潘紅光，裴嘉寶，蘇 濤，辛芳芳

(西安科技大學(xué) 電氣與控制工程學(xué)院，陜西 西安 710054)

0 引 言

火力發(fā)電以煤電為主，燃煤電廠煤粉在燃燒過程中產(chǎn)生的有害氣體會對大氣環(huán)境造成污染。目前，燃煤電廠主要通過SCR(selective catalytic reduction，SCR)脫硝系統(tǒng)降低NOx排放量[1]，鍋爐燃燒工藝流程如圖1所示。為有效應(yīng)對NOx的排放，對其進(jìn)行實(shí)時(shí)測量至關(guān)重要。NOx的排放量一般通過建立湍流模型[2]、氣固流動模型[3]等方式進(jìn)行測量。目前，NOx排放量一般采用硬件傳感器或者分析儀，利用連續(xù)排放監(jiān)測系統(tǒng)(continuous emissions monitoring system，CEMS)進(jìn)行實(shí)時(shí)測量。然而，CEMS在線測量NOx排放量時(shí)，投資成本過高、計(jì)算速度慢、測量存在滯后性等缺點(diǎn)，難以滿足煙氣出口NOx排放量迅速、穩(wěn)定的監(jiān)測要求。對于復(fù)雜工業(yè)環(huán)境而言，在具體生產(chǎn)過程中受設(shè)備和技術(shù)因素的影響，往往導(dǎo)致有些關(guān)鍵變量測量誤差較大甚至難以測量。除此之外，某些設(shè)備測量的結(jié)果時(shí)間上存在滯后性無法實(shí)時(shí)指導(dǎo)生產(chǎn)活動，這就很難對生產(chǎn)活動進(jìn)行實(shí)時(shí)控制。軟測量技術(shù)的發(fā)展正是為了解決這類質(zhì)量指標(biāo)的實(shí)時(shí)測量和控制問題。

圖1 鍋爐燃燒工藝流程Fig.1 Process flow chart of boiler combustion

軟測量技術(shù)主要依據(jù)工業(yè)生產(chǎn)過程中可測的輔助變量來實(shí)時(shí)估計(jì)待測的目標(biāo)變量[4]。軟測量技術(shù)的基本過程如下：首先，通過對目標(biāo)變量的分析，選擇與目標(biāo)變量密切相關(guān)的易測量；其次，通過數(shù)據(jù)采集和預(yù)處理，確定數(shù)據(jù)的有效性后建模；最后，對模型進(jìn)行分析確定其是否滿足實(shí)際生產(chǎn)需求。大量的文獻(xiàn)表明，軟測量技術(shù)具有實(shí)際運(yùn)用價(jià)值。GONZAGA等采用基于人工神經(jīng)網(wǎng)絡(luò)(artificial neural network，ANN)的軟測量方法對一個(gè)聚合過程的聚合物粘度進(jìn)行估計(jì)，并將此估計(jì)結(jié)果成功應(yīng)用于伺服和調(diào)節(jié)問題，并使得工業(yè)裝置有效運(yùn)行[5]。LI等提出一種利用靈敏度矩陣分析和核脊回歸(kernel ridge regression，KRR)實(shí)現(xiàn)蒸餾成分在線軟測量的組合軟測量傳感器，并在模擬精餾塔上的應(yīng)用表明該方法的有效性[6]。毛清華等針對采煤機(jī)機(jī)截割載荷難以直接測量的問題，采用基于ELM神經(jīng)網(wǎng)絡(luò)的軟測量方法建立采煤機(jī)機(jī)截割載荷軟測量模型，結(jié)果表明軟測量建模方法能夠?qū)崿F(xiàn)采煤機(jī)機(jī)截割載荷預(yù)測[7]。由以上文獻(xiàn)研究和分析可知，軟測量技術(shù)在不同領(lǐng)域的實(shí)際應(yīng)用中，都取得相應(yīng)的成果，充分體現(xiàn)它自身所具有的優(yōu)勢。

考慮到電站鍋爐具有大慣性、大滯后、時(shí)變和不確定性的特點(diǎn)，且各參數(shù)之間相互耦合，各個(gè)過程難以使用準(zhǔn)確的數(shù)學(xué)模型來表征；同時(shí)，機(jī)組運(yùn)行過程積累了大量數(shù)據(jù)，因此研究基于數(shù)據(jù)驅(qū)動的建模方法有望獲得有效的NOx排放量測量模型。近年來，研究人員提出很多方法用于分析鍋爐能效問題。例如MA等利用徑向基函數(shù)(radial basis function，RBF)神經(jīng)網(wǎng)絡(luò)建立1 000 MW超超臨界機(jī)組模型來測量機(jī)組負(fù)荷、主蒸汽壓力和中間點(diǎn)溫度，獲得很好的效果，具有很強(qiáng)的實(shí)際工程意義[8]。GU等提出一種自適應(yīng)最小二乘支持向量機(jī)(adaptive least squares support vector machine，ALS-SVM)算法，對鍋爐燃燒系統(tǒng)建模，結(jié)果表明該模型能夠很好反映鍋爐燃燒系統(tǒng)的時(shí)變特性[9]。李競岌等利用小型鼓泡流化床實(shí)驗(yàn)臺比擬循環(huán)流化床(circulating fluidized bed，CFB)鍋爐密相區(qū)，在850 ℃床溫和10%O2濃度下，進(jìn)行單顆粒焦炭的燃燒實(shí)驗(yàn)，對不同床料粒度、制焦煤種、焦炭粒徑和流化風(fēng)速條件下焦炭氮向NOx的轉(zhuǎn)化比例進(jìn)行研究[10]。王科等在鍋爐原始燃燒系統(tǒng)的基礎(chǔ)上調(diào)整二次風(fēng)配比并且引入燃盡風(fēng)(separated over-fire air，SOFA)，通過數(shù)值模擬的方法評估新型燃燒系統(tǒng)在不同SOFA風(fēng)率和不同SOFA位置時(shí)的整體燃燒性能，結(jié)果表明SOFA參數(shù)對NOx排放和飛灰含碳量有影響[11]。這些文獻(xiàn)從不同方面分析鍋爐能效問題，說明研究基于數(shù)據(jù)驅(qū)動的NOx排放量測量的建模方法具有實(shí)際意義。

鍋爐NOx排放量在數(shù)據(jù)上是一個(gè)非線性的時(shí)間序列，信息彼此間有著復(fù)雜的時(shí)間關(guān)聯(lián)性。目前，廣受關(guān)注的諸多深度學(xué)習(xí)方法，是一種能夠模擬出人腦的神經(jīng)結(jié)構(gòu)的機(jī)器學(xué)習(xí)方法，可以有效處理此處的非線性問題[12]。BP神經(jīng)網(wǎng)絡(luò)和長短期記憶(long short term memory，LSTM)網(wǎng)絡(luò)就是其中的一部分。BP神經(jīng)網(wǎng)絡(luò)是一種經(jīng)典算法，它是一種按照誤差逆向傳播算法訓(xùn)練的多層前饋神經(jīng)網(wǎng)絡(luò)，是目前應(yīng)用較為廣泛的神經(jīng)網(wǎng)絡(luò)。ZHOU等提出一種基于BP神經(jīng)網(wǎng)絡(luò)的自適應(yīng)卡爾曼濾波算法，分析吸煙者和非吸煙者呼出CO和N2O的濃度[13]。TAO等提出一個(gè)結(jié)合BP神經(jīng)網(wǎng)絡(luò)和地質(zhì)統(tǒng)計(jì)學(xué)來描述污染場地的土壤污染物情況的模型[14]。但BP神經(jīng)網(wǎng)絡(luò)泛化性較差，而LSTM神經(jīng)網(wǎng)絡(luò)考慮數(shù)據(jù)的時(shí)間特性，在時(shí)間序列預(yù)測方面有更好的表現(xiàn)[15]。MA等研究LSTM神經(jīng)網(wǎng)絡(luò)的架構(gòu)，與動態(tài)神經(jīng)網(wǎng)絡(luò)的不同拓?fù)湟约癝VM等其他算法比較，表明LSTM在準(zhǔn)確性和穩(wěn)定性方面可以實(shí)現(xiàn)最佳短期交通預(yù)測性能[16]。由以上文獻(xiàn)可知，LSTM對時(shí)序性數(shù)據(jù)處理效果較好。

綜上所述，基于LSTM網(wǎng)絡(luò)能夠?qū)W習(xí)到數(shù)據(jù)間的長期依賴性[17-18]，同時(shí)針對鍋爐NOx濃度時(shí)間序列預(yù)測這一問題，筆者提出一種基于LSTM神經(jīng)網(wǎng)絡(luò)的軟測量方法對NOx排放量進(jìn)行實(shí)時(shí)測量。首先，對NOx產(chǎn)生機(jī)理分析，并在實(shí)際生產(chǎn)數(shù)據(jù)集上初步選取與NOx排放量緊密相關(guān)的20個(gè)輔助變量；其次，在數(shù)據(jù)預(yù)處理后，利用灰色關(guān)聯(lián)度分析精選出15個(gè)輔助變量；最后，通過訓(xùn)練集和測試集對LSTM模型進(jìn)行訓(xùn)練和測試，并將LSTM模型與BP神經(jīng)網(wǎng)絡(luò)模型和SVM模型的軟測量結(jié)果比較發(fā)現(xiàn)，LSTM模型的預(yù)測準(zhǔn)確度更高，泛化能力更強(qiáng)。

1 LSTM神經(jīng)網(wǎng)絡(luò)

1997年，HOCHREITER等提出LSTM神經(jīng)網(wǎng)絡(luò)，目的是解決循環(huán)神經(jīng)網(wǎng)絡(luò)(recurrent neural network，RNN)梯度消失問題[19]。

RNN結(jié)構(gòu)如圖2所示，圖中，Di(i=0,1,…,t)為時(shí)間i的輸入；ui(i=0,1,…,n)為輸出；中間部分E是隱藏層的信息流。但是，隨著時(shí)間序列的不斷增長，RNN將出現(xiàn)梯度消失問題，而LSTM神經(jīng)網(wǎng)絡(luò)的提出，成功解決此類問題。

圖2 RNN網(wǎng)絡(luò)結(jié)構(gòu)Fig.2 Network structure of RNN

LSTM神經(jīng)網(wǎng)絡(luò)是一種特殊的RNN，可有效解決傳統(tǒng)RNN梯度消失或梯度爆炸現(xiàn)象[20-21]。LSTM將每一層神經(jīng)元加入了“門控”結(jié)構(gòu)，使得部分誤差在傳播過程中可以直接通過“門”，而不用歸因于當(dāng)前神經(jīng)元。因此，誤差可以直接傳播到下一層，梯度無論傳播多遠(yuǎn)都不會出現(xiàn)梯度消失問題。在RNN隱藏層中，LSTM加入輸入門(Input Gate)，輸出門(Output Gate)，遺忘門(Forget Gate)和一個(gè)內(nèi)部單元(Cell)，如圖3所示。

圖3 LSTM單元內(nèi)部模型Fig.3 Internal model of LSTM unit

輸入門控制著新的輸入信息進(jìn)入記憶單元的強(qiáng)度，即決定著多少新記憶和老記憶進(jìn)行合并。

(1)

(2)

遺忘門決定細(xì)胞狀態(tài)中丟棄什么信息。

(3)

(4)

Cell的狀態(tài)更新如下。

(5)

(6)

輸出門控制長期記憶對當(dāng)前輸出的影響，并確定輸出值。

(7)

(8)

最終通過以上3種門狀態(tài)輸出新的細(xì)胞狀態(tài)。

(9)

式中h(·)為激活函數(shù)，這里h選擇tanh函數(shù)。

在式(1)～式(9)中帶h的權(quán)重矩陣(ωh*或ω*h)均代表一種泛指，因?yàn)長STM的一個(gè)重要特點(diǎn)是其靈活性，即Cell之間的互聯(lián)和隱含層之間互聯(lián)，可根據(jù)具體情況選擇連接與否。

文中采用均方誤差(MSE)作為誤差函數(shù)用于神經(jīng)網(wǎng)絡(luò)的誤差反向傳播學(xué)習(xí)。

(10)

式中yi，pi分別為第i組樣本真實(shí)輸出和預(yù)測值。

2 NOx排量軟測量

2.1 數(shù)據(jù)采集與輔助變量初選

實(shí)驗(yàn)數(shù)據(jù)來自陜西省榆林某電廠實(shí)際生產(chǎn)數(shù)據(jù)，數(shù)據(jù)內(nèi)容為實(shí)測樣本，數(shù)據(jù)采集點(diǎn)是2019年1月1日 00∶00至6月9日2∶00，采樣間隔為1 h，共3 800個(gè)采樣點(diǎn)數(shù)據(jù)。

通常燃煤電廠鍋爐燃燒產(chǎn)生的NOx主要分為3大類，分別為燃料型NOx、熱力型NOx與快速型NOx。燃料型NOx在3種污染物中比例最大，它是煤質(zhì)的直接燃燒產(chǎn)生的污染物；熱力型NOx在3種污染物中比例較小，它是送風(fēng)機(jī)送入的氮元素在鍋爐中被氧化產(chǎn)生的污染物；快速型NOx在3種污染物中比例最小，它是煤質(zhì)中的碳元素與空氣中的氮元素發(fā)生瞬時(shí)反應(yīng)產(chǎn)生的污染物。通過對NOx生成原因分析，初步選取總給煤量、鍋爐總風(fēng)量、爐膛出口溫度等3 800×20組變量(見表1變量1～20)，其中脫硝出口NOx排放量為目標(biāo)變量。

表1 輔助變量Table 1 Auxiliary variables

其中，NOx國家的排放標(biāo)準(zhǔn)主要依據(jù)國家2014年發(fā)布的并且要求2016年7月開始執(zhí)行的國家鍋爐大氣污染物排放標(biāo)準(zhǔn)，具體為：

1)燃?xì)忮仩t：在用鍋爐 400 mg/L、新建燃?xì)忮仩t 200 mg/L、重點(diǎn)地區(qū) 150 mg/L；

2)燃煤鍋爐：在用鍋爐 400 mg/L、新建燃?xì)忮仩t 300 mg/L、重點(diǎn)地區(qū) 200 mg/L；

3)燃油鍋爐：在用鍋爐 400 mg/L、新建燃?xì)忮仩t 250 mg/L、重點(diǎn)地區(qū) 150 mg/L。

2.2 數(shù)據(jù)預(yù)處理

考慮到工業(yè)環(huán)境復(fù)雜性，前述實(shí)測數(shù)據(jù)使用前需預(yù)處理。數(shù)據(jù)預(yù)處理包括隨機(jī)誤差、粗大誤差的處理及數(shù)據(jù)變換。粗大誤差一般由于傳感器失靈、設(shè)備異常等造成，一般情況下，粗大誤差出現(xiàn)概率較低，一旦出現(xiàn)會嚴(yán)重影響數(shù)據(jù)質(zhì)量。隨機(jī)誤差主要由于測量信號的干擾及操作過程的隨機(jī)波動成。

2.2.1 粗大誤差處理

(11)

若樣本qk的偏差vk(1≤k≤n)滿足|vk|>3σ，則該樣本數(shù)據(jù)為粗大誤差數(shù)據(jù)，應(yīng)予剔除。

2.2.2 隨機(jī)誤差處理

采用數(shù)據(jù)濾波中的滑動平均值法處理數(shù)據(jù)的隨機(jī)誤差。具體過程為：定義滑動時(shí)間窗口長度為k，設(shè)第i時(shí)刻參數(shù)的測量值為qi，用i到i+k時(shí)刻窗口中樣本的平均值代替qi的觀測值，即可消除隨機(jī)誤差。其過程描述如下

(12)

2.2.3 歸一化與反歸一化處理

各個(gè)數(shù)據(jù)之間的數(shù)量級差別過大，需要對數(shù)據(jù)進(jìn)行歸一化處理

(13)

式中Qi為歸一化處理后的數(shù)據(jù)。為了返回原始量綱，須進(jìn)行反歸一化處理

qi=Qi(qmax-qmin)+qmin

(14)

2.3 輔助變量精選

輔助變量精選可將數(shù)據(jù)維數(shù)控制在恰當(dāng)范圍內(nèi)；輔助變量太多會影響模型靈活性和時(shí)效性；反之，又難以充分輸入?yún)?shù)的特征信息，影響模型適用性和準(zhǔn)確性。考慮到表1中變量1～20之間具有不同程度關(guān)聯(lián)，因此，采用灰色關(guān)聯(lián)度分析法量化變量間的關(guān)聯(lián)度，以精選輔助變量。灰色關(guān)聯(lián)分析法主要依據(jù)序列曲線幾何形狀的相似程度來判斷其聯(lián)系是否緊密：曲線越接近，相應(yīng)序列間的關(guān)聯(lián)度越大；反之，越小。

采用灰色關(guān)聯(lián)度獲得各輔助變量關(guān)聯(lián)度，見表1。設(shè)定關(guān)聯(lián)度閾值為0.90[23-24]。據(jù)此閾值，精選2號給煤機(jī)密封風(fēng)調(diào)門反饋、1號機(jī)組煙囪入口煙氣O2濃度、左側(cè)爐膛出口溫度、右側(cè)爐膛出口溫度等關(guān)聯(lián)度大于 0.90的15個(gè)輔助變量。因此，最終有效數(shù)據(jù)規(guī)模為3 800×15。

2.4 軟測量建模

軟測量技術(shù)的主要思想是：采用便于測量的變量來實(shí)時(shí)估計(jì)待測的目標(biāo)變量。采用2號給煤機(jī)密封風(fēng)調(diào)門反饋、1號機(jī)組煙囪入口煙氣O2濃度等15個(gè)輔助變量，利用LSTM算法進(jìn)行軟測量建模估計(jì)目標(biāo)變量脫硝出口NOx排放量，具體過程如下。

1)根據(jù)燃煤電廠的理論和技術(shù)收集脫硝出口NOx排放量和相關(guān)數(shù)據(jù)，并構(gòu)建數(shù)據(jù)集。

2)使用(11)消除粗大誤差，使用(12)消除隨機(jī)誤差，并使用(13)～(14)標(biāo)準(zhǔn)化數(shù)據(jù)。

3)運(yùn)用灰色關(guān)聯(lián)度對數(shù)據(jù)進(jìn)行降維處理，以實(shí)現(xiàn)輔助變量的精選，并將數(shù)據(jù)集劃分為訓(xùn)練集和測試集。

4)建立深度學(xué)習(xí)模型并初始化LSTM神經(jīng)網(wǎng)絡(luò)相關(guān)參數(shù)。

5)訓(xùn)練：在正向傳播中，使用(1)～(9)獲得預(yù)測輸出；在反向傳播中，使用梯度下降法來計(jì)算每個(gè)權(quán)重的梯度。之后經(jīng)過迭代和修改權(quán)重，使損失函數(shù)最小化，并輸出最優(yōu)模型。

6)測試：公式(10)用于計(jì)算測試集的評估指數(shù)。

7)如果精度符合要求，則輸出最終的LSTM神經(jīng)網(wǎng)絡(luò)模型。否則，返回步驟 4)調(diào)試LSTM神經(jīng)網(wǎng)絡(luò)參數(shù)。

3 仿真實(shí)驗(yàn)

實(shí)驗(yàn)中軟件環(huán)境為：Python的框架——PyTorch 0.3.1，Python編輯環(huán)境為PyCharm，操作系統(tǒng)為Win7(64位)；硬件配置為：內(nèi)存DDRIII 12G(8G+4G)，CPU為 AMD A4-Series A4-5000。

3.1 場景及參數(shù)設(shè)計(jì)

一般來說，數(shù)據(jù)規(guī)模會對數(shù)據(jù)驅(qū)動方法的結(jié)果產(chǎn)生較大影響[25]?？紤]到很多場景下大規(guī)模數(shù)據(jù)獲取存在困難，在仿真部分對小數(shù)據(jù)量(場景 1)和大數(shù)據(jù)量(場景2)分別進(jìn)行仿真[26-27]。為便于比較，測試集數(shù)據(jù)均選為240組(2019年5月 30日 2∶00至6月9日2∶00)。場景1訓(xùn)練集為480組(2019年5月10日1∶00至5月30日1∶00)；場景2訓(xùn)練集為3 560組(除去240組測試數(shù)據(jù)后的剩余數(shù)據(jù))。

與此同時(shí)，為比較文中所提方法的有效性，此部分還對基于BP神經(jīng)網(wǎng)絡(luò)和SVM的2種方法進(jìn)行仿真，并分別作了比較。根據(jù)上文選定的模型結(jié)構(gòu)，基于LSTM神經(jīng)網(wǎng)絡(luò)的軟測量模型參數(shù)見表2。BP神經(jīng)網(wǎng)絡(luò)具體建模方法可參考[26]，具體參數(shù)見表2。對于SVM建模方法可參考[9]，其主要參數(shù)為最佳懲罰系數(shù)μ和徑向基函數(shù)的寬度ψ，其中，場景1下訓(xùn)練后的參數(shù)ψ=11.313 7,ψ=0.022 1，場景2下訓(xùn)練后的參數(shù)μ=2.828 4,ψ=0.250 0。

表2 網(wǎng)絡(luò)模型參數(shù)Table 2 Network model parameters

3.2 場景1仿真結(jié)果

圖4展示LSTM訓(xùn)練過程的均方誤差(MSE)與迭代次數(shù)的關(guān)系：隨著迭代次數(shù)的增加，訓(xùn)練誤差逐漸縮小。這一規(guī)律在場景1(紅色實(shí)心圓)和場景2(藍(lán)色實(shí)心圓)中基本一致；只是在場景2(大數(shù)據(jù)量)下，均方誤差下降速度更快。說明對于LSTM神經(jīng)網(wǎng)絡(luò)模型而言，訓(xùn)練集規(guī)模越大，訓(xùn)練速度越快。

圖4 LSTM訓(xùn)練誤差Fig.4 LSTM training errors

圖5～7給出場景1下3種方法的預(yù)測結(jié)果。整體來看，此種場景下基于SVM模型的預(yù)測精度最優(yōu)。為進(jìn)一步量化各方法的預(yù)測效果，表3分別從均方誤差(MSE)、均方相關(guān)系數(shù)(r2)兩方面對預(yù)測效果進(jìn)行展示。其中，MSE反應(yīng)的是預(yù)測值與真實(shí)值的偏離程度，MSE越小，說明模型精確度越高；r2反應(yīng)2個(gè)變量變化時(shí)的相似程度，該系數(shù)越高表示預(yù)測值與真實(shí)值越接近；二者相互結(jié)合，綜合反應(yīng)模型的優(yōu)劣。

圖5 場景1基于LSTM的模型預(yù)測結(jié)果Fig.5 Forecast results of LSTM based model in Case 1

圖6 場景1基于BP的模型預(yù)測結(jié)果Fig.6 Forecast results of BP based model in Case 1

圖7 場景1基于SVM的模型預(yù)測結(jié)果Fig.7 Forecast results of SVM based model in Case 1

據(jù)表3，場景1下SVM的MSE比BP和LSTM分別低0.000 3和0.002 0；SVM的r2比BP和LSTM分別高0.014 0和0.026 8。也即，基于SVM的模型2項(xiàng)指標(biāo)均優(yōu)于其他2種模型。該結(jié)果說明，基于SVM的模型在小數(shù)據(jù)量的情況下其泛化能力更強(qiáng)，預(yù)測結(jié)果更好，適用于小數(shù)據(jù)量場景[9]。

3.3 場景2仿真結(jié)果

圖8～10給出3種方法在場景2下的預(yù)測結(jié)果。從整體看，場景2下基于LSTM模型的預(yù)測精度最優(yōu)。由表3可知，場景2下LSTM的MSE比BP和SVM分別低0.000 2和 0.000 5；LSTM的r2比BP和SVM分別高0.020 6和0.065 9。即，基于LSTM的模型2項(xiàng)指標(biāo)均優(yōu)于其他2種模型。該結(jié)果說明，基于LSTM的模型在大數(shù)據(jù)量情況下泛化能力更強(qiáng)，預(yù)測結(jié)果更好，適用于大數(shù)據(jù)量場景[9]。

表3 3種方法結(jié)果比較Table 3 Result comparison of three methods

圖8 場景2基于LSTM的模型預(yù)測結(jié)果Fig.8 Forecast results of LSTM based model in Case 2

圖9 場景2基于BP的模型預(yù)測結(jié)果Fig.9 Forecast results of BP based model in Case 2

結(jié)合表3及圖5～圖10，可以得出如下結(jié)論：在大數(shù)據(jù)量的基礎(chǔ)上，基于LSTM的模型較基于BP和SVM的模型能夠?qū)W習(xí)到數(shù)據(jù)間的長期依賴性，同時(shí)對時(shí)間序列有強(qiáng)化記憶能力的特點(diǎn)[27]；其具體原因在于，LSTM加入“門控”結(jié)構(gòu)替換原RNN網(wǎng)絡(luò)結(jié)構(gòu)中的隱含層細(xì)胞，通過“門控”結(jié)構(gòu)將長期記憶與短時(shí)記憶結(jié)合，使得部分信息在傳遞過程中可以直接通過“門”，而直接越過當(dāng)前神經(jīng)元，可以有效地處理長期依賴的動態(tài)相關(guān)問題，在一定程度上彌補(bǔ)RNN網(wǎng)絡(luò)“梯度消失”的問題；LSTM特殊的“門控”結(jié)構(gòu)，使其在處理時(shí)序問題上的性能優(yōu)于RNN網(wǎng)絡(luò)。同時(shí)表明，在當(dāng)前數(shù)字化日益普及、大量數(shù)據(jù)存在的情況，基于LSTM模型的NOx排放量等方面的預(yù)測完全可行。所提方法在降低企業(yè)測量儀表投入、減少維護(hù)成本等方面具有很好的效果。

圖10 場景2基于SVM的模型預(yù)測結(jié)果Fig.10 Forecast results of SVM based model in Case 2

4 結(jié) 論

1)針對燃煤電廠NOx濃度排放量的測量這一復(fù)雜的非線性動態(tài)系統(tǒng)，提出基于LSTM的NOx排放量軟測量方法，該方法主要是分析與NOx排放量緊密相關(guān)的變量，通過構(gòu)建NOx排放量軟測量模型實(shí)現(xiàn)NOx排放量的預(yù)測。

2)LSTM特殊的“門控”機(jī)制，使得LSTM在處理時(shí)序問題上更具優(yōu)勢；燃煤電廠在生產(chǎn)過程中的歷史數(shù)據(jù)的關(guān)聯(lián)性及時(shí)序特征；基于LSTM的NOx排放量軟測量主要是結(jié)合LSTM的優(yōu)勢以及燃煤電廠生產(chǎn)過程歷史數(shù)據(jù)的特性來實(shí)現(xiàn)NOx排放量的預(yù)測。

3)基于LSTM的NOx排放量軟測量主要選擇均方誤差和均方相關(guān)系數(shù)作為評價(jià)模型預(yù)測性能的標(biāo)準(zhǔn)。從仿真實(shí)驗(yàn)結(jié)果來看，LSTM神經(jīng)網(wǎng)絡(luò)的軟測量方法預(yù)測結(jié)果優(yōu)于BP神經(jīng)網(wǎng)絡(luò)和SVM模型。

4)該方法在NOx排放量的預(yù)測方面效果不錯，但是存在一定的不足，比如在小數(shù)據(jù)量的情況下，預(yù)測性能會有所下降，后續(xù)研究需要根據(jù)不同的應(yīng)用場景、數(shù)據(jù)集的不同、領(lǐng)域的不同構(gòu)建出符合數(shù)據(jù)標(biāo)準(zhǔn)的模型。