CN112667613B - 基于多延时特性多变量校正的烟气NOx预测方法及系统 - Google Patents
基于多延时特性多变量校正的烟气NOx预测方法及系统 Download PDFInfo
- Publication number
- CN112667613B CN112667613B CN202011562252.5A CN202011562252A CN112667613B CN 112667613 B CN112667613 B CN 112667613B CN 202011562252 A CN202011562252 A CN 202011562252A CN 112667613 B CN112667613 B CN 112667613B
- Authority
- CN
- China
- Prior art keywords
- increment
- time
- delay
- target
- characteristic
- 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
Images
Abstract
本发明实施例提供一种基于多延时特性多变量校正的烟气NOx预测方法及系统,包括:获取火电厂实时保存的生产运行数据并清洗,保留目标特征数据、以及其他数据;根据变量参数的生产运行数据和目标特征数据分别构建各变量参数的延时特性模型,每个延时特性模型各自对应的变量参数、对应的边界条件;将构建延时特性模型所需的生产运行数据提取出来作为建立预测模型;按工况划分清洗后的生产运行数据成不同的样本,根据不同的生产运行数据样本建立所有变量参数与目标特征的回归模型,训练回归模型得到NOx预测模型;通过NOx预测模型预测在脱硝系统出口的烟气NOx浓度。对多延时特性量化实现高精度建模,提高脱硝系统出口的烟气NOx浓度的预测效率。
Description
技术领域
本发明涉及火电厂,具体涉及一种基于多延时特性多变量校正的烟气NOx预测方法及系统。
背景技术
氮氧化物是火电厂的主要污染排放物之一,是国家污染物总量控制对象之一。近年来,为了达到国家规定的排放要求,燃煤机组普遍进行了超低排放改造,选择性催化还原烟气脱硝系统在火电厂中得到了广泛运用。抑制氮氧化物排放的同时,由于污染物排放超限会面临严肃的国家考核,氮氧化物控制过低不仅会造成更多的生产成本(氨气投入等),而且带来了硫酸氢铵堵塞空预器的风险。因此,自超低排放改造之处,系统氮氧化物控制就得到了广泛关注。
当前领域下的氮氧化物预测及控制思路,已经从传统的机理模型PID修正,逐渐切换到基于大数据分析诊断技术,通过锅炉关键参数的变化,预测SCR入口NOx浓度趋势,消除入口NOx测量不准的问题。同时,控制器以入口NOx预测值为基础,进行出口NOx的修正控制,以解决系统入口和出口测量滞后巨大,带来的喷氨控制回路无法适应脱硝过程非线性的问题,取得了一定成效。当前电厂普遍采用PID修正的方式进行氮氧化物控制,多数设计为固定摩尔比控制方式,该控制方式下的设定值为氨氮摩尔比或者脱硝效率,控制系统根据当前的烟气流量、SCR入口浓度和设定氨氮摩尔比计算出NH3流量需求,最终通过流量PID改变氨气阀开度来调节NH3实际流量,这种控制方式近似于开环控制,脱硝系统的需求量仅根据静态物理特性计算得出。
在实现本发明过程中,申请人发现现有技术中至少存在如下问题:当前PID控制策略设计过于简单,仅考虑了对象的静态特性,缺乏自适应机制,无法满足煤质、磨煤机运行方式、风煤比等多参数变化下的调整需求。
发明内容
本发明实施例提供一种基于多延时特性多变量校正的烟气NOx预测方法及系统,通过对多延时特性的量化,实现高精度建模,提高对脱硝系统出口的烟气NOx浓度的预测效率。
为达上述目的,一方面,本发明实施例提供一种基于多延时特性多变量校正的烟气NOx预测方法,NOx中的X为不小于1的整数,包括:
获取火电厂实时保存的生产运行数据,对生产运行数据进行清洗,保留生产运行数据中的目标特征数据、以及其他数据,其中,实际生产运行数据包括DCS历史数据、在线运行数据;所述目标特征为脱硝出口的烟气NOx浓度;所述其他数据是指影响目标特征的变量参数所对应的数据;
根据变量参数的生产运行数据和目标特征数据分别构建各变量参数的延时特性模型,每个延时特性模型各自对应的变量参数、对应的边界条件;
将构建延时特性模型所需的清洗后的生产运行数据提取出来作为建立预测模型;按工况划分生产运行数据成不同的样本,根据不同的生产运行数据样本建立所有变量参数与目标特征的回归模型,训练回归模型得到NOx预测模型;通过NOx预测模型预测在脱硝系统出口的烟气NOx浓度。
另一方面,本发明实施例提供一种基于多延时特性多变量校正的烟气NOx预测系统,采用前述的基于多延时特性多变量校正的NOx预测方法,根据不同的生产运行数据样本建立所有变量参数与目标特征的回归模型,训练回归模型得到NOx预测模型;通过NOx预测模型预测在脱硝系统出口的烟气NOx浓度。
上述技术方案具有如下有益效果:1)利用大数据技术对燃煤发电厂海量历史数据进行分析挖掘并加以利用,实现对运行历史数据的深度应用。2)通过对多延时特性的量化,约束指标预测过程中的随机性,实现高精度建模,提高对脱硝系统出口的烟气NOx浓度的预测效率,实现对运行调整的辅助效果。3)将传统控制系统的参数预测、控制逻辑剥离,直接进行因变量的预测,实现对模型精度的量化标准,为后续优化控制提供逻辑条件。
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一些实施例,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,还可以根据这些附图获得其他的附图。
图1是本发明实施例的基于多延时特性多变量校正的烟气NOx预测方法的流程图;
图2是本发明实施例的另一基于多延时特性多变量校正的烟气NOx预测方法的流程图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,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,都属于本发明保护的范围。
如图1所示,结合本发明的实施例,提供一种基于多延时特性多变量校正的烟气NOx预测方法,包括:
获取火电厂实时保存的生产运行数据,对生产运行数据进行清洗,保留生产运行数据中的目标特征数据、以及其他数据,其中,实际生产运行数据包括DCS历史数据、在线运行数据;所述目标特征为脱硝出口的烟气NOx浓度;所述其他数据是指影响目标特征的变量参数所对应的数据;
根据变量参数的生产运行数据和目标特征数据分别构建各变量参数的延时特性模型,每个延时特性模型各自对应的变量参数、对应的边界条件;
将构建延时特性模型所需的清洗后的生产运行数据提取出来作为建立预测模型;按工况划分生产运行数据成不同的样本,根据不同的生产运行数据样本建立所有变量参数与目标特征的回归模型,训练回归模型得到NOx预测模型;通过NOx预测模型预测在脱硝系统出口的烟气NOx浓度,从而实现对脱硝系统出口的烟气NOx浓度的校正,校正后的烟气NOx浓度更接近出口实际的烟气NOx浓度。
优选地,包括:所述影响目标特征的变量参数包括:喷氨量、负荷、烟气流量、脱硝入口温度、磨煤机运行方式、脱硝入口的烟气NOx浓度。
优选地,所述根据变量参数的生产运行数据和目标特征数据分别构建各变量参数的延时特性模型,具体包括:
随着时间递增,目标特征与任一变量参数的相关性呈单调性变化且具有相应的临界点,且在临界点之后目标特征与该变量参数的相关性与在临界点前呈相反的单调性变化;
根据目标特征与变量参数的相关性分别构建各变量参数的延时特性模型。
优选地,所述根据目标特征与变量参数的相关性分别构建各变量参数的延时特性模型,具体包括:
设定时间增量、以及时间增量相应的总数;
在随着时间增量递增到时间增量总数的过程中,若目标特征与某变量参数的相关性呈单调递增,则计算目标特征与该参数变量的相关系数,根据相关系数构建目标特征与该变量参数的延时特性模型。
优选地,在随着时间增量递增到时间增量总数的过程中,若目标特征与某变量参数的相关性呈单调递增,则计算目标特征与该变量参数的相关系数,具体包括:
在随着时间增量递增到时间增量总数的过程中若该变量参数未出现临界点,则调整时间增量值做延迟时间并边延迟时间向后延迟;
计算目标特征与该延迟后的变量参数的相关系数,以及目标特征与该延迟后的变量参数的相关系数的最小增量;判断目标特征与该延迟后的变量参数的相关系数变化的最小增量是否小于预设增量值;
如果目标特征与该延迟后的变量参数的相关系数变化的最小增量小于预设增量值,并计算目标特征与该变量参数的相关系数;且调整时间增量之前的时间点所对应的变量参数值为变量参数的临界点,该临界点为该变量参数的最大值。
优选地,还包括:
如果目标特征与该延迟后的变量参数的相关系数变化的最小增量大于预设增量值,则判断后一时间增量处的相关系数变化的最小增量与前一时间增量处的相关系数变化的最小增量的大小;
如果后一时间增量处的关系数变化的最小增量大于前一时间增量处的关系数变化的最小增量,则增加延迟时间继续向后延迟,每向后延迟一次均需判断目标特征与该延迟后的变量参数的相关系数变化的最小增量是否小于预设增量值,直至目标特征与该延迟后的变量参数的相关系数变化的最小增量小于预设增量值,停止向后延迟并计算目标特征与该变量参数的相关系数。
优选地,还包括:
如果后一时间增量处的关系数变化的最小增量小于前一时间增量处的关系数变化的最小增量,则将退后半个当前延迟时间,以退后半个延迟时间后的时间点作为延迟基准向后延迟、以半个当前延迟时间作为时间增量,每向后延迟一次均需判断目标特征与该延迟后的变量参数的相关系数变化的最小增量是否小于预设增量值,直至目标特征与该延迟后的变量参数的相关系数变化的最小增量小于预设增量值,停止向后延迟并计算目标特征与该变量参数的相关系数。
优选地,所述将构建延时特性模型所需的生产运行数据提取出来作为建立预测模型;按工况划分生产运行数据成不同的样本,根据不同的生产运行数据样本建立所有变量参数与目标特征的回归模型,训练回归模型得到NOx预测模型;通过NOx预测模型预测在脱硝系统出口的烟气NOx浓度,具体包括:
根据目标特征随变量参数值变化的时间设定多个基准测点,并基于每个基准测点预设数量的超前于基准测点实时数值的超前虚拟测点,所述各相邻超前虚拟测点之间的时间间隔相等;和/或,创建预设数量的滞后于基准测点实时数值的滞后虚拟测点;所述各相邻滞后虚拟测点之间的时间间隔相等;将所有基准点和所有虚拟测点作为目标测点;
随着目标测点的递增,根据不同的生产运行数据样本,建立目标特征与所有变量参数相关性的回归模型。
优选地,所述训练回归模型得到NOx预测模型,具体包括:
所述回归模型采用随机森林模型作为回归预测算法,通过随机森林模型将目标特征与所有变量参数相关性进行拟合,得到NOx预测模型。
结合本发明的实施例,还提供一种基于多延时特性多变量校正的烟气NOx预测系统,采用前述任一基于多延时特性多变量校正的烟气NOx预测方法,根据不同的生产运行数据样本建立所有变量参数与目标特征的回归模型,训练回归模型得到NOx预测模型;通过NOx预测模型预测在脱硝系统出口的烟气NOx浓度。
下面结合具体的应用实例对本发明实施例上述技术方案进行详细说明,实施过程中没有介绍到的技术细节,可以参考前文的相关描述。
本发明为一种多延时特性多变量校正的烟气NOx预测方法,如图2所示,本发明的技术方案的发明点概述为:
(1)以大数据和机器学习技术为基础,将延时特性作为固有属性进行分析研究,综合考虑磨煤机运行方式、风量(风的流速)、煤量、二次风、氧量(氧气的浓度)、煤质、喷氨量、入口NOx、出口NOx情况等相关参数,得出基于物理空间结构、流场速度、化学反应速度为一体的延时特性分布,并以此作为不同变量协调预测的基础。
(2)通过随机森林、多元回归等算法,基于延时特性分布对海量历史数据进行分析挖掘处理,得出不同时空特性下的模型,进行脱硝出口NOx的预测。综合考虑各种因素,利用自学习算法不断优化模型,摆脱常规理论计算和预测脱离实际状况的问题。
本发明的技术方案的详细阐述如下:
参数延时特性主要来源于管道长度(烟道长度、汽水管道长度)、流体速度(烟气流速、汽水流速)、化学反应速度(主要是煤和空气的燃烧,以及氨气和氮氧化物的化学反应)、测量时间等,由于管道长度和测量时间是固定的数值,而流体速度、化学反应时间主要受流量、温度等因素影响。因此,基于相关参数的大数据分析,以滞后特性作为研究变量,可以有效量化炉内反应过程,提高各类模型的预测精度。
(1)以Hadoop平台为基础,在云端服务器实时保存实际生产运行数据,对海量数据进行清洗存储,形成清洗后的生产运行数据,其中所要清洗的数据包括DCS历史数据、在线运行数据等。其中,DCS是集中控制系统,全部生产数据都是汇总至DCS的。
(2)虚拟测点构建;以每1秒为划分维度,基于原始的历史数据(即清洗后的历史生产运行数据),创建n个超前或滞后于当前测点实时数值的虚拟测点,因此对于每一个测点A,可以得到{A-n、A-n+1……A-1、A、A1……An-1、An}共计2n个虚拟测点。同理,对于其他测点,也可以得到2n个虚拟测点。其中,虚拟测点所对应的参数值是真实值吗,只是时间序列依据规则进行了重组
(3)提取目标特征参数延时特性;为确保滞后特性被有效捕捉,不受离散情况影响,定义以下规则:
a、相关性应随延时情况呈明显的单调特征,在临界点后呈相反的特征情况;
b、不同变量下相关性最高的点应为上述的转折临界点;
在该规则的基础上,定义函数如下:
a、初始化总搜索步数N_step=1000,延迟时间增量time_gap=1s,判断X与Y相关系数变化的最小增量delta,延迟时间delay_time=time_gap,当前循环步i=1,初始X与Y的相关系数=(X与未延迟Y的相关系数);X表示X是脱硝入口NOx,喷氨量,负荷,烟气流量,脱硝入口温度,磨煤机运行方式,煤质,Y表示Y是脱硝出口的NOx。
b、如果i大于N_step,则终止循环,观察N_step步数内,若是单调递增的,调整time_gap可以加快收敛;如果是无规律的,说明当前线程上数据缺少大滞后延迟特性;
c、将Y序列延迟delay_time时间,求X与延迟后Y的相关系数;
d、判断X与Y相关系数变化的最小增量是否小于预设值delta,如果小于预设值delta,则终止循环,此时delay_time为最佳延迟时间;如果大于delta,则进入下一步;
e、如果abs(corr_xyi)-abs(corr_xyi-1)大于0(是i时刻的数值要大于i-1时刻的),i=i+1,delay_time=delay_time+time_gap,跳转到步骤b继续执行;如果abs(corr_xyi)-abs(corr_xyi-1)小于0,则执行下一步;
f、delay_time=delay_time-time_gap/2,此表达式意为i-1步的延迟时间增加过大,导致相关系数开始变小了,所以倒退半步,减小时间间隔,时间增量变为半个当前延迟时间,i=i+1,跳转到步骤b继续执行,相当于是以新的时间间隔去执行步骤b,从而提高获得延时点的精确度。
g、经过以上步骤并可大致求得函数的极值点delay_time,即将Y延迟delay_time时间,可与X达到最佳相关性。根据各目标特征参数与延时时间样本的关系建立延时特性模型;所述延延迟时间样本模型涉及的工况火电厂的物理结构、流场速度、化学反应速度;
h、得到不同变量、不同边界条件下的延时特性模型;
(4)模型构建;
提取出某不同工况下的延迟时间样本模型后,按不同工况再次划分样本,建立因子和目标测点之间的回归模型;由于随机森林模型不容易过拟合,训练时间短,能较好的跟踪变化较快的数据走势等优点,选择随机森林作为最终的回归预测算法,在此算法模型下,通过调节模型的参数进一步提高预测精度;
(5)通过实时预测数据与实时运行数据对比,进行模型验证,从结果来看,预测值与实际值偏差在5%以内,符合使用需求。
本发明所取得有益效果如下:
1)利用大数据技术对燃煤发电厂海量历史数据进行分析挖掘并加以利用,实现对运行历史数据的深度应用。
2)通过对多延时特性的量化,约束指标预测过程中的随机性,实现高精度建模,提高对出口NOx的预测效率,实现对运行调整的辅助效果。
3)将传统控制系统的参数预测、控制逻辑剥离,直接进行因变量的预测,实现对模型精度的量化标准,为后续优化控制提供逻辑条件。
应该明白,公开的过程中的步骤的特定顺序或层次是示例性方法的实例。基于设计偏好,应该理解,过程中的步骤的特定顺序或层次可以在不脱离本公开的保护范围的情况下得到重新安排。所附的方法权利要求以示例性的顺序给出了各种步骤的要素,并且不是要限于所述的特定顺序或层次。
在上述的详细描述中,各种特征一起组合在单个的实施方案中,以简化本公开。不应该将这种公开方法解释为反映了这样的意图,即,所要求保护的主题的实施方案需要比清楚地在每个权利要求中所陈述的特征更多的特征。相反,如所附的权利要求书所反映的那样,本发明处于比所公开的单个实施方案的全部特征少的状态。因此,所附的权利要求书特此清楚地被并入详细描述中,其中每项权利要求独自作为本发明单独的优选实施方案。
为使本领域内的任何技术人员能够实现或者使用本发明,上面对所公开实施例进行了描述。对于本领域技术人员来说;这些实施例的各种修改方式都是显而易见的,并且本文定义的一般原理也可以在不脱离本公开的精神和保护范围的基础上适用于其它实施例。因此,本公开并不限于本文给出的实施例,而是与本申请公开的原理和新颖性特征的最广范围相一致。
上文的描述包括一个或多个实施例的举例。当然,为了描述上述实施例而描述部件或方法的所有可能的结合是不可能的,但是本领域普通技术人员应该认识到,各个实施例可以做进一步的组合和排列。因此,本文中描述的实施例旨在涵盖落入所附权利要求书的保护范围内的所有这样的改变、修改和变型。此外,就说明书或权利要求书中使用的术语“包含”,该词的涵盖方式类似于术语“包括”,就如同“包括,”在权利要求中用作衔接词所解释的那样。此外,使用在权利要求书的说明书中的任何一个术语“或者”是要表示“非排它性的或者”。
本领域技术人员还可以了解到本发明实施例列出的各种说明性逻辑块(illustrative logical block),单元,和步骤可以通过电子硬件、电脑软件,或两者的结合进行实现。为清楚展示硬件和软件的可替换性(interchangeability),上述的各种说明性部件(illustrative components),单元和步骤已经通用地描述了它们的功能。这样的功能是通过硬件还是软件来实现取决于特定的应用和整个系统的设计要求。本领域技术人员可以对于每种特定的应用,可以使用各种方法实现所述的功能,但这种实现不应被理解为超出本发明实施例保护的范围。
本发明实施例中所描述的各种说明性的逻辑块,或单元都可以通过通用处理器,数字信号处理器,专用集成电路(ASIC),现场可编程门阵列或其它可编程逻辑装置,离散门或晶体管逻辑,离散硬件部件,或上述任何组合的设计来实现或操作所描述的功能。通用处理器可以为微处理器,可选地,该通用处理器也可以为任何传统的处理器、控制器、微控制器或状态机。处理器也可以通过计算装置的组合来实现,例如数字信号处理器和微处理器,多个微处理器,一个或多个微处理器联合一个数字信号处理器核,或任何其它类似的配置来实现。
本发明实施例中所描述的方法或算法的步骤可以直接嵌入硬件、处理器执行的软件模块、或者这两者的结合。软件模块可以存储于RAM存储器、闪存、ROM存储器、EPROM存储器、EEPROM存储器、寄存器、硬盘、可移动磁盘、CD-ROM或本领域中其它任意形式的存储媒介中。示例性地,存储媒介可以与处理器连接,以使得处理器可以从存储媒介中读取信息,并可以向存储媒介存写信息。可选地,存储媒介还可以集成到处理器中。处理器和存储媒介可以设置于ASIC中,ASIC可以设置于用户终端中。可选地,处理器和存储媒介也可以设置于用户终端中的不同的部件中。
在一个或多个示例性的设计中,本发明实施例所描述的上述功能可以在硬件、软件、固件或这三者的任意组合来实现。如果在软件中实现,这些功能可以存储与电脑可读的媒介上,或以一个或多个指令或代码形式传输于电脑可读的媒介上。电脑可读媒介包括电脑存储媒介和便于使得让电脑程序从一个地方转移到其它地方的通信媒介。存储媒介可以是任何通用或特殊电脑可以接入访问的可用媒体。例如,这样的电脑可读媒体可以包括但不限于RAM、ROM、EEPROM、CD-ROM或其它光盘存储、磁盘存储或其它磁性存储装置,或其它任何可以用于承载或存储以指令或数据结构和其它可被通用或特殊电脑、或通用或特殊处理器读取形式的程序代码的媒介。此外,任何连接都可以被适当地定义为电脑可读媒介,例如,如果软件是从一个网站站点、服务器或其它远程资源通过一个同轴电缆、光纤电缆、双绞线、数字用户线(DSL)或以例如红外、无线和微波等无线方式传输的也被包含在所定义的电脑可读媒介中。所述的碟片(disk)和磁盘(disc)包括压缩磁盘、镭射盘、光盘、DVD、软盘和蓝光光盘,磁盘通常以磁性复制数据,而碟片通常以激光进行光学复制数据。上述的组合也可以包含在电脑可读媒介中。
以上所述的具体实施方式,对本发明的目的、技术方案和有益效果进行了进一步详细说明,所应理解的是,以上所述仅为本发明的具体实施方式而已,并不用于限定本发明的保护范围,凡在本发明的精神和原则之内,所做的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (7)
1.一种基于多延时特性多变量校正的烟气NOx预测方法,其特征在于,包括:
获取火电厂实时保存的生产运行数据,对生产运行数据进行清洗,保留生产运行数据中的目标特征数据、以及其他数据,其中,实际生产运行数据包括DCS历史数据、在线运行数据;所述目标特征为脱硝出口的烟气NOx浓度;所述其他数据是指影响目标特征的变量参数所对应的数据;
根据变量参数的生产运行数据和目标特征数据分别构建各变量参数的延时特性模型,每个延时特性模型各自对应的变量参数、对应的边界条件;
将构建延时特性模型所需的生产运行数据提取出来作为建立预测模型;按工况划分清洗后的生产运行数据成不同的样本,根据不同的生产运行数据样本建立所有变量参数与目标特征的回归模型,训练回归模型得到NOx预测模型;通过NOx预测模型预测在脱硝系统出口的烟气NOx浓度;
所述根据变量参数的生产运行数据和目标特征数据分别构建各变量参数的延时特性模型,具体包括:
随着时间递增,目标特征与任一变量参数的相关性呈单调性变化且具有相应的临界点,且在临界点之后目标特征与该变量参数的相关性与在临界点前呈相反的单调性变化;
根据目标特征与变量参数的相关性分别构建各变量参数的延时特性模型;
所述根据目标特征与变量参数的相关性分别构建各变量参数的延时特性模型,具体包括:
设定时间增量、以及时间增量相应的总数;
在随着时间增量递增到时间增量总数的过程中,若目标特征与某变量参数的相关性呈单调递增,则计算目标特征与该变量参数的相关系数,根据相关系数构建目标特征与该变量参数的延时特性模型;
所述在随着时间增量递增到时间增量总数的过程中,若目标特征与某变量参数的相关性呈单调递增,则计算目标特征与该变量参数的相关系数,具体包括:
在随着时间增量递增到时间增量总数的过程中若该变量参数未出现临界点,则调整时间增量值做延迟时间并边延迟时间向后延迟;
计算目标特征与该延迟后的变量参数的相关系数,以及目标特征与该延迟后的变量参数的相关系数的最小增量;判断目标特征与该延迟后的变量参数的相关系数变化的最小增量是否小于预设增量值;
如果目标特征与该延迟后的变量参数的相关系数变化的最小增量小于预设增量值,并计算目标特征与该延迟后的该变量参数的相关系数;且调整时间增量之前的时间点所对应的变量参数值为变量参数的临界点,该临界点为该变量参数的最大值。
2.根据权利要求1所述的基于多延时特性多变量校正的烟气NOx预测方法,其特征在于,包括:所述影响目标特征的变量参数包括:喷氨量、负荷、烟气流量、脱硝入口温度、磨煤机运行方式、脱硝入口的烟气NOx浓度。
3.根据权利要求1所述的基于多延时特性多变量校正的烟气NOx预测方法,其特征在于,还包括:
如果目标特征与该延迟后的变量参数的相关系数变化的最小增量大于预设增量值,则判断后一时间增量处的相关系数变化的最小增量与前一时间增量处的相关系数变化的最小增量的大小;
如果后一时间增量处的关系数变化的最小增量大于前一时间增量处的关系数变化的最小增量,则增加延迟时间继续向后延迟,每向后延迟一次均需判断目标特征与该延迟后的变量参数的相关系数变化的最小增量是否小于预设增量值,直至目标特征与该延迟后的变量参数的相关系数变化的最小增量小于预设增量值,停止向后延迟并计算目标特征与该变量参数的相关系数。
4.根据权利要求3所述的基于多延时特性多变量校正的烟气NOx预测方法,其特征在于,还包括:
如果后一时间增量处的关系数变化的最小增量小于前一时间增量处的关系数变化的最小增量,则将退后半个当前延迟时间,以退后半个延迟时间后的时间点作为延迟基准向后延迟、以半个当前延迟时间作为时间增量,每向后延迟一次均需判断目标特征与该延迟后的变量参数的相关系数变化的最小增量是否小于预设增量值,直至目标特征与该延迟后的变量参数的相关系数变化的最小增量小于预设增量值,停止向后延迟并计算目标特征与该变量参数的相关系数。
5.根据权利要求4所述的基于多延时特性多变量校正的烟气NOx预测方法,其特征在于,所述将构建延时特性模型所需的生产运行数据提取出来作为建立预测模型;按工况划分生产运行数据成不同的样本,根据不同的生产运行数据样本建立所有变量参数与目标特征的回归模型,训练回归模型得到NOx预测模型;通过NOx预测模型预测在脱硝系统出口的烟气NOx浓度,具体包括:
根据目标特征随变量参数值变化的时间设定多个基准测点,并基于每个基准测点预设数量的超前于基准测点实时数值的超前虚拟测点,相邻各所述超前虚拟测点之间的时间间隔相等;和/或,创建预设数量的滞后于基准测点实时数值的滞后虚拟测点;相邻各所述滞后虚拟测点之间的时间间隔相等;将所有基准点和所有虚拟测点作为目标测点;
随着目标测点的递增,根据不同的生产运行数据样本,建立目标特征与所有变量参数相关性的回归模型。
6.根据权利要求5所述的基于多延时特性多变量校正的烟气NOx预测方法,其特征在于,所述训练回归模型得到NOx预测模型,具体包括:
所述回归模型采用随机森林模型作为回归预测算法,通过随机森林模型将目标特征与所有变量参数相关性进行拟合,得到NOx预测模型。
7.一种基于多延时特性多变量校正的烟气NOx预测系统,其特征在于,采用权利要求1-6任一所述的基于多延时特性多变量校正的NOx预测方法,根据不同的生产运行数据样本建立所有变量参数与目标特征的回归模型,训练回归模型得到NOx预测模型;通过NOx预测模型预测在脱硝系统出口的烟气NOx浓度。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011562252.5A CN112667613B (zh) | 2020-12-25 | 2020-12-25 | 基于多延时特性多变量校正的烟气NOx预测方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011562252.5A CN112667613B (zh) | 2020-12-25 | 2020-12-25 | 基于多延时特性多变量校正的烟气NOx预测方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112667613A CN112667613A (zh) | 2021-04-16 |
CN112667613B true CN112667613B (zh) | 2023-03-31 |
Family
ID=75409053
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011562252.5A Active CN112667613B (zh) | 2020-12-25 | 2020-12-25 | 基于多延时特性多变量校正的烟气NOx预测方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112667613B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113361199A (zh) * | 2021-06-09 | 2021-09-07 | 成都之维安科技股份有限公司 | 基于时间序列的多维污染物排放强度预测方法 |
CN113380338B (zh) * | 2021-06-16 | 2022-06-10 | 哈电发电设备国家工程研究中心有限公司 | 一种旋风分离器进口处NOx浓度测量修正及预测方法 |
CN115059933B (zh) * | 2022-08-19 | 2023-01-06 | 北京全应科技有限公司 | 一种基于历史运行数据的锅炉参数优化方法 |
Citations (7)
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 |
CN104297008A (zh) * | 2014-10-11 | 2015-01-21 | 苏州华瑞能泰发电技术有限公司 | 基于现场性能测试的脱硝装置潜能评估与预测方法 |
CN105148727A (zh) * | 2015-10-10 | 2015-12-16 | 广东电网有限责任公司电力科学研究院 | 燃煤发电机组脱硝优化控制方法和系统 |
CN105597538A (zh) * | 2015-12-22 | 2016-05-25 | 河北省电力建设调整试验所 | 一种基于时差匹配的脱硝还原剂加入控制方法及其控制装置 |
CN108136140A (zh) * | 2015-10-01 | 2018-06-08 | 马林克罗特医疗产品知识产权公司 | 用于将高浓度no与吸入疗法气体一起扩散的装置和方法 |
CN109190848A (zh) * | 2018-10-17 | 2019-01-11 | 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 |
CN112058079A (zh) * | 2020-09-03 | 2020-12-11 | 西安热工研究院有限公司 | 一种基于指数预测模型的scr入口nox浓度预测系统及方法 |
-
2020
- 2020-12-25 CN CN202011562252.5A patent/CN112667613B/zh active Active
Patent Citations (7)
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 |
CN104297008A (zh) * | 2014-10-11 | 2015-01-21 | 苏州华瑞能泰发电技术有限公司 | 基于现场性能测试的脱硝装置潜能评估与预测方法 |
CN108136140A (zh) * | 2015-10-01 | 2018-06-08 | 马林克罗特医疗产品知识产权公司 | 用于将高浓度no与吸入疗法气体一起扩散的装置和方法 |
CN105148727A (zh) * | 2015-10-10 | 2015-12-16 | 广东电网有限责任公司电力科学研究院 | 燃煤发电机组脱硝优化控制方法和系统 |
CN105597538A (zh) * | 2015-12-22 | 2016-05-25 | 河北省电力建设调整试验所 | 一种基于时差匹配的脱硝还原剂加入控制方法及其控制装置 |
CN109190848A (zh) * | 2018-10-17 | 2019-01-11 | 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 |
CN112058079A (zh) * | 2020-09-03 | 2020-12-11 | 西安热工研究院有限公司 | 一种基于指数预测模型的scr入口nox浓度预测系统及方法 |
Non-Patent Citations (2)
Title |
---|
LQR tracking of a delay differential equation model for the study of nanoparticle dosing strategies for cancer therapy;Pratik Adhikari 等;《2013 American Control Conference》;20130815;第2068-2069页 * |
循环流化床氮氧化物排放预测模型及优化控制研究;高明明 等;《洁净煤技术》;20200327;第26卷(第3期);第46-47页 * |
Also Published As
Publication number | Publication date |
---|---|
CN112667613A (zh) | 2021-04-16 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
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 | |
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 | |
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 | |
CN107526292B (zh) | 一种基于入口NOx浓度预测的调控喷氨量的方法 | |
CN112365029B (zh) | 用于空调负荷预测的缺失值处理方法及空调负荷预测系统 | |
KR102206324B1 (ko) | 기술적 시스템의 스타팅 변수의 모델을 확인하기 위한 방법 | |
CN105045233B (zh) | 火电厂热工系统中基于时间量度的pid控制器的优化设计方法 | |
CN110263395A (zh) | 基于数值模拟和数据分析的电厂脱硝运行优化方法及系统 | |
CN111897373B (zh) | 一种基于模型预测的scr脱硝装置喷氨流量调节方法 | |
CN109426144B (zh) | 基于随机森林模型的电站锅炉烟气脱硝方法 | |
CN113627071B (zh) | 一种基于鲸鱼算法优化长短时记忆网络的燃煤锅炉nox软测量方法 | |
CN112163335A (zh) | 一种NOx浓度预测模型的训练方法、预测方法和装置 | |
CN110598929A (zh) | 一种风电功率非参数概率区间超短期预测方法 | |
US8046091B2 (en) | Control parameters for searching | |
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 | |
CN112782969B (zh) | 一种pid参数整定方法、装置、存储介质和设备 | |
CN113488111B (zh) | 一种scr脱硝系统喷氨量优化建模方法 | |
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 | |
CN110658722B (zh) | 一种基于gap的自均衡多模型分解方法及系统 | |
CN111368931B (zh) | 确定图像分类模型的学习率的方法 | |
CN113592163A (zh) | Scr脱硝反应器入口氮氧化物浓度预测方法及设备 | |
CN114706355A (zh) | 火电场scr脱硝系统时滞性预测方法及装置 | |
CN114444295A (zh) | 一种基于组合时序预测的NOx废气浓度预测方法 | |
CN113339113B (zh) | 一种SCR系统NOx生成与氨需求预测方法、系统及存储介质 | |
CN116880404B (zh) | 一种基于恒定模型的生产控制方法、装置、设备及介质 |
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 |