基于时间序列的脱硫系统浆液pH值在线预测方法及装置

摘要

本发明公开了一种基于时间序列的脱硫系统浆液pH值在线预测方法及装置，所述方法包括：S1.从数据库中获取预定时间段内脱硫系统浆液pH值的历史数据，对所述历史数据进行采样，得到原始样本D；S2.对所述原始样本D进行数据清洗并进行数据切片，得到分类的数据集D1、D2和D3；S3.将数据集D1、D2依次输入相互连接的两层神经网路模型后，将输出结果进行拼接并作为全连接层Dense1的输入，得到结果A1；基于数据集D3建立自回归模型AR得到结果A2；S4.将A1与A2进行求和，并通过Sigmoid函数进行激活后，得到最终的脱硫系统浆液pH值预测结果。本发明实现成本较低，并且对无序且频繁波动的数据预测精度更高。

说明书

技术领域

本发明涉及电站脱硫技术领域，尤其是涉及一种基于时间序列的脱硫系统浆液pH值在线预测方法及装置。

背景技术

脱硫吸收塔浆液的pH值是脱硫系统运行的重要监测指标。如果浆液 pH过低，则二氧化硫吸收效果差，脱硫效率偏低；若pH过高，则石灰石利用率及石膏纯度下降，不利于脱硫反应的进行。浆液pH是指导运行调整的关键数据，而实际生产过程中，经常存在数据偏差较大和失真的情况。

脱硫吸收塔浆液pH一般使用电极法测试，吸收塔浆液为液固混合体，有别于均一状态的水溶液，因此PH值测试需要在浆液流动状态下进行；传统浆液的pH测试，直接将pH计安装在浆液流动管路上，由于浆液中含有大量的石膏结晶体和二氧化硅杂质，过高的浆液流速导致pH计电极磨损严重，使其使用寿命大大降低，同时干扰测试精度。

发明内容

本发明的目的在于提供一种基于时间序列的脱硫系统浆液pH值在线预测方法及装置，旨在实现对浆液pH值在线测点数据的检验与重构。

本发明提供一种基于时间序列的脱硫系统浆液pH值在线预测方法，包括：

S1.从数据库中获取预定时间段内脱硫系统浆液pH值的历史数据，对所述历史数据进行采样，得到原始样本D；

S2.对所述原始样本D进行数据清洗并进行数据切片，得到分类的数据集D1、D2和D3；

S3.将数据集D1、D2依次输入相互连接的两层神经网路模型后，将输出结果进行拼接并作为全连接层Dense1的输入，得到结果A1；基于数据集D3建立自回归模型AR得到结果A2；

S4.将A1与A2进行求和，并通过Sigmoid函数进行激活后，得到最终的脱硫系统浆液pH值预测结果

本发明提供一种基于时间序列的脱硫系统浆液pH值在线预测装置，其特征在于，包括：

数据获取模块：用于从数据库中获取预定时间段内脱硫系统浆液pH值的历史数据，对所述历史数据进行采样，得到原始样本D；

数据预处理模块：对所述原始样本D进行数据清洗并进行数据切片，得到分类的数据集D1、D2和D3；

模型预测模块：将数据集D1、D2依次输入相互连接的两层神经网路模型后，将输出结果进行拼接并作为全连接层Dense1的输入，得到结果 A1；基于数据集D3建立自回归模型AR得到结果A2；

结果计算模块：将A1与A2进行求和，并通过Sigmoid函数进行激活后，得到最终的脱硫系统浆液pH值预测结果。

本发明实施例还提供一种基于时间序列的脱硫系统浆液pH值在线预测设备，包括：存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述计算机程序被所述处理器执行时实现上述基于时间序列的脱硫系统浆液pH值在线预测方法的步骤。

本发明实施例还提供一种计算机可读存储介质，所述计算机可读存储介质上存储有信息传递的实现程序，所述程序被处理器执行时实现上述方法的步骤。

采用本发明实施例进行脱硫系统浆液pH值的在线预测，无需复杂的硬件设备，实现成本较低；而且，本发明是一种融合多算法的脱硫系统浆液 pH值在线预测方法，预测精度高，对无序且频繁波动的数据适应性更高。

上述说明仅是本发明技术方案的概述，为了能够更清楚了解本发明的技术手段，而可依照说明书的内容予以实施，并且为了让本发明的上述和其它目的、特征和优点能够更明显易懂，以下特举本发明的具体实施方式。

附图说明

为了更清楚地说明本发明具体实施方式或现有技术中的技术方案，下面将对具体实施方式或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施方式，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1是本发明实施例的基于时间序列的脱硫系统浆液pH值在线预测方法的流程图；

图2是本发明实施例的基于时间序列的脱硫系统浆液pH值在线预测过程示意图；

图3是本发明实施例的脱硫系统浆液pH值部分原始数据曲线示意图；

图4是本发明实施例所预测的脱硫系统浆液pH值与实际浆液pH测点数据值的对比示意图；

图5是本发明装置实施例一的融合高频影响因素的集成型用电量增长预测装置的示意图；

图6是本发明装置实施例一的融合高频影响因素的集成型用电量增长预测设备的示意图。

具体实施方式

下面将结合实施例对本发明的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

在本发明的描述中，需要理解的是，术语“中心”、“纵向”、“横向”、“长度”、“宽度”、“厚度”、“上”、“下”、“前”、“后”、“左”、“右”、“竖直”、“水平”、“顶”、“底”、“内”、“外”、“顺时针”、“逆时针”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。

此外，术语“第一”、“第二”仅用于描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或者隐含地包括一个或者更多个所述特征。在本发明的描述中，“多个”的含义是两个或两个以上，除非另有明确具体的限定。此外，术语“安装”、“相连”、“连接”应做广义理解，例如，可以是固定连接，也可以是可拆卸连接，或一体地连接；可以是机械连接，也可以是电连接；可以是直接相连，也可以通过中间媒介间接相连，可以是两个元件内部的连通。对于本领域的普通技术人员而言，可以具体情况理解上述术语在本发明中的具体含义。

方法实施例

根据本发明实施例，提供了一种基于时间序列的脱硫系统浆液pH值在线预测方法，图1是本发明实施例的基于时间序列的脱硫系统浆液pH值在线预测方法的流程图，如图1所示，根据本发明实施例的基于时间序列的脱硫系统浆液pH值在线预测方法具体包括：

S1.从数据库中获取预定时间段内脱硫系统浆液pH值的历史数据，对所述历史数据进行采样，得到原始样本D；

具体的，可以从数据库中获取前一周脱硫系统浆液pH值的历史数据，以1min为间隔对所述历史数据进行取数，取出的数据作为原始样本D。

S2.对所述原始样本D进行数据清洗并进行数据切片，得到分类的数据集D1、D2和D3；

具体的，对原始样本进行数据清洗，所述数据清洗过程目的是过滤掉原始样本中的离群值，将清洗后的数据记作CD，对数据CD进行数据切片，得到分类的数据集D1、D2和D3，进行所述数据切片的具体过程为：

针对时间步长T和所要预测的浆液pH值P(t)，D1＝{CDi}(t-T-1≤i≤t-1)；

针对D2设置跳跃步长skip，D2＝{CDi}(i＝t-1-m*skip,0≤m

针对D3设置取样步长T1

其中，m表示取样时段数目，t表示取样时间；

S3.将数据集D1、D2依次输入相互连接的两层神经网路模型后，将输出结果进行拼接并作为全连接层Dense1的输入，得到结果A1；基于数据集D3建立自回归模型AR得到结果A2；

步骤S3中，得到结果A1的具体过程为：

将数据集D1输入卷积神经网络CNN1，输出结果为C1；将数据D2输入卷积神经网络CNN2，输出结果为C2；将C1和C2分别输入长短期记忆序列LSTM1和LSTM2，输出结果对应分别为L1和L2；将输出结果L1， L2进行拼接作为全连接层Dense1的输入，得到的输出结果为A1；

其中，所述的CNN1和CNN2采用了同样的结构参数，即拥有相同的过滤器个数、卷积核数量和移动步长；所述的LSTM1和LSTM2采用相同数量的隐含层个数；所述拼接是将L1和L2进行矩阵拼接，并非对应元素相加；

步骤S3中，所述自回归模型AR的建立是采用全连接层实现的；

S4.将A1与A2进行求和，并通过Sigmoid函数进行激活后，得到最终的脱硫系统浆液pH值预测结果；

具体的，所述将A1和A2进行求和的方法为：将A1和A2的对应元素相加。

下面以某660MW燃煤发电机组为例，现场DCS采样数据存入厂级监控信息系统(SIS)的数据库，按照图1所示的流程获取脱硫系统浆液pH值历史数据，并建立浆液pH值预测模型：

取2020年1月3日00:00到2020年1月10日00:00之间的历史数据，取数间隔为1min，所得的的浆液pH值序列如图3所示。而后对数据进行预处理，清理粗大误差值，并将数据按照7:1的比例划分数据集，前一部分作为模型的训练集，后一半部分作为测试集，目的是用前一周的数据预测接下来一天的浆液pH值。进一步地将训练集和测试集分别进行数据切片，形成三种数据集D1,D2和D3，数据切片过程为：针对时间步长T和所要预测的pH值P(t)，D1＝{CDi}(t-T-1≤i≤t-1)；针对D2设置跳跃步长skip， D2＝{CDi}(i＝t-1-m*skip,0≤m

将训练数据用于训练所构建的预测模型，模型的参数如表1所示：

表1

预测模型训练过程中实时可视化模型的训练误差，在误差不再下降时停止训练。预测模型的参数，也就是构建数据所用到的时间步长T和跳跃步长skip以及取样步长T1通过多次组合排列得到相对较优的值。

图4给出了一段时间内(2020年1月10日00:00到2020年1月11日 00:00)脱硫系统pH值预测结果和实际测点数据的对比。对于整个测试集，模型预测值的均方根误差(RMSE)为0.02217，平均相对误差(MAE)为 0.01914，相对百分误差绝对值(MAPE)为0.34637。可以看到，模型预测误差很小，满足实际工程中的需要。同时，可以看到，实测浆液pH值有一个明显漂移，模型预测结果能很好地规避这个错误值，表明本发明所提出的脱硫系统浆液pH值在线预测方法成功解决了现场浆液pH计在冲洗的过程中所测pH值数据发生较大波动的问题。

综上所述，采用本发明实施例进行脱硫系统浆液pH值的在线预测，无需复杂的硬件设备，实现成本较低；而且，本发明是一种融合多算法的脱硫系统浆液pH值在线预测方法，预测精度高，对无序且频繁波动的数据适应性更高。

装置实施例

根据本发明实施例，提供了一种基于时间序列的脱硫系统浆液pH值在线预测装置，图5是本发明实施例的基于时间序列的脱硫系统浆液pH值在线预测装置的示意图，如图5所示，根据本发明实施例的基于时间序列的脱硫系统浆液pH值在线预测装置具体包括：

数据获取模块50：用于从数据库中获取预定时间段内脱硫系统浆液pH 值的历史数据，对所述历史数据进行采样，得到原始样本D；

数据预处理模块52：用于对所述原始样本D进行数据清洗并进行数据切片，得到分类的数据集D1、D2和D3；

数据预处理模块具体用于：对将原始样本进行数据清洗后得到的数据 CD进行数据切片，得到分类的数据集D1、D2和D3，具体为：

针对时间步长T和所要预测的浆液pH值P(t)，D1＝{CDi}(t-T-1≤i≤t-1)；

针对D2设置跳跃步长skip，D2＝{CDi}(i＝t-1-m*skip,0≤m

针对D3设置取样步长T1

其中，m表示取样时段数目，t表示取样时间；

模型预测模块54：用于将数据集D1、D2依次输入相互连接的两层神经网路模型后，将输出结果进行拼接并作为全连接层Dense1的输入，得到结果A1；基于数据集D3建立自回归模型AR得到结果A2；

模型预测模块具体用于：将数据集D1输入卷积神经网络CNN1，输出结果C1；将数据D2输入卷积神经网络CNN2，输出结果C2；将C1和C2 分别输入长短期记忆序列LSTM1和LSTM2，输出结果对应分别为L1和 L2；将输出结果L1，L2进行拼接作为全连接层Dense1的输入，得到的输出结果A1；数据集D3建立自回归模型AR得到结果A2；

结果计算模块56：用于将A1与A2进行求和，并通过Sigmoid函数进行激活后，得到最终的脱硫系统浆液pH值预测结果；

结果计算模块具体用于：将A1与A2的对应元素进行相加。

本发明实施例是与上述方法实施例对应的系统实施例，各个模块的具体操作可以参照方法实施例的描述进行理解，在此不再赘述。

装置实施例一

本发明实施例提供一种基于时间序列的脱硫系统浆液pH值在线预测设备，如图6所示，包括：存储器60、处理器62及存储在所述存储器60 上并可在所述处理器62上运行的计算机程序，所述计算机程序被所述处理器62执行时实现如下方法步骤：

S1.从数据库中获取预定时间段内脱硫系统浆液pH值的历史数据，对所述历史数据进行采样，得到原始样本D；

具体的，可以从数据库中获取前一周脱硫系统浆液pH值的历史数据，以1min为间隔对所述历史数据进行取数，取出的数据作为原始样本D。

S2.对所述原始样本D进行数据清洗并进行数据切片，得到分类的数据集D1、D2和D3；

具体的，对原始样本进行数据清洗，所述数据清洗过程目的是过滤掉原始样本中的离群值，将清洗后的数据记作CD，对数据CD进行数据切片，得到分类的数据集D1、D2和D3，进行所述数据切片的具体过程为：

针对时间步长T和所要预测的浆液pH值P(t)，D1＝{CDi}(t-T-1≤i≤t-1)；

针对D2设置跳跃步长skip，D2＝{CDi}(i＝t-1-m*skip,0≤m

针对D3设置取样步长T1

其中，m表示取样时段数目，t表示取样时间；

S3.将数据集D1、D2依次输入相互连接的两层神经网路模型后，将输出结果进行拼接并作为全连接层Dense1的输入，得到结果A1；基于数据集D3建立自回归模型AR得到结果A2；

步骤S3中，得到结果A1的具体过程为：

将数据集D1输入卷积神经网络CNN1，输出结果为C1；将数据D2输入卷积神经网络CNN2，输出结果为C2；将C1和C2分别输入长短期记忆序列LSTM1和LSTM2，输出结果对应分别为L1和L2；将输出结果L1， L2进行拼接作为全连接层Dense1的输入，得到的输出结果为A1；

其中，所述的CNN1和CNN2采用了同样的结构参数，即拥有相同的过滤器个数、卷积核数量和移动步长；所述的LSTM1和LSTM2采用相同数量的隐含层个数；所述拼接是将L1和L2进行矩阵拼接，并非对应元素相加；

步骤S3中，所述自回归模型AR的建立是采用全连接层实现的；

S4.将A1与A2进行求和，并通过Sigmoid函数进行激活后，得到最终的脱硫系统浆液pH值预测结果；

具体的，所述将A1和A2进行求和的方法为：将A1和A2的对应元素相加。

装置实施例二

本发明实施例提供一种计算机可读存储介质，所述计算机可读存储介质上存储有信息传输的实现程序，所述程序被处理器62执行时实现如下方法步骤：

S1.从数据库中获取预定时间段内脱硫系统浆液pH值的历史数据，对所述历史数据进行采样，得到原始样本D；

具体的，可以从数据库中获取前一周脱硫系统浆液pH值的历史数据，以1min为间隔对所述历史数据进行取数，取出的数据作为原始样本D。

S2.对所述原始样本D进行数据清洗并进行数据切片，得到分类的数据集D1、D2和D3；

具体的，对原始样本进行数据清洗，所述数据清洗过程目的是过滤掉原始样本中的离群值，将清洗后的数据记作CD，对数据CD进行数据切片，得到分类的数据集D1、D2和D3，进行所述数据切片的具体过程为：

针对时间步长T和所要预测的浆液pH值P(t)，D1＝{CDi}(t-T-1≤i≤t-1)；

针对D2设置跳跃步长skip，D2＝{CDi}(i＝t-1-m*skip,0≤m

针对D3设置取样步长T1

其中，m表示取样时段数目，t表示取样时间；

S3.将数据集D1、D2依次输入相互连接的两层神经网路模型后，将输出结果进行拼接并作为全连接层Dense1的输入，得到结果A1；基于数据集D3建立自回归模型AR得到结果A2；

步骤S3中，得到结果A1的具体过程为：

将数据集D1输入卷积神经网络CNN1，输出结果为C1；将数据D2输入卷积神经网络CNN2，输出结果为C2；将C1和C2分别输入长短期记忆序列LSTM1和LSTM2，输出结果对应分别为L1和L2；将输出结果L1， L2进行拼接作为全连接层Dense1的输入，得到的输出结果为A1；

其中，所述的CNN1和CNN2采用了同样的结构参数，即拥有相同的过滤器个数、卷积核数量和移动步长；所述的LSTM1和LSTM2采用相同数量的隐含层个数；所述拼接是将L1和L2进行矩阵拼接，并非对应元素相加；

步骤S3中，所述自回归模型AR的建立是采用全连接层实现的；

S4.将A1与A2进行求和，并通过Sigmoid函数进行激活后，得到最终的脱硫系统浆液pH值预测结果；

具体的，所述将A1和A2进行求和的方法为：将A1和A2的对应元素相加。

本实施例所述计算机可读存储介质包括但不限于为：ROM、RAM、磁盘或光盘等。

显然，本领域的技术人员应该明白，上述的本发明的各模块或各步骤可以用通用的计算装置来实现，它们可以集中在单个的计算装置上，或者分布在多个计算装置所组成的网络上，可选地，它们可以用计算装置可执行的程序代码来实现，从而，可以将它们存储在存储装置中由计算装置来执行，并且在某些情况下，可以以不同于此处的顺序执行所示出或描述的步骤，或者将它们分别制作成各个集成电路模块，或者将它们中的多个模块或步骤制作成单个集成电路模块来实现。这样，本发明不限制于任何特定的硬件和软件结合。

最后应说明的是：以上各实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述各实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分或者全部技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的范围。