创新点

     采用PSO-Attention-LSTM算法进行煤电脱硫脱硝状态预测。以采集的数据进行训练煤电脱硫脱硝状态预测模型，算法结合了PSO的全局搜索能力和注意力机制的特征选择能力，提高了煤电脱硫脱硝运行状态预测的准确性和鲁棒性。在PSO-Attention-LSTM算法中，PSO用于优化 LSTM模型中的权重参数，使模型能够更加注重与煤电脱硫脱硝运行状态相关的重要信息。通过该种方式，PSO-Attention-LSTM算法能够保持LSTM模型的序列建模能力，该方法可以显著提高煤电脱硫脱硝运行状态预测的效率和准确性。与传统的预测方法进行实验分析比较可以看出，随着预测时段周期的增加，PSO-Attention-LSTM算法比其他预测模型精度高了约8％左右。PSO-Attention-LSTM算法能够为煤电脱硫脱硝管理者和运维人员提供更准确、可靠的运行状态预测，从而促进煤电脱硫脱硝优化运维操作的可靠性。

     摘要：煤电脱硫脱硝的正常运行对电力系统的安全稳定有着重要影响，但是传统预测方法存在准确率不高的问题，因此提出一种改进 PSO-Attention-LSTM的煤电脱硫脱硝运行状态预测方法。首先，建立优化煤电脱硫脱硝运行状态的主要指标及其权重指标，在数据输入阶段，通过PSO-Attention-LSTM获取运行状态数据相关的时空特征，对煤电脱硫脱硝运行状态作出预测，完成煤电脱硫脱硝潜在性故障的预警信息。试验结果显示，该预测方法对煤电脱硫脱硝运行状态的预测精度在84％，能够较好准确预测煤电脱硫脱硝的运行状态，可用于煤电脱硫脱硝运维管理的参考辅助。

     关键词：煤电脱硫脱硝；状态预测；粒子群优化；注意力机制；长短期记忆网络

     1 模型建立

     设置煤电脱硫脱硝运行数据的工作环境和其他评估以及与煤电脱硫脱硝运行数据时间序列的关联，输出量是预测下一个期间的文件煤电脱硫脱硝运行数据操作状态，使用PSO-Attention 输入信息的特征量，然后选择适合的时序进行预测处理，可以根据最大概率标准确定运行数据的状态信息。那么对于前述的基于PSO-Attention-LSTM算法的煤电脱硫脱硝操作状态预测体系结构，运行状态数据需要进行数据的规范化，然后获取运行状态的分布特征函数，再用AHP方法确定运行状态的权重系数矩阵，最后进行预测算法模型的训练，从而确立具体模型的建立过程步骤如图4所示。

     1）收集煤电脱硫脱硝运行数据的数据历史操作状态数据为样本，然后将样本分为训练集和测试集。

     2）为了减少数据分布对模型的影响，在常规选择配置中一般使用分布标准化方法进行规范化处理，如下所示。

     3）通过对主要煤电脱硫脱硝运行部件状态数据指标的统计拟合，得到煤电脱硫脱硝运行数据文件的各种状态分布函数。

     4）利用AHP分析方法，基于一般选择煤电脱硫脱硝运行状态的数据配置、关键部件质量数据、操作环境数据和其他多种运行状态的评价指标参数确定各项指标的权重系数。

     5）获得上阶段的权重数据后，将各种权重系数分配，将填充煤电脱硫脱硝运行状态文件S1～S4的操作状态的评估结果导入到数据标签中。

     6）输入PSO-Attention-LSTM模型学习发电数据，然后通过PSO-Attention-LSTM算法预测煤电脱硫脱硝运行状态变化，继而验证预测模型准确度。

     2 结论

     基于PSO-Attention-LSTM算法的煤电脱硫脱硝运行状态预测方法，解决了煤电脱硫脱硝运行状态预测精度差的问题。
     1）通过煤电脱硫脱硝数据采集等收集与煤电脱硫脱硝相关的常见运行正常和故障数据、信息参数、操作环境等操作状态数据，分析煤电脱硫脱硝故障的影响因素，确定煤电脱硫脱硝操作状态的主要指标，然后量化主要指标。通过层次分析法，确定了煤电脱硫脱硝主要指标的权重。     

    2）改进了预测模型PSO-Attention-LSTM算法的结构，PSO-Attention的主要作用是特征挖掘和建立煤电脱硫脱硝工作状态的主要指标联系，且通过实验验证其与主流算法的预测效果，以期能更准确地预测煤电脱硫脱硝的工作状态。
     3）为了可以更加丰富和完善预测场景的多样性，未来还将提升数据适应度，加大改进算法训练过程。

图1  煤电脱硫脱硝的状态维护流程

图2 Attention机制

图3 改进LSTM结构

图4 煤电脱硫脱硝运行状态预测流程

图5 煤电脱硫脱硝状态预测准确率

图6 模型预测效果

表1 煤电脱硫脱硝状态与对应检修策略

表2 不同预测方法的误差结果

作者简介

引用来源