氮氧化合物排放浓度预测模型训练方法、装置及应用方法与流程

1.本文涉及火电机组脱硝领域，尤其是一种氮氧化合物排放浓度预测模型训练方法、装置及应用方法。


背景技术：

2.选择性催化还原(scr)脱硝装置是火电机组控制烟气氮氧化合物排放的重要环节，通常需要精准、稳定的模型保证准确的控制策略，进一步得到脱硝系统出口的氮氧化合物的浓度。
3.目前的火电机组scr脱硝反应过程复杂，反应装置的运行效果容易受到催化剂活性、反应温度和喷氨量等因素的影响。且当设备设计定型投运后，反应温度由烟气旁路控制，催化剂只能在失效后更换，喷氨量成为系统可调整的关键因素：当装置的喷氨量过少时，烟气中的氮氧化合物(nox)不能完全被有效地被消除，导致nox排放超标；当装置的喷氨量过多时，则会导致机组空预器积灰堵塞和腐蚀，影响锅炉安全运行，并造成运行成本浪费和二次环境污染。
4.目前的scr脱硝系统入口nox浓度模型建模方法，可以根据对系统入口nox浓度的预测设计前馈策略，但在实际应用中仅仅通过前馈喷氨控制难以实现满意的脱硝效果，还需要设计适当的反馈控制。另外，现有的人工智能建模方法虽然通常能够表现出较强的拟合和泛化能力，但本质上基于统计理论的方法同样也导致了不稳定的问题，单一的神经网络模型也具有稳定性不足的特点。
5.针对目前脱硝系统氮氧化合物排放预测方法浪费成本、稳定性不足问题，需要一种氮氧化合物排放浓度预测模型训练方法、装置及应用方法。


技术实现要素：

6.为解决上述现有技术的问题，本文实施例提供了一种氮氧化合物排放浓度预测模型训练方法、装置及应用方法。
7.本文实施例提供了一种氮氧化合物排放浓度预测模型训练方法，包括：从脱硝系统中获取训练样本数据集，所述样本数据集包括多个脱硝系统样本参数及与所述脱硝系统样本参数对应的标签，所述标签为氮氧化合物排放浓度；利用所述样本数据集训练多个初始子模型得到训练后的多个子模型，所述训练后的子模型包括极限学习机子模型或核极限学习机子模型；计算训练后的多个子模型的回归参数，根据所述回归参数、所述极限学习机子模型或所述核极限学习机子模型，确定氮氧化合物排放浓度预测模型。
8.根据本文实施例的一个方面，所述极限学习机子模型至少包括s型函数、正弦函数、径向基函数、三角径向基函数中的一种或其任意组合作为激活函数。
9.根据本文实施例的一个方面，利用所述样本数据集训练多个初始子模型得到训练后的多个子模型包括：确定所述初始极限学习机子模型的隐含层节点阈值或所述初始核极限学习机子模型的参数；利用交叉验证算法分别计算不同隐含层节点数对应的初始极限学
习机子模型的误差值、不同参数对应的初始核极限学习机子模型的误差值；选择初始极限学习机子模型的误差值中的最小值对应的隐含层节点数，建立训练后的极限学习机子模型；选择初始核极限学习机子模型误差值中的最小值对应的参数，建立训练后的核极限学习机子模型。
10.根据本文实施例的一个方面，根据所述回归参数、所述极限学习机子模型或所述核极限学习机子模型，确定氮氧化合物排放浓度预测模型包括：从脱硝系统中获取测试样本数据集；将所述测试样本数据集输入至所述训练后的极限学习机子模型或所述核极限学习机子模型；根据所述训练后的极限学习机子模型或所述核极限学习机子模型输出的结果与所述测试样本数据集对应的氮氧化合物排放浓度，确定所述训练后的子模型对应的回归参数；利用如下公式表示氮氧化合物排放浓度预测模型：其中，y
tr
为所述氮氧化合物排放浓度预测模型；为所述训练后的子模型；a1至an为与所述训练后的子模型对应的回归参数，其中n为自然数。
11.根据本文实施例的一个方面，所述训练后的多个子模型包括四个极限学习机子模型及一个核极限学习机子模型。
12.根据本文实施例的一个方面，从脱硝系统中获取训练样本数据集包括：从脱硝系统中获取第一训练样本数据集，所述第一训练样本数据集中包括第一数量的脱硝系统样本参数；根据所述脱硝系统样本参数中的机组负荷参数，从所述第一训练样本数据集中按照预设比例获取第二数量的脱硝系统样本参数，作为所述训练样本数据集。
13.根据本文实施例的一个方面，获取所述样本数据集之前包括对所述样本数据集进行预处理，包括：对所述样本数据集进行数据异常值检测、数据标准化处理。
14.本文实施例还提供了一种氮氧化合物排放浓度预测模型应用方法，包括：获取脱销系统中的多个参数，所述参数包括机组负荷、氮氧化合物入口浓度、入口流量、烟气温度、喷氨量、氧含量；根据所述氮氧化合物排放浓度预测模型及所述脱硝系统中的多个参数，确定氮氧化合物排放浓度。
15.本文实施例还提供了一种氮氧化合物排放浓度预测模型训练装置，包括：样本数据集获取单元，用于获取样本数据集，所述样本数据集包括多个脱硝系统样本参数及与所述脱硝系统样本参数对应的氮氧化合物浓度；模型训练单元，用于利用所述样本数据集训练初始子模型得到训练后的子模型，所述初始子模型包括初始极限学习机子模型及初始核极限学习机子模型；氮氧化合物排放浓度预测模型确定单元，用于根据预设合成策略及训练后的子模型，确定氮氧化合物排放浓度预测模型。
16.本文实施例还提供了一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现上述的方法。
17.本方案通过构建多个个体学习机子模型提高模型的泛化能力，并将子模型结合作为最终的输出，平衡多个子网的输出，有效克服单一子模型精度不足的缺点，得到测精度更高、普适性更强的模型，氮氧化合物排放浓度预测结果的精度得到进一步提高。
附图说明
18.为了更清楚地说明本文实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本文
的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
19.图1所示为本文实施例一种氮氧化合物排放浓度预测模型训练方法的流程图；
20.图2所示为本文实施例一种确定训练后的子模型的方法示意图；
21.图3所示为本文实施例一种确定氮氧化合物排放浓度预测模型的方法流程图；
22.图4所示为本文实施例一种氮氧化合物排放浓度预测模型应用方法的流程图；
23.图5所示为本文实施例一种氮氧化合物排放浓度预测模型训练装置的结构示意图；
24.图6所示为本文实施例一种氮氧化合物排放浓度预测模型训练装置的具体结构示意图；
25.图7所示为本文实施例一种氮氧化合物排放浓度预测模型的示意图；
26.图8所示为本文实施例一种计算机设备的结构示意图。
27.附图符号说明：
28.501、样本数据集获取单元；
29.5011、第一训练样本数据集获取模块；
30.5012、数据预处理模块；
31.502、子模型训练单元；
32.5021、子模型参数确定模块；
33.5022、子模型误差值计算模块；
34.503、氮氧化合物排放浓度预测模型确定单元；
35.5031、回归参数确定模块；
36.802、计算机设备；
37.804、处理器；
38.806、存储器；
39.808、驱动机构；
40.810、输入/输出模块；
41.812、输入设备；
42.814、输出设备；
43.816、呈现设备；
44.818、图形用户接口；
45.820、网络接口；
46.822、通信链路；
47.824、通信总线。
具体实施方式
48.为了使本技术领域的人员更好地理解本说明书中的技术方案，下面将结合本文实施例中的附图，对本文实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本文一部分实施例，而不是全部的实施例。基于本文中的实施例，本领域普通技术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，都属于本文保护的范围。
49.需要说明的是，本文的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本文的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、装置、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
50.本说明书提供了如实施例或流程图所述的方法操作步骤，但基于常规或者无创造性的劳动可以包括更多或者更少的操作步骤。实施例中列举的步骤顺序仅仅为众多步骤执行顺序中的一种方式，不代表唯一的执行顺序。在实际中的系统或装置产品执行时，可以按照实施例或者附图所示的方法顺序执行或者并行执行。
51.需要说明的是，本文的氮氧化合物排放浓度预测模型训练方法可用于火电机组脱硝领域，也可用于除火电机组脱硝领域之外的其他领域，本文的氮氧化合物排放浓度预测模型训练方法及应用方法的应用领域不做限定。
52.图1所示为本文实施例一种氮氧化合物排放浓度预测模型训练方法的流程图。具体包括如下步骤：
53.步骤101，从脱硝系统中获取训练样本数据集，所述训练样本数据集包括多个脱硝系统样本参数及与所述脱硝系统样本参数对应的标签，所述标签为氮氧化合物排放浓度。
54.在本步骤中，脱硝系统中的训练样本数据包括样本机组负荷、样本scr入口折算浓度、scr入口烟气浓度、样本喷氨流量。脱硝系统样本参数对应的标签为氮氧化合物的排放浓度值。
55.在本说明书的一些实施例中，在获取所述样本数据集之前，还包括对样本数据集进行预处理。包括：对样本数据集进行数据异常值检测、数据标准化处理等。其中，异常值检测包括测得一组样本数据集的平均值、残余误差和标准差，当该样本数据集的残余误差满足与标准差的预设关系，则确定该样本数据正常；若样本数据集的残余误差无法满足与标准差的预设关系，则将该样本数据作为异常数据滤除。
56.其中，数据标准化处理如下所示：
[0057][0058][0059]
其中，m为输入数据的维度个数，x
max
，x
min
为输入数据的最大值和最小值；x
im
为第m个维度的第i个输入数据；yi为第i个输出数据，y
max
，y
min
为输出数据的最大值和最小值。
[0060]
在本说明书的一些实施例中，从脱硝系统中获取训练样本数据集包括：从脱硝系统中获取第一训练样本数据集，第一训练样本数据集中包括第一数量的脱硝系统样本参数。根据所述脱硝系统样本参数中的机组负荷参数，从第一训练样本数据集中按照预设比例获取第二数量的脱硝系统样本参数，作为训练样本数据集。在本说明书的一些实施例中，可以从电站数据库采集连续十天的机组负荷、scr入口nox浓度、入口流量、烟气温度、喷氨量、氧含量、scr出口nox浓度等参数作为一组参数，参数采集频率为1秒/一组。其中，连续十天采集的参数为第一训练样本数据集中第一数量的脱硝系统样本参数。为了获得稳态工况
下的scr模型，以机组负荷为参考变量，均衡选择各个机组负荷条件下的脱硝系统样本参数。在本说明书的一些实施例中，按照一定的预设比例从第一数量的脱硝系统样本参数中获取第二数量的脱硝系统样本参数作为本步骤的训练样本数据集。其中，预设比例可以通过改变采集第二数量的脱硝系统样本参数来实现。例如，第一数量的脱硝系统样本参数为以1秒/组的采样频率，连续采集10天的数据得到的。则可以以1分钟/组的采样频率，采集3000组数据作为训练样本数据集。在训练样本数据集中，以脱硝系统样本参数中的机组负荷参数作为标准。在本说明书的一些实施例中，还可以确定第二数量的脱硝系统样本参数中的一部分为训练样本，剩余部分为测试样本。例如，选择3000组数据中的2250组数据作为训练样本，其余750组数据为测试样本。
[0061]
步骤102，利用所述训练样本数据集训练多个初始子模型得到训练后的多个子模型，所述训练后的子模型包括极限学习机(elm)子模型或核极限学习机(kelm)子模型。其中，极限学习机采用前向单隐层结构，包括网络输入层、隐藏层和输出层。在本说明书的一些实施例中，极限学习机子模型至少包括s型函数、正弦函数、径向基函数、三角径向基函数中的一种或其任意组合作为激活函数。其中，s型函数为sigmoid函数、正弦函数为sin函数、径向基函数为radbas函数、三角径向基函数为tribas函数。极限学习机(kelm,kernel extreme learning machine)是一种单隐层前向神经网络，由三层结构(输入层、输出层和隐含层)组成，kelm包括极快的学习速度、非调整的隐含节点参数和用于回归分析或分类的同构架构。kelm的学习速度比传统前馈网络学习算法快上千倍，同时能获得更好的泛化性能，是适用于自适应替代模型进化优化的学习方法。
[0062]
在本步骤中，通过训练多个初始子模型，可以得到与初始子模型对应的训练后的多个子模型。训练后的多个子模型可以包括一个或多个极限学习机子模型或一个或多个核极限学习机子模型。例如，训练后的子模型可以包括一个或多个极限学习机子模型；训练后的子模型可以包括一个或多个核极限学习机子模型；又例如，训练后的子模型可以包括一个极限学习机子模型或一个或多个核极限学习机子模型；训练后的子模型可以包括一个或多个极限学习机子模型或一个核极限学习机子模型。
[0063]
步骤103，计算训练后的多个子模型的回归参数，根据所述回归参数、所述极限学习机子模型或所述核极限学习机子模型，确定氮氧化合物排放浓度预测模型。在本步骤中，通过多个子模型的输出与真实的氮氧化合物排放浓度之间的误差构建损失函数，并计算多个子模型的回归参数，最终确定氮氧化合物排放浓度预测模型。
[0064]
图2所示为本文实施例一种确定训练后的子模型的方法示意图。具体包括如下步骤：
[0065]
步骤201，确定所述初始极限学习机子模型的隐含层节点阈值或所述初始核极限学习机子模型的参数。
[0066]
在本步骤中，需要分别确定初始极限学习机子模型的参数和初始核极限学习机子模型的参数。并进一步根据极限学习机子模型、核极限学习机子模型输出的结果调整各个极限学习机子模型。
[0067]
其中，确定初始极限学习机子模型的参数包括：确定初始极限学习机的网络输入层节点个数、网络输入层节点与隐含层节点的输入权值、隐含层节点阈值、隐含层节点与网络输出层节点的输出权值。例如，设定elm的输入权重为w1，elm子模型的隐含层节点阈值为
5。
[0068]
确定初始核极限学习机子模型的参数包括：确定初始核极限学习机的参数γ和c。进一步的，参数γ和c可以从如下几个数值中选取：0.001、0.1、0.5、1、5、10、50、100、250、500、750、1000。
[0069]
步骤202，利用交叉验证算法分别计算不同隐含层节点数对应的初始极限学习机子模型的误差值、不同参数对应的初始核极限学习机子模型的误差值。在本说明书的一些实施例中，极限学习机的优化过程是寻找最优解，使得elm模型的损失函数最小的过程。
[0070]
在本说明书的一些实施例中，在初始极限学习机的隐含层节点阈值范围内分别选择隐含层节点，并对具有不同隐含层节点的初始极限学习机进行训练。例如，步骤201中设定初始极限学习机的隐含层节点阈值为5。则分别设定初始极限学习机的隐含层节点为1、2、3、4、5。在本步骤中，确定初始极限学习机的隐含层节点数之后，将样本数据集中氮氧化合物的输出浓度值输入至初始极限学习机的输入端，得到输出权重；在将该输出权重作为初始极限学习机的单隐层前馈神经网络回归模型的输入，得到下一次的预测值，并重复前述步骤。
[0071]
利用交叉验证法分别计算不同隐含层节点数对应的初始极限学习机子模型输出的氮氧化合物排放浓度的误差值。具体的，以四折交叉验证为例，将训练样本数据集均分为4等份。将4等份的样本数据集中的3份数据用于训练确定好隐含层节点阈值的初始极限学习机，剩余的1份样本数据用于验证该初始极限学习机的误差。完成一次训练后，依次使用其他3份样本数据训练初始核极限学习机，并获得初始核极限学习机的误差。完成4次训练后，得到4个误差值，取4个误差值的平均值作为该组参数对应的初始极限学习机模型的参数误差。
[0072]
在下一次训练汇中，选择隐含层节点为3。重复上述交叉验证步骤，获得隐含层节点为3对应的初始极限学习机子模型的误差。
[0073]
在本说明书的一些实施例中，选择参数γ和c的一组值，例如，选择参数γ为0.1、参数c为10，对该参数对应的初始核极限学习机子模型进行训练。在本说明书的一些实施例中，使用交叉验证法对初始核极限学习机子模型进行训练。以五折交叉验证为例，将训练样本数据集均分为5等份。将5等份的样本数据集中的4份数据用于训练确定好参数γ和c的初始核极限学习机，剩余的1份样本数据用于验证该初始核极限学习机的误差。完成一次训练后，依次使用其他4份样本数据训练初始核极限学习机，并获得初始核极限学习机的误差。完成5次训练后，得到5个误差值，取5个误差值的平均值作为该组参数对应的初始核极限学习机模型的参数误差。
[0074]
在下一组训练中，选择参数γ和c的新的一组值，例如，选择参数γ为0.5、参数c为100。重复上述交叉验证步骤，获得参数γ为0.5、参数c为100对应的初始核极限学习机子模型的参数误差。
[0075]
步骤203，选择初始极限学习机子模型的误差值中的最小值对应的隐含层节点数，确定每个极限学习机输出权值，建立训练后的极限学习机子模型。
[0076]
在步骤202中，具有不同的隐含层节点数的初始极限学习机子模型分别对应不同的误差值。选择误差值最小的一个初始极限学习机子模型作为训练后的极限学习机子模型。例如，有4个初始极限学习机子模型，其隐含层节点数分别为2个、3个、4个和5个。其中，
使用交叉验证法计算得到，当隐含层节点数为3个时，初始极限学习机子模型的误差值最小。则确定具有3个隐含层节点的初始极限学习机子模型为训练后的极限学习机子模型。
[0077]
步骤204，选择初始核极限学习机子模型误差值中的最小值对应的参数，确定每个核极限学习机输出误差，建立训练后的核极限学习机子模型。
[0078]
在本步骤中，在训练完所有参数γ和c的值对应的初始核极限学习机模型的参数误差后，确定多组参数误差中误差值最小时对应的参数γ和c，作为该初始合计下学习机的最终参数。以此，确定训练后的核极限学习机子模型。
[0079]
在步骤202中，具有不同的参数γ和c的值的初始核极限学习机子模型分别对应不同的误差值。选择误差值最小的一个初始核极限学习机子模型作为训练后的核极限学习机子模型。例如，有5个初始核极限学习机子模型。其中，使用交叉验证法计算得到，当参数γ为0.5、参数c为100时，初始核极限学习机子模型的误差值最小。则确定参数γ为0.5、参数c为100时的初始核极限学习机子模型为训练后的核极限学习机子模型。
[0080]
如图3所述为本文实施例一种确定氮氧化合物排放浓度预测模型的方法流程图。具体包括：
[0081]
步骤301，从脱硝系统中获取测试样本数据集。在本步骤中，从脱硝系统中获取新的训练样本数据集，用于将上文确定的训练后的极限学习机子模型或核极限学习机子模型。
[0082]
步骤302，将所述测试样本数据集输入至训练后的极限学习机子模型或所述核极限学习机子模型。在本步骤中，训练后的极限学习机子模型或核极限学习机子模型可以输出相应的与输入的样本数据集对应的氮氧化合物浓度。在本说明书的一些实施例中，以训练后的多个子模型包括四个极限学习机子模型与一个核极限学习机子模型为例进行说明。其中，四个极限学习机子模型的损失函数分别为s型函数、正弦函数、径向基函数、三角径向基函数。
[0083]
步骤303，根据所述训练后的极限学习机子模型或所述核极限学习机子模型输出的结果与所述测试样本数据集对应的氮氧化合物排放浓度，确定所述训练后的子模型对应的回归参数。在本步骤中，确定训练后的子模型对应的回归参数的方法包括但不限于：最小二乘法、梯度下降法、局部线性加权、岭回归等中的一种或其任意组合。
[0084]
在本说明书的一些实施例中，四个极限学习机子模型及一个核极限学习机子模型分别输出氮氧化合物排放浓度。为了使得极限学习机子模型输出的氮氧化合物排放浓度与输入的样本数据对应的氮氧化合物排放物浓度的差别尽可能小，使用最小二乘法对训练后的子模型的输出值进行拟合，确定训练后的子模型对应的回归参数。
[0085]
步骤304，利用如下公式表示氮氧化合物排放浓度预测模型：步骤304，利用如下公式表示氮氧化合物排放浓度预测模型：其中，y
tr
为所述氮氧化合物排放浓度预测模型；为所述训练后的子模型；a1至an为与所述训练后的子模型对应的回归参数，其中n为自然数。以4个极限学习机子模型和1个核学习机子模型为例进行说明，氮氧化合物排放浓度预测模型为：a1、a2、a3、a4分别为四个极限学习机子模型的回归参数，a5为核极限学习机子模型的回归参数。
[0086]
在本说明书的一些实施例中，利用最小二乘法确定对多个子模型进行合成，形成
基于heelm-ls的氮氧化合物输出浓度预测模型，即，上述氮氧化合物排放浓度预测模型y
tr
。本技术采用均方根误差(rmse)、平均相对误差(mre)及决定系数(r2)作为评价指标对氮氧化合物输出浓度预测模型的性能进行评估，定量地表现模型性能。
[0087]
具体见表1，实验结果显示heelm-ls模型对训练样本数据的均方根误差数值rmse为0.8890，平均相对误差mre为2.04％，决定系数r2为0.9864；对测试样本的预测结果的三个指标分别为1.2975、2.92％和0.9711。
[0088]
另外，本技术采用均方根误差(rmse)、平均相对误差(mre)及决定系数(r2)作为评价指标对使用svm、bp神经网络、gpr、kelm训练得到的模型性能进行评估。从实验数据中可以看出，使用heelm-ls模型(即，根据极限学习机和核极限学习机共同建立的模型)的预测结果效果最好。因此，本步骤使用四个极限学习机和1个核极限学习机训练氮氧化合物输出浓度预测模型，具有较好的预测效果。
[0089]
表1各种模型建模的结果
[0090][0091]
如图4所示为本文实施例一种氮氧化合物排放浓度预测模型应用方法的流程图。包括如下步骤：
[0092]
步骤401，获取脱销系统中的多个参数，所述参数包括机组负荷、氮氧化合物入口浓度、入口流量、烟气温度、喷氨量、氧含量。
[0093]
步骤402，根据所述氮氧化合物排放浓度预测模型及所述脱硝系统中的多个参数，确定氮氧化合物排放浓度。在本步骤中，将脱硝系统的多个参数输入至所述氮氧化合物排放浓度预测模型中，即可获得输入参数对应的氮氧化合物的排放浓度。
[0094]
如图5所示为本文实施例一种氮氧化合物排放浓度预测模型训练装置的结构示意图，在本图中描述了氮氧化合物排放浓度预测模型训练装置的基本结构，其中的功能单元、模块可以采用软件方式实现，也可以采用通用芯片或者特定芯片实现，实现氮氧化合物排放浓度预测模型训练，该装置具体包括：
[0095]
样本数据集获取单元501，用于从脱硝系统中获取训练样本数据集，所述样本数据集包括多个脱硝系统样本参数及与所述脱硝系统样本参数对应的标签，所述标签为氮氧化合物排放浓度；
[0096]
子模型训练单元502，用于利用所述样本数据集训练多个初始子模型得到训练后的多个子模型，所述训练后的子模型包括极限学习机子模型或核极限学习机子模型；
[0097]
氮氧化合物排放浓度预测模型确定单元503，用于计算训练后的多个子模型的回归参数，根据所述回归参数、所述极限学习机子模型或所述核极限学习机子模型，确定氮氧化合物排放浓度预测模型。
[0098]
本方案通过构建多个个体学习机子模型提高模型的泛化能力，并将子模型结合作
为最终的输出，平衡多个子网的输出，有效克服单一子模型精度不足的缺点，得到测精度更高、普适性更强的模型，氮氧化合物排放浓度预测结果的精度得到进一步提高。
[0099]
作为本文的一个实施例，还可以参考如图6所示为本实施例氮氧化合物排放浓度预测模型训练装置的具体结构示意图。
[0100]
作为本文的一个实施例，所述样本数据集获取单元501进一步包括：
[0101]
第一训练样本数据集获取模块5011，用于从脱硝系统中获取第一训练样本数据集；
[0102]
数据预处理模块5012，用于对所述训练样本数据集进行数据异常值检测、数据标准化等处理；
[0103]
作为本文的一个实施例，所述子模型训练单元502进一步包括：
[0104]
子模型参数确定模块5021，用于确定初始极限学习机子模型或初始核极限学习机子模型的参数；
[0105]
子模型误差值计算模块5022，用于利用交叉验证法计算初始极限学习机子模型或初始核极限学习机子模型的误差值；
[0106]
作为本文的一个实施例，所述氮氧化合物排放浓度预测模型确定单元503进一步包括：
[0107]
回归参数确定模块5031，用于确定训练后的子模型对应的回归参数。
[0108]
如图7所示为本文实施例一种氮氧化合物排放浓度预测模型的示意图。该氮氧化合物排放浓度预测模型包括四个极限学习机子模型和一个核极限学习机子模型。其中，四个极限学习机子模型的损失函数分别为：sigmoid函数、sin正弦函数、radbas径向基函数、tribas径向基函数。
[0109]
如图8所示，为本文实施例提供的一种计算机设备，所述计算机设备802可以包括一个或多个处理器804，诸如一个或多个中央处理单元(cpu)，每个处理单元可以实现一个或多个硬件线程。计算机设备802还可以包括任何存储器806，其用于存储诸如代码、设置、数据等之类的任何种类的信息。非限制性的，比如，存储器806可以包括以下任一项或多种组合：任何类型的ram，任何类型的rom，闪存设备，硬盘，光盘等。更一般地，任何存储器都可以使用任何技术来存储信息。进一步地，任何存储器可以提供信息的易失性或非易失性保留。进一步地，任何存储器可以表示计算机设备802的固定或可移除部件。在一种情况下，当处理器804执行被存储在任何存储器或存储器的组合中的相关联的指令时，计算机设备802可以执行相关联指令的任一操作。计算机设备802还包括用于与任何存储器交互的一个或多个驱动机构808，诸如硬盘驱动机构、光盘驱动机构等。
[0110]
计算机设备802还可以包括输入/输出模块810(i/o)，其用于接收各种输入(经由输入设备812)和用于提供各种输出(经由输出设备814)。一个具体输出机构可以包括呈现设备816和相关联的图形用户接口(gui)818。在其他实施例中，还可以不包括输入/输出模块810(i/o)、输入设备812以及输出设备814，仅作为网络中的一台计算机设备。计算机设备802还可以包括一个或多个网络接口820，其用于经由一个或多个通信链路822与其他设备交换数据。一个或多个通信总线824将上文所描述的部件耦合在一起。
[0111]
通信链路822可以以任何方式实现，例如，通过局域网、广域网(例如，因特网)、点对点连接等、或其任何组合。通信链路822可以包括由任何协议或协议组合支配的硬连线链
路、无线链路、路由器、网关功能、名称服务器等的任何组合。
[0112]
对应于图1至图5中的方法，本文实施例还提供了一种计算机可读存储介质，该计算机可读存储介质上存储有计算机程序，该计算机程序被处理器运行时执行上述方法的步骤。
[0113]
本文实施例还提供一种计算机可读指令，其中当处理器执行所述指令时，其中的程序使得处理器执行如图1至图5所示的方法。
[0114]
应理解，在本文的各种实施例中，上述各过程的序号的大小并不意味着执行顺序的先后，各过程的执行顺序应以其功能和内在逻辑确定，而不应对本文实施例的实施过程构成任何限定。
[0115]
还应理解，在本文实施例中，术语“和/或”仅仅是一种描述关联对象的关联关系，表示可以存在三种关系。例如，a和/或b，可以表示：单独存在a，同时存在a和b，单独存在b这三种情况。另外，本文中字符“/”，一般表示前后关联对象是一种“或”的关系。
[0116]
本领域普通技术人员可以意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、计算机软件或者二者的结合来实现，为了清楚地说明硬件和软件的可互换性，在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本文的范围。
[0117]
所属领域的技术人员可以清楚地了解到，为了描述的方便和简洁，上述描述的系统、装置和单元的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
[0118]
在本文所提供的几个实施例中，应该理解到，所揭露的系统、装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另外，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口、装置或单元的间接耦合或通信连接，也可以是电的，机械的或其它的形式连接。
[0119]
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本文实施例方案的目的。
[0120]
另外，在本文各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以是两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。
[0121]
所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本文的技术方案本质上或者说对现有技术做出贡献的部分，或者该技术方案的全部或部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，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)执行本文各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：u盘、移动硬盘、只读存储器(rom，read-only memory)、
随机存取存储器(ram，random access memory)、磁碟或者光盘等各种可以存储程序代码的介质。
[0122]
本文中应用了具体实施例对本文的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本文的方法及其核心思想；同时，对于本领域的一般技术人员，依据本文的思想，在具体实施方式及应用范围上均会有改变之处，综上所述，本说明书内容不应理解为对本文的限制。