一种基于极限学习机的脱硫系统多工况预测方法技术方案

本发明专利技术提供了基于极限学习机的脱硫系统多工况预测方法，获取火电厂锅炉及脱硫系统运行参数历史数据，按照六个标记位特征参数进行工况分类，确定相应工况训练数据集；针对训练数据集，基于贝叶斯算法建立不同工况的分类模型，选取合适的建模样本集；利用皮尔森系数估算变量的延迟时间，通过延迟时间对建模数据进行重组；利用重组后的数据集，基于极限学习机算法建立不同标记工况SO2预测模型；将系统实时数据输入分类模型，判断出系统实时的工况类别，采用相应的预测模型预测SO2排放浓度。本发明专利技术的方法在减少延迟时间影响的前提下，基于锅炉运行数据判断出系统当前所属工况，切换不同工况预测模型，提高出口SO2的预测效率和精度。提高出口SO2的预测效率和精度。提高出口SO2的预测效率和精度。

【技术实现步骤摘要】
一种基于极限学习机的脱硫系统多工况预测方法


[0001]本专利技术涉及计算机建模预测
，具体但不限于涉及一种基于极限学习机的脱硫系统多工况预测方法。

技术介绍

[0002]随着环境问题的日益突出，在中国严格的二氧化硫排放控制的环保政策下，烟气脱硫(Flue Gas Desulfurization，FGD)在火电厂得到了广泛的应用，大大降低了我国发电厂的大气污染物排放，改善了环境。
[0003]由于脱硫过程呈现出多工况、大迟滞的特点，分布式控制系统统(distributed control system，DCS)当前时刻记录的参数值并不能准确预测净烟气中SO2的浓度，因此系统中关键参数的延迟时间及脱硫过程所处的工况成为影响建立SO2浓度模型的重要因素。随着电厂自动化程度的不断提高，锅炉机组及其他烟气处理设备的状态和参数可以通过传感器检测并记录在数据库中，但是这些数据并没有被很好地利用起来。因此这些数据为我们优化SO2预测模型提供了新的思路。
[0004]有鉴于此，需要提供一种新的预测方法，以期解决上述至少部分问题。
本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于极限学习机的脱硫系统多工况预测方法，其特征在于，包括：步骤1：获取锅炉机组及脱硫系统的运行参数的历史数据，选择确定锅炉不同运行工况的标记位特征参数，按照标记位特征参数对火电厂锅炉及脱硫系统的历史数据进行工况分类；步骤2：基于贝叶斯分类算法对不同工况下的历史数据进行训练，建立不同工况下的朴素贝叶斯分类模型；步骤3：利用皮尔森系数法估算烟气各参数、吸收塔浆液密度、浆液循环泵流量的延迟时间，根据延迟时间对历史数据样本进行重组预处理，得到重构数据样本集；步骤4：基于重构数据样本集，采用极限学习机算法分别建立不同工况的SO2预测模型；步骤5：获取系统实时运行数据并输入朴素贝叶斯分类模型，得到脱硫系统的实时工况类别，根据不同的工况类别切换至对应工况的SO2预测模型；步骤6：将系统实时运行数据输入至对应的预测模型中，得到SO2排放浓度的预测值。2.根据权利要求1所述的基于极限学习机的脱硫系统多工况预测方法，其特征在于，步骤1中标记位特征参数包括：锅炉负荷W、燃气轮机转速r、锅炉出口烟气含氧量Q、锅炉出口烟气流量F、锅炉出口烟气温度T、锅炉出口烟气流速V、一次风机电流I、燃料投入量M、蒸汽温度T、压力P，工况分类的类别包括启动、并网/供能、解裂、停炉、停运、事故等6个工况状态。3.根据权利要求2所述的基于极限学习机的脱硫系统多工况预测方法，其特征在于，所述6个工况的状态特征为：启动工况的状态特征：锅炉启动，锅炉出口烟气含氧量Q逐渐降低，锅炉出口烟气流速V逐渐升高并超过2m/s，锅炉出口烟气温度T逐渐升高并大于40℃；并网/供能工况的状态特征：燃气轮机转速r≈3000r/min，锅炉出口烟气温度T≈540℃，一次风机电流I>0，风机启动；解裂工况的状态特征：燃料投入量M逐渐降低，锅炉负荷W逐渐降低至50％；停炉工况的状态特征：锅炉出口烟气流速V、锅炉出口烟气流量F、锅炉出口烟气温度T都逐渐降低，锅炉出口烟气含氧量Q逐渐升高；停运工况的状态特征：锅炉出口烟气含氧量Q>18％，锅炉出口烟气流速V<1.8m/s，锅炉出口烟气流量F小于额定工况15％，锅炉出口烟气温度T<30℃；事故工况的状态特征：废气排口自动监测数据超标、部分设备参数异常波动。4.根据权利要求1所述的基于极限学习机的脱硫系统多工况预测方法，其特征在于，步骤2中建立不同工况下的朴素贝叶斯分类模型具体步骤包括：步骤2
‑
1：选取锅炉负荷W、燃气轮机转速r、锅炉出口烟气含氧量Q、锅炉出口烟气流量F、锅炉出口烟气温度T、锅炉出口烟气流速V、一次风机电流I、燃料投入量M、蒸汽温度T、压力P等10个关键变量作为分类模型的特征属性，将上述特征属性对应的历史数据作为分类模型的训练样本，同时根据各工况的状态特征标记各训练样本的工况类型；步骤2
‑
2：分别计算训练样本中各工况的样本出现的频率P(工况)，将每个特征属性的样本按照该特征属性在工况变化时的临界值进行划分，计算划分后的各特征属性的样本在训练样本中出现的频率P(变量)，再计算划分后的各特征属性的样本在各工况下出现的条件概率P(变量|工况)；
步骤2
‑
3：基于朴素贝叶斯理论，计算各工况的样本在划分后的各特征属性下出现的条件概率：步骤2
‑
4：计算训练样本在各工况下的概率和：S(工况)＝∑P(工况|变量)S(工况)的最大值所对应的工况类型为该样本所属工况类型，并输出样本的工况类型编号。5.根据权利要求4所述的基于极限学习机的脱硫系统多工况预测方法，其特征在于，步骤2
‑
2中特征属性在工况变化时的临界值包括：锅炉负荷W：{W≤20％，20％＜W＜50％，W≥50％}燃气轮机转速r：{r≤2000，2000<r<3500，r≥3500}锅炉出口烟气含氧量Q：{Q≤5％，5％＜Q＜10％，Q≥10％}锅炉出口烟气流量F：{F<0.15*F，F≥0.15*F}锅炉出口烟气温度T：{T≤40℃，40℃＜T<540℃，T≥540℃}锅炉出口烟气流速V：{V<1.8m/s，V≥1.8m/s}一次风机电流I：{I<0.15*I，I≥0.15*I}燃料投入量M：{M<0.15*M，M≥0.15*M}蒸汽温度T
′
：{T
′
≤400℃，400℃＜T
′
<600℃，T
′
≥6...

【专利技术属性】
技术研发人员：薄翠梅，张晨，李俊，张泉灵，俞辉，张登峰，
申请(专利权)人：南京工业大学，
类型：发明
国别省市：