CN115049139B 一种针对水泥烧成脱硝系统的多指标模型预测控制方法 （燕山大学）

一种针对水泥烧成脱硝系统的多指标模型本发明公开了一种针对水泥烧成脱硝系统据建立预测水泥烧成过程烟气排放的精确预测模型；利用预测模型的预测值与脱硝系统实时NOx排放浓度的误差对预测模型进行反馈校正；根据环保部门对NOx排放浓度的要求设定NOx浓度值，并将设定的NOx浓度值进行柔化处理形成制量值带入到脱硝系统中完成对水泥生产过程烧成过程NOx排放的同时减少氨逃逸，达到了降2所述预测模型为结合时间序列的双向长短时记忆网络的水泥烧成过程烟气排放浓度步骤2，利用预测模型的预测值与脱硝系统实时NOx排放浓度的误差对预测模型进行反2.根据权利要求1所述一种针对水泥烧成脱硝系统的多指标模型预测控制方法，其特3.根据权利要求1所述的一种针对水泥烧成脱硝系统的多指标模型预测控制方法，其将输入变量数据集成为m步时间段的时间序列，引入到双向长短时记忆网络结构输入所述双向长短时记忆网络采用两个独立的LSTM隐含层分别表示网络在时间正序时提3t-1为前一时刻LSTM层的隐藏状态，ht+1为后一时刻LSTM层的隐藏4.根据权利要求3所述的一种针对水泥烧成脱硝系统的多指标模型预测控制方法，其5.根据权利要求1所述一种针对水泥烧成脱硝系统的多指标模型预测控制方法，其特所述反馈校正是通过计算预测模型的预测值与脱硝系统实时烟气排放浓度的误差对mm6.根据权利要求1所述的一种针对水泥烧成脱硝系统的多指标模型预测控制方法，其采用的参考轨迹为一阶指数变化形式，利用当前时刻的实际NOx排放浓度和NOx排放浓度设定值通过一阶指数变换求出未来时刻的参考数值形成柔化后的为k时刻实际NOx排放浓度值，yr为NOx排放浓度设定值，yr(k+j)为经柔化处理后的参考轨7.根据权利要求1所述的一种针对水泥烧成脱硝系统的多指标模型预测控制方法，其4i个体的第j个分量，aj和bj分别表示xij取值范围的上界和下界，rand表示均匀分布在区间DE算法通过差分法来实现变异操作，基本方法是在当前种群中随机选取两个相异个r12i和vi在算法实现中为了保证解的有效性，根据水泥生产厂实际情况择操作是为了通过计算目标函数大小来选择i5[0004]一种多模型切换方法火电厂选择性催化还原(SCR)脱硝系统的DMC-PID串级控制解决上述问题的针对水泥烧成脱硝系统的多指标模型预测[0007]本发明需要解决的技术问题是提供一种针对水泥烧成脱硝系统的多指标模型预现对NOx排放浓度稳定控制的同时减少氨[0010]步骤1，运用数据库中的历史数据建立预测水泥烧成过程烟气排放的精确预测模6产生机理进行分析，选取15个与NOx排放浓度和氨逃逸相关的过程变量作为预测模型的输[0015]通过分析整个水泥烧成的工艺过程中影响NOx的产生和消除的因素，结合现场工[0021]将输入变量数据集成为m步时间段的时间序列，引入到双向长短时记忆网络结构15种NOx相关的过程变量在t时刻对应的时间序列，X(t)为双向LSTM模型输入层的时间序[0025]所述双向长短时记忆网络采用两个独立的LSTM隐含层分别表示网络在时间正序时提取的特征信息和在时间逆序时提取的特征信息，将其链接得到最终的预测模型输出，预测模型在t时刻的隐藏状态Ht包含前向的和后向的石:7[0032]所述反馈校正是通过计算预测模型的预测值与脱硝系统实时烟气排放浓度的误mm前时刻的实际输出值和设定值进行一阶指数变换得到柔化[0037]采用的参考轨迹为一阶指数变化形式，利用当前时刻的实际NOx排放浓放浓度设定值通过一阶指数变换求出未来时刻的参考数值形成柔化后的[0041]本发明技术方案的进一步改进在于：步骤4中，所述差分进化算法包含种群初始8ii[0063]3、本发明建立了基于神经网络预测模型的水泥烧成过程脱硝系统模型预测控制[0065]图1为本发明实施例中的基于MT-BiLSTM的水泥烧成过程有害烟气排放浓度多目[0067]图3为本发明实施例中提供的一种针对水泥烧成脱硝系统的多指标模型预测控制9[0069]本申请实施例通过提供一种针对水泥烧成脱硝系统的多解决了现有技术中存在的难以解决水泥烧成脱硝过程中的长时延、非线性和波动性的问染物的排放同时还能减少氨水的消耗，所以对脱硝过程进行精确控制实现NOx排放浓度的发明创新性地提出了一种结合时间序列的双向长短时记忆网络的水泥烧成过程烟气NOx排[0072]如图1-3所示，本发明提出了一种针对水泥烧成脱硝系统的多指标模型预测控制建一种结合时间序列的双向长短时记忆网络(MT-BiLSTM)的水泥烧成过程烟气排放浓度多[0075]首先分析整个水泥烧成的工艺过程中影响NOx的产生和消除的因素，结合现场工X12NOx排放浓度之间存在长时延，本发明将各输入变量排列成一段时间长度的时间序列数据15种NOx相关的过程变量在t时刻对应的时间序列，X(t)为双向LSTM模型输入层的时间序[0081]MT-BiLSTM网络的核心可以理解成两个独立的LSTM隐含层分别表示网络在时间正序时提取的特征信息和在时间逆序时提取的特征信息，将其链接得到最终的预测模型输真实值的偏差作为代价函数进行不断优化，采用梯度下降算法不断最小化代价函数来完[0092]Adam算法是结合了SGDM的动量思想以及RMSProp的自适应更新学习率的思想。对[0108]在本发明中，基于MT-BiLSTM网络的预测模型使用BPTT方法进行梯度计算，通过[0110]所述反馈校正是通过计算预测模型的预测值与脱硝系统实时烟气排放浓度的误[0116]采用的参考轨迹为一阶指数变化形式，利用当前时刻的实际NOx排放浓放浓度设定值通过一阶指数变换求