一种基于机器学习的SCR脱硝系统预测模型优化方法技术方案

本发明专利技术提供了一种基于机器学习的SCR脱硝系统预测模型优化方法，包括如下步骤：步骤S1：采集SCR脱硝系统中锅炉出口的NOx浓度及影响NOx浓度的相关指标的实时样本数据；步骤S2：利用主成分分析进行降维处理；步骤S3：建立支持向量机模型；步骤S4：引入指数衰减模型迭代更新天牛须算法的步长值，优化向量机参数；步骤S5：支持向量机的仿真；步骤S6：重复步骤S1‑S5。本发明专利技术提供了一种基于机器学习的SCR脱硝系统预测模型优化方法，解决现有火电厂都难以实现喷氨量的精确控制的问题，本发明专利技术基于主成分分析法（PCA）对样本数据进行降维处理，通过引入指数衰减模型迭代更新步长值，改进天牛须算法（BAS）寻优获得最优支持向量机模型参数，建立优化的支持向量机回归（SVM）模型。

【技术实现步骤摘要】
一种基于机器学习的SCR脱硝系统预测模型优化方法
本专利技术是一种基于机器学习的SCR脱硝系统预测模型优化方法，涉及岩土工程及隧道工程领域，具体涉及基坑开挖变形实时监测预报及稳定性分析领域。
技术介绍
我国氮氧化物(简称NOx)排放的一半以上来自于煤炭燃烧，NOx污染治理的重点行业之一就是火电业。选择性催化还原技术(SelectiveCatalyticReduction,SCR)是在有催化剂作用的条件下，选择锅炉下游具备300～4000℃烟温的烟道，将还原剂喷入与烟气中的NOx反应，将NOx、还原成无污染的N2和H20。SCR脱硝系统已经成为大型火电机组实现超低排放的重要设备。主要反应方程式为：但实际上因为现场空间的限制以及工艺水平问题，包括临时压负荷等各种因素的影响，导致SCR脱硝反应器入口的烟气流场分布不均匀，这样就会导致反应器出口NOX和NH3的浓度场产生较大的不均匀度。而在环保政策压力下，电厂需要保证NOx排放不超标，由此产生的后果就是过量喷氨，氨逃逸严重超标，造成大量NH4HSO生成，NH4HSO4呈粘性，易堵塞空预器，影响锅炉的安全长效运行。但现阶段大多数的火电厂都难以实现喷氨量的精确控制。专利文献CN109062053A公开了一种基于多变量校正的脱硝喷氨控制方法，。包括：实时获取脱硝系统仪表的测量数据及工况信息；构建SCR脱硝系统入口NOx含量预测模型，预测当前时刻SCR系统入口的NOx含量；基于上述预测的SCR系统入口的NOx含量及测量数据，进行喷氨量前馈控制和预测矫正，生成当前时刻喷氨量控制指令，控制喷氨调阀，调节喷氨量。本申请公开的PSO(粒子群算法)期可能会由于缺乏粒子速度的动态调节，陷入局部最优，导致在收敛后期的收敛精度低和不易收敛。
技术实现思路
本专利技术所要解决的技术问题是，提供了一种基于机器学习的SCR脱硝系统预测模型优化方法，解决现有火电厂都难以实现喷氨量的精确控制的问题，本专利技术基于主成分分析法(PCA)对样本数据进行降维处理，通过引入指数衰减模型迭代更新步长值，改进天牛须算法(BAS)寻优获得最优支持向量机模型参数，建立优化的支持向量机回归(SVM)模型。本专利技术针对电厂NOx排放进行预测，在满足当前NOx排放限额的条件下，致力于优化脱硝系统的喷氨量，防止其过多或过少。提出的PCA-BAS-SVM预测模型，可以提升电厂SCR脱硝反应器入口NOx浓度的预测精度，为下一步脱硝系统的优化运行以及喷氨量的精确控制奠定了基础。为解决上述技术问题，本专利技术采用的技术方案为：一种基于机器学习的SCR脱硝系统预测模型优化方法，该方法包括以下步骤：步骤S1：采集SCR脱硝系统中SCR脱硝反应器入口的NOx浓度及影响NOx浓度的相关指标的实时样本数据；步骤S2：利用主成分分析对步骤S1采集的样本数据进行降维处理；步骤S3：以步骤S2降维后的指标为模型输入，以SCR脱硝反应器入口的NOx浓度为模型输出，建立支持向量机模型；步骤S4：引入指数衰减模型迭代更新天牛须算法的步长值，优化向量机参数；步骤S5：重复步骤S1-S4，建立最终的支持向量机预测模型；步骤S6：更新输入样本数据，预测SCR脱硝反应器入口的NOx浓度，调整喷氨量。其中，步骤S1中相关指标包括锅炉负荷、入口烟气温度、入口烟气流量、一次总风量、二次总风量、炉膛出口温度和烟气含氧量。步骤S2包括如下步骤：2-1.收集影响NOx浓度的相关指标的样本矩阵Xn×(m+a)，其中，(X1，X2，…，Xm，…Xm+a)为总体X的m+a个相关指标，n为一个相关指标所收集样本的维度，m＞n且m＞a；2-2.将样本矩阵Xn×(m+a)的每一行进行零均值化；2-3.再求出样本矩阵Xn×(m+a)的协方差矩阵C：其中，Xn×(m+a)T表示样本矩阵Xn×(m+a)的转置，C代表样本矩阵Xn×(m+a)的协方差矩阵，n为一个相关指标所收集样本的维度；2-4.求出协方差矩阵C的特征值λj及对应的特征向量ωj，其中j＝1,2,...k...,n，λ1≥λ2≥λk……≥λn≥0；2-5.对特征值从大到小进行排序，选择前k个特征值对应的特征向量，记做特征向量矩阵D，D＝[ω1，ω2，...ωk]T；2-6.Z＝Dk×nXn×(m+a)为降维到k维后的数据，降维后的矩阵Z是由m+a个列向量组合而成，记为Z＝(Z1，Z2，…，Zm，…Zm+a)，把数据集Z进行训练集和测试集的划分，使用前m条数据Z1＝(Z1,Z2,…,Zm)作为训练集，后a条数据Z2＝(Zm+1，Zm+2，…，Zm+a)作为测试集,2-7.当前k个主成分累计贡献率≥t时，用降维后的数据Z代替初始的数据集Xn×(m+a)进行操作分析。其中，2-6中t取大于等于85％的常数。步骤S3包括如下步骤：3-1.构建SVM回归函数f(x)在高维特征空间的表达式，假设训练样本集为(x1,y1)，(x2,y2)…，(xm,ym)，则：其中，i＝1,2,...m，，xi为输入矢量，yi为SCR脱硝反应器入口的NOx浓度的真实值，φ(xi)为xi转换到高维空间的映射，ω和b是待确定的模型参数；3-2.引入松弛变量ξi和构造下列目标函数，求解ω和b的最优解，：s.t.f(xi)-yi≤ε+ξi其中，c是惩罚因子，ε为允许存在的偏差，ξi和为松弛变量；3-4.利用最优化理论将式(2)的二次规划问题转变为对偶问题，并求出ω和b的最优解，最终得到支持向量机的回归函数为：其中，和αi为拉格朗日乘子，k是支持向量机的核函数，b为模型参数。3-4中核函数k选择径向基核函数，表达式为：Kg(|x-xi|)＝exp(-g|x-xi|2)(5)式中，Kg为径向基核函数，g为核函数系数，exp为以自然常数e为底的指数函数。步骤S4包括如下步骤：4-1.引入指数衰减模型，用于更新天牛须步长step用xl表示左须坐标，xr表示右须坐标，将天牛抽象为一个质心，x0表示质心坐标，用d0表示两须之间距离，根据指数衰减模型设置可变步长为：其中，t为迭代次数，st为第t次迭代的步长，s0表示初始步长，as为衰减系数，Ts表示指数衰减时间常数；4-2.计算出第t次迭代的左右须坐标：其中，xl为左须坐标，xr为表示右须坐标，为第t次迭代时的质心坐标，为第t次迭代时左右两须之间的距离，dir为表示天牛须朝向的随机向量；4-3.以f(x)作为适应度函数，通过适应度函数f(x)获得左右两须的函数值f(xl)和f(xr)，进行比较后最终确定下一次迭代天牛的质心位置：其中，normal是归一化函数,dir表示天牛须朝向的随机向本文档来自技高网...

【技术保护点】
1.一种基于机器学习的SCR脱硝系统预测模型优化方法，其特征在于，/n该方法包括以下步骤：/n步骤S1：采集SCR脱硝系统中SCR脱硝反应器入口的NOx浓度及影响NOx浓度的相关指标的实时样本数据；/n步骤S2：利用主成分分析对步骤S1采集的样本数据进行降维处理；/n步骤S3：以步骤S2降维后的指标为模型输入，以SCR脱硝反应器入口的NOx浓度为模型输出，建立支持向量机模型；/n步骤S4：引入指数衰减模型迭代更新天牛须算法的步长值，优化向量机参数；/n步骤S5：重复步骤S1-S4，建立最终的支持向量机预测模型；/n步骤S6：更新输入样本数据，预测SCR脱硝反应器入口的NOx浓度，调整喷氨量。/n

【技术特征摘要】
1.一种基于机器学习的SCR脱硝系统预测模型优化方法，其特征在于，
该方法包括以下步骤：
步骤S1：采集SCR脱硝系统中SCR脱硝反应器入口的NOx浓度及影响NOx浓度的相关指标的实时样本数据；
步骤S2：利用主成分分析对步骤S1采集的样本数据进行降维处理；
步骤S3：以步骤S2降维后的指标为模型输入，以SCR脱硝反应器入口的NOx浓度为模型输出，建立支持向量机模型；
步骤S4：引入指数衰减模型迭代更新天牛须算法的步长值，优化向量机参数；
步骤S5：重复步骤S1-S4，建立最终的支持向量机预测模型；
步骤S6：更新输入样本数据，预测SCR脱硝反应器入口的NOx浓度，调整喷氨量。


2.根据权利要求1所述的一种基于机器学习的SCR脱硝系统预测模型优化方法，其特征在于，步骤S1中相关指标包括锅炉负荷、入口烟气温度、入口烟气流量、一次总风量、二次总风量、炉膛出口温度和烟气含氧量。


3.根据权利要求1所述的一种基于机器学习的SCR脱硝系统预测模型优化方法，其特征在于，步骤S2包括如下步骤：
2-1.收集影响NOx浓度的相关指标的样本矩阵Xn×(m+a)，其中，(X1，X2，…，Xm，…Xm+a)为总体X的m+a个相关指标，n为一个相关指标所收集样本的维度，m＞n且m＞a；
2-2.将样本矩阵Xn×(m+a)的每一行进行零均值化；
2-3.再求出样本矩阵Xn×(m+a)的协方差矩阵C：



其中，Xn×(m+a)T表示样本矩阵Xn×(m+a)的转置，C代表样本矩阵Xn×(m+a)的协方差矩阵，n为一个相关指标所收集样本的维度；
2-4.求出协方差矩阵C的特征值λj及对应的特征向量ωj，其中j＝1,2,...k...,n，λ1≥λ2≥λk……≥λn≥0；
2-5.对特征值从大到小进行排序，选择前k个特征值对应的特征向量，记做特征向量矩阵D，D＝[ω1，ω2，...ωk]T；
2-6.Z＝Dk×nXn×(m+a)为降维到k维后的数据，降维后的矩阵Z是由m+a个列向量组合而成，记为Z＝(Z1，Z2，…，Zm，…Zm+a)，把数据集Z进行训练集和测试集的划分，使用前m条数据Z1＝(Z1,Z2,…,Zm)作为训练集，后a条数据Z2＝(Zm+1，Zm+2，…，Zm+a)作为测试集,
2-7.当前k个主成分累计贡献率≥t时，用降维后的数据Z代替初始的数据集Xn×(m+a)进行操作分析。


4.根据权利要求3所述的一种基于机器学习的SCR脱硝系统预测模型优化方法，其特征在于，2-6中t取大于等于85％的常数。


5.根据权利要求3所述的一种基于机器学习的SCR脱硝系统预测模型优化方法，其特征在于，步骤S3包括如下步骤：
3-1.构建SVM回归函数f(x)在高维特征空间的表达式，假设训练样本集为(x1,y1)，(x2,y2)…，(xm,ym)，则：
yi＝ωTφ(xi)+b(2)
其中，i＝1,2,...m，xi为输入矢量，yi为SCR脱硝反应器入口的NOx浓度的真实值，φ(xi)为xi转换到高维空间的映射，ω和b是待确定的模型参数；
3-2.引入松弛变量ξi和构造下列目标函数，求解ω和b的最优解：



s.t.f(xi)-yi≤ε...

【专利技术属性】
技术研发人员：易辉，姜子安，徐芳，刘宇芳，费兆阳，
申请(专利权)人：南京工业大学，
类型：发明
国别省市：江苏;32