CN116128136A - 一种基于LSO-CatBoost的燃煤电厂锅炉NOX排放预测方法 - Google Patents
一种基于LSO-CatBoost的燃煤电厂锅炉NOX排放预测方法 Download PDFInfo
- Publication number
- CN116128136A CN116128136A CN202310091793.1A CN202310091793A CN116128136A CN 116128136 A CN116128136 A CN 116128136A CN 202310091793 A CN202310091793 A CN 202310091793A CN 116128136 A CN116128136 A CN 116128136A
- Authority
- CN
- China
- Prior art keywords
- data
- lion
- catboost
- boiler
- 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
- 238000000034 method Methods 0.000 title claims abstract description 49
- 241000282320 Panthera leo Species 0.000 claims abstract description 80
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 26
- 238000012549 training Methods 0.000 claims abstract description 22
- 238000010606 normalization Methods 0.000 claims abstract description 19
- 238000012216 screening Methods 0.000 claims abstract description 17
- 238000012545 processing Methods 0.000 claims abstract description 15
- 238000000605 extraction Methods 0.000 claims abstract description 14
- 238000005457 optimization Methods 0.000 claims abstract description 13
- 238000004140 cleaning Methods 0.000 claims abstract description 9
- 239000003245 coal Substances 0.000 claims description 30
- QGZKDVFQNNGYKY-UHFFFAOYSA-N Ammonia Chemical compound N QGZKDVFQNNGYKY-UHFFFAOYSA-N 0.000 claims description 12
- UGFAIRIUMAVXCW-UHFFFAOYSA-N Carbon monoxide Chemical compound [O+]#[C-] UGFAIRIUMAVXCW-UHFFFAOYSA-N 0.000 claims description 9
- 239000003546 flue gas Substances 0.000 claims description 9
- 238000000513 principal component analysis Methods 0.000 claims description 9
- 238000012360 testing method Methods 0.000 claims description 9
- 229910021529 ammonia Inorganic materials 0.000 claims description 6
- 238000007637 random forest analysis Methods 0.000 claims description 5
- 230000002159 abnormal effect Effects 0.000 claims description 4
- 238000002347 injection Methods 0.000 claims description 4
- 239000007924 injection Substances 0.000 claims description 4
- 230000001502 supplementing effect Effects 0.000 claims description 4
- QVGXLLKOCUKJST-UHFFFAOYSA-N atomic oxygen Chemical compound [O] QVGXLLKOCUKJST-UHFFFAOYSA-N 0.000 claims description 3
- 238000007621 cluster analysis Methods 0.000 claims description 3
- 239000001301 oxygen Substances 0.000 claims description 3
- 229910052760 oxygen Inorganic materials 0.000 claims description 3
- 238000012163 sequencing technique Methods 0.000 claims description 3
- 239000010410 layer Substances 0.000 description 12
- 239000000243 solution Substances 0.000 description 4
- 230000000694 effects Effects 0.000 description 3
- MWUXSHHQAYIFBG-UHFFFAOYSA-N nitrogen oxide Inorganic materials O=[N] MWUXSHHQAYIFBG-UHFFFAOYSA-N 0.000 description 3
- 238000010248 power generation Methods 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 230000007613 environmental effect Effects 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 238000004088 simulation Methods 0.000 description 2
- 238000005507 spraying Methods 0.000 description 2
- 238000006555 catalytic reaction Methods 0.000 description 1
- 238000010531 catalytic reduction reaction Methods 0.000 description 1
- 238000002485 combustion reaction Methods 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 230000008878 coupling Effects 0.000 description 1
- 238000010168 coupling process Methods 0.000 description 1
- 238000005859 coupling reaction Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 239000002355 dual-layer Substances 0.000 description 1
- 239000003344 environmental pollutant Substances 0.000 description 1
- 239000000446 fuel Substances 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 231100000719 pollutant Toxicity 0.000 description 1
- 230000001105 regulatory effect Effects 0.000 description 1
- 238000010977 unit operation 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
- G06N3/004—Artificial life, i.e. computing arrangements simulating life
- G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
-
- 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
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/06—Energy or water supply
-
- 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
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/10—Services
- G06Q50/26—Government or public services
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
- Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
- Y04S10/00—Systems supporting electrical power generation, transmission or distribution
- Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Economics (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Tourism & Hospitality (AREA)
- Health & Medical Sciences (AREA)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- General Physics & Mathematics (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- General Health & Medical Sciences (AREA)
- Development Economics (AREA)
- Primary Health Care (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- Entrepreneurship & Innovation (AREA)
- Operations Research (AREA)
- Educational Administration (AREA)
- Life Sciences & Earth Sciences (AREA)
- Quality & Reliability (AREA)
- Game Theory and Decision Science (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Feedback Control In General (AREA)
Abstract
本发明公开了一种基于LSO‑CatBoost的燃煤电厂锅炉NOx排放预测方法包括:采集原始数据,并对原始数据进行数据清洗和归一化处理;对经数据处理后的原始数据进行数据特征提取,筛选与锅炉NOx排放最为相关的变量,并将变量作为锅炉NOx排放预测模型的输入数据;将输入数据划分为训练集和测试集,建立CatBoost模型,并利用改进狮群优化算法,优化CatBoost模型的超参数;利用超参数,建立最优CatBoost预测模型,预测燃煤电厂锅炉的NOx排放浓度。本发明通过双层数据特征提取方法更好地筛选出对NOx排放浓度影响程度较大变量,有效降低了数据维度,提高了预测精度;将改进的狮群算法用于优化CatBoost算法的超参数寻优,结构简洁,提高收敛速度和精度,且明显提升CatBoost算法的性能,提高预测准确率。
Description
技术领域
本发明涉及燃煤电厂锅炉NOx预测技术领域,具体为一种基于LSO-CatBoost的燃煤电厂锅炉NOx排放预测方法。
背景技术
火力发电是我国能源组成结构中最重要的一环,截止2021年,全国发电装机容量为23.7692亿千瓦时,其中火电的装机容量占54.56%。而煤炭作为火力发电的主要燃料之一,其生产过程的环保性也越来越受到社会的关注。随着国家对环境保护越来越重视,相关部门也陆续出台了关于火电厂污染排放的指标,其中,2011年颁布的《火电厂大气污染物排放标准》规定:燃煤锅炉的氮氧化物排放不得超过100mg/m3。因此,为满足电厂需要,建立高精度的NOx排放预测模型是十分必要的。
国内电站大部分选择催化还原(SCR)脱硝系统喷氨装置,喷氨调节阀自动控制。由于电站锅炉燃烧为典型的多输入、大惯性、非线性与强耦合特性及SCR催化反应迟滞的影响,常规PID控制的喷氨控制往往不能达到较好的控制效果。因此,必须实时测量和监控NOx排放浓度,并对脱硝系统进行优化控制,进而需要建立精度高的预测模型。
发明内容
本部分的目的在于概述本发明的实施例的一些方面以及简要介绍一些较佳实施例。在本部分以及本申请的说明书摘要和发明名称中可能会做些简化或省略以避免使本部分、说明书摘要和发明名称的目的模糊,而这种简化或省略不能用于限制本发明的范围。
鉴于上述存在的问题,提出了本发明。
因此,本发明解决的技术问题是:如何提高燃煤电厂锅炉NOx排放预测的准确度。
为解决上述技术问题,本发明提供如下技术方案:一种基于LSO-CatBoost的燃煤电厂锅炉NOx排放预测方法,包括:
采集原始数据,并对所述原始数据进行数据清洗和归一化处理;
对经数据处理后的原始数据进行双层数据特征提取,筛选与锅炉NOx排放最为相关的变量,并将所述变量作为锅炉NOx排放预测模型的输入数据;
将所述输入数据划分为训练集和测试集,建立CatBoost模型,并利用改进狮群优化算法,优化CatBoost模型的超参数;
利用所述超参数,建立最优CatBoost预测模型,预测燃煤电厂锅炉的NOx排放浓度。
作为本发明所述的一种基于LSO-CatBoost的燃煤电厂锅炉NOx排放预测方法的一种优选方案,其中:所述原始数据,包括:混煤煤质特性数据、机组总负荷、总风量、总煤量、磨煤机入口风量、锅炉一次风量、锅炉二次风量、给煤机瞬时给煤量、锅炉氧量、锅炉出口烟气温度、引风机出口烟气温度、SCR入口烟气温度、省煤器出口烟气流量、上一时刻SCR入口NOx浓度、SCR喷氨量、SCR反应器入口压力、锅炉效率、锅炉出口NOx排放浓度。
作为本发明所述的一种基于LSO-CatBoost的燃煤电厂锅炉NOx排放预测方法的一种优选方案,其中:所述数据清洗,包括:
首先,筛选出机组在运行状态下的数据,针对机组总负荷、总风量、总煤量三项数据,检测其是否出现零值;若出现零值,则代表此组数据是机组处在停机状态下的数据,不具备建模价值,需要将其删去;
其次,对剩下的数据做聚类分析,去除异常值;
最后,对缺失值做线性插值,补充数据。
作为本发明所述的一种基于LSO-CatBoost的燃煤电厂锅炉NOx排放预测方法的一种优选方案,其中:所述归一化处理,包括:利用归一化公式对数据进行归一化处理,表示为:
式中,代表归一化之后的数据,xi代表归一化之前的原始数据,代表数据的均值,为锅炉运行数据的方差,ξ为非零常数。
作为本发明所述的一种基于LSO-CatBoost的燃煤电厂锅炉NOx排放预测方法的一种优选方案,其中:所述双层数据特征提取,包括:采用随机森林模型对NOx排放浓度与影响因素数据做相对重要性排序,筛选出对于NOx排放浓度来说,影响程度较大的几组变量。
作为本发明所述的一种基于LSO-CatBoost的燃煤电厂锅炉NOx排放预测方法的一种优选方案,其中:所述双层数据特征提取方法,还包括:采用主成分分析法PCA进行第二次的数据特征筛选,综合考虑数据维度的影响,筛选出累计贡献度大于85%的成分,作为数据处理层的最终NOx排放浓度预测模型的输入数据。
作为本发明所述的一种基于LSO-CatBoost的燃煤电厂锅炉NOx排放预测方法的一种优选方案,其中:所述优化CatBoost模型的超参数,包括:
初始化CatBoost算法超参数的搜索空间;
根据狮群算法中狮王、母狮、幼狮的位置更新狮群的状态;
计算适应度,更新全局最优位置和历史最优位置,用训练集训练获取CatBoost的超参数;
重新计算狮群位置,判断是否达到最优条件。
作为本发明所述的一种基于LSO-CatBoost的燃煤电厂锅炉NOx排放预测方法的一种优选方案,其中:所述适应度,包括:采用CatBoost模型的训练误差作为适应度函数值,并基于适应度函数值更新全局最优位置和历史最优位置。
作为本发明所述的一种基于LSO-CatBoost的燃煤电厂锅炉NOx排放预测方法的一种优选方案,其中:所述计算狮群位置,包括:
狮群算法定义在D维空间内,狮群的总数为N,狮王的位置是当前迭代的最优值,表示为:
式中,为更新后的狮子位置;gk代表第k代群体最优位置;为第i只狮子第k代的历史最优位置;γ是一个按照正态分布的随机数;
母狮位置表示为:
式中,为从第k代母狮群体中随机挑选的一个个体的历史最优位置;αf为母狮移动范围扰动因子;F为权重因子;mk为第k代中的最优母狮个体;
幼狮位置表示为:
式中,q为(0,1)之间的随机数;αc为幼狮移动范围扰动因子;为第k代幼狮跟随母狮的历史最优位置;为狮群内除狮王外的任意3个个体。
作为本发明所述的一种基于LSO-CatBoost的燃煤电厂锅炉NOx排放预测方法的一种优选方案,其中:所述判断是否达到最优条件,包括:
判断训练集和测试集的预测误差是否满足模型预测精度要求;
判断训练集和测试集的实验结果的波动情况是否满足模型预测稳定性要求;
判断预测模型的多次训练的平均执行时间是否接近,预测模型执行效率是否满足模型预测效率要求。
本发明的有益效果:本发明提出一种基于LSO-CatBoost的燃煤电厂锅炉NOx排放预测方法通过采用双层数据特征提取方法,能够更好的筛选出对锅炉NOx排放浓度影响程度较大变量,有效降低了数据维度,提高了预测模型的预测精度;本发明在充分考虑了机组运行参数对NOx排放浓度的影响外,将混煤煤质特性数据与锅炉NOx排放浓度预测结合起来,使预测结果更加符合NOx排放的实际规律,也使预测结果更为准确;将改进的狮群算法用于优化CatBoost算法的超参数寻优,结构简洁,提高收敛速度和精度,且使用改进狮群算法得到的最优超参数后,CatBoost算法的性能得到明显的提升,对于提高预测锅炉NOx排放浓度具有现实意义。
附图说明
为了更清楚地说明本发明实施例的技术方案,下面将对实施例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性的前提下,还可以根据这些附图获得其它的附图。其中:
图1为本发明一个实施例提供的一种基于LSO-CatBoost的燃煤电厂锅炉NOx排放预测方法的整体流程图;
图2为本发明一个实施例提供的一种基于LSO-CatBoost的燃煤电厂锅炉NOx排放预测方法的结构框图。
具体实施方式
为使本发明的上述目的、特征和优点能够更加明显易懂,下面结合说明书附图对本发明的具体实施方式做详细的说明,显然所描述的实施例是本发明的一部分实施例,而不是全部实施例。基于本发明中的实施例,本领域普通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,都应当属于本发明的保护的范围。
在下面的描述中阐述了很多具体细节以便于充分理解本发明,但是本发明还可以采用其他不同于在此描述的其它方式来实施,本领域技术人员可以在不违背本发明内涵的情况下做类似推广,因此本发明不受下面公开的具体实施例的限制。
其次,此处所称的“一个实施例”或“实施例”是指可包含于本发明至少一个实现方式中的特定特征、结构或特性。在本说明书中不同地方出现的“在一个实施例中”并非均指同一个实施例,也不是单独的或选择性的与其他实施例互相排斥的实施例。
本发明结合示意图进行详细描述,在详述本发明实施例时,为便于说明,表示器件结构的剖面图会不依一般比例作局部放大,而且所述示意图只是示例,其在此不应限制本发明保护的范围。此外,在实际制作中应包含长度、宽度及深度的三维空间尺寸。
同时在本发明的描述中,需要说明的是,术语中的“上、下、内和外”等指示的方位或位置关系为基于附图所示的方位或位置关系,仅是为了便于描述本发明和简化描述,而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作,因此不能理解为对本发明的限制。此外,术语“第一、第二或第三”仅用于描述目的,而不能理解为指示或暗示相对重要性。
本发明中除非另有明确的规定和限定,术语“安装、相连、连接”应做广义理解,例如:可以是固定连接、可拆卸连接或一体式连接;同样可以是机械连接、电连接或直接连接,也可以通过中间媒介间接相连,也可以是两个元件内部的连通。对于本领域的普通技术人员而言,可以具体情况理解上述术语在本发明中的具体含义。
实施例1
参照图1~2,为本发明的一个实施例,提供了一种基于LSO-CatBoost的燃煤电厂锅炉NOx排放预测方法,包括:
S1:采集原始数据,并对原始数据进行数据清洗和归一化处理;
具体的,采集的原始数据包括:混煤煤质特性数据、机组总负荷、总风量、总煤量、磨煤机入口风量、锅炉一次风量、锅炉二次风量、给煤机瞬时给煤量、锅炉氧量、锅炉出口烟气温度、引风机出口烟气温度、SCR入口烟气温度、省煤器出口烟气流量、上一时刻SCR入口NOx浓度、SCR喷氨量、SCR反应器入口压力、锅炉效率、锅炉出口NOx排放浓度。
更进一步的,对采集的原始数据进行数据清洗,具体步骤表示为:
步骤一:筛选出机组在运行状态下的数据,针对机组总负荷、总风量、总煤量三项数据,检测其是否出现零值;若出现零值,则代表此组数据是机组处在停机状态下的数据,不具备建模价值,需要将其删去;
步骤二:对剩下的数据做聚类分析,去除异常值;
步骤三:对缺失值做线性插值,补充数据。
应说明的是,数据清洗主要用于删除原始数据集中的无关数据、重复数据、异常数据,同时补充缺失数据,使处理后的数据集变为能满足预测要求的高质量数据。
更进一步的,对数据清洗后的数据利用归一化公式进行归一化处理,归一化公式表示为:
式中,代表归一化之后的数据,xi代表归一化之前的原始数据,代表数据的均值,为锅炉运行数据的方差,ξ为非零常数。
应说明的是,对数据进行归一化处理是为了消除量纲不同带来的影响包括:(1)若结果受到多个输入特征的影响,数量级大的输入特征会削弱数量级小的输入特征的影响程度,导致结果被数量级大的输入特征主导;(2)量纲不一致,可能会导致模型的收敛速度慢。
S2:对经数据处理后的原始数据进行双层数据特征提取,筛选与锅炉NOx排放最为相关的变量,并将变量作为锅炉NOx排放预测模型的输入数据;
具体的,采用双层数据特征提取方法对经数据清洗和归一化处理后的原始数据进行特征提取。
更进一步的,采用随机森林模型对NOx排放浓度与影响因素数据做相对重要性排序,筛选出对于NOx排放浓度来说,影响程度较大的几组变量。
更进一步的,采用主成分分析法PCA进行第二次的数据特征筛选,综合考虑数据维度的影响,筛选出累计贡献度大于85%的成分,作为数据处理层的最终的NOx排放浓度预测模型的输入数据。
应说明的是,采用双层数据特征提取方法对经过数据清洗和归一化处理后的数据进行特征提取,能够提高数据特征的质量,更为准确的筛选出对锅炉NOx排放影响程度较高的几组变量。
S3:将输入数据划分为训练集和测试集,建立CatBoost模型,并利用改进狮群优化算法,优化CatBoost模型的超参数;
更进一步的,利用改进狮群优化算法,优化CatBoost模型的超参数的具体步骤为:
I.初始化CatBoost算法超参数的搜索空间;
II.根据狮群算法中狮王、母狮、幼狮的位置更新狮群的状态;
III.计算适应度,更新全局最优位置和历史最优位置,用训练集训练获取CatBoost的超参数;
IV.重新计算狮群位置,判断是否达到最优条件。
更进一步的,采用CatBoost模型的训练误差作为适应度函数值。
更进一步的,基于计算所得的适应度获取全局最优位置和历史最优位置并更新狮群。
更进一步的,狮群更新方式具体为:
将狮群算法定义在D维空间内,狮群的总数为N,狮王的位置是当前迭代的最优值,表示为:
式中,为更新后的狮子位置;gk代表第k代群体最优位置;为第i只狮子第k代的历史最优位置;γ是一个按照正态分布的随机数;
αf为母狮移动范围扰动因子;F为权重因子;mk为第k代中的最优母狮个体;
幼狮位置表示为:
式中,q为(0,1)之间的随机数;αc为幼狮移动范围扰动因子;为第k代幼狮跟随母狮的历史最优位置;为狮群内除狮王外的任意3个个体。
更进一步的,重复更新狮群状态直至满足迭代条件或者达到最大迭代次数,结束优化过程。
其中,满足迭代条件包括:
a.判断训练集和测试集的预测误差是否满足模型预测精度要求;若预测误差小于预设误差,则结束优化,否则继续更新狮群状态;
b.判断训练集和测试集的实验结果的波动情况是否满足模型预测稳定性要求;若实验结果波动情况优于预设波动,则结束优化,否则继续更新狮群状态;
c.判断预测模型的多次训练的平均执行时间是否接近,预测模型执行效率是否满足模型预测效率要求;若预测模型平均执行时间相近,且执行时间用时少于预设执行时间,则结束优化,否则继续更新狮群状态。
应说明的是,结束优化过程后获得的狮王位置为CatBoost算法的最优超参数。
还应说明的是,将改进的狮群算法用于优化CatBoost算法的超参数寻优,结构简洁,提高收敛速度和精度。
S4:利用超参数,建立最优CatBoost预测模型,预测燃煤电厂锅炉的NOx排放浓度。
应说明的是,使用改进狮群算法得到最优超参数后,所得的最优超参数能有助于明显提升CatBoost算法的性能,对于提高预测锅炉NOx排放浓度的准确性有重大意义。
实施例2
参照图1~2,为本发明的一个实施例,提供了一种基于LSO-CatBoost的燃煤电厂锅炉NOx排放预测方法,为了验证本发明的有益效果,通过仿真实验进行科学论证。
通过MATLAB仿真平台,搭建预测模型,对燃煤电厂锅炉的NOx排放浓度进行预测。
先对原始数据集进行数据清洗,然后采用双层数据特征提取进行特征提取:首先,采用随机森林模型对NOx排放浓度与影响因素数据做相对重要性排序,结果如表1所示。
表1随机森林模型筛选出的影响因子
其次,采用主成分分析法PCA进行第二次的数据特征筛选,综合考虑数据维度的影响,筛选出累计贡献度大于85%的成分,作为数据处理层的最终的NOx排放浓度预测模型的输入数据,分析结果如表2所示。
表2主成分分析结果
最后,将经过双层数据特征提取后的数据作为预测模型的输入,采用LSO-CatBoost预测模型对燃煤电厂的NOx排放浓度进行预测,预测的效果如表3所示。
表3预测效果的指标
由表3可知,采用双层数据特征提取后的LSO-CatBoost模型,其预测结果更加准确,误差更小,故此结果验证了基于LSO-CatBoost模型对于燃煤电厂NOx排放预测的准确性有较大的提升。
应说明的是,以上实施例仅用以说明本发明的技术方案而非限制,尽管参照较佳实施例对本发明进行了详细说明,本领域的普通技术人员应当理解,可以对本发明的技术方案进行修改或者等同替换,而不脱离本发明技术方案的精神和范围,其均应涵盖在本发明的权利要求范围当中。
Claims (10)
1.一种基于LSO-CatBoost的燃煤电厂锅炉NOx排放预测方法,其特征在于,包括:
采集原始数据,并对所述原始数据进行数据清洗和归一化处理;
对经数据处理后的原始数据进行双层数据特征提取,筛选与锅炉NOx排放最为相关的变量,并将所述变量作为锅炉NOx排放预测模型的输入数据;
将所述输入数据划分为训练集和测试集,建立CatBoost模型,并利用改进狮群优化算法,优化CatBoost模型的超参数;
利用所述超参数,建立最优CatBoost预测模型,预测燃煤电厂锅炉的NOx排放浓度。
2.如权利要求1所述的基于LSO-CatBoost的燃煤电厂锅炉NOx排放预测方法,其特征在于:所述原始数据,包括:混煤煤质特性数据、机组总负荷、总风量、总煤量、磨煤机入口风量、锅炉一次风量、锅炉二次风量、给煤机瞬时给煤量、锅炉氧量、锅炉出口烟气温度、引风机出口烟气温度、SCR入口烟气温度、省煤器出口烟气流量、上一时刻SCR入口NOx浓度、SCR喷氨量、SCR反应器入口压力、锅炉效率、锅炉出口NOx排放浓度。
3.如权利要求1或2所述的基于LSO-CatBoost的燃煤电厂锅炉NOx排放预测方法,其特征在于:所述数据清洗,包括:
首先,筛选出机组在运行状态下的数据,针对机组总负荷、总风量、总煤量三项数据,检测其是否出现零值;若出现零值,则代表此组数据是机组处在停机状态下的数据,不具备建模价值,需要将其删去;
其次,对剩下的数据做聚类分析,去除异常值;
最后,对缺失值做线性插值,补充数据。
5.如权利要求4所述的基于LSO-CatBoost的燃煤电厂锅炉NOx排放预测方法,其特征在于:所述双层数据特征提取方法,包括:采用随机森林模型对NOx排放浓度与影响因素数据做相对重要性排序,筛选出对于NOx排放浓度来说,影响程度较大的几组变量。
6.如权利要求5所述的基于LSO-CatBoost的燃煤电厂锅炉NOx排放预测方法,其特征在于:所述双层数据特征提取方法,还包括:采用主成分分析法PCA进行第二次的数据特征筛选,综合考虑数据维度的影响,筛选出累计贡献度大于85%的成分,作为数据处理层的最终NOx排放浓度预测模型的输入数据。
7.如权利要求6所述的基于LSO-CatBoost的燃煤电厂锅炉NOx排放预测方法,其特征在于:所述优化CatBoost模型的超参数,包括:
初始化CatBoost算法超参数的搜索空间;
根据狮群算法中狮王、母狮、幼狮的位置更新狮群的状态;
计算适应度,更新全局最优位置和历史最优位置,用训练集训练获取CatBoost的超参数;
重新计算狮群位置,判断是否达到最优条件。
8.如权利要求7所述的基于LSO-CatBoost的燃煤电厂锅炉NOx排放预测方法,其特征在于:所述适应度,包括:采用CatBoost模型的训练误差作为适应度函数值,并基于适应度函数值更新全局最优位置和历史最优位置。
9.如权利要求8所述的基于LSO-CatBoost的燃煤电厂锅炉NOx排放预测方法,其特征在于:所述计算狮群位置,包括:
狮群算法定义在D维空间内,狮群的总数为N,狮王的位置是当前迭代的最优值,表示为:
母狮位置表示为:
幼狮位置表示为:
10.如权利要求8或9所述的基于LSO-CatBoost的燃煤电厂锅炉NOx排放预测方法,其特征在于:所述判断是否达到最优条件,包括:
判断训练集和测试集的预测误差是否满足模型预测精度要求;
判断训练集和测试集的实验结果的波动情况是否满足模型预测稳定性要求;
判断预测模型的多次训练的平均执行时间是否接近,预测模型执行效率是否满足模型预测效率要求。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310091793.1A CN116128136A (zh) | 2023-02-01 | 2023-02-01 | 一种基于LSO-CatBoost的燃煤电厂锅炉NOX排放预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310091793.1A CN116128136A (zh) | 2023-02-01 | 2023-02-01 | 一种基于LSO-CatBoost的燃煤电厂锅炉NOX排放预测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116128136A true CN116128136A (zh) | 2023-05-16 |
Family
ID=86297073
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310091793.1A Pending CN116128136A (zh) | 2023-02-01 | 2023-02-01 | 一种基于LSO-CatBoost的燃煤电厂锅炉NOX排放预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116128136A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116822712A (zh) * | 2023-05-25 | 2023-09-29 | 华能国际电力股份有限公司上海石洞口第二电厂 | 一种基于CVaR的火电厂燃煤采购优化方法及系统 |
CN118484775A (zh) * | 2024-07-16 | 2024-08-13 | 保定正德电力技术有限公司 | SAO-集成加权融合的动态预测模型的NOx预测方法 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112327168A (zh) * | 2020-10-31 | 2021-02-05 | 国网河北省电力有限公司雄安新区供电公司 | 一种基于XGBoost的电动汽车电池消耗预测方法 |
JP2021043502A (ja) * | 2019-09-06 | 2021-03-18 | ヴイアールアイ株式会社 | 状態遷移管理システム、方法及びプログラム |
CN113450880A (zh) * | 2021-08-31 | 2021-09-28 | 大唐环境产业集团股份有限公司 | 一种脱硫系统入口so2浓度智能预测方法 |
CN114330845A (zh) * | 2021-12-15 | 2022-04-12 | 北京工业大学 | 基于多窗口概念漂移检测的mswi过程二噁英排放预测方法 |
CN114818886A (zh) * | 2022-04-11 | 2022-07-29 | 河海大学 | 一种基于PCA和CatBoost回归融合预测土壤渗透率的方法 |
CN115526117A (zh) * | 2022-10-31 | 2022-12-27 | 福州大学 | 基于lso-rf模型的阶跃型滑坡位移速率预测方法 |
-
2023
- 2023-02-01 CN CN202310091793.1A patent/CN116128136A/zh active Pending
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2021043502A (ja) * | 2019-09-06 | 2021-03-18 | ヴイアールアイ株式会社 | 状態遷移管理システム、方法及びプログラム |
CN112327168A (zh) * | 2020-10-31 | 2021-02-05 | 国网河北省电力有限公司雄安新区供电公司 | 一种基于XGBoost的电动汽车电池消耗预测方法 |
CN113450880A (zh) * | 2021-08-31 | 2021-09-28 | 大唐环境产业集团股份有限公司 | 一种脱硫系统入口so2浓度智能预测方法 |
CN114330845A (zh) * | 2021-12-15 | 2022-04-12 | 北京工业大学 | 基于多窗口概念漂移检测的mswi过程二噁英排放预测方法 |
CN114818886A (zh) * | 2022-04-11 | 2022-07-29 | 河海大学 | 一种基于PCA和CatBoost回归融合预测土壤渗透率的方法 |
CN115526117A (zh) * | 2022-10-31 | 2022-12-27 | 福州大学 | 基于lso-rf模型的阶跃型滑坡位移速率预测方法 |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116822712A (zh) * | 2023-05-25 | 2023-09-29 | 华能国际电力股份有限公司上海石洞口第二电厂 | 一种基于CVaR的火电厂燃煤采购优化方法及系统 |
CN116822712B (zh) * | 2023-05-25 | 2024-04-09 | 华能国际电力股份有限公司上海石洞口第二电厂 | 一种基于CVaR的火电厂燃煤采购优化方法及系统 |
CN118484775A (zh) * | 2024-07-16 | 2024-08-13 | 保定正德电力技术有限公司 | SAO-集成加权融合的动态预测模型的NOx预测方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN116128136A (zh) | 一种基于LSO-CatBoost的燃煤电厂锅炉NOX排放预测方法 | |
CN107243257B (zh) | 适合全负荷的智能喷氨控制系统 | |
CN107526292B (zh) | 一种基于入口NOx浓度预测的调控喷氨量的方法 | |
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 | |
CN104534507B (zh) | 一种锅炉燃烧优化控制方法 | |
CN107316112B (zh) | 一种成本效益最优的火电机组减排方案定制方法和系统 | |
CN106019935B (zh) | 基于约束模糊关联规则的多目标锅炉燃烧优化 | |
CN112613237B (zh) | 一种基于LSTM的CFB机组NOx排放浓度的预测方法 | |
CN115145152A (zh) | 一种锅炉燃烧与脱硝过程协同优化控制的方法 | |
CN104715142A (zh) | 一种电站锅炉NOx排放动态软测量方法 | |
CN103926833A (zh) | 一种选择性催化还原脱硝装置入口参数确定方法 | |
CN116307507A (zh) | 一种基于过热器壁温预测的多目标粒子群配煤方法 | |
CN118280472A (zh) | 一种基于雪融优化器的火电机组scr反应器氮氧化物浓度预测方法 | |
Xu et al. | A new online optimization method for boiler combustion system based on the data-driven technique and the case-based reasoning principle | |
CN116720446B (zh) | 一种锅炉水冷壁渣层厚度实时监测方法 | |
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 | |
Tang et al. | Predictive control of SCR denitrification system in thermal power plants based on GA‐BP and PSO | |
CN115113519A (zh) | 一种煤-煤气混烧锅炉脱硝系统出口NOx浓度预警方法 | |
CN116050643A (zh) | 一种基于集成模型的流程工业污染物排放浓度预测方法 | |
CN112308397B (zh) | 一种基于火电机组脱硝综合性能评价方法 | |
CN113935230A (zh) | 基于注意力机制LSTM模型实现NOx排放量预测方法 | |
CN116312869A (zh) | 催化裂化再生烟气氮氧化物预测方法、装置及系统 | |
Tingting et al. | Modeling on SCR process of a coal-fired boiler using LSSVM method | |
Guo et al. | Nox prediction of gas turbine based on dual attention and lstm | |
Guihao et al. | Dynamic NOx emission prediction based on composite models adapt to different operating conditions of coal-fired utility boilers |
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 | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20230516 |