一种基于GWO-biGRU动态预测模型的SO2预测方法与流

本发明涉及玻璃厂脱硫，具体是涉及一种基于gwo-bigru动态预测模型的so2预测方法。背景技术：1、2、目前，脱硫技术方法众多且技术成熟。从总体上来看，主要有三类燃煤脱硫技术，即燃烧前、燃烧中和燃烧后脱硫。在这三类脱硫技术中，都包含值得借鉴的方法，其中以燃烧后脱硫中的烟气脱硫技术最具有代表性。3、燃烧前脱硫，即燃烧前进行脱硫操作，主要包括洗选、微波和生物化学处理等过程。其中，洗选技术的使用最为广泛，但该技术对有机硫的去除效果不佳，总体的脱硫率不高。化学处理法的脱硫率相对较高，但是需要比较苛刻的环境条件，且需要催化剂进行支撑，使用成本较高，实用性较差。相比其他方法，生物处理法主要利用微生物对煤质进行优化，对环境条件要求较低，成本也不高，但是脱硫速度较慢，现仍处于研究阶段，未进行大规模应用。4、燃烧中脱硫，即在炉膛燃烧的过程中进行脱硫操作。该技术的原理是在燃烧过程中加入石灰石颗粒，与烟气中的so2进行反应，从而达到脱硫的目的。但是，石灰石颗粒的控制精度要求很高，加入过程中很容易造成炉膛熄火，造成电厂的经济损失。该方法使用不多。5、燃烧后脱硫，即对燃烧后锅炉产生的烟气进行脱硫操作，主要包括干法烟气脱硫、半干法烟气脱硫和湿法烟气脱硫。其中，湿法烟气脱硫技术的使用最为广泛。煤燃烧后，通过锅炉烟道排出的烟气主要包含酸性物质，需要通过石灰石、氨或者海水等碱性物质进行中和，从而达到脱硫的目的。6、在湿法烟气脱硫技术中，石灰石-石膏湿法烟气脱硫方法最为常用，我国投产机组超过九成采用该方法。在该方法中，石灰石作为洗涤剂，与烟气中的so2进行反应，生成caso3和caso4，通过空气氧化，最终生成caso4浆液，然后脱水成石膏。相比其他方法，该方法除了技术成熟的优点之外，还具有很高的环保性。技术实现思路1、针对现有技术存在的不足，本发明实施例的目的在于提供一种基于gwo-bigru动态预测模型的so2预测方法，以解决上述背景技术中的问题。2、为实现上述目的，本发明提供如下技术方案：3、一种基于gwo-bigru动态预测模型的so2预测方法，包括以下步骤：4、步骤一：构建双向门控循环单元，采用灰狼优化算法与lightgbm算法建立gwo-bigru动态预测模型；5、步骤二：建立出口so2浓度预测模型，选择辅助变量，模型的输入特征变量确定后，训练gwo-bigru动态预测模型；6、步骤三：对比bigru预测模型及利用灰狼优化算法优化的bigru预测模型，对预测结果分析。7、作为本发明进一步的方案，所述步骤一中灰狼优化算法包括：8、s101：包围猎物，捕猎过程中，首先灰狼族群会包围猎物，其寻优数学模型为：9、10、11、式中：t为当前时刻迭代次数，为协同向量,其中(其中为控制参数，从2到0线性递减，为[0,1]中的随机向量)，为第t次迭代猎物的位置向量，为第t次迭代灰狼的位置向量；12、s102：狩猎，当包围猎物结束后，狼群会在α，β，δ三只头狼的领导下进行狩猎，在寻优过程中，每次迭代保存上述三只头狼的位置信息，其余狼群则根据头狼位置更新自身位置，其寻优数学模型为：13、14、15、16、式中：为当前迭代轮次三只头狼位置向量，为t次迭代中个体位置向量，为随机向量，为个体与头狼之间的距离，为更新后的个体位置向量；17、s103：攻击猎物，通过迭代过程中的线性递减实现，群体在迭代结束后，获得目标函数的最优解。18、作为本发明进一步的方案，所述步骤一中双向门控循环单元包括：19、gru在lstm的基础上引入了新的门控机制，包括重置门和更新门，gru使用更新门来控制信息的流动，gru的具体公式如下所示：20、zt＝σ(wz·[ht-1,xt])21、rt＝σ(wr·[ht-1,xt])22、23、24、其中，zt和rt分别表示更新门和重置门的输出；σ表示sigmoid激活函数；wz，wr，w表示相关的权重矩阵；[ht-1,xt]表示包含ht-1和xt两个元素的向量；xt表示当前的输入，ht表示传递到下一个时刻的隐藏状态，表示候选隐藏状态；25、gru的传输状态为从前往后单向传输，选择使用双向门控循环单元神经网络，具有前向和后向两个方向的递归单元，bigru网络的公式如下：26、27、28、29、其中，表示前向隐藏层状态输出，表示后向隐藏层状态输出，wt，vt分别表示和的对应权重，bi表示对应偏置。30、作为本发明进一步的方案，所述步骤一中lightgbm包括：31、lightgbm采用了单边梯度采样算法，将在估计信息增益时提供边际贡献，lightgbm引入了互斥特征捆绑方法，通过将互斥的特征合并，保证特征含义不变的同时减少了特征的数量，lightgbm采用直方图方法将特征值划分为多个小区间，lightgbm采用了叶片生长算法，定位具有最高增益的叶片并进行分裂，同时限制收益低的叶片。32、作为本发明进一步的方案，所述步骤二中建立出口so2浓度预测模型包括：33、采用3σ准则确定异常值，并用异常值前后的2个值得均值进行填补，采用均值填补法进行处理，采用小波降噪，从而将原始信号与噪声信号区别开来，使原信号完成最佳恢复的方法。34、作为本发明进一步的方案，所述步骤二中选择辅助变量包括：35、对样本进行了三次特征选取，并取其平均值作为最后的特征权重，最后选取具有较大特性的浆液ph值、炉总风、脱硫塔入口烟气流量、入口so2浓度、窑炉负荷、供浆流量，燃烧系统各输入特性的测量点受管路长度等因素的影响，以其超前的时刻为特征与so2排放浓度的滞后时间，确定它的时间步长，再对其它特征滞后时间进行迭代，从而达到对所选择的各特征的时序一致性。36、作为本发明进一步的方案，所述步骤二中选训练gwo-bigru动态预测模型包括：37、将数据集划分为训练集与测试集，并进行归一化处理，将训练集样本输入到优化后的bigru网络中，训练gwo-bigru预测模型。38、作为本发明进一步的方案，所述预测结果分析包括：39、选用其dcs系统提供的间隔10s采样的7500组数据，所用数据对应时序的机组负荷出现大范围变化，包含负荷波动段及稳定段。40、综上所述，本发明实施例与现有技术相比具有以下有益效果：41、在电站锅炉dcs系统中大量使用的情况下，通过传感器将反应生产运行状态的各个环节的参数信息传输到监测计算机进行统一监测与存储，为实现该方法奠定了坚实的基础，也为电厂dcs的实际应用奠定了坚实的基础。42、对脱硫系统中的出口so2浓度进行预测，指导脱硫作业，以降低so2浓度，对于环境的保护和人类的健康有着重大的意义。43、为更清楚地阐述本发明的结构特征和功效，下面结合附图与具体实施例来对本发明进行详细说明。