CN115146833A - 一种锅炉氮氧化物生成浓度的预测方法 - Google Patents
一种锅炉氮氧化物生成浓度的预测方法 Download PDFInfo
- Publication number
- CN115146833A CN115146833A CN202210673340.5A CN202210673340A CN115146833A CN 115146833 A CN115146833 A CN 115146833A CN 202210673340 A CN202210673340 A CN 202210673340A CN 115146833 A CN115146833 A CN 115146833A
- Authority
- CN
- China
- Prior art keywords
- nox
- feature
- generation concentration
- boiler
- time
- 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 Nitric oxide Chemical compound O=[N] MWUXSHHQAYIFBG-UHFFFAOYSA-N 0.000 title claims abstract description 208
- 238000000034 method Methods 0.000 title claims abstract description 29
- 238000010219 correlation analysis Methods 0.000 claims abstract description 17
- 238000004458 analytical method Methods 0.000 claims abstract description 10
- 238000004364 calculation method Methods 0.000 claims abstract description 7
- 238000010606 normalization Methods 0.000 claims abstract description 7
- 238000012545 processing Methods 0.000 claims abstract description 5
- 239000003245 coal Substances 0.000 claims description 22
- 238000012549 training Methods 0.000 claims description 13
- 238000005070 sampling Methods 0.000 claims description 9
- 238000003062 neural network model Methods 0.000 claims description 8
- 238000010187 selection method Methods 0.000 claims description 7
- 238000004140 cleaning Methods 0.000 claims description 5
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 claims description 4
- 230000006870 function Effects 0.000 claims description 4
- 239000007789 gas Substances 0.000 claims description 4
- 239000000463 material Substances 0.000 claims description 4
- 238000007637 random forest analysis Methods 0.000 claims description 4
- 238000012360 testing method Methods 0.000 description 11
- 238000002485 combustion reaction Methods 0.000 description 5
- 239000000779 smoke Substances 0.000 description 5
- 238000013528 artificial neural network Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 3
- 239000003344 environmental pollutant Substances 0.000 description 3
- 229910052760 oxygen Inorganic materials 0.000 description 3
- 231100000719 pollutant Toxicity 0.000 description 3
- IJGRMHOSHXDMSA-UHFFFAOYSA-N Atomic nitrogen Chemical compound N#N IJGRMHOSHXDMSA-UHFFFAOYSA-N 0.000 description 2
- UGFAIRIUMAVXCW-UHFFFAOYSA-N Carbon monoxide Chemical compound [O+]#[C-] UGFAIRIUMAVXCW-UHFFFAOYSA-N 0.000 description 2
- QVGXLLKOCUKJST-UHFFFAOYSA-N atomic oxygen Chemical compound [O] QVGXLLKOCUKJST-UHFFFAOYSA-N 0.000 description 2
- 238000013499 data model Methods 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 230000002349 favourable effect Effects 0.000 description 2
- 239000003546 flue gas Substances 0.000 description 2
- 239000011159 matrix material Substances 0.000 description 2
- 229910052757 nitrogen Inorganic materials 0.000 description 2
- 239000001301 oxygen Substances 0.000 description 2
- 230000000306 recurrent effect Effects 0.000 description 2
- 238000013519 translation Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 238000000738 capillary electrophoresis-mass spectrometry Methods 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 239000002817 coal dust Substances 0.000 description 1
- 230000003111 delayed effect Effects 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 238000010304 firing Methods 0.000 description 1
- 239000000446 fuel Substances 0.000 description 1
- 238000012417 linear regression Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 239000002245 particle Substances 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 238000012706 support-vector machine Methods 0.000 description 1
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
- 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)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Strategic Management (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- Computational Linguistics (AREA)
- Development Economics (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Game Theory and Decision Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Entrepreneurship & Innovation (AREA)
- Marketing (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Regulation And Control Of Combustion (AREA)
Abstract
本发明是一种锅炉氮氧化物生成浓度的预测方法，包括步骤S1，通过NOx生成原理，构建待选特征集合；S2，通过相关性分析确定锅炉NOx生成浓度的主要影响因子；S3，通过延时分析确定影响NOx生成浓度的历史时长；S4，对LSTM的所有输入数据做最大最小归一化处理；S5，建立基于LSTM的NOx生成浓度的预测模型，进行精确的预测。本发明提出了新的特征组合，并通过特征选择分析法自动有效地选择出对NOx浓度影响的因素，避免特征冗余；通过时延分析自动选择影响NOx生成量的历史数据，避免输入过多历史数据导致计算量巨大的同时还能够提升预测精度；本发明中模型比较充分地挖掘了NOx的生成规律，不需要频繁地对模型进行更新，能够节约计算资源。
Description
技术领域
本发明涉及氮氧化物排放技术领域，特别涉及一种锅炉氮氧化物生成浓度的预测方法。
背景技术
在燃煤机组排放的大气污染物中，氮氧化物(NOx)对人体和环境有极大的危害，是重点控制排放的污染物之一，所以非常有必要根据燃煤特性及各种操作参数准确预报锅炉在不同工况下的氮氧化物排放特性，通过燃烧调整降低NOx排放。
NOx是燃煤机组排放的主要大气污染物之一，NOx按生成源分为快速型、热力型和燃料型，由于NOx生成机理的复杂性，影响NOx排放的燃烧参数多且复杂，概括起来有以下一些主要因素：1)锅炉结构：包括锅炉容量、燃烧器结构、燃烧方式和燃烧器区负荷因素；2)煤质特性：煤质中挥发分含量、氮含量和煤粉粒径；3)锅炉运行参数：负荷、氧含量、一次风、二次风、二次风配风方式、风温和炉膛温度等。
传统的CEMS对烟气中NOx的成分进行测量成本较高，分析数据耗时长导致监测值反馈存在滞后，如果能够相对准确地对NOx的浓度进行预测，必然能够有效提升对NOx生成和排放的控制。近年来支持向量机、线性回归、贝叶斯、模糊聚类以及神经网络算法也用到烟气中NOx的预测。NOx的形成属于复杂的化学反应，具有明显的非线性特征，且受到过去一段时间燃烧状况的影响，传统预测方法难以反映其实际情况。BP神经网络具有较强的非线性和自我学习能力，但是无法考虑时间轴上的前后关联。而RNN循环神经网络在输入序列太长时容易出现梯度消失问题。此外在参数特征选择时，特征太多或者太少都会对NOx的预测精度造成影响。因此，历史数据时长，特征和模型的合理选择都是亟需解决的问题。通过对NOx生成浓度进行预测，有利于预防NOx排放超标，同时有助于进一步确定在约束条件下锅炉最低NOx排放量时的优化运行方案，这也是燃煤电站锅炉通过燃烧调整降低NOx排放的基础。
发明内容
本发明为了解决现有NOx预测存在的上述问题，实现一种基于LSTM的能够自动选择模型特征和历史数据时长的锅炉NOx生成浓度的预测方法。
本发明提供一种锅炉氮氧化物生成浓度的预测方法，所述预测方法包括以下步骤：
步骤S1，通过NOx生成原理，构建待选特征集合；
步骤S2，通过相关性分析确定待选特征集合中锅炉NOx生成浓度的主要影响因子和主要影响因子特征集；
步骤S3，通过对主要影响因子进行延时分析，确定特征集影响NOx生成浓度的历史时长；
步骤S4，通过特征集影响NOx生成浓度的历史时长和主要影响因子特征集构建LSTM输入数据集，并对LSTM输入数据集做最大最小归一化处理；
步骤S5，通过归一化的LSTM输入数据集建立基于LSTM的NOx生成浓度的预测模型，进行精确的预测。
更进一步地，在步骤S1中包括以下步骤：
步骤S11，采集锅炉历史多天的相关数据构建特征集合，所述相关数据包括锅炉负荷，过剩空气系数，总风量，总给煤量，一次风量，炉膛压差，料层压差，排烟温度，一次风率，风煤比，二次风量，热二次风温，炉膛温度，排烟温度，热一次风温，引风机频率，烟道压差；
步骤S12，对特征集合进行降采样，生成降采样特征集合；
步骤S13，对降采样特征集合进行清洗，生成待选特征集合。
更进一步地，在步骤S2中包括以下步骤：
步骤S21，分别获取基于相关性分析的特征选择、基于搜索的特征选择和基于学习器选择中任意一种或多种选择方法输出特征子集；
步骤S22，获取选中特征选择方法生成特征子集的并集作为主要影响因子特征集。
更进一步地，在步骤S21中，所述基于相关性分析的特征选择步骤：
分别计算待选特征集合中各参数与NOx生成浓度的相关系数，两个变量X和Y的皮尔逊相关系数定义为两个变量之间的协方差和标准差的商，其计算公式为：
其中，X表示待选特征集合中参数，Y表示NOx生成浓度，μX表示变量X的均值，μY表示变量Y的均值，σXσY表示变量XY的标准差，E表示计算均值；对相关系数进行排序后选择相关系数大于预设的参数作为相关性分析特征子集。
更进一步地，在步骤S21中，所述基于搜索的特征选择步骤：
从空集开始，每次从待选特征集合中加入一个特征，训练基于LSTM神经网络模型的NOx预测模型，若模型误差降低，则保留加入的特征，反之丢弃该特征，得到搜索特征子集。
更进一步地，在步骤S21中，所述基于学习器的特征选择步骤：
将待选特征集合全部输入到随机森林模型中预测NOx的生成浓度，根据模型输出的排名前8名特征作为学习器特征子集。
更进一步地，在步骤S3中包括以下步骤：
步骤S31，设置数据时间区间为Ts～Te，对其进行划分，使得每段数据长度为N，第m段NOx数据所在时间区间为Ts+m*(N-1)～Ts+m*N，向前取Td(Td>N)时间长度作为窗口的滑动范围，窗口大小为N，窗口在Ts+m*N-Td～Ts+m*N的一段数据中从左向右滑动，窗口的滑动步伐为Tt，每滑动一次，计算一次窗口内的特征变量数据段与第m段NOx数据段的相关性系数，同时记录窗口所在位置与第m段NOx的时间距离；
步骤S32，对每一段长度为N的NOx进行窗口滑动后，得到一系列的时间距离和相关性系数，绘制相关性系数随时间距离的变化的曲线，取其峰值所对应的时间距离即为该特征影响NOx生成浓度的历史时长；
步骤S33，计算全部特征影响NOx生成浓度的历史时长后，选取特征影响NOx生成浓度的历史时长中最大的历史时长作为特征集影响NOx生成浓度的历史时长T。
更进一步地，在步骤S5中，LSTM神经网络模型的输出表示为：
其中，O为输入模型数据，包括归一化处理后的t-5、t-4、t-3、t-2、t-1时刻(t时刻的前1～5分钟)锅炉负荷、过剩空气系数、总风量、一次风量、一次风率、风煤比、二次风量、热二次风温、炉膛温度以及t-5、t-4、t-3时刻(t时刻的前3～5分钟)NOx生成浓度；
输出为Y即t时刻的NOx生成浓度。
更进一步地，在步骤S5中，所述LSTM神经网络模型结构包括LSTM层，全连接层，Dropout层，全连接层及输出层顺序构成；
其中，LSTM层细胞数为64，全连接层细胞数均为1，Dropout层keep_prob为0.01；
模型的损失函数为：
本发明达到的有益效果是：
本发明提出了新的特征组合，并通过特征选择分析法自动有效地选择出对NOx浓度影响的因素，避免特征冗余；
本发明通过时延分析自动选择影响NOx生成量的历史数据，避免输入过多历史数据导致计算量巨大的同时还能够提升预测精度；
本发明中模型比较充分地挖掘了NOx的生成规律，不需要频繁地对模型进行更新，能够节约计算资源。
附图说明
图1为本发明实施例提供的一种锅炉氮氧化物生成浓度的预测方法流程图；
图2为本发明实施例提供的一种锅炉氮氧化物生成浓度的预测方法中特征分析选择的流程图；
图3为本发明实施例提供的一种锅炉氮氧化物生成浓度的预测方法中特征影响NOx生成浓度的历史时长判断方法的示意图；
图4为本发明实施例提供的一种锅炉氮氧化物生成浓度的预测方法中LSTM模型的训练集的效果图；
图5为本发明实施例提供的一种锅炉氮氧化物生成浓度的预测方法中LSTM模型的测试集的效果图。
具体实施方式
下面结合附图对本发明的技术方案进行更详细的说明，本发明包括但不仅限于下述实施例。
如附图1所示，本发明提出了一种利用LSTM循环神经网络对锅炉NOx生成浓度的建模过程。包括以下步骤：
S1，通过NOx生成原理，构建待选特征集合；
在步骤S1中，还包括一下步骤：
步骤S11，采集某热电厂锅炉历史多天的相关数据构建特征集合，相关数据包括锅炉负荷，过剩空气系数，总风量，总给煤量，一次风量，炉膛压差，料层压差，排烟温度，一次风率，风煤比，二次风量，热二次风温，炉膛温度，排烟温度，热一次风温，引风机频率，烟道压差。
其中，一次风率＝一次风量/总风量；过剩空气系数＝21/(21-排烟氧含量)；风煤比＝总风量/总给煤量。
数据形式如下，一行代表一个时间戳对应的上述所有特征的数据，行数m表示矩阵对应m个时间戳，列数n表示矩阵对应n个特征。
步骤S12，对特征集合进行降采样，生成降采样特征集合；
对特征集合进行降采样，降采样频率为1min，此时S1中数据形式变为每分钟采集的特征数据对应一行数据。
步骤S13，对降采样特征集合进行清洗，生成待选特征集合；
数据清洗为过滤缺失值，并过滤掉降采样特征集合中一次风率不在(0，0.9)范围内的所在行的所有数据。
S2，通过相关性分析确定待选特征集合中锅炉NOx生成浓度的主要影响因子；
在步骤S2中特征选择分析方法主要步骤为：
步骤S21，分别用基于相关性分析的特征选择、基于搜索的特征选择和基于学习器的特征选择，选择三种特征选择方法中任意一种或多种选择方法输出特征子集。
进一步的，步骤S21中基于相关性分析的特征选择步骤：分别计算待选特征集合中各参数与NOx生成浓度的相关系数，两个变量X和Y的皮尔逊相关系数定义为两个变量之间的协方差和标准差的商，其计算公式为：
其中，X表示待选特征集合中参数，Y表示NOx生成浓度，μX表示变量X的均值，μY表示变量Y的均值，σXσY表示变量XY的标准差，E表示计算均值；对相关系数进行排序后选择相关系数大于0.5的参数作为相关性分析特征子集；
进一步的，步骤S21中基于搜索的特征选择步骤：从空集开始，每次从待选特征集合中加入一个特征，训练基于LSTM的NOx预测模型，若模型误差降低，则保留加入的特征，反之丢弃该特征，得到搜索特征子集；
进一步的，步骤S21中基于学习器的特征选择步骤：将待选特征集合全部输入到随机森林模型中预测NOx的生成浓度，根据模型输出的排名前8名特征作为学习器特征子集。
步骤S22，获取选中特征选择方法生成特征子集的并集作为主要影响因子特征集。
S3，通过对主要影响因子进行延时分析确定影响NOx生成浓度的历史时长；
在步骤S3中，分别对步骤S2筛选出来的主要影响因子特征集中每个特征输入参数判断特征集影响NOx生成浓度的历史时长T。
如附图3所示，具体的，对于特征集中任一特征，包括一下步骤：
步骤S31，假设数据时间区间为Ts～Te，对其进行划分，使得每段数据长度为N，对每一段长度为N的NOx数据进行如下操作：
以其中第m段NOx数据为例，则所在时间区间为Ts+m*(N-1)～Ts+m*N，向前取Td(Td>N)时间长度作为窗口的滑动范围，窗口大小为N，即窗口在Ts+m*N-Td～Ts+m*N的一段数据中从左向右滑动，窗口的滑动步伐为Tt，每滑动一次，计算一次窗口内的特征变量数据段与第m段NOx数据段的相关性系数，同时记录窗口所在位置与第m段NOx的时间距离。
步骤S32，对每一段长度为N的NOx进行上述操作后，得到一系列的时间距离和相关性系数，绘制相关性系数随时间距离的变化的曲线，根据曲线特性，取其峰值所对应的时间距离即为该特征影响NOx生成浓度的历史时长。
步骤S33，计算全部特征影响NOx生成浓度的历史时长后，选取特征影响NOx生成浓度的历史时长中最大的历史时长作为特征集影响NOx生成浓度的历史时长T。
通常情况下，若预判时延不超过K分钟，则可以设定步长为0.4*K秒，Td不超过(K+2)*60秒。
S4，通过特征集影响NOx生成浓度的历史时长T和主要影响因子特征集构建LSTM输入数据集，并对LSTM输入数据集做最大最小归一化处理；
在步骤S4中，构建LSTM输入数据集，LSTM输入数据集包括t-T、t-(T-1)...、t-2、t-1时刻，即t时刻的前1～T分钟的锅炉负荷、过剩空气系数、总风量、一次风量、一次风率、风煤比、二次风量、热二次风温、炉膛温度以及t-T、t-(T-1)...、t-3时刻(t时刻的前3～T分钟)NOx生成浓度。LSTM输入数据集一行对应一个时间节点的数据，即[om1，om2，om3...omn]。
对输入数据的每一列X进行归一化处理，公式为：
其中，Xnorm为归一化后的值，X为归一化之前的值，Xmin为X列的最小值，Xmax为X列的最大值。
S5，通过归一化的LSTM输入数据集建立基于LSTM的NOx生成浓度的预测模型，进行精确的预测。
在步骤S5中，LSTM模型输入为O，即归一化处理后的t-T、t-(T-1)...、t-2、t-1时刻，即t时刻的前1～T分钟的锅炉负荷、过剩空气系数、总风量、一次风量、一次风率、风煤比、二次风量、热二次风温、炉膛温度以及t-T、t-(T-1)...、t-3时刻(t时刻的前3～T分钟)NOx生成浓度，输出为Y，即t时刻的NOx生成浓度，模型的训练样本为4800组，测试集样本为1440组。
数据形式如下，一行对应一个时间节点的数据，即根据[o′m1，o′m2，o′m3...o′mn]预测[y′m+1]：
LSTM神经网络模型的网络结构为：网络结构按照LSTM层，全连接层，Dropout层，全连接层及输出层顺序构成，其中LSTM层细胞数为64，2个全连接层细胞数均为1，Dropout层keep_prob为0.01；模型的损失函数为：
为实际值，
为预测值；模型学习率为1e-6，batch_size为64，优化器为Adam优化器，迭代次数为100。
通过训练的数据模型能够根据过去5分钟的数据对接下来1分钟NOx生成浓度进行较为精确的预测。
模型训练结束后，利用训练结果的评估指标对当前模型进行评价，同时对测试集进行测试，比较测试集的预测值和实际值的误差大小，判断是否符合要求。
在一种实施例中，采集某热电厂锅炉历史6天的相关数据构建特征集合，相关数据包括锅炉负荷，过剩空气系数，总风量，总给煤量，一次风量，炉膛压差，料层压差，排烟温度，一次风率，风煤比，二次风量，热二次风温，炉膛温度，排烟温度，热一次风温，引风机频率，烟道压差。
对特征集合进行降采样和数据清洗，生成待选特征集合。
通过相关性分析确定锅炉NOx生成浓度的主要影响因子；
分别用基于相关性分析的特征选择、基于搜索的特征选择和基于学习器的特征对待选特征集合进行筛选。
基于相关性分析的特征选择相关系数大于0.5的参数作为相关性分析特征子集，包括锅炉负荷，总风量，一次风率，风煤比，二次风量，炉膛温度；
基于搜索的特征选择从待选特征集合中加入一个特征，训练基于LSTM的NOx预测模型，保留使模型误差降低的特征，包括锅炉负荷，过剩空气系数，一次风率，风煤比，二次风量，热二次风温；
基于学习器的特征选择步骤：将待选特征集合全部输入到随机森林模型中预测NOx的生成浓度，根据模型输出的排名前8名特征作为学习器特征子集。
取特三种征子集的并集作为模型的输入参数，输入参数为：锅炉负荷，过剩空气系数，总风量，一次风率，风煤比，二次风量，热二次风温，炉膛温度。
选择输入参数多个窗口数据段，窗口时间为400min，针对每个数据段，以1min为最小步伐平移1～10min，计算每次平移后的窗口数据段与未平移的NOx浓度数据段的相关系数；统计相关性系数随着平移时间的变化的曲线特性，其峰值所对应平移时间即为影响NOx生成浓度的历史时长T＝5min。
对输入参数进行归一化处理，并输入预测模型，使用现场数据进行验证。LSTM模型输入变量为归一化处理后的t-5、t-4、t-3、t-2、t-1时刻锅炉负荷，过剩空气系数，总风量，一次风量，一次风率，风煤比，二次风量，热二次风温，炉膛温度以及t-5、t-4、t-3时刻NOx生成浓度，模型的训练样本为4800组，测试集样本为1440组。LSTM神经网络模型的网络结构为：网络结构按照LSTM层，全连接层，Dropout层，全连接层及输出层顺序构成，其中LSTM层细胞数为64，2个全连接层细胞数均为1，Dropout层keep_prob为0.01；模型的损失函数为：
为实际值，
为预测值；模型学习率为1e-6，batch_size为64，优化器为Adam优化器，迭代次数为100；数据模型能够超前1min对NOx生成浓度进行较为精确的预测。
模型训练结束后，利用训练结果的评估指标对当前模型进行评价，同时对测试集进行测试，比较测试集的预测值和实际值的误差大小，判断是否符合要求。
如附图4-5所示，具体地，本实施中训练集模型表现：r2_score为0.82，平均误差为1.0％；测试集r2_score为0.82，平均误差为1.1％。附图4-5分别展示NOx预测模型分别在部分(600条)训练集和部分(300条)测试集上的表现。
本发明不仅局限于上述具体实施方式，本领域一般技术人员根据实施例和附图公开内容，可以采用其它多种具体实施方式实施本发明，因此，凡是采用本发明的设计结构和思路，做一些简单的变换或更改的设计，都落入本发明保护的范围。
Claims (9)
1.一种锅炉氮氧化物生成浓度的预测方法，其特征在于，所述预测方法包括以下步骤：
步骤S1，通过NOx生成原理，构建待选特征集合；
步骤S2，通过相关性分析确定待选特征集合中锅炉NOx生成浓度的主要影响因子和主要影响因子特征集；
步骤S3，通过对主要影响因子进行延时分析，确定特征集影响NOx生成浓度的历史时长；
步骤S4，通过特征集影响NOx生成浓度的历史时长和主要影响因子特征集构建LSTM输入数据集，并对LSTM输入数据集做最大最小归一化处理；
步骤S5，通过归一化的LSTM输入数据集建立基于LSTM的NOx生成浓度的预测模型，进行精确的预测。
2.根据权利要求1所述锅炉氮氧化物生成浓度的预测方法，其特征在于，在步骤S1中包括以下步骤：
步骤S11，采集锅炉历史多天的相关数据构建特征集合，所述相关数据包括锅炉负荷，过剩空气系数，总风量，总给煤量，一次风量，炉膛压差，料层压差，排烟温度，一次风率，风煤比，二次风量，热二次风温，炉膛温度，排烟温度，热一次风温，引风机频率，烟道压差；
步骤S12，对特征集合进行降采样，生成降采样特征集合；
步骤S13，对降采样特征集合进行清洗，生成待选特征集合。
3.根据权利要求1所述锅炉氮氧化物生成浓度的预测方法，其特征在于，在步骤S2中包括以下步骤：
步骤S21，分别获取基于相关性分析的特征选择、基于搜索的特征选择和基于学习器选择中任意一种或多种选择方法输出特征子集；
步骤S22，获取选中特征选择方法生成特征子集的并集作为主要影响因子特征集。
4.根据权利要求3所述锅炉氮氧化物生成浓度的预测方法，其特征在于，在步骤S21中，所述基于相关性分析的特征选择步骤：
分别计算待选特征集合中各参数与NOx生成浓度的相关系数，两个变量X和Y的皮尔逊相关系数定义为两个变量之间的协方差和标准差的商，其计算公式为：
其中，X表示待选特征集合中参数，Y表示NOx生成浓度，μX表示变量X的均值，μY表示变量Y的均值，σXσY表示变量XY的标准差，E表示计算均值；对相关系数进行排序后选择相关系数大于预设的参数作为相关性分析特征子集。
5.根据权利要求3所述锅炉氮氧化物生成浓度的预测方法，其特征在于，在步骤S21中，所述基于搜索的特征选择步骤：
从空集开始，每次从待选特征集合中加入一个特征，训练基于LSTM神经网络模型的NOx预测模型，若模型误差降低，则保留加入的特征，反之丢弃该特征，得到搜索特征子集。
6.根据权利要求3所述锅炉氮氧化物生成浓度的预测方法，其特征在于，在步骤S21中，所述基于学习器的特征选择步骤：
将待选特征集合全部输入到随机森林模型中预测NOx的生成浓度，根据模型输出的排名前8名特征作为学习器特征子集。
7.根据权利要求1所述锅炉氮氧化物生成浓度的预测方法，其特征在于，在步骤S3中包括以下步骤：
步骤S31，设置数据时间区间为Ts～Te，对其进行划分，使得每段数据长度为N，第m段NOx数据所在时间区间为Ts+m*(N-1)～Ts+m*N，向前取Td(Td>N)时间长度作为窗口的滑动范围，窗口大小为N，窗口在Ts+m*N-Td～Ts+m*N的一段数据中从左向右滑动，窗口的滑动步伐为Tt，每滑动一次，计算一次窗口内的特征变量数据段与第m段NOx数据段的相关性系数，同时记录窗口所在位置与第m段NOx的时间距离；
步骤S32，对每一段长度为N的NOx进行窗口滑动后，得到一系列的时间距离和相关性系数，绘制相关性系数随时间距离的变化的曲线，取其峰值所对应的时间距离即为该特征影响NOx生成浓度的历史时长；
步骤S33，计算全部特征影响NOx生成浓度的历史时长后，选取特征影响NOx生成浓度的历史时长中最大的历史时长作为特征集影响NOx生成浓度的历史时长T。
8.根据权利要求1所述锅炉氮氧化物生成浓度的预测方法，其特征在于，在步骤S5中，LSTM神经网络模型的输出表示为：
其中，O为输入模型数据，包括归一化处理后的t-5、t-4、t-3、t-2、t-1时刻(t时刻的前1～5分钟)锅炉负荷、过剩空气系数、总风量、一次风量、一次风率、风煤比、二次风量、热二次风温、炉膛温度以及t-5、t-4、t-3时刻(t时刻的前3～5分钟)NOx生成浓度；
输出为Y即t时刻的NOx生成浓度。
9.根据权利要求8所述锅炉氮氧化物生成浓度的预测方法，其特征在于，在步骤S5中，所述LSTM神经网络模型结构包括LSTM层，全连接层，Dropout层，全连接层及输出层顺序构成；
其中，LSTM层细胞数为64，全连接层细胞数均为1，Dropout层keep_prob为0.01；
模型的损失函数为：
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210673340.5A CN115146833B (zh) | 2022-06-14 | 2022-06-14 | 一种锅炉氮氧化物生成浓度的预测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210673340.5A CN115146833B (zh) | 2022-06-14 | 2022-06-14 | 一种锅炉氮氧化物生成浓度的预测方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN115146833A true CN115146833A (zh) | 2022-10-04 |
| CN115146833B CN115146833B (zh) | 2024-07-19 |
Family
ID=83408779
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210673340.5A Active CN115146833B (zh) | 2022-06-14 | 2022-06-14 | 一种锅炉氮氧化物生成浓度的预测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115146833B (zh) |
Citations (21)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103839110A (zh) * | 2014-02-24 | 2014-06-04 | 国家电网公司 | 一种锅炉炉内氮氧化物生成量预测建模方法 |
| WO2014209070A1 (ko) * | 2013-06-28 | 2014-12-31 | (주)태종 엔이씨 | 열정산 및 설계프로그램과 운전원의 운전형태 분석을 통한 소각시설과 고형 연료보일러의 진단과 제어 및 설비생애주기관리 시스템 및 방법 |
| 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 |
| CN109388774A (zh) * | 2018-07-06 | 2019-02-26 | 国家电投集团河南电力有限公司技术信息中心 | 一种基于对比法的火电厂NOx预测模型变量特征提取方法 |
| CN110618610A (zh) * | 2019-08-29 | 2019-12-27 | 杭州华电江东热电有限公司 | 基于LSTM深度学习的燃机NOx超标预警方法与装置 |
| CN110675920A (zh) * | 2019-10-22 | 2020-01-10 | 华北电力大学 | 一种基于MI-LSTM的锅炉NOx预测方法 |
| CN111199304A (zh) * | 2018-11-19 | 2020-05-26 | 天津市职业大学 | 基于数据驱动融合策略的多目标燃烧优化方法 |
| CN111584015A (zh) * | 2020-05-27 | 2020-08-25 | 大唐环境产业集团股份有限公司 | 脱硝系统入口NOx测量延迟估计方法及装置 |
| CN112270449A (zh) * | 2020-11-04 | 2021-01-26 | 国网(苏州)城市能源研究院有限责任公司 | 基于时间相关性的工业系统时延确定及受控量预测方法 |
| CN112613237A (zh) * | 2020-12-31 | 2021-04-06 | 华电国际电力股份有限公司天津开发区分公司 | 一种基于LSTM的CFB机组NOx排放浓度的预测方法 |
| CN112766454A (zh) * | 2020-12-04 | 2021-05-07 | 山东科技大学 | 一种空气pm2.5浓度预测方法、系统、终端及存储介质 |
| CN113112072A (zh) * | 2021-04-12 | 2021-07-13 | 上海电力大学 | 一种基于深度双向LSTM的NOx排放含量预测方法 |
| CN113435584A (zh) * | 2021-07-15 | 2021-09-24 | 国家能源集团科学技术研究院有限公司 | 一种基于lstm的scr出口氮氧化物浓度预测方法 |
| CN113433911A (zh) * | 2021-06-30 | 2021-09-24 | 浙江大学 | 基于浓度精准预测的脱硝装置喷氨精准控制系统与方法 |
| 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 |
| CN113887116A (zh) * | 2021-09-29 | 2022-01-04 | 国网河北能源技术服务有限公司 | 一种电站锅炉动态运行主汽温延迟特性建模方法 |
| CN113947013A (zh) * | 2021-09-14 | 2022-01-18 | 国网河北省电力有限公司电力科学研究院 | 基于混合深度神经网络建模的锅炉短期NOx排放预测方法 |
| CN114169625A (zh) * | 2021-12-13 | 2022-03-11 | 国网江苏省电力有限公司经济技术研究院 | 电力系统的短期负荷预测方法及装置 |
| CN114225662A (zh) * | 2021-12-07 | 2022-03-25 | 国网河北能源技术服务有限公司 | 一种基于滞后模型的烟气脱硫脱硝优化控制方法 |
| CN114418168A (zh) * | 2021-12-08 | 2022-04-29 | 中国华能集团有限公司江西分公司 | 一种区域火力发电量中长期预测方法和系统 |
| CN114444295A (zh) * | 2022-01-21 | 2022-05-06 | 南京天洑软件有限公司 | 一种基于组合时序预测的NOx废气浓度预测方法 |
-
2022
- 2022-06-14 CN CN202210673340.5A patent/CN115146833B/zh active Active
Patent Citations (21)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2014209070A1 (ko) * | 2013-06-28 | 2014-12-31 | (주)태종 엔이씨 | 열정산 및 설계프로그램과 운전원의 운전형태 분석을 통한 소각시설과 고형 연료보일러의 진단과 제어 및 설비생애주기관리 시스템 및 방법 |
| CN103839110A (zh) * | 2014-02-24 | 2014-06-04 | 国家电网公司 | 一种锅炉炉内氮氧化物生成量预测建模方法 |
| CN109388774A (zh) * | 2018-07-06 | 2019-02-26 | 国家电投集团河南电力有限公司技术信息中心 | 一种基于对比法的火电厂NOx预测模型变量特征提取方法 |
| 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 |
| CN111199304A (zh) * | 2018-11-19 | 2020-05-26 | 天津市职业大学 | 基于数据驱动融合策略的多目标燃烧优化方法 |
| CN110618610A (zh) * | 2019-08-29 | 2019-12-27 | 杭州华电江东热电有限公司 | 基于LSTM深度学习的燃机NOx超标预警方法与装置 |
| CN110675920A (zh) * | 2019-10-22 | 2020-01-10 | 华北电力大学 | 一种基于MI-LSTM的锅炉NOx预测方法 |
| CN111584015A (zh) * | 2020-05-27 | 2020-08-25 | 大唐环境产业集团股份有限公司 | 脱硝系统入口NOx测量延迟估计方法及装置 |
| CN112270449A (zh) * | 2020-11-04 | 2021-01-26 | 国网(苏州)城市能源研究院有限责任公司 | 基于时间相关性的工业系统时延确定及受控量预测方法 |
| CN112766454A (zh) * | 2020-12-04 | 2021-05-07 | 山东科技大学 | 一种空气pm2.5浓度预测方法、系统、终端及存储介质 |
| CN112613237A (zh) * | 2020-12-31 | 2021-04-06 | 华电国际电力股份有限公司天津开发区分公司 | 一种基于LSTM的CFB机组NOx排放浓度的预测方法 |
| CN113112072A (zh) * | 2021-04-12 | 2021-07-13 | 上海电力大学 | 一种基于深度双向LSTM的NOx排放含量预测方法 |
| CN113433911A (zh) * | 2021-06-30 | 2021-09-24 | 浙江大学 | 基于浓度精准预测的脱硝装置喷氨精准控制系统与方法 |
| CN113435584A (zh) * | 2021-07-15 | 2021-09-24 | 国家能源集团科学技术研究院有限公司 | 一种基于lstm的scr出口氮氧化物浓度预测方法 |
| 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 |
| CN113947013A (zh) * | 2021-09-14 | 2022-01-18 | 国网河北省电力有限公司电力科学研究院 | 基于混合深度神经网络建模的锅炉短期NOx排放预测方法 |
| CN113887116A (zh) * | 2021-09-29 | 2022-01-04 | 国网河北能源技术服务有限公司 | 一种电站锅炉动态运行主汽温延迟特性建模方法 |
| CN114225662A (zh) * | 2021-12-07 | 2022-03-25 | 国网河北能源技术服务有限公司 | 一种基于滞后模型的烟气脱硫脱硝优化控制方法 |
| CN114418168A (zh) * | 2021-12-08 | 2022-04-29 | 中国华能集团有限公司江西分公司 | 一种区域火力发电量中长期预测方法和系统 |
| CN114169625A (zh) * | 2021-12-13 | 2022-03-11 | 国网江苏省电力有限公司经济技术研究院 | 电力系统的短期负荷预测方法及装置 |
| CN114444295A (zh) * | 2022-01-21 | 2022-05-06 | 南京天洑软件有限公司 | 一种基于组合时序预测的NOx废气浓度预测方法 |
Non-Patent Citations (5)
| Title |
|---|
| GUIHAO YIN ET AL: ""Dynamic NOx emission prediction based on composite models adapt to different operating conditions of coal-fired utility boilers"", 《ENVIRON SCI POLLUT RES》, vol. 29, 30 November 2021 (2021-11-30), pages 13451 - 13554 * |
| 刘近等: ""基于能源网络系统中燃煤锅炉NOｘ 排放的 深度学习模型研究"", 《能源与环保》, vol. 44, no. 3, 31 March 2022 (2022-03-31), pages 180 - 187 * |
| 唐振浩等: ""考虑时延特征的燃煤锅炉 NO x 排放深度学习建模 "", 《中国电机工程学报》, vol. 40, no. 20, 20 October 2020 (2020-10-20), pages 6633 - 6644 * |
| 杨国田;王英男;李新利;刘凯;: "基于互信息变量选择与LSTM的电站锅炉NO_x排放动态预测", 华北电力大学学报(自然科学版), no. 03, 30 May 2020 (2020-05-30), pages 70 - 78 * |
| 赵志宏;韩超;赵文杰;: "主元分析及多变量过程监测联合预测NO_x质量浓度", 热力发电, no. 07, 20 July 2016 (2016-07-20), pages 104 - 109 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN115146833B (zh) | 2024-07-19 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111804146B (zh) | 一种智能喷氨控制方法以及智能喷氨控制装置 | |
| CN109583585B (zh) | 一种电站锅炉壁温预测神经网络模型的构建方法 | |
| CN109508818B (zh) | 一种基于LSSVM的在线NOx预测方法 | |
| CN110717543B (zh) | 基于样本分布统计检验的双窗口概念漂移检测方法 | |
| CN112183709B (zh) | 一种垃圾焚烧废气二噁英超标预测预警方法 | |
| CN107326137B (zh) | 高炉热风炉烧炉过程操作参数分时段多级匹配寻优方法 | |
| CN114678080B (zh) | 转炉终点磷含量预测模型及构建方法、磷含量预测方法 | |
| CN103728879A (zh) | 基于最小二乘支持向量机及在线更新的电站锅炉烟气软测量方法 | |
| CN110378064A (zh) | 一种预测炼铁高炉炉芯死料柱温度的方法 | |
| CN106649919A (zh) | 燃煤电站锅炉飞灰含碳量预测模型构建方法及系统 | |
| CN110675920A (zh) | 一种基于MI-LSTM的锅炉NOx预测方法 | |
| CN112613237B (zh) | 一种基于LSTM的CFB机组NOx排放浓度的预测方法 | |
| CN104866923A (zh) | 一种钢铁企业高炉副产煤气发生量预测方法 | |
| CN114239400A (zh) | 基于局部双加权概率隐变量回归模型的多工况过程自适应软测量建模方法 | |
| CN116306232A (zh) | 一种基于工业大数据的高炉能耗与碳排放分析方法及系统 | |
| CN115437245A (zh) | 一种基于燃烧状态预测模型的锅炉优化控制方法 | |
| CN115113519A (zh) | 一种煤-煤气混烧锅炉脱硝系统出口NOx浓度预警方法 | |
| CN107844679B (zh) | 一种分段式高炉铁水硅含量预测方法及装置 | |
| CN117435877A (zh) | 一种燃煤电厂碳排放在线预测方法 | |
| CN117930780A (zh) | 石英产品生产质量控制方法及系统 | |
| CN113515043A (zh) | 一种基于bp神经网络的干熄焦烧损率实时计算方法 | |
| CN115146833B (zh) | 一种锅炉氮氧化物生成浓度的预测方法 | |
| CN114021819B (zh) | 基于分数阶灰色延时模型的火电厂氮氧化物含量预测方法 | |
| CN115204517A (zh) | 一种纺织行业碳排放量预测方法 | |
| CN115201408A (zh) | 一种全工况下脱硫出口二氧化硫浓度预测方法 |
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 |