基于LSTM的發電機組污染物排放預測研究

楊訓政， 柯余洋， 梁肖， 熊焰

(1.中國科學技術大學計算機學院，安徽 合肥 230027; 2.安徽省電力公司調度控制中心，安徽 合肥 230022)

基于LSTM的發電機組污染物排放預測研究

楊訓政1， 柯余洋1， 梁肖2， 熊焰1

(1.中國科學技術大學計算機學院，安徽 合肥 230027; 2.安徽省電力公司調度控制中心，安徽 合肥 230022)

為了利用電力公司積累的海量歷史污染物排放數據，形成可以減少污染物排放的調度框架。采用遞歸神經網絡，結合發電機組輸出功率與污染物排放量之間的關系，并使用批規范化等深度學習技術，對數據和模型進行學習和訓練。實驗結果表明，可以有效預測發電機組污染物排放量，解決傳統回歸分析方法無法適用的難以提取有效特征的問題。

機器學習;深度學習;遞歸神經網絡;批規范化;回歸分析

0 引 言

近年來，隨著社會對電力需求的不斷增加，與之相關的污染問題也愈加嚴重。通過對電力公司積累的海量歷史污染物排放數據進行研究，以達到減少污染物排放的目的成為新的研究熱點。研究者通過使用傳統統計學方法、機器學習方法等手段取得了一定的成果。

本文認為之前基于傳統方法的方案，沒有考慮到實際條件下數據復雜性產生的難以提取有效特征的問題，而深度學習較傳統方法具有不依賴高質量特征的優勢[1]。預測或回歸分析本質上就是曲線的擬合，很多預測方法都是獲得與特征相擬合的曲線，如支持向量機回歸(SVR)[2]。回歸分析在數據研究與機器學習中一直是核心問題[3]，然而當特征的維度非常大或難以有效提取高質量特征時，傳統的方法就難以獲得良好的效果[4]。……