一種SCR入口NOx濃度在線預測方法及裝置與流程

本發明涉及計算機應用技術領域，特別是涉及一種scr入口nox濃度在線預測方法及裝置。

背景技術：

煤炭是重要的一次能源，煤電機組的發電量占總發電量的70％以上，煤粉爐燃燒產生的氮氧化物nox是目前大氣氮氧化物污染的主要來源。隨著社會生產生活水平的提高，人們的環保意識逐漸增強。嚴格控制煤電機組的氮氧化物排放，是解決大氣氮氧化物污染問題的重要手段之一。

目前，常通過建立nox濃度預測模型進行nox濃度預測，其中一種nox濃度預測模型的建模方法是基于神經網絡的建模，步驟如下：

(1)確定神經網絡的結構；

(2)從dcs中獲取數據作為訓練樣本集；

(3)初始化權值和閾值；

(4)輸入訓練樣本，將訓練樣本逐一輸入；

(5)計算輸入層、輸出層、隱含層的訓練誤差；

(6)修正權值和閾值；

(7)當樣本集中的所有樣本都經歷了(4)-(6)步，即完成了一個訓練周期，計算性能指標；

(8)如果性能指標滿足精度要求，訓練結束。

基于神經網絡的建模，需要龐大的訓練樣本集合，如果樣本不足將會導致模型精度的下降，使得對于nox濃度預測的準確率較低。

技術實現要素：

本發明的目的是提供一種scr入口的nox濃度在線預測方法及裝置，以通過在線訓練得到的nox排放模型進行nox濃度的預測，提高nox濃度預測的準確率。

為解決上述技術問題，本發明提供如下技術方案：

一種scr入口nox濃度在線預測方法，包括：

獲得當前時間周期的運行參數數據，所述運行參數數據包括負荷、給煤量、風門閥位和煙氣含氧量；

將所述運行參數數據輸入到預先在線訓練啟用的nox排放模型中，獲得所述當前時間周期對應的scr入口的nox濃度預測值。

在本發明的一種具體實施方式中，還包括：

如果連續m個時間周期的nox濃度預測值與相應的nox濃度實測值的差值絕對值大于預設閾值，則啟動所述nox排放模型的在線訓練，m為預設數值。

在本發明的一種具體實施方式中，通過以下步驟預先在線訓練得到所述nox排放模型：

初始化nox排放預測的t-s模糊模型；

在線獲得樣本數據，所述樣本數據包括輸入樣本數據和輸出樣本數據，所述輸入樣本數據包括多個時間周期的負荷、給煤量、風門閥位、煙氣含氧量，所述輸出樣本數據包括各個時間周期對應的所述scr入口的nox濃度實測值；

基于所述樣本數據構建nox排放預測的自回歸滑動平均arma模型；

確定所述t-s模糊模型的前件結構；

對所述輸入樣本數據進行模糊劃分；

對所述t-s模糊模型的后件參數進行辨識；

利用所述輸入樣本數據，對所述t-s模糊模型進行訓練，直至各時間周期對應的nox濃度預測值與相應時間周期對應的nox濃度實測值的差值絕對值小于或等于預設閾值，將訓練后的所述t-s模糊模型確定為所述nox排放模型，并啟用所述nox排放模型。

在本發明的一種具體實施方式中，所述樣本數據為進行歸一化處理后的數據。

在本發明的一種具體實施方式中，所述對所述t-s模糊模型的后件參數進行辨識，包括：

針對任意一個模糊規則下的所述arma模型，通過最小二乘法進行后件參數的辨識。

一種scr入口nox濃度在線預測裝置，包括：

運行參數數據獲得模塊，用于獲得當前時間周期的運行參數數據，所述運行參數數據包括負荷、給煤量、風門閥位和煙氣含氧量；

nox濃度預測模塊，用于將所述運行參數數據輸入到預先在線訓練啟用的nox排放模型中，獲得所述當前時間周期對應的scr入口的nox濃度預測值。

在本發明的一種具體實施方式中，還包括在線訓練啟動模塊，用于：

如果連續m個時間周期的nox濃度預測值與相應的nox濃度實測值的差值絕對值大于預設閾值，則啟動所述nox排放模型的在線訓練，m為預設數值。

在本發明的一種具體實施方式中，還包括nox排放模型獲得模塊，用于通過以下步驟預先在線訓練得到所述nox排放模型：

初始化nox排放預測的t-s模糊模型；

在線獲得樣本數據，所述樣本數據包括輸入樣本數據和輸出樣本數據，所述輸入樣本數據包括多個時間周期的負荷、給煤量、風門閥位、煙氣含氧量，所述輸出樣本數據包括各個時間周期對應的所述scr入口的nox濃度實測值；

基于所述樣本數據構建nox排放預測的自回歸滑動平均arma模型；

確定所述t-s模糊模型的前件結構；

對所述輸入樣本數據進行模糊劃分；

對所述t-s模糊模型的后件參數進行辨識；

利用所述輸入樣本數據，對所述t-s模糊模型進行訓練，直至各時間周期對應的nox濃度預測值與相應時間周期對應的nox濃度實測值的差值絕對值小于或等于預設閾值，將訓練后的所述t-s模糊模型確定為所述nox排放模型，并啟用所述nox排放模型。

在本發明的一種具體實施方式中，所述樣本數據為進行歸一化處理后的數據。

在本發明的一種具體實施方式中，所述nox排放模型獲得模塊，具體用于：

針對任意一個模糊規則下的所述arma模型，通過最小二乘法進行后件參數的辨識。

應用本發明實施例所提供的技術方案，獲得當前時間周期的運行參數數據后，將運行參數數據輸入到預先在線訓練啟用的nox排放模型中，獲得當前時間周期對應的scr入口的nox濃度預測值。通過在線訓練得到的nox排放模型進行nox濃度的預測，提高了nox濃度預測的準確率。

附圖說明

為了更清楚地說明本發明實施例或現有技術中的技術方案，下面將對實施例或現有技術描述中所需要使用的附圖作簡單地介紹，顯而易見地，下面描述中的附圖僅僅是本發明的一些實施例，對于本領域普通技術人員來講，在不付出創造性勞動的前提下，還可以根據這些附圖獲得其他的附圖。

圖1為本發明實施例中一種scr入口nox濃度在線預測方法的實施流程圖；

圖2為本發明實施例中建模原理示意圖；

圖3為本發明實施例中一種scr入口nox濃度在線預測裝置的結構示意圖。

具體實施方式

為了使本技術領域的人員更好地理解本發明方案，下面結合附圖和具體實施方式對本發明作進一步的詳細說明。顯然，所描述的實施例僅僅是本發明一部分實施例，而不是全部的實施例。基于本發明中的實施例，本領域普通技術人員在沒有做出創造性勞動前提下所獲得的所有其他實施例，都屬于本發明保護的范圍。

參見圖1所示，為本發明實施例所提供的一種scr入口nox濃度在線預測方法的實施流程圖，該方法可以包括以下步驟：

s110：獲得當前時間周期的運行參數數據。

運行參數數據包括負荷、給煤量、風門閥位和煙氣含氧量。

在煤電機組正常運行過程中，每個時間周期的運行參數數據存在一定的差別，在不同的運行參數數據下，產生的scr入口的nox濃度也會有所不同。

運行參數數據包括負荷、給煤量、風門閥位和煙氣含氧量。

獲得當前時間周期的運行參數數據，具體的，可以從dcs(distributedcontrolsystem，分布式控制系統)中獲取當前時間周期的運行參數數據。

s120：將運行參數數據輸入到預先在線訓練啟用的nox排放模型中，獲得當前時間周期對應的scr入口的nox濃度預測值。

在本發明實施例中，通過在線訓練得到nox排放模型。該nox排放模型的輸入為負荷、給煤量、風門閥位、煙氣含氧量，該nox排放模型的輸出為scr入口nox濃度。在線訓練得到nox排放模型后，啟用該nox排放模型。

scr為選擇性催化還原系統，火電廠用于處理nox的一套系統，scr入口表示該系統的入口位置。

將當前時間周期的運行參數數據輸入到預先在線訓練啟用的nox排放模型中，可以獲得當前時間周期對應的scr入口的nox濃度預測值。

在本發明的一個實施例中，可以通過以下步驟預先在線訓練得到nox排放模型：

步驟一：初始化nox排放預測的t-s模糊模型；

步驟二：在線獲得樣本數據，樣本數據包括輸入樣本數據和輸出樣本數據，輸入樣本數據包括多個時間周期的負荷、給煤量、風門閥位、煙氣含氧量，輸出樣本數據包括各個時間周期對應的scr入口的nox濃度實測值；

步驟三：基于樣本數據構建nox排放預測的自回歸滑動平均arma模型；

步驟四：確定t-s模糊模型的前件結構；

步驟五：對輸入樣本數據進行模糊劃分；

步驟六：對t-s模糊模型的后件參數進行辨識；

步驟七：利用輸入樣本數據，對t-s模糊模型進行訓練，直至各時間周期對應的nox濃度預測值與相應時間周期對應的nox濃度實測值的差值絕對值小于或等于預設閾值，將訓練后的t-s模糊模型確定為nox排放模型，并啟用nox排放模型。

為便于描述，將上述七個步驟結合起來進行說明。

本發明實施例基于t-s模糊模型獲得nox排放模型，進行scr入口nox濃度預測。t-s模糊模型是一種針對多維推理的模糊推理模型，可以有效地描述非線性、不確定性系統。在合理選擇隸屬度函數的前提下，t-s模糊模型可以以任意精度逼近一個非線性函數。t-s模糊模型的建模不需要大量的訓練樣本，適應于在線建模場景。

圖2所示為建模原理示意圖，負荷、給煤量、風門閥位、煙氣含氧量、scr入口nox濃度通過模型辨識，進行前件結構的確定和后件參數的辨識，得到nox排放模型，進行nox濃度預測。該模型的輸入量為歷史負荷、給煤量、風門閥位、煙氣含氧量、scr入口nox濃度所構成的時間序列，輸出量為預測的scr入口nox濃度，可以用y,x1,x2,...,xn表示模型輸入，用y(t)表示輸出，scr入口nox濃度的t-s模糊模型可以描述為：

其中rⁱ表示第i條模糊規則，yⁱ(t)＝bⁱy^t+aⁱ[x1,x2,...,xn]^t表示第i條規則下對應的模型輸出。需要確定模糊規則和每條規則對應的輸出模型。

首先初始化nox排放預測的t-s模糊模型。在線獲得樣本數據，具體可以從dcs中獲取。樣本數據包括輸入樣本數據和輸出樣本數據，輸入樣本數據包括多個時間周期的負荷、給煤量、風門閥位、煙氣含氧量，輸出樣本數據包括各個時間周期對應的scr入口的nox濃度實測值。

具體的，可以用以下表達式表示輸入樣本數據：

{x1(t),x1(t-1),...,x1(t-p),x2(t),x2(t-1),...,x2(t-p),...,xn(t),xn(t-1),...,xn(t-p)}；

其中，xi(t-k)表示第i個輸入樣本在t-k時間周期的值。

輸出樣本數據表示為y。

在線獲得樣本數據后，對原始樣本數據進行歸一化處理，將各數據縮放到[0,1]區間。即樣本數據為進行歸一化處理后的數據。

基于樣本數據構建nox排放預測的自回歸滑動平均(autoregressivemovingaverage，arma)模型。

在本發明實施例中，當前產生的nox濃度是前p個時間周期的nox濃度，前p個時間周期的負荷、給煤量、風門閥位、煙氣含氧量，以及當前時間周期的負荷、給煤量、風門閥位、煙氣含氧量的線性函數，其數學描述如公式(1)所示：

令

x1^t＝[x1(t),x1(t-1),...,x1(t-p)]^t,

x2^t＝[x2(t),x2(t-1),...,x2(t-p)]^t,

....

xn^t＝[xn(t),xn(t-1),...,xn(t-p)]^t,

y^t＝[1,y(t-1),...,y(t-p)]^t,

b＝[β0,β1,...,βp],

a＝[α11,α12,...,αnp]；

公式(1)可以表示為：y(t)＝by^t+a[x1,x2,...,xn]^t。

確定t-s模糊模型的前件結構。具體的，可以將負荷、給煤量、風門閥位、煙氣含氧量作為輸入變量，并對其進行前件劃分，第i條模糊規則rⁱ可以表示為：

其中x1,x2,...,xn為前件參數，bⁱ,aⁱ為后件參數。

對輸入樣本數據進行模糊劃分。將從dcs中采集到的負荷、給煤量、風門閥位、煙氣含氧量等輸入樣本數據作為訓練樣本，將這些輸入樣本數據進行模糊c聚類，確定各聚類中心。對于輸入變量xk，將其數據集劃分為c個子集s1、s2、……、sc。對于xk∈s，用隸屬度表示xk與子集si的隸屬度關系。

在模糊c均值聚類中，目標準則函數如公式(2)所示：

其中，m是加權系數，dij＝||xkj-vi||表示輸入變量xk中第j個樣本到第i類中心vi的距離，

模糊c均值聚類的準則是確定c個類，使得目標函數j最小，即：

構造拉格朗日函數：

可以得到模糊c聚類的隸屬度和聚類中心：

通過公式(6)和公式(7)不斷迭代可以實現模糊c均值聚類。

對t-s模糊模型的后件參數進行辨識。

針對任意一個模糊規則下的arma模型，可以通過最小二乘法進行后件參數的辨識。用表示第i個輸入量xi對sji的隸屬度，規則rⁱ的權重可以表示為：

按照加權平均法可以估計出當前的效率值：

其中，

對于n個樣本[y,x]1,[y,x]2,...,[y,x]n，可以有：

其中，

通過最小二乘法辨識后件參數，如公式(11)所示：

利用輸入樣本數據，對t-s模糊模型以迭代收斂方式進行訓練。直至各時間周期對應的nox濃度預測值與相應時間周期對應的nox濃度實測值的差值絕對值小于或等于預設閾值，停止辨識，訓練完成。將訓練后的t-s模糊模型確定為nox排放模型，并啟用該nox排放模型，以對scr入口的nox濃度進行在線預測。

本發明實施例利用t-s模糊模型描述scr入口nox濃度的特性。鍋爐中nox的產生是一個復雜的化學反應過程。將在線訓練得到的nox排放模型描述為以負荷、給煤量、風量、煙氣含氧量等變量作為輸入，scr入口的nox濃度為輸出的非線性函數，為降低nox排放過程中運行控制提供模型基礎。

基于t-s模糊聚類的在線nox排放特性建模方法，充分考慮了燃燒過程的強耦合、非線性特性，可以在不同負荷段下準確描述運行參數數據與scr入口nox濃度的關系，魯棒性更強。

在本發明的一個實施例中，該方法還可以包括以下步驟：

如果連續m個時間周期的nox濃度預測值與相應的nox濃度實測值的差值絕對值大于預設閾值，則啟動nox排放模型的在線訓練，m為預設數值。

隨著煤電機組的運行，運行參數數據不斷發生變化，通過預先訓練得到并啟用的nox排放模型進行的scr入口的nox濃度的預測可能存在較大誤差。當前獲得nox濃度預測值后，在設定時長后，可以獲得相應的nox濃度實測值。如果連續m個時間周期的nox濃度預測值與相應的nox濃度實測值的差值絕對值大于預設閾值，則表明當前啟用的nox排放模型的預測準確率降低了。在這種情況下，可以啟動nox排放模型的在線訓練，通過更多的樣本數據對nox排放模型進行訓練，訓練方法可以參考上述訓練說明。再次訓練完成后，啟用新的nox排放模型，以預測scr入口的nox濃度，以提高預測準確率。

本發明實施例基于t-s模糊模型對scr入口nox濃度進行在線建模，并利用該模型預測當前運行狀態下的nox濃度，從而為nox排放優化提供支撐。

本發明提供的技術方案實時采集dcs中的運行參數數據，并基于t-s模糊模型對scr入口nox濃度進行建模，實現scr入口nox濃度的預測。所采用的建模方法不需要很大的訓練樣本，可以滿足在線建模、在線預測的要求。同時t-s模糊模型的魯棒性較強，不易出現過度學習的現象，使得預測結果更為準確。

應用本發明實施例所提供的方法，獲得當前時間周期的運行參數數據后，將運行參數數據輸入到預先在線訓練啟用的nox排放模型中，獲得當前時間周期對應的scr入口的nox濃度預測值。通過在線訓練得到的nox排放模型進行nox濃度的預測，提高了nox濃度預測的準確率。

相應于上面的方法實施例，本發明實施例還提供了一種scr入口nox濃度在線預測裝置，下文描述的一種scr入口nox濃度在線預測裝置與上文描述的一種scr入口nox濃度在線預測方法可相互對應參照。

參見圖3所示，該裝置包括以下模塊：

運行參數數據獲得模塊310，用于獲得當前時間周期的運行參數數據，運行參數數據包括負荷、給煤量、風門閥位和煙氣含氧量；

nox濃度預測模塊320，用于將運行參數數據輸入到預先在線訓練啟用的nox排放模型中，獲得當前時間周期對應的scr入口的nox濃度預測值。

應用本發明實施例所提供的裝置，獲得當前時間周期的運行參數數據后，將運行參數數據輸入到預先在線訓練啟用的nox排放模型中，獲得當前時間周期對應的scr入口的nox濃度預測值。通過在線訓練得到的nox排放模型進行nox濃度的預測，提高了nox濃度預測的準確率。

在本發明的一種具體實施方式中，還包括在線訓練啟動模塊，用于：

如果連續m個時間周期的nox濃度預測值與相應的nox濃度實測值的差值絕對值大于預設閾值，則啟動nox排放模型的在線訓練，m為預設數值。

在本發明的一種具體實施方式中，還包括nox排放模型獲得模塊，用于通過以下步驟預先在線訓練得到nox排放模型：

初始化nox排放預測的t-s模糊模型；

在線獲得樣本數據，樣本數據包括輸入樣本數據和輸出樣本數據，輸入樣本數據包括多個時間周期的負荷、給煤量、風門閥位、煙氣含氧量，輸出樣本數據包括各個時間周期對應的scr入口的nox濃度實測值；

基于樣本數據構建nox排放預測的自回歸滑動平均arma模型；

確定t-s模糊模型的前件結構；

對輸入樣本數據進行模糊劃分；

對t-s模糊模型的后件參數進行辨識；

利用輸入樣本數據，對t-s模糊模型進行訓練，直至各時間周期對應的nox濃度預測值與相應時間周期對應的nox濃度實測值的差值絕對值小于或等于預設閾值，將訓練后的t-s模糊模型確定為nox排放模型，并啟用nox排放模型。

在本發明的一種具體實施方式中，樣本數據為進行歸一化處理后的數據。

在本發明的一種具體實施方式中，nox排放模型獲得模塊，具體用于：

針對任意一個模糊規則下的arma模型，通過最小二乘法進行后件參數的辨識。

本說明書中各個實施例采用遞進的方式描述，每個實施例重點說明的都是與其它實施例的不同之處，各個實施例之間相同或相似部分互相參見即可。對于實施例公開的裝置而言，由于其與實施例公開的方法相對應，所以描述的比較簡單，相關之處參見方法部分說明即可。

專業人員還可以進一步意識到，結合本文中所公開的實施例描述的各示例的單元及算法步驟，能夠以電子硬件、計算機軟件或者二者的結合來實現，為了清楚地說明硬件和軟件的可互換性，在上述說明中已經按照功能一般性地描述了各示例的組成及步驟。這些功能究竟以硬件還是軟件方式來執行，取決于技術方案的特定應用和設計約束條件。專業技術人員可以對每個特定的應用來使用不同方法來實現所描述的功能，但是這種實現不應認為超出本發明的范圍。

結合本文中所公開的實施例描述的方法或算法的步驟可以直接用硬件、處理器執行的軟件模塊，或者二者的結合來實施。軟件模塊可以置于隨機存儲器(ram)、內存、只讀存儲器(rom)、電可編程rom、電可擦除可編程rom、寄存器、硬盤、可移動磁盤、cd-rom、或技術領域內所公知的任意其它形式的存儲介質中。

本文中應用了具體個例對本發明的原理及實施方式進行了闡述，以上實施例的說明只是用于幫助理解本發明的技術方案及其核心思想。應當指出，對于本技術領域的普通技術人員來說，在不脫離本發明原理的前提下，還可以對本發明進行若干改進和修飾，這些改進和修飾也落入本發明權利要求的保護范圍內。