CN109190848B - 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
- CN109190848B CN109190848B CN201811210969.6A CN201811210969A CN109190848B CN 109190848 B CN109190848 B CN 109190848B CN 201811210969 A CN201811210969 A CN 201811210969A CN 109190848 B CN109190848 B CN 109190848B
- Authority
- CN
- China
- Prior art keywords
- matrix
- concentration
- variable
- input variable
- scr system
- 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 67
- QGZKDVFQNNGYKY-UHFFFAOYSA-N Ammonia Chemical compound N QGZKDVFQNNGYKY-UHFFFAOYSA-N 0.000 claims abstract description 49
- 229910021529 ammonia Inorganic materials 0.000 claims abstract description 24
- UGFAIRIUMAVXCW-UHFFFAOYSA-N Carbon monoxide Chemical compound [O+]#[C-] UGFAIRIUMAVXCW-UHFFFAOYSA-N 0.000 claims abstract description 23
- 239000003546 flue gas Substances 0.000 claims abstract description 23
- 238000002347 injection Methods 0.000 claims abstract description 19
- 239000007924 injection Substances 0.000 claims abstract description 19
- 230000007246 mechanism Effects 0.000 claims abstract description 5
- 238000007781 pre-processing Methods 0.000 claims abstract description 4
- 239000011159 matrix material Substances 0.000 claims description 35
- 238000012549 training Methods 0.000 claims description 25
- 239000013598 vector Substances 0.000 claims description 21
- 238000012937 correction Methods 0.000 claims description 11
- 230000001934 delay Effects 0.000 claims description 9
- 238000012360 testing method Methods 0.000 claims description 8
- 102000008297 Nuclear Matrix-Associated Proteins Human genes 0.000 claims description 7
- 108010035916 Nuclear Matrix-Associated Proteins Proteins 0.000 claims description 7
- 210000000299 nuclear matrix Anatomy 0.000 claims description 7
- 230000003111 delayed effect Effects 0.000 claims description 4
- 238000002790 cross-validation Methods 0.000 claims description 3
- 239000000446 fuel Substances 0.000 claims description 3
- 239000000463 material Substances 0.000 claims description 3
- 238000005457 optimization Methods 0.000 claims description 3
- 239000002245 particle Substances 0.000 claims description 3
- 230000008569 process Effects 0.000 claims description 3
- 238000012795 verification Methods 0.000 claims description 3
- 230000006872 improvement Effects 0.000 abstract description 12
- 239000003344 environmental pollutant Substances 0.000 abstract description 3
- 231100000719 pollutant Toxicity 0.000 abstract description 3
- 230000009286 beneficial effect Effects 0.000 abstract description 2
- 239000000523 sample Substances 0.000 description 26
- 230000000694 effects Effects 0.000 description 7
- 238000005070 sampling Methods 0.000 description 7
- 238000005259 measurement Methods 0.000 description 6
- MWUXSHHQAYIFBG-UHFFFAOYSA-N Nitric oxide Chemical compound O=[N] MWUXSHHQAYIFBG-UHFFFAOYSA-N 0.000 description 5
- 230000008859 change Effects 0.000 description 4
- 238000006243 chemical reaction Methods 0.000 description 4
- 238000007664 blowing Methods 0.000 description 3
- 239000003054 catalyst Substances 0.000 description 3
- XKMRRTOUMJRJIA-UHFFFAOYSA-N ammonia nh3 Chemical compound N.N XKMRRTOUMJRJIA-UHFFFAOYSA-N 0.000 description 2
- BIGPRXCJEDHCLP-UHFFFAOYSA-N ammonium bisulfate Chemical compound [NH4+].OS([O-])(=O)=O BIGPRXCJEDHCLP-UHFFFAOYSA-N 0.000 description 2
- 238000002485 combustion reaction Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000010606 normalization Methods 0.000 description 2
- 238000005507 spraying Methods 0.000 description 2
- 238000009825 accumulation Methods 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 239000003245 coal Substances 0.000 description 1
- 230000001276 controlling effect Effects 0.000 description 1
- 238000005260 corrosion Methods 0.000 description 1
- 230000007797 corrosion Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000010790 dilution Methods 0.000 description 1
- 239000012895 dilution Substances 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000003912 environmental pollution Methods 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 238000003780 insertion Methods 0.000 description 1
- 230000037431 insertion Effects 0.000 description 1
- 238000013178 mathematical model Methods 0.000 description 1
- 238000010248 power generation Methods 0.000 description 1
- 230000036632 reaction speed Effects 0.000 description 1
- 230000001105 regulatory effect Effects 0.000 description 1
- 239000000779 smoke Substances 0.000 description 1
- 238000010977 unit operation Methods 0.000 description 1
- 239000002699 waste material Substances 0.000 description 1
- 238000002759 z-score normalization 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"
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 (8)
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,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],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;
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,其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;
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。
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S2中,核函数为高斯核函数:K(xi,xj)=exp{-||xi-xj||2/(2σ2)}。
5.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。
6.根据权利要求5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。
7.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。
8.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 | 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 | 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 CN109190848A (zh) | 2019-01-11 |
CN109190848B true CN109190848B (zh) | 2024-06-07 |
Family
ID=64945307
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811210969.6A Active CN109190848B (zh) | 2018-10-17 | 2018-10-17 | 一种基于时延预估的SCR系统NOx排放浓度预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109190848B (zh) |
Families Citing this family (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110368808B (zh) * | 2019-07-18 | 2021-10-08 | 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 |
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 |
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 |
CN111581581B (zh) * | 2020-04-23 | 2021-02-02 | 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 |
CN111540412B (zh) * | 2020-04-24 | 2021-03-09 | 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 |
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 |
CN112651166B (zh) * | 2020-11-24 | 2023-03-28 | 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 |
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 |
CN113094986B (zh) * | 2021-04-01 | 2022-01-18 | 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 |
CN115860556B (zh) * | 2022-12-14 | 2023-07-18 | 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 (4)
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 |
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 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105205224B (zh) * | 2015-08-28 | 2018-10-30 | 江南大学 | 基于模糊曲线分析的时间差高斯过程回归软测量建模方法 |
-
2018
- 2018-10-17 CN CN201811210969.6A patent/CN109190848B/zh active Active
Patent Citations (4)
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 |
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 |
---|
Model Identification of SCR Denitration System for 600MW Thermal Power Unit;Wang, Yinsong等;《2017 CHINESE AUTOMATION CONGRESS (CAC)》;20180427;全文 * |
Optimization of coal-fired boiler SCRs based on modified support vector machine models and genetic algorithms;Fengqi Si等;《Fuel》;第88卷(第5期);771-960 * |
一种克服大纯滞后的预测控制方法;刘晓峰;许忠仁;杨丙聪;;河南科技大学学报(自然科学版)(01);全文 * |
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;赵文杰等;《热力发电》;20180930;第47卷(第9期);全文 * |
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;李鹤;杨周;张义民;闻邦椿;;物理学报(07);全文 * |
基于神经网络的非线性预测控制的进一步研究;邓秋琼, 黄道平;现代计算机(06);全文 * |
基于自适应多尺度核偏最小二乘的 SCR烟气脱硝系统建模;刘吉臻等;《中国电机工程学报》;第35卷(第25期);6083-6088 * |
绕绍奇.《中华医学统计百科全书 遗传统计分册》.北京:中国统计出版社,2013,(第1版),196. * |
Also Published As
Publication number | Publication date |
---|---|
CN109190848A (zh) | 2019-01-11 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109190848B (zh) | 一种基于时延预估的SCR系统NOx排放浓度预测方法 | |
CN109062053B (zh) | 一种基于多变量校正的脱硝喷氨控制方法 | |
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 | |
Mustafaraj et al. | Development of room temperature and relative humidity linear parametric models for an open office using BMS data | |
CN111581581B (zh) | 多边界条件下SCR入口NOx浓度的检测方法和系统 | |
CN113433911B (zh) | 基于浓度精准预测的脱硝装置喷氨精准控制系统与方法 | |
CN108428017B (zh) | 基于核极限学习机分位数回归的风电功率区间预测方法 | |
CN112488145B (zh) | 一种基于智能化方法的NOx在线预测方法及系统 | |
CN111580384B (zh) | 水泥生产中分解炉温度pid控制系统参数自动调整方法 | |
CN114225662B (zh) | 一种基于滞后模型的烟气脱硫脱硝优化控制方法 | |
CN111897373A (zh) | 一种基于模型预测的scr脱硝装置喷氨流量调节方法 | |
CN114721263B (zh) | 基于机器学习和智能优化算法的水泥分解炉智慧调控方法 | |
WO2022095534A1 (zh) | 一种预测火电厂氨逃逸的方法 | |
Sha et al. | A control strategy of heating system based on adaptive model predictive control | |
CN112613237B (zh) | 一种基于LSTM的CFB机组NOx排放浓度的预测方法 | |
CN113488111B (zh) | 一种scr脱硝系统喷氨量优化建模方法 | |
CN109260948B (zh) | 波动负荷下脱硝均匀性测量优化系统及方法 | |
CN114896895A (zh) | 基于门控循环神经网络的脱硝系统入口氮氧化物排放预测方法及系统 | |
CN113608443A (zh) | 基于增强pi控制的污水处理控制方法 | |
Huang et al. | Reducing energy consumption for buildings under system uncertainty through robust MPC with adaptive bound estimator | |
CN113485106B (zh) | 一种火电厂氮氧化物浓度的控制方法 | |
Tang et al. | Soft-sensing method with online correction based on semi-supervised learning | |
CN117668715A (zh) | 一种基于GRU的火电厂NOx排放量智能预测的建模方法 | |
WO2022110115A1 (zh) | 工业过程智能控制方法和系统 | |
Yang et al. | The method of soft sensor modeling for fly ash carbon content based on ARMA deviation prediction |
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 |