【技术实现步骤摘要】
本专利技术公开基于改进随机森林算法的燃煤电厂氮氧化物排放预测方法，属于燃煤电厂烟气脱硝。
技术介绍
1、我国能源结构目前呈现多元化趋势，新能源虽有较快发展，但存在占比小、范围窄等问题，火力发电仍处于主导地位，迄今为止，火力发电占中国年发电量的近60％。煤粉在锅炉内燃烧会产生大量的有害气体，如氮氧化物(nox)、二氧化硫和粉尘，污染大气，对人体健康产生负面影响。由于国家严格的环保政策，火电厂的nox排放引起了人们的广泛关注。寻找一种能够在线消除脱硝反应器入口nox并优化燃烧过程控制的有效技术意义重大。在生产实践中，电厂通常配备脱硫脱硝装置，以消除烟气中的硫和nox。目前，选择性催化还原法(scr)已广泛应用于脱硝设备中，其结构简单，反应过程环保。及时准确地检测nox排放是准确控制喷氨、提高scr效率的关键。目前，nox排放的检测主要依靠传统的连续排放监测系统cems，cems拥有大量的硬件设备，设备的安装调试比较复杂。此外，cems的工作环境恶劣，电磁干扰大，这些都会导致系统频繁出现异常工况，维护工作量大。即使在正常运行情况下，由于采样和检测延迟，对nox排放的测量也存在较大的时间延迟。
技术实现思路
1、本专利技术的目的在于提供基于改进随机森林算法的燃煤电厂氮氧化物排放预测方法，解决现有cems系统在计划检修和设备维护时无法提供实时检测的问题，减少nox浓度检测的时间延迟。
2、基于改进随机森林算法的燃煤电厂氮氧化物排放预测方法，包括：
3、s1.进行数据处
4、s2.计算所有自变量x和因变量y之间的最大信息系数mic；
5、s3.根据给定的初始阈值vmic，保留mic大于vmic的变量，实现对变量的初步筛选，得到变量集；
6、s4.利用s3得到的变量集，构造随机森林回归模型，计算随机森林回归模型的袋外样本误差erroob1；
7、s5.逐步增大vmic，重复s3和s4，直到随机森林回归模型的erroob1达到最小；
8、s6.输出erroob1达到最小后的随机森林回归模型下的变量集smic，重构随机森林回归模型；
9、s7.利用随机森林变量重要性准则对smic的变量进行排序；
10、s8.根据阈值vrf对smic的变量进行二次筛选，保留变量重要性指标大于vrf的变量，重新输出smic；
11、s9.逐步增大vrf，利用s8输出的smic重构随机森林回归模型，重复s7和s8，直到随机森林回归模型的袋外误差erroob2达到最小，获得最优变量集srf；
12、s10.输出最优变量集srf，并重构随机森林回归模型；
13、s11.对s10重构后的随机森林回归模型的预测效果进行实时监测，当随机森林回归模型预测性能低于阈值时对模型进行更新；
14、s12.采用模型预测性能评价指标对随机森林回归模型预测性能进行对比评价；
15、s13.对电厂烟气系统实时数据进行在线预测。
16、s1包括：
17、获取电厂烟气系统时序运行数据集，采用拉依达准则剔除数据集中的异常样本，随后对数据集进行重采样，使用标准分数对数据集中的数据进行标准化处理，将标准化处理后的数据集划分为训练集和测试集；
18、s1.1.电厂烟气系统时序运行数据集为d(x,y)，其中x∈rn×m，n表示样本数量，m表示辅助变量个数，y为氮氧化物浓度，也就是因变量，r表示自变量所属的集和；
19、s1.2.采用拉依达准则剔除数据集中的异常样本包括：按照贝塞尔公式计算标准差σ：
20、
21、
22、式中：为y的平均值，vi为第i个偏差，n为样本数，yi为第i个样本的氮氧化物浓度值；
23、若某一样本数据yi的vi满足∣vi∣>3σ，则认为该样本数据是异常数据，将其剔除；
24、s1.3.使用标准分数对数据集中的数据进行标准化处理的公式为：
25、
26、其中，x为标准化处理前x中的一个值，是x的均值，是标准差，xnormalization为x(x,y)中剔除了异常样本后的x标准化处理后的值；
27、s1.4.将标准化处理后的数据集划分为训练集和测试集，将占总数据70％的数据作为训练集，剩余30％作为测试集。
28、s2包括：
29、s2.1.计算x与y的互信息i(x,y)：
30、
31、其中，p(x)表示x的边际概率密度，p(y)表示y的边际概率密度，p(x,y)表示两个变量的联合概率密度；
32、s2.2.计算网格g上的最大信息mi*：
33、mi*(d，h，v)＝maxi(d|g)；
34、其中，mi*(d，h，v)表示mi*是关于d，h，v的函数，d＝{(xi，yi)|i＝1，2，...，n}为一个有限的有序对集合，d|g表示由d中的点在g的单元格上的分布，h，v为网格尺寸；
35、s2.3.将mi*归一化：
36、
37、式中，m(d)h，v为归一化后的mi*；
38、s2.4.将在m(d)h，v中获得的最高归一化值作为mic：
39、mic＝max{m(d)h，v}。
40、s3中得到变量集包括：
41、mic(xj，y)≥vmic；
42、其中，xj为x的第j个变量。
43、s4中的随机森林回归模型为{f(x，θk)}，k表示树的个数，θk是随机变量，每个树模型输出一个数值，树的平均值是随机森林回归模型的预测结果，对训练集数据进行10倍交叉验证来调整随机森林回归模型参数，计算erroob1，包括：
44、s4.1.从mic(xj，y)中提取ntree个自助采样集，每个自助采样集包含mic(xj，y)中对应数据的三分之二的数据量；
45、s4.2.使用自助采样生成一个未剪枝的回归树，随机采样mtree个预测变量，从储存在x中的变量中选择最佳分割点；
46、s4.3.通过合并ntree棵树的预测来计算预测值；
47、s4.4.计算erroob1：
48、
49、其中，为预测值。
50、s7包括：
51、s7.1.对于每棵决策树tk，输入袋外数据得到预测值与真实值的均方差oob_msek：
52、
53、其中，表示第k棵决策树袋外样本数目，表示第k棵决策树的预测值；
54、s7.2.移除中的变量xj，用剩余变量计算第j个预测值与真实值的均方差oob_msek，j：
55、s7.3.xj对决策树tk预测的均方误差结果为：
56、
57、s7本文档来自技高网...
【技术保护点】
1.基于改进随机森林算法的燃煤电厂氮氧化物排放预测方法，其特征在于，包括：
2.根据权利要求1所述的基于改进随机森林算法的燃煤电厂氮氧化物排放预测方法，其特征在于，S1包括：
3.根据权利要求2所述的基于改进随机森林算法的燃煤电厂氮氧化物排放预测方法，其特征在于，S2包括：
4.根据权利要求3所述的基于改进随机森林算法的燃煤电厂氮氧化物排放预测方法，其特征在于，S3中得到变量集包括：
5.根据权利要求4所述的基于改进随机森林算法的燃煤电厂氮氧化物排放预测方法，其特征在于，S4中的随机森林回归模型为{f(x,Θk)}，k表示树的个数，Θk是随机变量，每个树模型输出一个数值，树的平均值是随机森林回归模型的预测结果，对训练集数据进行10倍交叉验证来调整随机森林回归模型参数，计算errOOB1，包括：
6.根据权利要求5所述的基于改进随机森林算法的燃煤电厂氮氧化物排放预测方法，其特征在于，S7包括：
7.根据权利要求6所述的基于改进随机森林算法的燃煤电厂氮氧化物排放预测方法，其特征在于，S8中二次筛选包括：
<...【技术特征摘要】
1.基于改进随机森林算法的燃煤电厂氮氧化物排放预测方法，其特征在于，包括：
2.根据权利要求1所述的基于改进随机森林算法的燃煤电厂氮氧化物排放预测方法，其特征在于，s1包括：
3.根据权利要求2所述的基于改进随机森林算法的燃煤电厂氮氧化物排放预测方法，其特征在于，s2包括：
4.根据权利要求3所述的基于改进随机森林算法的燃煤电厂氮氧化物排放预测方法，其特征在于，s3中得到变量集包括：
5.根据权利要求4所述的基于改进随机森林算法的燃煤电厂氮氧化物排放预测方法，其特征在于，s4中的随机森林回归模型为{f(x,θk)}，k表示树的个数，θk是随机变量，每个树模型输出一个数值，树的平均值是随机森林回归模型的预测结果，对训练集数据进行10倍交叉验证来调整随机森林回归模型...
【专利技术属性】
技术研发人员：贺凯迅，董朕，蒋瀚，彭鑫，钟麦英，朱延正，
申请(专利权)人：山东科技大学，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。