CN106680428A - 一种用于脱硝控制系统的软测量方法 - Google Patents

Abstract

本发明公开了一种用于脱硝控制系统的软测量方法,其特征在于，分析与出口NOx浓度值相关的辅助变量，现场仪表记录数据；接收到的数据上传到DCS中，然后DCS把数据输入到计算机中，并且接受计算机返回的出口NOx浓度预测值，构成闭环回路；计算机内设置了支持向量机模型分析模块，通过支持向量机建模，并把结合支持向量机回归算法的出口NOx浓度值估计出来，得到当前时刻的预测值，并且返回到DCS中；本发明的优点是：采用先进的支持向量机算法回归SCR出口NOx浓度值，能够快速、有效的测量出当前值，并且能够得到未来一段时间NOx的变化。支持向量机用到的样本数据少，计算速度快、泛化能力强，能够快速有效的预测出SCR出口NOx浓度值。

Description

一种用于脱硝控制系统的软测量方法

技术领域

本发明涉及一种用于脱硝控制系统的软测量方法,属于模型预测技术领域。

背景技术

目前，随着中国电力建设的迅速发展,大气和酸雨污染日益严重。特别是近年来,大城NOx污染严重,区域性NOx污染逐渐加剧。根据中国公布实施的《火电厂大气污染物排放标准》，火力发电锅炉氮氧化物排放最高允许限值为100mg/Nm3，高效的解决氮氧化物的排放已经是一个很重要的课题。

SCR出口NOx浓度是一项很重要的控制指标，过高的出口NOx会导致最后排出的烟气中含的氮氧化物浓度高。目前多采用常规PID对出口NOx浓度进行控制，对于精确的、不变的数学模型，PID能够有效的控制，但是脱硝控制系统是一个大迟延、非线性、时变的控制系统，当被控对象发生变化时，PID控制不能有效的满足对象的性能。使用模型预测出口NOx浓度值是一个不错的研究方向。支持向量机作为一种强大的机器学习方法，能够解决样本小、非线性、高维度的实际问题。

在实际工程中，出口NOx浓度控制用的是传统的PID控制，当工况变化时不能满足控制要求，而现有的软测量技术建立的都是离线的静态模型，在工况不变时，效果可以，但是当工况变化时，误差就会有比较大的波动，本方法把以前的预测值返回到输入可以增加模型的准确性。结合支持向量机回归算法的软测量系统，能够解决脱硝控制系统中因为大迟延造成的控制不及时的问题，并且不用担心因为建模困难造成的数学模型未知的问题。

发明内容

本发明的目的在于提供一种能够克服上述技术问题的用于脱硝控制系统的软测量方法，本发明分析与出口NOx浓度值相关的辅助变量，现场仪表记录数据；接收到的数据上传到DCS中，然后DCS把数据输入到计算机中，并且接受计算机返回的出口NOx浓度预测值，构成闭环回路；计算机内设置了支持向量机模型分析模块，通过支持向量机建模，并把结合支持向量机回归算法的出口NOx浓度值估计出来，得到当前时刻的预测值，并且返回到DCS中。

需要选取的辅助变量为：锅炉负荷(MW)、磨煤机给煤量(t/h)、二次风挡板开度(％)、燃尽风挡板开度(％)、风箱与炉膛差压(ΔP/Kpa)、SCR入口NOx浓度(mg/m³)。

SCR的英文全称是Selective Catalytic Reduction，SCR中文名称是：选择性催化还原技术。SCR催化还原技术是把烟气中的NOx通过催化剂转换成对人体没有危害的N2和H2O，通常电厂中催化剂选用TiO2作为载体的V2O2或MoO2，温度通常在300℃到420℃之间，因为催化剂所需的温度，所以反应器放在省煤器和空预器之间，选用液氨为还原剂，液氨蒸发以后与通过稀释风机后的空气混合，而后经分配格栅送到反应器中与NOx进行混合。

NOx的英文全称是nitrogen oxides，NOx中文名称是：氮氧化物。氮氧化物即氮和氧的结合物，包括很多种，例如一氧化氮、二氧化氮。

PID的英文全称是Proportion Integration Differentiation，PID中文全称是：比例积分微分，PID由比例单元(P)、积分单元(I)和微分单元(D)组成。是使被控对象的特性满足实际的需要。

DCS的英文全称是Distributed Control System，DCS中文全称是：分布式控制系统，在中国又称为集散控制系统。它是一个由过程控制级和过程监控级组成的以通信网络为纽带的多级计算机系统，综合了计算机，通信、显示和控制的技术，是用到分散控制，集中操作，配置灵活以及组态的便利。

本发明的用于脱硝控制系统的软测量方法首先是对计算机中的模型预测模块输入数据进行预处理，训练样本过大里面一定有冗余信息，也会增加计算量，选择更少的数据能代表绝大部分的工况是很重要的，具体包括以下步骤：

(1)采用的是基于相似度函数的方法优化，相似度函数为：

式中，x_j＝R^m,i＝1,2,3,...n为数据样本；m为数据样本的维数；n为样本个数，||·||是矩阵二范数；δ为归一化参数；F_ij表示第i组数据和第j组数据之间的相似度。

Xi和xj为一个变量不同时刻下的第i和第j个值，Rm中m为数据的样本维数，R为样本的数据是实数。

针对数据信息，选取归一化参数δ，公式为：

公式中D_j为第i组数据，m为每组数据中的个数。

(2)数据标准化：

数据进行标准化化更有利于支持向量机的计算，而且每个变量的量纲不一样，如果不处理就输入的话就会出现很大的误差，这里选用的标准化方法为：

公式中y为样本数据x经过标准化后的数据，x_min和x_max为样本的最大最小值，y_max和y_min是已经定义的两个数，一般设为-1,1，y是标准化以后的数据。

(3)确定支持向量机的核函数和估计算法，然后建立支持向量机软测量模型对出口NOx浓度值进行预测。

将数据分为训练数据和测试数据，将输入数据进行预处理和标准化，输入到软测量模型中建立回归预测模型。选用的核函数为径向基核函数，估计算法为最小二乘法。

最小二乘支持向量机的函数为：

上式中ω为置信空间，对模型的复杂度进行控制，b为可调参数，为了使J达到最小，c>0为误差惩罚函数，ξ为实际值与最小二乘支持向量机函数输出的误差。

ω^T中的T代表是ω的转置，转置的含义：设A为m×n阶矩阵(即m行n列)，第i行j列的元素是a_ij，即：A＝(aij)_m×n；有这样一个n×m阶矩阵B，满足B＝(a_ji)，即b_ij＝aji；

x_i为样本输入的第i个数据；

是把数据x_i映射到高维空间以后的数值；

s.t.是约束条件；

y_i为样本输出的第i个数据；

m是样本的个数；

通过上式的对偶形式求其最优解，对偶形式能够根据目标函数和约束条件建立拉格朗日函数

根据优化条件：

可得：

式中：α_i＝cξ_i

定义核函数K(x,x_i)＝Φ(x)^T·Φ(x_i)代替非线性映射，其中Φ(x)为输入向量到高维空间的非线性映射函数，根据上式将街优化问题转化为求解线性方程：

最后得到最小二乘支持向量机的估计函数即软测量模型为：

上式中的K(x,x_i)为任意满足Mercer条件的对称函数这里选用径向基函数为核函数,径向基函数为：

K(x,x_i)＝exp(-(x-x_i)²/2σ²)

上式中x_i为核函数的中心，σ为核函数的宽度，根据最小二乘支持向量机法得到软测量模型，把处理好的数据输入到模型中得到预测模型，得到预测的SCR出口NOx浓度值，然后返回到DCS中。

L代表拉格朗日函数；

α为拉格朗日乘子，

α_i＝cξ_i，c>0为误差惩罚函数，

ξ_i为第i个数据实际值与最小二乘支持向量机函数输出的误差。

ω^T中的T代表是ω的转置，转置的含义：设A为m×n阶矩阵(即m行n列)，第i行j列的元素是a_ij，即：A＝(aij)_m×n；有这样一个n×m阶矩阵B，满足B＝(a_ji)，即b_ij＝aji。

本发明的优点是：采用先进的支持向量机算法回归SCR出口NOx浓度值，能够快速、有效的测量出当前值，并且能够得到未来一段时间NOx的变化。支持向量机用到的样本数据少，计算速度快、泛化能力强，能够快速有效的预测出SCR出口NOx浓度值。

附图说明

图1是本发明所述用于脱硝控制系统的软测量方法的说明示意图；

图2是本发明所述用于脱硝控制系统的软测量方法的数据处理流程图。

具体实施方式

下面结合附图对本发明的实施方式进行详细描述。本发明的用于脱硝控制系统的软测量方法首先是对计算机中的模型预测模块输入数据进行预处理，训练样本过大里面一定有冗余信息，也会增加计算量，选择更少的数据能代表绝大部分的工况是很重要的，具体包括以下步骤：

(1)采用的是基于相似度函数的方法优化，相似度函数为：

式中，x_j＝R^m,i＝1,2,3,...n为数据样本；m为数据样本的维数；n为样本个数，||·||是矩阵二范数；δ为归一化参数；F_ij表示第i组数据和第j组数据之间的相似度。

Xi和xj为一个变量不同时刻下的第i和第j个值，Rm中m为数据的样本维数，R为样本的数据是实数。

针对数据信息，选取归一化参数δ，公式为：

公式中D_j为第i组数据，m为每组数据中的个数。

(2)数据标准化：

数据进行标准化化更有利于支持向量机的计算，而且每个变量的量纲不一样，如果不处理就输入的话就会出现很大的误差，这里选用的标准化方法为：

公式中y为样本数据x经过标准化后的数据，x_min和x_max为样本的最大最小值，y_max和y_min是已经定义的两个数，一般设为-1,1，y是标准化以后的数据。

(3)确定支持向量机的核函数和估计算法，然后建立支持向量机软测量模型对出口NOx浓度值进行预测。

将数据分为训练数据和测试数据，将输入数据进行预处理和标准化，输入到软测量模型中建立回归预测模型。选用的核函数为径向基核函数，估计算法为最小二乘法。

最小二乘支持向量机的函数为：

上式中ω为置信空间，对模型的复杂度进行控制，b为可调参数，为了使J达到最小，c>0为误差惩罚函数，ξ为实际值与最小二乘支持向量机函数输出的误差。

ω^T中的T代表是ω的转置，转置的含义：设A为m×n阶矩阵(即m行n列)，第i行j列的元素是a_ij，即：A＝(aij)_m×n；有这样一个n×m阶矩阵B，满足B＝(a_ji)，即b_ij＝aji；

x_i为样本输入的第i个数据；

是把数据x_i映射到高维空间以后的数值；

s.t.是约束条件；

y_i为样本输出的第i个数据；

m是样本的个数；

通过上式的对偶形式求其最优解，对偶形式能够根据目标函数和约束条件建立拉格朗日函数：

根据优化条件：

可得：

式中：α_i＝cξ_i

定义核函数K(x,x_i)＝Φ(x)^T·Φ(x_i)代替非线性映射，其中Φ(x)为输入向量到高维空间的非线性映射函数，根据上式将街优化问题转化为求解线性方程：

最后得到最小二乘支持向量机的估计函数即软测量模型为：

上式中的K(x,x_i)为任意满足Mercer条件的对称函数这里选用径向基函数为核函数,径向基函数为：

K(x,x_i)＝exp(-(x-x_i)²/2σ²)

上式中x_i为核函数的中心，σ为核函数的宽度，根据最小二乘支持向量机法得到软测量模型，把处理好的数据输入到模型中得到预测模型，得到预测的SC R出口NOx浓度值，然后返回到DCS中。

L代表拉格朗日函数；

α为拉格朗日乘子，

α_i＝cξ_i，c>0为误差惩罚函数，

ξ_i为第i个数据实际值与最小二乘支持向量机函数输出的误差。

ω^T中的T代表是ω的转置，转置的含义：设A为m×n阶矩阵(即m行n列)，第i行j列的元素是a_ij，即：A＝(aij)_m×n；有这样一个n×m阶矩阵B，满足B＝(a_ji)，即b_ij＝aji。

图1是本发明所述用于脱硝控制系统的软测量方法的说明示意图；图2为数据处理的流程，首先输入数据，因为数据信息较大，并且有很多的冗余信息，所以用样本优化来进行筛选，能够用更少的数据来代表所有的信息；不同的物理量有不同的单位，不同单位的数值是不能进行计算的，所以要对优化后的数据进行标准化，都统一到一个标准下来进行计算；处理完后数据进入到最小二乘支持向量机预测模型中，能够对下一个时刻的出口NOx浓度值进行预测。

以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明公开的范围内，能够轻易想到的变化或替换，都应涵盖在本发明权利要求的保护范围内。

Claims (3)

1.一种用于脱硝控制系统的软测量方法，其特征在于，首先是对计算机中的模型预测模块输入数据进行预处理，训练样本过大里面一定有冗余信息，也会增加计算量，选择更少的数据能代表绝大部分的工况是很重要的，具体包括以下步骤：

(1)采用的是基于相似度函数的方法优化，相似度函数为：

$F_{ij}=\exp (-\frac{1}{\mathrm{\δ}}||x_i-x_j|{|}_2);$

式中，x_j＝R^m,i＝1,2,3,...n为数据样本；m为数据样本的维数；n为样本个数，||·||是矩阵二范数；δ为归一化参数；F_ij表示第i组数据和第j组数据之间的相似度；

Xi和xj为一个变量不同时刻下的第i和第j个值，Rm中m为数据的样本维数，R为样本的数据是实数；

(2)数据标准化：

数据进行标准化化更有利于支持向量机的计算，而且每个变量的量纲不一样，如果不处理就输入的话就会出现很大的误差，这里选用的标准化方法为：

$y=\frac{(y_{\max }-y_{\min })*(x-x_{\min })}{x_{\max }-x_{\min }}+y_{\min }$

公式中y为样本数据x经过标准化后的数据，x_min和x_max为样本的最大最小值，y_max和y_min是已经定义的两个数，一般设为-1,1，y是标准化以后的数据；

(3)确定支持向量机的核函数和估计算法，然后建立支持向量机软测量模型对出口NOx浓度值进行预测，将数据分为训练数据和测试数据，将输入数据进行预处理和标准化，输入到软测量模型中建立回归预测模型，选用的核函数为径向基核函数，估计算法为最小二乘法。

2.根据权利要求1所述的一种用于脱硝控制系统的软测量方法，其特征在于，所述步骤(1)中，针对数据信息，选取归一化参数δ，公式为：

$\mathrm{\δ}=\underset{i=1}{\overset{m}{\Σ}}{\mathrm{maxD}}_i-{\mathrm{minD}}_i;$

公式中D_j为第i组数据，m为每组数据中的个数。

3.根据权利要求1所述的一种用于脱硝控制系统的软测量方法，其特征在于，所述步骤(3)中，最小二乘支持向量机的函数为：

$\begin{array}{cc}\underset{\mathrm{\ω},b}{\min }& J=\frac{1}{2}{\mathrm{\ω}}^T\mathrm{\ω}+\frac{1}{2}c\underset{i=1}{\overset{m}{\Σ}}{\mathrm{\ξ}}_i^2\end{array}$

上式中ω为置信空间，对模型的复杂度进行控制，b为可调参数，为了使J达到最小，c>0为误差惩罚函数，ξ为实际值与最小二乘支持向量机函数输出的误差；

ω^T中的T代表是ω的转置，转置的含义：设A为m×n阶矩阵(即m行n列)，第i行j列的元素是a_ij，即：A＝(aij)_m×n；有这样一个n×m阶矩阵B，满足B＝(a_ji)，即b_ij＝aji；

x_i为样本输入的第i个数据；

是把数据x_i映射到高维空间以后的数值；

s.t.是约束条件；

y_i为样本输出的第i个数据；

m是样本的个数；

通过上式的对偶形式求其最优解，对偶形式能够根据目标函数和约束条件建立拉格朗日函数：

根据优化条件：

可得：

式中：α_i＝cξ_i

定义核函数K(x,x_i)＝Φ(x)^T·Φ(x_i)代替非线性映射，其中Φ(x)为输入

向量到高维空间的非线性映射函数，根据上式将街优化问题转化为求解线性方程：

$\left[\begin{array}{cccc}0& 1& \mathrm{...}& 1\\ 1& K(x_1,x_1)& \mathrm{...}& K(x_1,x_m)\\ .& .& .& .\\ .& .& .& .\\ .& .& .& .\\ 1& K(x_m,x_1)& \mathrm{...}& K(x_m,x_m)+1/c\end{array}\right]\×\left[\begin{array}{c}b\\ {\mathrm{\α}}_1\\ .\\ .\\ .\\ {\mathrm{\α}}_m\end{array}\right]=\left[\begin{array}{c}0\\ y_1\\ .\\ .\\ .\\ y_m\end{array}\right]$

最后得到最小二乘支持向量机的估计函数即软测量模型为：

$f\left(x\right)=\underset{i=1}{\overset{m}{\Σ}}{\mathrm{\α}}_{i}K(x,x_i)+b$

上式中的K(x,x_i)为任意满足Mercer条件的对称函数这里选用径向基函数为核函数,径向基函数为：

K(x,x_i)＝exp(-(x-x_i)²/2σ²)

上式中x_i为核函数的中心，σ为核函数的宽度，根据最小二乘支持向量机法得到软测量模型，把处理好的数据输入到模型中得到预测模型，得到预测的SCR出口NOx浓度值，然后返回到DCS中。

L代表拉格朗日函数；

α为拉格朗日乘子，

α_i＝cξ_i，c>0为误差惩罚函数，

ξ_i为第i个数据实际值与最小二乘支持向量机函数输出的误差。

ω^T中的T代表是ω的转置，转置的含义：设A为m×n阶矩阵(即m行n列)，第i行j列的元素是a_ij，即：A＝(aij)_m×n；有这样一个n×m阶矩阵B，满足B＝(a_ji)，即b_ij＝aji。