[0001] 本发明涉及尾气排放技术领域，尤其涉及一种火电燃烧炉尾气排放量预测方法及系统。

[0002] 随着环境保护意识的增强，火力发电厂对尾气排放的控制和监测变得尤为重要。燃烧过程产生的烟气中含有多种污染物，如二氧化硫(SO2)、一氧化碳(CO)和粉尘。这些污染物不仅对环境造成危害，还影响人类健康。因此，准确测量和预测烟气排放量是实现环保和合规的重要步骤。

[0003] 在火电厂中，烟气排放的监测主要涉及以下变量：原烟气SO2浓度、净烟气SO2浓度、净烟气粉尘浓度、CO浓度、A侧烟气CO含量和B侧烟气CO含量等，这些变量反映了不同阶段的烟气成分，精确的测量和分析对优化燃烧过程、降低排放至关重要。传统的时间序列预测方法在处理这些变量时面临非平稳数据的挑战。烟气排放数据往往具有动态趋势和季节性模式，这使得预测变得复杂。为了解决这些问题，近年来提出了可逆实例归一化方法，通过统计手段如均值和方差来减轻趋势的影响。然而，这些方法主要针对基本趋势，对复杂季节性模式的处理能力有限。

[0050] 为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合说明书附图对本发明的具体实施方式做详细的说明，显然所描述的实施例是本发明的一部分实施例，而不是全部实施例。基于本发明中的实施例，本领域普通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，都应当属于本发明的保护的范围。

[0051] 在下面的描述中阐述了很多具体细节以便于充分理解本发明，但是本发明还可以采用其他不同于在此描述的其它方式来实施，本领域技术人员可以在不违背本发明内涵的情况下做类似推广，因此本发明不受下面公开的具体实施例的限制。

[0052] 其次，此处所称的“一个实施例”或“实施例”是指可包含于本发明至少一个实现方式中的特定特征、结构或特性。在本说明书中不同地方出现的“在一个实施例中”并非均指同一个实施例，也不是单独的或选择性的与其他实施例互相排斥的实施例。

[0053] 本发明结合示意图进行详细描述，在详述本发明实施例时，为便于说明，表示器件结构的剖面图会不依一般比例作局部放大，而且所述示意图只是示例，其在此不应限制本发明保护的范围。此外，在实际制作中应包含长度、宽度及深度的三维空间尺寸。

[0054] 同时在本发明的描述中，需要说明的是，术语中的“上、下、内和外”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系统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、第二或第三”仅用于描述目的，而不能理解为指示或暗示相对重要性。

[0055] 本发明中除非另有明确的规定和限定，术语“安装、相连、连接”应做广义理解，例如：可以是固定连接、可拆卸连接或一体式连接；同样可以是机械连接、电连接或直接连接，也可以通过中间媒介间接相连，也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。

[0056] 实施例1

[0057] 参照图1‑3，为本发明的一个实施例，提供了一种火电燃烧炉尾气排放量预测方法，包括：

[0058] S100:获取火电燃烧炉尾气数据；

[0059] 在本申请实施例中，火电燃烧炉尾气数据包括原烟气SO2浓度、净烟气SO2浓度、净烟气粉尘浓度、CO浓度、A侧烟气CO含量和B侧烟气CO含量等；

[0060] 得到火电燃烧炉尾气数据后，对数据进预处理，预处理包括：清洗数据，剔除异常、缺失及错误记录，确保数据合理性，并通过插值等方法处理缺失值；变换数据分布，如对数或平方根变换，以减少偏态性，并进行标准化或归一化，消除量纲差异；为后续的准确分析和预测奠定坚实基础。

[0061] S102:将火电燃烧炉尾气数据进行离散傅里叶变换，获取主导成分数据和平稳成分数据；

[0062] 优选的，将火电燃烧炉尾气数据转换为复数形式的傅里叶分量，选择具有最大幅值的频率分量集；

[0063] 应说明的是，频率自适应归一化在频域中为每个输入实例移除前K个主导成分，从而使预测骨干网络能够集中于输入的平稳方面，此过程为频率残差学习，在时间点t的输入Xt是具有D维度的多变量数据，每个维度可能具有不同的频率模式；因此，在通道独立设置中对每个维度应用频率残差学习；

[0064] 在本申请实施例中，频率残差学习是通过对火电燃烧炉尾气数据Xt进行一维离散傅里叶变换实现的，具体表示为：

[0065] Zt＝DFT(Xt)

[0066] Kt＝TopK(Amp(Zt))

[0067] 其中，Xt为火电燃烧炉尾气数据，Zt为火电燃烧炉尾气数据经过傅里叶变换得到的数据， Kt为频率分量集；

[0068] 应说明的是，TopK(·)选择具有最大幅值的前K个频率分量集，这是通过Amp(·)函数计算的；

[0069] 将频率分量集恢复到时域成分，获取主导成分数据，表示为：

[0070]

[0071] 其中， 为主导成分数据，Kt为频率分量集，Zt为火电燃烧炉尾气数据转换为复数形式的傅里叶分量；

[0072] 应说明的是，Filter是从Zt中滤除Kt频率的操作，为了减轻非平稳信号的影响，频率残差学习将前K个成分恢复到时域成分 中，使用IDFT(·)实现；

[0073] 优选的，从傅里叶分量中减去主导成分数据，获取平稳成分数据；

[0074] 具体的，获取平稳成分数据用公式表示为：

[0075]

[0076] 其中，Xres为平稳成分数据， 为主导成分数据，Xt为火电燃烧炉尾气数据；

[0077] 应说明的是，DFT(·)和IDFT(·)可以使用快速傅里叶变换FFT来执行，计算复杂度为O(LlogL)；而TopK和Filter操作都具有O(L+K)的复杂度。需要注意的是，所有这些操作都是GPU友好的，可以完全并行化；因此，独立地对每个维度应用这些操作的影响可以在很大程度上减轻，经过归一化步骤后，归一化序列 可以更加平稳，并具有更一致的协变量分布，过程如图2所示。

[0078] S104:将平稳成分数据输入至预测骨干模型进行预测，获取第一预测值，将主导成分数据输入至MLP模型进行预测，获取第二预测值；

[0079] 优选的，预测骨干模型接收平稳成分数据作为输入，通过多个全连接层进行传递；

[0080] 优选的，在每一全连接层中，平稳成分数据与前一层的神经元通过学习到的权重进行加权求和，并加上偏置项，提取平稳特征；

[0081] 优选的，将平稳特征通过非线性激活函数进行加权和进行变换，获取增强平稳特征；

[0082] 优选的，将增强平稳特征传输至输出层，输出层基于学习到的权重和偏置，利用线性激活函数计算获取第一预测值；

[0083] 在本申请实施例中，预测骨干模型接收变换后的数据作为输入，并仅预测输出的平稳部分，用公式表示为：

[0084]

[0085] 其中，gθ为预测骨干模型，Xres为平稳成分数据；

[0086] 在另一种可能的实施例中，预测骨干模型可以采用卷积神经网络、长短期记忆网络或者卷积神经网络结合长短期记忆网络的混合模型；

[0087] 以混合模型为例，将平稳成分数据按照时间序列的形式组织，并作为输入送入卷积神经网络部分，在卷积神经网络中，通过多层卷积层、激活层和池化层，可以自动地从原始数据中提取出高层次的局部特征，这些特征对于后续预测任务非常关键；随后，将卷积神经网络输出的特征图展平为一维向量，并作为长短期记忆网络的输入，长短期记忆网络层通过其内部的遗忘门、输入门和输出门机制，能够有效地捕捉数据中的时序依赖性和长期记忆；

[0088] 在长短期记忆网络层之后，可以添加一到两个全连接层(Dense层)，用于进一步整合长短期记忆网络输出的特征，并准备最终的预测输出，通过线性激活函数在输出层计算得到第一预测值，这个预测值代表了平稳成分数据的未来趋势或状态。

[0089] 优选的，利用MLP模型预测主导成分数据的未来值，获取第二预测值，表示为：

[0090]

[0091] 其中，W1、W2、W3都是可学习的参数，Xnon,t为主导成分数据，Xt为火电燃烧炉尾气数据转换为复数形式的傅里叶分量，ReLU为激活函数， 为第二预测值；

[0092] 应说明的是，对于反实例归一化，需要在输出中估计第二预测值，由于输入及其对应的输出相当接近，RevIN通过假设第二预测值与主导成分数据具有完全相同的趋势，直接将主导成分数据加回；然而，这个假设很难成立，因为输入和输出之间的非平稳信息可能会变化，此外，虽然SAN和Dish‑TS预测统计数据以解决输入和输出之间的差异，但这些统计数据只能代表最显著的趋势模式。因此，本发明不预测统计数据，而是使用一个简单的MLP模型qφ直接预测D维度的前K个频率分量的未来值；

[0093] 还应说明的是，通过分别将平稳成分数据和主导成分数据输入至预测骨干模型和MLP模型，本方法实现了对火电燃烧炉尾气数据的精准预测；预测骨干模型专注于捕捉并预测平稳成分的未来趋势，通过多层次的特征提取与变换，有效增强了模型对平稳特性的识别能力；而对于主导成分，MLP模型则直接预测其未来值，避免了传统方法中对统计数据的过度依赖，从而能够更灵活地应对输入与输出之间的非平稳变化。这种双模型并行预测的策略，不仅提高了预测的准确性和鲁棒性，还减少了因单一模型假设不足而导致的误差，为火电燃烧炉尾气等复杂时间序列数据的处理与分析提供了有力的技术支持。

[0094] 优选的，引入先验指导损失函数和整体损失函数优化骨干预测模型和MLP模型，表示为：

[0095]

[0096] 其中，Lnonstat,φ为整体损失函数，Lforecast,θ,φ为先验指导损失函数， 为第二预测值，Ynon,t为偏移预测值， 为火电燃烧炉尾气排放量预测值。

[0097] 优选的，将先验指导损失函数和整体损失函数作为目标函数；确定骨干预测模型和MLP模型的参数空间并初始化参数；利用贝叶斯算法对目标函数进行建模，建立概率模型，利用概率模型对对参数组合进行评估，获取最优参数组合；

[0098] 应说明的是，通过引入先验指导损失函数与整体损失函数，并作为优化骨干预测模型和MLP模型的目标函数，本方法显著提升了模型预测的准确性和可靠性；这种多损失函数联合优化的策略，不仅考虑了模型对实际数据的直接拟合能力，还融入了先验知识或领域特定信息，有效引导模型在训练过程中避免过拟合，同时更好地捕捉数据中的内在规律和潜在特征。此外，利用贝叶斯算法对目标函数进行建模，并构建概率模型以评估不同参数组合的性能，最终获取最优参数组合，这一过程进一步增强了模型的泛化能力和稳定性。

[0099] S106:将第一预测值和第二预测值相结合，获取火电燃烧炉尾气排放量预测值；

[0100] 在本申请实施例中，将第一预测值和第二预测值相结合用公式表示为：

[0101]

[0102] 其中， 为第一预测值， 为第二预测值， 为火电燃烧炉尾气排放量预测值；

[0103] 在另一种可能的实施例中，获取火电燃烧炉尾气排放量预测值可以考虑两者的不同权重，进行加权求和，这种方式允许根据平稳成分和主导成分在整体尾气排放量中的相对重要性，动态调整它们的贡献度；具体的，可以设定一个权重系数α(0≤α≤1)，其中α代表平稳成分预测值在最终预测值中的权重，而(1‑α)则代表主导成分预测值的权重，通过调整α的值，可以灵活地控制两种预测值对最终预测结果的影响程度；当α接近1时，表示平稳成分对预测结果的影响更大；而当α接近0时，则表明主导成分的作用更为显著。

[0104] 应说明的是，本发明通过采用双模型并行预测策略，结合预测骨干模型和MLP模型，分别针对火电燃烧炉尾气数据的平稳成分和主导成分进行精准预测，显著提升了预测结果的准确性和可靠性；预测骨干模型通过多层次的特征提取与变换，有效捕捉并预测了平稳成分的未来趋势，而MLP模型则直接预测了主导成分的未来值，避免了传统方法对统计数据的过度依赖，灵活应对了输入与输出之间的非平稳变化；通过引入先验指导损失函数与整体损失函数联合优化模型，并利用贝叶斯算法进行参数调优，进一步增强了模型的泛化能力和稳定性，实现了火电燃烧炉尾气排放量的精确预测。

[0105] 上述为本实施例的一种火电燃烧炉尾气排放量预测方法的示意性方案。需要说明的是，该火电燃烧炉尾气排放量预测的系统的技术方案与上述的火电燃烧炉尾气排放量预测方法的技术方案属于同一构思，本实施例中火电燃烧炉尾气排放量预测系统的技术方案未详细描述的细节内容，均可以参见上述火电燃烧炉尾气排放量预测方法的技术方案的描述。

[0106] 本实施例中火电燃烧炉尾气排放量预测系统，包括：

[0107] 数据获取模块，用于获取火电燃烧炉尾气数据；

[0108] 分类模块，用于将火电燃烧炉尾气数据进行离散傅里叶变换，获取主导成分数据和平稳成分数据；

[0109] 分类预测模块，用于将平稳成分数据输入至预测骨干模型进行预测，获取第一预测值，将主导成分数据输入至MLP模型进行预测，获取第二预测值；

[0110] 结果预测模块，用于将第一预测值和第二预测值相结合，获取火电燃烧炉尾气排放量预测值。

[0111] 本实施例还提供一种计算设备，适用于火电燃烧炉尾气排放量预测的情况，包括：

[0112] 存储器和处理器；存储器用于存储计算机可执行指令，处理器用于执行计算机可执行指令，实现如上述实施例提出的实现火电燃烧炉尾气排放量预测方法。

[0113] 本实施例还提供一种存储介质，其上存储有计算机程序，该程序被处理器执行时实现如上述实施例提出的实现火电燃烧炉尾气排放量预测方法。

[0114] 本实施例提出的存储介质与上述实施例提出的实现火电燃烧炉尾气排放量预测方法属于同一发明构思，未在本实施例中详尽描述的技术细节可参见上述实施例，并且本实施例与上述实施例具有相同的有益效果。

[0115] 通过以上关于实施方式的描述，所属领域的技术人员可以清楚地了解到，本发明可借助软件及必需的通用硬件来实现，当然也可以通过硬件实现，但很多情况下前者是更佳的实施方式。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在计算机可读存储介质中，如计算机的软盘、只读存储器(ReadOnly，Memory，ROM)、随机存取存储器(Random Access Memory，RAM)、闪存(FLASH)、硬盘或光盘等，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例的方法。

[0116] 实施例2

[0117] 参照表1，为本发明的一个实施例，提供了一种火电燃烧炉尾气排放量预测方法，为了验证其有益效果，提供了几种方案的对比结果。

[0118] 为了验证所提出的火电燃烧炉尾气排放量预测方法的有效性，设计并实施一系列实验；

[0119] 从火电燃烧炉的监控系统中收集了详尽的尾气数据，这些数据包括但不限于原烟气SO2浓度、净烟气SO2浓度、净烟气粉尘浓度、CO浓度以及A侧和B侧烟气CO含量等关键指标，这些数据覆盖了不同工况和时间段，确保了样本的多样性和代表性。

[0120] 接着，对收集到的尾气数据进行了预处理，包括数据清洗和归一化，以消除异常值和量纲差异对预测结果的影响，应用了离散傅里叶变换(DFT)技术对这些数据进行处理，通过将尾气数据转换为复数形式的傅里叶分量，成功识别并选择了具有最大幅值的频率分量集，这些分量代表了尾气数据中的主导成分；

[0121] 将这些频率分量集恢复到时域，得到了主导成分数据；同时，从原始傅里叶分量中减去主导成分数据，得到了平稳成分数据。

[0122] 在预测阶段，将平稳成分数据输入到预先训练好的预测骨干模型中，该模型基于DLinear、FEDformer或Informer等现有框架构建，并通过多个全连接层提取平稳特征，最终通过线性激活函数输出了平稳成分的第一预测值。与此同时，主导成分数据被输入到MLP(多层感知机)模型中，利用MLP的非线性处理能力对主导成分的未来值进行预测，获得了第二预测值。

[0123] 最后，将第一预测值和第二预测值进行了融合，得到了火电燃烧炉尾气排放量的最终预测值。为了评估预测效果，计算了多个性能指标，包括均方误差(MSE)和平均绝对误差(MAE)，并将这些方法与其他基线方法(如直接使用DLinear、FEDformer、Informer进行预测)进行了对比。

[0124] 实验结果表明，采用本发明的火电燃烧炉尾气排放量预测方法，在各项指标上均取得了显著的改进。具体而言，在预测原烟气SO2浓度、净烟气SO2浓度、净烟气粉尘浓度、CO浓度以及A侧和B侧烟气CO含量时，本方法的MSE和MAE值均低于其他基线方法，证明了该方法在预测精度上的优越性。这一发现不仅验证了本发明方法的有效性，也为火电燃烧炉尾气排放量的精准预测提供了新的思路和技术手段。

[0125] 在预测骨干模型和简单的MLP模型参数搜索阶段，采用贝叶斯优化算法，通过初始化参数空间，设定包括学习率、隐藏层节点数以及激活函数类型在内的多个参数的合理取值范围，利用高斯过程构建概率模型，以捕捉参数之间的复杂关系并预测不同参数组合的性能；

[0126] 在迭代搜索过程中，贝叶斯优化算法根据概率模型的预测结果，智能地选择最有可能提升模型性能的参数组合进行评估，每次评估后，新的参数组合及其性能结果会被添加到训练集中，以更新概率模型；当连续多次迭代中模型性能的提升幅度低于预设阈值或达到最大迭代次数时，搜索过程已收敛，获取最优参数组合；

[0127] 为了验证本发明方法在火电燃烧炉尾气排放量预测中的有效性，我们选取了三种现有的预测模型框架——DLinear、FEDformer和Informer作为基准。在预测过程中，分别获取了两种成分数据的预测值，并将它们相结合，得到了火电燃烧炉尾气排放量的最终预测值；

[0128] 通过均方误差(MSE)和平均绝对误差(MAE)等指标进行对比，结果如表1所示；

[0129] 表1不同方法火电燃烧炉尾气排放量预测结果

[0130]

[0131]

[0132] 如表1所示，在火电燃烧炉尾气排放量的预测任务中，无论是哪种框架，在应用了本发明的方法后，其预测性能均得到了显著提升，具体表现为各项预测指标，MSE和MAE的数值均处于较低水平。

[0133] 综上所述，本发明的模型在火电燃烧炉尾气排放量预测领域展现出了明显的优势，不仅提高了预测精度，还增强了模型的稳定性和泛化能力。这一成果对于火电行业的环保监管、排放控制以及节能减排具有重要意义，有望为行业的绿色发展和可持续发展提供有力支持。

[0134] 综上所述，本实验成功验证了所提出的火电燃烧炉尾气排放量预测方法的有效性和准确性。该方法通过创新地将尾气数据分解为平稳成分和主导成分，并分别采用针对性模型进行预测，再结合预测结果，实现了对尾气排放量的精准预测。这一成果不仅为火电燃烧炉尾气排放管理提供了有力的技术支持，也为相关领域的预测模型设计提供了新的思路和方法。

[0135] 应说明的是，以上实施例仅用于说明本发明的技术方案而非限制，尽管参照较佳实施例对本发明进行了详细说明，本领域的普通技术人员应当理解，可以对本发明的技术方案进行修改或者等同替换，而不脱离本发明技术方案的精神和范围，其均应涵盖在本发明的权利要求范围当中。