The invention discloses a method for predicting NOx emission concentration of coal-fired units based on Unscented Kalman filter least squares support vector machine. Through the analysis of field data and theory, the input and output variables of the dynamic model of denitrification system are determined. The NOX emission concentration prediction at the current time is completed by calculating the parameters of the dynamic model of denitrification system offline. The unscented Kalman filter is used to update the values of the nuclear parameters_and the model parameters alpha and b, and the support vector samples are updated to predict the NOX emission concentration at the next time. \u3002 The method proposed by the invention can accurately predict the emission concentration of NOx, not only help to further improve the regulation quality of the selective catalytic reduction denitrification control system, but also can be used to judge whether the field data are true and accurate, and provide a basis for the supervision and enforcement of the environmental protection department.
【技术实现步骤摘要】
基于无迹卡尔曼滤波最小二乘支持向量机的NOx排放浓度预测方法
本专利技术属于火电环保监测
，具体涉及一种基于无迹卡尔曼滤波最小二乘支持向量机(UnscentedKalmanFilter–LeastSquaresSupportVectorMachine，UKF-LSSVM)的NOx(氮氧化物)排放浓度预测方法。
技术介绍
随着节能减排政策的大力推行，氮氧化物的排放愈来愈受到环保部门的重视。电站燃煤锅炉是环境中氮氧化物的重要来源之一，目前火电厂中所广泛使用的是选择性催化还原(SelectiveCatalystReduction,SCR)脱硝技术。但是由于脱硝系统内部复杂，且各参数变量间耦合关联严重，建立相应的物理模型存在很大困难。随着分布式控制系统的广泛应用，大量机组和辅机设备与运行状态相关的运行参数都被记录下来，而且随着各种人工智能和先进算法的发展和在工业上的成功应用，对于脱硝系统的系统数据建模研究得到了发展。现在对于燃煤机组排放NOx排放浓度预测建模的工作相对较少，利用机组相关运行参数，对燃煤机组排放NOx排放浓度进行精确预测，可以用来判断现场采集数据是否真...
【技术保护点】
1.基于无迹卡尔曼滤波最小二乘支持向量机的NOx排放浓度预测方法，其特征是：包括以下步骤：S1：选择燃煤机组排放NOx浓度作为预测输出，确定与该浓度相关的状态参数作为模型的输入变量；S2：以相同频率采样，采用改进观测量变化率方法和上下限归一方法分别对原始数据进行粗大误差的去除和归一化处理；S3：根据动态模型输入输出结构，选择初始样本数据，基于最小二乘支持向量机方法离线计算脱硝系统动态模型的初始参数α、b和σ，同时得出模型预测函数；S4：根据模型预测函数，由前一时刻输入计算当前时刻的模型预测值，并且计算模型预测误差；S5：判断误差是否超过允许的最大误差，若未超过误差阈值，则动...
【技术特征摘要】
1.基于无迹卡尔曼滤波最小二乘支持向量机的NOx排放浓度预测方法，其特征是：包括以下步骤：S1：选择燃煤机组排放NOx浓度作为预测输出，确定与该浓度相关的状态参数作为模型的输入变量；S2：以相同频率采样，采用改进观测量变化率方法和上下限归一方法分别对原始数据进行粗大误差的去除和归一化处理；S3：根据动态模型输入输出结构，选择初始样本数据，基于最小二乘支持向量机方法离线计算脱硝系统动态模型的初始参数α、b和σ，同时得出模型预测函数；S4：根据模型预测函数，由前一时刻输入计算当前时刻的模型预测值，并且计算模型预测误差；S5：判断误差是否超过允许的最大误差，若未超过误差阈值，则动态模型不校正，模型参数不变，回到步骤S4继续计算下一时刻的模型预测值；若超过误差阈值，则通过无迹变换更新模型参数σ，α和b，同时更新训练样本数据，回到步骤S4继续计算下一时刻的模型预测值。2.根据权利要求1所述的基于无迹卡尔曼滤波最小二乘支持向量机的NOx排放浓度预测方法，其特征在于：所述的步骤S1中采用皮尔逊相关系数r衡量变量的相关性：式中，xi为燃煤机组排放NOx浓度的第i次采样值，yi为与NOx浓度相关的状态参数的第i次采样值，N为采样总数，分别是两组变量的平均值；r的值越大表示两个变量的相关性越大，设定相关性阈值r0，选择r值超过r0的状态参数作为输入变量。3.根据权利要求1所述的基于无迹卡尔曼滤波最小二乘支持向量机的NOx排放浓度预测方法，其特征是：步骤S2所述的粗大误差的去除和归一化处理包括以下步骤：S2.1：采用改进观测量变化率检验方法，通过判断当前时刻与前一时刻的观测量变化量是否超过3倍标准差来消除粗大误差，以相邻两时刻之间的变化量为对象，对3倍标准差准则改进，使得阈值具有自适应性，计算公式如下：Δxj＝x(n-Nh+j)-x(n-Nh+j-1)(2)式中，j＝2,3,…Nh；由此求得改进观测量变化率检验方法的并用于3倍标准差准则进行粗大误差的判断；S2.2：采用上下限归一方法，将样本数据全部归一到[0,1]之间，公式如下：式中，x、x'分别为归一化前后样本值，xmin、xmax样本数据中的最小值和最大值。4.根据权利要求1所述的基于无迹卡尔曼滤波最小二乘支持向量机的NOx排放浓度预测方法，其特征是：步骤S3所述的基于最小二乘支持向量机方法离...
【专利技术属性】
技术研发人员：张友卫，曹硕硕，周春蕾，曾令超，帅云峰，孙栓柱，李益国，王林，李春岩，杨晨琛，李逗，
申请(专利权)人：江苏方天电力技术有限公司，东南大学，国网江苏省电力有限公司，国家电网公司，
类型：发明
国别省市：江苏,32
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。