【技术实现步骤摘要】
基于智能化KNN机制的燃煤锅炉NO
x
排放预测方法
[0001]本专利技术涉及燃煤锅炉运营
,具体地说是一种基于智能化KNN机制的燃煤锅炉NO
x
排放预测方法。
技术介绍
[0002]燃煤发电中氮氧化物(NO
x
,例如NO和NO2)的产生是环境污染的一个重要来源,世界上许多国家都严格控制NO
x
排放浓度。例如,中国的发电厂必须确保其锅炉燃烧产生的NO
x
排放符合排放标准;否则,他们将受到生态和环境专业部门的严厉惩罚。因此,有必要对燃煤锅炉用户进行NO
x
监测和排放浓度控制。
[0003]NO
x
控制技术主要分为两类:燃烧过程控制和烟气脱硝。燃烧过程控制技术试图通过调整可控变量(如过量空气系数、空气分配模式和一次空气与二次空气的比率)来降低NO
x
。燃煤锅炉是一个复杂的强耦合系统,其NO
x
排放特性受燃料类型、锅炉负荷、燃烧器类型和运行模式等多种因素的影响,涉及湍流、燃烧、传热传质等过程。因此,很难建立基于燃烧参数的NO
x
预测模型。烟气脱硝技术用于通过检测锅炉排放气体中的NO
x
含量来控制脱硝系统中还原剂的输出。相比之下,由于中小型锅炉燃烧过程控制中存在许多问题,所以当前主要采用烟气脱硝的方法。
[0004]目前,选择性催化还原(Selective Catalytic Reduction,SCR)因其 ...
【技术保护点】
【技术特征摘要】
1.一种基于智能化KNN机制的燃煤锅炉NO
x
排放预测方法,其特征是,包括如下步骤:a、构建知识库;具体是:从现有燃煤电厂存储的数据中选取若干元组数据,每一元组数据均包括30维的燃烧输入参数以及锅炉A侧和B侧的NO
x
输出浓度;从30维燃烧输入参数中选取单位负荷、总风量和炉膛温度3个参数,并以这3个参数为坐标轴建立直角坐标系,将直角坐标系空间平均划分成M3个小长方体空间,8≤M≤15;并使所选取的若干元组数据分别分布于对应的小长方体空间中,从而构建形成知识库;b、依据锅炉A侧的NO
x
输出浓度对知识库中元组数据进行分类;具体是:针对A侧NO
x
输出浓度,采用上限函数将A侧NO
x
输出浓度的范围[minA,maxA]划分为s个区间,将每一区间的元组数据集合起来形成一个聚类,获得包含s个聚类的集合cSetA={C1,
…
,C
s
};集合cSetA中每一聚类包含若干元组数据,各聚类C
i
中元组数据互不相交,且所有聚类的元组数据取并集构成知识库中元组数据;minA指在知识库的元组数据中,A侧NO
x
输出浓度的最小值,maxA指在知识库的元组数据中,A侧NO
x
输出浓度的最大值;s为整数;1≤i≤s;c、对于待测新元组t,首先根据新元组t的30维的燃烧输入参数,判定新元组t所属的聚类,得到至少一个候选聚类;当候选聚类为多个时,使候选聚类对应的单位负荷、总风量和炉膛温度3个输入参数的区间与新元组t在知识库小长方体空间对应的区间取交集,将交集最大的一个或多个对应的候选聚类记为关键聚类;当候选聚类为一个时,该候选聚类即为关键聚类;d、从关键聚类中寻找待测新元组t的K个最近邻元组<t1,
…
,t
K
>,依据如下公式计算各最近邻元组t
i
的权重w
i
;i=1,
…
,K;a
i
=log2((c
c
+1)(c
r
+1))/(d(t,t
i
)+d
mean
)c
c
表示与最近邻元组t
i
在同一个关键聚类的K个最近邻元组<t1,
…
,t
K
>的数目,c
r
表示与最近邻元组t
i
在知...
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。