数据， 基于所述脱硫 出口SO2浓度动态预测模型确定当前时刻脱硫出 口SO2浓度预测值。 本发明能够有效提高脱硫出 口SO2浓度预测的精度。 权利要求书3页 说明书10页 附图3页 CN 113935236 A 2022.01.14 CN 113935236 A 1.一种基于数据驱动的脱硫系统建模方法， 其特 征在于， 包括： 确定与脱硫出口SO2浓度相关 的影响因素， 基于所述影响因素采集相关历史运行数据， 根据所述相关历史运行 数据构建训练数据集； 将所述训练数据集中的所述相关历史运行数据通过局部保持投影法LPP投射到低维子 空间中； 基于所述训练数据集， 采用一维卷积神经网络1D ‑CNN模型建立脱硫出口SO2浓度动态预 测模型； 获取当前时刻与脱硫出口SO2浓度相关的当前运行数据， 基于所述脱硫出口SO2浓度动 态预测模型确定当前时刻脱硫出口SO2浓度预测值。 2.根据权利要求1所述的方法， 其特 征在于， 所述影响因素 具体包括以下至少之一： 燃煤机组负荷、 烟气量、 吸收塔入口SO2浓度、 吸收塔入口温度、 吸收塔入口氧量、 浆液pH 值、 浆液循环泵电流、 浆液供给量、 浆液密度、 液气比、 钙硫比、 吸收塔出口SO2浓度、 吸收塔 出口温度、 吸 收塔出口氧量。 3.根据权利要求1所述的方法， 其特征在于， 确定与脱硫出口SO2浓度相关 的影响因素， 基于所述影响因素采集相关历史运行数据， 根据所述相关历史运行数据构建训练数据集具 体包括： 通过对燃煤机组锅炉燃烧原理及脱硫系统机理分析， 确定与脱硫出口SO2浓度相关的影 响因素； 基于所述影响因素， 从现场脱硫系统的分散控制系统DCS系统中采集预定时间间隔的 相关历史运行 数据； 根据特征参数和输出值确 定训练数据集， 其中， 所述特征参数为与脱硫出口SO2浓度相 关的影响因素， 所述输出值是脱硫出口SO2浓度组成的时间序列信号。 4.根据权利要求1所述的方法， 其特征在于， 将所述训练数据集中的所述相关历史运行 数据通过LP P投射到低维子空间中具体包括： 将所述训练数据集中的所述相关历史运行数据通过无监督的线性降维算法， 通过构建 一个具有远近亲 疏关系的图进行 数据的降维： 给定Rn中m个数据点x1,x2,...,xm， 采用局部保持投影法LPP通过找 到一个转换矩阵Q， 将 这m个数据点映射 为Rt(t＜＜n)上的数据点y1,y2,...,ym： yi＝ATxi， i＝1， 2，…， m                 公式1； 其中， 矩阵A通过最小化目标函数 得到： 其中， Wij是权值矩阵， 代 表两个数据点y1,y2,...,ym之间的关系。 5.根据权利要求1所述的方法， 其特征在于， 基于所述训练数据集， 采用一维卷积神经 网络1D‑CNN模型建立脱硫出口SO2浓度动态预测模型 具体包括： 搭建1D‑CNN模型框架的输入层、 卷积层、 池化层、 以及全连接层， 其中， 所述输入层为所 述影响因素组成的时间序列信号； 所述卷积层用于实现输入数据特征 的提取， 其卷积操作 *表示一维卷积运算； c表示卷积层操作； k为卷积核索引； b 为卷积核个数；权　利　要　求　书 1/3 页 2 CN 113935236 A 2为第k个卷积核； s为卷积核尺寸， 也即局部窗口宽度； 表示由卷积核 生 成的第k个特征； b为偏置； f(x)为激活函数； 所述池化层用于二次提取特征， 对卷积层提取 的特征进行优化， 提取主要特征， 降低输入数据维度， 包括均值池化和最大池化， 池化操作 p表示池化层操作； 为池化后的第k个特征， 通过最大值池化后， 其序列 长度减半； 所述全连接层由多层隐含层组成， 用于对提取的时序特征进一步组合， 其最 终输 出为 fc表示全连接层操作； αfc为全连接层输出； Wfc∈q为全连接层的权 重矩阵； q为隐含层神经 元个数； 为第i个序 列的输出 结果； 对搭建的1D ‑CNN模型进行训练以找到最佳的参数以最小化损失函数， 表征预测值与实 际值之间的偏差， 在训练时， 采用均方根误差确定1D ‑CNN的损失， 并且， 采用Dr opout策略修 改1D‑CNN模型本身的连接方式， 以在1D ‑CNN模型训练期间反向传播过程中部 分单元不更新 权重， 并采用Adagrad优化算法加速1D ‑CNN模型的训练过程， 建立脱硫出 口SO2浓度动态预 测模型。 6.一种基于数据驱动的脱硫系统建模 装置， 其特 征在于， 包括： 采集模块， 用于确 定与脱硫出口SO2浓度相关 的影响因素， 基于所述影响因素采集相关 历史运行 数据， 根据所述相关历史运行 数据构建训练数据集； 投射模块， 用于将所述训练数据集中的所述相关历史运行数据通过LPP投射到低维子 空间中； 建立模块， 用于基于所述训练数据集， 采用一维卷积神经网络1D ‑CNN模型建立脱硫出 口SO2浓度动态预测模型； 预测模块， 用于获取当前时刻与脱硫出口SO2浓度相关 的当前运行数据， 基于所述脱硫 出口SO2浓度动态预测模型确定当前时刻脱硫出口SO2浓度预测值。 7.根据权利要求6所述的装置， 其特 征在于， 所述影响因素 具体包括以下至少之一： 燃煤机组负荷、 烟气量、 吸收塔入口SO2浓度、 吸收塔入口温度、 吸收塔入口氧量、 浆液pH 值、 浆液循环泵电流、 浆液供给量、 浆液密度、 液气比、 钙硫比、 吸收塔出口SO2浓度、 吸收塔 出口温度、 吸 收塔出口氧量； 所述采集模块具体用于： 通过对燃煤机组锅炉燃烧原理及脱硫系统机理分析， 确定与脱硫出口SO2浓度相关的影 响因素； 基于所述影响因素， 从现场DCS系统中采集预定时间 间隔的相关历史运行 数据； 根据特征参数和输出值确 定训练数据集， 其中， 所述特征参数为与脱硫出口SO2浓度相 关的影响因素， 所述输出值是脱硫出口SO2浓度组成的时间序列信号。 8.根据权利要求6所述的装置， 其特 征在于， 所述投射模块具体用于： 将所述训练数据集中的所述相关历史运行数据通过无监督的线性降维算法， 通过构建 一个具有远近亲 疏关系的图进行 数据的降维： 给定Rn中m个数据点x1,x2,...,xm， 采用局部保持投影法LPP通过找 到一个转换矩阵Q， 将 这m个数据点映射 为Rt(t＜＜n)上的数据点y1,y2,...,ym：权　利　要　求　书 2/3 页 3 CN 113935236 A 3