一种基于BWOA-BiGRU-LAM的SCR出口NOx排放预测方法技术

本发明专利技术公开了一种基于BWOA

【技术实现步骤摘要】
一种基于BWOA
‑
BiGRU
‑
LAM的SCR出口NOx排放预测方法


[0001]本专利技术属于燃煤电站SCR烟气脱硝
，尤其涉及一种基于BWOA
‑
BiGRU
‑
LAM的SCR出口NOx排放预测方法。

技术介绍

[0002]燃煤电站是我国电力生产工业的主体，它既是能耗大户同时也是氮氧化物(NOx)等大气污染物的重大排放源。尤其是随着“双碳”目标的提出，国家不断提高其排放标准。目前我国燃煤电厂NOx超低限排放标准为50mg/m3要严于美国和欧盟标准。NOx控制技术主要有燃烧中控制和燃烧后控制两种。燃烧中控制即采用分级燃烧或改进燃烧器等方法减少燃烧过程中生成的NOx，这种措施实施成本较低，但是对锅炉存在一定的负面影响，而且脱硝效率不高，单独使用时无法满足我国严格的排放标准；另一种是燃烧后控制，即对产生的NOx进行处理，降低NOx排放量。目前广泛使用选择性催化还原(Selective Catalytic Reduction,SCR)方法的烟气脱硝技术来降低NOx的排放，利用氨气作为还原剂，在催化剂的催化作用下与烟气中NOx发生还原反应，将NOx转化为无害的氮气和水。虽然SCR脱硝效率能够达到90％以上，但是SCR反应过程具有大延迟、大惯性、非线性特点，且NOx浓度测量设备存在一定的时间延迟，导致喷氨量无法迅速调整以匹配NOx浓度变化，喷氨量过少会导致催化还原反应不充分，造成烟气排放不达标；喷氨量过多会造成氨逃逸量升高，对环境造成二次污染，对下游设备造成腐蚀，还会增加企业运行成本。尤其是机组处于低负荷、变负荷工况运行，此时这种不利影响会十分突出。
[0003]为了精准控制喷氨量，提高脱硝效率并降低NOx排放量，建立准确的NOx排放预测模型是基础。NOx生成机理十分复杂，传统的机理建模方法难以准确预测NOx的排放量。随着数据驱动建模与人工智能方法的快速发展，越来越多的研究者将目光投向了智能建模领域。常见的智能建模方法有人工神经网络(Artificial Neural Network，ANN)、支持向量机(Support Vector Machine，SVM)、深度学习网络(Deep Learning Network，DNN)等，其中DNN又包含卷积神经网络(Convolutional Neural Network，CNN)、长短期记忆网络(Long Short
‑
Term Memory，LSTM)、深度置信网络(Deep Belief Network,DBN)等深度神经网络算法。ANN、SVM属于浅层学习方法，不能有效学习变量的深度特征，所建模型预测精度一般，泛化能力较差；CNN、LSTM等深度神经网络虽然能充分提取变量的深层次特征，提高了预测精度，但是当输入序列较长时模型容易丢失早期的信息，预测输出易造成过拟合现象，并且学习率、神经元数量等网络参数往往需要依靠个人经验手动调节，具有很强的主观随意性。
[0004]综上所述，如何建立更加精确的SCR出口NOx排放预测模型以及实现模型参数自动寻优是燃煤电站脱硝控制过程中一个亟待解决的问题。

技术实现思路

[0005]为解决上述问题，本专利技术公开了一种基于BWOA
‑
BiGRU
‑
LAM的SCR出口NOx排放预测方法和方法。为实现上述目的，本专利技术的技术方案为：
[0006]一种基于BWOA
‑
BiGRU
‑
LAM的SCR出口NOx排放预测方法，包括如下步骤：
[0007]步骤一、采集NOx排放敏感参数和对应的NOx排放量历史数据样本形成数据集合；
[0008]步骤二、对数据集合进行清洗，去除异常值和噪声，得到清洗后的数据集合；
[0009]步骤三、校准各个NOx排放敏感参数与NOx排放量之间的时间延迟，形成各个NOx排放敏感参数与NOx排放量历史数据样本对应关系构建数据集；将数据集划分训练集、验证集；
[0010]第四步，构建BiGRU
‑
LAM网络，输入训练集，同时给定学习率、最小批数量、隐层神经元数量、正则化系数四个网络参数的取值范围，训练网络并采用BWOA对学习率、最小批数量、隐层神经元数量、正则化系数在给定范围内自动寻优，得到最优参数值后输入BiGRU
‑
LAM网络，并经验证集验证后形成最终预测模型BWOA
‑
BiGRU
‑
LAM；
[0011]步骤五、实时采集集NOx排放敏感参数，并经过各个NOx排放敏感参数与NOx排放量之间的时间延迟校正后输入最终预测模型BWOA
‑
BiGRU
‑
LAM，实时预测NOx的排放量。
[0012]进一步的改进，所述NOx排放敏感参数包括SCR入口氧含量、SCR入口烟气流量、SCR入口NOx浓度、SCR入口烟气温度、SCR出口氨气浓度、SCR出口氧含量和SCR混合氨气流量。
[0013]进一步的改进，所述步骤二中，对数据集合进行清洗的方法如下：
[0014]使用箱线图进行筛选出数据集合中异常值，然后使用均值填充法对异常值进行修正，再采用小波半软阈值去噪算法去除数据集合中的噪声，再采用Z
‑
Score方法进行标准化。
[0015]进一步的改进，所述步骤三中，校准各个NOx排放敏感参数与NOx排放量之间的时间延迟的方法如下：
[0016]设X和Y为两个离散随机变量，则X与Y之间的互信息I(X,Y)为：
[0017][0018]式中，p(x,y)为X与Y的联合概率分布，p(x)，p(y)是X与Y的边缘概率分布；为了计算由各个NOx排放敏感参数构成的输入变量与输出NOx之间的互信息值，设置输入变量时间序列矩阵为X(t)，设置SCR出口NOx测量值为输出时间序列矩阵Y(t)，有：
[0019]X(f)＝[x1(t)，x2(t)，Λ，x
n
(t)]ꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(18)
[0020]其中n为X(t)维度，即变量个数；
[0021]设置τ
i
(τ
i
∈[τ
min
,τ
max
])为第i(i∈(1,n))个变量x
i
(t)与Y(t)之间的时间迟延，X(t)可以重构为：
[0022][0023]其中，第i个变量x
i
(t)重构为：
[0024][0025]根据SCR系统实际运行情况，变量延迟时间范围设置在0
‑
300s之间，采样周期为1min，因此选择τ
min
＝0，τ
max
＝5；为了求每个输入变量x
i
(t)的最佳延迟时间，计算过程为：
[0026](a).分别计算式(20)中等号右侧矩阵每一列与输出Y(t)之间的互信息本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于BWOA
‑
BiGRU
‑
LAM的SCR出口NOx排放预测方法，其特征在于，包括如下步骤：步骤一、采集NOx排放敏感参数和对应的NOx排放量历史数据样本形成数据集合；步骤二、对数据集合进行清洗，去除异常值和噪声，得到清洗后的数据集合；步骤三、校准各个NOx排放敏感参数与NOx排放量之间的时间延迟，形成各个NOx排放敏感参数与NOx排放量历史数据样本对应关系构建数据集；将数据集划分训练集、验证集；第四步，构建BiGRU
‑
LAM网络，输入训练集，同时给定学习率、最小批数量、隐层神经元数量、正则化系数四个网络参数的取值范围，训练网络并采用BWOA对学习率、最小批数量、隐层神经元数量、正则化系数在给定范围内自动寻优，得到最优参数值后输入BiGRU
‑
LAM网络，并经验证集验证后形成最终预测模型BWOA
‑
BiGRU
‑
LAM；步骤五、实时采集集NOx排放敏感参数，并经过各个NOx排放敏感参数与NOx排放量之间的时间延迟校正后输入最终预测模型BWOA
‑
BiGRU
‑
LAM，实时预测NOx的排放量。2.如权利要求1所述的基于BWOA
‑
BiGRU
‑
LAM的SCR出口NOx排放预测方法，其特征在于，所述NOx排放敏感参数包括SCR入口氧含量、SCR入口烟气流量、SCR入口NOx浓度、SCR入口烟气温度、SCR出口氨气浓度、SCR出口氧含量和SCR混合氨气流量。3.如权利要求1所述的基于BWOA
‑
BiGRU
‑
LAM的SCR出口NOx排放预测方法，其特征在于，所述步骤二中，对数据集合进行清洗的方法如下：使用箱线图进行筛选出数据集合中异常值，然后使用均值填充法对异常值进行修正，再采用小波半软阈值去噪算法去除数据集合中的噪声，再采用Z
‑
Score方法进行标准化。4.如权利要求1所述的基于BWOA
‑
BiGRU
‑
LAM的SCR出口NOx排放预测方法，其特征在于，所述步骤三中，校准各个NOx排放敏感参数与NOx排放量之间的时间延迟的方法如下：设X和Y为两个离散随机变量，则X与Y之间的互信息I(X,Y)为：式中，p(x,y)为X与Y的联合概率分布，p(x)，p(y)是X与Y的边缘概率分布；为了计算由各个NOx排放敏感参数构成的输入变量与输出NOx之间的互信息值，设置输入变量时间序列矩阵为X(t)，设置SCR出口NOx测量值为输出时间序列矩阵Y(t)，有：X(t)＝[x1(t),x2(t),Λ,x
n
(t)]
ꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(18)其中n为X(t)维度，即变量个数；设置τ
i
(τ
i
∈[τ
min
,τ
max
])为第i(i∈(1,n))个变量x
i
(t)与Y(t)之间的时间迟延，X(t)可以重构为：其中，第i个变量x
i
(...

【专利技术属性】
技术研发人员：武松，马永光，
申请(专利权)人：华北电力大学保定，
类型：发明
国别省市：