本发明涉及锅炉燃煤nox浓度预测,尤其涉及一种基于自适应更新策略的在线nox预测方法和系统。
背景技术:
1、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,还可以为前馈控制系统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。
2、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。锅炉系统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。
3、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,锅炉燃烧系统是一个多变量、强耦合的非线性复杂系统,且燃烧过程存在着时变性和不确定性,从电厂sis、dcs系统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。
技术实现思路
1、本发明提供了一种基于自适应更新策略的在线nox预测方法和系统,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。
2、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:
3、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;
4、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;
5、基于滑动窗口,实时采集dcs系统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;
6、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;
7、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;
8、比较所述工况评价指标值与预设更新指标值;
9、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系统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。
10、可选地,还包括:
11、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。
12、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:
13、基于elastic net网络模型构建初始在线nox预测模型;
14、所述初始在线nox预测模型的损失函数为:
15、
16、(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;
17、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;
18、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;
19、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。
20、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:
21、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;
22、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;
23、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;
24、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。
25、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:
26、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;
27、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;
28、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。
29、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:
30、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;
31、比较所述工况检验值与预设工况判别值;
32、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;
33、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。
34、可选地,所述预设工况判别模型为:
35、
36、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。
37、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:
38、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;
39、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。
40、可选地,所述预设稳态工况评价指标值模型为:
41、
42、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;
43、所述预设动态工况评价指标值模型为:
44、
45、式中,mape表示所述动态工况对应的工况评价指标值。
46、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预测系统,包括:
47、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;
48、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;
49、nox预测模块,用于基于滑动窗口,实时采集dcs系统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;
50、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;
51、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;
52、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;
53、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系统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。
54、从以上技术方案可以看出,本发明具有以下优点:
55、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系统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系统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。