CN112231973A - 一种脱硫系统pH值预测方法及装置 - Google Patents

Abstract

本说明书实施例公开了一种脱硫系统pH值预测方法及装置。首先采用模糊C均值聚类算法对数据样本进行分类，依据经验知识做先验指导进行数据空间初步划分，并通过模糊C均值聚类算法进行数据样本的聚类，提高了聚类结果的稳定性；基于支持向量机建立脱硫系统pH值单一模型，得到了物理意义明确的子模型，所以相较于现有的pH值预测方法具有更高的准确性；在此基础上采用集成隶属度的方法对单一模型进行集成，相对于现有的简单平均法具有更高的准确性，并且最终得到的集成模型其预测精度和泛化能力与单一模型相比有了提高。

Description

一种脱硫系统pH值预测方法及装置

技术领域

本申请涉及燃煤机组脱硫系统技术领域，尤其涉及一种脱硫系统pH值预测方法及装置。

背景技术

随着社会环保意识的提高以及国家相关环保法律的制定，火电厂燃煤机组污染物排放问题引起了越来越多的关注。其中火电机组燃烧产生的二氧化硫是污染物的主要成分之一，燃煤电站二氧化硫排放量的控制主要采用石灰石-石膏湿法烟气脱硫技术实施烟气脱硫，由于脱硫系统存在非线性、强耦合、大延迟、大惯性等特征，同时烟气中的SO2浓度具有变化剧烈和测量滞后的特点，使得脱硫系统吸收塔内的pH值控制变得十分棘手。

pH值是燃煤机组进行脱硫控制的重要指标之一。在实际生产过程中，由于脱硫环境恶劣，扰动因素较多导致pH计表头或测量设备易损害或腐蚀，其测量结果难以直接用于烟气脱硫优化，因此对pH值进行准确预测能够提前反映pH值的变化趋势，有助于脱硫系统对pH值进行控制。

目前模型建立常用的方法有下面两种：

1.机理建模方法

机理建模即“白盒”法，对系统的内部逻辑进行详细研究后，通过数学模型对其内部结构和过程机理进行描述。为得到其模型，对系统的工作原理通过数学公式进行还原，因此模型具有可靠的理论基础；但是机理模型较为复杂且只适合特定的系统，一旦研究对象发生改变机理模型将无法适用，不具有可推广性。

2.试验建模方法

试验建模即“黑盒”法，试验建模法不需要了解系统的内部运行原理，只需要根据大量的系统输入数据和输出数据，得到符合其输入输出数据的数学模型。试验建模法具有推广性，但其需要大量的数据作为基础，随着近几年国内数据库技术的成熟，使得许多有效数据模型的建立成为现实，脱硫系统pH值的预测可以进行超前控制，该方法具有较高的实用性。

发明内容

有鉴于此，本申请实施例提供了一种脱硫系统pH值预测方法及装置，用以提高pH值预测方法的准确性。

为解决上述技术问题，本说明书实施例是这样实现的：

本说明书实施例提供的一种脱硫系统pH值预测方法，所述方法包括：

获取待预测的输入变量参数；其中，所述输入变量参数包括：入口烟气氧量、入口烟气温度、原烟气SO2浓度和石灰石浆液密度；

将所述输入变量参数输入至pH值预测集成模型中，输出pH预测值，所述pH值预测集成模型基于多个单一模型和隶属度矩阵构建。

可选的，所述pH值预测集成模的构建方法如下：

获取脱硫系统的pH值数据样本集合；

对所述pH值数据样本集合中的各样本数据进行划分，得到位于不同数据范围的多个pH值数据样本子集；

通过模糊C均值聚类算法对各pH值数据样本子集进行聚类处理；

计算各pH值数据样本子集的隶属度矩阵；

基于聚类后的各数据样本子集构建多个单一模型；

基于所述各单一模型和所述各隶属度矩阵构建pH值预测集成模型。

可选的，所述基于聚类后的各数据样本子集构建多个单一模型，具体包括：

基于聚类后的各数据样本子集通过支持向量机构建多个单一模型。

可选的，所述聚类变量为：入口烟气氧量、入口烟气温度、原烟气SO2浓度和石灰石浆液密度。

可选的，对所述pH值数据样本集合中的各样本数据进行划分，具体包括：基于样本数据的pH值的大小进行划分，其中，样本数据的pH值的范围为：5.0～5.7。

可选的，对所述pH值数据样本集合中的各样本数据进行划分，具体包括：

对pH值数据样本集合划分如下：

其中，X＝{x₁,L,x₁₀}为数据空间中的输入变量数据；y_i(i＝1,…,n)代表输出变量pH值，D_t＝{D_L,D_M,D_H}，分别为pH值低、中、高所对应的有重叠的数据空间。

可选的，所述C均值聚类算法描述如下：

Step1初始化：设总样本集X，样本数N，聚类数为C(2≤c≤N)，k＝1，现在要将样本集X划分为c类，记为X₁，X₂，L，X_c；

Step2选择c个初始聚类中心，记为m₁(k),m₂(k),L m_c(k)；

Step3 X_i＝Φ(i＝1,2,L,C)，计算所有样本与各聚类中心的距离

其中，||x^j-m_i(k)||为样本x_j到第i类中心的欧式距离；

按最小距离原则将样本x^j进行聚类，即

若

则x^j∈X_i；

X_i＝X_iU{X_j}

Step4重新计算聚类中心

式中，N_i为当前X_i类中的样本数目；

Step5若存在i∈{1,2,L,c}，有m_i(k+1)≠m_i(k)，则k＝k+1，转Step3；否则聚类结束。

可选的，所述基于所述各单一模型和所述各隶属度矩阵构建pH值预测集成模型，具体包括：

采用隶属度集成的原则对单一模型的输出进行集成，集成模型的加权值采用最小二乘权值。

本说明书实施例提供的一种脱硫系统pH值预测装置，所述装置包括：

输入变量参数获取模块，用于获取待预测的输入变量参数；其中，所述输入变量参数包括：入口烟气氧量、入口烟气温度、原烟气SO2浓度和石灰石浆液密度；

pH预测值输出模块，用于将所述输入变量参数输入至pH值预测集成模型中，输出pH预测值，所述pH值预测集成模型基于多个单一模型和隶属度矩阵构建。

可选的，所述pH值预测集成模型的构建方法如下：

获取脱硫系统的pH值数据样本集合；

对所述pH值数据样本集合中的各样本数据进行划分，得到位于不同数据范围的多个pH值数据样本子集；

通过模糊C均值聚类算法对各pH值数据样本子集进行聚类处理；

计算各pH值数据样本子集的隶属度矩阵；

基于聚类后的各数据样本子集构建多个单一模型；

基于所述各单一模型和所述各隶属度矩阵构建pH值预测集成模型。

本说明书实施例采用的上述至少一个技术方案能够达到以下有益效果：

首先采用模糊C均值聚类算法对数据样本进行二次分类，先依据经验知识做先验指导进行数据空间初步划分，并通过模糊C均值聚类算法进行数据样本的聚类，提高了聚类结果的稳定性；基于支持向量机建立脱硫系统pH值单一模型，得到了物理意义明确的子模型，所以相较于现有的pH值预测方法具有更高的准确性；采用集成隶属度的方法进行集成，相对于现有的简单平均法具有更高的准确性，并且最终得到的集成模型的预测精度和泛化能力与单一模型相比有了提高。

附图说明

此处所说明的附图用来提供对本申请的进一步理解，构成本申请的一部分，本申请的示意性实施例及其说明用于解释本申请，并不构成对本申请的不当限定。在附图中：

图1为燃煤机组脱硫系统的结构示意图；

图2本申请提供的聚类算法的流程示意图；

图3本申请提供的集成模型的构成示意图；

图4多模型集成的脱硫系统的pH值预测效果；

图5为本说明书实施例提供的一种脱硫系统pH值预测方法的流程示意图；

图6为本说明书实施例提供的对应于图5的一种脱硫系统pH值预测装置的结构示意图。

具体实施方式

为使本申请的目的、技术方案和优点更加清楚，下面将结合本申请具体实施例及相应的附图对本申请技术方案进行清楚、完整地描述。显然，所描述的实施例仅是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，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，都属于本申请保护的范围。

以下结合附图，详细说明本申请各实施例提供的技术方案。

为解决现有技术存在的上述问题，本文提出了一种基于多模型集成的脱硫系统pH值预测方法。首先提出一种模糊C均值(Soft Fuzzy C-Means，SFCM)聚类算法对数据样本进行分类，依据经验知识做先验指导进行数据空间初步划分，并通过模糊C均值聚类算法进行数据样本的聚类，提高了聚类结果的稳定性；基于支持向量机建立脱硫系统pH值单一模型，得到了物理意义明确的子模型，所以相较于现有的pH值预测方法具有更高的准确性；在此基础上采用集成隶属度的方法进行集成，相对于现有的简单平均法具有更高的准确性，并且最终得到的集成模型其预测精度和泛化能力与单一模型相比有了提高。本发明从数据聚类、单一模型、集成方法上进行了进一步提升，克服了已有单一模型方法存在训练效率低、泛化能力较差等缺点，结果表明能够准确实现脱硫系统pH值预测。

基于上述原理，实现脱硫系统pH值预测主要有三个方面，一个是脱硫系统数据空间的聚类，二是脱硫系统支持向量机单一模型的建立，三是将各个数据空间对应的单一模型集成得到集成模型，具体如下：

1、脱硫系统数据空间划分

(1)基于经验将现场数据样本在数据空间上进行初步划分得到高、中、低三个样本子空间。

(2)通过模糊C均值聚类算法对各子空间进行聚类，同时得到样本对各子空间的隶属度大小，即隶属度矩阵。

2、pH值单一模型的建立

基于已经聚类的样本集数据，通过支持向量机分别构造较为准确的脱硫系统pH值预测单一模型，得到各个子样本空间上pH值的预测输出。

3、pH值集成模型的建立

利用已经产生的单一模型的输出和隶属度矩阵作为输入，构成准确的脱硝系统pH值预测集成模型，计算得到可应用于现场控制的pH值预测。

一、脱硫系统数据空间聚类

本文以陕西某600MW机组为例，脱硫系统工艺流程图如图1所示。石灰石-石膏湿法烟气脱硫技术工艺原理是通过供浆泵喷洒大量的石灰石浆液，与含硫烟气大面积接触，使石灰石浆液中的氢氧化钙溶液(Ca(OH)₂)与烟气中的二氧化硫(SO₂)充分反应，并与氧气反应后生成石膏，从而达到降低烟气中SO₂的浓度达到脱硫目的，脱硫过程中通过控制石灰石浆液阀门开度调节流量来控制pH值大小。其中pH值的准确实时预估对阀门开度的控制量具有重要的参考作用。

1.1数据空间划分

湿法脱硫技术塔底浆液的pH值为5～5.7，加入脱硫剂后pH值可达5.4～5.7(循环泵浆液的pH值与脱硫塔的运行条件和脱硫剂的加入点有关)。因此依据pH值由低到高将原始样本空间划分为低、中、高的3个初始子空间。对数据空间进行初步划分如下：

其中，X＝{x₁,L,x₁₀}为数据空间中的输入变量数据；y_i(i＝1,…,n)代表输出变量pH值，D_t＝{D_L,D_M,D_H}，分别为pH值低、中、高所对应的有重叠的数据空间。依据典型运行工况将原始数据空间依据NOx排放量由低到高划分为三个子空间，然后分别在各子空间上建立单一模型，提高了子模型的稳定性，并且每个子模型都具有明确的物理意义，避免了盲目性。

1.2聚类变量选择

互信息是信息论中的一个基本概念，通常用于描述两个系统或者变量间的统计相关性，或者是一个系统中所包含另一个系统中信息的多少。我们本次进行pH值模型建立所选取的数据为陕西某火电机组DCS系统取得的运行数据，对DCS采集点进行综合分析之后，将可能对pH值产生的影响因素进行采集并绘制，其中可能的影响因素分别为净烟气SO2浓度、原烟气SO2浓度、空预器入口烟气氧量、入口烟气温度、入口烟气含尘量、石灰石浆液密度、一次风机电流等。其中要从这些影响因素中提取影响pH值的主要因素，即确定pH值模型中所包含的每一种影响因素所占的信息量多少，所以我们可以采用互信息的方法进行数据特征量的提取。下表为互信息子函数计算各影响变量的互信息值：

表1相关性计算结果

选取互信息值较大的变量，相关变量筛选之后共有4个，分别为：入口烟气氧量、入口烟气温度、原烟气SO2浓度、石灰石浆液密度。

1.3模糊C均值聚类

对4个相关变量的低、中、高的3个子空间分别进行聚类，给定数据集

为模式空间中n个模式的一组有限观测样本集，x_k＝(x_k1,x_k2,L,x_ks)^T∈R^s为样本x_k的特征矢量或模式矢量，对应特征空间中的一个点，x_kj为特征矢量x_k的第j维特征上的赋值，其中R^s为总数据集模式空间。对给定样本集的聚类分析就是要产生对应的c划分。

C均值聚类算法描述如下：

Step1初始化。设总样本集X，样本数N，聚类数为C(2≤c≤N)，k＝1，现在要将样本集X划分为c类，记为X₁，X₂，L，X_c。

Step2选择c个初始聚类中心，记为m₁(k),m₂(k),L m_c(k)。

Step3 X_i＝Φ(i＝1,2,L,C)，计算所有样本与各聚类中心的距离

其中，||x^j-m_i(k)||为样本x_j到第i类中心的欧式距离。

按最小距离原则将样本x^j进行聚类，即

若

则x^j∈X_i。

X_i＝X_iU{X_j}

Step4重新计算聚类中心

式中，N_i为当前X_i类中的样本数目。

Step5若存在i∈{1,2,L,c}，有m_i(k+1)≠m_i(k)，则k＝k+1，转Step3；否则聚类结束。

c均值聚类算法流程图如图2所示。

模糊c均值聚类算法基于c均值算法，对聚类算法加入模糊隶属度的概念，用隶属函数

表示样本x_k与子集X_i(1≤i≤c)的隶属关系，则c划分中μ_ik为子集X_i的特征函数，有μ_ik∈{0,1}。这样X的c划分也可以用隶属函数表示，即用c个子集的特征函数值构成的矩阵U＝[μ_ik]_c×n来表示。利用模糊理论把隶属度函数μ_ik从{0,1}二值扩展到[0,1]区间，从而把c划分推广到模糊c划分，因此X的模糊c划分空间为：

由于模糊划分可以得到样本分属于各个类别的不确定性程度，不同于c划分非此即彼的分类规则，因此更能客观地反映每一个变量的所属。在划分结果中，模糊划分还能指明划分的外围、不同划分块之间的衔接和离散的情况，因此能通过隶属度包含有出更多的信息。

模糊c均值算法目标函数描述如下：

给定样本矩阵X＝[x₁,x₂,L,x_n]^T，x_i＝[x_i1,L,x_ip]，i＝1,2,…,n，n为样本数，p为变量维数。模糊c均值算的目标函数为：

满足：

其中，u_ij表示第j个样本对于第i个聚类中心的隶属度；v_i为第i个聚类中心；d_ij＝||x_j-v_i||为第i个聚类中心与第j个样本点之间的欧氏距离；m是一个加权指数，本文取m＝2；采用拉格朗日乘子法求解目标函数，解得使价值函数最小的必要条件为：

通过交替迭代计算最小化价值函数J和隶属度矩阵u_ij。

对4个相关变量的低、中、高的3个子空间分别进行聚类，子空间聚类中心V＝[v₁,v₂,v₃]^T，其中

筛选聚类变量之后p₁＝4。同时得到样本对子空间的隶属度矩阵，其中t＝1,2,3为子空间个数，。在初始子空间D_t上截取隶属度值大于0.17的样本作为最终建模的样本子空间，n_t为各个子空间的样本数。隶属度截取值根据经验选取，认为隶属度大于0.17的样本可以用来建模。最终得到聚类样本子空间D_L'、D_M'、D_H'和隶属度矩阵U＝[μ_ik]_c×n。

二、脱硫系统pH值单一模型

本文采用最小二乘支持向量机(LS-SVM)作为模型算法对脱硫系统进行模型的建立，最小二乘支持向量机是一种特殊支持向量机形式。以二次函数作为损失函数，以便得到问题的最优解，计算复杂度大大降低所以计算时间进一步加快，模型输出结果更具有确定性，能够快速准确的获得模型的全局最优解。

最小二乘支持向量机算法原理如下：

对于给定的样本集(x_i,y_i),i＝1,2,L n,最小二乘支持向量机基于结构风险最小化为原则，得到以下二次函数作为损失函数的优化问题：

求解该优化问题，定义核函数

则

与

合并，可转化为线性方程组：

求解上式，可得模型参数[bα₁α₂Lα_n]。确定决策函数为：

本文选用高斯径向基(RBF)核函数，即

K(x,x_i)＝exp(-||x-x_i||²/σ²)

采用最小二乘支持向量机分别对聚类产生的三个子空间D_L'、D_M'、D_H'建立支持向量机模型，将每个子空间的数据样本分为训练集和测试集，通过训练集数据对支持向量机子模型进行训练，共计得到三个子模型，模型的输入变量是入口烟气氧量、入口烟气温度、原烟气SO2浓度、石灰石浆液密度，通过最小二乘支持向量机建模得到pH预测值。通过测试集对每个单一子模型进行测试得到pH预测值

三、脱硫系统pH值集成模型

本文采用隶属度集成的输出作为脱硫系统pH值集成模型的最终输出，将上文计算模糊C均值聚类得到的隶属度矩阵U与单一pH值子模型得到的预测值

作为输入量，y作为集成模型的输出量，得到最终的多LS-SVM集成模型。集成模型的输出为：

上式写成矩阵的形式为

y_LS＝Hw

根据子模型预测值和实际值得到最小二乘权值。其中

w＝(H^TH)^-1H^Ty，y_LS为集成模型的输出。最终得到pH预测值的集成模型，即在模型中每输入一个影响pH预测值的因素，模型可以对输入数据进行聚类再建模，输出对应于影响因素的pH预测值。

pH值集成模型的算法流程如图3所示。首先对原始的样本数据通过经验进行初始数据空间的划分得到高、中、低三个数据集；对三个数据集采用模糊C均值聚类得到c个子集和每个数据样本相对于聚类中心的隶属度矩阵用以最终的模型集成；三个包含有隶属度矩阵的数据集通过支持向量机分别建立单一模型，模型的预测输出矩阵

最后采用隶属度集成的原则对单一模型的输出进行集成，集成模型的加权值采用最小二乘权值。

为进一步比较预测效果，本文运用实际运行数据作为模型的输入，比较pH值集成模型预测效果与pH值单一模型预测效果，如附图4所示，脱硫系统实际的pH值输出与pH值单一模型预测输出之间虽然趋势保持一致但误差较大，pH值集成模型相对于pH值单一模型预测值趋势一致并且能够保证更高的预测精度，可见脱硫系统pH值集成模型预测值对pH控制有较高的参考价值。

基于上述原理，本申请提供了一种脱硫系统pH值预测方法，其中，图5为本说明书实施例提供的一种脱硫系统pH值预测方法的流程示意图。如图5所示，所述方法包括：

步骤:510：获取待预测的输入变量参数；其中，所述输入变量参数包括：入口烟气氧量、入口烟气温度、原烟气SO2浓度和石灰石浆液密度；

步骤520：将所述输入变量参数输入至pH值预测集成模型中，输出pH预测值，所述pH值预测集成模型基于多个单一模型和隶属度矩阵构建。

可选的，所述pH值预测集成模型的构建方法如下：

获取脱硫系统的pH值数据样本集合；

对所述pH值数据样本集合中的各样本数据进行划分，得到位于不同数据范围的多个pH值数据样本子集；

通过模糊C均值聚类算法对各pH值数据样本子集进行聚类处理；

计算各pH值数据样本子集的隶属度矩阵；

基于聚类后的各数据样本子集构建多个单一模型；

基于所述各单一模型和所述各隶属度矩阵构建pH值预测集成模型。

可选的，所述基于聚类后的各数据样本子集构建多个单一模型，具体包括：

基于聚类后的各数据样本子集通过支持向量机构建多个单一模型。

可选的，所述聚类变量为：入口烟气氧量、入口烟气温度、原烟气SO2浓度和石灰石浆液密度。

可选的，对所述pH值数据样本集合中的各样本数据进行划分，具体包括：基于样本数据的pH值的大小进行划分，其中，样本数据的pH值的范围为：5.0～5.7。

可选的，对所述pH值数据样本集合中的各样本数据进行划分，具体包括：

对pH值数据样本集合划分如下：

其中，X＝{x₁,L,x₁₀}为数据空间中的输入变量数据；y_i(i＝1,…,n)代表输出变量pH值，D_t＝{D_L,D_M,D_H}，分别为pH值低、中、高所对应的有重叠的数据空间。

可选的，所述C均值聚类算法描述如下：

Step1初始化：设总样本集X，样本数N，聚类数为C(2≤c≤N)，k＝1，现在要将样本集X划分为c类，记为X₁，X₂，L，X_c；

Step2选择c个初始聚类中心，记为m₁(k),m₂(k),L m_c(k)；

Step3 X_i＝Φ(i＝1,2,L,C)，计算所有样本与各聚类中心的距离

其中，||x^j-m_i(k)||为样本x_j到第i类中心的欧式距离；

按最小距离原则将样本x^j进行聚类，即

若

则x^j∈X_i；

X_i＝X_iU{X_j}

Step4重新计算聚类中心

式中，N_i为当前X_i类中的样本数目；

Step5若存在i∈{1,2,L,c}，有m_i(k+1)≠m_i(k)，则k＝k+1，转Step3；否则聚类结束。

可选的，所述基于所述各单一模型和所述各隶属度矩阵构建pH值预测集成模型，具体包括：

采用隶属度集成的原则对单一模型的输出进行集成，集成模型的加权值采用最小二乘权值。

基于同样的思路，本说明书实施例还提供了上述方法对应的装置。图6为本说明书实施例提供的对应于图5的一种脱硫系统pH值预测装置的结构示意图。如图6所示，该装置可以包括：

输入变量参数获取模块610，用于获取待预测的输入变量参数；其中，所述输入变量参数包括：入口烟气氧量、入口烟气温度、原烟气SO2浓度和石灰石浆液密度；

pH预测值输出模块620，用于将所述输入变量参数输入至pH值预测集成模型中，输出pH预测值，所述pH值预测集成模型基于多个单一模型和隶属度矩阵构建。

可选的，所述pH值预测集成模型的构建方法如下：

获取脱硫系统的pH值数据样本集合；

对所述pH值数据样本集合中的各样本数据进行划分，得到位于不同数据范围的多个pH值数据样本子集；

通过模糊C均值聚类算法对各pH值数据样本子集进行聚类处理；

计算各pH值数据样本子集的隶属度矩阵；

基于聚类后的各数据样本子集构建多个单一模型；

基于所述各单一模型和所述各隶属度矩阵构建pH值预测集成模型。

本说明书中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。尤其，对于系统实施例而言，由于其基本相似于方法实施例，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。

以上所述仅为本申请的实施例而已，并不用于限制本申请。对于本领域技术人员来说，本申请可以有各种更改和变化。凡在本申请的精神和原理之内所作的任何修改、等同替换、改进等，均应包含在本申请的权利要求范围之内。

Claims (10)

1.一种脱硫系统pH值预测方法，其特征在于，所述方法包括：

获取待预测的输入变量参数；其中，所述输入变量参数包括：入口烟气氧量、入口烟气温度、原烟气SO2浓度和石灰石浆液密度；

将所述输入变量参数输入至pH值预测集成模型中，输出pH预测值，所述pH值预测集成模型基于多个单一模型和隶属度矩阵构建。

2.如权利要求1所述的方法，其特征在于，所述pH值预测集成模型的构建方法如下：

获取脱硫系统的pH值数据样本集合；

对所述pH值数据样本集合中的各样本数据进行空间划分，得到位于不同数据范围的多个pH值数据样本子集；

通过模糊C均值聚类算法对各pH值数据样本子集进行聚类处理；

计算各pH值数据样本子集的隶属度矩阵；

基于聚类后的各数据样本子集构建多个单一模型；

基于所述各单一模型和所述各隶属度矩阵构建pH值预测集成模型。

3.如权利要求2所述的方法，其特征在于，所述基于聚类后的各数据样本子集构建多个单一模型，具体包括：

基于聚类后的各数据样本子集通过支持向量机构建多个单一模型。

4.如权利要求2所述的方法，其特征在于，所述聚类变量为：入口烟气氧量、入口烟气温度、原烟气SO2浓度和石灰石浆液密度。

5.如权利要求2所述的方法，其特征在于，对所述pH值数据样本集合中的各样本数据进行划分，具体包括：基于样本数据的pH值的大小进行划分，其中，样本数据的pH值的范围为：5.0～5.7。

6.如权利要求2所述的方法，其特征在于，对所述pH值数据样本集合中的各样本数据进行划分，具体包括：

对pH值数据样本集合划分如下：

其中，X＝{x₁,L,x₁₀}为数据空间中的输入变量数据；y_i(i＝1,…,n)代表输出变量pH值，D_t＝{D_L,D_M,D_H}，分别为pH值低、中、高所对应的有重叠的数据空间。

7.如权利要求2所述的方法，其特征在于，所述C均值聚类算法描述如下：

Step1初始化：设总样本集X，样本数N，聚类数为C(2≤c≤N)，k＝1，现在要将样本集X划分为c类，记为X₁，X₂，L，X_c；

Step2选择c个初始聚类中心，记为m₁(k),m₂(k),L m_c(k)；

Step3 X_i＝Φ(i＝1,2,L,C)，计算所有样本与各聚类中心的距离

其中，||x^j-m_i(k)||为样本x_j到第i类中心的欧式距离；

按最小距离原则将样本x^j进行聚类，即

若

则x^j∈X_i；

X_i＝X_iU{X_j}

Step4重新计算聚类中心

式中，N_i为当前X_i类中的样本数目；

Step5若存在i∈{1,2,L,c}，有m_i(k+1)≠m_i(k)，则k＝k+1，转Step3；否则聚类结束。

8.如权利要求2所述的方法，其特征在于，所述基于所述各单一模型和所述各隶属度矩阵构建pH值预测集成模型，具体包括：

采用隶属度集成的原则对单一模型的输出进行集成，集成模型的加权值采用最小二乘权值。

9.一种脱硫系统pH值预测装置，其特征在于，所述装置包括：

输入变量参数获取模块，用于获取待预测的输入变量参数；其中，所述输入变量参数包括：入口烟气氧量、入口烟气温度、原烟气SO2浓度和石灰石浆液密度；

pH预测值输出模块，用于将所述输入变量参数输入至pH值预测集成模型中，输出pH预测值，所述pH值预测集成模型基于多个单一模型和隶属度矩阵构建。

10.如权利要求9所述的装置，其特征在于，所述pH值预测集成模的构建方法如下：

获取脱硫系统的pH值数据样本集合；

对所述pH值数据样本集合中的各样本数据进行划分，得到位于不同空间范围的多个pH值数据样本子集；

通过模糊C均值聚类算法对各pH值数据样本子集进行聚类处理；

计算各pH值数据样本子集的隶属度矩阵；

基于聚类后的各数据样本子集构建多个单一模型；

基于所述各单一模型和所述各隶属度矩阵构建pH值预测集成模型。

Images