1.一种面向火电厂脱硝装置的NOx排放浓度软测量方法，其特征在于包括如下步骤:步骤1、收集火电厂脱销系统的历史数据，对数据进行预处理，为LSTM模型的训练做准备；

步骤2、通过历史数据训练LSTM模型，基于LSTM模型设计注意力机制自适应算子，在此基础上引入LASSO算法执行输入变量选择；蒙特·卡罗方法被引入作为LASSO算法求解的辅助算法；

步骤3、通过“滑窗法”交叉检验法求解LASSO收缩参数，从而得到一个调整后的软测量模型；

步骤4、将测量模型应用火电厂脱销系统的工控机中，获取脱销系统在线运行状态下的实时数据，在线预测脱销系统的NOx排放浓度；

步骤2中，LSTM结构由一个记忆细胞和三个门组成，在t时刻，细胞状态ct负责维持输入序列的时间依赖性，遗忘门ft决定ct‑1对当前ct的影响程度，输入门it决定t时刻序列输入值xt对ct的影响程度，输出门ot是用来控制ct对t时刻LSTM的输出ht的影响程度，给定输入序列X＝(x1,x2,…,xT)，LSTM计算公式如下所示:ft＝σg(Wf[ht‑1；xt]+bf)    (1)it＝σg(Wi[ht‑1；xt]+bi)    (2)ot＝σg(Wo[ht‑1；xt]+bo)    (3)ct＝ft⊙ct‑1+it⊙σc(Wc[ht‑1；xt]+bc)    (4)ht＝ot⊙σc(ct)    (5)

m×(m+n) m

式中Wf,Wi,Wo,Wc∈R ，bf,bi,bo,bc∈R 是需要学习的参数，m是LSTM隐藏层神经元m+n个数，[ht‑1；xt]∈R 是前一个LSTM单元的隐藏状态ht‑1与当前输入xt的连接，⊙为向量的点乘运算，σg和σc分别表示sigmod和tanh激活函数；

设计基于LSTM模型注意力机制自适应算子:

空间注意力机制，注意机制动态学习输入变量之间的空间相关性，用于输出变量的预测，用于表示输入变量之间的影响，其注意力权重的总和为1，该机制不会忽略任何输入变量的影响，也不允许相关性低的输入变量干扰目标变量的预测结果，给定第k个输入变量其注意力权重通过如下方式学习：T T×2m T×T

其中ve,be∈R ,We∈R ,Ue∈R 是需要学习的参数，m是空间注意力机制的隐藏层神m m经元个数，σz是softmax激活函数，ht‑1∈R ,ct‑1∈R 分别是在空间注意力机制下LSTM的前一个单元的隐藏状态和细胞状态；通过求解得到每个输入变量在t时刻的注意力权重，空间注意力机制对应的输入变量表示为：时间注意力机制，LSTM单元通过细胞机制存储时间信息，通过门机制控制时间信息的增减，保持长期依赖，通过门机制的时间信息导致LSTM单元在每个时间窗口T内改变细胞状态，使用注意力机制来学习这些隐藏状态在每个时间窗口中的影响，由于LSTM单元存储时间信息，而注意力机制被用来衡量这些不同细胞状态对目标变量预测的重要性，隐藏状态hj在t时刻的注意权值由下式得知:m m×2p m×m

其中vd,bd∈R ,Wd∈R ,Ud∈R 是要学习的参数，p为时间注意中的隐藏状态数，和 分别是前一个隐藏LSTM单元在时间注意中的隐藏状态和细胞状态，每个时间窗口内的LSTM单元的单元状态进一步表示为：

空间注意力机制在一个时间窗内的时间关系表示为:

时间—空间注意力机制，空间相关性是通过空间注意力机制为原始属性分配注意权重来表示的，时间注意机制通过空间注意中的隐藏状态分配注意力权重来表示时间关系，通过同时学习空间相关性和时间相关性来学习联合时空关系，结合加权属性 和隐藏m×T层状态hj∈R ,空间相关性和时间相关性在时间t时刻的关系：m m＋n (m+n)×2q (m＋m)×(m＋n)

其中vd,bd∈R∈R ,Wd∈R ,Ud∈R 是要学习的参数，q为时间注意力机制中的隐藏状态数， 和 分别为注意模块中前一个隐藏LSTM单元的隐藏状态和细胞状态， 为连接向量，同时表示联合时空关系；每个时间窗口内的LSTM单元的细胞状态进一步表示为:

时间窗口内的时空关系表示为:

将时间—空间注意力机制引入LSTM，公式(1)～(5)更新如下：引入蒙特·卡罗方法作为LASSO辅助算法：在蒙特·卡罗方法的基础上计算了一个初始解，并引入了一个新的压缩系数 到LSTM的输入权重中，其中n是输入矩阵的列数，h是LSTM隐含层参数值的4倍,矩阵M由4个相同大小的矩阵M1,M2,M3,M4组成，引入蒙特·卡罗方法，公式(17)～(21)更新后的如下在LSTM中引入LASSO作为惩罚来实现输入变量的选择，添加一个收缩算子δ＝[δ1,Tδ2,…,δn]在输入xt，公式(22)～(26)更新如下:基于注意力机制与LASSO的LSTM软测量算法公式如下:其中 是一个非线性二次极小化问题，用基于蒙特卡罗方法的有效集法优化算法求解最优解，将δ替换为 得到新的LSTM模型；

基于时间序列过程的特点，采用“滑窗法”交叉检验法来确定最优λ，执行一个新的模式来分割数据集，测试数据集Ztest＝Zk+1，它们沿着合适的子数据集同步移动，移动步长为1个窗口，测试数据集之前的剩余子数据集Ztrain＝{Z1,Z2,…,Zk]作为训练集对软测量模型进行训练，计算每个λ模型的平均均方根误差，并选择均方根误差最小的最佳λ作为LASSO‑LSTM的超参数。