火电机组烟气NOx生成量虚拟量测方法、系统、设备及介质技术方案

本发明专利技术公开了一种火电机组烟气NOx生成量虚拟量测方法、系统、设备及介质，包括：获取NOx生成量相关影响因素中特征子集F

【技术实现步骤摘要】
火电机组烟气NOx生成量虚拟量测方法、系统、设备及介质


[0001]本专利技术属于智慧电厂领域，涉及一种火电机组烟气NOx生成量虚拟量测方法、系统、设备及介质。

技术介绍

[0002]NOx是火电机组排放的主要污染物之一，如何降低NOx排放量成为火电机组运行管理人员最迫切的需求之一。我国大部分现役火电机组采用SCR技术进行烟气脱硝处理，然而SCR系统对NOx浓度的测量误差较大，且机组在变负荷、变煤质条件下运行导致NOx生成量波动幅度较大，此外，喷氨控制量信号与管道内实际喷氨量存在延迟，上述因素导致无法有效实时的控制喷氨量，进而影响控制火电机组NOx排放量。
[0003]为解决上述问题，国内外研究人员通常采用构建量测模型的方法量测NOx生成量，主要的量测方法有：
[0004]通过AR模型、MA模型、ARIMA模型等对NOx历史数据进行建模，从而量测NOx生成量。这些方法虽然可以快速量测NOx生成量，但由于NOx生成量受变负荷、变煤质等因素的影响，波动幅度较大，无明显的周期性规律，导致这些模型的量测精度通常较低。
[0005]基于决策树、支持向量机、线性回归等机器学习算法构建单个模型对NOx生成量进行量测。这些方法通常具有较强的拟合能力，模型量测精度总体较高，但由于历史数据样本的有限性及算法本身的鲁棒性不足等原因，往往会导致模型量测精度不稳定。
[0006]基于神经网络构建NOx生成量量测模型，该方法具备较高的量测精度和较好的泛化能力，但神经网络需要海量的数据样本，且神经网络的大规模参数导致量测速度较慢。
[0007]上述方法并不能完全满足实际生产情况的需求，NOx生成量的影响因素众多，各个因素之间又有较强的耦合关系，而且受机组负荷、煤质等的影响，NOx历史数据呈现变化范围广、类阶跃变化较多、无周期性规律等特点，ARIMA等模型量测精度较差，决策树、支持向量机等模型的量测精度虽较高，但其稳定性较差。此外，深度学习虽在具备较好的量测精度和泛化能力，但其大规模参数导致量测时延较大，难以将其用于喷氨控制。

技术实现思路

[0008]本专利技术的目的在于克服上述现有技术的缺点，提供了一种火电机组烟气NOx生成量虚拟量测方法、系统、设备及介质，该方法、系统、设备及介质能够快速、准确量测火电机组烟气NOx生成量。
[0009]为达到上述目的，本专利技术所述火电机组烟气NOx生成量虚拟量测方法，包括：
[0010]获取NOx生成量相关影响因素中特征子集F
f
的实时数据；
[0011]对所述实时数据进行标准化处理，得标准化处理后的实时数据；
[0012]将所述标准化处理后的实时数据输入到训练后的NOx生成量虚拟量测模型Model
NOx
中，得到火电机组烟气NOx生成量。
[0013]所述将所述标准化处理后的实时数据d
ps
输入训练后的NOx生成量虚拟量测模型
Model
NOx
中之前还包括：
[0014]获取火电机组烟气NOx生成量及其NOx生成量相关影响因素的历史数据，并以此构建原始数据集D0；
[0015]对原始数据集D0进行等距采样，利用等距采样得到的数据构建同频数据集D1；
[0016]对所述同频数据集D1进行标准化处理，得到标准化处理后的数据集D2；
[0017]对所述标准化处理后的数据集D2进行特征选择，并根据特征选择的结果构建标准数据集D
s
；
[0018]构建NOx生成量虚拟量测模型；
[0019]利用标准数据集D
s
训练及测试所述NOx生成量虚拟量测模型，得到训练后的NOx生成量虚拟量测模型Model
NOx
。
[0020]所述NOx生成量虚拟量测模型基于分布式梯度提升算法构建而成。
[0021]所述对所述标准化处理后的数据集D2进行特征选择，并根据特征选择的结果构建标准数据集D
s
的具体过程为：
[0022]对标准化处理后的数据集D2，使用方差过滤的方法剔除方差变化小于预设值的特征，设剩余的特征子集为F1；
[0023]以SCR烟气脱硝系统入口NOx生成量为目标变量，以特征子集F1为影响变量，分别训练CART树基模型及随机森林基模型，分别选取CART树基模型及随机森林基模型的特征重要性排名前八的特征，分别记为特征子集F
21
及特征子集F
22
，最后取特征子集F
21
与特征子集F
22
的交集作为最终特征子集F
f
；
[0024]在标准化处理后的数据集D2中保留最终特征子集F
f
的数据，并剔除其他特征的数据，得到标准数据集D
s
。
[0025]所述利用标准数据集D
s
训练及测试所述N0x生成量虚拟量测模型，得到训练后的NOx生成量虚拟量测模型Model
NOx
的具体过程为：
[0026]以最终特征子集F
f
为影响变量，以火电机组烟气NOx生成量为目标变量，将标准数据集D
s
按1∶4的比例分为测试数据集D
test
及训练数据集D
train
；然后使用5折交叉验证法、10折交叉验证法及15折交叉验证法在训练数据集D
train
上训练三个NOx生成量虚拟量测基模型model1、model2、model3，使用测试数据集D
test
分别测试所述三个NOx生成量虚拟量测基模型，选择均方根误差最小的NOx生成量量测基模型作为训练后的NOx生成量虚拟量测模型Model
NOx
。
[0027]所述NOx生成量相关影响因素包括机组负荷、总风量、风门开度、一次风流量、一次风压力、二次风流量、二次风压力、风/煤比、分离燃尽风门开度、烟气流量、烟气温度、总煤量及氧量。
[0028]所述对同频数据集D1进行标准化处理，得到标准化处理后的数据集D2的具体过程为：
[0029]对所述同频数据集D1中的每个属性，分别执行如下操作：
[0030]设当前属性x＝{x1，x2，
…
，x
n
}，计算其均值及标准差s，其中，
[0031][0032][0033]对属性x进行标准化变换，记标准化变换后的属性为y，其中，
[0034][0035]利用标准化变换后的属性y构建标准化处理后的数据集D2。
[0036]本专利技术所述火电机组烟气NOx生成量虚拟量测系统，包括：
[0037]获取模块，用于获取NOx生成量相关影响因素中特征子集F
f
的实时数据；
[0038]预处理模块，用于对所述实时数据进行标准化处理，得标准化处理后的实时数据；
[0039]量测本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种火电机组烟气NOx生成量虚拟量测方法，其特征在于，包括：获取NOx生成量相关影响因素中特征子集F
f
的实时数据；对所述实时数据进行标准化处理，得标准化处理后的实时数据；将所述标准化处理后的实时数据输入到训练后的NOx生成量虚拟量测模型Model
NOx
中，得到火电机组烟气NOx生成量。2.根据权利要求1所述的火电机组烟气NOx生成量虚拟量测方法，其特征在于，所述将所述标准化处理后的实时数据d
ps
输入训练后的NOx生成量虚拟量测模型Model
NOx
中之前还包括：获取火电机组烟气NOx生成量及其NOx生成量相关影响因素的历史数据，并以此构建原始数据集D0；对原始数据集D0进行等距采样，利用等距采样得到的数据构建同频数据集D1；对所述同频数据集D1进行标准化处理，得到标准化处理后的数据集D2；对所述标准化处理后的数据集D2进行特征选择，并根据特征选择的结果构建标准数据集D
s
；构建NOx生成量虚拟量测模型；利用标准数据集D
s
训练及测试所述NOx生成量虚拟量测模型，得到训练后的NOx生成量虚拟量测模型Model
NOx
。3.根据权利要求2所述的火电机组烟气NOx生成量虚拟量测方法，其特征在于，所述NOx生成量虚拟量测模型基于分布式梯度提升算法构建而成。4.根据权利要求2所述的火电机组烟气NOx生成量虚拟量测方法，其特征在于，所述对所述标准化处理后的数据集D2进行特征选择，并根据特征选择的结果构建标准数据集D
s
的具体过程为：对标准化处理后的数据集D2，使用方差过滤的方法剔除方差变化小于预设值的特征，设剩余的特征子集为F1；以SCR烟气脱硝系统入口NOx生成量为目标变量，以特征子集F1为影响变量，分别训练CART树基模型及随机森林基模型，分别选取CART树基模型及随机森林基模型的特征重要性排名前八的特征，分别记为特征子集F
21
及特征子集F
22
，最后取特征子集F
21
与特征子集F
22
的交集作为最终特征子集F
f
；在标准化处理后的数据集D2中保留最终特征子集F
f
的数据，并剔除其他特征的数据，得到标准数据集D
s
。5.根据权利要求2所述的火电机组烟气NOx生成量虚拟量测方法，其特征在于，所述利用标准数据集D
s
训练及测试所述NOx生成量虚拟量测模型，得到训练后的N...

【专利技术属性】
技术研发人员：赵章明，王林，查玲，李军，肖勇，高海东，高林，周俊波，王明坤，高耀岿，弓林娟，王文毓，郭彦君，董竞豪，
申请(专利权)人：西安热工研究院有限公司，
类型：发明
国别省市：