CN106991507A - 一种SCR入口NOx浓度在线预测方法及装置 - Google Patents
一种SCR入口NOx浓度在线预测方法及装置 Download PDFInfo
- Publication number
- CN106991507A CN106991507A CN201710358456.9A CN201710358456A CN106991507A CN 106991507 A CN106991507 A CN 106991507A CN 201710358456 A CN201710358456 A CN 201710358456A CN 106991507 A CN106991507 A CN 106991507A
- Authority
- CN
- China
- Prior art keywords
- sample data
- nox
- nox concentration
- nox emission
- fuzzy
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 35
- 238000012549 training Methods 0.000 claims abstract description 53
- QVGXLLKOCUKJST-UHFFFAOYSA-N atomic oxygen Chemical compound [O] QVGXLLKOCUKJST-UHFFFAOYSA-N 0.000 claims abstract description 23
- 239000001301 oxygen Substances 0.000 claims abstract description 23
- 229910052760 oxygen Inorganic materials 0.000 claims abstract description 23
- UGFAIRIUMAVXCW-UHFFFAOYSA-N Carbon monoxide Chemical compound [O+]#[C-] UGFAIRIUMAVXCW-UHFFFAOYSA-N 0.000 claims abstract description 22
- 239000003546 flue gas Substances 0.000 claims abstract description 22
- 241001123248 Arma Species 0.000 claims description 13
- 230000006870 function Effects 0.000 description 8
- 239000003245 coal Substances 0.000 description 5
- 238000005516 engineering process Methods 0.000 description 4
- 230000007935 neutral effect Effects 0.000 description 3
- GQPLMRYTRLFLPF-UHFFFAOYSA-N Nitrous Oxide Chemical compound [O-][N+]#N GQPLMRYTRLFLPF-UHFFFAOYSA-N 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- MWUXSHHQAYIFBG-UHFFFAOYSA-N nitrogen oxide Inorganic materials O=[N] MWUXSHHQAYIFBG-UHFFFAOYSA-N 0.000 description 2
- 230000000153 supplemental effect Effects 0.000 description 2
- 241001269238 Data Species 0.000 description 1
- 235000006508 Nelumbo nucifera Nutrition 0.000 description 1
- 240000002853 Nelumbo nucifera Species 0.000 description 1
- 235000006510 Nelumbo pentapetala Nutrition 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 238000010531 catalytic reduction reaction Methods 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 235000019504 cigarettes Nutrition 0.000 description 1
- 238000002485 combustion reaction Methods 0.000 description 1
- 230000008878 coupling Effects 0.000 description 1
- 238000010168 coupling process Methods 0.000 description 1
- 238000005859 coupling reaction Methods 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 239000007789 gas Substances 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000012886 linear function Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 239000000843 powder Substances 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000006722 reduction reaction Methods 0.000 description 1
- 230000001373 regressive effect Effects 0.000 description 1
- 238000003860 storage Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/06—Energy or water supply
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Economics (AREA)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Marketing (AREA)
- General Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- Quality & Reliability (AREA)
- Game Theory and Decision Science (AREA)
- Operations Research (AREA)
- Development Economics (AREA)
- Entrepreneurship & Innovation (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Treating Waste Gases (AREA)
- Feedback Control In General (AREA)
Abstract
本发明公开了一种SCR入口NOx浓度在线预测方法,该方法包括以下步骤:获得当前时间周期的运行参数数据,运行参数数据包括负荷、给煤量、风门阀位和烟气含氧量;将运行参数数据输入到预先在线训练启用的NOx排放模型中,获得当前时间周期对应的SCR入口的NOx浓度预测值。应用本发明实施例所提供的技术方案,通过在线训练得到的NOx排放模型进行NOx浓度的预测,提高了NOx浓度预测的准确率。本发明还公开了一种SCR入口NOx浓度在线预测装置,具有相应技术效果。
Description
技术领域
本发明涉及计算机应用技术领域,特别是涉及一种SCR入口NOx浓度在线预测方法及装置。
背景技术
煤炭是重要的一次能源,煤电机组的发电量占总发电量的70%以上,煤粉炉燃烧产生的氮氧化物NOx是目前大气氮氧化物污染的主要来源。随着社会生产生活水平的提高,人们的环保意识逐渐增强。严格控制煤电机组的氮氧化物排放,是解决大气氮氧化物污染问题的重要手段之一。
目前,常通过建立NOx浓度预测模型进行NOx浓度预测,其中一种NOx浓度预测模型的建模方法是基于神经网络的建模,步骤如下:
(1)确定神经网络的结构;
(2)从DCS中获取数据作为训练样本集;
(3)初始化权值和阈值;
(4)输入训练样本,将训练样本逐一输入;
(5)计算输入层、输出层、隐含层的训练误差;
(6)修正权值和阈值;
(7)当样本集中的所有样本都经历了(4)-(6)步,即完成了一个训练周期,计算性能指标;
(8)如果性能指标满足精度要求,训练结束。
基于神经网络的建模,需要庞大的训练样本集合,如果样本不足将会导致模型精度的下降,使得对于NOx浓度预测的准确率较低。
发明内容
本发明的目的是提供一种SCR入口的NOx浓度在线预测方法及装置,以通过在线训练得到的NOx排放模型进行NOx浓度的预测,提高NOx浓度预测的准确率。
为解决上述技术问题,本发明提供如下技术方案:
一种SCR入口NOx浓度在线预测方法,包括:
获得当前时间周期的运行参数数据,所述运行参数数据包括负荷、给煤量、风门阀位和烟气含氧量;
将所述运行参数数据输入到预先在线训练启用的NOx排放模型中,获得所述当前时间周期对应的SCR入口的NOx浓度预测值。
在本发明的一种具体实施方式中,还包括:
如果连续M个时间周期的NOx浓度预测值与相应的NOx浓度实测值的差值绝对值大于预设阈值,则启动所述NOx排放模型的在线训练,M为预设数值。
在本发明的一种具体实施方式中,通过以下步骤预先在线训练得到所述NOx排放模型:
初始化NOx排放预测的T-S模糊模型;
在线获得样本数据,所述样本数据包括输入样本数据和输出样本数据,所述输入样本数据包括多个时间周期的负荷、给煤量、风门阀位、烟气含氧量,所述输出样本数据包括各个时间周期对应的所述SCR入口的NOx浓度实测值;
基于所述样本数据构建NOx排放预测的自回归滑动平均ARMA模型;
确定所述T-S模糊模型的前件结构;
对所述输入样本数据进行模糊划分;
对所述T-S模糊模型的后件参数进行辨识;
利用所述输入样本数据,对所述T-S模糊模型进行训练,直至各时间周期对应的NOx浓度预测值与相应时间周期对应的NOx浓度实测值的差值绝对值小于或等于预设阈值,将训练后的所述T-S模糊模型确定为所述NOx排放模型,并启用所述NOx排放模型。
在本发明的一种具体实施方式中,所述样本数据为进行归一化处理后的数据。
在本发明的一种具体实施方式中,所述对所述T-S模糊模型的后件参数进行辨识,包括:
针对任意一个模糊规则下的所述ARMA模型,通过最小二乘法进行后件参数的辨识。
一种SCR入口NOx浓度在线预测装置,包括:
运行参数数据获得模块,用于获得当前时间周期的运行参数数据,所述运行参数数据包括负荷、给煤量、风门阀位和烟气含氧量;
NOx浓度预测模块,用于将所述运行参数数据输入到预先在线训练启用的NOx排放模型中,获得所述当前时间周期对应的SCR入口的NOx浓度预测值。
在本发明的一种具体实施方式中,还包括在线训练启动模块,用于:
如果连续M个时间周期的NOx浓度预测值与相应的NOx浓度实测值的差值绝对值大于预设阈值,则启动所述NOx排放模型的在线训练,M为预设数值。
在本发明的一种具体实施方式中,还包括NOx排放模型获得模块,用于通过以下步骤预先在线训练得到所述NOx排放模型:
初始化NOx排放预测的T-S模糊模型;
在线获得样本数据,所述样本数据包括输入样本数据和输出样本数据,所述输入样本数据包括多个时间周期的负荷、给煤量、风门阀位、烟气含氧量,所述输出样本数据包括各个时间周期对应的所述SCR入口的NOx浓度实测值;
基于所述样本数据构建NOx排放预测的自回归滑动平均ARMA模型;
确定所述T-S模糊模型的前件结构;
对所述输入样本数据进行模糊划分;
对所述T-S模糊模型的后件参数进行辨识;
利用所述输入样本数据,对所述T-S模糊模型进行训练,直至各时间周期对应的NOx浓度预测值与相应时间周期对应的NOx浓度实测值的差值绝对值小于或等于预设阈值,将训练后的所述T-S模糊模型确定为所述NOx排放模型,并启用所述NOx排放模型。
在本发明的一种具体实施方式中,所述样本数据为进行归一化处理后的数据。
在本发明的一种具体实施方式中,所述NOx排放模型获得模块,具体用于:
针对任意一个模糊规则下的所述ARMA模型,通过最小二乘法进行后件参数的辨识。
应用本发明实施例所提供的技术方案,获得当前时间周期的运行参数数据后,将运行参数数据输入到预先在线训练启用的NOx排放模型中,获得当前时间周期对应的SCR入口的NOx浓度预测值。通过在线训练得到的NOx排放模型进行NOx浓度的预测,提高了NOx浓度预测的准确率。
附图说明
为了更清楚地说明本发明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发明的一些实施例,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。
图1为本发明实施例中一种SCR入口NOx浓度在线预测方法的实施流程图;
图2为本发明实施例中建模原理示意图;
图3为本发明实施例中一种SCR入口NOx浓度在线预测装置的结构示意图。
具体实施方式
为了使本技术领域的人员更好地理解本发明方案,下面结合附图和具体实施方式对本发明作进一步的详细说明。显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,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,都属于本发明保护的范围。
参见图1所示,为本发明实施例所提供的一种SCR入口NOx浓度在线预测方法的实施流程图,该方法可以包括以下步骤:
S110:获得当前时间周期的运行参数数据。
运行参数数据包括负荷、给煤量、风门阀位和烟气含氧量。
在煤电机组正常运行过程中,每个时间周期的运行参数数据存在一定的差别,在不同的运行参数数据下,产生的SCR入口的NOx浓度也会有所不同。
运行参数数据包括负荷、给煤量、风门阀位和烟气含氧量。
获得当前时间周期的运行参数数据,具体的,可以从DCS(Distributed ControlSystem,分布式控制系统)中获取当前时间周期的运行参数数据。
S120:将运行参数数据输入到预先在线训练启用的NOx排放模型中,获得当前时间周期对应的SCR入口的NOx浓度预测值。
在本发明实施例中,通过在线训练得到NOx排放模型。该NOx排放模型的输入为负荷、给煤量、风门阀位、烟气含氧量,该NOx排放模型的输出为SCR入口NOx浓度。在线训练得到NOx排放模型后,启用该NOx排放模型。
SCR为选择性催化还原系统,火电厂用于处理NOx的一套系统,SCR入口表示该系统的入口位置。
将当前时间周期的运行参数数据输入到预先在线训练启用的NOx排放模型中,可以获得当前时间周期对应的SCR入口的NOx浓度预测值。
在本发明的一个实施例中,可以通过以下步骤预先在线训练得到NOx排放模型:
步骤一:初始化NOx排放预测的T-S模糊模型;
步骤二:在线获得样本数据,样本数据包括输入样本数据和输出样本数据,输入样本数据包括多个时间周期的负荷、给煤量、风门阀位、烟气含氧量,输出样本数据包括各个时间周期对应的SCR入口的NOx浓度实测值;
步骤三:基于样本数据构建NOx排放预测的自回归滑动平均ARMA模型;
步骤四:确定T-S模糊模型的前件结构;
步骤五:对输入样本数据进行模糊划分;
步骤六:对T-S模糊模型的后件参数进行辨识;
步骤七:利用输入样本数据,对T-S模糊模型进行训练,直至各时间周期对应的NOx浓度预测值与相应时间周期对应的NOx浓度实测值的差值绝对值小于或等于预设阈值,将训练后的T-S模糊模型确定为NOx排放模型,并启用NOx排放模型。
为便于描述,将上述七个步骤结合起来进行说明。
本发明实施例基于T-S模糊模型获得NOx排放模型,进行SCR入口NOx浓度预测。T-S模糊模型是一种针对多维推理的模糊推理模型,可以有效地描述非线性、不确定性系统。在合理选择隶属度函数的前提下,T-S模糊模型可以以任意精度逼近一个非线性函数。T-S模糊模型的建模不需要大量的训练样本,适应于在线建模场景。
图2所示为建模原理示意图,负荷、给煤量、风门阀位、烟气含氧量、SCR入口NOx浓度通过模型辨识,进行前件结构的确定和后件参数的辨识,得到NOx排放模型,进行NOx浓度预测。该模型的输入量为历史负荷、给煤量、风门阀位、烟气含氧量、SCR入口NOx浓度所构成的时间序列,输出量为预测的SCR入口NOx浓度,可以用Y,X1,X2,...,Xn表示模型输入,用y(t)表示输出,SCR入口NOx浓度的T-S模糊模型可以描述为:
其中Ri表示第i条模糊规则,yi(t)=BiYT+Ai[X1,X2,...,Xn]T表示第i条规则下对应的模型输出。需要确定模糊规则和每条规则对应的输出模型。
首先初始化NOx排放预测的T-S模糊模型。在线获得样本数据,具体可以从DCS中获取。样本数据包括输入样本数据和输出样本数据,输入样本数据包括多个时间周期的负荷、给煤量、风门阀位、烟气含氧量,输出样本数据包括各个时间周期对应的SCR入口的NOx浓度实测值。
具体的,可以用以下表达式表示输入样本数据:
{x1(t),x1(t-1),...,x1(t-p),x2(t),x2(t-1),...,x2(t-p),...,xn(t),xn(t-1),...,xn(t-p)};
其中,xi(t-k)表示第i个输入样本在t-k时间周期的值。
输出样本数据表示为y。
在线获得样本数据后,对原始样本数据进行归一化处理,将各数据缩放到[0,1]区间。即样本数据为进行归一化处理后的数据。
基于样本数据构建NOx排放预测的自回归滑动平均(Auto Regressive MovingAverage,ARMA)模型。
在本发明实施例中,当前产生的NOx浓度是前p个时间周期的NOx浓度,前p个时间周期的负荷、给煤量、风门阀位、烟气含氧量,以及当前时间周期的负荷、给煤量、风门阀位、烟气含氧量的线性函数,其数学描述如公式(1)所示:
令
X1 T=[x1(t),x1(t-1),...,x1(t-p)]T,
X2 T=[x2(t),x2(t-1),...,x2(t-p)]T,
....
Xn T=[xn(t),xn(t-1),...,xn(t-p)]T,
YT=[1,y(t-1),...,y(t-p)]T,
B=[β0,β1,...,βp],
A=[α11,α12,...,αnp];
公式(1)可以表示为:y(t)=BYT+A[X1,X2,...,Xn]T。
确定T-S模糊模型的前件结构。具体的,可以将负荷、给煤量、风门阀位、烟气含氧量作为输入变量,并对其进行前件划分,第i条模糊规则Ri可以表示为:
其中X1,X2,...,Xn为前件参数,Bi,Ai为后件参数。
对输入样本数据进行模糊划分。将从DCS中采集到的负荷、给煤量、风门阀位、烟气含氧量等输入样本数据作为训练样本,将这些输入样本数据进行模糊c聚类,确定各聚类中心。对于输入变量Xk,将其数据集划分为c个子集S1、S2、……、Sc。对于Xk∈S,用隶属度表示Xk与子集Si的隶属度关系。
在模糊c均值聚类中,目标准则函数如公式(2)所示:
其中,m是加权系数,dij=||Xkj-vi||表示输入变量Xk中第j个样本到第i类中心vi的距离,
模糊c均值聚类的准则是确定c个类,使得目标函数J最小,即:
构造拉格朗日函数:
可以得到模糊c聚类的隶属度和聚类中心:
通过公式(6)和公式(7)不断迭代可以实现模糊c均值聚类。
对T-S模糊模型的后件参数进行辨识。
针对任意一个模糊规则下的ARMA模型,可以通过最小二乘法进行后件参数的辨识。用表示第i个输入量Xi对Sji的隶属度,规则Ri的权重可以表示为:
按照加权平均法可以估计出当前的效率值:
其中,
对于N个样本[Y,X]1,[Y,X]2,...,[Y,X]N,可以有:
其中,
通过最小二乘法辨识后件参数,如公式(11)所示:
利用输入样本数据,对T-S模糊模型以迭代收敛方式进行训练。直至各时间周期对应的NOx浓度预测值与相应时间周期对应的NOx浓度实测值的差值绝对值小于或等于预设阈值,停止辨识,训练完成。将训练后的T-S模糊模型确定为NOx排放模型,并启用该NOx排放模型,以对SCR入口的NOx浓度进行在线预测。
本发明实施例利用T-S模糊模型描述SCR入口NOx浓度的特性。锅炉中NOx的产生是一个复杂的化学反应过程。将在线训练得到的NOx排放模型描述为以负荷、给煤量、风量、烟气含氧量等变量作为输入,SCR入口的NOx浓度为输出的非线性函数,为降低NOx排放过程中运行控制提供模型基础。
基于T-S模糊聚类的在线NOx排放特性建模方法,充分考虑了燃烧过程的强耦合、非线性特性,可以在不同负荷段下准确描述运行参数数据与SCR入口NOx浓度的关系,鲁棒性更强。
在本发明的一个实施例中,该方法还可以包括以下步骤:
如果连续M个时间周期的NOx浓度预测值与相应的NOx浓度实测值的差值绝对值大于预设阈值,则启动NOx排放模型的在线训练,M为预设数值。
随着煤电机组的运行,运行参数数据不断发生变化,通过预先训练得到并启用的NOx排放模型进行的SCR入口的NOx浓度的预测可能存在较大误差。当前获得NOx浓度预测值后,在设定时长后,可以获得相应的NOx浓度实测值。如果连续M个时间周期的NOx浓度预测值与相应的NOx浓度实测值的差值绝对值大于预设阈值,则表明当前启用的NOx排放模型的预测准确率降低了。在这种情况下,可以启动NOx排放模型的在线训练,通过更多的样本数据对NOx排放模型进行训练,训练方法可以参考上述训练说明。再次训练完成后,启用新的NOx排放模型,以预测SCR入口的NOx浓度,以提高预测准确率。
本发明实施例基于T-S模糊模型对SCR入口NOx浓度进行在线建模,并利用该模型预测当前运行状态下的NOx浓度,从而为NOx排放优化提供支撑。
本发明提供的技术方案实时采集DCS中的运行参数数据,并基于T-S模糊模型对SCR入口NOx浓度进行建模,实现SCR入口NOx浓度的预测。所采用的建模方法不需要很大的训练样本,可以满足在线建模、在线预测的要求。同时T-S模糊模型的鲁棒性较强,不易出现过度学习的现象,使得预测结果更为准确。
应用本发明实施例所提供的方法,获得当前时间周期的运行参数数据后,将运行参数数据输入到预先在线训练启用的NOx排放模型中,获得当前时间周期对应的SCR入口的NOx浓度预测值。通过在线训练得到的NOx排放模型进行NOx浓度的预测,提高了NOx浓度预测的准确率。
相应于上面的方法实施例,本发明实施例还提供了一种SCR入口NOx浓度在线预测装置,下文描述的一种SCR入口NOx浓度在线预测装置与上文描述的一种SCR入口NOx浓度在线预测方法可相互对应参照。
参见图3所示,该装置包括以下模块:
运行参数数据获得模块310,用于获得当前时间周期的运行参数数据,运行参数数据包括负荷、给煤量、风门阀位和烟气含氧量;
NOx浓度预测模块320,用于将运行参数数据输入到预先在线训练启用的NOx排放模型中,获得当前时间周期对应的SCR入口的NOx浓度预测值。
应用本发明实施例所提供的装置,获得当前时间周期的运行参数数据后,将运行参数数据输入到预先在线训练启用的NOx排放模型中,获得当前时间周期对应的SCR入口的NOx浓度预测值。通过在线训练得到的NOx排放模型进行NOx浓度的预测,提高了NOx浓度预测的准确率。
在本发明的一种具体实施方式中,还包括在线训练启动模块,用于:
如果连续M个时间周期的NOx浓度预测值与相应的NOx浓度实测值的差值绝对值大于预设阈值,则启动NOx排放模型的在线训练,M为预设数值。
在本发明的一种具体实施方式中,还包括NOx排放模型获得模块,用于通过以下步骤预先在线训练得到NOx排放模型:
初始化NOx排放预测的T-S模糊模型;
在线获得样本数据,样本数据包括输入样本数据和输出样本数据,输入样本数据包括多个时间周期的负荷、给煤量、风门阀位、烟气含氧量,输出样本数据包括各个时间周期对应的SCR入口的NOx浓度实测值;
基于样本数据构建NOx排放预测的自回归滑动平均ARMA模型;
确定T-S模糊模型的前件结构;
对输入样本数据进行模糊划分;
对T-S模糊模型的后件参数进行辨识;
利用输入样本数据,对T-S模糊模型进行训练,直至各时间周期对应的NOx浓度预测值与相应时间周期对应的NOx浓度实测值的差值绝对值小于或等于预设阈值,将训练后的T-S模糊模型确定为NOx排放模型,并启用NOx排放模型。
在本发明的一种具体实施方式中,样本数据为进行归一化处理后的数据。
在本发明的一种具体实施方式中,NOx排放模型获得模块,具体用于:
针对任意一个模糊规则下的ARMA模型,通过最小二乘法进行后件参数的辨识。
本说明书中各个实施例采用递进的方式描述,每个实施例重点说明的都是与其它实施例的不同之处,各个实施例之间相同或相似部分互相参见即可。对于实施例公开的装置而言,由于其与实施例公开的方法相对应,所以描述的比较简单,相关之处参见方法部分说明即可。
专业人员还可以进一步意识到,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发明的范围。
结合本文中所公开的实施例描述的方法或算法的步骤可以直接用硬件、处理器执行的软件模块,或者二者的结合来实施。软件模块可以置于随机存储器(RAM)、内存、只读存储器(ROM)、电可编程ROM、电可擦除可编程ROM、寄存器、硬盘、可移动磁盘、CD-ROM、或技术领域内所公知的任意其它形式的存储介质中。
本文中应用了具体个例对本发明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发明的技术方案及其核心思想。应当指出,对于本技术领域的普通技术人员来说,在不脱离本发明原理的前提下,还可以对本发明进行若干改进和修饰,这些改进和修饰也落入本发明权利要求的保护范围内。
Claims (10)
1.一种SCR入口NOx浓度在线预测方法,其特征在于,包括:
获得当前时间周期的运行参数数据,所述运行参数数据包括负荷、给煤量、风门阀位和烟气含氧量;
将所述运行参数数据输入到预先在线训练启用的NOx排放模型中,获得所述当前时间周期对应的SCR入口的NOx浓度预测值。
2.根据权利要求1所述的方法,其特征在于,还包括:
如果连续M个时间周期的NOx浓度预测值与相应的NOx浓度实测值的差值绝对值大于预设阈值,则启动所述NOx排放模型的在线训练,M为预设数值。
3.根据权利要求1或2所述的方法,其特征在于,通过以下步骤预先在线训练得到所述NOx排放模型:
初始化NOx排放预测的T-S模糊模型;
在线获得样本数据,所述样本数据包括输入样本数据和输出样本数据,所述输入样本数据包括多个时间周期的负荷、给煤量、风门阀位、烟气含氧量,所述输出样本数据包括各个时间周期对应的所述SCR入口的NOx浓度实测值;
基于所述样本数据构建NOx排放预测的自回归滑动平均ARMA模型;
确定所述T-S模糊模型的前件结构;
对所述输入样本数据进行模糊划分;
对所述T-S模糊模型的后件参数进行辨识;
利用所述输入样本数据,对所述T-S模糊模型进行训练,直至各时间周期对应的NOx浓度预测值与相应时间周期对应的NOx浓度实测值的差值绝对值小于或等于预设阈值,将训练后的所述T-S模糊模型确定为所述NOx排放模型,并启用所述NOx排放模型。
4.根据权利要求3所述的方法,其特征在于,所述样本数据为进行归一化处理后的数据。
5.根据权利要求3所述的方法,其特征在于,所述对所述T-S模糊模型的后件参数进行辨识,包括:
针对任意一个模糊规则下的所述ARMA模型,通过最小二乘法进行后件参数的辨识。
6.一种SCR入口NOx浓度在线预测装置,其特征在于,包括:
运行参数数据获得模块,用于获得当前时间周期的运行参数数据,所述运行参数数据包括负荷、给煤量、风门阀位和烟气含氧量;
NOx浓度预测模块,用于将所述运行参数数据输入到预先在线训练启用的NOx排放模型中,获得所述当前时间周期对应的SCR入口的NOx浓度预测值。
7.根据权利要求1所述的装置,其特征在于,还包括在线训练启动模块,用于:
如果连续M个时间周期的NOx浓度预测值与相应的NOx浓度实测值的差值绝对值大于预设阈值,则启动所述NOx排放模型的在线训练,M为预设数值。
8.根据权利要求6或7所述的装置,其特征在于,还包括NOx排放模型获得模块,用于通过以下步骤预先在线训练得到所述NOx排放模型:
初始化NOx排放预测的T-S模糊模型;
在线获得样本数据,所述样本数据包括输入样本数据和输出样本数据,所述输入样本数据包括多个时间周期的负荷、给煤量、风门阀位、烟气含氧量,所述输出样本数据包括各个时间周期对应的所述SCR入口的NOx浓度实测值;
基于所述样本数据构建NOx排放预测的自回归滑动平均ARMA模型;
确定所述T-S模糊模型的前件结构;
对所述输入样本数据进行模糊划分;
对所述T-S模糊模型的后件参数进行辨识;
利用所述输入样本数据,对所述T-S模糊模型进行训练,直至各时间周期对应的NOx浓度预测值与相应时间周期对应的NOx浓度实测值的差值绝对值小于或等于预设阈值,将训练后的所述T-S模糊模型确定为所述NOx排放模型,并启用所述NOx排放模型。
9.根据权利要求8所述的装置,其特征在于,所述样本数据为进行归一化处理后的数据。
10.根据权利要求8所述的装置,其特征在于,所述NOx排放模型获得模块,具体用于:
针对任意一个模糊规则下的所述ARMA模型,通过最小二乘法进行后件参数的辨识。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710358456.9A CN106991507A (zh) | 2017-05-19 | 2017-05-19 | 一种SCR入口NOx浓度在线预测方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710358456.9A CN106991507A (zh) | 2017-05-19 | 2017-05-19 | 一种SCR入口NOx浓度在线预测方法及装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN106991507A true CN106991507A (zh) | 2017-07-28 |
Family
ID=59421133
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710358456.9A Pending CN106991507A (zh) | 2017-05-19 | 2017-05-19 | 一种SCR入口NOx浓度在线预测方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN106991507A (zh) |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108837699A (zh) * | 2018-07-02 | 2018-11-20 | 大唐环境产业集团股份有限公司 | 一种基于软测量和预测控制的scr脱硝智能喷氨优化方法及系统 |
CN108956876A (zh) * | 2018-07-12 | 2018-12-07 | 浙江大学 | 一种烟气在线连续监测系统的测量时延修正方法 |
CN111581581A (zh) * | 2020-04-23 | 2020-08-25 | 大唐环境产业集团股份有限公司 | 多边界条件下SCR入口NOx浓度的检测方法和系统 |
CN111626511A (zh) * | 2020-05-28 | 2020-09-04 | 大唐环境产业集团股份有限公司 | 变负荷下scr反应器入口烟气量预测系统、方法及设备 |
CN111860701A (zh) * | 2020-09-24 | 2020-10-30 | 大唐环境产业集团股份有限公司 | 一种基于聚类方法的脱硝系统工况判别预处理方法 |
TWI824333B (zh) * | 2020-11-11 | 2023-12-01 | 臺泥資訊股份有限公司 | 基於選擇性非觸媒脫硝還原系統的最適化氨水暨氮氧化物控制方法 |
US11853023B2 (en) | 2020-11-11 | 2023-12-26 | Tcc Information Systems Corp. | Method of controlling coal management system for reducing coal usage |
Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101052926A (zh) * | 2004-08-27 | 2007-10-10 | 阿尔斯托姆科技有限公司 | 空气污染控制工艺的模型预测控制 |
CN101364277A (zh) * | 2008-08-21 | 2009-02-11 | 上海交通大学 | 基于区间ⅱ型模糊集的t-s模糊模型的建模系统 |
CN103559540A (zh) * | 2013-11-13 | 2014-02-05 | 上海电气集团股份有限公司 | 基于自适应神经模糊推理系统的风速超短期在线预测方法 |
CN103729569A (zh) * | 2014-01-20 | 2014-04-16 | 华北电力大学 | 一种基于lssvm及在线更新的电站锅炉烟气软测量系统 |
CN104121080A (zh) * | 2013-04-25 | 2014-10-29 | 万国引擎知识产权有限责任公司 | NOx模型 |
CN104715142A (zh) * | 2015-02-06 | 2015-06-17 | 东南大学 | 一种电站锅炉NOx排放动态软测量方法 |
CN104732055A (zh) * | 2013-12-23 | 2015-06-24 | 现代自动车株式会社 | 确定用于scr催化器反应模型的校正逻辑的方法 |
CN104776446A (zh) * | 2015-04-14 | 2015-07-15 | 东南大学 | 一种锅炉燃烧优化控制方法 |
CN105224730A (zh) * | 2015-09-17 | 2016-01-06 | 西南林业大学 | 一种高压共轨电控柴油机原始no2排放量预测方法 |
CN105334730A (zh) * | 2015-10-10 | 2016-02-17 | 杭州电子科技大学 | 加热炉氧含量的iga优化t-s模糊arx建模方法 |
EP3141716A1 (en) * | 2015-08-21 | 2017-03-15 | Toyota Jidosha Kabushiki Kaisha | Exhaust gas purification apparatus for internal combustion engine |
-
2017
- 2017-05-19 CN CN201710358456.9A patent/CN106991507A/zh active Pending
Patent Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101052926A (zh) * | 2004-08-27 | 2007-10-10 | 阿尔斯托姆科技有限公司 | 空气污染控制工艺的模型预测控制 |
CN101364277A (zh) * | 2008-08-21 | 2009-02-11 | 上海交通大学 | 基于区间ⅱ型模糊集的t-s模糊模型的建模系统 |
CN104121080A (zh) * | 2013-04-25 | 2014-10-29 | 万国引擎知识产权有限责任公司 | NOx模型 |
CN103559540A (zh) * | 2013-11-13 | 2014-02-05 | 上海电气集团股份有限公司 | 基于自适应神经模糊推理系统的风速超短期在线预测方法 |
CN104732055A (zh) * | 2013-12-23 | 2015-06-24 | 现代自动车株式会社 | 确定用于scr催化器反应模型的校正逻辑的方法 |
CN103729569A (zh) * | 2014-01-20 | 2014-04-16 | 华北电力大学 | 一种基于lssvm及在线更新的电站锅炉烟气软测量系统 |
CN104715142A (zh) * | 2015-02-06 | 2015-06-17 | 东南大学 | 一种电站锅炉NOx排放动态软测量方法 |
CN104776446A (zh) * | 2015-04-14 | 2015-07-15 | 东南大学 | 一种锅炉燃烧优化控制方法 |
EP3141716A1 (en) * | 2015-08-21 | 2017-03-15 | Toyota Jidosha Kabushiki Kaisha | Exhaust gas purification apparatus for internal combustion engine |
CN105224730A (zh) * | 2015-09-17 | 2016-01-06 | 西南林业大学 | 一种高压共轨电控柴油机原始no2排放量预测方法 |
CN105334730A (zh) * | 2015-10-10 | 2016-02-17 | 杭州电子科技大学 | 加热炉氧含量的iga优化t-s模糊arx建模方法 |
Non-Patent Citations (2)
Title |
---|
YOU LV等: "An adaptive least squares support vector machine model with a novel update for NOx emission prediction", 《CHEMOMETRICS AND INTELLIGENT LABORATORY SYSTEMS》 * |
胡伟等: "柴油机氮氧化物排放预测研究", 《四川省第九届2009年汽车学术交流年会》 * |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108837699A (zh) * | 2018-07-02 | 2018-11-20 | 大唐环境产业集团股份有限公司 | 一种基于软测量和预测控制的scr脱硝智能喷氨优化方法及系统 |
CN108956876A (zh) * | 2018-07-12 | 2018-12-07 | 浙江大学 | 一种烟气在线连续监测系统的测量时延修正方法 |
CN111581581A (zh) * | 2020-04-23 | 2020-08-25 | 大唐环境产业集团股份有限公司 | 多边界条件下SCR入口NOx浓度的检测方法和系统 |
CN111626511A (zh) * | 2020-05-28 | 2020-09-04 | 大唐环境产业集团股份有限公司 | 变负荷下scr反应器入口烟气量预测系统、方法及设备 |
CN111860701A (zh) * | 2020-09-24 | 2020-10-30 | 大唐环境产业集团股份有限公司 | 一种基于聚类方法的脱硝系统工况判别预处理方法 |
CN111860701B (zh) * | 2020-09-24 | 2021-01-26 | 大唐环境产业集团股份有限公司 | 一种基于聚类方法的脱硝系统工况判别预处理方法 |
TWI824333B (zh) * | 2020-11-11 | 2023-12-01 | 臺泥資訊股份有限公司 | 基於選擇性非觸媒脫硝還原系統的最適化氨水暨氮氧化物控制方法 |
US11853023B2 (en) | 2020-11-11 | 2023-12-26 | Tcc Information Systems Corp. | Method of controlling coal management system for reducing coal usage |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106991507A (zh) | 一种SCR入口NOx浓度在线预测方法及装置 | |
CN113962364B (zh) | 一种基于深度学习的多因素用电负荷预测方法 | |
Chen et al. | TAIEX forecasting based on fuzzy time series and fuzzy variation groups | |
CN107578124A (zh) | 基于多层改进gru神经网络的短期电力负荷预测方法 | |
CN106951611A (zh) | 一种基于使用者行为的严寒地区建筑节能设计优化方法 | |
Yao et al. | Optimal long-term prediction of Taiwan’s transport energy by convolutional neural network and wildebeest herd optimizer | |
CN106529732A (zh) | 基于神经网络与随机前沿分析的碳排放效率预测方法 | |
CN105678407A (zh) | 一种基于人工神经网络的日用电量预测方法 | |
CN110598854A (zh) | 一种基于gru模型的台区线损率预测方法 | |
CN111160659B (zh) | 一种考虑温度模糊化的电力负荷预测方法 | |
Liu et al. | Identifying the most significant input parameters for predicting district heating load using an association rule algorithm | |
CN110163421A (zh) | 中长期电力负荷预测方法 | |
CN109086930A (zh) | 一种基于电力k线图及深度网络的用户用电行为分析方法 | |
CN113705922B (zh) | 一种改进的超短期风电功率预测算法及模型建立方法 | |
CN113554466A (zh) | 一种短期用电量预测模型构建方法、预测方法和装置 | |
CN112861436A (zh) | 一种发动机排放实时预测方法 | |
CN113983646A (zh) | 基于生成对抗网络的空调互动末端能耗预测方法及空调 | |
CN115310782A (zh) | 一种基于神经图灵机的电力用户需求响应潜力评估方法及装置 | |
CN117977568A (zh) | 基于嵌套lstm和分位数计算的电力负荷预测方法 | |
CN110097929A (zh) | 一种高炉铁水硅含量在线预测方法 | |
CN113743538A (zh) | 基于ipso-bp神经网络的智能楼宇能耗预测方法、设备和介质 | |
CN114811713A (zh) | 基于混合深度学习的二级网户间均衡供热调控方法 | |
CN109408896B (zh) | 一种污水厌氧处理产气量多元智能实时监控方法 | |
Gao et al. | A multifactorial framework for short-term load forecasting system as well as the jinan’s case study | |
Hu et al. | Hybrid prediction model for the interindustry carbon emissions transfer network based on the grey model and general vector machine |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20170728 |