CN112651166B - 脱硝系统入口氮氧化物浓度预测方法、装置及脱硝系统 - Google Patents
脱硝系统入口氮氧化物浓度预测方法、装置及脱硝系统 Download PDFInfo
- Publication number
- CN112651166B CN112651166B CN202011329144.3A CN202011329144A CN112651166B CN 112651166 B CN112651166 B CN 112651166B CN 202011329144 A CN202011329144 A CN 202011329144A CN 112651166 B CN112651166 B CN 112651166B
- Authority
- CN
- China
- Prior art keywords
- denitration system
- inlet
- time offset
- nitrogen oxide
- 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.)
- Active
Links
- MWUXSHHQAYIFBG-UHFFFAOYSA-N Nitric oxide Chemical compound O=[N] MWUXSHHQAYIFBG-UHFFFAOYSA-N 0.000 title claims abstract description 240
- 238000000034 method Methods 0.000 title claims abstract description 81
- 238000000053 physical method Methods 0.000 claims abstract description 30
- 238000012549 training Methods 0.000 claims abstract description 25
- 238000010219 correlation analysis Methods 0.000 claims abstract description 21
- 238000012937 correction Methods 0.000 claims description 28
- 239000000779 smoke Substances 0.000 claims description 18
- 238000005070 sampling Methods 0.000 claims description 16
- 238000012216 screening Methods 0.000 claims description 16
- 238000005259 measurement Methods 0.000 claims description 13
- 230000008859 change Effects 0.000 claims description 7
- 238000012847 principal component analysis method Methods 0.000 claims description 7
- 230000009467 reduction Effects 0.000 claims description 6
- 239000003245 coal Substances 0.000 claims description 5
- 238000001704 evaporation Methods 0.000 claims description 5
- 230000008020 evaporation Effects 0.000 claims description 5
- 230000001186 cumulative effect Effects 0.000 claims description 4
- 238000000605 extraction Methods 0.000 claims description 4
- 238000001914 filtration Methods 0.000 claims 1
- 238000003062 neural network model Methods 0.000 abstract description 5
- 230000009286 beneficial effect Effects 0.000 abstract 1
- 230000008569 process Effects 0.000 description 11
- 230000007246 mechanism Effects 0.000 description 7
- 238000006722 reduction reaction Methods 0.000 description 5
- 238000004590 computer program Methods 0.000 description 4
- 230000000694 effects Effects 0.000 description 4
- 230000009471 action Effects 0.000 description 3
- 238000002485 combustion reaction Methods 0.000 description 3
- QGZKDVFQNNGYKY-UHFFFAOYSA-N Ammonia Chemical compound N QGZKDVFQNNGYKY-UHFFFAOYSA-N 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 239000000243 solution Substances 0.000 description 2
- 229910021529 ammonia Inorganic materials 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000010531 catalytic reduction reaction Methods 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000002347 injection Methods 0.000 description 1
- 239000007924 injection Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 238000005086 pumping Methods 0.000 description 1
- 230000004044 response Effects 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
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B01—PHYSICAL OR CHEMICAL PROCESSES OR APPARATUS IN GENERAL
- B01D—SEPARATION
- B01D53/00—Separation of gases or vapours; Recovering vapours of volatile solvents from gases; Chemical or biological purification of waste gases, e.g. engine exhaust gases, smoke, fumes, flue gases, aerosols
- B01D53/34—Chemical or biological purification of waste gases
- B01D53/74—General processes for purification of waste gases; Apparatus or devices specially adapted therefor
- B01D53/86—Catalytic processes
- B01D53/8621—Removing nitrogen compounds
- B01D53/8625—Nitrogen oxides
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B01—PHYSICAL OR CHEMICAL PROCESSES OR APPARATUS IN GENERAL
- B01D—SEPARATION
- B01D53/00—Separation of gases or vapours; Recovering vapours of volatile solvents from gases; Chemical or biological purification of waste gases, e.g. engine exhaust gases, smoke, fumes, flue gases, aerosols
- B01D53/34—Chemical or biological purification of waste gases
- B01D53/74—General processes for purification of waste gases; Apparatus or devices specially adapted therefor
- B01D53/86—Catalytic processes
- B01D53/8696—Controlling the catalytic process
-
- 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
- G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
- G06F18/2134—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods based on separation criteria, e.g. independent component analysis
-
- 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
- G06N3/084—Backpropagation, e.g. using gradient descent
Landscapes
- Engineering & Computer Science (AREA)
- Environmental & Geological Engineering (AREA)
- Chemical & Material Sciences (AREA)
- Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Analytical Chemistry (AREA)
- General Chemical & Material Sciences (AREA)
- Oil, Petroleum & Natural Gas (AREA)
- Chemical Kinetics & Catalysis (AREA)
- Theoretical Computer Science (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Software Systems (AREA)
- Medical Informatics (AREA)
- Computer Hardware Design (AREA)
- Geometry (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Investigating Or Analyzing Non-Biological Materials By The Use Of Chemical Means (AREA)
- Feedback Control In General (AREA)
Abstract
本发明提供一种脱硝系统入口氮氧化物浓度预测方法、装置及脱硝系统,该方法包括:获取脱硝系统对应的当前运行数据;将当前运行数据输入预先训练的脱硝系统入口氮氧化物浓度预测模型,得到入口氮氧化物浓度;其中,脱硝系统入口氮氧化物浓度预测模型基于时间修正后的历史运行数据预先训练,基于时间修正后的历史运行数据为基于物理测量方法确定的第一时间偏移量及相关性分析方法确定的第二时间偏移量对初始的历史运行数据进行修正得到。本发明实施例有效解决了历史运行数据与脱硝系统入口NOx浓度在同一时刻上出现时间偏移问题,有助于神经网络模型的训练和收敛,提高预测结果的准确度及可靠性。
Description
技术领域
本发明涉及脱硝喷氨技术领域,具体而言,涉及一种脱硝系统入口氮氧化物浓度预测方法、装置及脱硝系统。
背景技术
现有智慧脱硝技术可以对SCR脱硝系统入口NOx进行预测,一般是将锅炉原始数据直接输入入口NOx预测模型中,输出得到SCR入口NOx浓度值。锅炉原始数据可分为不同类型的信号,如温度信号、压力信号、流量信号等类型,
现有针对SCR脱硝系统入口的NOx浓度预测方法中,技术人员首先根据NOx生成机理和锅炉燃烧机理等先验知识,确定与SCR脱硝反应器入口NOx浓度有关的参数变量,然后采集与参数变量有关的历史运行数据,基于上述历史运行数据训练SCR脱硝系统入口NOx浓度预测模型。
然而,由于在采集各参数变量的过程中传输方式和取样位置不同,导致测量响应时间有所不同,以及各变量参数影响入口NOx浓度值的速度不同,导致各变量参数与入口NOx浓度值的时间序列不对应,仅将历史运行数据笼统地全部输入模型中训练及计算,导致建模效果差、预测结果不准确、不可靠。
发明内容
本发明解决的是现有脱硝系统入口氮氧化物浓度预测方法,建模效果差、预测结果不准确、不可靠的问题。
为解决上述问题,本发明提供一种脱硝系统入口氮氧化物浓度预测方法,所述方法包括:获取脱硝系统对应的当前运行数据;将所述当前运行数据输入预先训练的脱硝系统入口氮氧化物浓度预测模型,得到入口氮氧化物浓度;其中,所述脱硝系统入口氮氧化物浓度预测模型基于时间修正后的历史运行数据预先训练,所述基于时间修正后的历史运行数据为基于物理测量方法确定的第一时间偏移量及相关性分析方法确定的第二时间偏移量对初始的历史运行数据进行修正得到。
可选地,所述方法还包括:获取所述脱硝系统对应的历史运行数据,及对所述历史运行数据进行筛选得到关键变量;基于物理测量方法获得所述脱硝系统入口氮氧化物浓度的第一时间偏移量;基于相关性分析方法确定各所述关键变量对应的第二时间偏移量;根据所述第一时间偏移量、所述第二时间偏移量对各所述关键变量进行时间偏移修正,得到最终样本数据;根据所述最终样本数据及对应的脱硝系统入口氮氧化物浓度数据,训练得到脱硝系统入口氮氧化物浓度预测模型。
可选地,所述基于相关性分析方法确定各所述关键变量对应的第二时间偏移量,包括:计算各所述关键变量与脱硝系统入口氮氧化物浓度的随时长变化的相关性系数;将各所述相关性系数的最大值对应的时长,确定为对应的所述关键变量的第二时间偏移量。
可选地,所述对所述历史运行数据进行筛选得到关键变量,包括:基于主成分分析方法对所述历史运行数据进行降维筛选,得到对脱硝系统入口氮氧化物浓度变化的累计贡献率大于预设阈值的关键变量。
可选地,所述基于物理测量方法获得所述脱硝系统入口氮氧化物浓度的第一时间偏移量,包括:获取所述脱硝系统入口氮氧化物浓度的测量参数;基于物理测量公式及所述测量参数计算得到第一时间偏移量;所述物理测量公式如下:
t0=πD2L/4V
其中,t0为所述脱硝系统入口氮氧化物浓度的第一时间偏移量,L为取样管道的长度,D为取样管道的内管管径,V为取样管道的抽气速率。
可选地,所述根据所述第一时间偏移量、所述第二时间偏移量对各所述关键变量进行时间偏移修正,得到最终样本数据,包括:根据所述第一时间变量对各所述关键变量进行时间偏移修正,得到修正关键变量;根据各所述关键变量对应的第二时间偏移量,分别对各所述关键变量对应的所述第一修正关键变量进行时间偏移修正,得到最终样本数据。
可选地,所述历史运行数据包括以下至少一项:总风量、锅炉蒸发量、总煤量、机组负荷、送风机风门开度、送风机电流、脱硝反应器入口烟温、空预器进口烟温、空预器出口烟温、主蒸汽温度、主蒸汽压力、后燃尽压力、辅助挡板开度。
本发明提供一种脱硝系统入口氮氧化物浓度预测装置,所述装置包括:获取模块,用于获取脱硝系统对应的当前运行数据;预测模块,用于将所述当前运行数据输入预先训练的脱硝系统入口氮氧化物浓度预测模型,得到入口氮氧化物浓度;其中,所述脱硝系统入口氮氧化物浓度预测模型基于时间修正后的历史运行数据预先训练,所述基于时间修正后的历史运行数据为基于物理测量方法确定的第一时间偏移量及相关性分析方法确定的第二时间偏移量对初始的历史运行数据进行修正得到。
可选地,所述装置还包括训练模块,所述训练模块用于:获取所述脱硝系统对应的历史运行数据,及对所述历史运行数据进行筛选得到关键变量;基于物理测量方法获得所述脱硝系统入口氮氧化物浓度的第一时间偏移量;基于相关性分析方法确定各所述关键变量对应的第二时间偏移量;根据所述第一时间偏移量、所述第二时间偏移量对各所述关键变量进行时间偏移修正,得到最终样本数据;根据所述最终样本数据及对应的脱硝系统入口氮氧化物浓度数据,训练得到脱硝系统入口氮氧化物浓度预测模型。
本发明提供一种脱硝系统,包括反应器及控制器;所述控制器用于执行上述脱硝系统入口氮氧化物浓度预测方法。
本发明实施例提供的脱硝系统入口氮氧化物浓度预测方法、装置及脱硝系统,有效解决了历史运行数据与脱硝系统入口NOx浓度在同一时刻上出现时间偏移问题,避免了传统测量手段严重的时间滞后问题,有助于神经网络模型的训练和收敛,提高了预测结果的准确度及可靠性。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据提供的附图获得其他的附图。
图1为本发明一个实施例中一种脱硝系统入口氮氧化物浓度预测方法的示意性流程图;
图2为本发明一个实施例中一种脱硝系统入口氮氧化物浓度预测装置的结构示意图。
附图标记说明:
201-获取模块;202-预测模块。
具体实施方式
为使本发明的上述目的、特征和优点能够更为明显易懂,下面结合附图对本发明的具体实施例做详细的说明。应当理解,此处所描述的具体实施例仅仅用以解释本发明,并不用于限定本发明。
现有的脱硝系统入口氮氧化物浓度预测方法,并没有对大量选取的锅炉数据进行必要的筛选和分析。由于样本数据数量极其庞大且复杂,在建模过程中样本数据的选择和处理不当,将导致建模过程漫长甚至无法收敛。其次,没有针对影响因素与脱硝系统入口NOx浓度之间存在着一定的时间延迟的问题提出可靠的解决方案,这将会导致同一时刻所选的变量参数出现时间偏移,造成建模效果差,预测结果的不准确。
图1是本发明的一个实施例中一种脱硝系统入口氮氧化物浓度预测方法的示意性流程图,该方法包括:
S102,获取脱硝系统对应的当前运行数据。
从DCS(Distributed Control System,分散控制系统)与数据库获取历史运行数据作为原始样本数据,数据采样间隔时间为1min,选取N个原始相关参数变量作为构建SCR(Selective Catalytic Reduction,选择性催化还原法)脱硝系统入口NOx浓度预测模型的初始参数。
其中,N个参数变量根据机组运行情况和SCR反应机理,选取了以下变量参数:总风量、锅炉蒸发量、总煤量、机组负荷、送风机风门开度、送风机B侧电流、SCR脱硝反应器入口B侧烟温、空预器B侧进口烟温、空预器B侧出口烟温、送风机A侧电流、SCR脱硝反应器入口A侧烟温、主蒸汽温度、主蒸汽压力、空预器A侧进口烟温、空预器A侧出口烟温、后燃尽压力、B层二次风门2号辅助挡板开度。一般的,电厂烟道风道均为两侧对称布置,称为A侧及B侧。
S104,将当前运行数据输入预先训练的脱硝系统入口氮氧化物浓度模型,得到入口氮氧化物浓度。
其中,脱硝系统入口氮氧化物浓度模型基于时间修正后的历史运行数据预先训练,基于时间修正后的历史运行数据为基于物理测量方法确定的第一时间偏移量及相关性分析方法确定的第二时间偏移量对初始的历史运行数据进行修正得到。
上述脱硝系统入口氮氧化物浓度模型,通过物理测量和相关性分析的方法对脱硝系统的历史运行数据中关键影响因素进行时间偏移量的修正,重新构建关键影响因素的样本空间数据,然后作为输入变量输入预设模型中,脱硝系统入口NOx浓度值作为该模型的输出值,训练得到准确性高的入口NOx浓度预测模型。
本实施例提供的脱硝系统入口氮氧化物浓度预测方法,通过物理测量和相关性分析的方法确立了历史运行数据与入口NOx浓度的时间偏移量,并根据偏移量进行时间序列校正,重构样本空间数据后训练得到预测模型,有效解决了历史运行数据与脱硝系统入口NOx浓度在同一时刻上出现时间偏移问题,避免了传统测量手段严重的时间滞后问题,有助于神经网络模型的训练和收敛,提高了预测结果的准确度及可靠性。
可选地,基于以下方式训练脱硝系统入口氮氧化物浓度预测模型:
(1)获取脱硝系统对应的历史运行数据,及对历史运行数据进行筛选得到关键变量。
其中,历史运行数据包括以下至少一项:总风量、锅炉蒸发量、总煤量、机组负荷、送风机风门开度、送风机电流、脱硝反应器入口烟温、空预器进口烟温、空预器出口烟温、主蒸汽温度、主蒸汽压力、后燃尽压力、辅助挡板开度。
基于主成分分析方法对历史运行数据进行降维筛选,得到对脱硝系统入口氮氧化物浓度变化的累计贡献率大于预设阈值的关键变量。其中,
以NOx生成机理和锅炉燃烧机理为前提,利用主成分分析方法对历史运行数据进行降维筛选,并通过数据分析和筛选获取对SCR脱硝系统入口NOx浓度影响较大的参数变量,筛掉影响较小的变量。
可选地,以累计贡献率95%为筛选标准,最终选取M个主成分作为模型的输入变量。本实施例中将M个主成分定义为M个关键变量,并将其作为预测模型的输入变量。运用主成分分析方法可以将大量的间接变量精简至少数几个关键性的影响变量,从而减少了入口预测模型的输入参数量,降低了模型的复杂性,提高模型预测的效率,有助于神经网络模型的训练和收敛。
(2)基于物理测量方法获得脱硝系统入口氮氧化物浓度的第一时间偏移量。
首先,获取脱硝系统入口氮氧化物浓度的测量参数;然后,基于物理测量公式及测量参数计算得到第一时间偏移量;物理测量公式如下:
t0=πD2L/4V
其中,t0为脱硝系统入口氮氧化物浓度的第一时间偏移量,L为取样管道的长度,D为取样管道的内管管径,V为取样管道的抽气速率。
通过物理测量的方法获得入口氮氧化物浓度的采样过程中采样滞后时间t0,利用该滞后时间偏移量t0对初始的M个关键变量的样本数据进行时间序列的修正,需要说明的是,可以将M个关键变量在时间序列上向前调整t0时长,以重新获得输入变量的样本数据。
(3)基于相关性分析方法确定各关键变量对应的第二时间偏移量。
首先,计算各关键变量与脱硝系统入口氮氧化物浓度的随时长变化的相关性系数;然后,将各相关性系数的最大值对应的时长,确定为对应的关键变量的第二时间偏移量。
当某个关键变量发生改变后,相关性系数随时间变化,当相关性达到最大时,此时对应的时间长度就是时间偏移量。
M个关键变量由于各自影响入口NOx浓度变化在时间序列上有所不同,即各个关键变量对入口NOx浓度变化的影响时刻各不相同,通过相关性分析方法计算不同时刻各关键变量与入口NOx浓度的Pearson(皮尔逊)相关系数的大小,确立各个关键变量的时间偏移量。基于各个关键变量的时间偏移量分别对关键变量进行时间偏移处理,校正输入变量的时间序列,获得最终输入变量的样本数据。
本实施例中的相关性分析方法是建立一个相关性系数和关键因素变量以及时间偏移量三者之间的关系公式,根据这个公式可以得到相关系数的大小,同时可以得到相关性系数随时间的变化关系。当相关系数最大时,表示该关键因素与入口NOx浓度值相关性最大,此时得到的时间长度就是时间偏移量。按照每个关键变量与入口NOx浓度的时间偏移量的关系,可以对每个关键变量参数进行时间修正,重构样本数据。
(4)根据第一时间偏移量、第二时间偏移量对各关键变量进行时间偏移修正,得到最终样本数据。
如前述,根据第一时间变量对各关键变量进行时间偏移修正,得到修正关键变量;根据各关键变量对应的第二时间偏移量,分别对各关键变量对应的第一修正关键变量进行时间偏移修正,得到最终样本数据。
(5)根据最终样本数据及对应的脱硝系统入口氮氧化物浓度数据,训练得到脱硝系统入口氮氧化物浓度预测模型。
将最后重构的M个输入变量的最终样本数据进行归一化处理之后作为模型的输入值,SCR入口NOx浓度值作为模型的输出值,利用最终样本数据建立SCR脱硝系统入口NOx浓度预测模型。该预测模型例如可以是BP神经网络。
本实施例中,以NOx生成机理和锅炉燃烧机理为前提,采用主成分分析法对原始变量进行降维筛选,获得对SCR入口NOx浓度影响较大的关键性变量,减少了模型的输入变量,极大程度地简化了建模过程的复杂性以及缩短了建模时间,有助于神经网络模型的训练和收敛;
通过物理测量和相关性分析的方法确立了各关键因素与入口NOx浓度的时间偏移量,并根据偏移量对关键因素进行时间序列的校正,重构样本空间数据,有效解决了关键影响因素与脱硝系统入口NOx浓度在同一时刻上出现时间偏移问题,避免了传统测量手段严重的时间滞后问题,提高入口NOx预测模型的准确性;
将最后重构的样本数据进行归一化处理之后作为模型的输入值,入口NOx浓度值作为模型的输出值,利用样本数据可以建立脱硝系统入口NOx浓度预测模型,准确可靠的预测脱硝系统入口NOx浓度。
图2是本发明的一个实施例中一种脱硝系统入口氮氧化物浓度预测装置的结构示意图,该装置包括:
获取模块201,用于获取脱硝系统对应的当前运行数据;
预测模块202,用于将所述当前运行数据输入预先训练的脱硝系统入口氮氧化物浓度预测模型,得到入口氮氧化物浓度;
其中,所述脱硝系统入口氮氧化物浓度预测模型基于时间修正后的历史运行数据预先训练,所述基于时间修正后的历史运行数据为基于物理测量方法确定的第一时间偏移量及相关性分析方法确定的第二时间偏移量对初始的历史运行数据进行修正得到。
本实施例提供的脱硝系统入口氮氧化物浓度预测装置,通过物理测量和相关性分析的方法确立了历史运行数据与入口NOx浓度的时间偏移量,并根据偏移量进行时间序列校正,重构样本空间数据后训练得到预测模型,有效解决了历史运行数据与脱硝系统入口NOx浓度在同一时刻上出现时间偏移问题,避免了传统测量手段严重的时间滞后问题,有助于神经网络模型的训练和收敛,提高了预测结果的准确度及可靠性。
可选地,作为一个实施例,所述装置还包括训练模块,所述训练模块用于:获取所述脱硝系统对应的历史运行数据,及对所述历史运行数据进行筛选得到关键变量;基于物理测量方法获得所述脱硝系统入口氮氧化物浓度的第一时间偏移量;基于相关性分析方法确定各所述关键变量对应的第二时间偏移量;根据所述第一时间偏移量、所述第二时间偏移量对各所述关键变量进行时间偏移修正,得到最终样本数据;根据所述最终样本数据及对应的脱硝系统入口氮氧化物浓度数据,训练得到脱硝系统入口氮氧化物浓度预测模型。
可选地,作为一个实施例,所述训练模块具体用于:计算各所述关键变量与脱硝系统入口氮氧化物浓度的随时长变化的相关性系数;将各所述相关性系数的最大值对应的时长,确定为对应的所述关键变量的第二时间偏移量。
可选地,作为一个实施例,所述训练模块具体用于:基于主成分分析方法对所述历史运行数据进行降维筛选,得到对脱硝系统入口氮氧化物浓度变化的累计贡献率大于预设阈值的关键变量。
可选地,作为一个实施例,所述训练模块具体用于:获取所述脱硝系统入口氮氧化物浓度的测量参数;基于物理测量公式及所述测量参数计算得到第一时间偏移量;所述物理测量公式如下:
t0=πD2L/4V
其中,t0为所述脱硝系统入口氮氧化物浓度的第一时间偏移量,L为取样管道的长度,D为取样管道的内管管径,V为取样管道的抽气速率。
可选地,作为一个实施例,所述训练模块具体用于:根据所述第一时间变量对各所述关键变量进行时间偏移修正,得到修正关键变量;根据各所述关键变量对应的第二时间偏移量,分别对各所述关键变量对应的所述第一修正关键变量进行时间偏移修正,得到最终样本数据。
可选地,作为一个实施例,所述历史运行数据包括以下至少一项:总风量、锅炉蒸发量、总煤量、机组负荷、送风机风门开度、送风机电流、脱硝反应器入口烟温、空预器进口烟温、空预器出口烟温、主蒸汽温度、主蒸汽压力、后燃尽压力、辅助挡板开度。
本发明实施例还提供一种脱硝系统,包括反应器及控制器;所述控制器用于执行上述脱硝系统入口氮氧化物浓度预测方法。
本发明实施例还提供一种计算机可读存储介质,计算机可读存储介质上存储有计算机程序,该计算机程序被处理器执行时实现上述脱硝系统入口氮氧化物浓度预测方法实施例的各个过程,且能达到相同的技术效果,为避免重复,这里不再赘述。其中,所述的计算机可读存储介质,如只读存储器(Read-Only Memory,简称ROM)、随机存取存储器(RandomAccess Memory,简称RAM)、磁碟或者光盘等。
当然,本领域技术人员可以理解实现上述实施例方法中的全部或部分流程,是可以通过计算机程度来指令控制装置来完成,所述的程序可存储于一计算机可读取的存储介质中,所述程序在执行时可包括如上述各方法实施例的流程,其中所述的存储介质可为存储器、磁盘、光盘等。
在本文中,诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
本说明书中各个实施例采用递进的方式描述,每个实施例重点说明的都是与其他实施例的不同之处,各个实施例之间相同相似部分互相参见即可。
对所公开的实施例的上述说明,使本领域专业技术人员能够实现或使用本发明。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的,本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下,在其它实施例中实现。因此,本发明将不会被限制于本文所示的这些实施例,而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。
Claims (7)
1.一种脱硝系统入口氮氧化物浓度预测方法,其特征在于,所述方法包括:
获取脱硝系统对应的当前运行数据;
将所述当前运行数据输入预先训练的脱硝系统入口氮氧化物浓度预测模型,得到入口氮氧化物浓度;
其中,所述脱硝系统入口氮氧化物浓度预测模型基于时间修正后的历史运行数据预先训练,所述基于时间修正后的历史运行数据为基于物理测量方法确定的第一时间偏移量及相关性分析方法确定的第二时间偏移量对初始的历史运行数据进行修正得到;
所述方法还包括:
获取所述脱硝系统对应的历史运行数据,及对所述历史运行数据进行筛选得到关键变量;
基于物理测量方法获得所述脱硝系统入口氮氧化物浓度的第一时间偏移量;
基于相关性分析方法确定各所述关键变量对应的第二时间偏移量;
根据所述第一时间偏移量、所述第二时间偏移量对各所述关键变量进行时间偏移修正,得到最终样本数据;
根据所述最终样本数据及对应的脱硝系统入口氮氧化物浓度数据,训练得到脱硝系统入口氮氧化物浓度预测模型;
所述基于物理测量方法获得所述脱硝系统入口氮氧化物浓度的第一时间偏移量,包括:
获取所述脱硝系统入口氮氧化物浓度的测量参数;
基于物理测量公式及所述测量参数计算得到第一时间偏移量;所述物理测量公式如下:
t0=πD2-L/4V
其中,t0为所述脱硝系统入口氮氧化物浓度的第一时间偏移量,L为取样管道的长度,D为取样管道的内管管径,V为取样管道的抽气速率。
2.根据权利要求1所述的方法,其特征在于,所述基于相关性分析方法确定各所述关键变量对应的第二时间偏移量,包括:
计算各所述关键变量与脱硝系统入口氮氧化物浓度的随时长变化的相关性系数;
将各所述相关性系数的最大值对应的时长,确定为对应的所述关键变量的第二时间偏移量。
3.根据权利要求1所述的方法,其特征在于,所述对所述历史运行数据进行筛选得到关键变量,包括:
基于主成分分析方法对所述历史运行数据进行降维筛选,得到对脱硝系统入口氮氧化物浓度变化的累计贡献率大于预设阈值的关键变量。
4.根据权利要求2所述的方法,其特征在于,所述根据所述第一时间偏移量、所述第二时间偏移量对各所述关键变量进行时间偏移修正,得到最终样本数据,包括:
根据所述第一时间偏移量对各所述关键变量进行时间偏移修正,得到修正关键变量;
根据各所述关键变量对应的第二时间偏移量,分别对各所述关键变量对应的所述修正关键变量进行时间偏移修正,得到最终样本数据。
5.根据权利要求1-4任一项所述的方法,其特征在于,所述历史运行数据包括以下至少一项:总风量、锅炉蒸发量、总煤量、机组负荷、送风机风门开度、送风机电流、脱硝反应器入口烟温、空预器进口烟温、空预器出口烟温、主蒸汽温度、主蒸汽压力、后燃尽压力、辅助挡板开度。
6.一种脱硝系统入口氮氧化物浓度预测装置,其特征在于,所述装置包括:
获取模块,用于获取脱硝系统对应的当前运行数据;
预测模块,用于将所述当前运行数据输入预先训练的脱硝系统入口氮氧化物浓度预测模型,得到入口氮氧化物浓度;
其中,所述脱硝系统入口氮氧化物浓度预测模型基于时间修正后的历史运行数据预先训练,所述基于时间修正后的历史运行数据为基于物理测量方法确定的第一时间偏移量及相关性分析方法确定的第二时间偏移量对初始的历史运行数据进行修正得到;
所述装置还包括训练模块,所述训练模块用于:
获取所述脱硝系统对应的历史运行数据,及对所述历史运行数据进行筛选得到关键变量;
基于物理测量方法获得所述脱硝系统入口氮氧化物浓度的第一时间偏移量;
基于相关性分析方法确定各所述关键变量对应的第二时间偏移量;
根据所述第一时间偏移量、所述第二时间偏移量对各所述关键变量进行时间偏移修正,得到最终样本数据;
根据所述最终样本数据及对应的脱硝系统入口氮氧化物浓度数据,训练得到脱硝系统入口氮氧化物浓度预测模型;
所述训练模块具体用于:获取所述脱硝系统入口氮氧化物浓度的测量参数;基于物理测量公式及所述测量参数计算得到第一时间偏移量;所述物理测量公式如下:
t0=πD2-L/4V
其中,t0为所述脱硝系统入口氮氧化物浓度的第一时间偏移量,L为取样管道的长度,D为取样管道的内管管径,V为取样管道的抽气速率。
7.一种脱硝系统,其特征在于,包括反应器及控制器;所述控制器用于执行权利要求1-5任一项所述的脱硝系统入口氮氧化物浓度预测方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011329144.3A CN112651166B (zh) | 2020-11-24 | 2020-11-24 | 脱硝系统入口氮氧化物浓度预测方法、装置及脱硝系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011329144.3A CN112651166B (zh) | 2020-11-24 | 2020-11-24 | 脱硝系统入口氮氧化物浓度预测方法、装置及脱硝系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112651166A CN112651166A (zh) | 2021-04-13 |
CN112651166B true CN112651166B (zh) | 2023-03-28 |
Family
ID=75349331
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011329144.3A Active CN112651166B (zh) | 2020-11-24 | 2020-11-24 | 脱硝系统入口氮氧化物浓度预测方法、装置及脱硝系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112651166B (zh) |
Families Citing this family (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113380340B (zh) * | 2021-06-21 | 2023-05-16 | 深圳开云智能有限公司 | 飞灰浓度预测模型的训练方法、装置、计算机设备 |
CN113592163A (zh) * | 2021-07-22 | 2021-11-02 | 汉谷云智(武汉)科技有限公司 | Scr脱硝反应器入口氮氧化物浓度预测方法及设备 |
CN113847609B (zh) * | 2021-09-29 | 2024-02-06 | 华南理工大学 | 基于前馈模型预测误差自修正的垃圾焚烧炉脱硝控制方法 |
CN114236068B (zh) * | 2021-11-24 | 2024-03-01 | 中冶赛迪信息技术(重庆)有限公司 | 一种基于循环水系统的氯离子浓度分析方法及系统 |
CN116312861A (zh) * | 2023-05-09 | 2023-06-23 | 济南作为科技有限公司 | 脱硝系统气体浓度预测方法、装置、设备及存储介质 |
CN116603390B (zh) * | 2023-07-05 | 2023-10-10 | 浙江浙能迈领环境科技有限公司 | 船舶尾气洗涤系统及其方法 |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111860701A (zh) * | 2020-09-24 | 2020-10-30 | 大唐环境产业集团股份有限公司 | 一种基于聚类方法的脱硝系统工况判别预处理方法 |
Family Cites Families (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP5575701B2 (ja) * | 2011-05-18 | 2014-08-20 | 住友重機械工業株式会社 | 脱硝装置及び脱硝方法 |
JP5710410B2 (ja) * | 2011-07-21 | 2015-04-30 | 一般財団法人電力中央研究所 | 排気ガス循環型火力発電プラントの運転方法 |
CN109426144B (zh) * | 2017-08-22 | 2021-07-16 | 邢台国泰发电有限责任公司 | 基于随机森林模型的电站锅炉烟气脱硝方法 |
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 |
CN109046021B (zh) * | 2018-07-19 | 2021-03-02 | 南京奥麦科仪器自动化有限公司 | 一种强自适应能力的scr系统精确喷氨控制方法 |
CN109190848B (zh) * | 2018-10-17 | 2024-06-07 | 大唐环境产业集团股份有限公司 | 一种基于时延预估的SCR系统NOx排放浓度预测方法 |
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 |
CN111522290A (zh) * | 2020-04-24 | 2020-08-11 | 大唐环境产业集团股份有限公司 | 一种基于深度学习方法的脱硝控制方法和系统 |
CN111897373B (zh) * | 2020-08-05 | 2022-11-01 | 海南创实科技有限公司 | 一种基于模型预测的scr脱硝装置喷氨流量调节方法 |
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 |
-
2020
- 2020-11-24 CN CN202011329144.3A patent/CN112651166B/zh active Active
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111860701A (zh) * | 2020-09-24 | 2020-10-30 | 大唐环境产业集团股份有限公司 | 一种基于聚类方法的脱硝系统工况判别预处理方法 |
Also Published As
Publication number | Publication date |
---|---|
CN112651166A (zh) | 2021-04-13 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112651166B (zh) | 脱硝系统入口氮氧化物浓度预测方法、装置及脱硝系统 | |
CN108171142B (zh) | 一种确定复杂工业过程中关键变量因果关系的方法 | |
CN112619394B (zh) | 脱硝喷氨自适应控制方法、装置及脱硝系统 | |
DE102011077246B3 (de) | Filterungsverfahren und Filter für einen NOx Sensor eines Abgassystems | |
CN112667613B (zh) | 基于多延时特性多变量校正的烟气NOx预测方法及系统 | |
CN113469449B (zh) | 脱硫系统的寻优控制方法及系统 | |
CN111581581B (zh) | 多边界条件下SCR入口NOx浓度的检测方法和系统 | |
CN114225662B (zh) | 一种基于滞后模型的烟气脱硫脱硝优化控制方法 | |
CN107168065A (zh) | 一种用于选择性催化还原脱硝装置的控制方法及系统 | |
CN110716512A (zh) | 一种基于燃煤电站运行数据的环保装备性能预测方法 | |
CN112488145A (zh) | 一种基于智能化方法的NOx在线预测方法及系统 | |
CN112613237A (zh) | 一种基于LSTM的CFB机组NOx排放浓度的预测方法 | |
CN112364562A (zh) | 一种烟气环保岛协同控制方法及系统 | |
CN116688754A (zh) | 船舶烟气脱硫自动控制系统及其方法 | |
CN114315057B (zh) | 水处理控制方法、系统、计算机设备及存储介质 | |
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 | |
EP3698027B1 (de) | Verfahren zur ermittlung einer nox-konzentration und eines nh3-schlupfes stromabwärts eines scr-katalysators | |
CN117829342A (zh) | 基于改进随机森林算法的燃煤电厂氮氧化物排放预测方法 | |
CN115113519A (zh) | 一种煤-煤气混烧锅炉脱硝系统出口NOx浓度预警方法 | |
CN117196883A (zh) | 一种基于人工智能的污水处理决策优化方法及系统 | |
CN114315058B (zh) | 水处理控制方法、系统、计算机设备及存储介质 | |
CN109933884A (zh) | 一种面向燃煤机组scr脱硝系统神经网络逆控制的方法 | |
CN114924489A (zh) | 一种适用于流程工业预测控制的模型自主学习方法 | |
CN112862180A (zh) | 一种脱硝系统入口NOx浓度预测方法 | |
CN114708924B (zh) | 预测scr系统中吹灰器吹灰间隔时间的模型构建方法及装置 |
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 |