CN111931426A - Scr反应器入口氮氧化物浓度影响因素的确定方法及设备 - Google Patents
Scr反应器入口氮氧化物浓度影响因素的确定方法及设备 Download PDFInfo
- Publication number
- CN111931426A CN111931426A CN202011026864.2A CN202011026864A CN111931426A CN 111931426 A CN111931426 A CN 111931426A CN 202011026864 A CN202011026864 A CN 202011026864A CN 111931426 A CN111931426 A CN 111931426A
- Authority
- CN
- China
- Prior art keywords
- factor
- factors
- inlet
- scr reactor
- concentration
- 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
- MWUXSHHQAYIFBG-UHFFFAOYSA-N nitrogen oxide Inorganic materials O=[N] MWUXSHHQAYIFBG-UHFFFAOYSA-N 0.000 title claims abstract description 223
- 238000000034 method Methods 0.000 title claims abstract description 53
- 238000010531 catalytic reduction reaction Methods 0.000 title description 3
- 238000012549 training Methods 0.000 claims abstract description 38
- 230000006870 function Effects 0.000 claims abstract description 35
- 230000015654 memory Effects 0.000 claims description 20
- 239000003245 coal Substances 0.000 claims description 9
- 238000012545 processing Methods 0.000 claims description 7
- 238000004422 calculation algorithm Methods 0.000 claims description 6
- UGFAIRIUMAVXCW-UHFFFAOYSA-N Carbon monoxide Chemical compound [O+]#[C-] UGFAIRIUMAVXCW-UHFFFAOYSA-N 0.000 claims description 5
- 238000002790 cross-validation Methods 0.000 claims description 5
- 239000003546 flue gas Substances 0.000 claims description 5
- 238000012163 sequencing technique Methods 0.000 claims description 5
- 239000013598 vector Substances 0.000 claims description 5
- QVGXLLKOCUKJST-UHFFFAOYSA-N atomic oxygen Chemical compound [O] QVGXLLKOCUKJST-UHFFFAOYSA-N 0.000 claims description 4
- 238000010606 normalization Methods 0.000 claims description 4
- 238000013450 outlier detection Methods 0.000 claims description 4
- 239000001301 oxygen Substances 0.000 claims description 4
- 229910052760 oxygen Inorganic materials 0.000 claims description 4
- 238000004590 computer program Methods 0.000 claims description 3
- 230000008569 process Effects 0.000 abstract description 5
- 238000004891 communication Methods 0.000 description 10
- QGZKDVFQNNGYKY-UHFFFAOYSA-N Ammonia Chemical compound N QGZKDVFQNNGYKY-UHFFFAOYSA-N 0.000 description 8
- 239000000243 solution Substances 0.000 description 7
- 238000005516 engineering process Methods 0.000 description 6
- 229910021529 ammonia Inorganic materials 0.000 description 4
- 238000002347 injection Methods 0.000 description 4
- 239000007924 injection Substances 0.000 description 4
- 238000004364 calculation method Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 238000007405 data analysis Methods 0.000 description 2
- 238000003066 decision tree Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000000670 limiting effect Effects 0.000 description 2
- 238000013178 mathematical model Methods 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- 230000002411 adverse Effects 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000002485 combustion reaction Methods 0.000 description 1
- 230000003111 delayed effect Effects 0.000 description 1
- 238000012217 deletion Methods 0.000 description 1
- 230000037430 deletion Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000009977 dual effect Effects 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 239000007789 gas Substances 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 238000000691 measurement method Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000036961 partial effect Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000006722 reduction reaction Methods 0.000 description 1
- 230000002829 reductive effect Effects 0.000 description 1
- 230000006403 short-term memory Effects 0.000 description 1
- 239000000779 smoke Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/243—Classification techniques relating to the number of classes
- G06F18/24323—Tree-organised classifiers
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
- G06N20/10—Machine learning using kernel methods, e.g. support vector machines [SVM]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/044—Recurrent networks, e.g. Hopfield networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- General Physics & Mathematics (AREA)
- Software Systems (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Health & Medical Sciences (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Medical Informatics (AREA)
- Computer Hardware Design (AREA)
- Geometry (AREA)
- Feedback Control In General (AREA)
Abstract
本公开一个或多个实施例提供了一种SCR反应器入口氮氧化物浓度影响因素的确定方法及设备，该方法使用预先训练好的SCR反应器入口氮氧化物浓度预测模型对候选因素对应的训练样本进行训练，然后将与模型对应的目标函数的值作为每个特征的排序系数，通过对排序系数进行排序得到所有因素序列的集合，并删除对SCR反应器入口氮氧化物浓度影响最小的因素，使用剩余因素迭代重新训练模型以及剔除影响最小的因素的过程，直至集合为空，按照剔除因素的先后顺序，对因素进行排序，得到最终的因素排序集合，从而可按照各因素对SCR反应器入口氮氧化物浓度的影响度的来对各因素进行排序，可有效选择出对SCR反应器入口氮氧化物浓度影响的因素。
Description
技术领域
本公开一个或多个实施例涉及数据处理技术领域，尤其涉及一种SCR反应器入口氮氧化物浓度影响因素的确定方法及设备。
背景技术
目前，常见的脱硝技术中SCR（Selective Catalytic Reduction，选择性催化还原）烟气脱硝技术较为普遍被使用，其中喷氨量的控制是其重要过程。而喷氨量的计算是根据SCR反应器出入口NOx（氮氧化物）、烟气量以及氧量等参数计算，入口NOx浓度的测量准确性对喷氨量的多少至关重要。目前，主要通过CEMS（Continuous Emission MonitoringSystem，连续排放检测系统）对烟气中的NOx成分进行实时测量。然而，这种测量方法成本较高，且测量后分析数据耗时较长导致测量值反馈存在严重滞后，势必导致脱硝系统入口NOx难以实时准确的展现，最终导致脱硝系统对NOx的控制效果不理想，影响锅炉安全运行。
随着人工智能、互联网+等技术的发展，使得智能化控制方式应用于脱硝反应器入口NOx的预测称为了一种可能，这种预测方式能够提高入口NOx的预测精度，减少延迟效应带来的入口NOx测不准的问题。但这种NOx预测方式的前提是数据的准确性及特征参数的选择问题，如参数选的特征太多就会造成预测结果的冗余且增加计算时间，参数选的太少导致入口NOx预测精度降低。所以，参数的选择对入口NOx的预测精度有着至关重要的作用，如何选择与入口NOx浓度相关度较高的影响因素是一个亟需解决的问题。
发明内容
有鉴于此，本公开一个或多个实施例的目的在于提出一种SCR反应器入口氮氧化物浓度影响因素的确定方法及设备，以解决相关技术中如何选择SCR反应器入口氮氧化物浓度影响因素的问题。
本公开一个或多个实施例提供了一种SCR反应器入口氮氧化物浓度影响因素的确定方法，包括：确定影响SCR反应器入口氮氧化物浓度的候选因素集合；获取所述候选因素集合中各因素对应的训练样本；利用预先训练得到的SCR反应器入口氮氧化物浓度预测模型对所述训练样本进行训练，得到重新训练后的预测模型；根据重新训练后的预测模型的参数确定与重新训练后的预测模型对应的目标函数的参数；根据所述目标函数计算出各所述候选因素集合中的各因素的排序系数；根据所述排序系数从所述候选因素集合中剔除对所述SCR反应器入口氮氧化物浓度影响最小的因素；循环执行将剔除对SCR反应器入口氮氧化物浓度影响最小的因素后的集合中的各因素对应的样本重新训练预测模型以及重新训练预测模型之后的步骤，直到所述集合为空；根据剔除所述候选因素的顺序确定所述候选因素的排序。
可选的，所述候选因素至少包括以下两种：燃煤机组负荷、总风量、总煤量、总一次风量、总二次风量、烟气含氧量、燃尽风门开度、磨煤机给煤量以及二次风门开度。
可选的，所述训练样本包括各所述候选因素对应的时间序列信号，以及SCR反应器入口的氮氧化物浓度对应的时间序列信号。
可选的，所述预测模型基于支持向量回归机SVR算法构建，所述重新训练后的预测模型的参数包括：惩罚系数、不敏感参数以及核函数参数。
可选的，所述惩罚系数的取值范围为2-5-225，所述不敏感参数的取值范围为0.002-0.1，所述核函数选择高斯核函数，所述核函数的取值范围为2-15-215。
可选的，所述方法还包括：在利用预先训练得到的预测模型对所述训练样本进行训练之后，通过网格搜索方法和/或交叉验证方法调整所述惩罚系数、所述不敏感参数以及所述核函数参数。
可选的，所述方法还包括：在根据剔除所述候选因素的顺序确定所述候选因素的排序之后，对所述候选因素进行排序，得到并输出候选因素队列；根据所述候选因素队列中候选因素的顺序从所述候选因素中选择预设个数的目标因素；根据所述目标因素对所述SCR反应器入口的氮氧化物的浓度进行预测。
可选的，所述方法还包括：在获取所述候选因素集合对应的训练样本之后，对获取到的训练样本进行离群点检测以及数据归一化处理，得到处理后的训练样本。
可选的，根据所述排序系数从所述候选因素集合中剔除对所述SCR反应器入口氮氧化物浓度影响最小的因素，包括：根据各因素的排序系数确定各因素对SCR反应器入口氮氧化物浓度的影响度；按照各因素的所述影响度由大到小的顺序进行排序，得到因素序列；剔除所述因素序列中末尾的因素。
本公开的一个或多个实施例还提供了一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现上述任意一种SCR反应器入口氮氧化物浓度影响因素的确定方法。
从上面所述可以看出，本公开一个或多实施例提供的SCR反应器入口氮氧化物浓度影响因素的确定方法，该方法使用预先训练好的SCR反应器入口氮氧化物浓度预测模型对候选因素对应的训练样本进行训练，然后将与模型对应的目标函数的值作为每个特征的排序系数，通过对排序系数进行排序得到所有因素序列的集合，并删除对SCR反应器入口氮氧化物浓度影响最小的因素，使用剩余因素迭代重新训练模型以及剔除影响最小的因素的过程，直至集合为空，按照剔除因素的先后顺序，对因素进行排序，得到最终的因素排序集合，从而可按照各因素对SCR反应器入口氮氧化物浓度的影响度的来对各因素进行排序，可有效选择出对SCR反应器入口氮氧化物浓度影响的因素。
附图说明
图1是根据本公开一个或多个实施例示出的一种SCR反应器入口氮氧化物浓度影响因素的确定方法的流程图；
图2是根据本公开一个或多个实施例示出的一种SCR反应器入口氮氧化物浓度影响因素的确定方法的流程图；
图3是根据本公开一个或多个实施例示出的一种电子设备的框图。
具体实施方式
下面将结合实施例对本公开的技术方案进行清楚、完整地描述，显然，所描述的实施例是本公开一部分实施例，而不是全部的实施例。基于本公开中的实施例，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，都属于本公开保护的范围。
在本公开的描述中，需要理解的是，术语"中心"、"纵向"、"横向"、"长度"、"宽度"、"厚度"、"上"、"下"、"前"、"后"、"左"、"右"、"竖直"、"水平"、"顶"、"底"、"内"、"外"、"顺时针"、"逆时针"等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本公开和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本公开的限制。
此外，术语"第一"、"第二"仅用于描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有"第一"、"第二"的特征可以明示或者隐含地包括一个或者更多个所述特征。在本公开的描述中，"多个"的含义是两个或两个以上，除非另有明确具体的限定。此外，术语“安装”、“相连”、“连接”应做广义理解，例如，可以是固定连接，也可以是可拆卸连接，或一体地连接；可以是机械连接，也可以是电连接；可以是直接相连，也可以通过中间媒介间接相连，可以是两个元件内部的连通。对于本领域的普通技术人员而言，可以具体情况理解上述术语在本公开中的具体含义。
图1是根据本公开一示例性实施例示出的一种SCR反应器入口氮氧化物浓度影响因素的确定方法的流程图，如图1所示，该方法包括：
步骤101：确定影响SCR反应器入口氮氧化物浓度的候选因素集合；
例如可获取与SCR反应器入口的氮氧化物相关的燃煤机组的历史运行数据，通过对燃煤机组锅炉燃烧原理及SCR脱硝反应器机理的分析，确定这些历史运行数据中与SCR反应器入口NOx相关的影响因素，作为候选因素。
步骤102：获取所述候选因素集合中各因素对应的训练样本；
在本公开的一个或多个实施例中，训练样本例如可以包括与SCR反应器入口的氮氧化物浓度相关的各因素对应的参数，以及SCR反应器入口的氮氧化物浓度，其中，各因素作为样本特征，SCR反应器入口的氮氧化物浓度作为特征的标签。
步骤103：利用预先训练得到的SCR反应器入口氮氧化物浓度影响因素的预测模型对所述训练样本进行训练，得到重新训练后的预测模型；
在本公开的一个或多个实施例中，可使用DT（Decision Tree，决策树）、LSTM（LongShort-Term Memory，长短期记忆网络）以及SVR（Support Vactor Regression，支持向量回归机）中任意一种算法训练SCR反应器入口氮氧化物浓度影响因素的预测模型。
以下以基于SVR算法训练上述预测模型为例，对上述预测模型的训练进行说明，在此之前首先对SVR算法进行说明。
SVR基本数学模型为
，一般处理的问题都是非线性问题，根据核函数
将非线性问题转换成线性问题，将所述输入/输出时间序列信号对(x i ,y i )（为上述预测模型的输入以及输出的一个示例）映射到高维空间，得到SVR模型在高维空间的表达形式
，式中，
以及
为模型参数，
为权重矢量矩阵，
为偏置常数。
数学模型
对应的目标函数为：
其中，
和
为松弛变量。
其对应的约束条件为：
上述问题的求解，可引入拉格朗日乘子
，并定义拉格朗日函数L：
分别对参数
求偏导数：
根据上式将目标函数转换成其对偶问题：
SVR模型转换为：
在一个例子中，如图2所示，先确定该模型的输入为X=[x 1, x 2,…, x n ] T =[x ij ] nⅹp 和Y=[y 1, y 2,…,y n ] T ，其中，X=[x 1, x 2,…, x n ] T =[x ij ] nⅹp 为影响SCR反应器入口NOx浓度的因素的时间序列信号，Y=[y 1, y 2,…,y n ] T 为SCR反应器入口NOx浓度的时间序列信号，其中，i=1,2,…,t,…n，j=1,2,……p，n为燃煤机组的历史运行数据的采样个数，p为与SCR反应器入口NOx浓度相关输入变量个数。
步骤104：根据重新训练后的预测模型的参数确定与重新训练后的预测模型对应的目标函数的参数；
沿用上述例子，在重新训练预测模型之前，SCR反应器入口NOx影响因素的排序表R=[]，假设当前SCR反应器入口NOx影响因素S=[1,2,3,…,p]，即具有p个影响因素，根据S获取当前训练样本X 0=X(:,S)，利用预先训练得到的上述预测模型对当前训练样本进行训练得到重新训练后的预测模型。
预测模型对应的目标函数为：
其中，
为第i个特征删除后核函数的值，
为核函数，
为每个SCR反应器入口NOx影响因素的排序系数，
根据上述公式（3）的系数得到。
步骤105：根据所述目标函数计算出各所述候选因素集合中的各因素的排序系数；
沿用上述例子，可利用上述目标函数计算每个入口NOx影响因素的排序系数，对计算得到的排序系数进行排序，确定出排序系数最小的影响因素对应的索引值f=argmin(Rank)，并更新SCR反应器入口NOx影响因素排序表R=[S(f),R]。
步骤106：根据所述排序系数从所述候选因素集合中剔除对所述SCR反应器入口氮氧化物浓度影响最小的因素；
沿用上述例子，从当前剩余影响因素中删除掉排序系数值最小的影响因素，并更新S，得到S=[1,2,…f-1,f+1,…,p]。
步骤107：循环执行将剔除对SCR反应器入口氮氧化物浓度影响最小的因素后的集合中的各因素对应的样本重新训练预测模型以及重新训练预测模型之后的步骤，直到所述集合为空；
即，循环执行上述步骤103至步骤106，直到S=[]，得到SCR反应器入口NOx浓度的影响因素排序表R，进而还可根据R确定与入口NOx最相关的影响因素。
步骤108：根据剔除所述候选因素的顺序确定所述候选因素的排序。
例如，可按照后删除先保留的原则得到最终的候选因素排序集合。
本公开一个或多实施例提供的SCR反应器入口氮氧化物浓度影响因素的确定方法，该方法使用预先训练好的SCR反应器入口氮氧化物浓度预测模型对候选因素对应的训练样本进行训练，然后将与模型对应的目标函数的值作为每个特征的排序系数，通过对排序系数进行排序得到所有因素序列的集合，并删除对SCR反应器入口氮氧化物浓度影响最小的因素，使用剩余因素迭代重新训练模型以及剔除影响最小的因素的过程，直至集合为空，按照剔除因素的先后顺序，对因素进行排序，得到最终的因素排序集合，从而可按照各因素对SCR反应器入口氮氧化物浓度的影响度的来对各因素进行排序，可有效选择出对SCR反应器入口氮氧化物浓度影响的因素，为SCR反应器系统中预测SCR反应器入口氮氧化物的浓度提供了较佳的输入样本空间，减少数据冗余，为提高预测SCR反应器入口氮氧化物浓度的精度奠定了基础，且对于喷氨量的调整具有重要意义。
在本公开的一个或多个实施例中，所述候选因素至少包括以下两种：
机组负荷、总风量、总煤量、总一次风量、总二次风量、烟气含氧量、燃尽风门开度、磨煤机给煤量以及二次风门开度。沿用上述例子，这些候选因素中的至少两种候选因素组成了上述时间序列信号X。
在本公开的一个或多个实施例中，所述训练样本可包括各所述候选因素对应的时间序列信号，如上述例子中的时间序列信号X=[x 1, x 2,…, x n ] T =[x ij ] nⅹp ，以及SCR反应器入口的氮氧化物浓度对应的时间序列信号，如上述时间序列信号Y=[y 1, y 2,…,y n ] T 。其中，各候选因素以及SCR反应器入口的氮氧化物浓度对应的时间序列信号可通过对采集到的燃煤机组的历史运行数据进行处理后得到。
在本公开的一个或多个实施例中，所述预测模型可基于支持向量回归机SVR算法构建，所述重新训练后的预测模型的参数可包括：惩罚系数、不敏感参数以及核函数参数。在上述例子中，遍历惩罚系数用C表示，不敏感参数用
表示，基于这些模型参数，预测模型参数的初始化可根据SVR的参数范围给定一组SVR初始参数，以建立初始模型。
在本公开的一个或多个实施例中，所述惩罚系数的取值范围可为2-5-225，所述不敏感参数的取值范围可为0.002-0.1，所述核函数选择高斯核函数，所述核函数的取值范围可为2-15-215，实验表明，经过该三项参数的设定，可有效提高SCR反应器入口的氮氧化物浓度预测的精度。
在本公开的一个或多个实施例中，SCR反应器入口氮氧化物浓度影响因素的确定方法还可包括：
在利用预先训练得到的预测模型对所述训练样本进行训练之后，通过网格搜索方法和/或交叉验证方法调整所述惩罚系数、所述不敏感参数以及所述核函数参数。例如，网格搜索方法可通过对指定参数值的进行穷举搜索，仍以SVR算法为例，可遍历惩罚系数C、不敏感参数
及核函数参数等SVR参数的取值范围；交叉验证可采用十折交叉验证，将采集的燃煤机组的历史运行数据（X,Y）平均分成10份，每次选择一份作为测试集，其余9份作为训练集，计算SVR模型的均方根误差并重复执行10次，并根据10次的误差平均值作为最终的计算精度。根据计算的精度进一步缩小惩罚系数C、不敏感参数
及核函数参数等SVR参数的范围，并重复上述步骤，直至计算精度达到最优精度，得到最优SVR参数，并据此得到最优SVR模型。
在本公开的一个或多个实施例中，上述SCR反应器入口氮氧化物浓度影响因素的确定方法还可包括：
在根据剔除所述候选因素的顺序确定所述候选因素的排序之后，对所述候选因素进行排序，得到并输出候选因素队列；
根据所述候选因素队列中候选因素的顺序从所述候选因素中选择预设个数的目标因素，例如，可根据预测精度的要求设定预设个数的数值，例如，要求预测精度越高，可设定预设个数的数值越大。
根据所述目标因素对所述SCR反应器入口的氮氧化物的浓度进行预测，例如，可将目标因素对应的预测数据输入上述预测模型，得到SCR反应器入口的氮氧化物的浓度的预测值。
在本公开的一个或多个实施例中，上述SCR反应器入口氮氧化物浓度影响因素的确定方法还可包括：
在获取所述候选因素集合对应的训练样本之后，对所述训练样本进行离群点检测以及数据归一化处理。例如，离群点检测可采用3σ方式检测偏离正常值的点，若样本x偏离平均值超过3倍的标准差，则认为是离群点，离群点与正常样本点的趋势不一致，对数据分析及预测产生不利影响，对于离群点采取插值方法进行代替，从而可减少数据分析过程中异常点的影响；数据归一化可根据x=(x-x min )/(x max -x min )方式归一化到[0,1]的数值范围内，以消除SCR系统中各影响因素的量纲及量程的影响。
在本公开的一个或多个实施例中，根据所述排序系数从所述候选因素集合中剔除对所述SCR反应器入口氮氧化物浓度影响最小的因素可包括：
根据各因素的排序系数确定各因素对SCR反应器入口氮氧化物浓度的影响度；
按照各因素的所述影响度由大到小的顺序进行排序，得到因素序列；
剔除所述因素序列中末尾的因素。
本公开的一个或多个实施例还提供了一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现上述任意一种SCR反应器入口氮氧化物浓度影响因素的确定方法。
需要说明的是，本公开一个或多个实施例的方法可以由单个设备执行，例如一台计算机或服务器等。本实施例的方法也可以应用于分布式场景下，由多台设备相互配合来完成。在这种分布式场景的情况下，这多台设备中的一台设备可以只执行本公开一个或多个实施例的方法中的某一个或多个步骤，这多台设备相互之间会进行交互以完成所述的方法。
上述对本公开特定实施例进行了描述。其它实施例在所附权利要求书的范围内。在一些情况下，在权利要求书中记载的动作或步骤可以按照不同于实施例中的顺序来执行并且仍然可以实现期望的结果。另外，在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中，多任务处理和并行处理也是可以的或者可能是有利的。
为了描述的方便，描述以上装置时以功能分为各种模块分别描述。当然，在实施本公开一个或多个实施例时可以把各模块的功能在同一个或多个软件和/或硬件中实现。
上述实施例的装置用于实现前述实施例中相应的方法，并且具有相应的方法实施例的有益效果，在此不再赘述。
图3是根据本公开一个或多个实施例示出的一种电子设备的结构框图，该设备可以包括：处理器1010、存储器1020、输入/输出接口1030、通信接口1040和总线1050。其中处理器1010、存储器1020、输入/输出接口1030和通信接口1040通过总线1050实现彼此之间在设备内部的通信连接。
处理器1010可以采用通用的CPU（Central Processing Unit，中央处理器）、微处理器、应用专用集成电路（Application Specific Integrated Circuit，ASIC）、或者一个或多个集成电路等方式实现，用于执行相关程序，以实现本公开实施例所提供的技术方案。
存储器1020可以采用ROM（Read Only Memory，只读存储器）、RAM（Random AccessMemory，随机存取存储器）、静态存储设备，动态存储设备等形式实现。存储器1020可以存储操作系统和其他应用程序，在通过软件或者固件来实现本公开实施例所提供的技术方案时，相关的程序代码保存在存储器1020中，并由处理器1010来调用执行。
输入/输出接口1030用于连接输入/输出模块，以实现信息输入及输出。输入输出/模块可以作为组件配置在设备中（图中未示出），也可以外接于设备以提供相应功能。其中输入设备可以包括键盘、鼠标、触摸屏、麦克风、各类传感器等，输出设备可以包括显示器、扬声器、振动器、指示灯等。
通信接口1040用于连接通信模块（图中未示出），以实现本设备与其他设备的通信交互。其中通信模块可以通过有线方式（例如USB、网线等）实现通信，也可以通过无线方式（例如移动网络、WIFI、蓝牙等）实现通信。
总线1050包括一通路，在设备的各个组件（例如处理器1010、存储器1020、输入/输出接口1030和通信接口1040）之间传输信息。
需要说明的是，尽管上述设备仅示出了处理器1010、存储器1020、输入/输出接口1030、通信接口1040以及总线1050，但是在具体实施过程中，该设备还可以包括实现正常运行所必需的其他组件。此外，本领域的技术人员可以理解的是，上述设备中也可以仅包含实现本公开实施例方案所必需的组件，而不必包含图中所示的全部组件。
本实施例的计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括，但不限于相变内存（PRAM）、静态随机存取存储器（SRAM）、动态随机存取存储器（DRAM）、其他类型的随机存取存储器（RAM）、只读存储器（ROM）、电可擦除可编程只读存储器（EEPROM）、快闪记忆体或其他内存技术、只读光盘只读存储器（CD-ROM）、数字多功能光盘（DVD）或其他光学存储、磁盒式磁带，磁带磁磁盘存储或其他磁性存储设备或任何其他非传输介质，可用于存储可以被计算设备访问的信息。
最后应说明的是：以上各实施例仅用以说明本公开的技术方案，而非对其限制；尽管参照前述各实施例对本公开进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分或者全部技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本公开各实施例技术方案的范围。
Claims (10)
1.一种SCR反应器入口氮氧化物浓度影响因素的确定方法，其特征在于，包括：
确定影响SCR反应器入口氮氧化物浓度的候选因素集合；
获取所述候选因素集合中各因素对应的训练样本；
利用预先训练得到的SCR反应器入口氮氧化物浓度预测模型对所述训练样本进行训练，得到重新训练后的预测模型；
根据重新训练后的预测模型的参数确定与重新训练后的预测模型对应的目标函数的参数；
根据所述目标函数计算出各所述候选因素集合中的各因素的排序系数；
根据所述排序系数从所述候选因素集合中剔除对所述SCR反应器入口氮氧化物浓度影响最小的因素；
循环执行将剔除对SCR反应器入口氮氧化物浓度影响最小的因素后的集合中的各因素对应的样本重新训练预测模型以及重新训练预测模型之后的步骤，直到所述集合为空；
根据剔除所述候选因素的顺序确定所述候选因素的排序。
2.根据权利要求1所述的SCR反应器入口氮氧化物浓度影响因素的确定方法，其特征在于，所述候选因素至少包括以下两种：
燃煤机组负荷、总风量、总煤量、总一次风量、总二次风量、烟气含氧量、燃尽风门开度、磨煤机给煤量以及二次风门开度。
3.根据权利要求1或2所述的SCR反应器入口氮氧化物浓度影响因素的确定方法，其特征在于，所述训练样本包括各所述候选因素对应的时间序列信号，以及SCR反应器入口的氮氧化物浓度对应的时间序列信号。
4.根据权利要求1所述的SCR反应器入口氮氧化物浓度影响因素的确定方法，其特征在于，所述预测模型基于支持向量回归机SVR算法构建，所述重新训练后的预测模型的参数包括：
惩罚系数、不敏感参数以及核函数参数。
5.根据权利要求4所述的SCR反应器入口氮氧化物浓度影响因素的确定方法，其特征在于，所述惩罚系数的取值范围为2-5-225，所述不敏感参数的取值范围为0.002-0.1，所述核函数选择高斯核函数，所述核函数的取值范围为2-15-215。
6.根据权利要求5所述的SCR反应器入口氮氧化物浓度影响因素的确定方法，其特征在于，所述方法还包括：
在利用预先训练得到的预测模型对所述训练样本进行训练之后，通过网格搜索方法和/或交叉验证方法调整所述惩罚系数、所述不敏感参数以及所述核函数参数。
7.根据权利要求1所述的SCR反应器入口氮氧化物浓度影响因素的确定方法，其特征在于，所述方法还包括：
在根据剔除所述候选因素的顺序确定所述候选因素的排序之后，对所述候选因素进行排序，得到并输出候选因素队列；
根据所述候选因素队列中候选因素的顺序从所述候选因素中选择预设个数的目标因素；
根据所述目标因素对所述SCR反应器入口的氮氧化物的浓度进行预测。
8.根据权利要求1所述的SCR反应器入口氮氧化物浓度影响因素的确定方法，其特征在于，所述方法还包括：
在获取所述候选因素集合对应的训练样本之后，对获取到的训练样本进行离群点检测以及数据归一化处理，得到处理后的训练样本。
9.根据权利要求1所述的SCR反应器入口氮氧化物浓度影响因素的确定方法，其特征在于，根据所述排序系数从所述候选因素集合中剔除对所述SCR反应器入口氮氧化物浓度影响最小的因素，包括：
根据各因素的排序系数确定各因素对SCR反应器入口氮氧化物浓度的影响度；
按照各因素的所述影响度由大到小的顺序进行排序，得到因素序列；
剔除所述因素序列中末尾的因素。
10.一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现如权利要求1至9任一项所述的SCR反应器入口氮氧化物浓度影响因素的确定方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011026864.2A CN111931426B (zh) | 2020-09-25 | 2020-09-25 | Scr反应器入口氮氧化物浓度影响因素的确定方法及设备 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011026864.2A CN111931426B (zh) | 2020-09-25 | 2020-09-25 | Scr反应器入口氮氧化物浓度影响因素的确定方法及设备 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN111931426A true CN111931426A (zh) | 2020-11-13 |
| CN111931426B CN111931426B (zh) | 2021-01-26 |
Family
ID=73333651
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202011026864.2A Active CN111931426B (zh) | 2020-09-25 | 2020-09-25 | Scr反应器入口氮氧化物浓度影响因素的确定方法及设备 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111931426B (zh) |
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112403261A (zh) * | 2020-11-20 | 2021-02-26 | 中煤能源研究院有限责任公司 | 一种数字化构建烟气脱硝核心装置scr反应器的方法 |
| CN112619394A (zh) * | 2020-11-24 | 2021-04-09 | 呼和浩特科林热电有限责任公司 | 脱硝喷氨自适应控制方法、装置及脱硝系统 |
| CN113611375A (zh) * | 2021-08-09 | 2021-11-05 | 成都佳华物链云科技有限公司 | 火电厂系统中的数据确定方法、装置、设备以及存储介质 |
| CN113902269A (zh) * | 2021-09-24 | 2022-01-07 | 北京航空航天大学 | 激光加工参数确定方法、装置、电子设备及存储介质 |
| TWI800154B (zh) * | 2020-12-31 | 2023-04-21 | 南韓商Ｅｍｋｏ有限公司 | 利用人工智慧的火力發電廠之煙道氣處理方法以及利用人工智慧的火力發電廠之煙道氣處理裝置 |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20120179638A1 (en) * | 2011-01-11 | 2012-07-12 | National Tsing Hua University | Relative variable selection system and selection method thereof |
| CN106650102A (zh) * | 2016-12-23 | 2017-05-10 | 东南大学 | 一种基于灰色关联的海洋混凝土耐久性能预测模型参数确定方法 |
| CN108628177A (zh) * | 2018-07-02 | 2018-10-09 | 大唐环境产业集团股份有限公司 | 一种基于模型自适应pid的scr脱硝智能喷氨优化方法及系统 |
| CN110729764A (zh) * | 2019-12-06 | 2020-01-24 | 国网江苏省电力有限公司南通供电分公司 | 一种含光伏发电系统的优化调度方法 |
| CN111080160A (zh) * | 2019-12-27 | 2020-04-28 | 哈尔滨工业大学（威海） | 包含偏好辅助决策因子优选的交互式多准则决策方法、装置及计算机设备 |
| 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 |
-
2020
- 2020-09-25 CN CN202011026864.2A patent/CN111931426B/zh active Active
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20120179638A1 (en) * | 2011-01-11 | 2012-07-12 | National Tsing Hua University | Relative variable selection system and selection method thereof |
| CN106650102A (zh) * | 2016-12-23 | 2017-05-10 | 东南大学 | 一种基于灰色关联的海洋混凝土耐久性能预测模型参数确定方法 |
| CN108628177A (zh) * | 2018-07-02 | 2018-10-09 | 大唐环境产业集团股份有限公司 | 一种基于模型自适应pid的scr脱硝智能喷氨优化方法及系统 |
| CN110729764A (zh) * | 2019-12-06 | 2020-01-24 | 国网江苏省电力有限公司南通供电分公司 | 一种含光伏发电系统的优化调度方法 |
| CN111080160A (zh) * | 2019-12-27 | 2020-04-28 | 哈尔滨工业大学（威海） | 包含偏好辅助决策因子优选的交互式多准则决策方法、装置及计算机设备 |
| 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 |
Cited By (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112403261A (zh) * | 2020-11-20 | 2021-02-26 | 中煤能源研究院有限责任公司 | 一种数字化构建烟气脱硝核心装置scr反应器的方法 |
| CN112619394A (zh) * | 2020-11-24 | 2021-04-09 | 呼和浩特科林热电有限责任公司 | 脱硝喷氨自适应控制方法、装置及脱硝系统 |
| TWI800154B (zh) * | 2020-12-31 | 2023-04-21 | 南韓商Ｅｍｋｏ有限公司 | 利用人工智慧的火力發電廠之煙道氣處理方法以及利用人工智慧的火力發電廠之煙道氣處理裝置 |
| CN113611375A (zh) * | 2021-08-09 | 2021-11-05 | 成都佳华物链云科技有限公司 | 火电厂系统中的数据确定方法、装置、设备以及存储介质 |
| CN113611375B (zh) * | 2021-08-09 | 2023-10-10 | 成都佳华物链云科技有限公司 | 火电厂系统中的数据确定方法、装置、设备以及存储介质 |
| CN113902269A (zh) * | 2021-09-24 | 2022-01-07 | 北京航空航天大学 | 激光加工参数确定方法、装置、电子设备及存储介质 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN111931426B (zh) | 2021-01-26 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111931426B (zh) | Scr反应器入口氮氧化物浓度影响因素的确定方法及设备 | |
| CN109242135B (zh) | 一种模型运营方法、装置、及业务服务器 | |
| US10496515B2 (en) | Abnormality detection apparatus, abnormality detection method, and non-transitory computer readable medium | |
| KR101713007B1 (ko) | 일반화된 그리고 견고한 예측 모델들의 생성을 위한 증가된 신호 대 잡음비 | |
| Kuhn | Variable selection using the caret package | |
| CN113902334A (zh) | 一种事件异常波动检测方法、系统、电子设备及存储介质 | |
| CN108614071B (zh) | 分布式室外大气质量监测精度校正系统及参数更新方法 | |
| CN115878963B (zh) | 电容式电压互感器计量误差预测方法、系统、终端及介质 | |
| US11829883B2 (en) | Executing a genetic algorithm on a low-power controller | |
| CN114004162A (zh) | 一种多工况场景下的冶炼负荷谐波发射水平的建模方法 | |
| CN109410502A (zh) | 火灾预警方法及装置 | |
| 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 | |
| US7840391B2 (en) | Model-diversity technique for improved proactive fault monitoring | |
| US10853538B2 (en) | Model generation system and model generation method | |
| CN116365519A (zh) | 一种电力负荷预测方法、系统、存储介质及设备 | |
| CN115757073A (zh) | 一种系统风险识别方法及装置、电子设备、存储介质 | |
| CN114444295A (zh) | 一种基于组合时序预测的NOx废气浓度预测方法 | |
| CN114355234A (zh) | 一种电源模块的智能化质量检测方法及系统 | |
| CN110658722B (zh) | 一种基于gap的自均衡多模型分解方法及系统 | |
| US20240152133A1 (en) | Threshold acquisition apparatus, method and program for the same | |
| JP2021174125A (ja) | 情報処理装置および情報処理方法 | |
| CN111309716A (zh) | 应用于pas案例库的维护方法、装置及计算机设备 | |
| WO2024070169A1 (ja) | 試作条件提案システム、試作条件提案方法 | |
| TWI713823B (zh) | 模型構築系統及模型構築方法 | |
| KR102271306B1 (ko) | 자가학습이 가능한 svm 기반 가스 분류기 |
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 | ||
| GR01 | Patent grant |