一种SCR入口NOx浓度在线预测方法及装置制造方法及图纸

本发明专利技术公开了一种SCR入口NOx浓度在线预测方法，该方法包括以下步骤：获得当前时间周期的运行参数数据，运行参数数据包括负荷、给煤量、风门阀位和烟气含氧量；将运行参数数据输入到预先在线训练启用的NOx排放模型中，获得当前时间周期对应的SCR入口的NOx浓度预测值。应用本发明专利技术实施例所提供的技术方案，通过在线训练得到的NOx排放模型进行NOx浓度的预测，提高了NOx浓度预测的准确率。本发明专利技术还公开了一种SCR入口NOx浓度在线预测装置，具有相应技术效果。

On line prediction method and device for SCR inlet NOx concentration

The invention discloses a prediction method for the SCR entrance NOx concentration online, the method comprises the following steps: obtain operation parameters data of the current time period, the operating parameters including the load, the quantity of coal, air valve and flue gas oxygen content; parameters data input to advance online training enabled NOx emission model, forecast the value of NOx concentrations corresponding to the current time period SCR entrance. By applying the technical scheme provided by the embodiment of the invention, the NOx emission model is obtained by on-line training, and the prediction of the NOx concentration is improved, and the accuracy of the NOx concentration prediction is improved. The invention also discloses a SCR inlet NOx concentration on-line prediction device, which has corresponding technical effects.

【技术实现步骤摘要】
一种SCR入口NOx浓度在线预测方法及装置
本专利技术涉及计算机应用
，特别是涉及一种SCR入口NOx浓度在线预测方法及装置。
技术介绍
煤炭是重要的一次能源，煤电机组的发电量占总发电量的70％以上，煤粉炉燃烧产生的氮氧化物NOx是目前大气氮氧化物污染的主要来源。随着社会生产生活水平的提高，人们的环保意识逐渐增强。严格控制煤电机组的氮氧化物排放，是解决大气氮氧化物污染问题的重要手段之一。目前，常通过建立NOx浓度预测模型进行NOx浓度预测，其中一种NOx浓度预测模型的建模方法是基于神经网络的建模，步骤如下：(1)确定神经网络的结构；(2)从DCS中获取数据作为训练样本集；(3)初始化权值和阈值；(4)输入训练样本，将训练样本逐一输入；(5)计算输入层、输出层、隐含层的训练误差；(6)修正权值和阈值；(7)当样本集中的所有样本都经历了(4)-(6)步，即完成了一个训练周期，计算性能指标；(8)如果性能指标满足精度要求，训练结束。基于神经网络的建模，需要庞大的训练样本集合，如果样本不足将会导致模型精度的下降，使得对于NOx浓度预测的准确率较低。
技术实现思路
本专利技术的目的是提供一种SCR入口的NOx浓度在线预测方法及装置，以通过在线训练得到的NOx排放模型进行NOx浓度的预测，提高NOx浓度预测的准确率。为解决上述技术问题，本专利技术提供如下技术方案：一种SCR入口NOx浓度在线预测方法，包括：获得当前时间周期的运行参数数据，所述运行参数数据包括负荷、给煤量、风门阀位和烟气含氧量；将所述运行参数数据输入到预先在线训练启用的NOx排放模型中，获得所述当前时间周期对应的SCR入口的NOx浓度预测值。在本专利技术的一种具体实施方式中，还包括：如果连续M个时间周期的NOx浓度预测值与相应的NOx浓度实测值的差值绝对值大于预设阈值，则启动所述NOx排放模型的在线训练，M为预设数值。在本专利技术的一种具体实施方式中，通过以下步骤预先在线训练得到所述NOx排放模型：初始化NOx排放预测的T-S模糊模型；在线获得样本数据，所述样本数据包括输入样本数据和输出样本数据，所述输入样本数据包括多个时间周期的负荷、给煤量、风门阀位、烟气含氧量，所述输出样本数据包括各个时间周期对应的所述SCR入口的NOx浓度实测值；基于所述样本数据构建NOx排放预测的自回归滑动平均ARMA模型；确定所述T-S模糊模型的前件结构；对所述输入样本数据进行模糊划分；对所述T-S模糊模型的后件参数进行辨识；利用所述输入样本数据，对所述T-S模糊模型进行训练，直至各时间周期对应的NOx浓度预测值与相应时间周期对应的NOx浓度实测值的差值绝对值小于或等于预设阈值，将训练后的所述T-S模糊模型确定为所述NOx排放模型，并启用所述NOx排放模型。在本专利技术的一种具体实施方式中，所述样本数据为进行归一化处理后的数据。在本专利技术的一种具体实施方式中，所述对所述T-S模糊模型的后件参数进行辨识，包括：针对任意一个模糊规则下的所述ARMA模型，通过最小二乘法进行后件参数的辨识。一种SCR入口NOx浓度在线预测装置，包括：运行参数数据获得模块，用于获得当前时间周期的运行参数数据，所述运行参数数据包括负荷、给煤量、风门阀位和烟气含氧量；NOx浓度预测模块，用于将所述运行参数数据输入到预先在线训练启用的NOx排放模型中，获得所述当前时间周期对应的SCR入口的NOx浓度预测值。在本专利技术的一种具体实施方式中，还包括在线训练启动模块，用于：如果连续M个时间周期的NOx浓度预测值与相应的NOx浓度实测值的差值绝对值大于预设阈值，则启动所述NOx排放模型的在线训练，M为预设数值。在本专利技术的一种具体实施方式中，还包括NOx排放模型获得模块，用于通过以下步骤预先在线训练得到所述NOx排放模型：初始化NOx排放预测的T-S模糊模型；在线获得样本数据，所述样本数据包括输入样本数据和输出样本数据，所述输入样本数据包括多个时间周期的负荷、给煤量、风门阀位、烟气含氧量，所述输出样本数据包括各个时间周期对应的所述SCR入口的NOx浓度实测值；基于所述样本数据构建NOx排放预测的自回归滑动平均ARMA模型；确定所述T-S模糊模型的前件结构；对所述输入样本数据进行模糊划分；对所述T-S模糊模型的后件参数进行辨识；利用所述输入样本数据，对所述T-S模糊模型进行训练，直至各时间周期对应的NOx浓度预测值与相应时间周期对应的NOx浓度实测值的差值绝对值小于或等于预设阈值，将训练后的所述T-S模糊模型确定为所述NOx排放模型，并启用所述NOx排放模型。在本专利技术的一种具体实施方式中，所述样本数据为进行归一化处理后的数据。在本专利技术的一种具体实施方式中，所述NOx排放模型获得模块，具体用于：针对任意一个模糊规则下的所述ARMA模型，通过最小二乘法进行后件参数的辨识。应用本专利技术实施例所提供的技术方案，获得当前时间周期的运行参数数据后，将运行参数数据输入到预先在线训练启用的NOx排放模型中，获得当前时间周期对应的SCR入口的NOx浓度预测值。通过在线训练得到的NOx排放模型进行NOx浓度的预测，提高了NOx浓度预测的准确率。附图说明为了更清楚地说明本专利技术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专利技术的一些实施例，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为本专利技术实施例中一种SCR入口NOx浓度在线预测方法的实施流程图；图2为本专利技术实施例中建模原理示意图；图3为本专利技术实施例中一种SCR入口NOx浓度在线预测装置的结构示意图。具体实施方式为了使本
的人员更好地理解本专利技术方案，下面结合附图和具体实施方式对本专利技术作进一步的详细说明。显然，所描述的实施例仅仅是本专利技术一部分实施例，而不是全部的实施例。基于本专利技术中的实施例，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，都属于本专利技术保护的范围。参见图1所示，为本专利技术实施例所提供的一种SCR入口NOx浓度在线预测方法的实施流程图，该方法可以包括以下步骤：S110：获得当前时间周期的运行参数数据。运行参数数据包括负荷、给煤量、风门阀位和烟气含氧量。在煤电机组正常运行过程中，每个时间周期的运行参数数据存在一定的差别，在不同的运行参数数据下，产生的SCR入口的NOx浓度也会有所不同。运行参数数据包括负荷、给煤量、风门阀位和烟气含氧量。获得当前时间周期的运行参数数据，具体的，可以从DCS(DistributedControlSystem，分布式控制系统)中获取当前时间周期的运行参数数据。S120：将运行参数数据输入到预先在线训练启用的NOx排放模型中，获得当前时间周期对应的SCR入口的NOx浓度预测值。在本专利技术实施例中，通过在线训练得到NOx排放模型。该NOx排放模型的输入为负荷、给煤量、风门阀位、烟气含氧量，该NOx排放模型的输出为SCR入口NOx浓度。在线训练得到NOx排放模型后，启用该NOx排放模型。SCR为选择性催化还原系统，火电厂用于处理NOx的一套系统，SCR入口表示该系统的入口位置。将当前时间周期的运行参数数据输入到预先在线训练本文档来自技高网...

【技术保护点】
一种SCR入口NOx浓度在线预测方法，其特征在于，包括：获得当前时间周期的运行参数数据，所述运行参数数据包括负荷、给煤量、风门阀位和烟气含氧量；将所述运行参数数据输入到预先在线训练启用的NOx排放模型中，获得所述当前时间周期对应的SCR入口的NOx浓度预测值。

【技术特征摘要】
1.一种SCR入口NOx浓度在线预测方法，其特征在于，包括：获得当前时间周期的运行参数数据，所述运行参数数据包括负荷、给煤量、风门阀位和烟气含氧量；将所述运行参数数据输入到预先在线训练启用的NOx排放模型中，获得所述当前时间周期对应的SCR入口的NOx浓度预测值。2.根据权利要求1所述的方法，其特征在于，还包括：如果连续M个时间周期的NOx浓度预测值与相应的NOx浓度实测值的差值绝对值大于预设阈值，则启动所述NOx排放模型的在线训练，M为预设数值。3.根据权利要求1或2所述的方法，其特征在于，通过以下步骤预先在线训练得到所述NOx排放模型：初始化NOx排放预测的T-S模糊模型；在线获得样本数据，所述样本数据包括输入样本数据和输出样本数据，所述输入样本数据包括多个时间周期的负荷、给煤量、风门阀位、烟气含氧量，所述输出样本数据包括各个时间周期对应的所述SCR入口的NOx浓度实测值；基于所述样本数据构建NOx排放预测的自回归滑动平均ARMA模型；确定所述T-S模糊模型的前件结构；对所述输入样本数据进行模糊划分；对所述T-S模糊模型的后件参数进行辨识；利用所述输入样本数据，对所述T-S模糊模型进行训练，直至各时间周期对应的NOx浓度预测值与相应时间周期对应的NOx浓度实测值的差值绝对值小于或等于预设阈值，将训练后的所述T-S模糊模型确定为所述NOx排放模型，并启用所述NOx排放模型。4.根据权利要求3所述的方法，其特征在于，所述样本数据为进行归一化处理后的数据。5.根据权利要求3所述的方法，其特征在于，所述对所述T-S模糊模型的后件参数进行辨识，包括：针对任意一个模糊规则下的所述ARMA模型，通过最小二乘法进行后件参数的辨识。6.一种SCR入口NOx浓度在线预测装置，其特征...

【专利技术属性】
技术研发人员：汪自翔，胡建根，尹峰，罗志浩，苏烨，张江丰，
申请(专利权)人：杭州意能电力技术有限公司，
类型：发明
国别省市：浙江,33