基于机器学习LSTM网络的SO.docxVIP

基于机器学习LSTM网络的SO 摘要：CFB机组炉内炉外联合脱硫过程因其非线性、强耦合、大滞后等特点，SO 当前我国CFB机组大多采用炉内干法固硫+炉外烟气石灰石-石膏湿法脱硫的手段来脱除SO目前研究人员采用的SO1 LSTM算法原理1.1 LSTM算法概述为了解决处理长序列数据时，会有梯度消失或梯度爆炸的状况，提出了RNN的变形算法—LSTM网络。LSTM是一种改进型的循环神经网络，能够弥补一般循环神经网络处理长距离依赖能力不够的缺陷，那么在处理时间序列间隔大、延迟相对长的事件有更出众的表现LSTM引入了3个门来实现信息的传递：遗忘门f(1）遗忘门f(2）输入门i(3）输出门oLSTM网络的内部状态c1.2 LSTM算法计算过程LSTM单元为中间状态，其输入包含目前时刻的输入x式中：W式中：W输出层输出由隐藏层计算出，而这些计算又由输出门控制。隐藏状态h式中：W2 数据采集准备及预处理2.1 数据采集本文的数据源于山西某电厂CFB机组实际运行数据，所采集数据间隔为1 min，取12月某天开始连续86 h脱硫系统历史数据作为研究样本。样本数据包括锅炉负荷、总风量、吸收塔PH值、吸收塔浆液浓度、原（净）烟气SO2.2 数据的准备及预处理2.2.1 SO输入变量的选取很大程度上决定了在SO(2）输出变量的选取本文选择的输出变量是净烟气SO2.2.2 数据的预处理预测SO式中：测量值x归一化可以让不同维度的变量特征在数值上有相对的比较能力，消除数据在量纲上的影响，进而使分类器精度更高，利于数据的划分工作。使用sklearn的min max scal函数进行数据归一化，将数据特征缩放至一定的最小最大值区间3 SO3.1 SO定义训练/测试集是机器学习的一个重要部分。因为预测模型由训练集生成，是监督机器学习的核心所应用程序的思路及作用：首先导入应用的模块，然后再定义神经网络的中间层，其中包括权重、偏差，之后应用程序读取本地文件数据，并调整数据的形状，保证输入和输出数据的类型一致，便于机器学习。构建神经网络层，1层LSTM+3层dense作为隐藏层，输入变量为锅炉负荷、总风量、原（净）烟气温度、原（净）烟气湿度、原（净）烟气SO模型预测值、真实值之间的偏差测量，可以设置一个误差函数（loss function）来实现。通过梯度下降法（Gradient Descent）来不断的降低这个偏差值3.2 建模仿真结果分析依据机组脱硫系统数据训练集样本绘制的图形如图4所示。横轴为运行时刻，纵轴为该时刻对应的SO测试集建模结果如图5所示，经程序学习后拟合出的图形能够有效地预测SO建模结果分析如图6所示，其中横坐标为时间，纵坐标为提取的测试集SO4 结语基于机器学习LSTM网络的SO（1）输入变量的选取