[发明专利]一种燃煤锅炉NOx排放在线测量方法

摘要

本发明基于深度信念网络和偏最小二乘支持向量机建立NOx在线测量计算模型。本发明中的DBN网络由两层受限玻尔兹曼机堆叠而成，每一个RBM包含一个可视层v和一个隐含层h，每层单元之间无连接，层与层之间全连接；利用DBN网络模型提取样本数据集的深层特征对进行训练，通过最小化回归器输出与NOx真实值之间的误差完成预测模型的建立；将DBN‑LSSVM模型打包发布为动态链接库，编写接口程序实时获取锅炉侧输入参数，在数据库中调用动态链接库，计算结果输出至监测系统，实时在线测量NOx排放值。本发明所提供的NO_X在线软测量方法无需增加额外的测量装置，投入成本低、运行可靠性高，单次测量时间为0.05s，实时性好。

主权项

1.一种燃煤锅炉NOx排放在线测量方法，其特征在于：以深度信念网络(Deep Belief Network,DBN)和偏最小二乘支持向量机(least squares support veotor machine,LSSVM)为基础，建立NOx在线测量计算模型；建立基于测试数据、由测试数据、仿真优化数据和DCS数据组成的多工况样板数据集，实现对燃煤锅炉NOx排放在线测量，具体步骤如下：(1)利用样本训练集对DBN神经网络模型进行训练，训练过程如下：①初始化可见层单元的初始状态v₁＝x_t(t＝1,2,…N),随机初始化连接权重w_i,j，隐含层单元偏置b_j，可见层单元偏置a_i，设定各层RBM最大训练迭代次数；②对隐含层h₁所有单元按照式1计算其激活概率P(h_1j＝1|v₁)(其中j代表隐含层第j个单元)；③已知隐含层h₁各单元状态，按照式2重构可见层信号v₁’，即计算P(v_1i’＝1|h₁)；④根据重构的可见层信号v₁’，重构隐含层信号h₁’，即按照式1计算P(h’_1j＝1|v₁’)；⑤采用对比差异度CD(Contrastive Divergence)快速算法，更新各个参数：⑥重复步骤2‑5，直至达到最大训练迭代次数，结束该层RBM训练；⑦第二层RBM可见层初始状态即为第一层RBM隐含层状态，其训练过程与第一层相同；训练结束后，即得到完整的DBN网络模型；⑧利用DBN网络模型提取样本集深层特征对LSSVM模型进行训练；深度信念网络提取数据的深层特征，不断重构可见层和隐含层；将隐含层的输出作为LS‑SVM回归模型(回归器)输入，回归器进行监督学习，通过最小化回归器输出与NOx真实值之间的误差完成预测模型的建立；(2)利用样本测试集对所建模型进行检测与调优将样本测试集输入到DBN‑LSSVM模型中，检验模型测量精度，如测量精度满足要求，则将模型投入使用，若不满足要求，则改变模型参数设置，重新训练，直到满足精度要求。(3)发布DBN‑LSSVM模型为动态链接库将DBN‑LSSVM模型打包发布为动态链接库，编写接口程序实时获取锅炉侧输入参数，在数据库中调用动态链接库，计算结果输出至监测系统，实时在线测量NOx排放值。