本發(fā)明涉及大數(shù)據(jù)處理技術(shù)，具體涉及一種基于大數(shù)據(jù)的火力發(fā)電廠氮氧化物排放預(yù)測方法。

背景技術(shù)：

1、火力發(fā)電廠氮氧化物排放預(yù)測的主流方法依賴于統(tǒng)計模型和早期機器學(xué)習(xí)算法，例如線性回歸、決策樹以及隨機森林等工具。這些方法通過深入研究歷史運行數(shù)據(jù)，試圖建立一個數(shù)學(xué)模型來描繪氮氧化物排放與諸多因素(如燃料種類、燃燒溫度、空氣與燃料比例、負荷波動等)之間的關(guān)聯(lián)性。然而，隨著時間推移和技術(shù)進步，這些傳統(tǒng)方法暴露出了一些顯著的局限性，包括：

2、1)在面對復(fù)雜的非線性關(guān)系和動態(tài)變化時顯得力不從心：火力發(fā)電廠運行參數(shù)之間的交互效應(yīng)錯綜復(fù)雜，單純的線性或固定結(jié)構(gòu)模型難以準(zhǔn)確模擬這些深層次的關(guān)聯(lián)，進而影響預(yù)測的準(zhǔn)確性。

3、2)在處理時間序列數(shù)據(jù)時，未充分考慮氮氧化物排放隨時間推移的連續(xù)性和依賴性：在實際生產(chǎn)過程中，排放水平會隨著各種運行條件的實時變化而動態(tài)調(diào)整，而傳統(tǒng)預(yù)測模型往往缺乏對這種長期依賴性和突發(fā)變化的有效捕捉能力。

4、3)忽視多元數(shù)據(jù)的價值：紅外圖像等非結(jié)構(gòu)化數(shù)據(jù)可以直觀反映鍋爐內(nèi)部燃燒狀態(tài)，但并未被充分利用，這無疑制約了模型對氮氧化物生成機理的理解和預(yù)測精度。

技術(shù)實現(xiàn)思路

1、考慮到面對復(fù)雜動力系統(tǒng)中多元、動態(tài)、非線性的數(shù)據(jù)特性時，傳統(tǒng)方法預(yù)測能力存在局限，無法滿足現(xiàn)代火力發(fā)電廠精細化管理和嚴(yán)苛環(huán)保要求下的精確預(yù)測需求，本發(fā)明提供了一種基于大數(shù)據(jù)的火力發(fā)電廠氮氧化物排放預(yù)測方法，構(gòu)建并訓(xùn)練氮氧化物排放預(yù)測模型；將待測數(shù)據(jù)輸入訓(xùn)練好的氮氧化物排放預(yù)測模型，輸出預(yù)測結(jié)果；所述氮氧化物排放預(yù)測模型包括時序編碼模塊、時序位置編碼模塊、圖像編碼模塊、圖像位置編碼模塊和融合模塊；

2、所述氮氧化物排放預(yù)測模型的訓(xùn)練過程包括以下步驟：

3、s1.采集發(fā)電廠設(shè)備狀態(tài)數(shù)據(jù)，其包括時間序列數(shù)據(jù)和紅外圖像數(shù)據(jù)；

4、s2.采用6小時為一個時間窗口，并以2小時為滑動步長劃分發(fā)電廠設(shè)備狀態(tài)數(shù)據(jù)，得到多組樣本數(shù)據(jù)；針對每一組樣本數(shù)據(jù)，以前4小時為特征提取數(shù)據(jù)，后2小時為預(yù)測數(shù)據(jù)；每一條特征提取數(shù)據(jù)包括一個時間序列和一個圖像序列；所述圖像序列包括一個燃燒區(qū)域紅外圖像序列和一個脫硝反應(yīng)器紅外圖像序列；

5、s3.針對每一條特征提取數(shù)據(jù)，將時間序列輸入時序編碼模塊得到時序編碼特征，將圖像序列輸入圖像編碼模塊得到圖像編碼特征；所述圖像編碼特征包括燃燒區(qū)域圖像編碼特征和脫硝反應(yīng)器圖像編碼特征；

6、s4.將時序編碼特征和圖像編碼特征分別輸入時序位置編碼模塊和圖像位置編碼模塊，得到時序位置編碼特征和圖像位置編碼特征；；所述圖像位置編碼特征包括燃燒區(qū)域圖像位置編碼特征和脫硝反應(yīng)器圖像位置編碼特征；

7、s5.將時序位置編碼特征和圖像位置編碼特征輸入融合模塊輸出預(yù)測結(jié)果；

8、s6.計算訓(xùn)練損失并反向傳播訓(xùn)練模型參數(shù)，直到模型參數(shù)收斂訓(xùn)練完成。

9、進一步的，在步驟s1的數(shù)據(jù)采集過程中：

10、s11.每5分鐘采集一條時間序列數(shù)據(jù)；每一條時間序列數(shù)據(jù)均由24個字段組成，包括火力發(fā)電廠字段、發(fā)電負荷字段、燃料類型字段、燃料消耗量字段、鍋爐運行狀態(tài)字段、燃燒效率字段、煙氣溫度字段、煙氣流速字段、過剩空氣系數(shù)字段、氧含量字段、爐膛負壓字段、煙氣中nox初始濃度字段、脫硝系統(tǒng)入口煙氣溫度字段、脫硝系統(tǒng)噴氨量字段、脫硝系統(tǒng)運行模式字段、脫硝系統(tǒng)出口煙氣溫度字段、脫硝系統(tǒng)出口nox濃度字段、煙囪高度字段、當(dāng)?shù)仫L(fēng)速字段、當(dāng)?shù)仫L(fēng)向字段、大氣穩(wěn)定度類別字段、環(huán)境溫度字段、環(huán)境濕度字段、太陽輻射強度字段；

11、s12.每10分鐘采集一條紅外圖像數(shù)據(jù)，每一條紅外圖像數(shù)據(jù)包括一張燃燒區(qū)域紅外圖像和一張脫硝反應(yīng)器紅外圖像。

12、進一步的，所述時序編碼模塊為三層transformer-encoder模型，其輸入維度和輸出維度分別為23和125；所述圖像編碼模塊包括圖片分割層、卷積層、細粒度位置編碼層、自注意力機制層和前饋神經(jīng)網(wǎng)絡(luò)。

13、進一步的，將圖像序列輸入圖像編碼模塊處理的過程包括：

14、s31.針對燃燒區(qū)域紅外圖像序列中每一燃燒區(qū)域紅外圖像，通過圖片分割層將其分割為16個子圖后輸入卷積層進行卷積處理，輸出子圖序列；將子圖序列輸入細粒度位置編碼層得到子圖位置向量序列；將子圖位置向量序列通過自注意力機制層得到子圖注意向量序列，前饋神經(jīng)網(wǎng)絡(luò)對子圖注意向量序列進行映射得到256維度的燃燒區(qū)域紅外圖像特征；

15、s32.將燃燒區(qū)域紅外圖像序列中所有燃燒區(qū)域紅外圖像的燃燒區(qū)域紅外圖像特征組合得到燃燒區(qū)域圖像編碼特征；

16、s33.針對脫硝反應(yīng)器紅外圖像序列中每一脫硝反應(yīng)器紅外圖像，通過圖片分割層將其分割為16個子圖后輸入卷積層進行卷積處理，輸出子圖序列；將子圖序列輸入細粒度位置編碼層得到子圖位置向量序列；將子圖位置向量序列通過自注意力機制層得到子圖注意向量序列，前饋神經(jīng)網(wǎng)絡(luò)對子圖注意向量序列進行映射得到256維度的脫硝反應(yīng)器紅外圖像特征；

17、s34.將脫硝反應(yīng)器紅外圖像序列中所有脫硝反應(yīng)器紅外圖像的脫硝反應(yīng)器紅外圖像特征組合得到脫硝反應(yīng)器圖像編碼特征。

18、進一步的，時序位置編碼模塊的處理過程表示為：

19、

20、

21、其中，pe(pos,i)表示時序編碼特征中位置pos的向量的第i個參數(shù)的位置編碼，fi表示第i個參數(shù)的可學(xué)習(xí)頻率，d表示向量維度。

22、進一步的，圖像位置編碼模塊的計算表達式為：

23、

24、其中，p(pos,i)表示圖像編碼特征中位置pos的向量的第i個參數(shù)的位置編碼，ppe表示最終位置編碼，p同p(pos,i)

25、進一步的，融合模塊包括3個級聯(lián)的子結(jié)構(gòu)，每一子結(jié)構(gòu)包括第一交叉注意力層、第二交叉注意力層和單向注意力層；其中第一個子結(jié)構(gòu)的處理流程包括：

26、s51.將時序位置編碼特征與時間序列相加，得到時間序列特征；

27、s52.將燃燒區(qū)域圖像位置編碼特征與燃燒區(qū)域紅外圖像序列相加得到燃燒區(qū)域圖像序列特征，將脫硝反應(yīng)器圖像位置編碼特征和脫硝反應(yīng)器紅外圖像序列相加得到脫硝反應(yīng)器圖像序列特征；

28、s53.將燃燒區(qū)域圖像序列特征與時間序列特征輸入第一交叉注意力層，得到一個融合了燃燒區(qū)域圖像序列特征的第一時間序列；

29、s54.將第一時間序列與脫硝反應(yīng)器圖像序列特征輸入第二交叉注意力層，得到第二時間序列；

30、s55.將第二時間序列輸入單向注意力層，得到一個序列特征。

31、進一步的，計算訓(xùn)練損失的過程包括：

32、s61.分別對時序位置編碼特征、燃燒區(qū)域圖像位置編碼特征和脫硝反應(yīng)器圖像位置編碼特征進行取平均操作，得到時序樣本表征向量、燃燒區(qū)域圖像樣本表征向量和脫硝反應(yīng)器圖像樣本表征向量；

33、s62.對時序樣本表征向量、燃燒區(qū)域圖像樣本表征向量和脫硝反應(yīng)器圖像樣本表征向量分別進行映射后相加，采用mse損失函數(shù)計算相加結(jié)果與標(biāo)簽間的損失，并記為第一；

34、s63.計算時序樣本表征向量與燃燒區(qū)域圖像樣本表征向量間的相似度，得到第一相似度值；計算時序樣本表征向量與脫硝反應(yīng)器圖像樣本表征向量間的相似度，得到第二相似度值；將第一相似度值與第二相似度值相加得到第二損失；

35、s64.采用mse損失函數(shù)計算預(yù)測結(jié)果與標(biāo)簽間的損失，并記為第三損失；

36、s65.將第一損失、第二損失和第三損失相加得到訓(xùn)練損失。

37、本發(fā)明的有益效果：

38、本發(fā)明提供了一種基于大數(shù)據(jù)的火力發(fā)電廠氮氧化物排放預(yù)測方法，針對于傳統(tǒng)的氮氧化物排放預(yù)測模型依賴于單一類型的數(shù)據(jù)(如時間序列數(shù)據(jù))的問題；本發(fā)明通過集成時序編碼模塊和圖像編碼模塊來同時處理和分析多種類型的數(shù)據(jù)，從而提供更豐富和全面的信息來做出預(yù)測。其中時序位置編碼模塊和圖像位置編碼模塊的加入，使模型能夠捕捉到數(shù)據(jù)在時間和空間上的細微差別，這對于準(zhǔn)確預(yù)測氮氧化物排放至關(guān)重要。此外，火力發(fā)電廠的氮氧化物排放受到多種因素的影響，包括燃料類型、燃燒效率、設(shè)備老化程度等。這些因素可能導(dǎo)致數(shù)據(jù)呈現(xiàn)出復(fù)雜的模式。本發(fā)明通過融合模塊，特別是直觀圖像數(shù)據(jù)的加入，模型能夠整合來自不同編碼模塊的信息，更好地識別和學(xué)習(xí)這些復(fù)雜模式。

39、傳統(tǒng)模型可能在實時監(jiān)測和適應(yīng)新數(shù)據(jù)方面存在局限。通過使用深度學(xué)習(xí)技術(shù)，這種模型可以持續(xù)學(xué)習(xí)和適應(yīng)新的數(shù)據(jù)模式，從而提高其在實時監(jiān)測場景中的有效性。

40、本發(fā)明通過結(jié)合多種編碼技術(shù)和深度學(xué)習(xí)架構(gòu)，模型不僅能夠提高對已知數(shù)據(jù)的擬合精度，還能夠增強對新情況的泛化能力，即對未見過的數(shù)據(jù)也能做出較為準(zhǔn)確的預(yù)測。

41、傳統(tǒng)的預(yù)測方法有時需要較多的人工干預(yù)來調(diào)整模型參數(shù)或選擇特征。本發(fā)明通過自動化地學(xué)習(xí)和融合不同數(shù)據(jù)源，減少了人工干預(yù)的需求。