一种脱硝系统入口NOx浓度预测方法

技术领域

本发明涉及一种脱硝系统入口NOx浓度预测方法，属于SCR烟气脱硝技术领域。

背景技术

目前，火电机组锅炉燃烧产生的NOx(氮氧化物)排放会造成严重的环境污染。要达到日益严格的环保指标，降低污染物排放，精准的脱硝优化控制非常重要。大多数火电机组系统采用选择性催化还原技术SCR对烟气进行脱硝，通过测量入口NOx浓度值进行相应的喷氨脱硝控制，并进一步实现相应的脱硝控制。广泛使用的检测分析仪对入口NOx浓度的测量有较大的迟延，无法及时反映SCR反应器入口NOx浓度的实时数值，因此得不到最佳的喷氨需求量。

目前主要有两种方法来处理SCR入口NOx浓度值，方法一将入口NOx浓度延迟值当作入口NOx浓度的实时值，方法二根据专业知识和工作经验估计一个延迟时间，并进一步建立SCR入口NOx浓度预测的数据模型。

精准的控制系统依赖于测量信号的准确性和实时性，SCR装置脱硝运行中，SCR入口 NOx浓度是确定最佳喷氨量的重要依据，而检测分析仪对入口NOx浓度的测量存在迟延，方法一将入口NOx浓度的延迟值当作入口NOx浓度的实时值，将导致无法及时得到最佳喷氨量，并导致SCR脱硝系统不能及时准确地进行脱硝控制。

电厂运行人员专业知识和工作经验各不相同，估算的SCR入口NOx浓度测量值延迟时间也会不同，这样将导致入口NOx浓度建模涉及的原始数据准确率低。由于数据模型的准确率主要依赖于数据的准确率，而方法二处理延迟时间的方式，将导致SCR入口NOx浓度预测的数据模型精准率低。

发明内容

针对现有技术的缺陷，本发明提供一种脱硝系统入口NOx浓度预测方法，较好地解决了脱硝优化实际工作中需要掌握指标测量值延迟时间以及相关指标预测的需求。

为了解决所述技术问题，本发明采用的技术方案是：一种脱硝系统入口NOx浓度预测的方法，其特征在于：包括以下步骤：

S01)、获取训练数据，在电厂DCS系统数据库里，选取目标指标以及该指标的所有可能影响指标信息，按照一定的取数间隔，选取在正常运行状态下的历史数据，作为训练数据，其中目标指标为预测指标，即脱硝系统入口NOx浓度；

S02)、从步骤S01的训练数据中抽取目标指标的关键指标和辅助指标，关键指标为影响目标指标数值的主要影响因素，辅助指标为除关键指标外可能影响目标指标数值的辅助影响因素；

S03)、采用相关性分析，筛选辅助指标，将关键指标和筛选后的辅助指标合并在一起；

S04)、对合并在一起的关键指标和辅助指标进行预处理；

S05)、建立延迟时间预测模型，设置脱硝系统入口NOx浓度的延迟时间参照值为n个，则建立n个延迟时间预测模型，每个延迟时间预测模型对应不同的延迟时间参照值；

S06)、将经过预处理的训练数据分别输入n个延迟时间预测模型，延迟时间预测模型经过预测后输出n个目标指标预测值，对n个延迟时间预测模型的输出进行评价，选择最优模型的延迟时间参照值Ti作为指标延迟时间；

S07)、建立目标指标预测模型，模型输入为经过预处理的训练数据，模型输出为训练数据延迟时间Ti后的目标指标值。

进一步的，步骤S03中，采用皮尔森相关系数计算辅助指标与目标指标的相关性，皮尔森相关系数越接近于1或-1，相关度越强，相关系数越接近于0，相关度越弱；筛选辅助指标数据时，计算辅助指标数据与目标指标数据间的皮尔森相关系数，并计算相关系数的绝对值，然后对绝对值进行排序，根据设定阈值确定目标指标的辅助指标。

进一步的，脱硝系统入口NOx浓度的关键指标包括机组负荷、主蒸汽流量和给煤量，辅助指标为空预器一次风温、空预器出口烟温和各磨煤机风量。

进一步的，步骤S04的预处理包括缺失值处理和数据归一化，对于有缺失值的指标，计算训练数据中该指标的均值，并使用均值来替代缺失值；采用公式(1)将指标数据归一化：

x

其中，x

进一步的，所述延迟时间预测模型为GBDT模型。

进一步的，所述目标指标预测模型为RNN神经网络模型。

进一步的，采用公式(2)对延迟时间预测模型进行评价：

其中y

进一步的，n个延迟时间预测模型并行运行。

本发明的有益效果：本发明基于历史数据，从历史数据中学习指标间的映射关系，采用 2种模型结合的思想，发挥不同模型的优势，对指标进行数据建模及预测。采用GBDT算法模型，对历史数据进行学习，预测指标的延迟时间，并根据预测的延迟时间，综合分析多个相关指标的信息，采用RNN算法学习相关指标对目标指标的影响关系，从而预测出目标指标相应的值。它基于历史数据，综合分析了目标指标的影响指标，而不是简单地根据要预测的单个指标的历史信息预测指标，更符合实际应用。本发明为基于数据的建模方法具有通用性、自适应能力强的特点；同时，本发明预测速度快、可自动预测指标数值，较好地解决了脱硝优化实际工作中需要掌握指标测量值延迟时间以及相关指标预测的需求。

附图说明

图1为本发明建立模型的流程图；

图2为本发明测试模型的流程图。

具体实施方式

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，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。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他实施例，都属于本发明保护的范围。

实施例1

本实施例公开一种脱硝系统入口NOx浓度预测方法，本实施例以某火力发电厂某机组的脱硝系统为对象，对某电厂脱硝系统入口NOx浓度预测，脱硝系统是火力发电系统的重要设备，通过本实施例的详细阐述，进一步说明本发明的实施过程。

本方法基于历史数据，采用GBDT算法和RNN算法相结合的方式建立指标预测模型，通过 GBDT算法预测指标延迟时间，并进一步采用RNN算法进行指标预测，进而为下一步的设备优化控制提供预测值。该方法主要包括建立模型和运行模型两个过程。

图1为本发明建立模型的流程图，建立预测模型主要包含两部分，一部分为建立指标延迟时间预测的预测模型，另外一部分为建立指标预测的预测模型，整个预测建模的过程主要包括以下步骤：

步骤1：获取训练数据，在电厂DCS系统数据库里，选取目标指标以及该指标的所有可能影响指标信息，按照一定的取数间隔，选取在正常运行状态下的历史数据，作为训练数据，其中目标指标为预测指标。

本实施例中，指标主要涉及与SCR反应器入口NOx浓度指标有一定关系的指标，主要包括机组负荷，主蒸汽流量、入口氧量，入口NOx浓度，调门开度等。将历史数据的前60％样本数据作为训练数据，剩余的后40％作为测试数据。

步骤2：根据实际业务场景，选择指标。

由于电厂各个运行系统及设备各异，而涉及到的指标类别不同且指标所涉及的业务场景不同，因此要实现指标的预测问题，需要根据具体的系统及设备的工艺流程以及具体的业务场景，并结合指标的数值波动变化情况，具体问题具体分析，以更加准确地预测指标值，并辅助指导设备优化调整，降低污染物排放。

根据设备的工艺流程以及专家意见选取影响目标指标的关键指标以及辅助指标。

其中关键指标为影响目标指标数值的主要影响因素，辅助指标为除关键指标外可能影响目标指标数值的辅助影响因素。一般，将关键指标为影响目标指标数值的确定影响因素，而辅助指标为影响目标值的不确定影响因素，因此在构建指标预测模型时，可以对关键指标数据进行一定处理并直接输入预测模型，但辅助指标数据在输入预测模型时还需要一定的筛选和处理。

本实施例中，选取影响脱硝系统SCR反应器入口NOx浓度的关键指标：机组负荷、主蒸汽流量、给煤量等指标为主要影响因素，其中关键指标共计j个。除了关键指标外，选取影响 SCR反应器入口NOx浓度的其他影响指标：空预器一次风温，空预器出口烟温，各磨煤机风量等指标作为辅助指标，辅助指标共计k个。

步骤3：采用相关性分析，筛选辅助指标

对辅助指标通过相关性分析方法进行分析和处理，相关性分析的目的就是为了对辅助指标数据进行筛选和处理，以保证筛选的辅助指标与目标指标之间的相关性最大。

在步骤1的训练数据中，通过步骤2抽取关键指标以及辅助指标对应的数据，并分别记作 M

本专利计算辅助指标数据M

本实施例采用皮尔森相关系数计算变量的相关性。皮尔森相关系数越接近于1或-1，相关度越强，相关系数越接近于0，相关度越弱，即相关系数绝对值越大，相关性越。因此在筛选辅助指标数据时，计算辅助指标数据与目标指标数据间的皮尔森相关系数，并计算相关系数的绝对值，然后对绝对值进行排序，根据设定阈值确定目标指标的辅助指标。本实施例中，记录排序后前p(p≤k)个值所对应的指标，并将辅助指标数据的这p个指标进行保留。

步骤4：合并指标

将影响SCR反应器入口NOx浓度的j个关键指标的数据，以及通过步骤3得到的筛选后的p 个指标数据进行合并，并将合并后的j+p个指标作为影响指标，即影响SCR反应器入口NOx 浓度数值的最终影响指标。

进一步将该影响指标数据与SCR反应器入口NOx浓度数据合并，最终得到指标合并后的训练数据集，该数据集包含k+p+1个指标。

步骤5：数据预处理。

基于数据驱动的预测模型对训练、测试数据有着较强的依赖，因此，在建立模型前对数据样本进行预处理非常关键。对经过步骤1-步骤4指标选择及处理后的训练数据进行数据预处理工作，主要预处理工作如下：

1.缺失值处理：

检测各个指标缺失值出现的时刻，并处理缺失记录。本发明采用均值填充缺失值记录的方法对缺失进行处理，即对于有缺失的指标，计算训练数据中该指标的均值，并使用均值来替代缺失值。

2.数据归一化

电厂运行数据各个指标的物理含义不同，因此量纲也不相同，而不同量纲的指标可能数值范围相差很大，并可能会影响预测的准确率。因此在构建预测模型前，需要对数据作归一化处理，将不同规格的指标转化为相同规格。本发明采用如下公式将某个指标数据x归一化。

x

其中，x

对步骤得到4的训练数据，进行缺失值处理，然后采用公式(,1)对训练数据的所有指标数据归一化，则得到预处理后的训练数据。

步骤6：建立延迟时间预测GBDT模型

对步骤5预处理后的训练数据建立预测模型，并进一步实现指标数据延迟时间的预测。建立指标预测模型的基本原理为：学习目标指标以及影响指标间的映射关系，而模型建立的目的为学习预测器，一般表示为：

Y＝F(X) (2)，

其中X为输入，可以有多维，Y为输出。X为自变量，即本专利中的影响指标数据，Y为因变量即目标指标数据、预测指标数据。

在公式(2)建立模型时输入和输出是一一对应的，即输出值是由输入值决定的。由于在设备运行中，有些指标的测量值有一定延迟，而在建立指标预测模型时，输入和输出需要一一对应的，延迟的测量值并不能反应指标实际的值。因此在对目标指标构建预测模型时需要知晓指标的延迟时间，才能对应好输入与输出，以更好地构建指标预测数据模型。模型设置时，输入为影响指标，输出为延迟时间后的目标值。

在电厂实际生产中，指标的延迟时间往往是一个模糊数，因此本专利先构建数据模型预测延迟时间，然后再构建预测模型的方法，对指标进行预测以更好地提高预测值的准确率。 GBDT梯度提升决策算法是一种集成算法，适合低维数据，调参时间短，预测准确率高，性能优秀，因此本专利采用GBDT算法来构建延迟时间预测模型，以实现对延迟时间的预测。

通过结合电厂实际生产、专家知识以及操作经验，本专利中设置指标的延迟时间参照值为n个值：t＝[t

本专利针对不同延迟时间所对应的数据集分别建立模型，即建立n个GBDT预测模型，然后对n个模型进行评价，选择最优模型的延迟时间。则对第i个预测模型来说：输入为训练数据中影响入口NOx浓度的k+p个影响指标值，输出为延迟时间t

步骤7：评价、选择模型并预测指标的延迟时间

根据步骤6建立n个预测模型，并对模型进行评价选择，选择最优模型的延迟时间，作为指标延迟时间的预测值。

本专利中采用以下公式，对某个预测模型进行评价。

其中y

通过公式(,3)计算n个预测模型的MAPE值，然后选择MAPE最小的模型，并输出该模型所对应的延迟时间，并将该延迟时间作为目标指标延迟时间的预测值T。

通过以上步骤，则实现了指标延迟时间的预测，下一步在此基础上建立指标预测模型。

步骤8：建立指标预测RNN模型

基于经过步骤5处理得到的训练数据，以及步骤7得到的指标延迟时间预测值T，构建指标预测模型。

在电厂实际生产中，指标的数值往往不仅受到相关指标实时值的影响，还会受到相关指标历史数值的影响，因此在建立指标预测模型，相关指标的历史信息知识也至关重要。

RNN循环神经网络算法能够处理序列数据,根据过去数据的变化趋势来预测未来的发展。该算法不仅可以学习实时特征和目标值之间的实时关系，还可以智能学习历史特征和目标值之间的关系，具有较高的预测准确率，其中特征即本专利中指标的相关指标、影响指标，目标值为目标指标。

本专利采用RNN算法建立目标指标的预测模型，模型输入为步骤5训练数据的影响指标值，模型输出为为步骤5训练数据延迟时间T后的目标指标值。训练RNN算法模型，并保存训练好的RNN指标预测模型。

图2为本发明测试模型的流程图，主要包括以下步骤：

步骤1：获取测试数据并进行处理

从电厂DCS系统数据库里获取历史数据，以系统正常运行状态下的历史数据作为实施数据。相关指标详见实施例的建立模型步骤1，而且在实施例步骤1中已说明将历史数据的前60％样本数据作为训练数据，剩余的后40％作为测试数据。

然后对测试数据进行处理，主要工作为：选择SCR反应器入口NOx浓度的相关指标、对影响入口 NOx浓度的辅助指标进行相关性分析并进一步筛选，合并关键指标、筛选后的辅助指标以及SCR反应器入口NOx浓度，最终得到测试集包含k+p+1个指标。在进行相关指标处理工作时保持同实施例建立模型时处理训练数据相同的方法。

步骤2：数据预处理

对步骤1得到的测试数据采用同建立模型处理训练数据一致的数据预处理方法。

缺失值处理：对于测试数据中有缺失值的指标，计算测试数据中该指标的均值，并使用均值来替代缺失值。

数据归一化：作为优选本专利中在对测试数据某指标进行归一化处理时，某指标的x

x

其中，x

通过对步骤1的测试数据进行缺失值检测和处理后，再通过公式(4)对所有测试数据进行归一化处理工作。

步骤3：模型运行

经过建立模型步骤8得到训练好的RNN预测模型，基于训练好的RNN预测模型，输入步骤2 处理好的测试数据，输出得到预测值。具体输入为处理好的测试数据的影响指标的数据，输出为目标指标的预测值。

步骤4：反归一化处理，输出预测值

对于测试数据，通过步骤3实现自动批量预测，由于模型预测时的输入为测试数据影响指标归一化后的数值，则输出的指标预测值亦为归一化后的值。为了反应指标的真实值，需要对预测值进行反归一化处理，使预测指标数据恢复到原始量纲。

对于某指标的一个预测值，本发明采用如下方法进行反归一化处理。

x＝(x'-1)(x

其中，x'为该指标的一个预测值，x

对经过步骤3得到的所有预测结果，根据公式(6)进行反归一化操作，得到该指标的最终预测结果。

经过以上步骤，则完成了预测SCR反应器入口NOx浓度值的测试过程。在实际实时运行中，电厂工作人员以SCR反应器入口NOx浓度预测值为依据，结合其它指标，确定最佳喷氨量，并最终控制脱硝出口NOx浓度达标。

以上描述的仅是本发明的基本原理和优选实施例，本领域技术人员根据本发明做出的改进和替换，属于本发明的保护范围。