CN107194026A - 基于贝叶斯网络的吸收塔脱硫过程建模方法 - Google Patents
基于贝叶斯网络的吸收塔脱硫过程建模方法 Download PDFInfo
- Publication number
- CN107194026A CN107194026A CN201710249056.4A CN201710249056A CN107194026A CN 107194026 A CN107194026 A CN 107194026A CN 201710249056 A CN201710249056 A CN 201710249056A CN 107194026 A CN107194026 A CN 107194026A
- Authority
- CN
- China
- Prior art keywords
- mrow
- absorption tower
- sweetening process
- variable
- bayesian network
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Hardware Design (AREA)
- Evolutionary Computation (AREA)
- Geometry (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Treating Waste Gases (AREA)
Abstract
本发明属于火电技术领域,尤其涉及一种基于贝叶斯网络的吸收塔脱硫过程建模方法,包括:基于贝叶斯网络确定吸收塔脱硫过程模型结构,包括将负荷、入口SO2浓度、入口温度、入口O2浓度、PH值作为非可调控输入变量,将吸收塔石灰石浆液供给量和循环泵运行组合作为可调控输入变量,将出口SO2浓度作为输出变量;基于确定的吸收塔脱硫过程模型结构确定脱硫过程模型参数,包括根据吸收塔的脱硫历史运行数据和相关试验数据,通过各脱硫运行变量之间依赖关系的强弱的概率分将先验信息与样本知识相结合,自动进行离线学习模型参数;建立吸收塔脱硫过程模型。本发明不仅可以更好地理解吸收塔的脱硫过程,而且在外部干扰较多的时候,可以做出精确的预测。
Description
技术领域
本发明属于火电技术领域,尤其涉及一种基于贝叶斯网络的吸收塔脱硫过程建模方法。
背景技术
由于吸收塔中的脱硫过程是复杂的物理、化学反应过程,目前缺乏有效的机理模型能够精确反映脱硫过程中的参数变化。现有技术中,对吸收塔脱硫过程的建模多使用人工神经网络等算法,这些算法在一定范围内可以反映燃烧过程中各物理量的非线性关系,但是在实际使用过程中并不能同时满足对模型的精度和泛化能力的要求,有待进一步改进。
发明内容
为解决上述技术问题,本发明的目的是提供一种基于贝叶斯网络的吸收塔脱硫过程建模方法,使用贝叶斯网络对脱硫吸收塔的运行历史数据和相关试验数据进行离线学习,离线建立吸收塔的多输入-多输出脱硫过程模型,以此反映出口SO2浓度如何随着不同的吸收塔石灰石浆液供给量、循环泵运行组合方式而变化的因果特性。
本发明提供了一种基于贝叶斯网络的吸收塔脱硫过程建模方法,包括:
基于贝叶斯网络确定吸收塔脱硫过程模型结构,包括将负荷、入口SO2浓度、入口温度、入口O2浓度、PH值作为非可调控输入变量,将吸收塔石灰石浆液供给量和循环泵运行组合作为可调控输入变量,将出口SO2浓度作为输出变量;
基于确定的吸收塔脱硫过程模型结构确定脱硫过程模型参数,包括根据吸收塔的脱硫历史运行数据和相关试验数据,通过各脱硫运行变量之间依赖关系的强弱的概率分将先验信息与样本知识相结合,自动进行离线学习模型参数;
根据确定的吸收塔脱硫过程模型结构及参数,建立基于贝叶斯网络的吸收塔脱硫过程模型。
进一步地,基于确定的吸收塔脱硫过程模型结构确定脱硫过程模型参数具体包括:对吸收塔的脱硫运行历史数据的整个样本空间进行学习、训练,得到条件概率表;其中,条件概率表中,每一个概率值表示为P(Xi|parents(Xi)),则贝叶斯网络的联合概率分配表示为:
其中,Xj是对每个相对于Xi的因变量,n、i、j为正整数。
进一步地,当脱硫历史运行数据的观测值完整,通过最大似然估计法确定脱硫过程模型参数,最大似然估计值由下式求得:
式中,N(Y=y1,W=w1)表示在训练样本数据中,变量Y取y1值并且其直接前驱变量W取w1值的次数,N(Y=y1,W=w2)表示变量Y取y1值并且其直接前驱变量W取w2值的次数。
进一步地,当脱硫历史运行数据的观测值不完整,通过EM算法确定脱硫过程模型参数的区域最佳概似估计值。
进一步地,EM算法的步骤如下:
(1)给定欲估计的参数一个起始值,利用此起始值和其他的观测值,求出其他未观测节点的条件期望值;
(2)将所估计出的值视为观测值,将此完整的观测值样本带入模型的最大似然估计式中;其中,变量Y的一个条件概率的最大似然估计值由下式求得:
其中,E[N(x)]代表在目前的估计参数下,变量X=x的条件概率期望值为:
其中,I(x|D(k))是计数函数,当事件x在第k个训练样本中发生则记1,否则记0;N(Y=y1,W=w1)表示在训练样本数据中,变量Y取y1值并且其直接前驱变量W取w1值的次数,N(Y=y1,W=w2)表示变量Y取y1值并且其直接前驱变量W取w2值的次数;
(3)最大化步骤(2)中的最大似然估计值公式,求出此参数的最大似然值,如此重复步骤(1)和(2),直到参数收敛为止,即得到最佳的参数估计值。
进一步地,该方法还包括将吸收塔脱硫过程模型作为优化控制中的目标函数,通过贝叶斯推理由每组候选脱硫控制量推导出相应的吸收塔运行状态,用以选出经济性最优的脱硫控制量。
进一步地,贝叶斯推理使用变量消除法,通过联合概率分布相加除去无关变量得到任一变量的条件概率。
进一步地,贝叶斯推理包括从观察的脱硫控制量预测受其影响而得到的出口SO2浓度。
进一步地,贝叶斯推理还包括从观察的出口SO2浓度推断出导致其发生的脱硫控制量变化。
进一步地,该方法还包括通过计算均方根误差率选择最优的吸收塔脱硫过程模型结构来描述吸收塔的脱硫过程。
借由上述方案,通过基于贝叶斯网络的吸收塔脱硫过程建模方法,不仅可以更好地理解吸收塔的脱硫过程,而且在外部干扰较多的时候,可以做出精确的预测。
上述说明仅是本发明技术方案的概述,为了能够更清楚了解本发明的技术手段,并可依照说明书的内容予以实施,以下以本发明的较佳实施例并配合附图详细说明如后。
附图说明
图1是本发明基于人工智能的燃煤电厂脱硫优化控制方法的流程图;
图2是一个贝叶斯网络的示意图;
图3是本发明反映吸收塔脱硫过程的贝叶斯网络结构I;
图4是本发明多种反映吸收塔脱硫过程的贝叶斯网络结构的示意图;其中,4a为吸收塔脱硫过程模型结构II,4b为吸收塔脱硫过程模型结构III,4c为吸收塔脱硫过程模型结构IV,4d为吸收塔脱硫过程模型结构V;
图5是本发明实际出口SO2浓度与模型预测值比较图。
具体实施方式
下面结合附图和实施例,对本发明的具体实施方式作进一步详细描述。以下实施例用于说明本发明,但不用来限制本发明的范围。
参图1所示,本实施例提供了一种基于人工智能的燃煤电厂脱硫优化控制方法,包括:
步骤S1,基于贝叶斯网络确定吸收塔脱硫过程模型结构,包括将负荷、入口SO2浓度、入口温度、入口O2浓度、PH值作为非可调控输入变量,将吸收塔石灰石浆液供给量和循环泵运行组合作为可调控输入变量,将出口SO2浓度作为输出变量。
步骤S2,基于确定的吸收塔脱硫过程模型结构确定脱硫过程模型参数,包括根据吸收塔的脱硫历史运行数据和相关试验数据,通过各脱硫运行变量之间依赖关系的强弱的概率分将先验信息与样本知识相结合,自动进行离线学习模型参数。
步骤S3,根据确定的吸收塔脱硫过程模型结构及参数,建立基于贝叶斯网络的吸收塔脱硫过程模型。
本***使用贝叶斯网络(Bayesian Network)对脱硫吸收塔的运行历史数据和相关试验数据进行离线学习,离线建立吸收塔的多输入-多输出脱硫过程模型,以此反映出口SO2浓度如何随着不同的吸收塔石灰石浆液供给量、循环泵运行组合方式而变化的因果特性。由于吸收塔的脱硫过程存在大量的不确定信息,而人工神经网络等算法实现对不确定信息的处理一般比较困难,贝叶斯网络是数据挖掘和不确定知识表示的理想模型,可以准确地对不确定信息进行表达和推理。具体的技术方案包括:
1、关于贝叶斯网络建模算法。
贝叶斯网络是模拟人的认知思维推理模式,用有向无环图以及一组条件概率函数对不确定性的因果推理关系建模,因此其具有很高的实用价值。一个贝叶斯网络定义包括一个有向无环图(DAG)和一个条件概率表集合。DAG中每一个节点表示一个随机变量,可以是可直接观测变量或隐藏变量,而有向边表示随机变量间的条件依赖;条件概率表中的每一个元素对应DAG中唯一的节点,存储此节点对于其所有直接前驱节点的联合条件概率。贝叶斯网络的一条极为重要的性质是,每一个节点在其直接前驱节点的值确定后,这个节点条件独立于其所有非直接前驱前辈节点。这条特性的重要意义在于明确了贝叶斯网络可以方便地计算联合概率分布。一般情况下,多变量的非独立联合条件概率分布由如下公式求得:
P(x1,x2,...,xn)=P(x1)P(x2|x1)P(x3|x1,x2)...P(xn|x1,x2,...,xn-1) (1)
而在贝叶斯网络中,由于存在前述性质,任意随机变量组合的联合条件概率分布可以被简化成为:
其中,Parents(xi)表示变量xi的直接前驱节点的联合,概率值可以从由历史数据训练得到的相应条件概率表中查到。由此可见,贝叶斯网络很大程度地减少了联合条件概率的计算量,因此可以保证实时优化控制运算的计算速度。
如图2所示,图2是一个贝叶斯网络例子,该贝叶斯网络描述了5个随机变量W,X,Y,V,Z之间的因果关系。其中,每个节点代表一个离散随机变量,每条单箭头连线表示两个变量之间的条件依赖,例如,W→Y表示W是“因(parents)”变量,Y是“果(descendants orchildren)”变量。此外,除了有向无环图表示贝叶斯网络的结构,每个节点都具有一个条件概率表(CPT),表示在该节点的所有“因”变量的每一种可能的状态组合的条件下,这个节点的每种状态发生的条件概率值。例如,节点W具有两种状态W1和W1,那么,他的“果”节点Y具有条件概率值包括:
P(y1|w1),P(y2|w1),P(y1|w2)和P(y2|w2)。
由贝叶斯网络的结构可知,变量X并不是变量Y的“果”节点,而且变量Y只有一个直接前驱节点W,根据马科夫假设,P(Y|W,X)=P(Y|W),代入公式(2)可以得:
P(W,X,Y,V,Z)=P(W)P(X)P(Y|W)P(V|Y)P(Z|X,Y) (3)
图2示出了贝叶斯网络结构和参数,每个节点代表一个随机变量,分别为W,X,Y,V,Z。其结构由有向无环图(DAG)表示,每个节点的参数由一个条件概率表(CPT)表示。
就使用方法来说,贝叶斯网络主要用于概率推理及决策,具体来说,就是在信息不完备的情况下通过可以观察随机变量推断不可观察的随机变量,并且不可观察随机变量可以多于以一个,一般初期将不可观察变量置为随机值,然后进行概率推理。
2、基于贝叶斯网络的吸收塔脱硫过程模型结构的确定。
如图3所示,贝叶斯网络中的每个节点表示一个与吸收塔脱硫过程相关的随机变量,包括脱硫调整控制量和吸收塔运行状态参数。连接两个节点的箭头代表此两个随机变量是具有因果关系或是非条件独立的;而节点中变量间若没有箭头相互连接一起的情况就称其随机变量彼此间为条件独立。若两个节点间以一个单箭头连接在一起,表示其中一个节点是“因(parents)”,另一个是“果(descendants or children)”,两节点就会产生一个条件概率值。例如,根据负荷、入口SO2浓度等实时工况,调整石灰石浆液供给量和循环泵组合方式等脱硫控制量可以直接影响出口测的SO2浓度,因此这些工况参数和脱硫控制量都是出口SO2浓度的“因”节点,即为前述的直接前驱节点。由此可推导,每个脱硫控制量和出口SO2浓度是具有因果关系或是非条件独立的,因此代表脱硫控制量和出口SO2浓度的两个节点之间用一个带有单箭头的有向边连接。
在吸收塔的多输入-多输出脱硫过程模型中,脱硫控制量的改变直接导致了吸收塔内部运行状态的变化,因此在贝叶斯网络中,脱硫控制量作为“因”节点,吸收塔的运行状态参数作为“果”节点,节点之间的有向边则代表了吸收塔的每个运行状态参数都受到哪些脱硫控制量的影响。表1阐述了吸收塔脱硫过程模型的输入和输出变量,其中输入变量又分为可调控变量和非可调控变量。
表1吸收塔脱硫过程模型的输入和输出变量
3、基于贝叶斯网络的脱硫过程模型参数的确定。
其次,根据吸收塔的脱硫运行历史数据和相关试验数据,贝叶斯网络可以自动进行离线学习模型参数,即表示各脱硫运行变量之间依赖关系的强弱的概率分将先验信息与样本知识有机结合起来。
基于贝叶斯网络的吸收塔脱硫过程模型参数的确定,是在贝叶斯网络的结构已定的基础上,通过对吸收塔的脱硫运行历史数据的整个样本空间进行学习、训练后,得到一个条件概率表(Condition Probability Table,CPT)。在条件概率表中,每一个概率值可以表示为P(Xi|parents(Xi)),则贝叶斯网络的联合概率分配可以表示为:
其中,Xj是对每个相对于Xi的“因”变量。
当贝叶斯网络的结构已知,参数的确定分有两种情况:一种情况是训练数据的样本空间完整,另一种情况是样本空间有缺失。由于贝叶斯网络算法具有很强的不确定性问题处理能力,该算法具备在数据样本空间缺失的条件下进行建模,因此,基于贝叶斯网络的吸收塔脱硫对象模型可以更加客观地反映吸收塔脱硫过程的真实状况。
(1)贝叶斯网络结构已知,历史运行数据的观测值完整。
此时我们使用最大似然估计法(Maximum Likelihood Estimation,MLE)来求贝叶斯网络的参数。已知训练样本数据为D={x1,...,xm},其中xl=(xl1,...,xln)T,假设参数集合为Θ=(θ1,...,θn),其中θi表示变量Xi的条件概率向量。则能够反映该训练样本数据的参数的对数概似函数(Log-likelihood)为:
其中,pa(Xi)代表Xi的“因”变量,即其直接前驱变量,Di代表吸收塔的脱硫运行历史数据的一个样本,N代表运行历史数据的样本总数,通常,为了使训练样本数据的概似值最大化,一般通过每个事件的发生频率来计算。例如,在图2所示的例子中,估算贝叶斯网络中变量Y的条件概率表。
N(Y=y1,W=w1)表示在该训练样本数据中,变量Y取y1值并且其直接前驱变量W取w1值的次数。同样地,N(Y=y1,W=w2)表示变量Y取y1值并且其直接前驱变量W取w2值的次数。那么,变量Y的一个条件概率的最大似然估计值(Maximum Likelihood Estimation)可以由下式求得:
(2)贝叶斯网络结构已知,历史运行数据的观测值不完整(某些时间点的记录有遗漏数据)。
如果有些脱硫过程变量观测不到的话,可以使用EM算法(Expectation-Maximization Algorithm)来决定出参数的区域最佳概似估计值。EM算法的步骤如下:
(1)给定欲估计的参数一个起始值,然后利用此起始值和其他的观测值,求出其他未观测节点的条件期望值;
(2)将所估计出的值视为观测值,将此完整的观测值样本带入模型的最大似然估计式中。例如,图2中变量Y的一个条件概率的最大似然估计值可以由下式求得:
其中,E[N(x)]代表在目前的估计参数下,变量X=x的条件概率期望值为:
其中,I(x|D(k))是计数函数,当事件x在第k个训练样本中发生则记1,否则记0。
(3)最大化此最大似然估计式,求出此参数的最大似然值,如此重复步骤(1)和(2),直到参数收敛为止,即可得到最佳的参数估计值。
***经过离线学习某一吸收塔的脱硫历史数据,可得到该吸收塔的基于贝叶斯网络的脱硫过程模型。当某个或某些脱硫参数发生改变时,这个模型可以推倒出其他可调节变量的最大概率值,以及在该工况下出口SO2浓度的概率分布。
4、脱硫过程模型应用于优化控制中的贝叶斯推理。
当确定了模型的结构和参数以后,基于贝叶斯网络的吸收塔脱硫过程模型将作为优化控制中的目标函数(Fitness Function),用来评判每组候选脱硫控制量的优劣。通过贝叶斯推理,由每组候选脱硫控制量可以推导出相应的吸收塔运行状态,以此选出经济性最优的脱硫控制量,同时可以满足出口SO2浓度的排放要求。本方案的贝叶斯推理使用变量消除法(Variable Elimination),即通过联合概率分布相加除去无关变量,由此可以得到任一变量的条件概率。其中包括两种推理情况,一种是从观察的脱硫控制量预测受其影响而得到的出口SO2浓度(预测支持,predict support),另一种是从观察的出口SO2浓度可以推断出导致其发生的脱硫控制量变化(诊断支持,diagnostic support)例如,在图2的所示的例子中,当给定变量Z的观察值时,可通过贝叶斯推理得到其直接先验变量Y的条件概率,即为从观察的出口SO2浓度可以推断出导致其发生的脱硫控制量变化。其贝叶斯推理公式为,
其中,
而且,
5、根据模型准确率选择最优的脱硫过程模型。
对于吸收塔的多输入-多输出脱硫过程模型来说,其贝叶斯网络的结构可以由吸收塔脱硫的专家知识和经验来确定,而且并不唯一。图4展示了多种反映吸收塔脱硫过程的贝叶斯网络结构。
本项目通过计算均方根误差率(Root Mean Squared Error,RMSE),选择最优的贝叶斯网络结构来描述吸收塔的脱硫过程。
表2阐述了图3、图4所包含的5种吸收塔脱硫过程模型对测试数据集的预测均方根误差。由此可见,吸收塔脱硫过程模型结构I的预测均方根误差率最低,因此我们选择这一模型结构来描述吸收塔的脱硫过程。
表2 5种吸收塔脱硫过程模型的预测均方根误差
脱硫过程模型 | I | II | III | IV | V |
RMSE | 2.6716 | 3.2489 | 2.794 | 4.8191 | 5.3241 |
6、实际测试结果。
现以阳城电厂#3机组的脱硫塔为例,使用2016年12月1日00:00:00~2016年12月16日05:26:30的历史数据作为模型的训练数据集,采样频率为30秒。并使用2016年12月16日05:27:00~2016年12月16日14:00:00的历史数据作为测试数据集,以此检验吸收塔脱硫过程模型的准确性。如图5所示。
本实施例基于贝叶斯网络的多输入-多数出吸收塔脱硫过程模型,相比数据挖掘的其他算法,具有以下有益效果:
1、基于贝叶斯网络的多输入-多数出吸收塔脱硫过程模型能够反映出口SO2浓度如何随着不同的吸收塔石灰石浆液供给量、循环泵运行组合方式而变化的因果特性。不仅可以更好地理解吸收塔的脱硫过程,而且在外部干扰较多的时候,可以做出精确的预测。
2、贝叶斯网络能够方便地处理不完全数据。例如,人工神经网络在处理某些变量有缺值时,其模型的预测结构就会出现很大的偏差,而贝叶斯网络具有很强的不确定性问题处理能力,该算法可以在数据样本空间缺失的条件下进行建模,并且提供较为直观的概率关联关系模型。因此,基于贝叶斯网络的吸收塔脱硫对象模型可以更加客观地反映吸收塔脱硫过程的真实状况。
3、贝叶斯网络是一种数据驱动的人工智能算法,其结构和参数完全是通过对吸收塔脱硫的历史运行数据学习、训练得到。因此,基于贝叶斯网络的多输入-多数出吸收塔脱硫过程模型的建模算法具有很强的自适应性,这种建模算法适应于所有厂家、型号的吸收塔,在更改研究对象后,不需要重新设计和编制模型构建的主题算法。
4、贝叶斯推理可以快速地根据机组负荷和入口SO2浓度等已知吸收塔脱硫参数,推断出吸收塔石灰石浆液供给量、循环泵运行组合方式等可调节变量的最大概率值,以及在该工况下出口SO2浓度的概率分布。
5、基于贝叶斯网络的多输入-多数出吸收塔脱硫过程模型可以根据用户要求,任意增加或减少输入、输出参数,对输入、输出参数的个数没有限制,并且改变参数的个数并不影响贝叶斯推理在实时优化控制运算的计算速度。
6、将贝叶斯网络与遗传算法相结合,可以有效地避免数据过分拟合问题和训练中的局部极值问题。
7、不同于人工神经网络,贝叶斯网络的泛化能力和模型精度是同时增加的。贝叶斯网络可以根据新的训练样本,随时对网络参数进行更新,而且随着训练样本的增多,贝叶斯网络可以更准确地反映变量之间的因果关系。
以上所述仅是本发明的优选实施方式,并不用于限制本发明,应当指出,对于本技术领域的普通技术人员来说,在不脱离本发明技术原理的前提下,还可以做出若干改进和变型,这些改进和变型也应视为本发明的保护范围。
Claims (10)
1.一种基于贝叶斯网络的吸收塔脱硫过程建模方法,其特征在于,包括:
基于贝叶斯网络确定吸收塔脱硫过程模型结构,包括将负荷、入口SO2浓度、入口温度、入口O2浓度、PH值作为非可调控输入变量,将吸收塔石灰石浆液供给量和循环泵运行组合作为可调控输入变量,将出口SO2浓度作为输出变量;
基于确定的吸收塔脱硫过程模型结构确定脱硫过程模型参数,包括根据吸收塔的脱硫历史运行数据和相关试验数据,通过各脱硫运行变量之间依赖关系的强弱的概率分将先验信息与样本知识相结合,自动进行离线学习模型参数;
根据确定的吸收塔脱硫过程模型结构及参数,建立基于贝叶斯网络的吸收塔脱硫过程模型。
2.根据权利要求1所述的基于贝叶斯网络的吸收塔脱硫过程建模方法,其特征在于,基于确定的吸收塔脱硫过程模型结构确定脱硫过程模型参数具体包括:对吸收塔的脱硫运行历史数据的整个样本空间进行学习、训练,得到条件概率表;其中,条件概率表中,每一个概率值表示为P(Xi|parents(Xi)),则贝叶斯网络的联合概率分配表示为:
<mrow>
<mi>P</mi>
<mrow>
<mo>(</mo>
<msub>
<mi>X</mi>
<mn>1</mn>
</msub>
<mo>=</mo>
<msub>
<mi>x</mi>
<mn>1</mn>
</msub>
<mo>,</mo>
<mo>...</mo>
<mo>,</mo>
<msub>
<mi>X</mi>
<mi>n</mi>
</msub>
<mo>=</mo>
<msub>
<mi>x</mi>
<mi>n</mi>
</msub>
<mo>)</mo>
</mrow>
<mo>=</mo>
<munderover>
<mo>&Pi;</mo>
<mrow>
<mi>i</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>n</mi>
</munderover>
<mi>P</mi>
<mrow>
<mo>(</mo>
<msub>
<mi>X</mi>
<mi>i</mi>
</msub>
<mo>=</mo>
<msub>
<mi>x</mi>
<mi>i</mi>
</msub>
<mo>|</mo>
<msub>
<mi>X</mi>
<mi>j</mi>
</msub>
<mo>=</mo>
<msub>
<mi>x</mi>
<mi>j</mi>
</msub>
<mo>)</mo>
</mrow>
<mo>;</mo>
</mrow>
其中,Xj是对每个相对于Xi的因变量,n、i、j为正整数。
3.根据权利要求2所述的基于贝叶斯网络的吸收塔脱硫过程建模方法,其特征在于,当所述脱硫历史运行数据的观测值完整,通过最大似然估计法确定脱硫过程模型参数,最大似然估计值由下式求得:
<mrow>
<mi>P</mi>
<mrow>
<mo>(</mo>
<mi>Y</mi>
<mo>=</mo>
<mi>y</mi>
<mn>1</mn>
<mo>|</mo>
<mi>W</mi>
<mo>=</mo>
<mi>w</mi>
<mn>1</mn>
<mo>)</mo>
</mrow>
<mo>=</mo>
<mfrac>
<mrow>
<mi>N</mi>
<mrow>
<mo>(</mo>
<mi>Y</mi>
<mo>=</mo>
<mi>y</mi>
<mn>1</mn>
<mo>,</mo>
<mi>W</mi>
<mo>=</mo>
<mi>w</mi>
<mn>1</mn>
<mo>)</mo>
</mrow>
</mrow>
<mrow>
<mi>N</mi>
<mrow>
<mo>(</mo>
<mi>Y</mi>
<mo>=</mo>
<mi>y</mi>
<mn>1</mn>
<mo>,</mo>
<mi>W</mi>
<mo>=</mo>
<mi>w</mi>
<mn>1</mn>
<mo>)</mo>
</mrow>
<mo>+</mo>
<mi>N</mi>
<mrow>
<mo>(</mo>
<mi>Y</mi>
<mo>=</mo>
<mi>y</mi>
<mn>1</mn>
<mo>,</mo>
<mi>W</mi>
<mo>=</mo>
<mi>w</mi>
<mn>2</mn>
<mo>)</mo>
</mrow>
</mrow>
</mfrac>
<mo>;</mo>
</mrow>
式中,N(Y=y1,W=w1)表示在训练样本数据中,变量Y取y1值并且其直接前驱变量W取w1值的次数,N(Y=y1,W=w2)表示变量Y取y1值并且其直接前驱变量W取w2值的次数。
4.根据权利要求3所述的基于贝叶斯网络的吸收塔脱硫过程建模方法,其特征在于,当所述脱硫历史运行数据的观测值不完整,通过EM算法确定脱硫过程模型参数的区域最佳概似估计值。
5.根据权利要求4所述的基于贝叶斯网络的吸收塔脱硫过程建模方法,其特征在于,所述EM算法的步骤如下:
(1)给定欲估计的参数一个起始值,利用此起始值和其他的观测值,求出其他未观测节点的条件期望值;
(2)将所估计出的值视为观测值,将此完整的观测值样本带入模型的最大似然估计式中;其中,变量Y的一个条件概率的最大似然估计值由下式求得:
<mrow>
<mi>P</mi>
<mrow>
<mo>(</mo>
<mi>Y</mi>
<mo>=</mo>
<mi>y</mi>
<mn>1</mn>
<mo>|</mo>
<mi>W</mi>
<mo>=</mo>
<mi>w</mi>
<mn>1</mn>
<mo>)</mo>
</mrow>
<mo>=</mo>
<mfrac>
<mrow>
<mi>E</mi>
<mo>&lsqb;</mo>
<mi>N</mi>
<mrow>
<mo>(</mo>
<mi>Y</mi>
<mo>=</mo>
<mi>y</mi>
<mn>1</mn>
<mo>,</mo>
<mi>W</mi>
<mo>=</mo>
<mi>w</mi>
<mn>1</mn>
<mo>)</mo>
</mrow>
<mo>&rsqb;</mo>
</mrow>
<mrow>
<mi>E</mi>
<mo>&lsqb;</mo>
<mi>N</mi>
<mrow>
<mo>(</mo>
<mi>Y</mi>
<mo>=</mo>
<mi>y</mi>
<mn>1</mn>
<mo>,</mo>
<mi>W</mi>
<mo>=</mo>
<mi>w</mi>
<mn>1</mn>
<mo>)</mo>
</mrow>
<mo>&rsqb;</mo>
<mo>+</mo>
<mi>E</mi>
<mo>&lsqb;</mo>
<mi>N</mi>
<mrow>
<mo>(</mo>
<mi>Y</mi>
<mo>=</mo>
<mi>y</mi>
<mn>1</mn>
<mo>,</mo>
<mi>W</mi>
<mo>=</mo>
<mi>w</mi>
<mn>2</mn>
<mo>)</mo>
</mrow>
<mo>&rsqb;</mo>
</mrow>
</mfrac>
<mo>;</mo>
</mrow>
其中,E[N(x)]代表在目前的估计参数下,变量X=x的条件概率期望值为:
<mrow>
<mi>E</mi>
<mo>&lsqb;</mo>
<mi>N</mi>
<mrow>
<mo>(</mo>
<mi>x</mi>
<mo>)</mo>
</mrow>
<mo>&rsqb;</mo>
<mo>=</mo>
<munder>
<mo>&Sigma;</mo>
<mi>k</mi>
</munder>
<mi>I</mi>
<mrow>
<mo>(</mo>
<mi>x</mi>
<mo>|</mo>
<mi>D</mi>
<mo>(</mo>
<mi>k</mi>
<mo>)</mo>
<mo>)</mo>
</mrow>
<mo>=</mo>
<munder>
<mo>&Sigma;</mo>
<mi>k</mi>
</munder>
<mi>P</mi>
<mrow>
<mo>(</mo>
<mi>x</mi>
<mo>|</mo>
<mi>D</mi>
<mo>(</mo>
<mi>k</mi>
<mo>)</mo>
<mo>)</mo>
</mrow>
<mo>;</mo>
</mrow>
其中,I(x|D(k))是计数函数,当事件x在第k个训练样本中发生则记1,否则记0;N(Y=y1,W=w1)表示在训练样本数据中,变量Y取y1值并且其直接前驱变量W取w1值的次数,N(Y=y1,W=w2)表示变量Y取y1值并且其直接前驱变量W取w2值的次数;
(3)最大化步骤(2)中的最大似然估计值公式,求出此参数的最大似然值,如此重复步骤(1)和(2),直到参数收敛为止,即得到最佳的参数估计值。
6.根据权利要求1所述的基于贝叶斯网络的吸收塔脱硫过程建模方法,其特征在于,还包括将吸收塔脱硫过程模型作为优化控制中的目标函数,通过贝叶斯推理由每组候选脱硫控制量推导出相应的吸收塔运行状态,用以选出经济性最优的脱硫控制量。
7.根据权利要求6所述的基于贝叶斯网络的吸收塔脱硫过程建模方法,其特征在于,所述贝叶斯推理使用变量消除法,通过联合概率分布相加除去无关变量得到任一变量的条件概率。
8.根据权利要求7所述的基于贝叶斯网络的吸收塔脱硫过程建模方法,其特征在于,所述贝叶斯推理包括从观察的脱硫控制量预测受其影响而得到的出口SO2浓度。
9.根据权利要求8所述的基于贝叶斯网络的吸收塔脱硫过程建模方法,其特征在于,所述贝叶斯推理还包括从观察的出口SO2浓度推断出导致其发生的脱硫控制量变化。
10.根据权利要求1所述的基于贝叶斯网络的吸收塔脱硫过程建模方法,其特征在于,还包括通过计算均方根误差率选择最优的吸收塔脱硫过程模型结构来描述吸收塔的脱硫过程。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710249056.4A CN107194026B (zh) | 2017-04-17 | 2017-04-17 | 基于贝叶斯网络的吸收塔脱硫过程建模方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710249056.4A CN107194026B (zh) | 2017-04-17 | 2017-04-17 | 基于贝叶斯网络的吸收塔脱硫过程建模方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN107194026A true CN107194026A (zh) | 2017-09-22 |
CN107194026B CN107194026B (zh) | 2021-03-23 |
Family
ID=59871002
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710249056.4A Active CN107194026B (zh) | 2017-04-17 | 2017-04-17 | 基于贝叶斯网络的吸收塔脱硫过程建模方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107194026B (zh) |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109173631A (zh) * | 2018-09-19 | 2019-01-11 | 华能辛店发电有限公司 | 一种串联双塔烟气脱硫***的节能优化方法 |
CN109523027A (zh) * | 2018-10-22 | 2019-03-26 | 新智数字科技有限公司 | 一种基于贝叶斯网络的锅炉运行数据监测方法和装置 |
CN109657909A (zh) * | 2018-11-13 | 2019-04-19 | 北京国电龙源环保工程有限公司 | 一种基于大数据的脱硫磨制***水料比调整方法及*** |
CN109932909A (zh) * | 2019-03-27 | 2019-06-25 | 江苏方天电力技术有限公司 | 火电机组脱硫***的大***耦合多变量优化匹配控制方法 |
CN110334855A (zh) * | 2019-06-17 | 2019-10-15 | 浙江大学 | 智能化确定废水水煤浆配制方案的预测与优化***及方法 |
CN111013370A (zh) * | 2019-11-08 | 2020-04-17 | 中国大唐集团科学技术研究院有限公司火力发电技术研究院 | 一种基于深度神经网络的湿法脱硫浆液供给量预测方法 |
CN111240282A (zh) * | 2019-12-31 | 2020-06-05 | 联想(北京)有限公司 | 一种工艺优化方法、装置、设备及计算机可读存储介质 |
CN111340199A (zh) * | 2020-03-26 | 2020-06-26 | 中煤能源研究院有限责任公司 | 一种基于物料衡算和深度学习的脱硫***节能方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20090125155A1 (en) * | 2007-11-08 | 2009-05-14 | Thomas Hill | Method and System for Optimizing Industrial Furnaces (Boilers) through the Application of Recursive Partitioning (Decision Tree) and Similar Algorithms Applied to Historical Operational and Performance Data |
CN104238545A (zh) * | 2014-07-10 | 2014-12-24 | 中国石油大学(北京) | 一种石油炼化生产过程故障诊断和预警***及其建立方法 |
CN105718717A (zh) * | 2016-01-12 | 2016-06-29 | 叶翔 | 利用贝叶斯网络算法建立锅炉燃烧过程模型的方法和装置 |
CN106485022A (zh) * | 2016-11-01 | 2017-03-08 | 河北华电石家庄热电有限公司 | 一种循环流化床锅炉脱硫脱硝运行优化控制的建模方法 |
-
2017
- 2017-04-17 CN CN201710249056.4A patent/CN107194026B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20090125155A1 (en) * | 2007-11-08 | 2009-05-14 | Thomas Hill | Method and System for Optimizing Industrial Furnaces (Boilers) through the Application of Recursive Partitioning (Decision Tree) and Similar Algorithms Applied to Historical Operational and Performance Data |
CN104238545A (zh) * | 2014-07-10 | 2014-12-24 | 中国石油大学(北京) | 一种石油炼化生产过程故障诊断和预警***及其建立方法 |
CN105718717A (zh) * | 2016-01-12 | 2016-06-29 | 叶翔 | 利用贝叶斯网络算法建立锅炉燃烧过程模型的方法和装置 |
CN106485022A (zh) * | 2016-11-01 | 2017-03-08 | 河北华电石家庄热电有限公司 | 一种循环流化床锅炉脱硫脱硝运行优化控制的建模方法 |
Non-Patent Citations (5)
Title |
---|
MONTSERRAT FUENTES 等: "Model Evaluation and Spatial Interpolation by Bayesian Combination of Observations with Outputs from Numerical Models", 《BIOMETRICS》 * |
但斌斌 等: "基于神经网络的KR脱硫控制工艺模型的研究", 《制造业自动化》 * |
冯金煌 等: "脱硫喷淋塔除尘的影响因素及效果分析", 《环境工程》 * |
张旭 等: "一种具备规则趋势的模糊神经网络脱硫预报模型", 《江苏冶金》 * |
谭清磊 等: "基于因果图和贝叶斯网络的高含硫井口分离器风险分析", 《安全与环境学报》 * |
Cited By (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109173631A (zh) * | 2018-09-19 | 2019-01-11 | 华能辛店发电有限公司 | 一种串联双塔烟气脱硫***的节能优化方法 |
CN109523027A (zh) * | 2018-10-22 | 2019-03-26 | 新智数字科技有限公司 | 一种基于贝叶斯网络的锅炉运行数据监测方法和装置 |
CN109523027B (zh) * | 2018-10-22 | 2021-01-05 | 新智数字科技有限公司 | 一种基于贝叶斯网络的锅炉运行数据监测方法和装置 |
CN109657909A (zh) * | 2018-11-13 | 2019-04-19 | 北京国电龙源环保工程有限公司 | 一种基于大数据的脱硫磨制***水料比调整方法及*** |
CN109657909B (zh) * | 2018-11-13 | 2022-07-29 | 国能龙源环保有限公司 | 一种基于大数据的脱硫磨制***水料比调整方法及*** |
CN109932909A (zh) * | 2019-03-27 | 2019-06-25 | 江苏方天电力技术有限公司 | 火电机组脱硫***的大***耦合多变量优化匹配控制方法 |
CN110334855A (zh) * | 2019-06-17 | 2019-10-15 | 浙江大学 | 智能化确定废水水煤浆配制方案的预测与优化***及方法 |
CN111013370A (zh) * | 2019-11-08 | 2020-04-17 | 中国大唐集团科学技术研究院有限公司火力发电技术研究院 | 一种基于深度神经网络的湿法脱硫浆液供给量预测方法 |
CN111240282A (zh) * | 2019-12-31 | 2020-06-05 | 联想(北京)有限公司 | 一种工艺优化方法、装置、设备及计算机可读存储介质 |
CN111240282B (zh) * | 2019-12-31 | 2021-12-24 | 联想(北京)有限公司 | 一种工艺优化方法、装置、设备及计算机可读存储介质 |
CN111340199A (zh) * | 2020-03-26 | 2020-06-26 | 中煤能源研究院有限责任公司 | 一种基于物料衡算和深度学习的脱硫***节能方法 |
CN111340199B (zh) * | 2020-03-26 | 2023-05-12 | 中煤能源研究院有限责任公司 | 一种基于物料衡算和深度学习的脱硫***节能方法 |
Also Published As
Publication number | Publication date |
---|---|
CN107194026B (zh) | 2021-03-23 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107194026A (zh) | 基于贝叶斯网络的吸收塔脱硫过程建模方法 | |
Kisi et al. | Forecasting daily lake levels using artificial intelligence approaches | |
Wang et al. | A hybrid forecasting model based on outlier detection and fuzzy time series–A case study on Hainan wind farm of China | |
Attarzadeh et al. | Software development effort estimation based on a new fuzzy logic model | |
Beruvides et al. | Fault pattern identification in multi-stage assembly processes with non-ideal sheet-metal parts based on reinforcement learning architecture | |
Wieland et al. | From neural networks to qualitative models in environmental engineering | |
CN105718717A (zh) | 利用贝叶斯网络算法建立锅炉燃烧过程模型的方法和装置 | |
Mohammed et al. | Deep learning and neural network-based wind speed prediction model | |
CN116880381A (zh) | 基于强化学习的工业过程时空因果有向图建模方法 | |
CN116167415A (zh) | 一种多智能体协同及对抗中的策略决策方法 | |
Hassan et al. | A Hybrid Fuzzy Time Series Model for Forecasting. | |
Zhang et al. | A role-based POMDPs approach for decentralized implicit cooperation of multiple agents | |
Behera et al. | A state-of-the-art neuro-swarm approach for prediction of software reliability | |
CN114130034A (zh) | 基于注意力机制与强化学习的多智能体游戏ai设计方法 | |
Khan et al. | A highly optimized multi-stage teacher-learner inspired particle swarm optimizer system | |
Zhu et al. | Decomposing Synthesized Strategies for Reactive Multi-agent Reinforcement Learning | |
Daoui et al. | Control design for untimed Petri nets using Markov decision processes | |
Logan et al. | Comparing Approaches to Distributed Control of Fluid Systems based on Multi-Agent Systems | |
Wu et al. | Model-based Bayesian Reinforcement Learning in Factored Markov Decision Process. | |
Chen et al. | Training fuzzy logic controller software components by combining adaptation algorithms | |
Chen et al. | Deep Recurrent Policy Networks for Planning Under Partial Observability | |
Bathla et al. | Innovative scenario in software development effort estimation based on a new fuzzy logic model | |
Vaščák | Automatic design and optimization of fuzzy inference systems | |
Ordiano et al. | Probabilistic Energy Forecasting Using Quantile Regressions Based on a New Nearest Neighbors Quantile Filter | |
Giahi et al. | Dynamic Decision Making in Engineering System Design: A Deep Q-Learning Approach |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |