基于智能化KNN机制的燃煤锅炉NO制造技术

本发明专利技术提供了一种基于智能化KNN机制的燃煤锅炉NO

【技术实现步骤摘要】
基于智能化KNN机制的燃煤锅炉NO
x
排放预测方法


[0001]本专利技术涉及燃煤锅炉运营
，具体地说是一种基于智能化KNN机制的燃煤锅炉NO
x
排放预测方法。

技术介绍

[0002]燃煤发电中氮氧化物(NO
x
，例如NO和NO2)的产生是环境污染的一个重要来源，世界上许多国家都严格控制NO
x
排放浓度。例如，中国的发电厂必须确保其锅炉燃烧产生的NO
x
排放符合排放标准；否则，他们将受到生态和环境专业部门的严厉惩罚。因此，有必要对燃煤锅炉用户进行NO
x
监测和排放浓度控制。
[0003]NO
x
控制技术主要分为两类：燃烧过程控制和烟气脱硝。燃烧过程控制技术试图通过调整可控变量(如过量空气系数、空气分配模式和一次空气与二次空气的比率)来降低NO
x
。燃煤锅炉是一个复杂的强耦合系统，其NO
x
排放特性受燃料类型、锅炉负荷、燃烧器类型和运行模式等多种因素的影响，涉及湍流、燃烧、传热传质等过程。因此，很难建立基于燃烧参数的NO
x
预测模型。烟气脱硝技术用于通过检测锅炉排放气体中的NO
x
含量来控制脱硝系统中还原剂的输出。相比之下，由于中小型锅炉燃烧过程控制中存在许多问题，所以当前主要采用烟气脱硝的方法。
[0004]目前，选择性催化还原(Selective Catalytic Reduction,SCR)因其高NO
x
去除效率和无二次污染成为烟气脱硝控制系统的核心技术。首先，控制系统设置氨氮摩尔比参数。其次，根据当前烟气的流速、SCR NO
x
入口的浓度和氨氮摩尔比参数，系统计算出合适的还原剂流速(如氨)。最后，通过流量比例积分微分(Proportion Integral Differential,PID)改变氨气阀的开度来调整还原剂的实际流量。这种控制方法类似于开环控制，然后脱硝系统根据静态物理性质计算还原剂的需求量。
[0005]煤燃烧过程中NO
x
的产生和排放与燃烧方式密切相关，特别是燃烧温度和过量空气系数。在实际应用中，锅炉燃烧参数变化较大，导致喷氨系统进出口氧含量和氮氧化物含量变化较大。由于注氨调节响应时间约为3分钟，调节滞后严重；此外，长期在多尘环境中运行的NO
x
测量仪器特别容易发生局部畸变，且其定期清洗和校准会使测量值发生突变。因此，即使采用脱硝系统，锅炉出口NO
x
仍经常超标。另外，目前的烟气脱硝技术通常采用在线监测NO
x
的方法。然而，在线监测仪器价格昂贵，运行和维护成本高，这大大增加了发电厂的负担。
[0006]以软件测量代替硬件测量是烟气脱硝的发展趋势。中小型锅炉在世界上占很大比例；因此，建立适合中小型锅炉的实时预测模型是一个重要的课题。

技术实现思路

[0007]本专利技术的目的就是提供一种基于智能化KNN机制的燃煤锅炉NO
x
排放预测方法，该方法以软件测量的方式代替硬件测量，能够准确地预测NO
x
的排放量。
[0008]本专利技术是这样实现的：一种基于智能化KNN机制的燃煤锅炉NO
x
排放预测方法，包
括如下步骤：
[0009]a、构建知识库；具体是：从现有燃煤电厂存储的数据中选取若干元组数据，每一元组数据均包括30维的燃烧输入参数以及锅炉A侧和B侧的NO
x
输出浓度；从30维燃烧输入参数中选取单位负荷、总风量和炉膛温度3个参数，并以这3个参数为坐标轴建立直角坐标系，将直角坐标系空间平均划分成M3个小长方体空间，8≤M≤15；并使所选取的若干元组数据分别分布于对应的小长方体空间中，从而构建形成知识库；
[0010]b、依据锅炉A侧的NO
x
输出浓度对知识库中元组数据进行分类；具体是：针对A侧NO
x
输出浓度，采用上限函数将A侧NO
x
输出浓度的范围[minA,maxA]划分为s个区间，将每一区间的元组数据集合起来形成一个聚类，获得包含s个聚类的集合cSetA＝{C1,
…
,C
s
}；集合cSetA中每一聚类包含若干元组数据，各聚类C
i
中元组数据互不相交，且所有聚类的元组数据取并集构成知识库中元组数据；minA指在知识库的元组数据中，A侧NO
x
输出浓度的最小值，maxA指在知识库的元组数据中，A侧NO
x
输出浓度的最大值；s为整数；1≤i≤s；
[0011]c、对于待测新元组t，首先根据新元组t的30维的燃烧输入参数，判定新元组t所属的聚类，得到至少一个候选聚类；当候选聚类为多个时，使候选聚类对应的单位负荷、总风量和炉膛温度3个输入参数的区间与新元组t在知识库小长方体空间对应的区间取交集，将交集最大的一个或多个对应的候选聚类记为关键聚类；当多个候选聚类与小长方体的体积交集均为小长方体体积时，这些聚类均为关键聚类；当候选聚类为一个时，该候选聚类即为关键聚类；
[0012]d、从关键聚类中寻找待测新元组t的K个最近邻元组<t1,
…
,t
K
>，依据如下公式计算各最近邻元组t
i
的权重w
i
；i＝1,
…
,K；
[0013][0014]a
i
＝log2((c
c
+1)(c
r
+1))/(d(t,t
i
)+d
mean
)
[0015][0016]c
c
表示与最近邻元组t
i
在同一个关键聚类的K个最近邻元组<t1,
…
,t
K
>的数目，c
r
表示与最近邻元组t
i
在知识库中属于同一个小长方体的K个最近邻元组<t1,
…
,t
K
>的数目；d(t,t
i
)表示待测新元组t与最近邻元组t
i
之间的距离；
[0017]e、依据如下公式计算待测新元组t的A侧的NO
x
输出浓度；
[0018]t.y'1＝w1t1.y1+
…
+w
K
t
K
.y1[0019]其中，t.y'1即为预测得出的新元组t的A侧的NO
x
输出浓度；t1.y1为最近邻元组t1的A侧的NO
x
输出浓度，t
K
.y1为最近邻元组t
K
的A侧的NO
x
输出浓度本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于智能化KNN机制的燃煤锅炉NO
x
排放预测方法，其特征是，包括如下步骤：a、构建知识库；具体是：从现有燃煤电厂存储的数据中选取若干元组数据，每一元组数据均包括30维的燃烧输入参数以及锅炉A侧和B侧的NO
x
输出浓度；从30维燃烧输入参数中选取单位负荷、总风量和炉膛温度3个参数，并以这3个参数为坐标轴建立直角坐标系，将直角坐标系空间平均划分成M3个小长方体空间，8≤M≤15；并使所选取的若干元组数据分别分布于对应的小长方体空间中，从而构建形成知识库；b、依据锅炉A侧的NO
x
输出浓度对知识库中元组数据进行分类；具体是：针对A侧NO
x
输出浓度，采用上限函数将A侧NO
x
输出浓度的范围[minA,maxA]划分为s个区间，将每一区间的元组数据集合起来形成一个聚类，获得包含s个聚类的集合cSetA＝{C1,
…
,C
s
}；集合cSetA中每一聚类包含若干元组数据，各聚类C
i
中元组数据互不相交，且所有聚类的元组数据取并集构成知识库中元组数据；minA指在知识库的元组数据中，A侧NO
x
输出浓度的最小值，maxA指在知识库的元组数据中，A侧NO
x
输出浓度的最大值；s为整数；1≤i≤s；c、对于待测新元组t，首先根据新元组t的30维的燃烧输入参数，判定新元组t所属的聚类，得到至少一个候选聚类；当候选聚类为多个时，使候选聚类对应的单位负荷、总风量和炉膛温度3个输入参数的区间与新元组t在知识库小长方体空间对应的区间取交集，将交集最大的一个或多个对应的候选聚类记为关键聚类；当候选聚类为一个时，该候选聚类即为关键聚类；d、从关键聚类中寻找待测新元组t的K个最近邻元组<t1,
…
,t
K
>，依据如下公式计算各最近邻元组t
i
的权重w
i
；i＝1,
…
,K；a
i
＝log2((c
c
+1)(c
r
+1))/(d(t,t
i
)+d
mean
)c
c
表示与最近邻元组t
i
在同一个关键聚类的K个最近邻元组<t1,
…
,t
K
>的数目，c
r
表示与最近邻元组t
i
在知...

【专利技术属性】
技术研发人员：朱亮，宋鑫，
申请(专利权)人：河北大学，
类型：发明
国别省市：