SCR系统出口NOx排放浓度动态软测量方法技术方案

本发明专利技术提供一种SCR系统出口NOx排放浓度动态软测量方法，通过机理分析选择出影响SCR系统出口NOx排放浓度变化的实际运行数据；采用极值梯度提升方法进行重要性排序，选择出后续预测模型的候选输入变量；根据互信息系数法、随机森林算法、皮尔逊算法，估算各相关变量相对NOx排放浓度的延迟时间，进行建模数据重构；然后利用集合经验模态分解对输入时间序列进行分解，挖掘输入时间序列中的深层频域信息；再次通过lasso算法对集合经验模态分解得到的数据信息进行特征选择，筛选相关性较大的变量作为预测模型的样本数据，利用深度神经网络模型预测SCR系统出口NOx排放浓度。络模型预测SCR系统出口NOx排放浓度。

【技术实现步骤摘要】
SCR系统出口NOx排放浓度动态软测量方法


[0001]本专利技术属于火力发电
，具体涉及一种SCR系统出口NOx排放浓度动态软测量方法。

技术介绍

[0002]氮氧化物NOx的排放是光化学烟雾和酸雨形成的主要原因之一，造成环境污染并危害人类身体健康。为了便于对火力发电厂NOx排放控制，国家依据法律、法规及行业强制性标准对NOx排放进行约束。由于选择性催化还原(Selective Catalytic Reduction，SCR)装置结构简单，技术成熟且脱硝效率高，在火电厂中得到了大规模的应用。
[0003]数据驱动建模方法在SCR系统出口NOx排放浓度的预测上广泛应用，但是，应用过程中存在以下两方面问题：一方面，由于锅炉在燃烧过程中各输入变量参与燃烧反应的时间不同、传感器测量的延迟等，导致燃烧产生的NOx浓度相对其余运行参数存在延迟时间，分散控制系统(Distributed Control System，DCS)记录的同一时间标签下运行数据中的各相关参数之间未形成准确对应关系，直接使用DCS数据建模会影响模型精度，因此，合理估算时间延迟在数据驱动建模上发挥着至关重要的作用；另一方面，由于电厂实际运行数据存在随机性、冗余性和不稳定性，导致数据中深度信息难以被提炼，导致预测得到的NOx排放浓度与NOx排放浓度测量值偏差较大。为实现高效和准确的预测SCR系统出口NOx排放浓度，必须考虑输入数据的时滞信息和冗余特性，针对实际工况得到准确可靠的数据，从而实现出口SCR系统NOx排放浓度的软测量。
专利技术内容
[0004]基于上述问题，本专利技术提供一种SCR系统出口NOx排放浓度动态软测量方法，包括：
[0005]步骤1：从电厂DCS中采集SCR系统出口NOx排放浓度及影响SCR系统出口NOx排放浓度变化的相关变量在内的实际运行数据，并将采集到的数据集表示为：DATA＝{(X,Y)},其中X为影响SCR系统出口NOx排放浓度变化的相关变量数据集，Y表示采集到的SCR系统出口NOx浓度数据集，x
i
(t
j
)表示第i个相关变量x
i
对应t
j
时刻的采样数据，i＝1,2,
…
,d，j＝1,2,
…
,N，d表示采集的样本个数，N表示样本中含有N个数值，Y为SCR系统出口NOx浓度，y(t
N
)表示t
N
时刻SCR系统出口NOx浓度的采样数据，并对数据集DATA进行数据预处理，具体表述为：
[0006]步骤1.1：针对采集到的实际运行数据，计算相关变量数据集X中每列数据的标准差σ、均值μ；
[0007]步骤1.2：将每列数据中不属于(μ
‑
3σ,μ+3σ)之间的数据定义为异常值，计算每个
异常值对应时刻的前10个时刻数据的平均值，用平均值替换该异常值；
[0008]步骤1.3：重复步骤1.1～步骤1.2，对相关变量数据集X中每列数据中的异常值进行替换，得到预处理后的数据集X
’
；
[0009]其中所述影响SCR系统出口NOx排放浓度变化的相关变量为机组负荷、氨逃逸、出口O2浓度、出口烟气温度、出口烟气压力、喷氨量、入口O2浓度、入口烟气温度、入口烟气压力、总风量、稀释风机电流、总煤量和SCR系统入口NOx浓度；
[0010]步骤2：采用极值梯度提升方法计算预处理后的数据集X
’
中每列数据与SCR系统出口NOx浓度之间的重要性大小，按照重要性从大到小关系将X
’
中数据进行排列，选择出前m列数据，即选择了m个相关变量；
[0011]步骤3：根据互信息系数法(Mutual Information,MI)、随机森林算法(Random Forest，RF)、皮尔逊算法，计算根据步骤2中所选择的m个相关变量相对于SCR系统出口NOx浓度的延迟时间，进行建模数据重构，具体表述为：
[0012]步骤3.1：将X
’
中的每列相关变量数据进行时间延迟重构处理，即选择t1时刻以及t1时刻之后的[t1,t
K
]时刻作为起始变量，构造延迟时间计算数据集，得到每个相关变量x
i
对应的K组延迟时间计算数据集X'
i
：
[0013][0014]对SCR系统出口NOx浓度数据集Y中的数据进行时间延迟重构处理，得到重构数据序列Y'：
[0015][0016]其中，y(t
n+K
‑1)表示t
n+K
‑1时刻SCR系统出口NOx浓度的采样数据，数据重构序列X'
i
和Y'中每列数据长度均为n，n≤N；
[0017]步骤3.2：采用互信息系数法计算延迟时间计算数据集X'
i
＝[X'
i,1 X'
i,2
ꢀ…ꢀ
X'
i,K
]中K列数据和重构数据序列Y'之间的互信息熵M，共得到K个互信息熵值，表示为M＝(m1,m2,
…
,m
K
)；
[0018]步骤3.3：采用随机森林法计算延迟时间计算数据集X'
i
中K列数据和重构数据序列Y'之间的基尼指数G，共得到K个基尼指数值，表示为G＝(g1,g2,
…
,g
K
)：
[0019]步骤3.4：采用皮尔逊算法计算延迟时间计算数据集X'
i
中K列数据和重构数据序列Y'之间的皮尔逊系数值P，共得到K个皮尔逊系数值，表示为P＝(p1,p2,
…
,p
K
)：
[0020]步骤3.5：将延迟时间计算数据集X'
i
中K列数据和重构数据序列Y'计算出来的互信息熵、基尼指数、皮尔逊系数值进行加权处理，加权公式表示为I＝(αM+βG+ηP)＝(αm1+βg1+ηp1,αm2+βg2+ηp2,
…
,αm
k
+βg
k
+ηp
k
)，并找到加权之后最大值max(αm
k
+βg
k
+ηp
k
)所对应的序列K
′
，此时K
′
对应的时刻称为最大延迟时刻T
i
；
[0021]步骤3.6：将时刻T
i
对应的延迟时间计算数据集X'
i
中的序列作为重构后的数据序列进行保留，其余序列进行删除；
[0022]步骤3.7：重复步骤3.1～步骤3.6共得到m个序列m个序列组成的序列矩阵表示为：
[0023]其中表示为第i个变量在T
i
时刻所对应的序列；
[0024]步骤4：利用经验模态分解(Empirical Mode Decomposition,EMD本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种SCR系统出口NOx排放浓度动态软测量方法，其特征在于，包括：步骤1从电厂DCS中采集SCR系统出口NOx排放浓度及影响SCR系统出口NOx排放浓度变化的相关变量在内的实际运行数据，并进行数据预处理；步骤2：采用极值梯度提升方法计算预处理后的各变量数据与SCR系统出口NOx浓度之间的重要性大小，并进行重要性排序，选择出对SCR出口NOx排放量影响较大的m个相关变量；步骤3：根据互信息系数法、随机森林算法、皮尔逊算法，计算m个相关变量相对于SCR系统出口NOx浓度的延迟时间，进行建模数据重构；步骤4：利用经验模态分解对重构后的数据序列进行分解；步骤5：采用Lasso算法确定分解后各变量相对于SCR出口NOx排放量的重要性大小，筛选出重要性较大的前Q个变量；步骤6：构建深度神经网络模型作为NOx排放量的预测模型，利用前Q个变量的数据序列训练模型参数，利用训练后的预测模型实时输出SCR出口NOx浓度的预测值。2.根据权利要求1所述的一种SCR系统出口NOx排放浓度动态软测量方法，其特征在于，所述步骤1包括：步骤1.1：针对采集到的实际运行数据，计算各相关变量对应数据的标准差σ、均值μ；步骤1.2：将不属于(μ
‑
3σ,μ+3σ)之间的数据定义为异常值，计算每个异常值前10个时刻数据的平均值，用平均值替换该异常值；步骤1.3：重复步骤1.1～步骤1.2，替换异常值后得到预处理后的数据集。3.根据权利要求1所述的一种SCR系统出口NOx排放浓度动态软测量方法，其特征在于，所述影响SCR系统出口NOx排放浓度变化的相关变量为机组负荷、氨逃逸、出口O2浓度、出口烟气温度、出口烟气压力、喷氨量、入口O2浓度、入口烟气温度、入口烟气压力、总风量、稀释风机电流、总煤量和SCR系统入口NOx...

【专利技术属性】
技术研发人员：唐振浩，李悦，
申请(专利权)人：东北电力大学，
类型：发明
国别省市：