(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 202111482610.6 (22)申请日 2021.12.07 (71)申请人 国网河北能源技 术服务有限公司 地址 050035 河北省石家庄市高新区兴安 大街200号 申请人 国家电网有限公司 　 国网河北省电力有限公司电力科 学 研究院 (72)发明人 殷喆　金飞　袁晓磊　杨春来　 李剑锋　曹颖　王斌　包建东　 (74)专利代理 机构 石家庄新世纪专利商标事务 所有限公司 1310 0 代理人 张栋然 (51)Int.Cl. B01D 53/34(2006.01)B01D 53/50(2006.01) B01D 53/56(2006.01) B01D 53/78(2006.01) B01D 53/90(2006.01) G06F 30/27(2020.01) G06K 9/62(2022.01) G06N 3/04(2006.01) G06N 3/08(2006.01) G06N 20/20(2019.01) (54)发明名称 一种基于 卷积神经网络和XGBoost的烟气 脱 硫脱硝控制方法 (57)摘要 本发明涉及一种基于卷积神经网络和 XGBoost的烟气脱硫脱硝控制方法， 其包括如下 步骤： 对电厂脱硫脱硝各部件进行模型构建， 建 立完整的电厂脱硫脱硝系统仿真模 型； 利用卷积 神经网络模型对电厂脱硫系统出口处烟气中的 二氧化硫浓度进行预测， 利用XGBoost模型对电 厂脱硝系统入口处烟气氮氧化物浓度进行预测； 根据二氧化硫浓度预测值对脱硫系统的浆液喷 淋量进行控制、 根据氮氧化物浓度预测值对脱硝 系统的喷氨 量进行控制； 将浆液喷淋量和喷氨量 的控制参数下发至电厂脱硫脱硝系统仿真模型 中进行验证和预警分析； 本发明建立了完整的电 厂脱硫脱硝系统仿真模型， 能直观展示和获知电 厂脱硫脱硝的实际运转情况并进行系统参数的 调节。 权利要求书4页 说明书11页 附图2页 CN 114191953 A 2022.03.18 CN 114191953 A 1.一种基于卷积神经网络和XGBoost的烟气脱硫脱硝控制方法， 其特征在于其包括如 下步骤： 步骤一、 通过动态仿真软件依据模块化建模方法对电厂脱硫脱硝各部件进行模型 构建， 并依据现场控制策略搭建相应控制系统， 建立完整的电厂脱硫脱硝系统仿 真模型； 步 骤二、 采集电厂脱硝系统和脱硫系统的历史运行参数， 选取与电厂脱硫强相关的运行参数 输入至卷积神经网络模型中对电厂脱硫系统出口处烟气中的二氧化硫浓度进 行预测， 选取 与电厂脱硝强相关的运行参数输入至XGBoost模型中对电厂脱硝系统入口处烟气氮氧化物 浓度进行预测； 步骤三、 根据二氧化硫浓度预测值对脱硫系统的浆液喷淋量进 行控制、 根据 氮氧化物浓度预测值对脱硝系统的喷氨量进行控制； 步骤四、 将浆液喷淋量和喷氨量的控 制参数下发至电厂 脱硫脱硝系统仿真模型中进行验证和预警分析。 2.根据权利 要求1所述的一种基于卷积神经网络和XGBoost的烟气脱硫脱硝控制方法， 其特征在于在步骤一中， 电厂脱硫系统选取石灰石 ‑石膏湿法脱硫系统， 其至少包括烟气系 统、 吸收塔系统、 石 灰石浆液制备系统、 石膏浆液脱 水系统、 废水 处理系统和电气系统； 电厂 脱硝系统选取SCR法烟气脱硝系统， 其至少包括烟气系统、 SCR反应器系统、 声波吹灰系统、 液氨的存 储和供应系统； 动态仿真软件依据质量守恒、 动量守恒和能量守恒方程， 在 建模过程中根据石灰石 ‑石 膏湿法脱硫系统和SCR法烟气脱硝系统的工艺流程， 从模型库中选取相应的组件模块并连 接起来， 输入初始数据， 完成电厂 脱硫脱硝系统的模型构建； 依据现场控制策略搭建模拟量控制系统、 顺序控制系统和逻辑控制系统， 并采用基本 算法模块进行组态， 实现与实际控制系统相同的功 能， 建立完整的电厂脱硫脱硝系统仿真 模型。 3.根据权利 要求2所述的一种基于卷积神经网络和XGBoost的烟气脱硫脱硝控制方法， 其特征在于电厂脱硫脱硝系统仿真模型还包括： 在模型开发调试过程中， 对实际电厂脱硫 脱硝系统采集的物理数据和基于电厂脱硫脱硝仿真模型获取的虚拟数据进 行比对， 判断误 差是否超过阈值， 若超过， 则通过聚类学习对误差较大的虚拟数据进 行分类， 结合对应的历 史数据作为输入， 通过神经网络进行误差学习， 输出修正系数以修正虚拟数据的误差数据， 以及将修正后的虚拟数据和物理数据进行虚实融合生成经过验证的电厂脱硫脱硝仿真模 型。 4.根据权利 要求1所述的一种基于卷积神经网络和XGBoost的烟气脱硫脱硝控制方法， 其特征在于步骤二中， 对电厂脱硫系统出口处烟气中的二氧化硫浓度进 行预测具体包括如 下步骤： 将采集的电厂脱硫系统 的历史运行参数作为样本数据， 并对该样本数据进行相关性分 析， 去除与所述石灰石 ‑石膏湿法脱硫系统出 口处烟气 中二氧化硫浓度相关性小于预设值 的样本数据， 剩余的样本数据作为与脱硫系统强相关的运行数据； 所述脱硫系统历史运行 参数至少包括入口处的二氧化硫浓度、 氮氧化物浓度、 机组负荷、 石灰石浆液循环泵电流、 浆液供给量、 吸收塔出口烟气二氧化硫 浓度和浆液PH值； 对所述与脱硫系统强相关的运行数据进行数据预处理， 并利用预处理后的数据构建卷 积神经网络模型； 采集与电厂脱硫相关的实时运行数据并输入构建的卷积神经网络模型中获取电厂脱 硫系统出口处烟气中的二氧化硫 浓度预测值。权　利　要　求　书 1/4 页 2 CN 114191953 A 25.根据权利要求1所述的一种基于卷积神经网络和XGBoost的烟气脱硫脱硝控制方 法， 其特征在于在步骤二中， 对所述与脱硫系统强相关的运行数据进行数据预处理包括如 下步骤： 对与脱硫系统强相关的运行数据进行缺失值和异常值的填补以及归一化处理， 得到预 处理后的脱硫数据序列， 记为F＝[f1,f2,f3,…,fn]， fi为与处理后的脱硫数据序列中第i个 时刻点的脱硫数据； 对脱硫数据序列F进行小波阈值去噪处理， 将带有噪声的含噪数据进行小波分解， 获取 真实数据信息， 记为P＝[p1,p2,p3,…,pm]， pi为与真实脱硫数据序列中第i个时刻点的脱硫 数据， 并按照预设比例划分为训练集数据和 测试集数据。 6.根据权利 要求5所述的一种基于卷积神经网络和XGBoost的烟气脱硫脱硝控制方法， 其特征在于利用预处 理后的训练集数据构建卷积神经网络模型， 包括： 将真实脱硫数据 序列P中第i时刻点的训练集脱硫数据输入卷积神经网络； 通过卷积神经网络的卷积层对输入的训练集数据进行 特征提取， 输出 特征图； 通过卷积神经网络的池化层对特 征图进行降维处 理， 得到降维处 理后的训练矩阵； 将训练矩阵输入预设的分类 器， 通过分类 器输出训练结果f(x)； 计算测试集中的数据平均值y； 计算卷积神经网络的训练结果f(x)相对于数据平均值 y的误差L＝(y ‑f(x))2， 若误差小 于预设阈值， 则结束对卷积神经网络的训练； x为输入卷积神经网络的数据， x、 y、 f(x)的取 值范围均为 正数； 其中， 在得出输出训练结果时， 将卷积神经网络模型内最后一个卷积层输出的卷积结果根 据注意力机制并按照时刻进行加权处理， 将加权处理后的卷积结果进行 全连接映射， 得到预 测时间第i+1个时刻点的出口处 烟气中的二氧化硫浓度预测值； 以及在得出输出训练结果时， 采用梯度下降算法对所述卷积神经网络中的参数进 行优化， 表示为： θj′为优化后的参数， θj为优化前的参数， j为参数的标号， α 为预设的学习率， L( θj)为参数θj 的目标函数。 7.根据权利 要求1所述的一种基于卷积神经网络和XGBoost的烟气脱硫脱硝控制方法， 其特征在于步骤二中， 选取与电厂脱硝强相关的运行参数输入至XGBoost模型中对电厂脱 硝系统入口处烟气氮氧化物浓度进行预测具体包括： 将采集的电厂脱硝系统的历史运行参 数作为样本数据， 并采用Pearson相关系数计算出样本数据与电厂脱硝系统入口处烟气氮 氧化物浓度的相关性， 根据相关性选出相关性高的数据组合作为与脱硝系统强相关的运行 数据； 脱硝系统历史运行数据至少 包括喷氨质量流量、 锅炉负荷、 SCR入口烟气温度、 SCR入 口烟气含氧量、 SCR入口氮氧化物浓度、 SCR脱硝效率； 对与脱硝系统强相关的运行数据进行数据预处理， 并利用预处理后的数据构建 XGBoost模型； 采集与电厂脱硝相关的实时运行数据并输入构建的XGBoost模型中获取电厂脱硝系统 入口处烟气氮氧化物浓度预测值； 其中， 选取强相关和极强相关的数据作为与脱硝系统相关性高的数据， 计算公式为：权　利　要　求　书 2/4 页 3 CN 114191953 A 3