一种基于大数据的火力发电厂氮氧化物排放预测方法

本发明涉及大数据处理技术，具体涉及一种基于大数据的火力发电厂氮氧化物排放预测方法。

背景技术：

1、火力发电厂氮氧化物排放预测的主流方法依赖于统计模型和早期机器学习算法，例如线性回归、决策树以及随机森林等工具。这些方法通过深入研究历史运行数据，试图建立一个数学模型来描绘氮氧化物排放与诸多因素(如燃料种类、燃烧温度、空气与燃料比例、负荷波动等)之间的关联性。然而，随着时间推移和技术进步，这些传统方法暴露出了一些显著的局限性，包括：

2、1)在面对复杂的非线性关系和动态变化时显得力不从心：火力发电厂运行参数之间的交互效应错综复杂，单纯的线性或固定结构模型难以准确模拟这些深层次的关联，进而影响预测的准确性。

3、2)在处理时间序列数据时，未充分考虑氮氧化物排放随时间推移的连续性和依赖性：在实际生产过程中，排放水平会随着各种运行条件的实时变化而动态调整，而传统预测模型往往缺乏对这种长期依赖性和突发变化的有效捕捉能力。

4、3)忽视多元数据的价值：红外图像等非结构化数据可以直观反映锅炉内部燃烧状态，但并未被充分利用，这无疑制约了模型对氮氧化物生成机理的理解和预测精度。

技术实现思路

1、考虑到面对复杂动力系统中多元、动态、非线性的数据特性时，传统方法预测能力存在局限，无法满足现代火力发电厂精细化管理和严苛环保要求下的精确预测需求，本发明提供了一种基于大数据的火力发电厂氮氧化物排放预测方法，构建并训练氮氧化物排放预测模型；将待测数据输入训练好的氮氧化物排放预测模型，输出预测结果；所述氮氧化物排放预测模型包括时序编码模块、时序位置编码模块、图像编码模块、图像位置编码模块和融合模块；

2、所述氮氧化物排放预测模型的训练过程包括以下步骤：

3、s1.采集发电厂设备状态数据，其包括时间序列数据和红外图像数据；

4、s2.采用6小时为一个时间窗口，并以2小时为滑动步长划分发电厂设备状态数据，得到多组样本数据；针对每一组样本数据，以前4小时为特征提取数据，后2小时为预测数据；每一条特征提取数据包括一个时间序列和一个图像序列；所述图像序列包括一个燃烧区域红外图像序列和一个脱硝反应器红外图像序列；

5、s3.针对每一条特征提取数据，将时间序列输入时序编码模块得到时序编码特征，将图像序列输入图像编码模块得到图像编码特征；所述图像编码特征包括燃烧区域图像编码特征和脱硝反应器图像编码特征；

6、s4.将时序编码特征和图像编码特征分别输入时序位置编码模块和图像位置编码模块，得到时序位置编码特征和图像位置编码特征；；所述图像位置编码特征包括燃烧区域图像位置编码特征和脱硝反应器图像位置编码特征；

7、s5.将时序位置编码特征和图像位置编码特征输入融合模块输出预测结果；

8、s6.计算训练损失并反向传播训练模型参数，直到模型参数收敛训练完成。

9、进一步的，在步骤s1的数据采集过程中：

10、s11.每5分钟采集一条时间序列数据；每一条时间序列数据均由24个字段组成，包括火力发电厂字段、发电负荷字段、燃料类型字段、燃料消耗量字段、锅炉运行状态字段、燃烧效率字段、烟气温度字段、烟气流速字段、过剩空气系数字段、氧含量字段、炉膛负压字段、烟气中nox初始浓度字段、脱硝系统入口烟气温度字段、脱硝系统喷氨量字段、脱硝系统运行模式字段、脱硝系统出口烟气温度字段、脱硝系统出口nox浓度字段、烟囱高度字段、当地风速字段、当地风向字段、大气稳定度类别字段、环境温度字段、环境湿度字段、太阳辐射强度字段；

11、s12.每10分钟采集一条红外图像数据，每一条红外图像数据包括一张燃烧区域红外图像和一张脱硝反应器红外图像。

12、进一步的，所述时序编码模块为三层transformer-encoder模型，其输入维度和输出维度分别为23和125；所述图像编码模块包括图片分割层、卷积层、细粒度位置编码层、自注意力机制层和前馈神经网络。

13、进一步的，将图像序列输入图像编码模块处理的过程包括：

14、s31.针对燃烧区域红外图像序列中每一燃烧区域红外图像，通过图片分割层将其分割为16个子图后输入卷积层进行卷积处理，输出子图序列；将子图序列输入细粒度位置编码层得到子图位置向量序列；将子图位置向量序列通过自注意力机制层得到子图注意向量序列，前馈神经网络对子图注意向量序列进行映射得到256维度的燃烧区域红外图像特征；

15、s32.将燃烧区域红外图像序列中所有燃烧区域红外图像的燃烧区域红外图像特征组合得到燃烧区域图像编码特征；

16、s33.针对脱硝反应器红外图像序列中每一脱硝反应器红外图像，通过图片分割层将其分割为16个子图后输入卷积层进行卷积处理，输出子图序列；将子图序列输入细粒度位置编码层得到子图位置向量序列；将子图位置向量序列通过自注意力机制层得到子图注意向量序列，前馈神经网络对子图注意向量序列进行映射得到256维度的脱硝反应器红外图像特征；

17、s34.将脱硝反应器红外图像序列中所有脱硝反应器红外图像的脱硝反应器红外图像特征组合得到脱硝反应器图像编码特征。

18、进一步的，时序位置编码模块的处理过程表示为：

19、

20、

21、其中，pe(pos,i)表示时序编码特征中位置pos的向量的第i个参数的位置编码，fi表示第i个参数的可学习频率，d表示向量维度。

22、进一步的，图像位置编码模块的计算表达式为：

23、

24、其中，p(pos,i)表示图像编码特征中位置pos的向量的第i个参数的位置编码，ppe表示最终位置编码，p同p(pos,i)

25、进一步的，融合模块包括3个级联的子结构，每一子结构包括第一交叉注意力层、第二交叉注意力层和单向注意力层；其中第一个子结构的处理流程包括：

26、s51.将时序位置编码特征与时间序列相加，得到时间序列特征；

27、s52.将燃烧区域图像位置编码特征与燃烧区域红外图像序列相加得到燃烧区域图像序列特征，将脱硝反应器图像位置编码特征和脱硝反应器红外图像序列相加得到脱硝反应器图像序列特征；

28、s53.将燃烧区域图像序列特征与时间序列特征输入第一交叉注意力层，得到一个融合了燃烧区域图像序列特征的第一时间序列；

29、s54.将第一时间序列与脱硝反应器图像序列特征输入第二交叉注意力层，得到第二时间序列；

30、s55.将第二时间序列输入单向注意力层，得到一个序列特征。

31、进一步的，计算训练损失的过程包括：

32、s61.分别对时序位置编码特征、燃烧区域图像位置编码特征和脱硝反应器图像位置编码特征进行取平均操作，得到时序样本表征向量、燃烧区域图像样本表征向量和脱硝反应器图像样本表征向量；

33、s62.对时序样本表征向量、燃烧区域图像样本表征向量和脱硝反应器图像样本表征向量分别进行映射后相加，采用mse损失函数计算相加结果与标签间的损失，并记为第一；

34、s63.计算时序样本表征向量与燃烧区域图像样本表征向量间的相似度，得到第一相似度值；计算时序样本表征向量与脱硝反应器图像样本表征向量间的相似度，得到第二相似度值；将第一相似度值与第二相似度值相加得到第二损失；

35、s64.采用mse损失函数计算预测结果与标签间的损失，并记为第三损失；

36、s65.将第一损失、第二损失和第三损失相加得到训练损失。

37、本发明的有益效果：

38、本发明提供了一种基于大数据的火力发电厂氮氧化物排放预测方法，针对于传统的氮氧化物排放预测模型依赖于单一类型的数据(如时间序列数据)的问题；本发明通过集成时序编码模块和图像编码模块来同时处理和分析多种类型的数据，从而提供更丰富和全面的信息来做出预测。其中时序位置编码模块和图像位置编码模块的加入，使模型能够捕捉到数据在时间和空间上的细微差别，这对于准确预测氮氧化物排放至关重要。此外，火力发电厂的氮氧化物排放受到多种因素的影响，包括燃料类型、燃烧效率、设备老化程度等。这些因素可能导致数据呈现出复杂的模式。本发明通过融合模块，特别是直观图像数据的加入，模型能够整合来自不同编码模块的信息，更好地识别和学习这些复杂模式。

39、传统模型可能在实时监测和适应新数据方面存在局限。通过使用深度学习技术，这种模型可以持续学习和适应新的数据模式，从而提高其在实时监测场景中的有效性。

40、本发明通过结合多种编码技术和深度学习架构，模型不仅能够提高对已知数据的拟合精度，还能够增强对新情况的泛化能力，即对未见过的数据也能做出较为准确的预测。

41、传统的预测方法有时需要较多的人工干预来调整模型参数或选择特征。本发明通过自动化地学习和融合不同数据源，减少了人工干预的需求。