CN115201408A - 一种全工况下脱硫出口二氧化硫浓度预测方法 - Google Patents
一种全工况下脱硫出口二氧化硫浓度预测方法 Download PDFInfo
- Publication number
- CN115201408A CN115201408A CN202210661514.6A CN202210661514A CN115201408A CN 115201408 A CN115201408 A CN 115201408A CN 202210661514 A CN202210661514 A CN 202210661514A CN 115201408 A CN115201408 A CN 115201408A
- Authority
- CN
- China
- Prior art keywords
- load
- model
- concentration
- desulfurization outlet
- data
- 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.)
- Pending
Links
- 238000006477 desulfuration reaction Methods 0.000 title claims abstract description 69
- 230000023556 desulfurization Effects 0.000 title claims abstract description 69
- 238000000034 method Methods 0.000 title claims abstract description 63
- RAHZWNYVWXNFOC-UHFFFAOYSA-N Sulphur dioxide Chemical compound O=S=O RAHZWNYVWXNFOC-UHFFFAOYSA-N 0.000 title abstract description 16
- 238000012549 training Methods 0.000 claims description 41
- 238000012360 testing method Methods 0.000 claims description 32
- UGFAIRIUMAVXCW-UHFFFAOYSA-N Carbon monoxide Chemical compound [O+]#[C-] UGFAIRIUMAVXCW-UHFFFAOYSA-N 0.000 claims description 15
- 239000003546 flue gas Substances 0.000 claims description 15
- 239000002002 slurry Substances 0.000 claims description 9
- QGZKDVFQNNGYKY-UHFFFAOYSA-N Ammonia Chemical compound N QGZKDVFQNNGYKY-UHFFFAOYSA-N 0.000 claims description 8
- 238000010521 absorption reaction Methods 0.000 claims description 7
- 230000009467 reduction Effects 0.000 claims description 7
- 238000002790 cross-validation Methods 0.000 claims description 6
- 238000003066 decision tree Methods 0.000 claims description 6
- 239000011159 matrix material Substances 0.000 claims description 6
- 238000003062 neural network model Methods 0.000 claims description 6
- 239000003245 coal Substances 0.000 claims description 5
- 229910021529 ammonia Inorganic materials 0.000 claims description 4
- QVGXLLKOCUKJST-UHFFFAOYSA-N atomic oxygen Chemical compound [O] QVGXLLKOCUKJST-UHFFFAOYSA-N 0.000 claims description 4
- 238000002347 injection Methods 0.000 claims description 4
- 239000007924 injection Substances 0.000 claims description 4
- 238000012417 linear regression Methods 0.000 claims description 4
- 230000003647 oxidation Effects 0.000 claims description 4
- 238000007254 oxidation reaction Methods 0.000 claims description 4
- 229910052760 oxygen Inorganic materials 0.000 claims description 4
- 239000001301 oxygen Substances 0.000 claims description 4
- 239000000779 smoke Substances 0.000 claims description 4
- 230000000630 rising effect Effects 0.000 claims description 3
- 239000000523 sample Substances 0.000 description 11
- 230000008569 process Effects 0.000 description 9
- 238000002485 combustion reaction Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 239000007788 liquid Substances 0.000 description 3
- 238000005259 measurement Methods 0.000 description 3
- 238000013528 artificial neural network Methods 0.000 description 2
- 238000013135 deep learning Methods 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 230000007246 mechanism Effects 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000011217 control strategy Methods 0.000 description 1
- 238000013211 curve analysis Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 239000000428 dust Substances 0.000 description 1
- 238000003912 environmental pollution Methods 0.000 description 1
- 238000004868 gas analysis Methods 0.000 description 1
- 238000010438 heat treatment Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 210000002569 neuron Anatomy 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000004321 preservation Methods 0.000 description 1
- 238000010926 purge Methods 0.000 description 1
- 239000000243 solution Substances 0.000 description 1
- 230000006641 stabilisation Effects 0.000 description 1
- 238000011105 stabilization Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N33/00—Investigating or analysing materials by specific methods not covered by groups G01N1/00 - G01N31/00
- G01N33/0004—Gaseous mixtures, e.g. polluted air
- G01N33/0009—General constructional details of gas analysers, e.g. portable test equipment
- G01N33/0027—General constructional details of gas analysers, e.g. portable test equipment concerning the detector
- G01N33/0036—General constructional details of gas analysers, e.g. portable test equipment concerning the detector specially adapted to detect a particular component
- G01N33/0042—SO2 or SO3
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N33/00—Investigating or analysing materials by specific methods not covered by groups G01N1/00 - G01N31/00
- G01N33/0004—Gaseous mixtures, e.g. polluted air
- G01N33/0009—General constructional details of gas analysers, e.g. portable test equipment
- G01N33/0062—General constructional details of gas analysers, e.g. portable test equipment concerning the measuring method or the display, e.g. intermittent measurement or digital display
Landscapes
- Chemical & Material Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Medicinal Chemistry (AREA)
- Food Science & Technology (AREA)
- Combustion & Propulsion (AREA)
- Physics & Mathematics (AREA)
- Analytical Chemistry (AREA)
- Biochemistry (AREA)
- General Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Treating Waste Gases (AREA)
Abstract
本发明涉及一种全工况下脱硫出口二氧化硫浓度预测方法，确定影响脱硫出口SO2浓度的影响参数，采集各负荷段运行下包含所述影响参数及对应脱硫出口SO2浓度的历史运行数据；通过负荷判断模型对历史运行数据进行负荷特性判断并分类，划分为升负荷工况、降负荷工况和稳定负荷工况三类；分别针对三类工况基于堆栈泛化方法建立脱硫出口SO2浓度预测模型；获取当前时刻影响参数的实时数据，先将其输入到所述负荷判断模型确定当前的负荷特性，再将其输入到对应的脱硫出口SO2浓度预测模型，确定当前时刻脱硫出口SO2浓度；本发明预测方法提高了脱硫出口SO2浓度的预测进度。
Description
技术领域
本发明燃煤电厂烟气SO2浓度预测技术领域，尤其是一种全工况下脱硫出口二氧化硫浓度预测方法。
背景技术
燃煤机组运行过程中，煤炭的燃烧会产生大量SO2并排放至大气中，造成严重的环境污染。目前，通过安装大量的现场烟气分析检测仪器监测出口烟气中的SO2浓度，但其测量的浓度是对脱硫过程结果的简单反馈，无法反映脱硫系统相关工艺参数与出口SO2浓度之间的关系。此外，为了防止堵塞，烟气分析仪需要定期吹扫，吹扫过程中无法进行准确测量，测得的SO2浓度往往会出现显著的漂移。因此，建立准确的脱硫系统出口SO2浓度预测模型，对机组脱硫系统的优化调整和SO2排放浓度实时监测具有重要意义。
目前获取脱硫出口SO2浓度的方法主要包括常规CEMS(Continuous emissionmonitoring systems)测量方法、机理模型方法以及基于数据驱动的方法。常规CEMS方法是通过将探头放置在锅炉尾部烟道，烟气经过除尘、加热、保温等环节，送至烟气分析仪，整个过程复杂并且在传送过程中需要一定的时间，这种测量方法存在测量成本高、测量数据延迟、测量不精确等问题；机理模型方法主要是根据锅炉燃烧过程中一系列公式和经验参数计算得到。但由于锅炉燃烧过程中的复杂、不可控特性，这种方法并不能真实计算得到实际燃烧过程中脱硫出口SO2浓度值；基于数据驱动方法，包括SVR、BPNN(BP神经网络方法)、ELM(extreme learning machine)、深度学习方法、LSTM等方法，但是每种方法都有自身的缺陷，如SVR容易受数据维度和数据量影响；BP神经网络方法容易陷入局部最优；深度学习方法不能够对数据的规律进行无偏差的估计，导致建立的预测模型泛化能力较弱、鲁棒性较低，且模型不能对错误样本进行二次学习，对SO2浓度的预测具有一定的局限性。
发明内容
针对现有技术的不足，本发明提供一种全工况下脱硫出口二氧化硫浓度预测方法，目的是提高脱硫出口SO2浓度预测精度。
本发明采用的技术方案如下：
一种全工况下脱硫出口SO2浓度预测方法，包括：
确定影响脱硫出口SO2浓度的影响参数，采集各负荷段运行下包含所述影响参数及对应脱硫出口SO2浓度的历史运行数据；
通过负荷判断模型对历史运行数据进行负荷特性判断并分类，划分为升负荷工况、降负荷工况和稳定负荷工况三类工况状态；
分别针对三类工况状态建立脱硫出口SO2浓度预测模型，每类工况状态对应的所述脱硫出口SO2浓度预测模型的建立方法相同：以所述影响参数为输入、以对应的脱硫出口SO2浓度为输出，基于堆栈泛化方法而建立；
获取当前时刻影响参数的实时数据，先输入到所述负荷判断模型进行工况状态识别，再根据识别结果输入到对应的脱硫出口SO2浓度预测模型，获得当前时刻脱硫出口SO2浓度。
所述通过负荷判断模型对历史运行数据进行负荷特性判别并分类，包括：
根据所采集的历史运行数据，对升负荷段数据求取升负荷系数k1、对降负荷段数据求取降负荷系数k2；
将负荷数据代入负荷判断模型进行判断：
式中，Load1、Load2分别为t1、t2时刻机组负荷，k代表负荷判断系数，表征t1、t2时刻之间的时间段内负荷所处的状态是上升、下降还是稳定；
若k≥k1，则负荷为升负荷状态，若k≤k2，则负荷为降负荷状态，若k2＜k＜k1，则负荷处于稳定状态。
每类工况对应的所述脱硫出口SO2浓度预测模型的建立，包括：
对每个基模型进行K折交叉验证：
将输入样本数据划分为训练数据集TS1和测试数据集TS2，通过基模型获得训练数据集TS1对应的K份关于脱硫出口SO2浓度的预测结果、以及测试数据集TS2对应的K份关于脱硫出口SO2浓度的预测结果；
将训练数据集TS1对应的K份关于脱硫出口SO2浓度的预测结果进行堆砌得到训练集元矩阵，将测试数据集TS2对应的K份关于脱硫出口SO2浓度的预测结果进行堆砌得到测试集元矩阵；
基模型输出结果合并：将所有基模型的训练集元矩阵组合形成新的训练特征数据集TS1_New，将所有基模型的测试集元矩阵组合形成新的测试特征数据集TS2_New；
元模型训练：以训练特征数据集TS1_New、测试特征数据集TS2_New分别作为元模型的训练样本和测试样本，对元模型进行训练和测试，建立影响参数与脱硫出口SO2浓度之间关系的预测模型。
每个基模型选择BP神经网络模型、支持回归向量机模型以及决策树模型中的一种，所有基模型包含的种类至少为以上所列出的三种；所述元模型为线性回归模型。
所述影响参数包括机组负荷、总煤量、喷氨量、入口烟气量、烟气含氧量、入口SO2浓度、入口烟尘质量浓度、吸收塔浆液流量、浆液pH值、吸收塔液位、氧化风机电流。
本发明的有益效果如下：
本发明能够针对脱硫系统多种工况下的脱硫出口SO2浓度进行精确预测，通过提前预测脱硫出口SO2浓度，便于运行时及时、准确的调整供浆量、减少过调现象，为变负荷下脱硫系统的控制策略的实施提供了基础，对脱硫系统的优化运行起到重要的指导作用。
本发明提供了一种负荷判断模型，将历史运行数据进行工况状态识别，基于不同工况状态进行分别建模，使所建立的预测模型更加具有针对性，当输入当前实时数据后先通过负荷判断模型进行工况状态识别，再输入到对应的预测模型中进行预测，所得预测结果更加精确。
本发明利用堆栈泛化方法集成了各种算法的优点，解决了传统单一方法在预测脱硫出口SO2浓度时的缺陷。
本发明的其它特征和优点将在随后的说明书中阐述，并且，部分地从说明书中变得显而易见，或者通过实施本发明而了解。
附图说明
图1为本发明实施例的预测方法的流程示意图。
图2为本发明实施例的负荷判断模型的示意图。
图3为本发明实施例的采集数据的负荷曲线。
图4为本发明实施例的预测时间序列图。
图5为本发明实施例的预测误差分布。
图6为本发明实施例的预测交会图。
具体实施方式
以下结合附图说明本发明的具体实施方式。
参见图1，本申请的一种全工况下脱硫出口二氧化硫浓度预测方法，包括：
确定影响脱硫出口SO2浓度的影响参数，采集各负荷段运行下包含所述影响参数及对应脱硫出口SO2浓度的历史运行数据；
通过负荷判断模型对历史运行数据进行负荷特性判断并分类，划分为升负荷工况、降负荷工况和稳定负荷工况三类工况状态；
分别针对三类工况建立脱硫出口SO2浓度预测模型，每类工况对应的所述脱硫出口SO2浓度预测模型的建立方法相同：以所述影响参数为输入、以对应的脱硫出口SO2浓度为输出，基于堆栈泛化方法而建立；
获取当前时刻影响参数的实时数据，先将其输入到所述负荷判断模型确定当前的负荷特性以进行工况状态识别，再根据识别结果将其输入到对应的脱硫出口SO2浓度预测模型，从而获得当前时刻脱硫出口SO2浓度。
其中，影响参数包括机组负荷、总煤量、喷氨量、入口烟气量、烟气含氧量、入口SO2浓度、入口烟尘质量浓度、吸收塔浆液流量、浆液pH值、吸收塔液位、氧化风机电流。
其中，通过负荷判断模型对历史运行数据进行负荷特性判别并分类，包括：
根据所采集的历史运行数据，对升负荷段数据求取升负荷系数k1、对降负荷段数据求取降负荷系数k2；
将负荷数据代入负荷判断模型进行判断：
式(1)中，Load1、Load2分别为t1、t2时刻机组负荷，k代表负荷判断系数，表征t1、t2时刻之间的时间段内负荷所处的状态是上升、下降还是稳定；
若k≥k1，则负荷为升负荷状态，若k≤k2，则负荷为降负荷状态；若k2＜k＜k1，则认为负荷处于稳定状态。
负荷判断模型如图2所示。判别分类后历史运行数据被分为三类工况：升负荷工况、降负荷工况和稳定负荷工况。
具体的，式(1)即为k1和k2的通用求解形式，k1和k2的获取包括：
结合运行经验，现场观察负荷运行数据，取一段升负荷的数据(如图2中最左侧曲线图)，从运行曲线上读取load2和t2数据以及load1和t1数据，组成数据对(load2，load1)和(t2，t1)两个点，根据公式(1)可求取k1。同样的道理求取k2。
对于当前运行任意时刻t，负荷为load，运行时取(存储)该时刻t前1min的负荷数据loadt，同样根据公式(1)求取任意时刻t对应的k值，判断k和k2、k1的关系，即可确定所处的负荷状态。
分别针对三类工况建立脱硫出口SO2浓度预测模型的目的是建立基于堆栈泛化方法的全工况下的脱硫出口SO2浓度预测模型，历史运行数据分类后形成的分属各类工况下的样本数据分别用于训练不同的预测模型，并将样本数据分为相应的训练数据集和测试数据集。训练数据集主要用来训练模型，测试数据集主要用来寻找模型的最优超参数及模型性能评估。
预测模型以影响参数作为出口SO2浓度预测的输入特征参数，出口SO2浓度为输出参数，基于堆栈泛化方法建立。
堆栈泛化是一种集成算法，由基模型和元模型构成，基模型是单一的机器学习方法，元模型是线性回归方法或集成学习方法。
本申请中，堆栈泛化方法的基模型参数是通过测试数据集采用网格搜索和十折交叉验证方法确定而确定的。
每类工况对应的所述脱硫出口SO2浓度预测模型的建立方法相同，具体包括：
设堆栈泛化方法中具有n个基模型，分别为BM1，BM2，…，BMn，对每个基模型进行K折交叉验证，每个基模型的K折交叉验证过程是一样，以BM1模型为例：
将输入样本数据划分为训练数据集TS1和测试数据集TS2，其样本大小分别为p和q。不同K的训练过程是一致的，以K＝5为例，将训练数据集TS1分为5份，记为TD1、TD2、TD4、TD5、TD5，每个大小为p/5，选择其中4份为训练数据，另外一份为测试数据；
基于4份训练数据训练得到BM1，根据BM1计算得到剩余1份测试数据的预测结果，分别获得五份基于训练数据对应的预测结果Pre5，Pre4，Pre3，Pre2，Pre1，将测试数据集TS2分为5份并根据BM1计算得到预测结果P1，P2，P3，P4，P5；
将训练数据集TS1对应的5份关于脱硫出口SO2浓度的预测结果Pre5,Pre4,Pre3,Pre2,Pre1进行堆砌得到训练集元矩阵A1，大小为p*1；
将测试数据集TS2对应的5份关于脱硫出口SO2浓度的预测结果P1,P2,P3,P4,P5进行堆砌得到测试集元矩阵B1，大小为q*1；
基模型输出结果合并：
对于其它n-1个基模型，通过上述步骤同样的过程，分别得到矩阵A2，A3，…，An和B2，B3，…，Bn。将A1，A2，…，An重新组合，构建一个新的训练特征数据集TS1_New，其大小为M*n，其相应的目标值和TS1保持一致；
同样将B1，B2，…，Bn重新组合，构建新的测试特征数据集TS2_New，其大小为N*n，其相应的目标值和TS2保持一致；
元模型训练：以训练特征数据集TS1_New、测试特征数据集TS2_New分别作为元模型的训练样本和测试样本，对元模型进行训练和测试，建立影响参数与脱硫出口SO2浓度之间关系的预测模型。
考虑脱硫出口SO2浓度预测问题属于回归问题，并且脱硫出口SO2浓度与影响参数之间的关系存在较强的非线性关系，所以堆栈泛化算法中每个基模型选择BP神经网络模型、支持回归向量机模型(SVR)以及决策树模型(DT)中的一种，所有基模型包含的种类至少为以上所列出的三种。BP具有较强的非线性关系学习能力、SVR具有较强的泛化能力、DT能够充分考虑变量间的关系；元模型选择线性回归模型。
集成模型建立过程中，每种方法最优参数选择根据网格搜索和十折交叉验证方法确定。所述BP神经网络模型的参数主要为隐含层神经元个数；SVR模型的参数主要为误差因子和核函数系数；DT模型主要为决策树的最大深度、叶子结点所需要的最少样本数以及最大叶子节点个数。
以下以具体实例进一步说明本申请预测方法的有效性。
以国内某300MW机组为例，利用本申请的预测方法对其烟气出口SO2浓度进行预测。
第一步，采集历史运行数据，采集时间段为10：00-20：00，间隔为1分钟，采集的数据包含出口SO2以及出口SO2的影响参数，影响参数包括机组负荷、总煤量、喷氨量、入口烟气量、烟气含氧量、入口SO2浓度、入口烟尘质量浓度、吸收塔浆液流量、浆液pH值、吸收塔液位、氧化风机电流。
采集时间段内负荷变化曲线如图3所示，由图3可知，采集的数据时间段内包含升负荷、降负荷、稳定负荷等多种工况，数据具有代表性。
基模型包括BP神经网络模型、支持回归向量机模型以及决策树模型。
BP神经网络模型参数主要为隐含层节点个数，网格搜索范围为5-100；
支持回归向量机模型参数为核函数系数(搜索范围为2-5-25)以及惩罚因子(2-5-25)；
决策树模型参数为树的最大深度，搜索范围为5-100。
不同负荷工况下模型参数不同，基模型的最优模型参数如下表所示：
基于最优参数的基模型建立不同工况下的堆栈泛化方法，并得到全工况下的出口SO2浓度预测模型。根据采集的数据，预测效果如下：
(1)从如图4所示的时间序列曲线分析：
堆栈泛化算法预测出口SO2浓度和实测值趋势基本一致，即是在负荷发生变化时，其趋势也是一致的。所使用的数据集包含了多个变工况的情形，预测结果表明了该方法能够有效地处理全工况下出口SO2浓度预测的问题。
(2)从如图5所示的预测误差分布及如图6所示的实际值与预测值交会图可知：
首先从相对偏差分布图上可以看出分布误差基本上分布在-10％-10％之间，相对偏差都在0附近；其次从预测结果与实测结果交会图上分析，堆栈泛化方法整体分布在45度方向上，相关系数为0.99。
本领域普通技术人员可以理解：以上所述仅为本发明的优选实施例而已，并不用于限制本发明，尽管参照前述实施例对本发明进行了详细的说明，对于本领域的技术人员来说，其依然可以对前述各实施例记载的技术方案进行修改，或者对其中部分技术特征进行等同替换。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。
Claims (5)
1.一种全工况下脱硫出口SO2浓度预测方法，其特征在于，包括：
确定影响脱硫出口SO2浓度的影响参数，采集各负荷段运行下包含所述影响参数及对应脱硫出口SO2浓度的历史运行数据；
通过负荷判断模型对历史运行数据进行负荷特性判断并分类，划分为升负荷工况、降负荷工况和稳定负荷工况三类工况状态；
分别针对三类工况状态建立脱硫出口SO2浓度预测模型，每类工况状态对应的所述脱硫出口SO2浓度预测模型的建立方法相同：以所述影响参数为输入、以对应的脱硫出口SO2浓度为输出，基于堆栈泛化方法而建立；
获取当前时刻影响参数的实时数据，先输入到所述负荷判断模型进行工况状态识别，再根据识别结果输入到对应的脱硫出口SO2浓度预测模型，获得当前时刻脱硫出口SO2浓度。
2.根据权利要求1所述的全工况下脱硫出口SO2浓度预测方法，其特征在于，所述通过负荷判断模型对历史运行数据进行负荷特性判别并分类，包括：
根据所采集的历史运行数据，对升负荷段数据求取升负荷系数k1、对降负荷段数据求取降负荷系数k2；
将负荷数据代入负荷判断模型进行判断：
式中，Load1、Load2分别为t1、t2时刻机组负荷，k代表负荷判断系数，表征t1、t2时刻之间的时间段内负荷所处的状态是上升、下降还是稳定；
若k≥k1，则负荷为升负荷状态，若k≤k2，则负荷为降负荷状态，若k2＜k＜k1，则负荷处于稳定状态。
3.根据权利要求1所述的全工况下脱硫出口SO2浓度预测方法，其特征在于，每类工况对应的所述脱硫出口SO2浓度预测模型的建立，包括：
对每个基模型进行K折交叉验证：
将输入样本数据划分为训练数据集TS1和测试数据集TS2，通过基模型获得训练数据集TS1对应的K份关于脱硫出口SO2浓度的预测结果、以及测试数据集TS2对应的K份关于脱硫出口SO2浓度的预测结果；
将训练数据集TS1对应的K份关于脱硫出口SO2浓度的预测结果进行堆砌得到训练集元矩阵，将测试数据集TS2对应的K份关于脱硫出口SO2浓度的预测结果进行堆砌得到测试集元矩阵；
基模型输出结果合并：将所有基模型的训练集元矩阵组合形成新的训练特征数据集TS1_New，将所有基模型的测试集元矩阵组合形成新的测试特征数据集TS2_New；
元模型训练：以训练特征数据集TS1_New、测试特征数据集TS2_New分别作为元模型的训练样本和测试样本，对元模型进行训练和测试，建立影响参数与脱硫出口SO2浓度之间关系的预测模型。
4.根据权利要求3所述的全工况下脱硫出口SO2浓度预测方法，其特征在于，每个基模型选择BP神经网络模型、支持回归向量机模型以及决策树模型中的一种，所有基模型包含的种类至少为以上所列出的三种；所述元模型为线性回归模型。
5.根据权利要求1所述的全工况下脱硫出口SO2浓度预测方法，其特征在于，所述影响参数包括机组负荷、总煤量、喷氨量、入口烟气量、烟气含氧量、入口SO2浓度、入口烟尘质量浓度、吸收塔浆液流量、浆液pH值、吸收塔液位、氧化风机电流。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210661514.6A CN115201408A (zh) | 2022-06-13 | 2022-06-13 | 一种全工况下脱硫出口二氧化硫浓度预测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210661514.6A CN115201408A (zh) | 2022-06-13 | 2022-06-13 | 一种全工况下脱硫出口二氧化硫浓度预测方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN115201408A true CN115201408A (zh) | 2022-10-18 |
Family
ID=83576126
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210661514.6A Pending CN115201408A (zh) | 2022-06-13 | 2022-06-13 | 一种全工况下脱硫出口二氧化硫浓度预测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115201408A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117592804A (zh) * | 2023-11-20 | 2024-02-23 | 中能建数字科技集团有限公司 | 一种液化压缩空气储能液化率表征方法、系统及电子设备 |
-
2022
- 2022-06-13 CN CN202210661514.6A patent/CN115201408A/zh active Pending
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117592804A (zh) * | 2023-11-20 | 2024-02-23 | 中能建数字科技集团有限公司 | 一种液化压缩空气储能液化率表征方法、系统及电子设备 |
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 | |
| CN111581581B (zh) | 多边界条件下SCR入口NOx浓度的检测方法和系统 | |
| CN112232571B (zh) | 一种废气主要污染物浓度的预测方法 | |
| CN113433911B (zh) | 基于浓度精准预测的脱硝装置喷氨精准控制系统与方法 | |
| 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 | |
| CN110368808A (zh) | 一种scr烟气脱硝系统的喷氨量控制方法及系统 | |
| 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 | |
| CN110094251B (zh) | 基于分时段多模型建模的scr催化剂性能劣化分析方法 | |
| CN114225662B (zh) | 一种基于滞后模型的烟气脱硫脱硝优化控制方法 | |
| CN113175678B (zh) | 垃圾焚烧的监控方法及装置 | |
| CN112742187A (zh) | 一种脱硫系统中pH值的控制方法及装置 | |
| CN111142494B (zh) | 一种胺液再生装置的智能控制方法及系统 | |
| CN115201408A (zh) | 一种全工况下脱硫出口二氧化硫浓度预测方法 | |
| CN112364562A (zh) | 一种烟气环保岛协同控制方法及系统 | |
| US20050137995A1 (en) | Method for regulating a thermodynamic process by means of neural networks | |
| CN113505497B (zh) | 湿法烟气脱硫吸收塔浆液品质监测方法及系统 | |
| CN112613237B (zh) | 一种基于LSTM的CFB机组NOx排放浓度的预测方法 | |
| Zain et al. | Development of a neural network Predictive Emission Monitoring System for flue gas measurement | |
| CN116312869A (zh) | 催化裂化再生烟气氮氧化物预测方法、装置及系统 | |
| Stanisławski et al. | Reduction of the CO emission from wood pellet small-scale boiler using model-based control | |
| CN111651938B (zh) | 基于热力计算与大数据的变煤质机组出力预测方法 | |
| CN117991639B (zh) | 基于机器学习的燃煤电厂多目标燃烧优化控制方法及装置 | |
| Valdman et al. | Online monitoring of exhaust gas emissions of a boiler with diesel/biodiesel fuel blends | |
| CN117454653A (zh) | 一种天然气脱硫装置能耗优化方法及电子设备 | |
| Gierow | Utilizing Neural Networks to Minimize NOx-Emissions in a Steam Cracking Furnace |
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 |