CN117809763A - 一种基于自适应更新策略的在线NOx预测方法和*** - Google Patents
一种基于自适应更新策略的在线NOx预测方法和*** Download PDFInfo
- Publication number
- CN117809763A CN117809763A CN202410016877.3A CN202410016877A CN117809763A CN 117809763 A CN117809763 A CN 117809763A CN 202410016877 A CN202410016877 A CN 202410016877A CN 117809763 A CN117809763 A CN 117809763A
- Authority
- CN
- China
- Prior art keywords
- target
- working condition
- model
- nox
- value
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 89
- 238000011156 evaluation Methods 0.000 claims abstract description 117
- 238000012549 training Methods 0.000 claims abstract description 75
- 230000006870 function Effects 0.000 claims description 28
- 230000003044 adaptive effect Effects 0.000 claims description 24
- 239000011159 matrix material Substances 0.000 claims description 20
- 238000005457 optimization Methods 0.000 claims description 16
- 238000004364 calculation method Methods 0.000 claims description 10
- 238000010168 coupling process Methods 0.000 claims description 10
- 238000005859 coupling reaction Methods 0.000 claims description 10
- 230000008878 coupling Effects 0.000 claims description 9
- 230000008569 process Effects 0.000 claims description 9
- 101001095088 Homo sapiens Melanoma antigen preferentially expressed in tumors Proteins 0.000 claims description 7
- 102100037020 Melanoma antigen preferentially expressed in tumors Human genes 0.000 claims description 7
- 230000004044 response Effects 0.000 claims description 7
- 230000009191 jumping Effects 0.000 claims description 6
- 238000005520 cutting process Methods 0.000 claims description 5
- 238000012545 processing Methods 0.000 claims description 5
- 238000012216 screening Methods 0.000 claims description 4
- 238000012360 testing method Methods 0.000 claims description 4
- 238000010276 construction Methods 0.000 claims description 3
- 230000008859 change Effects 0.000 abstract description 9
- 239000003245 coal Substances 0.000 abstract description 4
- 238000002485 combustion reaction Methods 0.000 description 15
- 230000008901 benefit Effects 0.000 description 9
- 238000012417 linear regression Methods 0.000 description 8
- 230000007246 mechanism Effects 0.000 description 7
- 238000005259 measurement Methods 0.000 description 5
- 230000009286 beneficial effect Effects 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 238000003860 storage Methods 0.000 description 3
- 238000006243 chemical reaction Methods 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 2
- 229910002651 NO3 Inorganic materials 0.000 description 1
- NHNBFGGVMKEFGY-UHFFFAOYSA-N Nitrate Chemical compound [O-][N+]([O-])=O NHNBFGGVMKEFGY-UHFFFAOYSA-N 0.000 description 1
- 230000002159 abnormal effect Effects 0.000 description 1
- 230000005856 abnormality Effects 0.000 description 1
- 238000009825 accumulation Methods 0.000 description 1
- 238000003916 acid precipitation Methods 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000006835 compression Effects 0.000 description 1
- 238000007906 compression Methods 0.000 description 1
- 230000008602 contraction Effects 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 230000008021 deposition Effects 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16C—COMPUTATIONAL CHEMISTRY; CHEMOINFORMATICS; COMPUTATIONAL MATERIALS SCIENCE
- G16C20/00—Chemoinformatics, i.e. ICT specially adapted for the handling of physicochemical or structural data of chemical particles, elements, compounds or mixtures
- G16C20/10—Analysis or design of chemical reactions, syntheses or processes
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16C—COMPUTATIONAL CHEMISTRY; CHEMOINFORMATICS; COMPUTATIONAL MATERIALS SCIENCE
- G16C20/00—Chemoinformatics, i.e. ICT specially adapted for the handling of physicochemical or structural data of chemical particles, elements, compounds or mixtures
- G16C20/30—Prediction of properties of chemical compounds, compositions or mixtures
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16C—COMPUTATIONAL CHEMISTRY; CHEMOINFORMATICS; COMPUTATIONAL MATERIALS SCIENCE
- G16C20/00—Chemoinformatics, i.e. ICT specially adapted for the handling of physicochemical or structural data of chemical particles, elements, compounds or mixtures
- G16C20/70—Machine learning, data mining or chemometrics
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/02—Total factory control, e.g. smart factories, flexible manufacturing systems [FMS] or integrated manufacturing systems [IMS]
Landscapes
- Chemical & Material Sciences (AREA)
- Engineering & Computer Science (AREA)
- Computing Systems (AREA)
- Crystallography & Structural Chemistry (AREA)
- Theoretical Computer Science (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- Medical Informatics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Computation (AREA)
- Databases & Information Systems (AREA)
- Health & Medical Sciences (AREA)
- Data Mining & Analysis (AREA)
- Analytical Chemistry (AREA)
- Chemical Kinetics & Catalysis (AREA)
- Feedback Control In General (AREA)
Abstract
本发明公开了一种基于自适应更新策略的在线NOx预测方法和***，涉及锅炉燃煤NOx浓度预测技术领域，响应接收到的NOx预测请求，获取DCS运行数据并构建训练集数据，基于自适应更新策略，构建目标在线NOx预测模型，基于滑动窗口，实时采集目标运行数据并输入目标在线NOx预测模型，确定目标NOx预测值，采用目标运行数据输入预设工况判别模型，确定工况检验值和目标工况，采用目标NOx预测值输入预设目标工况评价指标值模型，输出工况评价指标值，比较工况评价指标值与预设更新指标值，根据比较结果确定输出目标NOx预测值或更新模型；解决了传统的预测建模方法会存在工况变化带来的模型失配和特征失配的技术问题。
Description
技术领域
本发明涉及锅炉燃煤NOx浓度预测技术领域，尤其涉及一种基于自适应更新策略的在线NOx预测方法和***。
背景技术
锅炉燃烧过程中产生的NOx会转化为大气中的硝酸盐，产生酸雨和光化学烟雾，严重影响空气质量和人体健康。随着锅炉深度调峰渐成常态，锅炉持续低负荷运行时燃烧不稳定，导致NOx排放加剧。实时、精确的预测炉膛出口NOx排放浓度，不仅帮助操作人员了解锅炉未来燃烧状态，及时发现和解决可能引起NOx排放异常的问题，还可以为前馈控制***提供未来的排放信息，提前做出相应的控制动作。但锅炉复杂燃烧过程涉及变量较多，且变量间具有非线性耦合的特点，给炉膛出口NOx建模带来困难。
目前，在工业界针对燃煤电厂在线NOx预测方法，如基于机理分析的NOx建模方法，其结合炉膛内部NOx反应机理和传热机理学等原理，利用微分方程组构建NOx反应的机理模型。然而NOx生成机制复杂，采用微分方程组描述对象的结构和参数较难。在燃煤机组快速变负荷情况下，机理模型参数的辨识容易失效，其参数关系随煤质、灰渣沉积和设备状态变化而变化，且参数寻优时间较长；如基于数据驱动的NOx建模方法，其依据人工智能技术理论，在电站运行过程中存储了大量时序数据的基础上，采用数据驱动方式建立非线性模型进行NOx预测。这种建模过程相对简单，有较高的模型精度。锅炉***模型是一个时变模型，工况的改变及环境的变化会导致模型失配。目前，许多NOx建模算法是基于离线训练的方法，例如神经网络LSTM、GRU等算法和机器学习RF、XGBoost等算法。这些算法的模型结构复杂，模型迭代更新时间过长，难以保证预测过程的有效性。而且针对锅炉预测模型输入变量的维度灾难问题，目前研究普遍采用固定特征选择方式，忽略了不同工况下的特征重要性，影响预测模型的准确性。
针对现有的NOx预测建模方法，由于锅炉燃烧过程具备非线性、强耦合性和时变性的特点，当模型出现部分偏差或不可用时，复杂模型迭代更新时间过长，机理建模和数据建模的精度难以保证，数据建模初期特征选择的效果难以维持，以至于不能长期满足长期在线NOx排放预测，同时，锅炉燃烧***是一个多变量、强耦合的非线性复杂***，且燃烧过程存在着时变性和不确定性，从电厂SIS、DCS***采集的数据集的特征维度一般比较高，致使依靠固定的特征选择方式难以提供有效的反应NOx浓度变化的特征信息。
发明内容
本发明提供了一种基于自适应更新策略的在线NOx预测方法和***，解决了传统的预测建模方法难以自适应地选择相关度高的特征子集，会存在工况变化带来的模型失配和特征失配的技术问题。
本发明第一方面提供的一种基于自适应更新策略的在线NOx预测方法，包括：
响应接收到的NOx预测请求，获取所述NOx预测请求对应的DCS运行数据并构建训练集数据；
基于自适应更新策略，采用所述训练集数据构建目标在线NOx预测模型；
基于滑动窗口，实时采集DCS***的目标运行数据并输入所述目标在线NOx预测模型，确定目标NOx预测值；
采用所述目标运行数据输入预设工况判别模型，确定工况检验值和目标工况；
采用目标NOx预测值输入所述目标工况关联的预设目标工况评价指标值模型，输出工况评价指标值；
比较所述工况评价指标值与预设更新指标值；
若所述工况评价指标值小于或等于所述预设更新指标值，则输出所述目标NOx预测值，并跳转所述基于滑动窗口，实时采集DCS***的目标运行数据并输入所述目标在线NOx预测模型，确定对应的目标NOx预测值的步骤。
可选地，还包括：
若所述工况评价指标值大于所述预设更新指标值，则跳转所述基于自适应更新策略，采用所述训练集数据构建目标在线NOx预测模型的步骤。
可选地，所述基于自适应更新策略，采用所述训练集数据构建目标在线NOx预测模型的步骤，包括：
基于Elastic Net网络模型构建初始在线NOx预测模型；
所述初始在线NOx预测模型的损失函数为：
(β1,β2…,βp)表示第1，...，p个回归特征系数，λ表示正则项系数，α表示L1和L2正则化项之间的权重比例系数，X表示所述训练集数据的特征矩阵，其中，X＝(X1,X2…,Xp)，(X1,X2…,Xp)表示第1，...，p个训练集数据，Y表示炉膛出口NOx排放浓度特征矩阵，其中，Y＝(Y1,Y2…,Yp)，(Y1,Y2…,Yp)表示第1，...，p个NOx排放浓度值；
基于网格搜索法，采用所述训练集数据输入所述初始在线NOx预测模型进行训练，确定优化建模参数；
基于特征选择，采用所述训练集数据输入所述初始在线NOx预测模型进行训练，确定优化建模特征系数；
采用所述优化建模参数和所述优化建模特征系数对所述初始在线NOx预测模型进行耦合，构建目标在线NOx预测模型。
可选地，所述基于网格搜索法，采用所述训练集数据输入所述初始在线NOx预测模型进行训练，确定优化建模参数的步骤，包括：
设置搜索步长，搜索各工况关联的模型参数，其中，所述模型参数包括所述正则项系数和所述L1和L2正则化项之间的权重比例系数；
对所有所述模型参数进行参数组合，生成多组目标建模参数；
基于穷举法，采用多组所述目标建模参数输入所述初始在线NOx预测模型进行计算，生成多个目标损失函数；
从多个所述目标损失函数中选取最小值，并将关联的所述目标建模参数作为优化建模参数。
可选地，所述基于特征选择，采用所述训练集数据输入所述初始在线NOx预测模型进行训练，确定优化建模特征系数的步骤，包括：
采用所述训练集数据输入所述初始在线NOx预测模型进行训练，确定对应的所述回归系数矩阵；
通过设置截断阈值对所述回归系数矩阵内的全部所述回归特征系数的绝对值进行截断，筛除绝对值小于所述截断阈值的所述回归特征系数；
将保留的绝对值大于或等于所述截断阈值的所述回归特征系数作为优化建模特征系数。
可选地，所述目标运行数据包括机组负荷运行数据，所述采用所述目标运行数据输入预设工况判别模型，确定工况检验值和目标工况的步骤，包括：
所述采用所述机组负荷运行数据输入预设工况判别模型，输出对应的工况检验值；
比较所述工况检验值与预设工况判别值；
若所述工况检验值小于所述预设工况判别值，则判定为稳态工况；
若所述工况检验值大于或等于所述预设工况判别值，则判定为动态工况。
可选地，所述预设工况判别模型为：
式中，σxi表示所述工况检验值，m表示滑动窗口长度，xi表示i时刻的所述机组负荷运行数据，表示平均机组负荷运行数据。
可选地，所述预设目标工况评价指标值模型包括预设稳态工况评价指标值模型和预设动态工况评价指标值模型，所述采用目标NOx预测值输入所述目标工况关联的预设目标工况评价指标值模型，输出工况评价指标值的步骤，包括：
当所述目标工况为稳态工况时，采用所述目标NOx预测值输入所述预设稳态工况评价指标值模型，输出稳态工况对应的工况评价指标值；
当所述目标工况为动态工况时，采用所述目标NOx预测值输入所述预设动态工况评价指标值模型，输出动态工况对应的工况评价指标值。
可选地，所述预设稳态工况评价指标值模型为：
式中，RMSE表示所述稳态工况对应的工况评价指标值，m表示滑动窗口样本个数，表示i时刻的所述目标NOx预测值，y表示i时刻的NOx浓度测量值；
所述预设动态工况评价指标值模型为：
式中，MAPE表示所述动态工况对应的工况评价指标值。
本发明第二方面提供的一种基于自适应更新策略的在线NOx预测***，包括：
响应模块，用于响应接收到的NOx预测请求，获取所述NOx预测请求对应的DCS运行数据并构建训练集数据；
模型构建模块，用于基于自适应更新策略，采用所述训练集数据构建目标在线NOx预测模型；
NOx预测模块，用于基于滑动窗口，实时采集DCS***的目标运行数据并输入所述目标在线NOx预测模型，确定目标NOx预测值；
工况判别模块，用于采用所述目标运行数据输入预设工况判别模型，确定工况检验值和目标工况；
评价指标模块，用于采用目标NOx预测值输入所述目标工况关联的预设目标工况评价指标值模型，输出工况评价指标值；
工况比较模块，用于比较所述工况评价指标值与预设更新指标值；
处理模块，用于若所述工况评价指标值小于或等于所述预设更新指标值，则输出所述目标NOx预测值，并跳转所述基于滑动窗口，实时采集DCS***的目标运行数据并输入所述目标在线NOx预测模型，确定对应的目标NOx预测值的步骤。
从以上技术方案可以看出，本发明具有以下优点：
响应接收到的NOx预测请求，获取NOx预测请求对应的DCS运行数据并构建训练集数据，基于自适应更新策略，采用训练集数据构建目标在线NOx预测模型，基于滑动窗口，实时采集DCS***的目标运行数据并输入目标在线NOx预测模型，确定目标NOx预测值，采用目标运行数据输入预设工况判别模型，确定工况检验值和目标工况，采用目标NOx预测值输入目标工况关联的预设目标工况评价指标值模型，输出工况评价指标值，比较工况评价指标值与预设更新指标值，若工况评价指标值小于或等于预设更新指标值，则输出目标NOx预测值，并跳转基于滑动窗口，实时采集DCS***的目标运行数据并输入目标在线NOx预测模型，确定对应的目标NOx预测值的步骤；解决了传统的预测建模方法难以自适应地选择相关度高的特征子集，会存在工况变化带来的模型失配和特征失配的技术问题；从而实现了相对于现有模型具有结构简单和更新时长短的优势。能够在少量的历史数据条件下，也可以获得具有较高预测精度的模型结果，降低了计算成本。对于燃煤电厂需要快速应用模型的场景非常有益，能够同时满足实时性和预测精度的要求。而自适应更新策略解决了输入变量的时变特性带来的问题，保证了模型的有效性，提高了模型的自适应能力和泛化能力。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术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。
图1为本发明实施例一提供的一种基于自适应更新策略的在线NOx预测方法的步骤流程图；
图2为本发明实施例二提供的一种基于自适应更新策略的在线NOx预测方法的步骤流程图；
图3为本发明实施例二提供的在线燃烧NOx预测建模及更新流程图；
图4为本发明实施例二提供的炉膛出口NOx软测量的目标在线NOx预测模型结构示意图；
图5为本发明实施例三提供的一种基于自适应更新策略的在线NOx预测***的结构框图。
具体实施方式
本发明实施例提供了一种基于自适应更新策略的在线NOx预测方法和***，用于解决传统的预测建模方法难以自适应地选择相关度高的特征子集，会存在工况变化带来的模型失配和特征失配的技术问题。
为使得本发明的发明目的、特征、优点能够更加的明显和易懂，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，下面所描述的实施例仅仅是本发明一部分实施例，而非全部的实施例。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它实施例，都属于本发明保护的范围。
请参阅图1，图1为本发明实施例一提供的一种基于自适应更新策略的在线NOx预测方法的步骤流程图。
本发明提供的一种基于自适应更新策略的在线NOx预测方法，包括：
步骤101、响应接收到的NOx预测请求，获取NOx预测请求对应的DCS运行数据并构建训练集数据。
NOx预测请求，指的是针对NOx浓度进行预测的请求信息。
DCS运行数据，指的是从DCS***采集与燃煤电厂锅炉燃烧过程相关的***运行数据。包括但不限于机组负荷、给煤量、机组总风量、汽包水位、一次风量、二次风量、给水流量、给煤量等105个运行数据，作为模型输入变量，炉膛出口NOx浓度为模型输出变量，构建训练集数据{Xi,Yi}。
在本发明实施例中，响应接收到针对NOx浓度进行预测的请求信息，读取请求信息，确定对应的DCS***，采集DCS***内与燃煤电厂锅炉燃烧过程相关的***运行数据，并构建对应的训练集数据。
步骤102、基于自适应更新策略，采用训练集数据构建目标在线NOx预测模型。
自适应更新策略，指的是基于Elastic Net线性回归模型，对线性回归模型采用网格搜索法和L1和L2正则化进行自适应优化参数和特征系数的更新策略。
Elastic Net线性回归模型，指的是基于lasso和Ridge回归算法改进的线性回归模型。
LASSO回归算法，指的是一种压缩估计方法，通过构造惩罚函数得到精炼模型，保留子集收缩的优点；
Ridge回归算法，指的是在损失函数中添加L2范数作为惩罚项。
在本发明实施例中，基于Elastic Net线性回归模型，采用训练集数据进行网格搜索法和L1和L2正则化进行自适应优化参数和特征系数的更新，构建目标在线NOx预测模型。
步骤103、基于滑动窗口，实时采集DCS***的目标运行数据并输入目标在线NOx预测模型，确定目标NOx预测值。
DCS***，指的是一种分散控制***，用于控制多个锅炉***的分布式计算机控制***。
目标运行数据，指的是用于输入目标在线NOx预测模型进行NOx浓度预测而采集的预测运行数据。
目标NOx预测值，指的是将采集到的目标运行数据输入目标在线NOx预测模型进行预测，从而输出的NOx浓度预测值。
在本发明实施例中，建立滑动窗口，实时采集DCS***的目标运行数据，设置窗口长度，并通过滑动窗口将采集到DCS***关联的目标运行数据输入目标在线NOx预测模型进行预测，从而输出的NOx浓度预测值。
步骤104、采用目标运行数据输入预设工况判别模型，确定工况检验值和目标工况。
预设工况判别模型，指的是用于判别进行NOx浓度预测关联的锅炉***的运行工况所建立的工况判别模型。
工况检验值，指的是预设工况判别模型输出的用于判断锅炉***的运行工况的检验值。
目标工况，指的是进行工况判别的锅炉***的运行工况。
在本发明实施例中，采用目标运行数据输入预设工况判别模型中进行判别，从而确定目标运行数据关联的锅炉***当前的工况检验值和目标工况。
步骤105、采用目标NOx预测值输入目标工况关联的预设目标工况评价指标值模型，输出工况评价指标值。
预设目标工况评价指标值模型，指的是用于输出是否进行更新目标在线NOx预测模型的标准评价指标值所建立的工况评价指标值模型。
在本发明实施例中，将目标NOx预测值输入目标工况关联的预设目标工况评价指标值模型，输出目标NOx预测值对应的工况评价指标值。
步骤106、比较工况评价指标值与预设更新指标值。
在本发明实施例中，将预设工况判别模型输出的用于判断锅炉***的运行工况的检验值与预设目标工况评价指标值模型输出的工况评价指标值进行比较。
步骤107、若工况评价指标值小于或等于预设更新指标值，则输出目标NOx预测值，并跳转基于滑动窗口，实时采集DCS***的目标运行数据并输入目标在线NOx预测模型，确定对应的目标NOx预测值的步骤。
在本发明实施例中，若工况评价指标值小于或等于预设更新指标值，则输出通过滑动窗口关联的当前时刻的目标运行数据进行预测的NOx浓度预测值，并跳转步骤103，通过滑动窗口更新目标运行数据并输入目标在线NOx预测模型继续预测，直至采集到的目标运行数据全部完成预测。
在本发明中，响应接收到的NOx预测请求，获取NOx预测请求对应的DCS运行数据并构建训练集数据，基于自适应更新策略，采用训练集数据构建目标在线NOx预测模型，基于滑动窗口，实时采集DCS***的目标运行数据并输入目标在线NOx预测模型，确定目标NOx预测值，采用目标运行数据输入预设工况判别模型，确定工况检验值和目标工况，采用目标NOx预测值输入目标工况关联的预设目标工况评价指标值模型，输出工况评价指标值，比较工况评价指标值与预设更新指标值，若工况评价指标值小于或等于预设更新指标值，则输出目标NOx预测值，并跳转基于滑动窗口，实时采集DCS***的目标运行数据并输入目标在线NOx预测模型，确定对应的目标NOx预测值的步骤；解决了传统的预测建模方法难以自适应地选择相关度高的特征子集，会存在工况变化带来的模型失配和特征失配的技术问题；从而实现了相对于现有模型具有结构简单和更新时长短的优势。能够在少量的历史数据条件下，也可以获得具有较高预测精度的模型结果，降低了计算成本。对于燃煤电厂需要快速应用模型的场景非常有益，能够同时满足实时性和预测精度的要求。而自适应更新策略解决了输入变量的时变特性带来的问题，保证了模型的有效性，提高了模型的自适应能力和泛化能力。
请参阅图2-图4，图2为本发明实施例二提供的一种基于自适应更新策略的在线NOx预测方法的步骤流程图。
图3为本发明实施例二提供的在线燃烧NOx预测建模及更新流程图。
图4为本发明实施例二提供的炉膛出口NOx软测量的目标在线NOx预测模型结构示意图。
本发明提供的一种基于自适应更新策略的在线NOx预测方法，包括：
步骤201、响应接收到的NOx预测请求，获取NOx预测请求对应的DCS运行数据并构建训练集数据。
在本发明实施例中，步骤201的具体实施过程与步骤101类似，在此不再赘述。
步骤202、基于自适应更新策略，采用训练集数据构建目标在线NOx预测模型。
需要说明的是，在步骤202中，为了建立基于Elastic Net的NOx动态预测模型，使用训练集数据并采用优化算法来自动寻找最优的模型参数，以得到最佳的Elastic Net模型结构。同时结合Elastic Net特征评估能力通过阈值法选择影响NOx排放的关键特征，避免无关或冗余的特征对模型造成干扰，精简了模型结构和提升了模型的泛化能力。
进一步地，步骤202可以包括以下子步骤：
值得一提的是，Elastic Net是一种基于lasso和Ridge回归算法改进的线性回归模型，通过结合L1和L2正则化来有效地平衡了模型的稀疏性和训练速度，能够处理高维数据，并进行特征选择。相比于Lasso和Ridge回归，Elastic Net能够更好地提取稀疏特征并减少信息损失，具备较快的训练速度和对异常值的鲁棒性。
在锅炉燃烧***中，ElasticNet通过将影响NOx浓度相关的特征纳入到线性回归模型中，捕捉NOx浓度变化趋势。
从DCS***获取锅炉运行数据(Xi,Yi),i＝1,2,…,n，其中Xi∈Rp为样本的p个特征变量，Yi为炉膛出口NOx排放浓度变量，建立自变量Xi与因变量Yi之间多元线性回归方程：
Yi＝Xiβi+ε
式中，每个特征变量Xi都对应一个回归特征系数βi，表示特征对NOx浓度的影响程度，ε表示服从正态分布的随机误差。
为了改善高维特征空间中解的稀疏性和共线性问题，ElasticNet通过调节L1和L2正则化项之间的权重比例来平衡特征选择和模型稳定性之间的权衡，基于ElasticNet网络模型构建初始在线NOx预测模型。
S11、基于ElasticNet网络模型构建初始在线NOx预测模型；
初始在线NOx预测模型的损失函数为：
式中，表示损失函数，β表示回归系数矩阵，其中，β＝(β1,β2…,βp)，(β1,β2…,βp)表示第1，...，p个回归特征系数，λ表示正则项系数，α表示L1和L2正则化项之间的权重比例系数，X表示训练集数据的特征矩阵，其中，X＝(X1,X2…,Xp)，(X1,X2…,Xp)表示第1，...，p个训练集数据，Y表示炉膛出口NOx排放浓度特征矩阵，其中，Y＝(Y1,Y2…,Yp)，(Y1,Y2…,Yp)表示第1，...，p个NOx排放浓度值
在本发明实施例中，以Elastic Net作为燃烧***炉膛出口NOx软测量的初始模型。
S12、基于网格搜索法，采用训练集数据输入初始在线NOx预测模型进行训练，确定优化建模参数。
网格搜索法保证了所得的搜索解是划定参数空间中的全局最优解，避免因为参数选择不当而导致重大误差。
进一步地，S12可以包括以下子步骤：
S121、设置搜索步长，搜索各工况关联的模型参数，其中，模型参数包括正则项系数和L1和L2正则化项之间的权重比例系数。
在本发明实施例中，基于Elastic Net算法的寻优参数为λ和α，取值范围在0到1之间。为了提高算法在不同工况下的预测效果，设置λ＝0.01～0.99，搜索步长为0.01，α＝0.01～0.99，搜索步长为0.01，搜索每种工况对应的模型参数。
S122、对所有模型参数进行参数组合，生成多组目标建模参数。
在本发明实施例中，对所有λ和α进行参数组合，生成多组目标建模参数。
S123、基于穷举法，采用多组目标建模参数输入初始在线NOx预测模型进行计算，生成多个目标损失函数。
在本发明实施例中，通过穷举法逐一计算不同参数组合，并通过初始在线NOx预测模型计算多个目标损失函数。
S124、从多个目标损失函数中选取最小值，并将关联的目标建模参数作为优化建模参数。
在本发明实施例中，从多个目标损失函数中选取损失函数值最小的目标损失函数，并将损失函数值最小的目标损失函数关联的目标建模参数作为优化建模参数。
S13、基于特征选择，采用训练集数据输入初始在线NOx预测模型进行训练，确定优化建模特征系数。
特征选择，指的是Elastic Net算法根据数据特性，通过L1正则化项自适应地过滤掉与NOx预测相关性较低的特征，确保模型性能最佳化。
进一步地，S13可以包括以下子步骤：
S131、采用训练集数据输入初始在线NOx预测模型进行训练，确定对应的回归系数矩阵。
在本发明实施例中，从DCS***获取锅炉运行数据(Xi,Yi),i＝1,2,…,n，其中Xi∈Rp为样本的p个特征变量，每个特征变量Xi都对应一个回归特征系数βi，直接参与到损失函数的计算过程中，进行模型的训练和拟合，对于每个回归特征系数βi，固定其他特征的回归系数，通过最小化初始在线NOx预测模型的损失函数来减少预测误差，当损失函数收敛或达到最大迭代次数时，算法停止，返回最终的回归系数矩阵β。特征回归系数的绝对值越大，表示该特征在模型中的重要性越高。
S132、通过设置截断阈值对回归系数矩阵内的全部回归特征系数的绝对值进行截断，筛除绝对值小于截断阈值的回归特征系数。
S133、将保留的绝对值大于或等于截断阈值的回归特征系数作为优化建模特征系数。
在本发明实施例中，通过设置截断阈值T对回归系数进行截断，筛选出对目标变量影响较大的重要特征，以减少模型的复杂性和提高预测性能。
具体如下，对于每个回归特征系数βi：
S14、采用优化建模参数和优化建模特征系数对初始在线NOx预测模型进行耦合，构建目标在线NOx预测模型。
在本发明实施例中，利用调整后的优化建模参数和优化建模特征系数对初始在线NOx预测模型进行耦合，构建优化后的目标在线NOx预测模型。
值得一提的是，本发明使用Elastic Net算法构建了燃烧***的炉膛出口NOx软测量模型。Elastic Net算法结合L1和L2正则化项，能够计算特征重要性，通过自适应地过滤掉与NOx预测相关性较低的特征，从而提高模型的性能和预测准确度。
步骤203、基于滑动窗口，实时采集DCS***的目标运行数据并输入目标在线NOx预测模型，确定目标NOx预测值。
滑动窗口，指的是将训练好的目标在线NOx预测模型部署到在线环境中，接收实时数据输入，进行预测NOx排放，根据新的观测数据，通过建立一个滑动窗口，自动地及时更新模型。设窗口长度为m，则窗口内数据集为{Xi,Yi},i＝1,2,…,m，滑动长度为k，即每次接受k个新样本保存在滑动窗口中，并输入在线模型实时预测，同时淘汰k个旧样本以避免数据量堆积。
在本发明实施例中，建立滑动窗口，实时采集DCS***的目标运行数据，设置窗口长度，并通过滑动窗口将采集到DCS***关联的目标运行数据输入目标在线NOx预测模型进行预测，从而输出的NOx浓度预测值。
需要说明的是，由于锅炉***在稳态和动态工况下模型预测误差偏差波动不同，频繁地更替模型或者误判了模型失配而进行不必要的替换，反而会增加预测误差，应在稳态和动态工况过程中使用不用的评价指标。
步骤204、采用目标运行数据输入预设工况判别模型，确定工况检验值和目标工况。
进一步地，目标运行数据包括机组负荷运行数据，步骤204可以包括以下子步骤：
S21、采用机组负荷运行数据输入预设工况判别模型，输出对应的工况检验值。
在本发明实施例中，获取目标运行数据内的机组负荷运行数据输入预设工况判别模型，计算得到对应的工况检验值。
进一步地，预设工况判别模型为：
式中，σxi表示工况检验值，m表示滑动窗口长度，xi表示i时刻的机组负荷运行数据，表示平均机组负荷运行数据。
S22、比较工况检验值与预设工况判别值。
S23、若工况检验值小于预设工况判别值，则判定为稳态工况。
S24、若工况检验值大于或等于预设工况判别值，则判定为动态工况。
在本发明实施例中，对于i时刻的机组负荷工况，锅炉运行工况判定依据为：
式中，δa表示预设工况判别值。
步骤205、采用目标NOx预测值输入目标工况关联的预设目标工况评价指标值模型，输出工况评价指标值。
进一步地，预设目标工况评价指标值模型包括预设稳态工况评价指标值模型和预设动态工况评价指标值模型，步骤205可以包括以下子步骤：
S31、当目标工况为稳态工况时，采用目标NOx预测值输入预设稳态工况评价指标值模型，输出稳态工况对应的工况评价指标值。
值得一提的是，稳态工况下预测模型误差相对平稳，由于锅炉运行过程可能会遭遇大幅干扰，导致测量值出现剧烈改变，短暂的预测偏差变大不能完全代表预测模型已经失配。均方根误差(Root Mean Squared Error,RMSE)通过平方操作减弱了离群值对整体误差的影响，能够较好反映整体预测误差情况，而不仅仅关注个别误差点。因此，使用均方根误差作为评价指标，评估预测模型的实时准确性。预设稳态工况评价指标值模型如下：
式中，RMSE表示稳态工况对应的工况评价指标值，m表示滑动窗口样本个数，表示i时刻的目标NOx预测值，y表示i时刻的NOx浓度测量值。
S32、当目标工况为动态工况时，采用目标NOx预测值输入预设动态工况评价指标值模型，输出动态工况对应的工况评价指标值。
值得一提的是，动态工况下，预测模型预测误差可能会出现累计的情况，导致预测值与实际观测值之间的差距越来越大。平均绝对百分比误差(Mean Absolute PercentageError，MAPE)是一种使用百分率来衡量误差的指标，考虑了预测值与实际观测值之间的相对差异，更好反应锅炉***的波动性。如果MAPE指标持续在一个较小的范围内，说明预测模型相对准确且能够较好地适应动态变化。如果MAPE指标逐渐增大，说明预测误差在累积，预测模型需要调整。预设动态工况评价指标值模型如下：
式中，MAPE表示动态工况对应的工况评价指标值。
步骤206、比较工况评价指标值与预设更新指标值。
步骤207、若工况评价指标值小于或等于预设更新指标值，则输出目标NOx预测值，并跳转基于滑动窗口，实时采集DCS***的目标运行数据并输入目标在线NOx预测模型，确定对应的目标NOx预测值的步骤。
步骤208、若工况评价指标值大于预设更新指标值，则跳转基于自适应更新策略，采用训练集数据构建目标在线NOx预测模型的步骤。
在本发明实施例中，值得一提的是，模型更新判定依据，对于i时刻的滑动窗口稳态工况，模型更新判定依据为：
式中，δb表示稳态工况下的预设更新指标值。
对于i时刻的滑动窗口动态工况，模型更新判定依据为：
式中，δc表示动态工况下的预设更新指标值。
本发明具备以下优势：
1、为了满足燃煤电厂锅炉炉膛NOx预测需求，提出燃煤电厂锅炉在线更新预测模型方案：通过基于Elastic Net预测算法和基于滑动窗口的模型更新策略，能够通过参数调整和特征选择自适应地更新模型，准确预测炉膛出口NOx的值。
2、该方案使用Elastic Net算法构建了燃烧***的炉膛出口NOx软测量模型。Elastic Net算法结合L1和L2正则化项，能够计算特征重要性，通过自适应地过滤掉与NOx预测相关性较低的特征，从而提高模型的性能和预测准确度。
3、锅炉***模型是一个时变模型，工况的改变及环境的变化会导致模型失配。传统的滑动窗口模型更新策略采用固定工况方式判定窗口中的总体预测误差是否超过阈值，若超过阈值则更新模型。然而，锅炉***在稳态和动态工况下模型预测误差偏差波动不同，频繁地更替模型或者误判了模型失配而进行不必要的替换，反而会增加预测误差，应在稳态和动态工况过程中使用不用的评价指标。为了解决这个问题，提出了一种自适应工况更新策略，该策略在稳态工况和动态工况下应用不同的评价指标来判断模型的适应性。通过使用不同的评价指标，能够更加准确地判断模型在稳态和动态工况下的适应性，避免频繁更替模型或误判模型失配而进行不必要的替换，从而减少预测误差。
在本发明中，响应接收到的NOx预测请求，获取NOx预测请求对应的DCS运行数据并构建训练集数据，基于自适应更新策略，采用训练集数据构建目标在线NOx预测模型，基于滑动窗口，实时采集DCS***的目标运行数据并输入目标在线NOx预测模型，确定目标NOx预测值，采用目标运行数据输入预设工况判别模型，确定工况检验值和目标工况，采用目标NOx预测值输入目标工况关联的预设目标工况评价指标值模型，输出工况评价指标值，比较工况评价指标值与预设更新指标值，若工况评价指标值小于或等于预设更新指标值，则输出目标NOx预测值，并跳转基于滑动窗口，实时采集DCS***的目标运行数据并输入目标在线NOx预测模型，确定对应的目标NOx预测值的步骤；解决了传统的预测建模方法难以自适应地选择相关度高的特征子集，会存在工况变化带来的模型失配和特征失配的技术问题；从而实现了相对于现有模型具有结构简单和更新时长短的优势。能够在少量的历史数据条件下，也可以获得具有较高预测精度的模型结果，降低了计算成本。对于燃煤电厂需要快速应用模型的场景非常有益，能够同时满足实时性和预测精度的要求。而自适应更新策略解决了输入变量的时变特性带来的问题，保证了模型的有效性，提高了模型的自适应能力和泛化能力。
请参阅图5，图5为本发明实施例三提供的一种基于自适应更新策略的在线NOx预测***的结构框图。
本发明提供的一种基于自适应更新策略的在线NOx预测***，包括：
响应模块301，用于响应接收到的NOx预测请求，获取NOx预测请求对应的DCS运行数据并构建训练集数据；
模型构建模块302，用于基于自适应更新策略，采用训练集数据构建目标在线NOx预测模型；
NOx预测模块303，用于基于滑动窗口，实时采集DCS***的目标运行数据并输入目标在线NOx预测模型，确定目标NOx预测值；
工况判别模块304，用于采用目标运行数据输入预设工况判别模型，确定工况检验值和目标工况；
评价指标模块305，用于采用目标NOx预测值输入目标工况关联的预设目标工况评价指标值模型，输出工况评价指标值；
工况比较模块306，用于比较工况评价指标值与预设更新指标值；
处理模块307，用于若工况评价指标值小于或等于预设更新指标值，则输出目标NOx预测值，并跳转基于滑动窗口，实时采集DCS***的目标运行数据并输入目标在线NOx预测模型，确定对应的目标NOx预测值的步骤。
进一步地，还包括：
第二处理模块，用于若工况评价指标值大于预设更新指标值，则跳转基于自适应更新策略，采用训练集数据构建目标在线NOx预测模型的步骤。
进一步地，模型构建模块302包括：
初始在线NOx预测模型子模块，用于基于ElasticNet网络模型构建初始在线NOx预测模型；
初始在线NOx预测模型的损失函数为：
式中，表示损失函数，β表示回归系数矩阵，其中，β＝(β1,β2…,βp)，(β1,β2…,βp)表示第1，...，p个回归特征系数，λ表示正则项系数，α表示L1和L2正则化项之间的权重比例系数，X表示训练集数据的特征矩阵，其中，X＝(X1,X2…,Xp)，(X1,X2…,Xp)表示第1，...，p个训练集数据，Y表示炉膛出口NOx排放浓度特征矩阵，其中，Y＝(Y1,Y2…,Yp)，(Y1,Y2…,Yp)表示第1，...，p个NOx排放浓度值；
优化建模参数子模块，用于基于网格搜索法，采用训练集数据输入初始在线NOx预测模型进行训练，确定优化建模参数；
优化建模特征系数子模块，用于基于特征选择，采用训练集数据输入初始在线NOx预测模型进行训练，确定优化建模特征系数；
目标在线NOx预测模型子模块，用于采用优化建模参数和优化建模特征系数对初始在线NOx预测模型进行耦合，构建目标在线NOx预测模型。
进一步地，优化建模参数子模块包括：
模型参数单元，用于设置搜索步长，搜索各工况关联的模型参数，其中，模型参数包括正则项系数和L1和L2正则化项之间的权重比例系数；
参数组合单元，用于对所有模型参数进行参数组合，生成多组目标建模参数；
目标损失函数计算单元，用于基于穷举法，采用多组目标建模参数输入初始在线NOx预测模型进行计算，生成多个目标损失函数；
选取单元，用于从多个目标损失函数中选取最小值，并将关联的目标建模参数作为优化建模参数。
进一步地，优化建模特征系数子模块包括：
回归系数矩阵单元，用于采用训练集数据输入初始在线NOx预测模型进行训练，确定对应的回归系数矩阵；
截断单元，用于通过设置截断阈值对回归系数矩阵内的全部回归特征系数的绝对值进行截断，筛除绝对值小于截断阈值的回归特征系数；
保留单元，用于将保留的绝对值大于或等于截断阈值的回归特征系数作为优化建模特征系数。
进一步地，目标运行数据包括机组负荷运行数据，工况判别模块304包括：
工况检验值子模块，用于采用机组负荷运行数据输入预设工况判别模型，输出对应的工况检验值；
工况比较子模块，用于比较工况检验值与预设工况判别值；
稳态工况判别子模块，用于若工况检验值小于预设工况判别值，则判定为稳态工况；
动态工况判别子模块，用于若工况检验值大于或等于预设工况判别值，则判定为动态工况。
进一步地，预设工况判别模型为：
式中，σxi表示工况检验值，m表示滑动窗口长度，xi表示i时刻的机组负荷运行数据，表示平均机组负荷运行数据。/>
进一步地，预设目标工况评价指标值模型包括预设稳态工况评价指标值模型和预设动态工况评价指标值模型，评价指标模块305包括：
稳态工况指标值子模块，用于当目标工况为稳态工况时，采用目标NOx预测值输入预设稳态工况评价指标值模型，输出稳态工况对应的工况评价指标值；
动态工况指标值子模块，用于当目标工况为动态工况时，采用目标NOx预测值输入预设动态工况评价指标值模型，输出动态工况对应的工况评价指标值。
进一步地，预设稳态工况评价指标值模型为：
式中，RMSE表示稳态工况对应的工况评价指标值，m表示滑动窗口样本个数，表示i时刻的目标NOx预测值，y表示i时刻的NOx浓度测量值；
预设动态工况评价指标值模型为：
式中，MAPE表示动态工况对应的工况评价指标值。
在本发明中，响应接收到的NOx预测请求，获取NOx预测请求对应的DCS运行数据并构建训练集数据，基于自适应更新策略，采用训练集数据构建目标在线NOx预测模型，基于滑动窗口，实时采集DCS***的目标运行数据并输入目标在线NOx预测模型，确定目标NOx预测值，采用目标运行数据输入预设工况判别模型，确定工况检验值和目标工况，采用目标NOx预测值输入目标工况关联的预设目标工况评价指标值模型，输出工况评价指标值，比较工况评价指标值与预设更新指标值，若工况评价指标值小于或等于预设更新指标值，则输出目标NOx预测值，并跳转基于滑动窗口，实时采集DCS***的目标运行数据并输入目标在线NOx预测模型，确定对应的目标NOx预测值的步骤；解决了传统的预测建模方法难以自适应地选择相关度高的特征子集，会存在工况变化带来的模型失配和特征失配的技术问题；从而实现了相对于现有模型具有结构简单和更新时长短的优势。能够在少量的历史数据条件下，也可以获得具有较高预测精度的模型结果，降低了计算成本。对于燃煤电厂需要快速应用模型的场景非常有益，能够同时满足实时性和预测精度的要求。而自适应更新策略解决了输入变量的时变特性带来的问题，保证了模型的有效性，提高了模型的自适应能力和泛化能力。
所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的***，装置和单元的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
在本申请所提供的几个实施例中，应该理解到，所揭露的***，装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个***，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，装置或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外，在本发明各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。
所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(ROM，Read-OnlyMemory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述，以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (10)
1.一种基于自适应更新策略的在线NOx预测方法，其特征在于，包括：
响应接收到的NOx预测请求，获取所述NOx预测请求对应的DCS运行数据并构建训练集数据；
基于自适应更新策略，采用所述训练集数据构建目标在线NOx预测模型；
基于滑动窗口，实时采集DCS***的目标运行数据并输入所述目标在线NOx预测模型，确定目标NOx预测值；
采用所述目标运行数据输入预设工况判别模型，确定工况检验值和目标工况；
采用目标NOx预测值输入所述目标工况关联的预设目标工况评价指标值模型，输出工况评价指标值；
比较所述工况评价指标值与预设更新指标值；
若所述工况评价指标值小于或等于所述预设更新指标值，则输出所述目标NOx预测值，并跳转所述基于滑动窗口，实时采集DCS***的目标运行数据并输入所述目标在线NOx预测模型，确定对应的目标NOx预测值的步骤。
2.根据权利要求1所述的基于自适应更新策略的在线NOx预测方法，其特征在于，还包括：
若所述工况评价指标值大于所述预设更新指标值，则跳转所述基于自适应更新策略，采用所述训练集数据构建目标在线NOx预测模型的步骤。
3.根据权利要求1所述的基于自适应更新策略的在线NOx预测方法，其特征在于，所述基于自适应更新策略，采用所述训练集数据构建目标在线NOx预测模型的步骤，包括：
基于ElasticNet网络模型构建初始在线NOx预测模型；
所述初始在线NOx预测模型的损失函数为：
式中，表示损失函数，β表示回归系数矩阵，其中，β＝(β1,β2…,βp)，(β1,β2…,βp)表示第1，...，p个回归特征系数，λ表示正则项系数，α表示L1和L2正则化项之间的权重比例系数，X表示所述训练集数据的特征矩阵，其中，X＝(X1,X2…,Xp)，(X1,X2…,Xp)表示第1，...，p个训练集数据，Y表示炉膛出口NOx排放浓度特征矩阵，其中，Y＝(Y1,Y2…,Yp)，(Y1,Y2…,Yp)表示第1，...，p个NOx排放浓度值；
基于网格搜索法，采用所述训练集数据输入所述初始在线NOx预测模型进行训练，确定优化建模参数；
基于特征选择，采用所述训练集数据输入所述初始在线NOx预测模型进行训练，确定优化建模特征系数；
采用所述优化建模参数和所述优化建模特征系数对所述初始在线NOx预测模型进行耦合，构建目标在线NOx预测模型。
4.根据权利要求3所述的基于自适应更新策略的在线NOx预测方法，其特征在于，所述基于网格搜索法，采用所述训练集数据输入所述初始在线NOx预测模型进行训练，确定优化建模参数的步骤，包括：
设置搜索步长，搜索各工况关联的模型参数，其中，所述模型参数包括所述正则项系数和所述L1和L2正则化项之间的权重比例系数；
对所有所述模型参数进行参数组合，生成多组目标建模参数；
基于穷举法，采用多组所述目标建模参数输入所述初始在线NOx预测模型进行计算，生成多个目标损失函数；
从多个所述目标损失函数中选取最小值，并将关联的所述目标建模参数作为优化建模参数。
5.根据权利要求3所述的基于自适应更新策略的在线NOx预测方法，其特征在于，所述基于特征选择，采用所述训练集数据输入所述初始在线NOx预测模型进行训练，确定优化建模特征系数的步骤，包括：
采用所述训练集数据输入所述初始在线NOx预测模型进行训练，确定对应的所述回归系数矩阵；
通过设置截断阈值对所述回归系数矩阵内的全部所述回归特征系数的绝对值进行截断，筛除绝对值小于所述截断阈值的所述回归特征系数；
将保留的绝对值大于或等于所述截断阈值的所述回归特征系数作为优化建模特征系数。
6.根据权利要求1所述的基于自适应更新策略的在线NOx预测方法，其特征在于，所述目标运行数据包括机组负荷运行数据，所述采用所述目标运行数据输入预设工况判别模型，确定工况检验值和目标工况的步骤，包括：
所述采用所述机组负荷运行数据输入预设工况判别模型，输出对应的工况检验值；
比较所述工况检验值与预设工况判别值；
若所述工况检验值小于所述预设工况判别值，则判定为稳态工况；
若所述工况检验值大于或等于所述预设工况判别值，则判定为动态工况。
7.根据权利要求6所述的基于自适应更新策略的在线NOx预测方法，其特征在于，所述预设工况判别模型为：
式中，σxi表示所述工况检验值，m表示滑动窗口长度，xi表示i时刻的所述机组负荷运行数据，表示平均机组负荷运行数据。
8.根据权利要求6所述的基于自适应更新策略的在线NOx预测方法，其特征在于，所述预设目标工况评价指标值模型包括预设稳态工况评价指标值模型和预设动态工况评价指标值模型，所述采用目标NOx预测值输入所述目标工况关联的预设目标工况评价指标值模型，输出工况评价指标值的步骤，包括：
当所述目标工况为稳态工况时，采用所述目标NOx预测值输入所述预设稳态工况评价指标值模型，输出稳态工况对应的工况评价指标值；
当所述目标工况为动态工况时，采用所述目标NOx预测值输入所述预设动态工况评价指标值模型，输出动态工况对应的工况评价指标值。
9.根据权利要求8所述的基于自适应更新策略的在线NOx预测方法，其特征在于，所述预设稳态工况评价指标值模型为：
式中，RMSE表示所述稳态工况对应的工况评价指标值，m表示滑动窗口样本个数，表示i时刻的所述目标NOx预测值，y表示i时刻的NOx浓度测量值；
所述预设动态工况评价指标值模型为：
式中，MAPE表示所述动态工况对应的工况评价指标值。
10.一种基于自适应更新策略的在线NOx预测***，其特征在于，包括：
响应模块，用于响应接收到的NOx预测请求，获取所述NOx预测请求对应的DCS运行数据并构建训练集数据；
模型构建模块，用于基于自适应更新策略，采用所述训练集数据构建目标在线NOx预测模型；
NOx预测模块，用于基于滑动窗口，实时采集DCS***的目标运行数据并输入所述目标在线NOx预测模型，确定目标NOx预测值；
工况判别模块，用于采用所述目标运行数据输入预设工况判别模型，确定工况检验值和目标工况；
评价指标模块，用于采用目标NOx预测值输入所述目标工况关联的预设目标工况评价指标值模型，输出工况评价指标值；
工况比较模块，用于比较所述工况评价指标值与预设更新指标值；
处理模块，用于若所述工况评价指标值小于或等于所述预设更新指标值，则输出所述目标NOx预测值，并跳转所述基于滑动窗口，实时采集DCS***的目标运行数据并输入所述目标在线NOx预测模型，确定对应的目标NOx预测值的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410016877.3A CN117809763A (zh) | 2024-01-03 | 2024-01-03 | 一种基于自适应更新策略的在线NOx预测方法和*** |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410016877.3A CN117809763A (zh) | 2024-01-03 | 2024-01-03 | 一种基于自适应更新策略的在线NOx预测方法和*** |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN117809763A true CN117809763A (zh) | 2024-04-02 |
Family
ID=90419780
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202410016877.3A Pending CN117809763A (zh) | 2024-01-03 | 2024-01-03 | 一种基于自适应更新策略的在线NOx预测方法和*** |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117809763A (zh) |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2022095534A1 (zh) * | 2020-11-03 | 2022-05-12 | 西安西热锅炉环保工程有限公司 | 一种预测火电厂氨逃逸的方法 |
| CN115034443A (zh) * | 2022-05-23 | 2022-09-09 | 东南大学 | 一种基于工况划分与神经网络的锅炉性能预测方法 |
| CN115111601A (zh) * | 2022-07-04 | 2022-09-27 | 浙江大学 | 多变负荷下内嵌算法融合的多目标锅炉燃烧优化控制方法 |
| CN116665808A (zh) * | 2023-05-19 | 2023-08-29 | 山西大学 | 基于邻域粗糙集与模糊神经网络的NOx排放预测方法及设备 |
| CN116663704A (zh) * | 2023-04-25 | 2023-08-29 | 哈尔滨工业大学（威海） | 对柴油机SCR***尾排NOx浓度预测的方法 |
-
2024
- 2024-01-03 CN CN202410016877.3A patent/CN117809763A/zh active Pending
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2022095534A1 (zh) * | 2020-11-03 | 2022-05-12 | 西安西热锅炉环保工程有限公司 | 一种预测火电厂氨逃逸的方法 |
| CN115034443A (zh) * | 2022-05-23 | 2022-09-09 | 东南大学 | 一种基于工况划分与神经网络的锅炉性能预测方法 |
| CN115111601A (zh) * | 2022-07-04 | 2022-09-27 | 浙江大学 | 多变负荷下内嵌算法融合的多目标锅炉燃烧优化控制方法 |
| CN116663704A (zh) * | 2023-04-25 | 2023-08-29 | 哈尔滨工业大学（威海） | 对柴油机SCR***尾排NOx浓度预测的方法 |
| CN116665808A (zh) * | 2023-05-19 | 2023-08-29 | 山西大学 | 基于邻域粗糙集与模糊神经网络的NOx排放预测方法及设备 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109508818B (zh) | 一种基于LSSVM的在线NOx预测方法 | |
| US8457767B2 (en) | System and method for real-time industrial process modeling | |
| RU2739727C1 (ru) | Способ и система удаленного мониторинга и прогнозирования состояния технологических объектов | |
| CN113469449B (zh) | 脱硫***的寻优控制方法及*** | |
| CN115016276B (zh) | 智能水分调节与环境参数物联网大数据*** | |
| CN114721263B (zh) | 基于机器学习和智能优化算法的水泥分解炉智慧调控方法 | |
| CN112232373A (zh) | 一种锅炉飞灰含碳量预测方法及*** | |
| CN115860286B (zh) | 一种基于时序门机制的空气质量预测方法及*** | |
| CN110766320A (zh) | 一种机场智能电网运行安全评价方法及装置 | |
| CN111006240A (zh) | 一种生物质锅炉炉膛温度和负荷预测方法 | |
| Valentin et al. | A neural network-based software sensor for coagulation control in a water treatment plant | |
| CN113011680A (zh) | 一种电力负荷预测方法及*** | |
| CN118034067B (zh) | 一种基于广义预测控制的工业过程模型参数优化方法 | |
| CN104991984A (zh) | 一种用于煮糖结晶的数据监测方法和*** | |
| CN117851908B (zh) | 一种改进的在线低压台区电能表失准监测方法及装置 | |
| CN114186476A (zh) | 基于历史工况的锅炉燃烧在线优化方法 | |
| CN116542121A (zh) | 一种基于机器学习与神经网络的水轮机轴瓦温度预测方法 | |
| Ismail et al. | Adaptive neural network prediction model for energy consumption | |
| CN117523793A (zh) | 一种电厂设备故障预警方法和计算机设备 | |
| CN117809763A (zh) | 一种基于自适应更新策略的在线NOx预测方法和*** | |
| CN113221442A (zh) | 一种电厂设备健康评估模型的构建方法及装置 | |
| JP4146610B2 (ja) | 濁度予測システム、濁度制御システムおよび濁度管理システム | |
| CN109829115B (zh) | 搜索引擎关键词优化方法 | |
| CN109101683B (zh) | 燃煤分质利用与清洁预处理***热解釜的模型更新方法 | |
| CN111950811A (zh) | 基于双层人工神经网络的区域光伏功率预测方法及*** |
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 |