基于动态相关向量回归的燃煤锅炉烟气NOx浓度预测方法与流程

本发明属于电厂污染物排放预测，具体地讲，涉及一种基于动态相关向量回归的燃煤锅炉烟气nox浓度预测方法。

背景技术：

1、随着现代工业发展的不断加速，氮氧化物(nox)的过量排放所引发的生态环境问题日趋严重。环保部门针对nox排放的限制标准越来越严格，促进了关于控制nox排放的持续研究。目前，燃煤电厂大都采用选择性催化还原(scr)技术进行脱硝，排烟中nox浓度的准确预测，有助于调整锅炉燃烧方式，提高scr控制品质。尽管环保部门通过连续排放监测系统(continuous emission monitoring systems,cems)实时测量烟气中nox的浓度，但是在测量过程中，需要设置较长的采样管，长距离采样分析导致测量结果显著滞后。另外，需要定期对cmes吹扫清灰以防止堵塞，在吹扫过程中无法进行nox浓度测量。因此，建立有效的nox浓度预测模型对优化燃煤锅炉的经济运行，实现运行和维护成本降低和氮氧化物排放浓度监测具有重要意义。

2、数据驱动技术作为一种重要的预测手段，通过构建容易测量的二次辅助变量与nox浓度的数学关系，实现nox浓度的估计，在工业过程中得到了广泛的研究与应用。一些代表性的算法包括人工神经网络(artificial neural network，ann)、支持向量回归(support vector regression，svr)和极限学习机(extreme learning machine，elm)等。ann在nox浓度预测中产生了一定的效果，但是模型结构和参数选择等限制会导致预测模型性能不佳。svr是另一种广泛使用的nox浓度预测方法，通过将复杂问题转化为凸二次规划问题，算法简单且具有较好的鲁棒性，但是svr模型需要慎重考虑惩罚因子和松弛变量的选择。elm算法在实现nox浓度预测时克服了传统神经网络的局部最优和耗时等问题，但是存在单层限制的问题。此外，上述方法只能提供关于输入辅助变量的单一预测结果，缺乏可靠性估计。

3、进一步地，相关向量机(relevance vector machine，rvm)是基于概率贝叶斯学习框架的机器学习算法，融合了马尔可夫性质，贝叶斯理论和最大似然等。rvm保留了svm的优点，并且可以对预测结果提供概率解释，此外，rvm具备稀疏性，能减少计算过程中与核函数相关的计算复杂度。为了解决预测问题，rvm扩展为相关向量回归算法(relevance vectorregression，rvr)，与svr相比，rvr克服了惩罚因子和松弛变量的选择难度，保留了rvm的概率预测等优势。然而，nox生成过程动态特性显著，简单的rvr离线模型不具备针对煤质变化和脱硝系统动态变化等自适应更新的能力。需要将静态相关向量回归模型扩展为动态模型，满足不同工况下nox浓度预测精度要求。

技术实现思路

1、本发明解决的技术问题是：如何提供一种可满足nox生成过程动态特性的nox浓度预测方法。

2、本申请公开了一种基于动态相关向量回归的燃煤锅炉烟气nox浓度预测方法，所述方法包括：

3、采集燃煤锅炉的历史运行数据；

4、基于互信息统计方法从所述历史运行数据筛选出用于建模的若干类辅助变量；

5、基于滑动窗法对所述辅助变量及其对应的nox浓度真实值进行动态扩展，形成训练样本；

6、利用训练样本对预先构建的动态相关向量回归模型进行训练；

7、将燃煤锅炉的实时运行数据输入至训练完成的动态相关向量回归模型，得到nox浓度预测值。

8、可选地，所述采集燃煤锅炉的历史运行数据包括：

9、从dcs系统中选取多种工况下的实际历史运行数据；

10、对所述实际历史运行数据进行离群点检测，去除异常数据并进行数据补充，接着将得到的数据标准化处理。

11、可选地，所述基于互信息统计方法从所述历史运行数据筛选出若干类辅助变量的方法包括：

12、从所述历史运行数据中初步选出多个候选辅助变量；

13、基于互信息统计方法计算每个候选辅助变量的不确定性度量以及每个候选辅助变量与nox浓度真实值之间的条件熵；

14、根据所述不确定性度量和所述条件熵计算得到每个候选辅助变量与nox浓度真实值之间的互信息；

15、将各个互信息从大至小排序，选择排序靠前的若干个互信息所对应的候选辅助变量作为用于建模的辅助变量。

16、可选地，所述基于滑动窗法对所述辅助变量及其对应的nox浓度真实值进行动态扩展，形成训练样本，包括：

17、确定时间窗d；

18、建立扩展向量辅助变量样本扩展为相应的nox浓度真实值样本拓展为yag＝[yd，yd+1…yn]t，式中，扩展向量表示各个辅助变量在时间窗上连续多个时刻的值，辅助变量样本扩展xag表示扩展向量按照顺序排列形成的数据集。

19、可选地，所述预先构建的动态相关向量回归模型的表达式为：

20、

21、其中，表示核函数，和均为可训练权重，表示nox浓度预测值。

22、可选地，利用训练样本对预先构建的动态相关向量回归模型进行训练，包括：

23、将所述训练样本划分为训练数据集和测试数据集；

24、利用所述训练数据集对所述动态相关向量回归模型进行多轮训练，直至满足终止条件；

25、利用所述测试数据集对满足终止条件的动态相关向量回归模型进行测试，当所述动态相关向量回归模型的预测误差小于阈值时，完成训练；当所述动态相关向量回归模型的预测误差大于或等于阈值时，重新形成训练样本并对所述动态相关向量回归模型继续训练。

26、本申请还公开了一种计算机装置，包括存储器、处理器及存储在所述存储器上的计算机程序，所述处理器执行所述计算机程序以实现上述的基于动态相关向量回归的燃煤锅炉烟气nox浓度预测方法。

27、本申请还公开了一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现上述的基于动态相关向量回归的燃煤锅炉烟气nox浓度预测方法。

28、本申请还公开了一种计算机程序产品，包括计算机程序，所述计算机程序被处理器执行时实现上述的基于动态相关向量回归的燃煤锅炉烟气nox浓度预测方法。

29、本发明公开的一种基于动态相关向量回归方法的燃煤锅炉烟气nox浓度预测方法，具有如下技术效果：

30、该方法从燃煤锅炉的历史运行数据筛选出与浓度相关性较大的若干类辅助变量，接着对各辅助变量进行动态扩展，使得动态相关向量回归模型可以学习到nox生成过程的动态特性，有利于提高预测精度。同时，充分考虑燃煤机组运行过程中参数间的非线性、强相关性以及动态特征，通过筛选辅助变量，排除建模过程中的冗余变量信息。

技术特征：

1.一种基于动态相关向量回归的燃煤锅炉烟气nox浓度预测方法，其特征在于，所述方法包括：

2.根据权利要求1所述的基于动态相关向量回归的燃煤锅炉烟气nox浓度预测方法，其特征在于，所述采集燃煤锅炉的历史运行数据包括：

3.根据权利要求1所述的基于动态相关向量回归的燃煤锅炉烟气nox浓度预测方法，其特征在于，所述基于互信息统计方法从所述历史运行数据筛选出若干类辅助变量的方法包括：

4.根据权利要求1所述的基于动态相关向量回归的燃煤锅炉烟气nox浓度预测方法，其特征在于，所述基于滑动窗法对所述辅助变量及其对应的nox浓度真实值进行动态扩展，形成训练样本，包括：

5.根据权利要求4所述的基于动态相关向量回归的燃煤锅炉烟气nox浓度预测方法，其特征在于，所述预先构建的动态相关向量回归模型的表达式为：

6.根据权利要求1所述的基于动态相关向量回归的燃煤锅炉烟气nox浓度预测方法，其特征在于，利用训练样本对预先构建的动态相关向量回归模型进行训练，包括：

7.一种计算机装置，包括存储器、处理器及存储在所述存储器上的计算机程序，其特征在于，所述处理器执行所述计算机程序以实现权利要求1至6任一项所述的基于动态相关向量回归的燃煤锅炉烟气nox浓度预测方法。

8.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1至6任一项所述的基于动态相关向量回归的燃煤锅炉烟气nox浓度预测方法。

9.一种计算机程序产品，包括计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1至6任一项所述的基于动态相关向量回归的燃煤锅炉烟气nox浓度预测方法。

技术总结本发明公开了一种基于动态相关向量回归方法的燃煤锅炉烟气NOx浓度预测方法。所述方法包括：采集燃煤锅炉的历史运行数据；基于互信息统计方法从所述历史运行数据筛选出用于建模的若干类辅助变量；基于滑动窗法对所述辅助变量及其对应的NOx浓度真实值进行动态扩展，形成训练样本；利用训练样本对预先构建的动态相关向量回归模型进行训练；将燃煤锅炉的实时运行数据输入至训练完成的动态相关向量回归模型，得到NOx浓度预测值。该方法从燃煤锅炉的历史运行数据筛选出与浓度相关性较大的若干类辅助变量，接着对各辅助变量进行动态扩展，使得动态相关向量回归模型可以学习到NOx生成过程的动态特性，有利于提高预测精度。技术研发人员：吴玮,郭磊,王靓,刘艇安,董韦汝,吴小琴受保护的技术使用者：中电华创（苏州）电力技术研究有限公司技术研发日：技术公布日：2024/6/13