CN114444295A - 一种基于组合时序预测的NOx废气浓度预测方法 - Google Patents
一种基于组合时序预测的NOx废气浓度预测方法 Download PDFInfo
- Publication number
- CN114444295A CN114444295A CN202210071697.6A CN202210071697A CN114444295A CN 114444295 A CN114444295 A CN 114444295A CN 202210071697 A CN202210071697 A CN 202210071697A CN 114444295 A CN114444295 A CN 114444295A
- Authority
- CN
- China
- Prior art keywords
- prediction
- exhaust gas
- time sequence
- combined
- gas concentration
- 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
- 238000000034 method Methods 0.000 title claims abstract description 59
- 239000007789 gas Substances 0.000 claims abstract description 74
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 56
- 238000007781 pre-processing Methods 0.000 claims abstract description 12
- 239000002912 waste gas Substances 0.000 claims abstract description 11
- 238000011156 evaluation Methods 0.000 claims abstract description 10
- 238000005070 sampling Methods 0.000 claims abstract description 8
- 238000012545 processing Methods 0.000 claims abstract description 5
- 238000010606 normalization Methods 0.000 claims abstract description 4
- 238000012896 Statistical algorithm Methods 0.000 claims description 24
- 238000000611 regression analysis Methods 0.000 claims description 12
- RAHZWNYVWXNFOC-UHFFFAOYSA-N Sulphur dioxide Chemical compound O=S=O RAHZWNYVWXNFOC-UHFFFAOYSA-N 0.000 claims description 6
- UGFAIRIUMAVXCW-UHFFFAOYSA-N Carbon monoxide Chemical compound [O+]#[C-] UGFAIRIUMAVXCW-UHFFFAOYSA-N 0.000 claims description 5
- 239000003546 flue gas Substances 0.000 claims description 5
- 238000009499 grossing Methods 0.000 claims description 4
- QVGXLLKOCUKJST-UHFFFAOYSA-N atomic oxygen Chemical compound [O] QVGXLLKOCUKJST-UHFFFAOYSA-N 0.000 claims description 3
- 238000004140 cleaning Methods 0.000 claims description 3
- 229910052760 oxygen Inorganic materials 0.000 claims description 3
- 239000001301 oxygen Substances 0.000 claims description 3
- 238000002360 preparation method Methods 0.000 claims description 3
- QGZKDVFQNNGYKY-UHFFFAOYSA-N Ammonia Chemical compound N QGZKDVFQNNGYKY-UHFFFAOYSA-N 0.000 description 18
- 229910021529 ammonia Inorganic materials 0.000 description 9
- 238000002347 injection Methods 0.000 description 7
- 239000007924 injection Substances 0.000 description 7
- IJGRMHOSHXDMSA-UHFFFAOYSA-N Atomic nitrogen Chemical compound N#N IJGRMHOSHXDMSA-UHFFFAOYSA-N 0.000 description 6
- 238000003860 storage Methods 0.000 description 6
- 238000004590 computer program Methods 0.000 description 5
- 230000000694 effects Effects 0.000 description 5
- 230000008569 process Effects 0.000 description 5
- 239000000243 solution Substances 0.000 description 5
- 229910052757 nitrogen Inorganic materials 0.000 description 3
- 230000006399 behavior Effects 0.000 description 2
- 239000003245 coal Substances 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000001932 seasonal effect Effects 0.000 description 2
- 241001123248 Arma Species 0.000 description 1
- 230000002159 abnormal effect Effects 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 239000003054 catalyst Substances 0.000 description 1
- 238000010531 catalytic reduction reaction Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000003066 decision tree Methods 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000003912 environmental pollution Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 239000002245 particle Substances 0.000 description 1
- 238000007637 random forest analysis Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
Images
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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2113/00—Details relating to the application field
- G06F2113/08—Fluids
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)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Feedback Control In General (AREA)
Abstract
本发明公开了一种基于组合时序预测的NOx废气浓度预测方法,包括:采集原始NOx废气浓度信号,并对其进行预处理,生成时序数据集A;对m个特征参数进行采样和预处理,构建时序特征序列,并对时序特征序列进行归一化处理,生成时序数据集B;结合时序数据集A和时序数据集B,并利用滑动窗口构建时序相关序列数据组;从单步预测算法库和多步预测算法库中选择p种算法,建立k个p层的组合预测方案,分别对时序相关序列数据组进行中短期的NOx废气浓度预测;利用PR2指标对预测结果进行评价,根据评价结果从k个p层的组合预测方案中选取最优预测方案,对NOx废气浓度进行预测;本发明具有很强的灵活性和适应性,且预测精度高。
Description
技术领域
本发明涉及NOx废气浓度预测的技术领域,尤其涉及一种基于组合时序预测的NOx废气浓度预测方法。
背景技术
目前,燃煤电厂基于对NOx废气浓度的实时监测,通过选择性催化还原(SelectiveCatalytic Reduction,SCR)为主的脱硝技术,在末端烟道中,在催化剂温度条件下,将NH3与烟气中的NOx混合并发生反应,最终生成无污染的氮气和水,以此实现对NOx废气浓度的控制。
由于热力***的容积迟滞惯性与烟道中NOx废气浓度分布不均匀的现象,导致NOx废气浓度测量不准确;同时,为了快速响应电网的负荷波动,火电厂会根据负荷实时改变炉膛的给煤量,导致NOx的生成量不稳定,从而导致脱硝入口NOx废气浓度的波动,这两个问题都导致NOx的排放浓度很难达到超低氮排放的标准。所以,电厂为了满足国家超低氮排放的标准,通常采用后处理过量喷氨的行为来降低NOx排放浓度。但过量喷氨行为也造成了设备堵塞、运行成本升高和环境污染等问题。
所以,在保证NOx排放满足国标排放要求的前提下,同时实现减少或避免过量喷氨行为,则需要实现燃煤机组的NOx排放中短期浓度预测,为喷氨控制***提供一个高精度的中短期NOx废气浓度预测模型。
随着现代预测理论与方法的发展,各种时序预测方法应运而生,人们往往需要根据实际问题选择合适的预测方法,目前常用的时序预测方法可以分为线性时序统计、非线性时序统计和外因统计回归三类。但这三种时序预测方法只能预测NOx废气浓度序列的对应模式,很难得到一个高精度的预测结果。所以,本发明使用组合预测的思想,将多种算法进行组合,以此提取NOx废气浓度序列中的混合模式,从而提高NOx废气浓度预测的精度。
NOx废气浓度的跃升导致了***喷氨量的跃升,但由于***的迟滞惯性,跃升位置处的喷氨量往往是过量的,所以需要对跃升位置进行***;同时,时间序列中跃升点附近的数据通常是难以准确预测的,是预测误差的主要来源。
发明内容
本部分的目的在于概述本发明的实施例的一些方面以及简要介绍一些较佳实施例。在本部分以及本申请的说明书摘要和发明名称中可能会做些简化或省略以避免使本部分、说明书摘要和发明名称的目的模糊,而这种简化或省略不能用于限制本发明的范围。
鉴于上述现有存在的问题,提出了本发明。
为解决上述技术问题,本发明提供如下技术方案,包括:采集原始NOx废气浓度信号,并对其进行预处理,生成时序数据集A;对m个特征参数进行采样和预处理,构建时序特征序列,并对所述时序特征序列进行归一化处理,生成时序数据集B;结合时序数据集A和时序数据集B,并利用滑动窗口构建时序相关序列数据组;从单步预测算法库和多步预测算法库中选择p种算法,建立k个p层的组合预测方案,分别对所述时序相关序列数据组进行中短期的NOx废气浓度预测;利用PR2指标对预测结果进行评价,根据评价结果从k个p层的组合预测方案中选取最优预测方案,利用最优预测方案对NOx废气浓度进行预测。
作为本发明所述的基于组合时序预测的NOx废气浓度预测方法的一种优选方案,其中:包括:以60s为采样周期,采集原始NOx废气浓度信号,并对原始NOx废气浓度信号进行预处理,即进行数据清洗和平滑操作,生成时序数据集A:
{c1,c2,c3...cn}
其中,c表示NOx废气浓度,n表示时间序列长度。
作为本发明所述的基于组合时序预测的NOx废气浓度预测方法的一种优选方案,其中:时序数据集B包括:
其中,f表示特征参数。
作为本发明所述的基于组合时序预测的NOx废气浓度预测方法的一种优选方案,其中:构建时序相关序列数据组包括:设定滑动窗口中观测视界长度为5,预测视界长度为1,那么时序相关序列数据组的样本个数为n-5,每个样本的长度为5m+6;
其中,第一个样本的形式如下:
[c1 c2...c5 f1,1 f1,2...f1,5...fm,1...fm,5 c6]
式中,前5m个数据为样本输入,最后1个数据为样本输出;
将n-5个样本进行组合,构成时序相关序列数据组的样本输出y:
{y1,y2,y3...yN}={c6,c7,c8...cn},N=n-5。
作为本发明所述的基于组合时序预测的NOx废气浓度预测方法的一种优选方案,其中:单步预测算法库包括a种线性时序统计算法、b种非线性时序统计算法和c种外因统计回归分析算法。
作为本发明所述的基于组合时序预测的NOx废气浓度预测方法的一种优选方案,其中:多步预测算法库包括4种多步预测策略,每种多步预测策略都包含了c种回归算法;所述4种多步预测策略为:直接策略、递归策略、直接递归策略和多输入多输出策略。
作为本发明所述的基于组合时序预测的NOx废气浓度预测方法的一种优选方案,其中:包括:p层的组合预测方案是指p种算法通过串联方式连接的算法组合,利用p层的组合预测方案分别对时序相关序列数据组{Δ1yi,Δ2yi,...Δjyi...,Δpyi}进行预测,获得每一层的预测结果其中Δjyi和为第j层算法中第i个样本输出的实际值和预测值,如下式:
其中,Mj表示第j层的算法。
作为本发明所述的基于组合时序预测的NOx废气浓度预测方法的一种优选方案,其中:包括:组合预测方案包括单步预测组合方案和多步预测组合方案,其中,按照线性时序统计算法、非线性时序统计算法和外因统计回归分析算法的顺序制定一个p=3层的单步预测组合方案,共有a×b×c种;按照p层的组合方式制定所述多步预测组合方案,共有(4×c)p种;若使用同一种多步预测策略建立多步预测组合方案,则所述多步预测组合方案减少为4×cp种。
作为本发明所述的基于组合时序预测的NOx废气浓度预测方法的一种优选方案,其中:评价包括:在时序相关序列数据组中提取局部最大值点的位置信息,其中局部最大值点t的定义为:
t:where yt=max(yt-d,...yt-1,yt,yt+1,...yt+d),d>1
选择局部最大值点t前后d个时间点构成局部最大值区间,用R2指标分别计算每个跃升区间[t-d,t+d]的预测精度R2t:
设局部最大值区间个数为w,第t个跃升区间的R2指标为R2t,则PR2指标的评价结果PR2t为:
作为本发明所述的基于组合时序预测的NOx废气浓度预测方法的一种优选方案,其中:特征参数包括:锅炉不同位置的一、二次风流量,不同位置处烟气的氧气含量、二氧化硫含量及温度传感器信息参数。
本发明的有益效果:本发明基于单步预测和多步预测的算法库,针对NOx废气浓度预测问题提出PR2评价指标,选择最优的组合预测方案进行中短期的NOx废气浓度预测,具有很强的灵活性和适应性,且预测精度高。
附图说明
为了更清楚地说明本发明实施例的技术方案,下面将对实施例描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动性的前提下,还可以根据这些附图获得其它的附图。其中:
图1为本发明第二个实施例所述的基于组合时序预测的NOx废气浓度预测方法的单步预测组合方案的数据集结构示意图;
图2为本发明第二个实施例所述的基于组合时序预测的NOx废气浓度预测方法的1分钟NOx废气浓度预测结果的对比结果示意图;
图3为本发明第二个实施例所述的基于组合时序预测的NOx废气浓度预测方法的5分钟NOx废气浓度预测结果的对比结果示意图;
图4为本发明第二个实施例所述的基于组合时序预测的NOx废气浓度预测方法的10分钟NOx废气浓度预测结果的对比结果示意图。
具体实施方式
为使本发明的上述目的、特征和优点能够更加明显易懂,下面结合说明书附图对本发明的具体实施方式做详细的说明,显然所描述的实施例是本发明的一部分实施例,而不是全部实施例。基于本发明中的实施例,本领域普通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,都应当属于本发明的保护的范围。
在下面的描述中阐述了很多具体细节以便于充分理解本发明,但是本发明还可以采用其他不同于在此描述的其它方式来实施,本领域技术人员可以在不违背本发明内涵的情况下做类似推广,因此本发明不受下面公开的具体实施例的限制。
其次,此处所称的“一个实施例”或“实施例”是指可包含于本发明至少一个实现方式中的特定特征、结构或特性。在本说明书中不同地方出现的“在一个实施例中”并非均指同一个实施例,也不是单独的或选择性的与其他实施例互相排斥的实施例。
本发明结合示意图进行详细描述,在详述本发明实施例时,为便于说明,表示器件结构的剖面图会不依一般比例作局部放大,而且所述示意图只是示例,其在此不应限制本发明保护的范围。此外,在实际制作中应包含长度、宽度及深度的三维空间尺寸。
同时在本发明的描述中,需要说明的是,术语中的“上、下、内和外”等指示的方位或位置关系为基于附图所示的方位或位置关系,仅是为了便于描述本发明和简化描述,而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作,因此不能理解为对本发明的限制。此外,术语“第一、第二或第三”仅用于描述目的,而不能理解为指示或暗示相对重要性。
本发明中除非另有明确的规定和限定,术语“安装、相连、连接”应做广义理解,例如:可以是固定连接、可拆卸连接或一体式连接;同样可以是机械连接、电连接或直接连接,也可以通过中间媒介间接相连,也可以是两个元件内部的连通。对于本领域的普通技术人员而言,可以具体情况理解上述术语在本发明中的具体含义。
实施例1
本实施例提供了一种基于组合时序预测的NOx废气浓度预测方法,包括:
S1:采集原始NOx废气浓度信号,并对其进行预处理,生成时序数据集A。
以60s为采样周期,采集原始NOx废气浓度信号,并对原始NOx废气浓度信号进行预处理,即进行数据清洗(对数据集中的缺失值、重复值和异常值进行处理)和平滑操作,生成时序数据集A:
{c1,c2,c3...cn}
其中,c表示NOx废气浓度,n表示序列长度。
通过预处理,可以有效的提高数据集的质量,减少噪声的影响。
S2:对m个特征参数进行采样和预处理,构建时序特征序列,并对时序特征序列进行归一化处理,生成时序数据集B。
其中需要说明的是,特征参数包括锅炉不同位置的一、二次风流量、和不同位置处烟气的氧气含量、二氧化硫含量及温度传感器信息参数。
时序数据集B:
其中,f表示特征参数。
S3:结合时序数据集A和时序数据集B,并利用滑动窗口构建时序相关序列数据组。
设定滑动窗口中观测视界长度为5,预测视界长度为1,那么时序相关序列数据组的样本个数为n-5,每个样本的长度为5m+6;
其中,第一个样本的形式如下:
[c1 c2...c5 f1,1 f1,2...f1,5...fm,1...fm,5 c6]
式中,前5m个数据为样本输入,最后1个数据为样本输出;
将n-5个样本进行组合,构成时序相关序列数据组的样本输出y:
{y1,y2,y3...yN}={c6,c7,c8...cn},N=n-5。
S4:从单步预测算法库和多步预测算法库中选择p种算法,建立k个p层的组合预测方案,分别对时序相关序列数据组进行中短期的NOx废气浓度预测。
p层的组合预测方案是指p种算法通过串联方式连接的算法组合,当进行单步预测时,使用单步预测算法;当进行多步预测时,使用多步预测算法。
(1)单步预测算法库包括a种线性时序统计算法、b种非线性时序统计算法和c种外因统计回归分析算法。
(2)多步预测算法库包括4种多步预测策略,每种多步预测策略都包含了c种回归算法;4种多步预测策略为:直接策略、递归策略、直接递归策略和多输入多输出策略。
组合预测方案包括单步预测组合方案和多步预测组合方案,其中,按照线性时序统计算法、非线性时序统计算法和外因统计回归分析算法的顺序制定一个p=3层的单步预测组合方案,共有a×b×c种;按照p层的组合方式制定多步预测组合方案,共有(4×c)p种;若使用同一种多步预测策略建立多步预测组合方案,则多步预测组合方案减少为4×cp种。
进一步的,利用p层的组合预测方案分别对时序相关序列数据组{Δ1yi,Δ2yi,...Δjyi...,Δpyi}进行预测,获得每一层的预测结果其中Δjyi和为第j层算法中第i个样本输出的实际值和预测值,如下式:
其中,Mj表示第j层的算法。
在时序相关序列数据组中提取局部最大值点的位置信息,其中局部最大值点t的定义为:
t:where yt=max(yt-d,...yt-1,yt,yt+1,...yt+d),d>1
选择局部最大值点t前后d个时间点构成局部最大值区间,用R2指标分别计算每个跃升区间[t-d,t+d]的预测精度R2t:
设局部最大值区间个数为w,第t个跃升区间的R2指标为R2t,则PR2指标的评价结果PR2t为:
与决定系数R2相同,PR2越大,模型精度越高,预测效果越好;与R2指标相比,PR2指标是针对NOx废气浓度跃升时预测误差较大的问题提出的,是一个更具针对性的指标,同时,R2是一种评价全局预测好坏的指标,它容易受全局中不同位置预测精度的影响,当全局上预测精度较高时,R2指标在不同模型中的表现都很优秀(均接近于1),很难判断不同模型之间的差异性;但PR2是计算样本子集上的预测精度,可以更好的反映预测的精度。
实施例2
为了对本方法中采用的技术效果加以验证说明,本实施例选择本方法对NOx废气浓度进行预测,以验证本方法所具有的真实效果。
(1)单步预测算法库包括4种线性时序统计算法、3种非线性时序统计算法和5种外因统计回归分析算法,其中,4种线性时序统计算法为:朴素预测法(Naive Forecasting)、Theta型指数平滑模型、差分整合自回归移动平均模型(Autoregressive IntegratedMovingAverage model,ARIMA)和使用季节性特征、Box-Cox转换、ARMA误差、趋势和季节组分的时序预测模型TBATS;3种非线性时序统计算法为:自回归条件异方差模型(Autoregressive Conditional Heteroskedasticity Model,ARCH)、广义自回归条件异方差模型(Generalized Autoregressive Conditional Heteroskedasticity Model,GARCH)和指数的广义自回归条件异方差模型(Exponential Generalized AutoregressiveConditional heteroskedasticity Model,EGARCH);5种外因统计回归分析算法为:使用LARS算法实现的lasso模型LassoLars、广义回归神经网络(Generalized RegressionNeural Network,GRNN)、支持向量回归(Support Vector Regression,SVR)、K近邻(KNearest Neighbors,KNN)和梯度提升决策树(Gradient BoostingDecision Tree,GBDT);因此,共有60种单步预测组合方案,例如线性时序统计算法ARIMA+非线性时序统计算法ARCH+外因统计回归分析算法SVR。
(2)多步预测算法库包括4种多步预测策略,每一种多步预测策略中都包含了5种回归算法:LassoLars、SVR、KNN、GBDT和随机森林Random Forests;按照q层的组合方式制定多步预测组合方案,共有4×52=100种;
结合60种单步预测组合方案和100种多步预测组合方案,分别对NOx废气浓度数据进行1分钟、5分钟和10分钟的中短期预测;同时,将Naive Forecast模型作为基准模型,以此比较本方法相对于基准模型的提升幅度,其中,基准模型的定义如下:
以沧州某个电厂的数据集为例,其中包含了锅炉中数个传感器测点位置的给煤量、风量、风温、气体流量、烟气流量、供氨量、NOx废气浓度等信息,一共有64组传感信息特征。
数据集说明:本实施例选取A脱硝入口处NOx废气浓度作为预测对象,其他63组特征作为回归分析中的外因,同时,实验将采样间隔设置为60s,选取2020/12/15 14:43:00到2020/12/17 8:22:00共2500个连续时间点作为本实施例的数据集;数据缺失时,选择用对应属性平均值补齐。
实施例参数设置:为实现燃煤机组的NOx排放中短期浓度预测,本实施例实现了对1分钟、5分钟和10分钟之后的NOx废气浓度预测,同时,对于线性和非线性时序统计算法,滑动窗口大小设置为200,每1个时间步更新一次观测序列;对于回归算法,滑动窗口大小为1000,每100个时间步更新一次观测序列;本实施例测试集大小设置为500,按组合层数,单步预测组合方案的数据集结构示意图如图1所示。
预测结果:
1)单步预测:使用基准模型,1分钟后的NOx废气浓度预测精度为R2=0.980,PR2=0.112;再使用本方法的60种单步预测组合方案,按照线性时序统计、非线性时序统计和外因统计回归分析的算法顺序,对NOx废气浓度序列进行预测,预测结果分别如表1、表2、表3所示。
表1:第一层组合模型(线性时序统计算法)的预测结果。
Native Forecast | Theta | ARIMA | TBATS | |
R2 | 0.980 | 0.980 | 0.994 | 0.981 |
PR2 | 0.112 | 0.110 | 0.785 | 0.270 |
由表1可以发现,四个线性时序统计算法的R2指标都很高,在这个情况下,R2指标很难分辨不同模型的好坏,很难指导模型的优化和选择工作;而本发明提出的PR2指标,可以较好地区分出各种模型的优劣性,可以更好的对模型进行优化,是一个合适的指标;第一层组合模型中,ARIMA模型的效果最好,所以当第一层模型为ARIMA时,第二层非线性时序统计算法的预测结果如表2所示。
表2:第二层组合模型(非线性时序统计算法)的预测结果。
ARCH | GARCH | EGARCH | |
R2 | 0.995 | 0.995 | 0.995 |
PR2 | 0.788 | 0.780 | 0.799 |
通过表2可以发现,ARIMA+ARCH的两层组合模型的效果是最好的,所以当前两层组合模型为ARIMA+ARCH时,第三层外因统计回归分析模型的预测结果如表3所示。
表3:第三层组合模型(线性时序统计算法)的预测结果。
LassorLars | GRNN | KNN | SVR | GBDT | |
R2 | 0.995 | 0.995 | 0.995 | 0.995 | 0.995 |
PR2 | 0.795 | 0.629 | 0.476 | 0.794 | 0.788 |
由表3可知,组合方案为ARIMA+ARCH+LassoLars时,组合模型的效果最好,其中R2指标达到了0.995,PR2指标达到了0.795;这个组合方案实现了对NOx废气浓度的高精度预测,体现了组合方法的优越性,预测结果如图2所示。
2)多步长窗预测
使用基准模型,5分钟后的NOx废气浓度预测的精度为R2=0.926,PR2=-3.153;10分钟后的NOx废气浓度预测精度为R2=0.901,PR2=-4.233,本实施例使用基于KNN算法的四种多步预测策略,从中选取最适合实例数据集的策略,预测结果的R2指标如表4所示。
表4:四种多步预测策略的预测结果。
递归 | 直接 | 直接+递归 | 多输入多输出 | |
5分钟 | 0.830 | 0.915 | 0.835 | 0.843 |
10分钟 | 0.739 | 0.899 | 0.744 | 0.765 |
基于表4的预测结果,本实施例使用直接的多步预测策略,再根据双层的组合方案,使用5种回归算法对NOx废气浓度进行预测,第一层组合模型的预测结果的精度如表5所示。
表5:第一层组合模型(回归算法)的预测结果。
由表5可知,相比于基准模型,使用直接策略可以有效提高预测的精度;其中,SVR模型对5分钟和10分钟的NOx废气浓度的预测结果最好,其R2和PR2指标均为最优,所以使用SVR作为组合模型的第一层,组合模型第二层的预测结果的精度如表6所示。
表6:第二层组合模型(回归算法)的预测结果。
比较表5和表6的预测结果,发现对5分钟的预测而言,SVR+LassorLars的双层模型在PR2上的预测效果最好,PR2从-0.525提高到了-0.381,但其R2指标有所下降,其预测结果与实际结果的对比如图3所示;对于10分钟的预测而言,SVR+LassorLars的双层模型在R2和PR2两个指标上均有提升,R2从0.961提升到了0.966,PR2从-1.338提升到了-0.190,其预测结果与实际结果的对比如图4所示。
从实施例的1分钟、5分钟和10分钟的预测结果可以发现,本发明可以实现对NOx废气浓度的中短期精确预测,从而实现对喷氨量的精确控制,在保证NOx排放浓度达到国家标准的同时,可有效减少电厂过量喷氨,为环境保护提供了积极的技术助力。
应当认识到,本发明的实施例可以由计算机硬件、硬件和软件的组合、或者通过存储在非暂时性计算机可读存储器中的计算机指令来实现或实施。所述方法可以使用标准编程技术-包括配置有计算机程序的非暂时性计算机可读存储介质在计算机程序中实现,其中如此配置的存储介质使得计算机以特定和预定义的方式操作——根据在具体实施例中描述的方法和附图。每个程序可以以高级过程或面向对象的编程语言来实现以与计算机***通信。然而,若需要,该程序可以以汇编或机器语言实现。在任何情况下,该语言可以是编译或解释的语言。此外,为此目的该程序能够在编程的专用集成电路上运行。
此外,可按任何合适的顺序来执行本文描述的过程的操作,除非本文另外指示或以其他方式明显地与上下文矛盾。本文描述的过程(或变型和/或其组合)可在配置有可执行指令的一个或多个计算机***的控制下执行,并且可作为共同地在一个或多个处理器上执行的代码(例如,可执行指令、一个或多个计算机程序或一个或多个应用)、由硬件或其组合来实现。所述计算机程序包括可由一个或多个处理器执行的多个指令。
进一步,所述方法可以在可操作地连接至合适的任何类型的计算平台中实现,包括但不限于个人电脑、迷你计算机、主框架、工作站、网络或分布式计算环境、单独的或集成的计算机平台、或者与带电粒子工具或其它成像装置通信等等。本发明的各方面可以以存储在非暂时性存储介质或设备上的机器可读代码来实现,无论是可移动的还是集成至计算平台,如硬盘、光学读取和/或写入存储介质、RAM、ROM等,使得其可由可编程计算机读取,当存储介质或设备由计算机读取时可用于配置和操作计算机以执行在此所描述的过程。此外,机器可读代码,或其部分可以通过有线或无线网络传输。当此类媒体包括结合微处理器或其他数据处理器实现上文所述步骤的指令或程序时,本文所述的发明包括这些和其他不同类型的非暂时性计算机可读存储介质。当根据本发明所述的方法和技术编程时,本发明还包括计算机本身。计算机程序能够应用于输入数据以执行本文所述的功能,从而转换输入数据以生成存储至非易失性存储器的输出数据。输出信息还可以应用于一个或多个输出设备如显示器。在本发明优选的实施例中,转换的数据表示物理和有形的对象,包括显示器上产生的物理和有形对象的特定视觉描绘。
如在本申请所使用的,术语“组件”、“模块”、“***”等等旨在指代计算机相关实体,该计算机相关实体可以是硬件、固件、硬件和软件的结合、软件或者运行中的软件。例如,组件可以是,但不限于是:在处理器上运行的处理、处理器、对象、可执行文件、执行中的线程、程序和/或计算机。作为示例,在计算设备上运行的应用和该计算设备都可以是组件。一个或多个组件可以存在于执行中的过程和/或线程中,并且组件可以位于一个计算机中以及/或者分布在两个或更多个计算机之间。此外,这些组件能够从在其上具有各种数据结构的各种计算机可读介质中执行。这些组件可以通过诸如根据具有一个或多个数据分组(例如,来自一个组件的数据,该组件与本地***、分布式***中的另一个组件进行交互和/或以信号的方式通过诸如互联网之类的网络与其它***进行交互)的信号,以本地和/或远程过程的方式进行通信。
应说明的是,以上实施例仅用以说明本发明的技术方案而非限制,尽管参照较佳实施例对本发明进行了详细说明,本领域的普通技术人员应当理解,可以对本发明的技术方案进行修改或者等同替换,而不脱离本发明技术方案的精神和范围,其均应涵盖在本发明的权利要求范围当中。
Claims (10)
1.一种基于组合时序预测的NOx废气浓度预测方法,其特征在于,包括:
采集原始NOx废气浓度信号,并对其进行预处理,生成时序数据集A;
对m个特征参数进行采样和预处理,构建时序特征序列,并对所述时序特征序列进行归一化处理,生成时序数据集B;
结合时序数据集A和时序数据集B,并利用滑动窗口构建时序相关序列数据组;
从单步预测算法库和多步预测算法库中选择p种算法,建立k个p层的组合预测方案,分别对所述时序相关序列数据组进行中短期的NOx废气浓度预测;
利用PR2指标对预测结果进行评价,根据评价结果从k个p层的组合预测方案中选取最优预测方案,利用最优预测方案对NOx废气浓度进行预测。
2.如权利要求1所述的基于组合时序预测的NOx废气浓度预测方法,其特征在于,包括:
以60s为采样周期,采集原始NOx废气浓度信号,并对原始NOx废气浓度信号进行预处理,即进行数据清洗和平滑操作,生成时序数据集A:
{c1,c2,c3...cn}
其中,c表示NOx废气浓度,n表示时间序列长度。
4.如权利要求3所述的基于组合时序预测的NOx废气浓度预测方法,其特征在于,构建时序相关序列数据组包括:
设定滑动窗口中观测视界长度为5,预测视界长度为1,那么时序相关序列数据组的样本个数为n-5,每个样本的长度为5m+6;
其中,第一个样本的形式如下:
[c1 c2 ... c5 f1,1 f1,2 ... f1,5 ... fm,1 ... fm,5 c6]
式中,前5m个数据为样本输入,最后1个数据为样本输出;
将n-5个样本进行组合,构成时序相关序列数据组的样本输出y:
{y1,y2,y3...yN}={c6,c7,c8...cn},N=n-5。
5.如权利要求1或2所述的基于组合时序预测的NOx废气浓度预测方法,其特征在于,单步预测算法库包括a种线性时序统计算法、b种非线性时序统计算法和c种外因统计回归分析算法。
6.如权利要求5所述的基于组合时序预测的NOx废气浓度预测方法,其特征在于,多步预测算法库包括4种多步预测策略,每种多步预测策略都包含了c种回归算法;
所述4种多步预测策略为:直接策略、递归策略、直接递归策略和多输入多输出策略。
8.如权利要求6所述的基于组合时序预测的NOx废气浓度预测方法,其特征在于,包括:
组合预测方案包括单步预测组合方案和多步预测组合方案,其中,按照线性时序统计算法、非线性时序统计算法和外因统计回归分析算法的顺序制定一个p=3层的单步预测组合方案,共有a×b×c种;按照p层的组合方式制定所述多步预测组合方案,共有(4×c)p种;若使用同一种多步预测策略建立多步预测组合方案,则所述多步预测组合方案减少为4×cp种。
10.如权利要求1所述的基于组合时序预测的NOx废气浓度预测方法,其特征在于,特征参数包括:
锅炉不同位置的一、二次风流量,不同位置处烟气的氧气含量、二氧化硫含量及温度传感器信息参数。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210071697.6A CN114444295B (zh) | 2022-01-21 | 2022-01-21 | 一种基于组合时序预测的NOx废气浓度预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210071697.6A CN114444295B (zh) | 2022-01-21 | 2022-01-21 | 一种基于组合时序预测的NOx废气浓度预测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114444295A true CN114444295A (zh) | 2022-05-06 |
CN114444295B CN114444295B (zh) | 2023-04-25 |
Family
ID=81368675
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210071697.6A Active CN114444295B (zh) | 2022-01-21 | 2022-01-21 | 一种基于组合时序预测的NOx废气浓度预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114444295B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115146833A (zh) * | 2022-06-14 | 2022-10-04 | 北京全应科技有限公司 | 一种锅炉氮氧化物生成浓度的预测方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20170076216A1 (en) * | 2015-09-10 | 2017-03-16 | Siemens Aktiengesellschaft | Maintenance event planning using adaptive predictive methodologies |
CN111562358A (zh) * | 2020-05-06 | 2020-08-21 | 武汉大学 | 基于联合模型的变压器油中气体含量预测方法及*** |
CN112232522A (zh) * | 2020-11-19 | 2021-01-15 | 山东科技大学 | 一种深部巷道支护方案智能推荐及动态优化方法 |
CN113111588A (zh) * | 2021-04-23 | 2021-07-13 | 中国大唐集团科学技术研究院有限公司华东电力试验研究院 | 一种燃气轮机nox排放浓度预测方法及装置 |
-
2022
- 2022-01-21 CN CN202210071697.6A patent/CN114444295B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20170076216A1 (en) * | 2015-09-10 | 2017-03-16 | Siemens Aktiengesellschaft | Maintenance event planning using adaptive predictive methodologies |
CN111562358A (zh) * | 2020-05-06 | 2020-08-21 | 武汉大学 | 基于联合模型的变压器油中气体含量预测方法及*** |
CN112232522A (zh) * | 2020-11-19 | 2021-01-15 | 山东科技大学 | 一种深部巷道支护方案智能推荐及动态优化方法 |
CN113111588A (zh) * | 2021-04-23 | 2021-07-13 | 中国大唐集团科学技术研究院有限公司华东电力试验研究院 | 一种燃气轮机nox排放浓度预测方法及装置 |
Non-Patent Citations (2)
Title |
---|
李云帆: "《基于机器学习的石化废气污染物排放预测》", 《中国优秀硕士学位论文全文数据库》 * |
王博等: "基于EMD-SVR的火电厂选择性催化还原脱硝***出口NOx浓度预测研究", 《计算机测量与控制》 * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115146833A (zh) * | 2022-06-14 | 2022-10-04 | 北京全应科技有限公司 | 一种锅炉氮氧化物生成浓度的预测方法 |
Also Published As
Publication number | Publication date |
---|---|
CN114444295B (zh) | 2023-04-25 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111804146B (zh) | 一种智能喷氨控制方法以及智能喷氨控制装置 | |
CN109190848B (zh) | 一种基于时延预估的SCR***NOx排放浓度预测方法 | |
CN109062053B (zh) | 一种基于多变量校正的脱硝喷氨控制方法 | |
CN111985796B (zh) | 基于随机森林和智能算法预测混凝土结构耐久性的方法 | |
Braswell et al. | Estimating diurnal to annual ecosystem parameters by synthesis of a carbon flux model with eddy covariance net ecosystem exchange observations | |
US20090248175A1 (en) | Plant control system and thermal power generation plant control system | |
CN104793651B (zh) | 水泥生产中sncr烟气脱硝***的喷氨量控制方法 | |
CN110263395A (zh) | 基于数值模拟和数据分析的电厂脱硝运行优化方法及*** | |
CN110716512A (zh) | 一种基于燃煤电站运行数据的环保装备性能预测方法 | |
CN112667613B (zh) | 基于多延时特性多变量校正的烟气NOx预测方法及*** | |
CN113537639B (zh) | 一种养殖环境参数-鱼类生长预测模型建立方法及*** | |
CN112488145A (zh) | 一种基于智能化方法的NOx在线预测方法及*** | |
CN109670625A (zh) | 基于无迹卡尔曼滤波最小二乘支持向量机的NOx排放浓度预测方法 | |
CN104504238A (zh) | 一种基于神经网络的燃煤机组氮氧化物排放浓度预测方法 | |
CN114444295A (zh) | 一种基于组合时序预测的NOx废气浓度预测方法 | |
CN111489605B (zh) | 基于Simulink与WinCC的喷氨优化控制仿真*** | |
CN113723002A (zh) | 全工况下脱硫***浆液pH值预测模型建立方法及*** | |
CN111401652A (zh) | 一种基于co在线检测的锅炉优化方法及*** | |
US7155367B1 (en) | Method for evaluating relative efficiency of equipment | |
CN116189791A (zh) | 一种scr***氨氮双控喷氨优化方法、装置及存储介质 | |
CN107247994B (zh) | 一种托盘塔脱硫装置脱硫效率的模糊建模方法 | |
CN113505497A (zh) | 湿法烟气脱硫吸收塔浆液品质监测方法及*** | |
CN109260948B (zh) | 波动负荷下脱硝均匀性测量优化***及方法 | |
CN113488111B (zh) | 一种scr脱硝***喷氨量优化建模方法 | |
CN114444391A (zh) | 一种基于粒子群优化的氧化风机运行优化算法 |
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 |