(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202211060624.3 (22)申请日 2022.08.31 (71)申请人 深圳能源环保股份有限公司 地址 518000 广东省深圳市福田区深南大 道4001号时代金融 中心13层 (72)发明人 陈联宏　钟日钢　许洪滨　刘小娟　 赖昊明　李松军　冉从华　王超　 (74)专利代理 机构 深圳市深弘广联知识产权代 理事务所(普通 合伙) 44449 专利代理师 向用秀 (51)Int.Cl. G06N 3/04(2006.01) G06N 3/08(2006.01) G06Q 10/04(2012.01) G06Q 50/06(2012.01)G06Q 50/26(2012.01) G05B 11/42(2006.01) (54)发明名称 基于机器学习的烟气控制方法、 装置、 设备 及存储介质 (57)摘要 本发明涉及人工智能领域， 公开了一种基于 机器学习的烟气控制方法、 装置、 设备及存储介 质， 用于精准的控制氨水的输出量。 所述方法包 括： 将实际参数数据输入氮氧化物预测模型进行 氮氧化物预测， 得到第一氮氧化物预测值； 获取 第一氮氧化物值和第二氮氧化物值 以及历史氨 水流量； 根据第一氮氧化物值、 第二氮氧化物值、 第一氮氧化物预测值和历史氨水流量对线性回 归模型进行模型训练， 并对氨水输出值设置PID 参数， 得到氨水控制量计算模型； 获取目标参数 数据， 将目标参数数据输入氮氧化物预测模型进 行氮氧化物预测， 得到第二氮氧化物预测值， 并 将第二氮氧化物预测值输入氨水控制量计算模 型进行氨水量计算， 生成目标氨水值。 权利要求书3页 说明书12页 附图4页 CN 115392437 A 2022.11.25 CN 115392437 A 1.一种基于机器学习的烟气控制方法， 其特征在于， 所述基于机器学习的烟气控制方 法包括： 基于垃圾焚烧发电系统中预设的多个传感器采集在垃圾发电过程中的多个参数数据， 并根据所述多个参数数据对预置的深度神经网络模型进行模型训练， 得到氮 氧化物预测模 型； 获取待预测的实际参数数据， 并将所述实际参数数据输入所述氮氧化物预测模型进行 氮氧化物预测， 得到第一氮氧化物预测值； 获取所述垃圾焚烧发电系统在选择性催化还原之前的第一氮氧化物值和在选择性催 化还原之后的第二氮氧化物值， 以及获取 所述垃圾焚烧发电系统的历史氨水流 量； 根据所述第一氮氧化物值、 所述第二氮氧化物值、 所述第一氮氧化物预测值和所述历 史氨水流量对预置的多元线性回归模型进行模型训练， 并设置所述多元线性回归模型的 PID参数， 得到氨水控制量计算模型； 获取所述垃圾焚烧发电系统待处理 的目标参数数据， 将所述目标参数数据输入所述氮 氧化物预测模型进行氮氧化物预测， 得到第二氮氧化物预测值， 并将所述第二氮氧化物预 测值输入所述氨水控制量计算模型进行氨水量计算， 并按照预设输出频率生成目标氨水 值。 2.根据权利要求1所述的基于机器学习的烟气控制方法， 其特征在于， 所述基于机器学 习的烟气控制方法还 包括： 对所述多个参数 数据进行 特征参数提取， 得到多个特 征参数； 对所述多个特 征参数进行时间相关性分析， 得到多个时间相关性 参数； 将所述多个时间相关性 参数作为所述深度神经网络模型的第一输入特 征。 3.根据权利要求1所述的基于机器学习的烟气控制方法， 其特征在于， 所述基于机器学 习的烟气控制方法还 包括： 获取多个待预测时刻的测试参数数据， 以及获取所述测试参数数据对应的氮氧化物实 际值； 根据所述测试参数 数据生成所述待预测时刻对应的第二输入特 征； 将所述第二输入特 征输入所述深度神经网络模型进行计算， 得到氮氧化物测试值； 根据所述氮氧化物实际值和所述氮氧化物测试值对所述深度神经网络模型进行模型 优化， 得到优化后的深度神经网络模型； 将所述优化后的深度神经网络模型作为所述氮氧化物预测模型。 4.根据权利要求1所述的基于机器学习的烟气控制方法， 其特征在于， 所述根据 所述第 一氮氧化物值、 所述第二氮氧化物值、 所述第一氮氧化物预测值和所述历史氨水流量对预 置的多元线性回归模型进 行模型训练， 并设置所述多 元线性回归模型的PID参数， 得到氨水 控制量计算模型， 包括： 基于所述第 一氮氧化物值、 所述第 二氮氧化物值和所述第 一氮氧化物预测值生成特征 训练向量； 将所述特征训练向量和所述历史氨水流量输入预置的多元线性回归模型进行模型训 练， 得到初始模型； 设置所述初始模型的PID参数， 得到氨水控制量计算模型。权　利　要　求　书 1/3 页 2 CN 115392437 A 25.根据权利要求4所述的基于机器学习的烟气控制方法， 其特征在于， 所述将所述特征 训练向量和所述历史氨水流量输入预置的多元线性回归模型进行模型训练， 得到初始模 型， 包括： 将所述特 征训练向量输入预置的多元线性回归 模型进行模型训练， 得到氨水训练值； 通过所述历史氨水流量和所述氨水训练值对所述多元线性回归模型进行多轮模型训 练， 生成初始模型。 6.根据权利要求4所述的基于机器学习的烟气控制方法， 其特征在于， 所述设置所述初 始模型的PID参数， 得到氨水控制量计算模型， 包括： 设置所述初始模型的PID参数， 其中， 所述PID参数包括： 输出目标值和积分时长； 根据所述积分时长和所述输出目标值计算积分值； 根据所述积分值 生成氨水控制量计算模型。 7.根据权利要求1 ‑6中任一项所述的基于机器学习的烟气控制方法， 其特征在于， 所述 基于机器学习的烟气控制方法还 包括： 若所述垃圾焚烧发电系统处于维护期间， 则将所述氨水控制量计算模型切换至模糊控 制模式； 当所述氨水控制量计算模型处于模糊控制模式时， 在所述模糊控制模式下不设置所述 氨水控制量计算模型的PID参数， 并控制所述氨水控制量计算模型按照所述输出频率生成 目标氨水值。 8.一种基于机器学习的烟气控制装置， 其特征在于， 所述基于机器学习的烟气控制装 置包括： 采集模块， 用于基于垃圾焚烧发电系统中预设的多个传感器采集在垃圾发电过程中的 多个参数数据， 并根据所述多个参数数据对预置的深度神经网络模型进行模型训练， 得到 氮氧化物预测模型； 预测模块， 用于获取待预测的实 际参数数据， 并将所述实 际参数数据输入所述氮氧化 物预测模型进行氮氧化物预测， 得到第一氮氧化物预测值； 获取模块， 用于获取所述垃圾焚烧发电系统在选择性催化还原之前的第 一氮氧化物值 和在选择性催化还原之后的第二氮氧化物值， 以及获取所述垃圾焚烧发电系统的历史氨水 流量； 训练模块， 用于根据 所述第一氮氧化物值、 所述第 二氮氧化物值、 所述第 一氮氧化物预 测值和所述历史氨水流量对预置的多 元线性回归模型进行模型训练， 并设置所述多元线性 回归模型的PID参数， 得到氨水控制量计算模型； 生成模块， 用于获取所述垃圾焚烧发电系统待处理的目标参数数据， 将所述目标参数 数据输入所述氮氧化物预测模型进行氮氧化物预测， 得到第二氮氧化物预测 值， 并将所述 第二氮氧化物预测值输入所述氨水控制量计算模型进 行氨水量计算， 并按照预设输出频率 生成目标氨水值。 9.一种基于机器学习的烟气控制设备， 其特征在于， 所述基于机器学习的烟气控制设 备包括： 存 储器和至少一个处 理器， 所述存 储器中存 储有指令； 所述至少一个处理器调用所述存储器中的所述指令， 以使得所述基于机器学习的烟气 控制设备 执行如权利要求1 ‑7中任一项所述的基于 机器学习的烟气控制方法。权　利　要　求　书 2/3 页 3 CN 115392437 A 3