CN111860923A - 基于多模型聚类集成的锅炉烟气NOx排放量预测算法 - Google Patents
基于多模型聚类集成的锅炉烟气NOx排放量预测算法 Download PDFInfo
- Publication number
- CN111860923A CN111860923A CN201910366707.7A CN201910366707A CN111860923A CN 111860923 A CN111860923 A CN 111860923A CN 201910366707 A CN201910366707 A CN 201910366707A CN 111860923 A CN111860923 A CN 111860923A
- Authority
- CN
- China
- Prior art keywords
- clustering
- new
- flue gas
- boiler flue
- algorithm
- 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
Images
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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
- G06F18/231—Hierarchical techniques, i.e. dividing or merging pattern sets so as to obtain a dendrogram
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
Landscapes
- Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Economics (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Strategic Management (AREA)
- Evolutionary Biology (AREA)
- Human Resources & Organizations (AREA)
- Game Theory and Decision Science (AREA)
- Development Economics (AREA)
- Entrepreneurship & Innovation (AREA)
- Marketing (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Feedback Control In General (AREA)
Abstract
本发明公开提供了了一种基于多模型聚类集成的锅炉烟气NOx排放量建模方法。方法包括:根据输出NOx排放量的高低划分数据空间;通过基于相关性分析的变量权重和基于信息熵的分层聚类确定参与聚类的变量;利用提出的多模型聚类集成(VMSC)算法聚类得到各子空间的隶属度矩阵;采用融合隶属度的最小二乘法对各子空间的最小二乘支持向量机(LS‑SVM)模型进行集成。本发明通过集成模糊c均值聚类(FCM)和有监督的遗传算法‑软模糊聚类(GA‑SFCM)的VMSC算法提高了预测建模的精度,能够比较准确地预测炉烟气NOx排放及其走势。
Description
技术领域
本发明涉及人工智能领域,特别是一种基于多模型聚类集成的锅炉烟气NOx排放量预测方法。
背景技术
国家对燃煤机组污染物排放的治理力度日益增强,而NOx作为火力发电污染物的主要成分之一,建立有效精确的NOx预测模型是控制污染物排放的重要手段。电站锅炉的NOx排放量受到诸如煤种、机组负荷、配风方式等因素的影响,因此往往难以用简单的传统模型进行数学描述。
目前,基于遗传算法(GA)和最小二乘支持向量机(LS-SVM)的电站锅炉NOx排放量预测已经得到了广泛应用。直接利用LS-SVM模型对电站锅炉参数建立预测模型,LS-SVM模型和其他模型相比具有更好的泛化性,然而LS-SVM模型在样本集较大时建模的效果较差。遗传算法进行寻优,遗传算法和LS-SVM结合能够更快更有效地预测NOx排放量,但其相对误差较大。
针对单一LS-SVM模型效率低和误差较大的问题,多模型集成可以有效的解决这些问题。一些复杂的工况建模问题可以采用多模型集成的方法来提高预测精度,而且在一定条件下,有着更好的鲁棒性。在采集数据的过程中,不同时刻的数据反映锅炉NOx排放量的重要性不同,因此,引入信息熵加权来衡量各数据点的重要程度。软投票聚类集成算法(VMSC)可以产生更接近于各基聚类的结果,因此可以更好地保留模糊信息,同时通过不断迭代优化,增加算法的可靠性。融合隶属度的最小二乘法相较传统的最小二乘法具有更高的精度。
发明内容
在本发明所要解决的问题是提出一种对电站锅炉NOx排放量预测的算法,准确地预测电站锅炉NOx排放的走势。
为解决上述技术问题,本发明所采取的技术方案如下。
确定所使用的样本数据。
对数据进行归一化处理。
聚类变量的筛选
其基本思想是通过相关性分析的变量权重计算和基于信息熵的分层聚类来确定参与聚类的变量,从而消除冗余变量对预测结果的影响。
基于相关性的权重计算
根据输入与输出之间的相关性,赋予输入变量不同的权重,对输出NOx排放量相关性较大的变量赋予高权重。
基于信息熵的分层聚类
引入分层聚类的方法确定不同输入变量之间的相似性。在采集数据的过程中,不同时刻的数据反映锅炉NOx排放量的重要性不同,因此,引入信息熵加权来衡量各数据点的重要程度。在信息论中,熵是对随机事件不确定性程度的度量,用来计算一个随机信号不确定性程度的大小。
软投票聚类集成算法(VMSC)
VMSC算法首先根据基聚类的聚类结果计算平均隶属度矩阵,然后利用更新函数不断迭代优化平均隶属度矩阵,最后输出满足停止条件的更新隶属度矩阵。
融合隶属度的最小二乘法
在传统最小二乘法集成模型的基础之上,加入隶属度矩阵,从而可以提高预测的精度。
本发明的有益效果是:本发明将根据输出NOx排放量的高低划分数据空间,作为子模型的基础。基于相关性分析的变量权重和基于信息熵的分层聚类确定参与聚类的变量,从而消除冗余信息,减少网络的输入量,同时保留了原始数据的最主要信息。多模型聚类集成(VMSC)算法聚类得到各子空间的隶属度矩阵,VMSC算法使最终的隶属度矩阵能够向大多数聚类结果靠拢,降低了干扰数据的影响,具有更好的稳定性和准确性。融合隶属度的最小二乘法对各子空间的最小二乘支持向量机(LS-SVM)模型进行集成,提高了预测建模的精度。因此,能够发挥算法的各自优点,快速、准确地预测锅炉烟气NOx排放量及其走势。
附图说明
图1为GA-SFCM聚类算法流程。
图2为VMSC算法流程。
图3为VMSC-LSSVM集成模型结构。
图4为分层聚类结果.
图5为VMSC-LSSVM集成模型实测值与预测值对比。
图6为不同聚类变量实测值与预测值对比。
图7为不同单一模型实测值与预测值对比。
图8为不同集成模型实测值与预测值对比。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白,下面将结合附图,对本发明进行进一步详细说明。应当理解,此处所描述的具体实施方式仅仅用以解释本发明,并不用于限定本发明。
确定所使用的样本数据。
本发明所使用的数据,本文数据来源于法国阿尔斯通公司生产制造的1 099.3 t/h强制循环锅炉。输入变量共10个,依次为机组负荷,煤的挥发分,煤的低位热值,一次风压力(PA_SET),一次风门A、B、C的开度(SE_A、SE_B、SE_C),上、下三次风门开度(SR_U、SR_D),烟气氧含量(ρ(O2));输出为NOx排放量。经过大量的正交试验得到不同稳态工况下的105组数据。前90条数据作为训练数据,后15条数据作为预测数据。
对数据样本进行归一化处理。
式中,x为输入变量,xmin为该数据最小值,xmax为该数据最大值,x′为预处理后输入变量。
根据输出NOx值的大小将样本数据初步划分为Dl、Dm、Dh3个数据子空间,子区域的重叠部分可以更好地反映系统的动态特性。
根据输入与输出之间的相关性,赋予输入变量不同的权重,对输出NOx排放量相关性较大的变量赋予高权重。
式中,Ci为每个输入变量和输出NOx排放量的相关度;xi为第i个输入变量,xi=[xi1,xi2,...,xin];yNOx为输出NOx排放量,yNOx=[y1,y2,...,yn];m为输入变量的个数。
式中ωi为每个输入变量的权重。
引入分层聚类的方法确定不同输入变量之间的相似性。
假设已知多维数据集X=[x1,x2,...xm],则xi=[xi1,xi2,...,xin],n为数据总数,不同维度的数据需要进行标准化处理,标准化处理公式为
第j维数据的熵为
第j维度的权重为
对某维度而言,该维度中包含的信息越多,其信息熵的值越小,对应的权重越大,则对聚类结果的影响越大,反之亦然。各维度相互的距离采取改进的加权优化的曼哈顿距离来计算,各维度之间的距离定义为
根据式(8)得到的距离矩阵进行分层聚类。
利用VMSC进行聚类集成。
根据SFCM和GA-SFCM得到t个基聚类结果,利用式(9)计算平均隶属度矩阵Uavg,令Unew=Uavg。
根据停止条件判断Unew是否满足要求,如果满足条件则执行步骤[0056],如果不满足停止条件,则将更新后的Unew作为新的输入,返回步骤[0053];
输出满足条件的更新隶属度矩阵Unew。
Claims (5)
1.一种基于多模型聚类集成的锅炉烟气NOx排放量预测算法。根据输出NOx排放量的高低划分数据空间;通过基于相关性分析的变量权重和基于信息熵的分层聚类确定参与聚类的变量;利用提出的多模型聚类集成(VMSC)算法聚类得到各子空间的隶属度矩阵;采用融合隶属度的最小二乘法对各子空间的最小二乘支持向量机(LS-SVM)模型进行集成,即可得锅炉烟气NOx排放量。
2.根据权利要求1所述的基于多模型聚类集成的锅炉烟气NOx排放量预测算法,其特征在于,划分高中低三个数据子空间,其具体步骤为:
(1)数据归一化。
(2)根据输出数据的高中低值划分样本子空间。
3.根据权利要求1所述的基于多模型聚类集成的锅炉烟气NOx排放量预测算法,其特征在于,进行聚类变量的有效筛选,其具体步骤为:
(1)根据输入与输出之间的相关性,赋予输入变量对输出变量的相关性。
(2)根据相关性计算每个输入变量的权重。
(3)计算每个输入变量的信息熵。
(4)基于信息熵计算不同输入变量之间的改进的加权优化的曼哈顿距离。
(5)对输入变量进行分层聚类。
(6)进行变量筛选。
4.根据权利要求1所述的基于多模型聚类集成的锅炉烟气NOx排放量预测算法,其特征在于,基于软投票的聚类集成,其具体步骤为:
(1)选取基聚类为软模糊c均值聚类(SFCM)和遗传算法-软模糊c均值聚类(GA-SFCM)。
(2)利用两个基聚类器进行聚类,每个基聚类器聚类10次。
(3)计算平均隶属度矩阵Uavg,令Unew=Uavg。
(5)重根据停止条件判断Unew是否满足要求,如果满足条件则执行步骤(6),如果不满足停止条件,则将更新后的Unew作为新的输入,返回步骤(3)。
(6)输出满足条件的更新隶属度矩阵Unew。
5.根据权利要求1所述的基于多模型聚类集成的锅炉烟气NOx排放量预测算法,其特征在于融合隶属度的最小二乘法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910366707.7A CN111860923A (zh) | 2019-04-25 | 2019-04-25 | 基于多模型聚类集成的锅炉烟气NOx排放量预测算法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910366707.7A CN111860923A (zh) | 2019-04-25 | 2019-04-25 | 基于多模型聚类集成的锅炉烟气NOx排放量预测算法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111860923A true CN111860923A (zh) | 2020-10-30 |
Family
ID=73475818
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910366707.7A Pending CN111860923A (zh) | 2019-04-25 | 2019-04-25 | 基于多模型聚类集成的锅炉烟气NOx排放量预测算法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111860923A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114183760A (zh) * | 2021-12-01 | 2022-03-15 | 广州环投从化环保能源有限公司 | 一种基于多模型加权预测的垃圾焚烧炉脱硝控制方法 |
-
2019
- 2019-04-25 CN CN201910366707.7A patent/CN111860923A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114183760A (zh) * | 2021-12-01 | 2022-03-15 | 广州环投从化环保能源有限公司 | 一种基于多模型加权预测的垃圾焚烧炉脱硝控制方法 |
CN114183760B (zh) * | 2021-12-01 | 2024-03-12 | 广州环投从化环保能源有限公司 | 一种基于多模型加权预测的垃圾焚烧炉脱硝控制方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN104534507B (zh) | 一种锅炉燃烧优化控制方法 | |
CN112163380A (zh) | 基于数值模拟的神经网络预测炉膛氧气浓度系统及方法 | |
CN111006240B (zh) | 一种生物质锅炉炉膛温度和负荷预测方法 | |
CN108985381B (zh) | 氮氧化物排放量预测模型的确定方法、装置及设备 | |
CN112036100B (zh) | 一种基于数值模拟利用回归算法预测炉膛氧气浓度的方法 | |
CN110597070B (zh) | 火电机组系统模型参数的辨识方法 | |
CN113405106B (zh) | 一种垃圾焚烧过程的人工智能控制方法 | |
Tang et al. | A deep learning model for measuring oxygen content of boiler flue gas | |
CN112765902A (zh) | 基于TentFWA-GD的RBF神经网络软测量建模方法及其应用 | |
Xu et al. | A novel online combustion optimization method for boiler combining dynamic modeling, multi-objective optimization and improved case-based reasoning | |
CN109492816B (zh) | 一种基于混合智能的煤与瓦斯突出动态预测方法 | |
CN114818487A (zh) | 一种基于pso-bp神经网络的天然气湿气管道持液率预测模型方法 | |
Li et al. | Improvement for energy efficiency and control characteristics in variable air volume system using in-situ sensor calibration method based on autoencoder | |
CN111860923A (zh) | 基于多模型聚类集成的锅炉烟气NOx排放量预测算法 | |
Jakubek et al. | Artificial neural networks for fault detection in large-scale data acquisition systems | |
CN112836920A (zh) | 煤电机组能效状态评价方法、装置及煤电机组系统 | |
CN110728072B (zh) | 一种确定数字反应堆计算流体力学分析网格尺寸的方法 | |
CN113049259A (zh) | 台架控制系统的模糊控制方法、存储介质及设备 | |
CN115526433A (zh) | 一种基于集成混合模型的电厂再热烟气挡板操作预测方法 | |
CN114970353A (zh) | 基于缺失数据填充的mswi过程二噁英排放软测量方法 | |
CN115751441A (zh) | 基于二次侧流量的供热系统热力站热量调节方法及系统 | |
CN115527078A (zh) | 数据预测方法、装置、设备以及模型训练方法 | |
Zheng et al. | Improved prediction of nitrogen oxides using GRNN with k-means clustering and EDA | |
Yin et al. | NOx concentration prediction in coal-fired power plant based on CNN-LSTM algorithm | |
Yuxin et al. | Prediction of Boiler Control Parameters Based on LSTM Neural Network |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
DD01 | Delivery of document by public notice |
Addressee: Liu Huaiyuan Document name: Notice of publication of application for patent for invention |
|
DD01 | Delivery of document by public notice | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20201030 |
|
WD01 | Invention patent application deemed withdrawn after publication |