CN109190848A - 一种基于时延预估的SCR系统NOx排放浓度预测方法 - Google Patents
一种基于时延预估的SCR系统NOx排放浓度预测方法 Download PDFInfo
- Publication number
- CN109190848A CN109190848A CN201811210969.6A CN201811210969A CN109190848A CN 109190848 A CN109190848 A CN 109190848A CN 201811210969 A CN201811210969 A CN 201811210969A CN 109190848 A CN109190848 A CN 109190848A
- Authority
- CN
- China
- Prior art keywords
- concentration
- variable
- scr system
- sample
- input variable
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 49
- QGZKDVFQNNGYKY-UHFFFAOYSA-N Ammonia Chemical compound N QGZKDVFQNNGYKY-UHFFFAOYSA-N 0.000 claims abstract description 50
- 229910021529 ammonia Inorganic materials 0.000 claims abstract description 25
- 239000003546 flue gas Substances 0.000 claims abstract description 22
- UGFAIRIUMAVXCW-UHFFFAOYSA-N Carbon monoxide Chemical compound [O+]#[C-] UGFAIRIUMAVXCW-UHFFFAOYSA-N 0.000 claims abstract description 21
- 239000007921 spray Substances 0.000 claims abstract description 18
- 239000003245 coal Substances 0.000 claims abstract description 14
- 238000012937 correction Methods 0.000 claims abstract description 11
- 230000002596 correlated effect Effects 0.000 claims abstract description 5
- 230000007246 mechanism Effects 0.000 claims abstract description 4
- 239000011159 matrix material Substances 0.000 claims description 26
- 238000012549 training Methods 0.000 claims description 22
- 239000013598 vector Substances 0.000 claims description 21
- 102000008297 Nuclear Matrix-Associated Proteins Human genes 0.000 claims description 14
- 108010035916 Nuclear Matrix-Associated Proteins Proteins 0.000 claims description 14
- 210000000299 nuclear matrix Anatomy 0.000 claims description 14
- 239000000203 mixture Substances 0.000 claims description 9
- 238000005259 measurement Methods 0.000 claims description 8
- 238000012360 testing method Methods 0.000 claims description 8
- 238000005457 optimization Methods 0.000 claims description 7
- 238000009833 condensation Methods 0.000 claims description 6
- 230000005494 condensation Effects 0.000 claims description 6
- 238000002790 cross-validation Methods 0.000 claims description 6
- 230000000875 corresponding effect Effects 0.000 claims description 4
- 238000003780 insertion Methods 0.000 claims description 4
- 230000037431 insertion Effects 0.000 claims description 4
- 239000000446 fuel Substances 0.000 claims description 3
- 239000002245 particle Substances 0.000 claims description 3
- 230000008569 process Effects 0.000 claims description 3
- 239000003344 environmental pollutant Substances 0.000 abstract description 2
- 231100000719 pollutant Toxicity 0.000 abstract description 2
- 230000009286 beneficial effect Effects 0.000 abstract 1
- 239000000523 sample Substances 0.000 description 29
- 230000000694 effects Effects 0.000 description 8
- 238000006243 chemical reaction Methods 0.000 description 6
- 230000006870 function Effects 0.000 description 6
- MWUXSHHQAYIFBG-UHFFFAOYSA-N Nitric oxide Chemical compound O=[N] MWUXSHHQAYIFBG-UHFFFAOYSA-N 0.000 description 5
- 230000006872 improvement Effects 0.000 description 5
- 238000005507 spraying Methods 0.000 description 4
- 239000003054 catalyst Substances 0.000 description 3
- 230000008859 change Effects 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- XKMRRTOUMJRJIA-UHFFFAOYSA-N ammonia nh3 Chemical compound N.N XKMRRTOUMJRJIA-UHFFFAOYSA-N 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 239000007789 gas Substances 0.000 description 2
- 238000005070 sampling Methods 0.000 description 2
- 235000006508 Nelumbo nucifera Nutrition 0.000 description 1
- 240000002853 Nelumbo nucifera Species 0.000 description 1
- 235000006510 Nelumbo pentapetala Nutrition 0.000 description 1
- QAOWNCQODCNURD-UHFFFAOYSA-L Sulfate Chemical compound [O-]S([O-])(=O)=O QAOWNCQODCNURD-UHFFFAOYSA-L 0.000 description 1
- 239000000809 air pollutant Substances 0.000 description 1
- 231100001243 air pollutant Toxicity 0.000 description 1
- 229940095054 ammoniac Drugs 0.000 description 1
- BIGPRXCJEDHCLP-UHFFFAOYSA-N ammonium bisulfate Chemical compound [NH4+].OS([O-])(=O)=O BIGPRXCJEDHCLP-UHFFFAOYSA-N 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 230000000903 blocking effect Effects 0.000 description 1
- 238000002485 combustion reaction Methods 0.000 description 1
- 238000005260 corrosion Methods 0.000 description 1
- 230000007797 corrosion Effects 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 239000003085 diluting agent Substances 0.000 description 1
- 235000013399 edible fruits Nutrition 0.000 description 1
- 230000008676 import Effects 0.000 description 1
- 238000013178 mathematical model Methods 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 230000036632 reaction speed Effects 0.000 description 1
- 230000008439 repair process Effects 0.000 description 1
- 239000002699 waste material Substances 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"
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Marketing (AREA)
- Game Theory and Decision Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Development Economics (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Feedback Control In General (AREA)
Abstract
本发明公开了一种基于时延预估的SCR系统NOx排放浓度预测方法，包括：对燃煤机组烟气产生和SCR系统机理分析，确定NOx排放浓度预测模型的输入变量；采集相关变量的运行数据并预处理，利用相关系数迭代法估计时延并对样本相空间重构；在重构后的样本上，采用核偏最小二乘法建立动态模型；将动态模型校正输出的NOx浓度值提前反馈至控制器，实现对现有喷氨控制系统改进。本发明的有益效果：预测模型综合学习与出口NOx浓度的相关信息；采用核偏最小二乘法提高预测能力；模型样本经过相空间重构，可提前预测出口NOx浓度，若与设定值相差较大，可及时进行喷氨调整，对于燃煤机组降低污染物排放和成本具有指导意义。
Description
技术领域
本发明涉及燃煤机组烟气脱硝技术领域，具体而言，涉及一种基于时延预估的SCR系统NOx排放浓度预测方法。
背景技术
随着大气污染问题的日益凸出，我国火电机组的大气污染物排放已纳入严格监管。传统的低NOx燃烧控制很难满足排放标准，需配合尾部烟气脱硝装置，国内外已广泛采用SCR烟气脱硝技术，其中最为重要的是对喷氨系统控制。喷氨量在稳定工况时通过控制通常能取得较好的效果，但在机组运行条件变化时，如煤种更换、机组AGC(AutomaticGeneration Control，自动发电控制)负荷指令频繁波动等情况下控制效果不理想。其原因主要有：第一，由于SCR脱硝反应过程复杂，工况变化时系统呈现非线性、大滞后性和强扰动的特点，难以建立准确的数学模型；第二，由于NOx(Nitric Oxide，氮氧化物)浓度测量具有滞后性；第三，SCR反应器进出口NOx浓度测量装置分别间隔50min左右会进行一次持续5min反吹，反吹期间NOx测量值在逻辑上自保持，尤其出口NOx含量在自保持瞬间处于NOx含量较高或者较低时，在接下来的5min中，出口NOx浓度在PID控制的积分作用下使调门大幅调节，造成喷氨量的失调，在反吹结束后，反应器出口NOx浓度出现突增或突减；第四，当机组处于变工况时，出口NOx浓度波动很大，通常由于喷氨不均导致出口断面NOx浓度分布不均匀，但实际现场中SCR反应器出口每个烟道烟气测量取样点只有一个，其采样值不具有代表性，与烟气NOx浓度平均值偏差大，而且采样探头的位置和插入深度不同测量值不同。总之，由于系统无法及时获取SCR反应器入口和出口NOx浓度值，导致系统喷氨量控制时很难保证最佳氨氮比。当喷氨过少时，容易导致NOx排放增加甚至超标；而喷氨过量时，不仅影响脱硝效率，还使过量氨气与烟气中SO3反应生成硫酸氢氨和硫酸氨降低催化剂活性，造成空预器积灰堵塞和腐蚀，影响锅炉安全运行，同时氨逃逸量增加也造成运行成本浪费和二次环境污染。
由上可见，由于目前SCR烟气脱硝系统存在反应过程复杂，以及NOx浓度测量存在滞后和不准确的情况，使现有系统的喷氨控制存在难以建立准确的模型，导致系统控制效果差的问题，影响机组安全运行和脱硝效率。
发明内容
本发明的目的在于提供一种基于时延预估的SCR系统NOx排放浓度预测方法，解决目前SCR烟气脱硝系统普遍存在反应过程复杂，以及NOx浓度测量存在滞后和不准确的情况，提高喷氨控制效果。
本发明提供了一种基于时延预估的SCR系统NOx排放浓度预测方法，包括：
步骤1，对燃煤机组烟气产生和SCR系统机理分析，确定NOx排放浓度预测模型的输入变量X；
步骤2，采集燃煤机组和SCR系统相关变量的运行数据并预处理，利用相关系数迭代法计算输入变量X与输出变量Y间的相关系数值，估计输入变量时延，并对样本进行相空间重构；
步骤3，在重构后的样本上，采用核偏最小二乘法建立NOx排放浓度预测的动态模型，并对动态模型的参数寻优和动态更新；
步骤4，将动态模型得到的NOx浓度值提前反馈至控制器，并在运行过程中，利用滞后的即k+1时刻的出口NOx浓度测量值对动态模型的输出进行反馈校正，将校正后的输出作为NOx浓度预测值。
作为本发明进一步的改进，步骤1中，确定NOx排放浓度预测的输入变量为：机组负荷、总燃料量、喷氨开度、入口NOx浓度、入口O2含量、入口烟气温度和入口烟气流量。
作为本发明进一步的改进，步骤2中相关系数迭代法具体为：设空间Z＝(X,Y)，输入变量X和输出变量Y均为1列n个的样本，则输入变量X和输出变量Y间的相关系数为：
式中，E(X)、E(Y)分别为输入变量X与输出Y的期望；D(X)、D(Y)分别为输入变量X与输出Y的方差；
如果变量X和Y相关性越小，则相关系数ρXY越小；如果变量X和Y相关性越大，则相关系数ρXY越大；
每个输入变量x·j(t)与输出变量Y(t)之间的时延都是不同的，所以对每个输入变量x·j(t)进行相空间重构，嵌入不同时延τj∈[τmin,τmax]，时延最小值τmin和时延最大值τmax值由现场经验确定，得到嵌入不同时延的输入变量为：
X＝[x·1(t-τ1),x·2(t-τ2),…,x·m(t-τm)]；
根据上式分别迭代计算在嵌入不同时延时，各变量x·j(t-τj)与Y之间的相关系数，j为1至m，当相关系数值最大时，对应的τ即为该输入变量的时延。
作为本发明进一步的改进，步骤3中，核偏最小二乘法针对训练集的方法具体如下：
步骤S1，对重构后的样本训练集z-score标准化，得到标准化后的和
其中，Xtr为重构后训练样本中输入变量，Ytr为重构后训练样本中输出变量，为的初始化变量，为Ytr的初始化变量；
步骤S2，计算的核矩阵
其中，K为核函数；k*为最优尺度个数，xtr为Xtr中的样本；
步骤S3，对上式进行核矩阵中心化，得到
其中，I为单位矩阵，1n为元素1是1、维数是n的矩阵；
步骤S4，令L为主成分个数，i从1至L迭代，随机初始化的得分向量vi；
步骤S5，计算的得分向量ti，并归一化得到
步骤S6，计算的权重向量ci，得到
步骤S7，计算的得分向量ui，得到
其中，为Ytr中的每个输出变量；
步骤S8，重复步骤4-7直至ti收敛；
步骤S9，缩减矩阵和直至提取出L个得分向量ti和得分向量ui，缩减矩阵如下；
步骤S10，计算回归系数B，得到训练集的回归方程：
其中，Ktr为构成的矩阵，Ytr为构成的矩阵，T和U为得分向量ti和ui构成的矩阵。
作为本发明进一步的改进，步骤3中，核偏最小二乘法针对测试集描述与对训练集描述区别在于，核矩阵和对核矩阵中心化不同：
核矩阵为：
核矩阵中心化为：
其中，xte为Xte中的样本，Xte为重构后测试样本中输入变量，为的核矩阵，为对中心化。
作为本发明进一步的改进，步骤S2中，核函数为高斯核函数：
作为本发明进一步的改进，步骤3中，核偏最小二乘法对动态模型参数寻优方法如下：
主成分个数L确定方法：通过留一法交叉验证方法确定；
最优高斯核宽度确定方法：高斯核宽度采用10折交叉验证方法，通过粒子群优化算法寻优计算训练集的均方根误差，当其均值最小时，得到高斯核宽度。
作为本发明进一步的改进，L不大于5。
作为本发明进一步的改进，步骤3中，动态模型的更新采用滑动窗口更新策略，窗口长度为160。
作为本发明进一步的改进，步骤4中，反馈校正公式如下：
校正后的预测值：
校正量
其中：表示校正后的值，表示模型的输出值，Y表示实际值。
本发明的有益效果为：
利用燃煤机组和SCR脱硝系统的实际运行数据，综合学习了与出口NOx浓度相关的信息。采用核偏最小二乘法建立NOx排放浓度预测模型，提高预测能力。建模时考虑SCR系统时延和NOx测量滞后的影响，且模型样本经过相空间重构，可实现提前对SCR脱硝反应器出口NOx浓度进行预测，如果预测值与设定值相差较大，可以及时进行喷氨调整，对于燃煤机组降低污染物排放和降低成本具有指导意义。
附图说明
图1为本发明实施例所述的一种基于时延预估的SCR系统NOx排放浓度预测方法的流程示意图；
图2为图1的具体流程示意图；
图3为采用本发明预测方法对现有SCR系统DCS逻辑改进的示意图。
具体实施方式
下面通过具体的实施例并结合附图对本发明做进一步的详细描述。
如图1-2所示，本发明实施例所述的一种基于时延预估的SCR系统NOx排放浓度预测方法，通过对燃煤机组烟气产生和SCR系统机理分析，确定NOx排放浓度预测模型的输入变量；为了减少系统滞后和NOx测量时延的影响，采集相关变量的运行数据，利用相关系数迭代法估计输入变量时延，并对样本进行相空间重构；在重构后的样本基础上，利用核偏最小二乘法建立NOx排放浓度预测模型，提高预估模型的精度；将预估模型得到的NOx浓度值代替现场出口NOx浓度采样值，对现有喷氨控制系统进行改进，达到精确超前控制。包括以下步骤：
步骤1，对燃煤机组烟气产生和SCR系统机理分析，确定NOx排放浓度预测模型的输入变量X。
由于机组运行条件变化时，如煤种更换、机组AGC负荷指令频繁波动、燃烧条件(如配风方式、过量空气系数等)的变化，都会使烟气NOx出现较大扰动。另外，SCR脱硝效率与喷氨量、稀释空气量、反应温度、催化剂活性等因素有关。当负荷变动使烟气流量发生变化，导致锅炉换热表面与烟气的热交换，引起烟气温度的变化；烟气温度的变化影响SCR反应速度以及催化剂活性；入口NOx浓度和喷氨流量直接反应氨氮摩尔比大小，影响脱硝效率和氨逃逸率。进一步的，确定NOx排放浓度预测的输入变量为：机组负荷、总燃料量、喷氨开度、入口NOx浓度、入口O2含量、入口烟气温度和入口烟气流量，但不限于此，在实际应用中，本领域技术人员可以根据实际情况调整变量。
步骤2，设定采样周期为10s，采集燃煤机组和SCR系统相关变量的运行数据，并进行粗大值剔除和滤波预处理，利用相关系数迭代法计算输入变量X与输出变量Y间的相关系数值，估计输入变量时延，并对样本进行相空间重构。
其中，相关系数迭代法具体为：设空间Z＝(X,Y)，输入变量X和输出变量Y均为1列n个的样本，则输入变量X和输出变量Y间的相关系数为：
式中，E(X)、E(Y)分别为输入变量X与输出Y的期望；D(X)、D(Y)分别为输入变量X与输出Y的方差；
如果变量X和Y相关性越小，则相关系数ρXY越小；如果变量X和Y相关性越大，则相关系数ρXY越大；
每个输入变量x·j(t)与输出变量Y(t)之间的时延都是不同的，所以对每个输入变量x·j(t)进行相空间重构，嵌入不同时延τj∈[τmin,τmax]，时延最小值τmin和时延最大值τmax值由现场经验确定，得到嵌入不同时延的输入变量为：
x＝[x·1(t-τ1)，x·2(t-τ2)，…，x·m(t-τm)]；
根据上式分别计算在嵌入不同时延时，各变量x·j(t-τj)与Y之间的相关系数，j为1至m，当相关系数值最大时，对应的τ即为该输入变量的时延。
本发明中，动态模型的建模样本为经过相空间重构的样本，重构后样本的X和Y形式如下：
其中，x·1，…，x·m为m个输入变量，y为输出变量，τ1，…，τm为相关系数迭代法估计时延结果。
步骤3，在重构后的样本上，采用多尺度小波核偏最小二乘法建立NOx排放浓度预测的动态模型，并对动态模型的参数寻优和动态更新。
本发明利用核偏最小二乘法建立预测模型，解决变量众多且存在严重相关的工业建模的问题，提高模型的泛化能力，实现估计系统出口NOx浓度。核偏最小二乘法针对训练集描述如下：
步骤S1，对重构后的样本训练集z-score标准化，得到标准化后的和
其中，Xtr为重构后训练样本中输入变量，Ytr为重构后训练样本中输出变量，为Xtr的初始化变量，为Ytr的初始化变量。z-score标准化(正态标准化)是基于原始数据的均值和标准差进行数据的标准化，将数据按其属性(按列进行)减去其均值，并除以其方差，得到的结果是，对于每个属性/每列来说所有数据都聚集在0附近，方差为1。
步骤S2，计算的核矩阵其中，K为核函数；xtr为Xtr中的样本。
本发明中，核函数为高斯核函数：K(xi,xj)＝exp{-||xi-xj||2/(2σ2)}。
步骤S3，对上式进行核矩阵中心化，得到
其中，I为单位矩阵，1n为元素1是1、维数是n的矩阵；
步骤S4，令L为主成分个数，i从1至L迭代，随机初始化的得分向量vi；
步骤S5，计算的得分向量ti，并归一化得到
步骤S6，计算的权重向量ci，得到
步骤S7，计算的得分向量ui，得到
其中，为Ytr中的每个输出变量；
步骤S8，重复步骤4-7直至ti收敛；
步骤S9，缩减矩阵和直至提取出L个得分向量ti和得分向量ui，缩减矩阵如下；
步骤S10，计算回归系数B，得到训练集的回归方程：
其中，Ktr为构成的矩阵，Ytr为构成的矩阵，T和U为得分向量ti和ui构成的矩阵。
核偏最小二乘法针对测试集描述与对训练集描述类似，区别在于，核矩阵和对核矩阵中心化不同：
核矩阵为：
核矩阵中心化为：
其中，xte为Xte中的样本，Xte为重构后测试样本中输入变量，为的核矩阵，为对中心化。
在本发明中，核偏最小二乘法中的参数寻优方法如下：
主成分个数L确定方法：通过留一法交叉验证方法确定，通常不大于5。
最优高斯核宽度确定方法：高斯核宽度采用10折交叉验证方法，通过粒子群优化算法寻优计算训练集的均方根误差，当其均值最小时，得到最优高斯核宽度。
进一步的，本发明步骤3中，动态模型的更新采用滑动窗口更新策略，窗口长度为160。在实际应用中，本领域技术人员可以根据实际情况调整滑动窗口长度。
步骤4，将动态模型得到的NOx浓度值提前反馈至控制器，并在运行过程中，利用滞后的即k+1时刻的出口NOx浓度测量值对动态模型的输出进行反馈校正，将校正后的输出作为NOx浓度预测值。
反馈校正公式如下：
校正后的预测值：
校正量
其中：表示校正后的值，表示模型的输出值，Y表示实际值。
本发明由于模型的训练集和测试集划分在重构后的模型样本基础上，从X和Y的形式可以看出，如果预测当前的输出变量值，对应的测试集的输入变量均为当前时刻之前的历史数据，所以在未获得当前时刻的输入变量值时，便可以通过模型预测得到当前时刻的输出变量值，从而能够实现提前预测。通过反馈校正，使模型的预测结果一直保持在可接受的误差范围内，通常在±5％内。现有喷氨控制系统通常采用固定出口NOx定值控制方式，本发明对原有系统的DCS(Distributed Control System,分布式控制系统)逻辑改进，将动态模型的校正输出至控制器，达到超前控制。改进后如图3所示，其中实线为现有喷氨控制系统部分，虚线框内为本发明所述部分，作为现有喷氨控制系统的外挂部分，同时采用切换开关可实现手动切换。从图中也可看出，本发明将预估模型得到的NOx浓度值代替现场出口NOx浓度采样值，实现对现有喷氨控制系统进行改进，达到精确超前控制。
以上所述仅为本发明的优选实施例而已，并不用于限制本发明，对于本领域的技术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。
Claims (10)
1.一种基于时延预估的SCR系统NOx排放浓度预测方法，其特征在于，包括：
步骤1，对燃煤机组烟气产生和SCR系统机理分析，确定NOx排放浓度预测模型的输入变量X；
步骤2，采集燃煤机组和SCR系统相关变量的运行数据并预处理，利用相关系数迭代法计算输入变量X与输出变量Y间的相关系数值，估计输入变量时延，并对样本进行相空间重构；
步骤3，在重构后的样本上，采用核偏最小二乘法建立NOx排放浓度预测的动态模型，并对动态模型的参数寻优和动态更新；
步骤4，将动态模型得到的NOx浓度值提前反馈至控制器，并在运行过程中，利用滞后的即k+1时刻的出口NOx浓度测量值对动态模型的输出进行反馈校正，将校正后的输出作为NOx浓度预测值。
2.根据权利要求1所述的SCR系统NOx排放浓度预测方法，其特征在于，步骤1中，确定NOx排放浓度预测的输入变量为：机组负荷、总燃料量、喷氨开度、入口NOx浓度、入口O2含量、入口烟气温度和入口烟气流量。
3.根据权利要求1所述的SCR系统NOx排放浓度预测方法，其特征在于，步骤2中，相关系数迭代法具体为：设空间Z＝(X,Y)，输入变量X和输出变量Y均为1列n个的样本，则输入变量X和输出变量Y间的相关系数为：
式中，E(X)、E(Y)分别为输入变量X与输出Y的期望；D(X)、D(Y)分别为输入变量X与输出Y的方差；
如果变量X和Y相关性越小，则相关系数ρXY越小；如果变量X和Y相关性越大，则相关系数ρXY越大；
每个输入变量xj(t)与输出变量Y(t)之间的时延都是不同的，所以对每个输入变量xj(t)进行相空间重构，嵌入不同时延τj∈[τmin,τmax]，得到嵌入不同时延的输入变量为：
X＝[x1(t-τ1),x.2(t-τ2),…,x.m(t-τm)]；
根据上式分别迭代计算在嵌入不同时延时，各变量x.j(t-τj)与Y之间的相关系数，j为1至m，当相关系数值最大时，对应的τ即为该输入变量的时延。
4.根据权利要求1所述的SCR系统NOx排放浓度预测方法，其特征在于，步骤3中，核偏最小二乘法针对训练集的方法具体如下：
步骤S1，对重构后的样本训练集z-score标准化，得到标准化后的和
其中，Xtr为重构后训练样本中输入变量，Ytr为重构后训练样本中输出变量，为Xtr的初始化变量，为Ytr的初始化变量；
步骤S2，计算的核矩阵
其中，K为核函数；k*为最优尺度个数，xtr为Xtr中的样本；
步骤S3，对上式进行核矩阵中心化，得到
其中，I为单位矩阵，1n为元素1是1、维数是n的矩阵；
步骤S4，令L为主成分个数，i从1至L迭代，随机初始化的得分向量vi；
步骤S5，计算的得分向量ti，并归一化得到
步骤S6，计算的权重向量ci，得到
步骤S7，计算的得分向量ui，得到
其中，为Ytr中的每个输出变量；
步骤S8，重复步骤4-7直至ti收敛；
步骤S9，缩减矩阵和直至提取出L个得分向量ti和得分向量ui，缩减矩阵如下；
步骤S10，计算回归系数B，得到训练集的回归方程：
其中，Ktr为构成的矩阵，Ytr为构成的矩阵，T和U为得分向量ti和ui构成的矩阵。
5.根据权利要求4所述的SCR系统NOx排放浓度预测方法，其特征在于，步骤3中，核偏最小二乘法针对测试集描述与对训练集描述区别在于，核矩阵和对核矩阵中心化不同：
核矩阵为：
核矩阵中心化为：
其中，xte为Xte中的样本，Xte为重构后测试样本中输入变量，为的核矩阵，为对中心化。
6.根据权利要求4所述的SCR系统NOx排放浓度预测方法，其特征在于，步骤S2中，核函数为高斯核函数：K(xi,xj)＝exp{-||xi-xj||2/(2σ2)}。
7.根据权利要求4所述的SCR系统NOx排放浓度预测方法，其特征在于，步骤3中，核偏最小二乘法对动态模型参数寻优方法如下：
主成分个数L确定方法：通过留一法交叉验证方法确定；
最优高斯核宽度确定方法：高斯核宽度采用10折交叉验证方法，通过粒子群优化算法寻优计算训练集的均方根误差，当其均值最小时，得到高斯核宽度。
8.根据权利要求7所述的SCR系统NOx排放浓度预测方法，其特征在于，L不大于5。
9.根据权利要求1所述的SCR系统NOx排放浓度预测方法，其特征在于，步骤3中，动态模型的更新采用滑动窗口更新策略，窗口长度为160。
10.根据权利要求1所述的SCR系统NOx排放浓度预测方法，其特征在于，步骤4中，反馈校正公式如下：
校正后的预测值：
校正量
其中：表示校正后的值，表示模型的输出值，Y表示实际值。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201811210969.6A CN109190848B (zh) | 2018-10-17 | 一种基于时延预估的SCR系统NOx排放浓度预测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201811210969.6A CN109190848B (zh) | 2018-10-17 | 一种基于时延预估的SCR系统NOx排放浓度预测方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN109190848A true CN109190848A (zh) | 2019-01-11 |
| CN109190848B CN109190848B (zh) | 2024-06-07 |
Family
ID=
Cited By (12)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110368808A (zh) * | 2019-07-18 | 2019-10-25 | 华北电力科学研究院有限责任公司 | 一种scr烟气脱硝系统的喷氨量控制方法及系统 |
| CN111413098A (zh) * | 2020-01-13 | 2020-07-14 | 哈尔滨工程大学 | 一种基于imep时间序列的天然气发动机燃烧系统非线性特征识别方法 |
| CN111540412A (zh) * | 2020-04-24 | 2020-08-14 | 大唐环境产业集团股份有限公司 | 一种基于最小二乘法的scr反应器入口烟气软测量方法 |
| 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 |
| CN111584015A (zh) * | 2020-05-27 | 2020-08-25 | 大唐环境产业集团股份有限公司 | 脱硝系统入口NOx测量延迟估计方法及装置 |
| CN111921377A (zh) * | 2020-09-25 | 2020-11-13 | 大唐环境产业集团股份有限公司 | 基于机理与数据驱动的scr脱硝喷氨控制方法及系统 |
| CN112488145A (zh) * | 2019-11-26 | 2021-03-12 | 大唐环境产业集团股份有限公司 | 一种基于智能化方法的NOx在线预测方法及系统 |
| CN112651166A (zh) * | 2020-11-24 | 2021-04-13 | 呼和浩特科林热电有限责任公司 | 脱硝系统入口氮氧化物浓度预测方法、装置及脱硝系统 |
| CN112667613A (zh) * | 2020-12-25 | 2021-04-16 | 内蒙古京隆发电有限责任公司 | 基于多延时特性多变量校正的烟气NOx预测方法及系统 |
| CN113094986A (zh) * | 2021-04-01 | 2021-07-09 | 瀚蓝绿电固废处理(佛山)有限公司 | 垃圾焚烧炉烟气中污染物排放量预测模型构建方法及应用 |
| CN115860556A (zh) * | 2022-12-14 | 2023-03-28 | 沈阳盛世五寰科技有限公司 | 一种基于多变量相关性的高压辊磨机出料合格率检测方法 |
| CN116151438A (zh) * | 2023-01-10 | 2023-05-23 | 南京工业大学 | 流程工业污染物排放浓度预测方法及系统 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2012128800A (ja) * | 2010-12-17 | 2012-07-05 | Nippon Steel Engineering Co Ltd | プロセスの状態予測方法及びそれを用いたプロセス制御装置 |
| CN105404145A (zh) * | 2015-10-22 | 2016-03-16 | 西安西热控制技术有限公司 | 基于指数预测和时滞预估补偿的脱硝新型串级控制方法 |
| US20170061305A1 (en) * | 2015-08-28 | 2017-03-02 | Jiangnan University | Fuzzy curve analysis based soft sensor modeling method using time difference Gaussian process regression |
| CN107015541A (zh) * | 2017-04-26 | 2017-08-04 | 燕山大学 | 基于互信息和最小二乘支持向量机相结合的软测量方法 |
| CN107694337A (zh) * | 2017-11-03 | 2018-02-16 | 吉林省电力科学研究院有限公司 | 基于神经网络预测控制的燃煤机组scr烟气脱硝控制方法 |
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2012128800A (ja) * | 2010-12-17 | 2012-07-05 | Nippon Steel Engineering Co Ltd | プロセスの状態予測方法及びそれを用いたプロセス制御装置 |
| US20170061305A1 (en) * | 2015-08-28 | 2017-03-02 | Jiangnan University | Fuzzy curve analysis based soft sensor modeling method using time difference Gaussian process regression |
| CN105404145A (zh) * | 2015-10-22 | 2016-03-16 | 西安西热控制技术有限公司 | 基于指数预测和时滞预估补偿的脱硝新型串级控制方法 |
| CN107015541A (zh) * | 2017-04-26 | 2017-08-04 | 燕山大学 | 基于互信息和最小二乘支持向量机相结合的软测量方法 |
| CN107694337A (zh) * | 2017-11-03 | 2018-02-16 | 吉林省电力科学研究院有限公司 | 基于神经网络预测控制的燃煤机组scr烟气脱硝控制方法 |
Non-Patent Citations (8)
| Title |
|---|
| FENGQI SI等: "Optimization of coal-fired boiler SCRs based on modified support vector machine models and genetic algorithms", 《FUEL》, vol. 88, no. 5, pages 771 - 960 * |
| WANG, YINSONG等: "Model Identification of SCR Denitration System for 600MW Thermal Power Unit", 《2017 CHINESE AUTOMATION CONGRESS (CAC)》, 27 April 2018 (2018-04-27) * |
| 刘吉臻等: "基于自适应多尺度核偏最小二乘的 SCR烟气脱硝系统建模", 《中国电机工程学报》, vol. 35, no. 25, pages 6083 - 6088 * |
| 刘晓峰;许忠仁;杨丙聪;: "一种克服大纯滞后的预测控制方法", 河南科技大学学报(自然科学版), vol. 1, no. 01, pages 196 * |
| 康支霞;张宪;马永光;王兵树;: "循环流化床锅炉床温控制神经网络动态建模", 锅炉技术, no. 1 * |
| 李鹤;杨周;张义民;闻邦椿;: "基于径向基神经网络预测的混沌时间序列嵌入维数估计方法", 物理学报, no. 07 * |
| 赵文杰等: "基于互信息变量选择的SCR烟气脱硝系统非线性自回归神经网络建模", 《热力发电》, vol. 47, no. 9, 30 September 2018 (2018-09-30) * |
| 邓秋琼, 黄道平: "基于神经网络的非线性预测控制的进一步研究", 现代计算机, no. 06 * |
Cited By (17)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110368808A (zh) * | 2019-07-18 | 2019-10-25 | 华北电力科学研究院有限责任公司 | 一种scr烟气脱硝系统的喷氨量控制方法及系统 |
| CN112488145A (zh) * | 2019-11-26 | 2021-03-12 | 大唐环境产业集团股份有限公司 | 一种基于智能化方法的NOx在线预测方法及系统 |
| CN112488145B (zh) * | 2019-11-26 | 2024-05-28 | 大唐环境产业集团股份有限公司 | 一种基于智能化方法的NOx在线预测方法及系统 |
| CN111413098A (zh) * | 2020-01-13 | 2020-07-14 | 哈尔滨工程大学 | 一种基于imep时间序列的天然气发动机燃烧系统非线性特征识别方法 |
| CN111413098B (zh) * | 2020-01-13 | 2021-06-01 | 哈尔滨工程大学 | 一种基于imep时间序列的天然气发动机燃烧系统非线性特征识别方法 |
| 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 |
| CN111540412A (zh) * | 2020-04-24 | 2020-08-14 | 大唐环境产业集团股份有限公司 | 一种基于最小二乘法的scr反应器入口烟气软测量方法 |
| CN111584015B (zh) * | 2020-05-27 | 2021-09-10 | 大唐环境产业集团股份有限公司 | 脱硝系统入口NOx测量延迟估计方法及装置 |
| CN111584015A (zh) * | 2020-05-27 | 2020-08-25 | 大唐环境产业集团股份有限公司 | 脱硝系统入口NOx测量延迟估计方法及装置 |
| CN111921377B (zh) * | 2020-09-25 | 2021-01-26 | 大唐环境产业集团股份有限公司 | 基于机理与数据驱动的scr脱硝喷氨控制方法及系统 |
| CN111921377A (zh) * | 2020-09-25 | 2020-11-13 | 大唐环境产业集团股份有限公司 | 基于机理与数据驱动的scr脱硝喷氨控制方法及系统 |
| CN112651166A (zh) * | 2020-11-24 | 2021-04-13 | 呼和浩特科林热电有限责任公司 | 脱硝系统入口氮氧化物浓度预测方法、装置及脱硝系统 |
| CN112667613A (zh) * | 2020-12-25 | 2021-04-16 | 内蒙古京隆发电有限责任公司 | 基于多延时特性多变量校正的烟气NOx预测方法及系统 |
| CN112667613B (zh) * | 2020-12-25 | 2023-03-31 | 内蒙古京隆发电有限责任公司 | 基于多延时特性多变量校正的烟气NOx预测方法及系统 |
| CN113094986A (zh) * | 2021-04-01 | 2021-07-09 | 瀚蓝绿电固废处理(佛山)有限公司 | 垃圾焚烧炉烟气中污染物排放量预测模型构建方法及应用 |
| CN115860556A (zh) * | 2022-12-14 | 2023-03-28 | 沈阳盛世五寰科技有限公司 | 一种基于多变量相关性的高压辊磨机出料合格率检测方法 |
| CN116151438A (zh) * | 2023-01-10 | 2023-05-23 | 南京工业大学 | 流程工业污染物排放浓度预测方法及系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN104826493B (zh) | 一种选择性催化还原法烟气脱硝系统的控制方法 | |
| CN107561941B (zh) | 一种火电机组脱硝系统的全工况达标排放控制方法 | |
| CN112580250A (zh) | 基于深度学习的火电机组脱硝系统及优化控制方法 | |
| CN103534453B (zh) | 用于基于模型确定废气后处理单元的温度分布的方法 | |
| CN109343349B (zh) | 一种基于喷氨量补偿器的scr烟气脱硝优化控制系统和方法 | |
| CN107544288B (zh) | 一种脱硝优化控制方法和系统 | |
| CN111581581B (zh) | 多边界条件下SCR入口NOx浓度的检测方法和系统 | |
| CN109529614A (zh) | 一种NOx分区巡测动态喷氨均衡控制系统及方法 | |
| CN110263395A (zh) | 基于数值模拟和数据分析的电厂脱硝运行优化方法及系统 | |
| CN106773669B (zh) | 一种燃料热值实时自适应校正的火电机组协调控制方法 | |
| CN110263452B (zh) | 一种烟道内烟气时间分布特性分析方法、系统及脱硝系统 | |
| CN111880504A (zh) | 一种智能的动态分区喷氨控制方法和系统 | |
| CN110501901B (zh) | 基于全负荷精准脱硝要求的scr喷氨调节优化的方法 | |
| CN106485022B (zh) | 一种循环流化床锅炉脱硫脱硝运行优化控制的建模方法 | |
| CN106327004A (zh) | 一种基于熟料质量指标的水泥烧成过程优化方法 | |
| CN109519957B (zh) | 一种超超临界锅炉闭环燃烧优化控制方法 | |
| CN114307627B (zh) | 一种基于理论氨耗量的脱硝调节方法 | |
| CN105400951B (zh) | 一种用于硅钢退火的加湿混合控制系统及其控制方法 | |
| CN108106679A (zh) | 一种电站磨煤机入口风量的测量方法及系统 | |
| CN112613237B (zh) | 一种基于LSTM的CFB机组NOx排放浓度的预测方法 | |
| CN108919845B (zh) | 一种脱硝系统的氮氧化物浓度自动控制方法 | |
| CN109190848A (zh) | 一种基于时延预估的SCR系统NOx排放浓度预测方法 | |
| CN105955030A (zh) | 一种基于改进输入加权预测控制器的机炉协调控制方法 | |
| CN109634117A (zh) | 一种用于脱硝控制的信息物理融合系统及其控制方法 | |
| CN105785761A (zh) | 水泥生料分解过程温度智能切换控制方法 |
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 | ||
| GR01 | Patent grant |