一种基于卷积神经网络和XGBoost的烟气脱硫脱硝控制方法技术

本发明专利技术涉及一种基于卷积神经网络和XGBoost的烟气脱硫脱硝控制方法，其包括如下步骤：对电厂脱硫脱硝各部件进行模型构建，建立完整的电厂脱硫脱硝系统仿真模型；利用卷积神经网络模型对电厂脱硫系统出口处烟气中的二氧化硫浓度进行预测，利用XGBoost模型对电厂脱硝系统入口处烟气氮氧化物浓度进行预测；根据二氧化硫浓度预测值对脱硫系统的浆液喷淋量进行控制、根据氮氧化物浓度预测值对脱硝系统的喷氨量进行控制；将浆液喷淋量和喷氨量的控制参数下发至电厂脱硫脱硝系统仿真模型中进行验证和预警分析；本发明专利技术建立了完整的电厂脱硫脱硝系统仿真模型，能直观展示和获知电厂脱硫脱硝的实际运转情况并进行系统参数的调节。调节。调节。

【技术实现步骤摘要】
一种基于卷积神经网络和XGBoost的烟气脱硫脱硝控制方法


[0001]本专利技术属于脱硫脱硝
，具体涉及一种基于卷积神经网络和XGBoost的 烟气脱硫脱硝控制方法。

技术介绍

[0002]随着各项产业的快速发展，随之带来的大气污染也愈加严重，二氧化硫和氮氧化 物的排放量一直居高不下，由此造成大气污染和酸雨的问题也十分严重，而火电厂是 二氧化硫和氮氧化物排放的主要来源之一，因此控制电厂二氧化硫和氮氧化物的排放 迫在眉睫。
[0003]目前脱硫工艺技术按照操作特点分为干法脱硫、半干法脱硫、湿法脱硫，较为常 用的有石灰石
‑
石膏湿法脱硫技术，主要工艺过程包括：位于塔底的氧化风机不断鼓 入氧化空气，而浆液循环泵则不断从吸收塔底部将石灰石浆液抽至上部喷淋层，进入 吸收塔的烟气与上部喷淋下来的石灰石浆液逆方向接触，要想获得较高的脱硫效率， 需要对浆液喷淋量进行精确控制；脱硝技术分为气相反应法脱硝、液相吸收法脱硝、 吸附法脱硝，较为广泛应用的为气相反应法，较为常用的为选择性催化还原法(SCR)， 主要工艺过程包括：储罐里的液氨通过自身的压力进入到液氨蒸发器中，并通过水浴 加热蒸发为氨气，进而进入氨气缓冲罐中稳压后被送入SCR反应区。在进入SCR反 应器之前，使稀释风机送来的空气和氨气进行均匀混合，然后导入SCR反应器中参 与化学反应，要想获得较高的脱硝效率，需要对喷氨量进行精确控制。然而，目前脱 硫脱硝的控制过程仅采用简单的PID控制，无法保证控制的稳定性与精确性；而且系 统实际运行过程中影响控制变量的运行参数较多，造成控制变量的预测难度大，成本 高、效率低。
[0004]基于上述技术问题，需要设计一种新的基于卷积神经网络和XGBoost的烟气脱 硫脱硝控制方法。

技术实现思路

[0005]本专利技术所要解决的技术问题是提供一种基于卷积神经网络和XGBoost的烟气脱 硫脱硝控制方法，能直观展示和获知电厂脱硫脱硝的实际运转情况并进行系统参数的 调节。
[0006]本专利技术的积极效果为：一种基于卷积神经网络和XGBoost的烟气脱硫脱硝控制 方法，其包括如下步骤：步骤一、通过动态仿真软件依据模块化建模方法对电厂脱硫 脱硝各部件进行模型构建，并依据现场控制策略搭建相应控制系统，建立完整的电厂 脱硫脱硝系统仿真模型；步骤二、采集电厂脱硝系统和脱硫系统的历史运行参数，选 取与电厂脱硫强相关的运行参数输入至卷积神经网络模型中对电厂脱硫系统出口处 烟气中的二氧化硫浓度进行预测，选取与电厂脱硝强相关的运行参数输入至XGBoost 模型中对电厂脱硝系统入口处烟气氮氧化物浓度进行预测；步骤三、根据二氧化硫浓 度预测值对脱硫系统的浆液喷淋量进行控制、根据氮氧化物浓度预测值对脱硝系统的 喷氨量进行控制；步骤四、将浆液
喷淋量和喷氨量的控制参数下发至电厂脱硫脱硝系 统仿真模型中进行验证和预警分析。
[0007]进一步的，在步骤一中，电厂脱硫系统选取石灰石
‑
石膏湿法脱硫系统，其至少 包括烟气系统、吸收塔系统、石灰石浆液制备系统、石膏浆液脱水系统、废水处理系 统和电气系统；电厂脱硝系统选取SCR法烟气脱硝系统，其至少包括烟气系统、SCR 反应器系统、声波吹灰系统、液氨的存储和供应系统；
[0008]动态仿真软件依据质量守恒、动量守恒和能量守恒方程，在建模过程中根据石灰 石
‑
石膏湿法脱硫系统和SCR法烟气脱硝系统的工艺流程，从模型库中选取相应的组 件模块并连接起来，输入初始数据，完成电厂脱硫脱硝系统的模型构建；
[0009]依据现场控制策略搭建模拟量控制系统、顺序控制系统和逻辑控制系统，并采用 基本算法模块进行组态，实现与实际控制系统相同的功能，建立完整的电厂脱硫脱硝 系统仿真模型。
[0010]进一步的，电厂脱硫脱硝系统仿真模型还包括：在模型开发调试过程中，对实际 电厂脱硫脱硝系统采集的物理数据和基于电厂脱硫脱硝仿真模型获取的虚拟数据进 行比对，判断误差是否超过阈值，若超过，则通过聚类学习对误差较大的虚拟数据进 行分类，结合对应的历史数据作为输入，通过神经网络进行误差学习，输出修正系数 以修正虚拟数据的误差数据，以及将修正后的虚拟数据和物理数据进行虚实融合生成 经过验证的电厂脱硫脱硝仿真模型。
[0011]进一步的，步骤二中，对电厂脱硫系统出口处烟气中的二氧化硫浓度进行预测具 体包括如下步骤：
[0012]将采集的电厂脱硫系统的历史运行参数作为样本数据，并对该样本数据进行相 关性分析，去除与所述石灰石
‑
石膏湿法脱硫系统出口处烟气中二氧化硫浓度相关性 小于预设值的样本数据，剩余的样本数据作为与脱硫系统强相关的运行数据；所述脱 硫系统历史运行参数至少包括入口处的二氧化硫浓度、氮氧化物浓度、机组负荷、石 灰石浆液循环泵电流、浆液供给量、吸收塔出口烟气二氧化硫浓度和浆液PH值；
[0013]对所述与脱硫系统强相关的运行数据进行数据预处理，并利用预处理 后的数据构建卷积神经网络模型；
[0014]采集与电厂脱硫相关的实时运行数据并输入构建的卷积神经网络模 型中获取电厂脱硫系统出口处烟气中的二氧化硫浓度预测值。
[0015]进一步的，在步骤二中，对所述与脱硫系统强相关的运行数据进行数据 预处理包括如下步骤：
[0016]对与脱硫系统强相关的运行数据进行缺失值和异常值的填补以及归 一化处理，得到预处理后的脱硫数据序列，记为F＝[f1,f2,f3,
…
,f
n
]，f
i
为 与处理后的脱硫数据序列中第i个时刻点的脱硫数据；
[0017]对脱硫数据序列F进行小波阈值去噪处理，将带有噪声的含噪数据进行小波 分解，获取真实数据信息，记为P＝[p1,p2,p3,
…
,p
m
]，p
i
为与真实脱硫数据 序列中第i个时刻点的脱硫数据，并按照预设比例划分为训练集数据和测 试集数据。
[0018]进一步的，利用预处理后的训练集数据构建卷积神经网络模型，包括：
[0019]将真实脱硫数据序列P中第i时刻点的训练集脱硫数据输入卷积神经 网络；
[0020]通过卷积神经网络的卷积层对输入的训练集数据进行特征提取，输出 特征图；
用贪心法计算每个特征的收益，选择收益最大的特征作为分裂特征，并将训练集数据 映射到相应的叶子节点，对生成的叶子节点递归直至达到限制条件，决策树生成过程 结束，然后由损失函数的一阶和二阶导数计算得到决策树叶子节点的权值，作为下一 棵树的拟合目标，重复递归执行直至满足条件为止，模型建立结束。
[0033]进一步的，通过均方根误差RMSE以及平均绝对百分比误差MAPE对预测的入 口处烟气氮氧化物浓度进行正确性评估，计算公式为：
[0034][0035][0036]其中，y
i
为入口处烟气氮氧化物浓度的实际值，为预测入口处烟气氮氧化本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于卷积神经网络和XGBoost的烟气脱硫脱硝控制方法，其特征在于其包括如下步骤：步骤一、通过动态仿真软件依据模块化建模方法对电厂脱硫脱硝各部件进行模型构建，并依据现场控制策略搭建相应控制系统，建立完整的电厂脱硫脱硝系统仿真模型；步骤二、采集电厂脱硝系统和脱硫系统的历史运行参数，选取与电厂脱硫强相关的运行参数输入至卷积神经网络模型中对电厂脱硫系统出口处烟气中的二氧化硫浓度进行预测，选取与电厂脱硝强相关的运行参数输入至XGBoost模型中对电厂脱硝系统入口处烟气氮氧化物浓度进行预测；步骤三、根据二氧化硫浓度预测值对脱硫系统的浆液喷淋量进行控制、根据氮氧化物浓度预测值对脱硝系统的喷氨量进行控制；步骤四、将浆液喷淋量和喷氨量的控制参数下发至电厂脱硫脱硝系统仿真模型中进行验证和预警分析。2.根据权利要求1所述的一种基于卷积神经网络和XGBoost的烟气脱硫脱硝控制方法，其特征在于在步骤一中，电厂脱硫系统选取石灰石
‑
石膏湿法脱硫系统，其至少包括烟气系统、吸收塔系统、石灰石浆液制备系统、石膏浆液脱水系统、废水处理系统和电气系统；电厂脱硝系统选取SCR法烟气脱硝系统，其至少包括烟气系统、SCR反应器系统、声波吹灰系统、液氨的存储和供应系统；动态仿真软件依据质量守恒、动量守恒和能量守恒方程，在建模过程中根据石灰石
‑
石膏湿法脱硫系统和SCR法烟气脱硝系统的工艺流程，从模型库中选取相应的组件模块并连接起来，输入初始数据，完成电厂脱硫脱硝系统的模型构建；依据现场控制策略搭建模拟量控制系统、顺序控制系统和逻辑控制系统，并采用基本算法模块进行组态，实现与实际控制系统相同的功能，建立完整的电厂脱硫脱硝系统仿真模型。3.根据权利要求2所述的一种基于卷积神经网络和XGBoost的烟气脱硫脱硝控制方法，其特征在于电厂脱硫脱硝系统仿真模型还包括：在模型开发调试过程中，对实际电厂脱硫脱硝系统采集的物理数据和基于电厂脱硫脱硝仿真模型获取的虚拟数据进行比对，判断误差是否超过阈值，若超过，则通过聚类学习对误差较大的虚拟数据进行分类，结合对应的历史数据作为输入，通过神经网络进行误差学习，输出修正系数以修正虚拟数据的误差数据，以及将修正后的虚拟数据和物理数据进行虚实融合生成经过验证的电厂脱硫脱硝仿真模型。4.根据权利要求1所述的一种基于卷积神经网络和XGBoost的烟气脱硫脱硝控制方法，其特征在于步骤二中，对电厂脱硫系统出口处烟气中的二氧化硫浓度进行预测具体包括如下步骤：将采集的电厂脱硫系统的历史运行参数作为样本数据，并对该样本数据进行相关性分析，去除与所述石灰石
‑
石膏湿法脱硫系统出口处烟气中二氧化硫浓度相关性小于预设值的样本数据，剩余的样本数据作为与脱硫系统强相关的运行数据；所述脱硫系统历史运行参数至少包括入口处的二氧化硫浓度、氮氧化物浓度、机组负荷、石灰石浆液循环泵电流、浆液供给量、吸收塔出口烟气二氧化硫浓度和浆液PH值；对所述与脱硫系统强相关的运行数据进行数据预处理，并利用预处理后的数据构建卷积神经网络模型；采集与电厂脱硫相关的实时运行数据并输入构建的卷积神经网络模型中获取电厂脱硫系统出口处烟气中的二氧化硫浓度预测值。
5.根据权利要求1所述的一种基于卷积神经网络和XGBoost的烟气脱硫脱硝控制方法，其特征在于在步骤二中，对所述与脱硫系统强相关的运行数据进行数据预处理包括如下步骤：对与脱硫系统强相关的运行数据进行缺失值和异常值的填补以及归一化处理，得到预处理后的脱硫数据序列，记为F＝[f1,f2,f3,
…
,f
n
]，f
i
为与处理后的脱硫数据序列中第i个时刻点的脱硫数据；对脱硫数据序列F进行小波阈值去噪处理，将带有噪声的含噪数据进行小波分解，获取真实数据信息，记为P＝[p1,p2,p3,
…
,p
m
]，p
i
为与真实脱硫数据序列中第i个时刻点的脱硫数据，并按照预设比例划分为训练集数据和测试集数据。6.根据权利要求5所述的一种基于卷积神经网络和XGBoost的烟气脱硫脱硝控制方法，其特征在于利用预处理后的训练集数据构建卷积神经网络模型，包括：将真实脱硫数据序列P中第i时刻点的训练集脱硫数据输入卷积神经网络；通过卷积神经网络的卷积层对输入的训练集数据进行特征提取，输出特征图；通过卷积神经网络的池化层对特征图进行降维处理，得到降维处理后的训练矩阵；将训练矩阵输入预设的分类器，通过分类器输出训练结果f(x)；计算测试集中的数据平均值y；计算卷积神经网络的训练结果f(x)相对于数据平均值y的误差L＝(y
‑
f(x))2，若误差小于预设阈值，则结束对卷积神经网络的训练；x为输入卷积神经网络的数据，x、y、f(x)的取值范围均为正数；其中，在得出输出训练结果...

【专利技术属性】
技术研发人员：殷喆，金飞，袁晓磊，杨春来，李剑锋，曹颖，王斌，包建东，
申请(专利权)人：国家电网有限公司国网河北省电力有限公司电力科学研究院，
类型：发明
国别省市：