CN115656439A - 一种基于迁移学习的燃煤机组氮氧化物排放浓度在线监测方法 - Google Patents
一种基于迁移学习的燃煤机组氮氧化物排放浓度在线监测方法 Download PDFInfo
- Publication number
- CN115656439A CN115656439A CN202211367850.6A CN202211367850A CN115656439A CN 115656439 A CN115656439 A CN 115656439A CN 202211367850 A CN202211367850 A CN 202211367850A CN 115656439 A CN115656439 A CN 115656439A
- Authority
- CN
- China
- Prior art keywords
- emission concentration
- nitrogen oxide
- data
- model
- coal
- 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
Images
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明属于电力领域,具体是一种基于迁移学习的燃煤机组氮氧化物排放浓度在线监测方法。包括以下步骤,S100:采集机组的历史运行数据作为样本数据,并对样本数据进行预处理;S200:依据样本数据构建有标签的源域数据集以及无标签的目标域数据集;S300:读取源域和目标域的训练数据集,对CNN‑RBFNN模型进行预训练,获得氮氧化物排放浓度预测模型;S400:利用测试集对氮氧化物排放浓度预测模型的有效性进行验证;S500:在线投入使用。本发明针基于迁移学习实施燃煤机组氮氧化物浓度在线软测量,克服了机组频繁调峰引起传统软测量模型模型失配的问题,进一步提高了测量精度。
Description
技术领域
本发明属于电力领域,具体是一种基于迁移学习的燃煤机组氮氧化物排放浓度在线监测方法。
背景技术
我国能源格局发生变化,光伏、风电等新能源电力装机容量不断增大,火电机组频繁参与电网深度调峰,对机组的节能、智能监测技术提出更高要求。机组氮氧化物排放浓度作为一项重要的环保指标,对其进行实时而准确的智能监测具有重要意义。
目前,火电机组氮氧化物浓度排放在线方法主要分为两大类:一类是依靠硬件的各类烟气测量仪,另一类是脱离了硬件的软测量系统。
随着传感器技术的不断改进,烟气测量仪的测量精度也在不断地提高,这些测量装置利用电化学原理、红外、微波等技术对烟气中的NOX进行直接测量,如目前广泛使用的CEMS系统以及SCR系统、SNCR系统。硬件测量装置在投入使用初期测量精度高,但此类装置一般安装于锅炉尾部烟道附近,工作环境恶劣,长时间运行而得不到及时维护时,测量结果可信度显著降低。
另一类是脱离了硬件的软测量系统,这类软测量系统或者基于机理分析方法或者基于数据驱动的人工智能方法。基于机理分析的测量方法利用基本的热力学物理定理,结合元素守恒、质量守恒等定律,以运行参数和锅炉结构参数作为边界条件模拟NOX排放,此类方法对煤的燃烧过程做了精简且使用了大量的经验公式,测量结果难以满足要求;基于数据驱动的人工智能测量方法获得了更广泛的关注,此类方法建模时不需要详细的机理过程,多以影响氮氧化物生成的操作参数作为模型的输入,基于大量的、高质量的机组历史运行数据利用人工智能方法建立模型,实时预测NOX生成浓度。分布式控制系统及厂级信息系统在我国火电机组的普及,为软测量技术的推广提供了强大的数据支撑。主要有基于自回归线性预测模型、人工神经网络预测模型、支持向量机预测模型等,这些模型在测量精度上高于机理模型,但属于浅层的机器学习方法,对数据特征提取能力有限。基于深度学习方法的预测模型进一步降低了氮氧化物排放浓度预测误差。随着基础理论研究的不断完善和建模方法的进步,软测量方法的测量精度正在不断的提高,实际投入成本极小。当前,软测量方法存在以下问题:火电机组在设计时考虑了常规负荷下(50%-100%BMCR)的运行,随着火力发电机组深度调峰,低负荷尤其是超低负荷运行愈发频繁,典型工况与非典型工况交替出现,多模态特性成为当前机组生产过程中普遍存在的一种特性。当机组运行在非典型工况时,由于与典型工况的数据分布不同,实时数据和建模样本数据分布差异较大,传统的机器学习效果可能会非常差,使得软测量模型失配,测量准确率下降。
发明内容
本发明为了解决上述问题,提供一种基于迁移学习的燃煤机组氮氧化物排放浓度在线监测方法。针对机组运行在非典型工况时,提取典型工况下燃烧知识并迁移至非典型工况,获得适用于非典型工况的机组氮氧化物排放软测量模型。
本发明采取以下技术方案:一种基于迁移学习的燃煤机组氮氧化物排放浓度在线监测方法,包括以下步骤,
S100:采集机组的历史运行数据作为样本数据,并对样本数据进行预处理;
S200:依据样本数据构建有标签的源域数据集以及无标签的目标域数据集,源域数据集由机组典型工况运行下的数据构成,目标域数据集由少量非典型工况运行下的数据构成,分别提取源域数据集和目标域数据集的70%样本作为训练集,剩余30%作为测试集;
S300:读取源域和目标域的训练数据集,对CNN-RBFNN模型进行预训练,获得氮氧化物排放浓度预测模型;
S400:利用测试集对氮氧化物排放浓度预测模型的有效性进行验证;
S500:在线投入使用,从电厂SIS系统中实时提取模型输入参数的实时值,利用模糊C均值聚类,判断当前工况是否属于非典型工况,若属于常规工况,则输入至常规预测模型进行氮氧化物排放浓度软测量,若属于非典型工况,则输入至本发明建好的模型中,实时输出当前时刻的氮氧化物排放浓度,完成预测。
进一步的,步骤S100中样本数据的预处理包括数据清洗以及归一化,数据清洗为去除数据中的坏点,删除缺失的数据以及错误数据。
进一步的,步骤S300的具体过程为:
S301:初始化模型参数;
S302:前向传播:将源域数据集和目标域数据集分别输入CNN卷积神经网络,经过卷积层以及池化层,将池化层输出输入至RBF神经网络,构建网络参数优化目标函数,利用RBF神经网络输出计算优化目标函数的函数值。
S303:反向传播:本发明将优化目标函数作为损失函数,利用Adam优化算法反向逐层传递,对模型权值进行更新实现知识迁移。
步骤S302的具体过程为:
计算优化目标函数的函数值,优化目标函数为:
步骤S303的具体过程为:
反向传播训练过程的第一步为计算网络总的误差,本发明将优化目标函数作为损失函数,函数值一层一层返回,进行权值更新。
进一步的,步骤S400的具体过程为,将目标域训练集数据输入至预训练好的氮氧化物排放浓度模型进行有效性验证,针对不同模态下的输入数据,获得预测的氮氧化物排放浓度,与实际测量排放值相比较,若满足要求,则投入实际使用,若不满足要求,则重新训练模型,对模型参数进行调整。
与现有技术相比,本发明具有以下有益效果:
1 本发明针基于迁移学习实施燃煤机组氮氧化物浓度在线软测量,克服了机组频繁调峰引起传统软测量模型模型失配的问题,进一步提高了测量精度。
2本发明装置结构简单,无需增加额外的测量装置,投入成本低、运行可靠性高,可为电厂带来直接经济效益。
附图说明
图1为氮氧化物排放浓度预测模型;
图2为氮氧化物排放浓度软测量方法流程图。
具体实施方式
煤粉流动参数在线测量研究分为离线和在线两个阶段。离线阶段,根据氮氧化物生成机理,确定模型输入参数,利用机组已有的历史运行数据构建有效样本数据集,基于迁移学习方法建立预测模型;在线阶段,实时采集输入参数运行值并输入至训练好的预测模型,即可实时输出氮氧化物排放浓度实时值,帮助现场工作人员实时了解燃烧状况,指导运行。通过对燃煤机组氮氧化物的生成机理分析,确定模型中用到的输入参数如下:各台磨煤机给煤量、各磨煤机一次风风量、各磨煤机出口风粉混合物温度、炉膛二次风风量、一、二次风风温、煤粉粒径、燃尽风风率、机组负荷。
本发明针对燃煤机组氮氧化物排放浓度,引入迁移学习对其进行软测量。本发明提出的氮氧化物排放浓度软测量模型由卷积神经网络(convolutional neural network,CNN)和回归器构成,本发明使用径向基神经网络(radial basis function neuralnetwork, RBFNN)作为回归器。
一种基于迁移学习的燃煤机组氮氧化物排放浓度在线监测方法,包括以下步骤:
S100:采集机组的历史运行数据作为样本数据,并对样本数据进行预处理。
电厂DCS和SIS系统中存储了丰富的机组历史运行数据和实时运行数据。选取模型输入参数和NOX相关运行数据进行预处理,包括数据清洗以及归一化,数据清洗主要是去除数据中的坏点,删除缺失的数据以及错误数据。预处理完成获得有效的样本数据集。
S200:依据样本数据构建有标签的源域数据集以及无标签的目标域数据集,源域数据集为:;目标域数据集为;其中x表示输入参数组成的矩阵或者向量,y表示对应的氮氧化物排放浓度值,,分别表示源域数据集、目标域数据集包含的样本数据的数量。源域数据集由机组典型工况运行下的数据构成,目标域数据集由少量非典型工况运行下的数据构成,分别提取源域数据集和目标域数据集的70%样本作为训练集,剩余30%作为测试集。
源域数据集由机组典型工况下运行数据构成,目标域数据集由少量非典型工况数据构成,本发明的目的是提取典型工况下的燃烧知识并迁移至非典型工况模型构建,以增强模型对不同运行工况的适应性。
S300:读取源域和目标域的训练数据集,对CNN-RBFNN模型进行预训练,获得氮氧化物排放浓度预测模型。
步骤S300的具体过程为:
S301:初始化模型参数。
S302:前向传播:将源域数据集和目标域数据集分别输入CNN卷积神经网络,经过卷积层以及池化层,将池化层输出输入至RBF神经网络,构建网络参数优化目标函数,利用RBF神经网络输出计算优化目标函数的函数值。
CNN是深度学习方法中的一种,该模型具有较强的特征提取能力。卷积神经网络模型主要由数据输入层、卷积层、池化层、全连接层四个部分组成。
数据输入层接收输入矩阵,卷积层对输入数据特征进行提取,是卷积神经网络的关键。卷积层包含多个卷积核,包含两个关键操作:局部关联和窗口滑动,卷积层的具体运算方法如式(1)下:
池化层通常位于两个相邻的卷积层之间,或者连接卷积层和全连接层,池化层可以有效的缩小参数矩阵的尺寸,减小全连接层中的参数数量,加快网络的计算速度并防止过拟合。池化层的算子成为池化核,通过遍历的方式扫描卷积层输出的特征矩阵,具体计算方法为式(2):
经过卷积层和池化层后,将池化层输出输入至径向基神经网络。RBF网络是一种具有三层神经元的前馈神经网络,包含输入层、隐含层和输出层。本发明使用高斯函数作为隐含层的核函数,则隐含层第j个神经元的输出h j 为:
假设隐含层和输出层之间的权值矩阵为w,则RBF神经网络的输出y即为氮氧化物排放浓度预测值,可用式(4)表示为:
为了提高模型在多工况下的预测精度,本发明基于迁移学习提出了一种针对燃煤机组氮氧化物排放浓度预测的网络参数微调方法,从而实现多模态下燃烧状态的知识迁移。所建立的燃煤机组氮氧化物排放浓度预测模型如图1所示。在优化网络参数时,主要有两个目标:首要目标是最小化氮氧化物排放浓度的预测误差,即最小化预测损失;第二个目标是在给定源域情况下,最小化源域和目标域之间的特征分布差异距离,尽可能保留公共知识部分不变。基于以上两个优化目标,建立如下优化目标函数:
1)最下化预测误差
通过最下化预测值和实测值之间的误差绝对值,目标函数如式(5)所示:
2)最小化源域和目标域的特征分布差异距离
最小化源域和目标域全连接层的输出即实现了最小化源域和目标域的特征分布差异距离,目标函数如式(6)所示:
两目标相结合,得到以下优化目标函数,以此微调网络的结构参数:
S303:反向传播:本发明将优化目标函数作为损失函数,利用如下方法反向逐层传递,对模型权值进行更新实现知识迁移。
本发明更新网络权值的原理为:
其中,和分别为一阶动量项和二阶动量项,和分别为一阶矩估计和二阶矩估计的指数衰减率,和分别为各自的修正值。表示t次迭代的权值矩阵,表示第t次迭代损失函数对于权值矩阵的梯度大小,为学习率,是接近于0的一个数,避免分母为0。
S400:对氮氧化物排放浓度预测模型的有效性进行验证;将目标域训练集数据输入至预训练好的氮氧化物排放浓度模型进行有效性验证,针对不同模态下的输入数据,获得预测的氮氧化物排放浓度,与实际测量排放值相比较,若满足要求,则投入实际使用,若不满足要求,则重新训练模型,对模型参数进行调整。
S500:在线投入使用,从电厂SIS系统中实时提取模型输入参数的实时值,利用模糊C均值聚类,判断当前工况是否属于非典型工况,若属于常规工况,则输入至常规预测模型进行氮氧化物排放浓度软测量,若属于非典型工况,则输入至本发明建好的模型中,实时输出当前时刻的氮氧化物排放浓度,完成预测。
本申请针对机组运行在非典型工况时,运行数据分布与常规运行工况数据分布差别较大,传统软测量模型存在模型失配,测量准确率下降的问题,提出利用迁移学习从常规运行工况中学习知识,并将这些知识迁移到非典型工况中,构建适用于机组全工况运行的氮氧化物浓度预测模型。
Claims (7)
1.一种基于迁移学习的燃煤机组氮氧化物排放浓度在线监测方法,其特征在于:包括以下步骤,
S100:采集机组的历史运行数据作为样本数据,并对样本数据进行预处理;
S200:依据样本数据构建有标签的源域数据集以及无标签的目标域数据集,源域数据集由机组典型工况运行下的数据构成,目标域数据集由少量非典型工况运行下的数据构成,分别提取源域数据集和目标域数据集的70%样本作为训练集,剩余30%作为测试集;
S300:读取源域和目标域的训练数据集,对CNN-RBFNN模型进行预训练,获得氮氧化物排放浓度预测模型;
S400:利用测试集对氮氧化物排放浓度预测模型的有效性进行验证;
S500:在线投入使用,从电厂SIS系统中实时提取模型输入参数的实时值,利用模糊C均值聚类,判断当前工况是否属于非典型工况,若属于常规工况,则输入至常规预测模型进行氮氧化物排放浓度软测量,若属于非典型工况,则输入至本发明建好的模型中,实时输出当前时刻的氮氧化物排放浓度,完成预测。
2.根据权利要求1所述的基于迁移学习的燃煤机组氮氧化物排放浓度在线监测方法,其特征在于:所述步骤S100中样本数据的预处理包括数据清洗以及归一化,数据清洗为去除数据中的坏点,删除缺失的数据以及错误数据。
4.根据权利要求1所述的基于迁移学习的燃煤机组氮氧化物排放浓度在线监测方法,其特征在于:所述步骤S300的具体过程为:
S301:初始化模型参数;
S302:前向传播:将源域数据集和目标域数据集分别输入CNN卷积神经网络,经过卷积层以及池化层,将池化层输出输入至RBF神经网络,构建网络参数优化目标函数,利用RBF神经网络输出计算优化目标函数的函数值;
S303:反向传播:本发明将优化目标函数作为损失函数,利用Adam优化算法反向逐层传递,对模型权值进行更新实现知识迁移。
6.根据权利要求4所述的基于迁移学习的燃煤机组氮氧化物排放浓度在线监测方法,其特征在于:所述步骤S303的具体过程为:
反向传播训练过程的第一步为计算网络总的误差,本发明将优化目标函数作为损失函数,函数值一层一层返回,进行权值更新。
7.根据权利要求1所述的基于迁移学习的燃煤机组氮氧化物排放浓度在线监测方法,其特征在于:所述步骤S400的具体过程为,将目标域训练集数据输入至预训练好的氮氧化物排放浓度模型进行有效性验证,针对不同模态下的输入数据,获得预测的氮氧化物排放浓度,与实际测量排放值相比较,若满足要求,则投入实际使用,若不满足要求,则重新训练模型,对模型参数进行调整。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211367850.6A CN115656439A (zh) | 2022-11-03 | 2022-11-03 | 一种基于迁移学习的燃煤机组氮氧化物排放浓度在线监测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211367850.6A CN115656439A (zh) | 2022-11-03 | 2022-11-03 | 一种基于迁移学习的燃煤机组氮氧化物排放浓度在线监测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115656439A true CN115656439A (zh) | 2023-01-31 |
Family
ID=84995767
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211367850.6A Pending CN115656439A (zh) | 2022-11-03 | 2022-11-03 | 一种基于迁移学习的燃煤机组氮氧化物排放浓度在线监测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115656439A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116906839A (zh) * | 2023-09-14 | 2023-10-20 | 浙江英集动力科技有限公司 | 融合物理测量和软测量的热力管线安全智能监测预警方法 |
-
2022
- 2022-11-03 CN CN202211367850.6A patent/CN115656439A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116906839A (zh) * | 2023-09-14 | 2023-10-20 | 浙江英集动力科技有限公司 | 融合物理测量和软测量的热力管线安全智能监测预警方法 |
CN116906839B (zh) * | 2023-09-14 | 2023-12-01 | 浙江英集动力科技有限公司 | 融合物理测量和软测量的热力管线安全智能监测预警方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Huang et al. | Air quality prediction using improved PSO-BP neural network | |
CN101630376B (zh) | 多模型神经网络的生物发酵过程软测量建模方法及软仪表 | |
CN108932567A (zh) | 一种基于卷积神经网络的水泥烧成过程多能耗指标预测方法 | |
CN102652925B (zh) | 高炉喷煤中速磨制粉系统煤粉粒度的测量系统 | |
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 | |
CN104715142B (zh) | 一种电站锅炉NOx排放动态软测量方法 | |
CN112613237B (zh) | 一种基于LSTM的CFB机组NOx排放浓度的预测方法 | |
CN113177358B (zh) | 一种基于模糊细粒度特征提取的水泥质量软测量方法 | |
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 | |
CN110207094A (zh) | 基于主成分分析的iqga-svr锅炉受热面沾污特性辨识方法 | |
Tang et al. | A deep learning model for measuring oxygen content of boiler flue gas | |
CN110597070A (zh) | 火电机组系统模型参数的辨识方法 | |
CN115656439A (zh) | 一种基于迁移学习的燃煤机组氮氧化物排放浓度在线监测方法 | |
CN116167531A (zh) | 一种基于数字孪生的光伏发电预测方法 | |
CN112149883A (zh) | 基于fwa-bp神经网络的光伏功率预测方法 | |
CN115077640A (zh) | 一种城市固废焚烧过程主蒸汽流量实时预测方法 | |
CN107742000B (zh) | 锅炉燃烧含氧量建模方法 | |
CN116757078A (zh) | 一种基于作用力的煤粉流速测量方法及系统 | |
CN113836819B (zh) | 一种基于时序关注的床温预测方法 | |
CN114943277A (zh) | 一种综合能源系统运行工况识别与运行性能预测方法 | |
CN114219122A (zh) | 基于网格气象数据的小水电站发电功率超短期预测方法 | |
CN114740713A (zh) | 一种湿法烟气脱硫过程的多目标优化控制方法 | |
CN114234392A (zh) | 一种基于改进pso-lstm的空调负荷精细预测方法 | |
Liangyu et al. | ANN-based soft sensing of oxygen content in boiler air-flue gas system | |
Li et al. | Monitoring Model of Coal Mill in Power Plant Based on Big Data and BP Neural Network |
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 |