一种基于最优训练样本的多模型湿法脱硫效率预测方法技术

本发明专利技术公开了一种基于最优训练样本的多模型湿法脱硫效率预测方法，属于燃煤电厂烟气脱硫技术领域。方法步骤如下：对脱硫系统反应机理分析，确定湿法脱硫系统脱硫效率的影响因素，并采集运行历史数据；根据湿法脱硫系统运行经济模型及脱硫效率筛选运行历史数据，建立最优训练样本；根据最优训练样本，基于多个机器学习加权方法构建脱硫效率模型；获取当前时刻的脱硫效率影响因素，输入到已建立的脱硫效率模型中，得到当前时刻的脱硫效率。通过本发明专利技术的方法，建立了一种脱硫运行参数与脱硫效率之间的非线性模型，为脱硫效率的计算提供了一种新型的计算方法，对脱硫系统的运行和节能降耗具有一定的指导意义。耗具有一定的指导意义。耗具有一定的指导意义。

【技术实现步骤摘要】
一种基于最优训练样本的多模型湿法脱硫效率预测方法


[0001]本专利技术涉及燃煤电厂烟气脱硫
，尤其是涉及一种基于最优训练样本的多模型湿法脱硫效率预测方法。

技术介绍

[0002]超低排放改造后要求燃煤电厂SO2浓度排放浓度须低于35mg/m3，石灰石/石膏湿法脱硫具有技术成熟、可靠性高等众多优点，成为燃煤电厂SO2浓度脱除技术的最佳选择。脱硫效率是反映脱硫系统脱硫水平的重要指标，建立脱硫效率模型、分析影响脱硫效率的主要因素，对于燃煤电厂脱硫系统的节能降耗具有重要的意义。
[0003]脱硫效率作为衡量脱硫系统的重要指标，受烟气流量、出入口烟气温度、浆液pH值、浆液密度、出入口SO2浓度等因素影响，整个输入输出表现为较强的非线性关系。对于脱硫效率的预测，众多学者已开展相关研究并取得较为明显的效果，对于脱硫系统也起到一定的指导作用。但是，大部分研究都是围绕单一的算法进行建模，同时在建模过程中也没有对前期样本的选择进行一定的研究，取得的效果较为局限。
[0004]为此，围绕湿法脱硫系统脱硫效率的预测，对训练样本进行筛选并开展多方法集成，成为燃煤电厂脱硫效率预测过程中亟待解决的问题。

技术实现思路

[0005]本专利技术的目的在于提供一种基于最优训练样本的多模型湿法脱硫效率预测方法，该预测方法建立了一种脱硫运行参数与脱硫效率之间的非线性模型，为脱硫效率的计算提供了一种新型的计算方法，对脱硫系统的运行具有一定的指导意义。
[0006]本专利技术提供一种基于最优训练样本的多模型湿法脱硫效率预测方法，包括以下步骤：步骤101：对湿法脱硫系统的反应机理进行分析，确定湿法脱硫系统的脱硫效率的影响因素，并采集湿法脱硫系统运行历史数据；步骤201：根据湿法脱硫系统运行经济性模型及脱硫效率值筛选运行历史数据，建立最优训练样本；步骤301：根据最优训练样本，基于多个机器学习方法加权构建脱硫效率预测模型；步骤401：获取脱硫效率的实时影响因素，输入到已建立的脱硫效率预测模型中，得到实时脱硫效率值。
[0007]优选地，通过对湿法脱硫系统的反应机理进行分析，确定所述步骤101中脱硫效率的影响因素至少包括机组负荷、原烟气流量、原烟气SO2浓度、原烟气温度、原烟气湿度、原烟气氧气浓度、吸收塔浆液浓度、吸收塔浆液pH值和石灰石浆液量，由DCS控制系统采集脱硫效率及其影响因素的运行历史数据。
[0008]优选地，所述步骤101中脱硫效率的影响因素还包括净烟气流量、净烟气SO2浓度、
净烟气温度、净烟气湿度和净烟气氧气浓度。
[0009]优选地，所述步骤201中运行经济性模型的经济性值是根据单位SO2的脱除成本确定，其计算公式为，公式中，E
SO2
为单位SO2的脱除成本，其单位为元/kg；E为脱除SO2的总成本，其单位为元；m
SO2
为SO2的脱除量，其单位为kg，其中，E包括湿法脱硫系统的电耗、石灰石耗量和工艺水耗量；根据湿法脱硫系统运行经济性模型，得到每个采集样本单位SO2的脱除成本，最优训练样本为单位SO2的脱除成本E
SO2
低于预定值E0且脱硫效率值大于90%的样本数据，其中，预定值E0由运行人员根据运行经验确定。
[0010]优选地，筛选出的最优训练样本数据，作为下一步模型建立的训练数据集，记为(X,Y)=(x1,x2,
…
x
i
,
…
,x
n
,y
n
)=(x
i1
,x
i2
,
…
,x
im
,y
i
)
n
×
m
，其中，X为脱硫效率相关的影响因素，Y为脱硫效率。
[0011]优选地，所述电耗通过对湿法脱硫系统6KV母线处的电量计算得到，所述工艺水耗量通过对工艺水量统计得到，所述石灰石耗量根据一段时间内采购的石灰石的量统计得到。
[0012]优选地，所述步骤301中脱硫效率预测模型是基于多个机器学习方法加权得到，所述机器学习方法为回归方法，所述回归方法包括BP神经网络、最小二乘支持回归机、决策树、CatBoost方法、XGBoost方法、一维卷积神经网络和循环神经网络，对于各种机器学习方法M
j
，j=1,2,
…
, 7，其训练数据集均为(X,Y)，基于此建立多种模型M
j
，获取每种模型M
j
的最优参数，并根据最优参数获取最优模型，在模型训练数据及参数寻优过程中，采用以下公式计算均方根误差的平均值，以评估模型的性能，公式中，y
i
是训练数据集真实值；y
ipre
是训练数据集预测值，n是训练数据集样本个数；根据上述过程，得到每个样本x
i
第M
j
种模型的输出结果O
j(i)
，并根据以下公式得到模型的最终输出值，公式中，λ
j
为第j种模型的权重系数。
[0013]优选地，每种模型M
j
的最优参数通过网格搜索获取，并通过十字交叉验证得到。
[0014]优选地，所述权重系数λj基于每种训练模型的均方根误差e，并通过对e进行归一化处理得到。
[0015]优选地，所述权重系数λj通过比对模型Mj的最终输出值O与实际值的偏差，反向不断训练得到。
[0016]相比现有技术，本专利技术具有以下有益效果：
（1）本专利技术从软测量角度提供了一种脱硫效率的计算方法，计算过程简单、快速，计算精度较高；（2）本专利技术将脱硫系统运行的机理以及历史运行数据有机地结合在一起，提供了一种机理与数据驱动的脱硫效率预测模型，为脱硫系统参数的运行提供了指导；（3）本专利技术从脱硫系统运行经济性和脱硫效率两个角度提供了一种运行历史数据样本筛选的方法，所筛选的样本更经济、脱硫效率更高，更具有代表性，为下一步模型的建立提供了较好的数据基础。
附图说明
[0017]为了更清楚地说明本专利技术具体实施方式或现有技术中的技术方案，下面将对具体实施方式或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图是本专利技术的一些实施方式，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
[0018]图1为本专利技术基于最优训练样本的多模型湿法脱硫效率预测方法的流程示意图；图2为本专利技术图1中根据运行数据模型训练最终建立脱硫效率预测模型的具体流程图。
具体实施方式
[0019]下面将结合实施例对本专利技术的技术方案进行清楚、完整地描述，显然，所描述的实施例是本专利技术一部分实施例，而不是全部的实施例。基于本专利技术中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本专利技术保护的范围。
[0020]在本专利技术的描述中，需要理解的是，术语"中心"、"纵向"、"横本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于最优训练样本的多模型湿法脱硫效率预测方法，其特征在于，包括以下步骤：步骤101：对湿法脱硫系统的反应机理进行分析，确定湿法脱硫系统的脱硫效率的影响因素，并采集湿法脱硫系统运行历史数据；步骤201：根据湿法脱硫系统运行经济性模型及脱硫效率值筛选运行历史数据，建立最优训练样本；步骤301：根据最优训练样本，基于多个机器学习方法加权构建脱硫效率预测模型；步骤401：获取脱硫效率的实时影响因素，输入到已建立的脱硫效率预测模型中，得到实时脱硫效率值。2.根据权利要求1所述的基于最优训练样本的多模型湿法脱硫效率预测方法，其特征在于，通过对湿法脱硫系统的反应机理进行分析，确定所述步骤101中脱硫效率的影响因素至少包括机组负荷、原烟气流量、原烟气SO2浓度、原烟气温度、原烟气湿度、原烟气氧气浓度、吸收塔浆液浓度、吸收塔浆液pH值和石灰石浆液量，由DCS控制系统采集脱硫效率及其影响因素的运行历史数据。3.根据权利要求2所述的基于最优训练样本的多模型湿法脱硫效率预测方法，其特征在于，所述步骤101中脱硫效率的影响因素还包括净烟气流量、净烟气SO2浓度、净烟气温度、净烟气湿度和净烟气氧气浓度。4.根据权利要求1所述的基于最优训练样本的多模型湿法脱硫效率预测方法，其特征在于，所述步骤201中运行经济性模型的经济性值是根据单位SO2的脱除成本确定，其计算公式为，公式中，E
SO2
为单位SO2的脱除成本，其单位为元/kg；E为脱除SO2的总成本，其单位为元；m
SO2
为SO2的脱除量，其单位为kg，其中，E包括湿法脱硫系统的电耗、石灰石耗量和工艺水耗量；根据湿法脱硫系统运行经济性模型，得到每个采集样本单位SO2的脱除成本，最优训练样本为单位SO2的脱除成本E
SO2
低于预定值E0且脱硫效率值大于90%的样本数据，其中，预定值E0由运行人员根据运行经验确定。5.根据权利要求4所述的基于最优训练样本的多模型湿法脱硫效率预测方法，其特征在于，筛选出的最优训练样本数据，作为下一步模型建立的训练数据集，记为(X,Y)=(x1,x2,
…
x
i
,
…
,x
n
,y
n
)=(x
i1
,x
i...

【专利技术属性】
技术研发人员：袁照威，曹书涛，孟磊，李婷彦，张国柱，白玉勇，于静，梁东，杨大洲，夏法鹏，闫欢欢，王刚，杜明生，
申请(专利权)人：大唐环境产业集团股份有限公司，
类型：发明
国别省市：