(19)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 202210957885.9 (22)申请日 2022.08.10 (71)申请人 西安热工 研究院有限公司 地址 710032 陕西省西安市碑林区兴庆路 136号 申请人 华能海南发电股份有限公司东方电 厂 (72)发明人 罗志　张广才　秦建柱　何育东　 林崴　朱光华　邓彪　寿兵　 黄修喜　杨小金　伊朝品　王晓冰　 潘栋　尚桐　杨晓刚　董陈　 李淑宏　徐晓涛　杨世极　舒凯　 石磊　 (74)专利代理 机构 北京清亦华知识产权代理事 务所(普通 合伙) 11201 专利代理师 曲进华(51)Int.Cl. G06Q 10/04(2012.01) G06Q 10/06(2012.01) G06Q 50/26(2012.01) G06Q 50/06(2012.01) G06N 3/12(2006.01) G06N 3/04(2006.01) G06N 3/08(2006.01) (54)发明名称 一种基于遗传算法与卷积网络的氮氧化物 排放预测方法及设备 (57)摘要 本发明提出一种基于遗传算法与卷积网络 的氮氧化物 排放预测方法及设备， 该方法基于历 史运行数据， 将变量选择、 变量影响的延时滞后 特性、 预测模 型调优过程转化为一个综合的函数 优化问题， 利用遗传算法对各个环节的参数进行 寻优， 根据最优解所对应的函数解空间确定模型 结构， 解决了测量时间滞后引起的变量选择及模 型调优所导致的局部最优解问题， 使得预测模型 能够更充分挖掘NOx生成规律， 进而为脱销控制 提供更为精准的支撑 。 权利要求书2页 说明书8页 附图4页 CN 115330044 A 2022.11.11 CN 115330044 A 1.一种基于 遗传算法与卷积网络的氮氧化物排 放预测方法， 其特 征在于， 包括： 构建氮氧化物排 放预测模型； 所述氮氧化物排放预测模型包括变量选择超参数设定模块、 变量滞后超参数设定模 块、 卷积网络回归模 型超参数设定模块及参数寻优模块； 其中， 所述参数寻优模块基于遗传 算法， 对所述变量选择超参数设定模块设定的变量选择超参数、 变量滞后超参数设定模块 设定的变量滞后超参数、 卷积网络回归模型超参数设定模块设定的卷积网络回归模型超参 数进行参数寻优， 基于寻优结果确定氮氧化物排 放预测模型； 获取历史锅炉运行数据， 筛选锅炉异常运行数据， 作为训练数据对所述氮氧化物排放 预测模型进行训练； 实时获取锅炉运行数据， 输入训练完成的氮氧化物排放预测模型， 输出结果作为氮氧 化物排放预测结果。 2.根据权利要求1所述的基于遗传算法与卷积网络的氮氧化物排放预测方法， 其特征 在于， 所述历史锅炉运行数据为指 定时间间隔内锅炉运行产生的数据， 至少包括给煤量、 一 次风量、 二次风量、 排烟氧含量、 锅炉负荷、 炉膛温度、 烟气量、 烟气温度、 脱销反应器入口 NOx浓度。 3.根据权利要求2所述的基于遗传算法与卷积网络的氮氧化物排放预测方法， 其特征 在于， 在筛 选锅炉异常运行 数据的步骤中， 包括 步骤： 沿时间轴将所述历史锅炉运行数据划分为若干等长区间， 计算在任一等长区间内所述 历史锅炉运行 数据中每一类型 数据的波动幅度； 若对应数据的波动幅度满足预设条件， 则将对应等长区间内对应类型数据作为锅炉异 常运行数据； 重复进行多次筛 选， 得到第一样本数据。 4.根据权利要求3所述的基于遗传算法与卷积网络的氮氧化物排放预测方法， 其特征 在于， 所述变量选择超参数设定模块用于构建变量组合映射字典； 具体包括： 定义所述氮氧化物排放预测模型的模型相关变量为基础变量和寻优变量； 其中， 所述 基础变量包括锅炉 负荷Steam、 给煤量Coal、 总风量Wind、 排烟氧含量O2， 寻优变量包含一次 风量Wind1、 二次风 量Wind2、 炉膛温度Bo ilerTem、 烟气量Gas、 烟气温度GasTem； 模型相关变量选择策略为基础变量+寻优变量； 根据组合递推， 确定模型的变量组合类 型， 建立变量组合映射字典； 根据变量组合映射字典， 确定变量选择超参数， 并对所述第 一样本数据进行特征过滤， 得到第二样本数据。 5.根据权利要求4所述的基于遗传算法与卷积网络的氮氧化物排放预测方法， 其特征 在于， 所述变量滞后超参数设定模块用于消除锅炉运行生产过程中产生的延时特性； 其中， 若当前为t时刻， 第二样本数据 中的变量滞后参数为t1， 则表明[t ‑t1， t]时刻的 变量均会 对当前时刻的NOx生成产生影响， [t ‑t1， t]时刻变量均 作为输入数据； 若当前为t时刻， 预测变量NOx存在测量延时t2， 则表明当前 时刻NOx测量值实际为t ‑t2 时刻生产数据， 需将第二样本数据进行平移处理， 即t时刻NOx数据对应t ‑t2时刻生产的数 据； 建立变量滞后超参数， 表示第二样本数据中各变量类型的滞后参数集合， 根据自变量权　利　要　求　书 1/2 页 2 CN 115330044 A 2及预测变量延时参数对第二样本数据进行 预处理， 得到用于训练模型的样本数据。 6.根据权利要求5所述的基于遗传算法与卷积网络的氮氧化物排放预测方法， 其特征 在于， 所述卷积网络回归 模型包括： 第一卷积层、 第二卷积层、 池化层、 Flat ten层、 Dropout层、 全连接层 及输出层； 其中， 第一卷积层为线性激活函数， 第二卷积层为非线性激活函数； 则设定卷积网络回归模型超参数包括： 第一卷积核数量、 第 一卷积层大小、 第 二卷积核 数量、 第二卷积层大小、 非线性激活函数参数及池化 参数。 7.根据权利要求6所述的基于遗传算法与卷积网络的氮氧化物排放预测方法， 其特征 在于， 参数寻优 模块基于 遗传算法进行参数寻优的步骤中， 包括： 将所述卷积网络回归 模型的优化 函数作为遗传算法的寻优目标函数； 确定变量选择超参数、 变量滞后超参数及卷积网络回归 模型超参数的寻优空间； 对每一个参数在寻优空间中随机选择生成初始种群， 根据寻优目标函数计算适应度 值， 若满足终止条件， 则输出最优解确定最终的预测模型， 否则更新参数种群， 重新计算适 应度值， 以此进行迭代操作， 直至满足 终止条件。 8.一种基于 遗传算法与卷积网络的氮氧化物排 放预测装置， 其特 征在于， 包括： 模型构建模块， 用于构建氮氧化物排 放预测模型； 所述氮氧化物排放预测模型包括变量选择超参数设定模块、 变量滞后超参数设定模 块、 卷积网络回归模 型超参数设定模块及参数寻优模块； 其中， 所述参数寻优模块基于遗传 算法， 对所述变量选择超参数设定模块设定的变量选择超参数、 变量滞后超参数设定模块 设定的变量滞后超参数、 卷积网络回归模型超参数设定模块设定的卷积网络回归模型超参 数进行参数寻优， 基于寻优结果确定氮氧化物排 放预测模型； 模型训练模块， 用于获取历史锅炉运行数据， 筛选锅炉异常运行数据， 作为训练数据对 所述氮氧化物排 放预测模型进行训练； 预测模块， 用于实时获取锅炉运行数据， 输入训练完成的氮氧化物排放预测模型， 输出 结果作为氮氧化物排 放预测结果。 9.一种电子设备， 包括： 至少一个处理器； 以及与 所述至少一个处理器通信连接的存储 器； 其中， 所述存储器存储有 可被所述至少一个处理器执行的指令， 所述指 令被所述至少一 个处理器执行， 以使所述至少一个处理器能够执行权利要求1 ‑7中任一项所述的方法中的 各步骤。 10.一种存储有计算机指令的非瞬时计算机可读存储介质， 其中， 所述计算机指令用于 使所述计算机执 行根据权利要求1 ‑7中任一项所述的方法中的各步骤。权　利　要　求　书 2/2 页 3 CN 115330044 A 3