CN112699600B - 火电运行参数与NOx排放浓度间的偏回分析方法 - Google Patents

Abstract

本发明公开一种火电运行参数与NO_x排放浓度间的偏回分析方法，基于机组运行历史工况数据，首先利用人工智能通过机器学习过程建立机组生产运行复合多工况参数与火电机组NO_x排放浓度间的基础复合回归模型；令单运行参数为可变量，其他运行参数参考应用场景设置定值，利用基础复合回归模型得到偏回归分析样本数据；选择合适的拟合函数类型对样本数据进行拟合，通过参数估计得到机组运行参数与NO_x排放浓度间的偏回归模型。应用本发明可对不同运行参数与NO_x排放浓度间的数值映射进行直观掌握，对运行参数进行寻优，指导优化机组生产过程。

Description

火电运行参数与NOx排放浓度间的偏回分析方法

技术领域

本发明属于火电生产优化运行控制分析技术领域，具体涉及一种火电运行参数与NO_x排放浓度间的偏回分析方法。

背景技术

火电机组生产过程涉及复杂的传热、传质、做工等过程，调控难度大，并且易受到气候、煤源不稳定、机组性能等多变因素的影响，机组运行参数与NO_x排放浓度间难以通过机理分析建立可靠模型；基于机理模型的仿真技术往往对物理过程进行了简化和假设，因此真实机组生产过程往往与机理模型分析存在一定差距；基于机理模型的仿真分析技术一般用于机组运行参数与NO_x排放浓度间的定性分析，即用于趋势分析，无法得到基于确切数值映射的关系模型描述。

近年来借助大数据分析技术，相关研究人员通过人工智能建立机组生产运行参数与NO_x排放浓度间的智能分析诊断模型，克服了机理分析建模存在的困难，但是，基于大数据分析技术的NO_x排放控制分析诊断融合了众多运行参数，缺乏不同运行参数与NO_x排放间的偏回归分析。在机组运行过程中，常需要在稳定大部分运行参数的情况下，仅通过某个运行参数的调节使得机组NO_x排放量达到最低，如二次风的总风量，该过程需要运行参数与NO_x排放浓度间的偏回归模型以提供必要的分析和调控依据，避免经验调节的盲目性。

综上，无论是基于机理分析分析模型的推理，还是基于人工智能的大数据分析模型的诊断，当前机组运行参数与NO_x排放浓度间的诊断分析普遍可应用的是分析复合模型，复合模型融合了诸多参数作为输入变量，难以清晰地明确不同运行参数与NO_x排放浓度间的数值映射，即偏回归模型。

发明内容

本发明的目的是实现通过某特定火电机组运行参数的精确指导调节以降低NO_x排放浓度，具体通过一种火电机组运行参数与NO_x排放浓度间的偏回归分析方法来实现，应用本方法为机组运行参数的调控提供准确依据。

为实现上述目的，本发明提供一种火电运行参数与NO_x排放浓度间的偏回分析方法，所述方法包括：

S101：采集火电机组运行时段内工况数据，得到历史工况数据集；

S102：基于历史工况数据集，建立机组复合运行参数与NO_x排放浓度间的基础复合回归模型；

S103：利用基础复合回归模型得到可变运行参数对应的NO_x排放浓度的预测输出；

S104；通过拟合方法对基于可变运行参数及NO_x排放浓度的预测输出进行数据拟合；

S105：通过估计方法对拟合公式中各参数进行估计，得到可变运行参数与NO_x排放浓度间的偏回归模型；

S106:根据偏回归模型进行数据分析，得到分析结果。

作为本发明的进一步改进，利用人工智能模型通过机器学习过程建立机组生产运行复合多参数与NO_x排放浓度间的基础复合回归模型；所述人工智能模型包括神经网络，支持向量机、贝叶斯网络中的一种或多种。

作为本发明的进一步改进，所述基础复合回归模型为多输入单输出模型，输入为机组运行复合多参数，输出为NO_x排放浓度。

作为本发明的进一步改进，所述的拟合方法包括线性拟合和非线性拟合方法，其中非线性拟合所用函数模型包括指数型，正余弦函数型，多项式拟合函数中的一种或多种。

作为本发明的进一步改进，通过估计方法对拟合公式中各参数估计得到可变运行参数与NO_x排放浓度间的偏回归模型中的估计方法包括最小二乘方法。

采集火电机组运行时段内工况数据，得到历史工况数据集，具体通过DCS***采集二次风量、脱硝***入口NO_x浓度、以及其它与NO_x排放相关的工况数据；存储所有工况数据和NO_x排放浓度数据形成历史工况数据库。

作为本发明的进一步改进，基于历史工况数据集，建立机组复合运行参数与NO_x排放浓度间的基础复合回归模型；具体包括采用Bp神经网络建立机组生产运行复合多参数与NO_x排放浓度间的复合基础回归模型。

作为本发明的进一步改进，通过估计方法对拟合公式中各参数进行估计，得到可变运行参数与NO_x排放浓度间的偏回归模型具体步骤为，

将历史工况数据集中二次风量的记录数据设为{X_i}，由基础回归模型得到二次风量变化引起的NO_x浓度的变化{Y_i}；

将数据集{X_i}、{Y_i}作为偏回归分析的自变量、输出量样本，

采用三角函数作为母函数对样本进行非线性曲线拟合，得到二次风量与NO_x排放浓度间的偏回归模型。

相比现有技术，本发明具有如下优点：

1、本发明提供了一种火电运行参数与NO_x排放浓度间的偏回分析方法，应用本方法可确切分析不同运行参数与机组NO_x排放浓度间的数值映射模型，可灵活运用于不同生产工况，用于火电机组运行参数的指导性调节，以提高机组生产优化效率。应用本方法，无需增加硬件成本投入火电机组可以达到生产优化提效的目的，可避免经验调节带来的潜在隐患。

2、本发明提供机组运行参数与NO_x排放浓度间的显式数值回归模型，现有技术中基于机理建模仿真的分析方法只能对出运行参数与NO_x排放间关系进行趋势分析，不能给出确定数值模型；

3、本发明针对不同运行参数与NO_x排放浓度的关系进行偏回归分析，给出确切的数值模型，而现有技术多是针对机组运行复合多参数与NO_x排放浓度之间的关系分析，难以从中辨识不同运行参数与NO_x排放浓度间的关系并显式地表达。

附图说明

图1是本发明火电运行参数与NO_x排放浓度间的偏回分析方法示意图；

图2是本发明火电运行参数与NO_x排放浓度间的偏回分析方法的神经网路结构图；

图3是本发明实施例中的二次风量与NO_x排放浓度点集的拟合曲线。

具体实施方式

下面结合附图和具体实例来详细说明本发明，但并不作为对本发明的限定。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

本发明公开一种火电运行参数与NO_x排放浓度间的偏回分析方法，所述方法包括：

S101：采集火电机组运行时段内工况数据，得到历史工况数据集；所述历史工况数据集，包括机组运行复合多参数及机组NO_x排放浓度数据，并保证不同数据以相同频率进行采集。

S102：基于历史工况数据集，建立机组复合运行参数与NO_x排放浓度间的基础复合回归模型，具体的，利用人工智能模型通过机器学习建立机组生产运行复合多参数与NO_x排放浓度间的基础复合回归模型；所述人工智能模型包括神经网络，支持向量机、贝叶斯网络中的一种；

S103：利用基础复合回归模型得到可变运行参数对应的NO_x排放浓度的预测输出；

具体的令运行复合多参数中参与偏回归分析的运行参数为可变量，其余运行参数为常量并称其为背景参数。为提高分析的准确性，应使背景参数的取值应小于历史工况数据集中对相应参数记录的最大值，大于对相应参数记录的最小值；可变量的取值同样在历史工况数据集中对该变量记录的变化范围内。在上述条件下，利用基础复合回归模型得到可变运行参数对应的NO_x排放浓度的预测输出。

S104；通过拟合方法对基于可变运行参数及NO_x排放浓度的预测输出进行数据拟合；

基于可变运行参数及NO_x排放浓度指标的预测输出进行数据拟合，拟合中的拟合函数可采用指数型，多项式拟合函数等，通过对拟合公式中各参数的估计得到可变运行参数与NO_x排放浓度间的偏回归模型，参数估计方法可采用最小二乘方法及其他参数估计方法。

所述的拟合方法包括线性拟合和非线性拟合方法，其中非线性拟合所用函数模型包括指数型，正余弦函数型，多项式拟合函数中的一种或多种。

S105：通过估计方法对拟合公式中各参数进行估计，得到可变运行参数与NO_x排放浓度间的偏回归模型；

S106:根据偏回归模型进行数据分析，得到分析结果。

具体实施中，本发明公开了一种用于某电厂亚临界参数燃煤机组二次风量与脱硝***入口NO_x排放浓度间的偏回归分析，该实施例进一步的应用背景为，为保证生产出力及保持生产工况的稳定，将机组负荷、总煤量、总风量、锅炉总给水量按照需求维持控制在稳定水平，而为了减少NO_x的生成量、降低环保环节的投入，通过二次风量调节的方式优化机组生产过程，提高机组的综合生产效率。

该实施例中，机组优化效率具体由NO_x的生成量多少来衡量，基于本实施例的应用可直接得到二次风量与NO_x排放浓度间的偏回归模型，借助偏回归模型可观察在整个二次风量可调区间内由二次风量变化引起的NO_x排放波动，并判定二次风量的最佳工况值和最低NO_x排放浓度；

本实施例具体过程如下：

在机组正常运行条件下，对步骤S101进一步扩展,通过DCS***记录二次风量、脱硝***入口NO_x浓度、以及其它与NO_x排放相关的工况数据，包括负荷、总风量、锅炉给水量、总煤量、E磨煤机电流、F磨煤机电流、脱硝***入口氧量、脱硝***入口温度。所有记录的工况数据和NO_x排放浓度每5秒钟读取一次并存储，相关数据采集记录24小时并形成历史工况数据库。

对步骤S102进一步扩展，采用Bp神经网络建立机组生产运行复合多参数(负荷、总风量、二次风量、锅炉给水量、总煤量)与NO_x排放浓度间的复合基础回归模型，神经网络采用三层结构，即输入层、中间层、输出层，输入层共有5个输入端，中间层采用10个神经元，输出层包含一个输出端，输出值为脱硝***入口NO_x排放浓度；

如图2所示神经网路结构图；模型每个隐层神经元与各输入通过权值链接，隐层第i(1≤i≤8)个神经元收到的有效输入为其中 X＝[X₁,X₂,X₃,X₄,X₅]为输入向量，W_i＝[W_i1,W_i2,W_i3,W_i4,W_i5]|_1≤i≤10为该隐层神经元与输入层间的链接权值向量。隐层神经元激活函数为 f_i(x)＝tansig(x)＝1/(arctan(x)+1)，每个隐层神经元有效输出为其中α_i为常数偏置。模型输出层神经元与每个隐层神经元同样通过权值链接，输出层神经元激活函数为线性函数，其有效输出为/>其中为输出层神经元与隐层神经元间的链接权值向量，β为常数偏置。模型创建后启动机器学习过程，将历史工况数据集的80％用于Bp神经网络模型的训练学习，20％工况记录作为测试集用于训练后Bp神经网络模型精度的验证。

对步骤S103进一步扩展，通过上述过程得到复合基础回归模型，该模型是多输入单输出模型，输入为机组生产运行复合多参数，输出为脱硝***入口NO_x浓度。

对步骤S104进一步扩展，将工况参数(负荷、总风量、锅炉给水量、总煤量)按应用场景分别设置为稳定工况值，作为复合基础回归模型的恒定输入，一般来讲，各恒定运行参数的取值在历史工况数据集对各运行参数记录的变化区间范围内；二次风量作为基础回归模型的可变输入，并在历史工况数据集中记录的变化区间范围内取值，本实施例中取历史工况数据集中对二次风量的记录数据{X_i}。按上述设置输入条件后，由基础回归模型得到二次风量变化引起的NO_x浓度的变化{Y_i}。

对步骤S105进一步扩展，将数据集{X_i}、{Y_i}作为偏回归分析的自变量、输出量样本，由样本特点采用三角函数作为母函数对样本进行非线性曲线拟合，得到二次风量与NO_x排放浓度间的数值回归模型，即偏回归模型，如式(1)所示：

y＝a₁sin(b₁x+c₁)+a₂sin(b₂x+c₂)+a₃sin(b₃x+c₃)+a₄sin(b₄x+c₄)+a₅sin(b₅x+c₅)

拟合过程采用最小二乘法对模型参数进行估计，下面列出了模型中各参数值估计值：

a₁＝714.2，b₁＝0.003438，c₁＝2.403；

a₂＝361，b₂＝0.007211，c₂＝-0.03716；

a₃＝86.42，b₃＝0.01586，c₃＝-1.498；

a₄＝119.7，b₄＝0.025，c₄＝-3.946；

a₅＝94.79，b₅＝0.02572，c₅＝4.536

拟合过程也可采用其他类型的拟合函数如指数型函数等，具体视拟合效果选择。拟合过程中用到的输入输出样本点集{X_i}、{Y_i}即拟合数据，以及拟合得到的偏回归模型曲线；

如图3所示为二次风量与NO_x排放浓度点集的拟合曲线；本实施例中样本数据{X_i}并不涵盖整个二次风量的可调区间，令二次风量在调节范围内取值，本实施例中二次风量参考总风量可调区间为1150—1800Nm³/h,根据拟合模型，NO_x排放浓度随着二次风量的变化发生连续波动，波动范围为 276.5846mg/Nm³-771.1134mg/Nm³,由拟合曲线可得，当二次风量调节为 1573Nm³/h时，机组NO_x排放浓度为276.5846mg/Nm³，为机组可达到的最低排放水平。

以上所述的具体实施方式，对本发明的目的、技术方案和有益效果进行了进一步详细说明，所应理解的是，以上所述仅为本发明的具体实施方式而已，并不用于限定本发明的保护范围，凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (5)

1.一种火电运行参数与NO_x排放浓度间的偏回分析方法，其特征在于，所述方法包括：

S101：采集火电机组运行时段内工况数据，得到历史工况数据集；

S102：基于历史工况数据集，建立机组复合运行参数与NO_x排放浓度间的基础复合回归模型；

S103：利用基础复合回归模型得到可变运行参数对应的NO_x排放浓度的预测输出；

S104：通过拟合方法对基于可变运行参数及NO_x排放浓度的预测输出进行数据拟合；

S105：通过估计方法对拟合公式中各参数进行估计，得到可变运行参数与NO_x排放浓度间的偏回归模型；

S106：根据偏回归模型进行数据分析，得到分析结果；

其中，所述历史工况数据集，包括机组运行复合多参数及机组NO_x排放浓度数据；

通过DCS***记录二次风量、脱硝***入口NO_x浓度、以及其它与NO_x排放相关的工况数据，储存所有工况数据和NO_x排放浓度数据形成历史工况数据库；

所述与NO_x排放相关的工况数据包括负荷、总风量、锅炉给水量、总煤量、磨煤机电流、脱硝***入口氧量、脱硝***入口温度；

多种不同数据以相同频率进行采集；

基于历史工况数据集，建立机组复合运行参数与NO_x排放浓度间的基础复合回归模型；具体通过采用Bp神经网络建立机组生产运行复合多参数与NO_x排放浓度间的复合基础回归模型；

对拟合公式中各参数进行估计，得到可变运行参数与NO_x排放浓度间的偏回归模型具体步骤为，

首先将历史工况数据集中二次风量的记录数据设为{X_i}，由基础回归模型得到二次风量变化引起的NO_x浓度的变化{Y_i}；

其次将数据集{X_i}、{Y_i}作为偏回归分析的自变量、输出量样本；

最后采用三角函数作为母函数对样本进行非线性曲线拟合，得到二次风量与NO_x排放浓度间的偏回归模型。

2.根据权利要求1所述的火电运行参数与NOx排放浓度间的偏回分析方法，其特征在于，利用人工智能模型通过机器学习建立机组生产运行复合多参数与NO_x排放浓度间的基础复合回归模型。

3.根据权利要求2所述的火电运行参数与NO_x排放浓度间的偏回分析方法，其特征在于，所述基础复合回归模型为多输入单输出模型，输入为机组运行复合多参数，输出为NO_x排放浓度。

4.根据权利要求1至3中任一权利要求所述的火电运行参数与NO_x排放浓度间的偏回分析方法，其特征在于，所述的拟合方法包括线性拟合和非线性拟合方法，其中非线性拟合所用函数模型包括指数型，正余弦函数型，多项式拟合函数中的一种或多种。

5.根据权利要求4所述的火电运行参数与NO_x排放浓度间的偏回分析方法，其特征在于，通过估计方法对拟合公式中各参数估计得到可变运行参数与NO_x排放浓度间的偏回归模型中的估计方法包括最小二乘方法。