多边界条件下SCR入口NOx浓度的检测方法和系统与流程

本发明涉及燃煤电厂烟气脱硝技术领域，具体涉及一种多边界条件下scr入口nox浓度的检测方法和系统。

背景技术：

随着国家一系列政策和法规的颁布，如《大气污染防治法》、《火电厂大气污染物排放标准》、《排污费征收使用管理条例》、《全面实施燃煤电厂超低排放和节能改造工作方案》等，燃煤电厂的大气污染物排放已纳入严格监管，各电厂陆续开展了烟气超低排放改造。超低排放改造后要求燃煤电厂nox排放浓度须低于50mg/m³，开发完善的火电厂脱硝技术，尽量降低电厂污染物的排放，已成为我国电厂势在必行的任务。在此背景下，如何精确地测量脱硝系统入口nox的实时值成为改善脱硝系统控制效果的关键。

目前国内外主要通过连续排放检测系统(continuousemissionmonitoringsystem，cems)对烟气中的nox成分进行实时测量。然而，这种测量方法在测量过程那个具有投资成本高、分析数据耗时长、测量值反馈存在严重滞后等缺点，势必导致脱硝系统入口nox难以实时准确的展现，最终导致脱硝系统对nox的控制效果不理想。当机组负荷发生变化时，脱硝反应器入口nox会发生较大的波动，如果喷氨量不足，容易导致nox排放增加甚至超标；如果喷氨量过多，过量的氨气与烟气中so3反应生成硫酸氢铵和硫酸铵，降低催化剂火星，造成空预器积灰堵塞和腐蚀，影响锅炉安全运行，同时氨逃逸增加运行成本浪费和二次环境污染。

为解决现有脱硝系统出现的非线性、大迟延、大惯性的特性致使反应器入口nox值存在测不准、测量滞后的问题，通常采用最小二乘法、神经网络、模糊方法等智能化方法开展入口nox的建模，但是这些方法往往只建立一个统一的模型，该模型能够在稳定工况下能够预测入口nox浓度，但对于燃煤电厂而言，存在着升降负荷、磨启停、吹扫等多种工况，这些工况致使脱硝系统的运行过程非常复杂，所以一个统一的模型无法解决多种工况下的入口nox预测问题。

有鉴于此，如何实现在稳定负荷、变工况等多种条件下入口nox的精准建模是火电厂脱硝控制过程中一个亟待解决的问题。

技术实现要素：

为了解决上述技术问题，本发明所采用的技术方案是提供了一种多边界条件下scr入口nox浓度的检测方法，其特征在于，包括以下步骤：

对燃煤机组烟气生成机理及scr系统机理分析，确定与scr入口nox相关的影响因素；采集与scr入口nox相关的影响因素的历史运行数据，确定与nox相关的输入变量；根据所述确定的输入变量及历史运行数据，通过kmeans算法聚类得到稳定负荷、升负荷、降负荷、磨启停、吹扫及其多种组合的多种边界条件下的输入变量，得到多边界条件下的训练数据集；采用svr方法建立各所述边界条件下的最优scr入口nox动态预测模型；获取当前时刻与scr入口nox相关的运行数据，并判断当前时刻的边界条件，确定当前时刻对应边界条件下的scr入口nox预测值。

在上述方法中，所述影响因素主要包括机组负荷、总风量、总煤量、烟气含氧量、烟气流量与燃尽风门开度。

在上述方法中，通过pca算法确定与nox相关的输入变量，其中，输入变量为机组负荷、总风量、烟气含氧量。

在上述方法中，所述通过pca算法确定与nox相关的输入变量具体包括以下步骤：

scr入口nox相关的历史运行数据主要由输入时间序列信号和输出时间序列信号组成的时间序列集(x,y)；

所述输入时间序列信号为x＝[xi]m＝[xij]mⅹp，i＝1,2,…,t,…m，j＝1,2,……p，m为历史运行数据的个数，p为与scr入口nox相关输入变量个数；

所述输出时间序列信号为历史运行数据y＝[yi]mⅹ1，i＝1,2,…,t,…m，m为历史运行数据的个数，此处即是指scr入口nox；

计算所述历史运行数据中输入变量的相关系数矩阵r：

其中，rab为所述历史运行数据中xa与xb的相关系数，rab＝rba，

为变量xa的样本均值，为变量xb的样本均值；

根据特征方程|λi-r|＝0，计算特征值，所述特征值为λj,j＝1,2,...,p，并按从大到小的顺序排序所述特征值，λ1≥λ2≥…≥λp，其中，i表示单位矩阵；

计算每个所述特征值λj,j＝1,2,...,p对应的特征向量ej,j＝1,2,...,p；其中，||ej||＝1；

根据所述特征值，计算累计贡献率，选取所述累计贡献率达85％～95％的特征值，累计贡献率达85％～95％的特征值的个数确定为所述主成分分量的个数q；所述累计贡献率的计算公式：

根据所述特征值以及所述特征向量，计算主成分载荷矩阵l＝(lij)q×p；所述主成分载荷的计算公式为

根据主成分载荷矩阵确定最终与scr入口nox相关输入变量。

在上述方法中，所述通过kmeans算法聚类得到稳定负荷、升负荷、降负荷、磨启停、吹扫及其多种组合的多种边界条件下的输入变量，得到多边界条件下的训练数据集具体包括步骤：

a1、在给定的样本集中随机为k个聚类选择初始质心；

a2、计算样本集中每个样本与k个质心之间的距离，并按照最小距离原则进行聚类；

a3、使用k个聚类的样本均值迭代更新质心；

a4、复步骤a2-a3，直到质心稳定不再发生变化；

a5、输出最终的质心和k个聚类划分。根据最终确定的k种类别，将采集的历史运行数据分为k种，得到k种边界条件下对应的训练数据集。

在上述方法中，所述建立scr入口nox动态预测模型通过kmeans方法聚类得到的不同边界条件下的训练数据集建立对应条件下的svr动态预测模型；具体包括步骤：

设置svr参数，并确定svr参数的取值范围；svr参数包括惩罚系数c、不敏感参数ε及核函数参数；

svr基本数学模型为：

f(x)＝ω^tx+b；

根据核函数κ()将所述输入/输出时间序列信号对(xi,yi)映射到高维空间，得到svr模型在高维空间的表达形式：

f(x)＝ω^tκ(xi,xj)+b；

式中，ω为权重矢量矩阵；b为偏置常数。

所述数学模型f(x)对应的目标函数为：

其对应的约束条件为：

yi-[ω^tκ(xi)+b]≤ε+ξi

s.t.[ω^tκ(xi)+b]-yi≤ε+ξi'

ξi,ξi'≥0,i＝1,2,…,n

上述问题的求解，需引入拉格朗日乘子αi,ηi,并定义拉格朗日函数l：

分别对参数ω,b,ξi,求偏导数：

根据上式将目标函数转换成其对偶问题：

svr动态预测模型转换为：

采用5折交叉验证计算回归精度；根据回归精度进一步优选每组svr模型的参数范围，并确定最优svr参数，具体包括以下步骤：

所述5折交叉验证是将所述训练样本(x,y)分成5份，每次选择一份作为测试集，四份作为训练集。根据步骤5所述svr数学模型，计算均方误差，重复5次，并求取5次的均方误差作为最后的计算精度；根据计算的精度进一步缩小惩罚系数c、不敏感参数ε及核函数参数等svr参数的范围，并重复上述所述步骤，直至计算精度达到最优精度，得到最优svr参数；

再将不同边界条件下的所述训练数据集的数据输入至所述svr模型中进行模型训练，得到每种边界条件下的最优scr入口nox动态预测模型。

本发明还提供了一种多边界条件下scr入口nox浓度的检测系统，其特征在于，包括

历史数据采集单元101：用于对燃煤机组烟气生成机理及scr系统机理分析，确定与scr入口nox相关的影响因素；且采集与scr入口nox相关的影响因素的历史运行数据，确定训练模型的输入变量；

训练数据集获取单元102：用于根据历史数据采集单元101确定的输入变量及历史运行数据，通过kmeans算法聚类得到稳定负荷、升负荷、降负荷、磨启停、吹扫及其多种组合的多种边界条件下的输入变量，得到多边界条件下的训练数据集；

模型建立与训练单元103：采用svr方法建立各边界条件下的scr入口nox动态预测模型；

nox预测单元104：用于获取当前时刻与scr入口nox相关的运行数据，并判断当前时刻的边界条件，确定当前时刻对应边界条件下的scr入口nox预测值。

在上述方案中，所述历史数据采集单元101包括：

历史数据采集模块：根据对燃煤机组烟气生成机理及scr系统机理分析，确定与scr入口nox相关的影响因素；

数据预处理模块：用于对历史运行数据通过pca算法降低输入维度，确定与nox相关的输入变量。

在上述方案中，所述模型建立与训练单元103包括：

模型建立模块：用于对应每个多种边界条件采用svr方法建立相应的scr入口nox动态预测模型；

模型训练模块：通过所述训练数据集获取单元102获取的各边界条件下的训练数据集的数据输入到对应的建立的svr模型中进行模型训练，得到训练完成的每种边界条件下的最优scr入口nox动态预测模型。

在上述方案中，nox预测单元104包括：

当前运行数据获取模块：用于获取当前时刻与scr入口nox相关的运行数据；

当前条件判断模块：用于根据当前运行数据获取获取的运行数据，判断判断当前时刻的边界条件及输入变量；

nox预测值计算模块：根据当前条件判断模块判断的边界条件，将输入变量输入至训练完成的对应的scr入口nox动态预测模型，确定并输出当前时刻对应边界条件下的scr入口nox预测值。

本发明还提供了一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，处理器执行计算机程序时实现如上述所述多边界条件下scr入口nox浓度的检测方法。

本发明还提供了一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现上述实施例中识别模型训练方法，或者计算机程序被处理器执行时实现如上述所述多边界条件下scr入口nox浓度的检测方法。

本发明分别建立了稳定负荷、升降负荷、磨启停、吹扫等多种边界条件下的入口nox预测模型，能够有效地预测变工况下的scr入口nox浓度，并且通过svr建模方法有效地解决脱硝系统的非线性特性引起的入口nox的预测不精确问题，对于燃煤机组排放污染物和成本具有指导意义。

附图说明

为了更清楚地说明本发明具体实施方式或现有技术中的技术方案，下面将对具体实施方式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，下面描述中的附图是本发明的一些实施方式，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1为本发明提供的多边界条件下scr入口nox浓度的检测方法的流程示意图；

图2为本发明提供的具体实施流程示意图；

图3为本发明提供的每种边界条件下svr模型具体实施流程图；

图4为本发明提供的多边界条件下scr入口nox浓度的检测系统框图；

图5为本发明实施例用于350mw燃煤机组的入口nox建模效果图。

具体实施方式

下面将结合实施例对本发明的技术方案进行清楚、完整地描述，显然，所描述的实施例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。

如图1所示，本发明提供了一种多边界条件下scr入口nox浓度的检测方法，包括以下步骤

s1、对燃煤机组烟气生成机理及scr系统机理分析，确定与scr入口nox相关的影响因素；本实施例中，影响因素主要包括机组负荷、总风量、总煤量、烟气含氧量、烟气流量、燃尽风门开度等。

s2、采集与scr入口nox相关的影响因素的历史运行数据，确定与nox相关的输入变量；其中，历史运行数据可从电厂dcs系统中采集获取。

本实施例为了减少nox预测过程中的冗余度，降低训练样本输入维度，提高运算的速度；同时pca算法后的主成分较原始输入变量较少，同时又能代表原始数据所表现的特征，减少了数据的冗余，提高svr模型预测的精度，通过pca算法确定与入口nox相关的输入变量，具体包括以下步骤：

scr入口nox相关的历史运行数据主要由输入时间序列信号和输出时间序列信号组成的时间序列集(x,y)。

所述输入时间序列信号为x＝[xi]m＝[xij]mⅹp，i＝1,2,…,t,…m，j＝1,2,……p，m为历史运行数据的个数，p为与scr入口nox相关输入变量个数；

所述输出时间序列信号为历史运行数据y＝[yi]mⅹ1，i＝1,2,…,t,…m，m为历史运行数据的个数，此处即是指scr入口nox。

计算所述历史运行数据中输入变量的相关系数矩阵r：

其中，rab为所述历史运行数据中xa与xb的相关系数，rab＝rba，

为变量xa的样本均值，为变量xb的样本均值；xa与xb表示输入时间序列信号中的第a和b个样本。假设输入数据为1000*6的数据；1000代表1000个样本点，6代表特征参数个数，也即上述所说的与入口nox浓度相关的变量。而a和b就是1000个样本点中的任意两个。

根据特征方程|λi-r|＝0，计算特征值，所述特征值为λj,j＝1,2,...,p，并按从大到小的顺序排序所述特征值，λ1≥λ2≥…≥λp，其中，i表示单位矩阵；

计算每个所述特征值λj,j＝1,2,...,p对应的特征向量ej,j＝1,2,...,p；其中，||ej||＝1；

根据所述特征值，计算累计贡献率，选取所述累计贡献率达85％～95％的特征值，累计贡献率达85％～95％的特征值的个数确定为所述主成分分量的个数q；所述累计贡献率的计算公式：

根据所述特征值以及所述特征向量，计算主成分载荷矩阵l＝(lij)q×p；所述主成分载荷的计算公式为根据主成分载荷矩阵确定最终与scr入口nox相关输入变量；

本实施例，pca分析后训练样本的输入数据(输入变量)为机组负荷、总风量、烟气含氧量；输出数据为scr入口nox。

s3、根据确定的输入变量及历史运行数据，通过kmeans算法聚类得到稳定负荷、升负荷、降负荷、磨启停、吹扫及其多种组合等多种边界条件下的输入变量，得到各边界条件下的训练数据集；

由于脱硝系统对nox的控制过程中，但对于燃煤电厂而言，存在着升降负荷、磨启停、吹扫等多种工况，这些工况致使脱硝系统的运行过程非常复杂，因此本实施例充分考虑多种边界条件下的输入变量，可更有效地预测变工况下的scr入口nox浓度，因此，步骤s3具体包括以下步骤：

本实施例首先采用kmeans聚类方法对运行历史数据进行分类，判断数据属于所述边界条件。所述kmeans聚类方法就是根据给定的样本集及聚类簇数k，让相同类别的样本尽可能紧密分布在一起，使不同类之间的距离尽可能大，具体步骤为：

a1、在给定的样本集中随机为k个聚类选择初始质心；

a2、计算样本集中每个样本与k个质心之间的距离，并按照最小距离原则进行聚类；

a3、使用k个聚类的样本均值迭代更新质心；

a4、复步骤a2-a3，直到质心稳定不再发生变化；

a5、输出最终的质心和k个聚类划分。根据最终确定的k种类别，将采集的历史运行数据分为k种，得到k种边界条件下对应的训练数据集。

s4、采用svr方法建立各所述边界条件下对应的scr入口nox动态预测模型。

本实施例，为了更有效地、准确地解决复杂情况下入口nox的预测问题，对应每个多种边界条件采用svr方法建立相应的scr入口nox动态预测模型。

本实施例所述建立scr入口nox动态预测模型就是针对每种边界条件都需要建立相应的svr动态预测模型，每种svr动态预测模型都是通过kmeans方法聚类得到的不同边界条件下的训练数据集建立，并且每种svr动态预测模型的建立过程都是一致的。

本实施例，svr动态预测模型涉及到上述所述的三个参数(惩罚系数c、不敏感参数ε及核函数参数)，选择不同的三个参数会使得到的svr模型输出结果不一样，因此需要确定最优三个参数从而建立最优scr入口nox动态预测模型，具体包括以下步骤：

所述svr动态预测模型的建立包括设置svr参数，并确定svr参数的取值范围；根据网格搜索法搜索每组svr模型的参数，计算svr动态预测模型，并采用5折交叉验证计算回归精度；根据回归精度进一步优选每组svr模型的参数范围，并确定最优svr参数，包括步骤：

本实施例所述svr参数包括惩罚系数c、不敏感参数ε及核函数参数，所述惩罚系数c的取值范围一般为[2^-5,2²⁵]；所述不敏感参数ε的取值范围一般为[0.002,0.1]；所述核函数选择高斯核函数，其参数σ的取值范围一般为[2^-15,2¹⁵]。

根据网格搜索法搜索每组svr模型的参数，即网格搜索方法是对指定参数值的一种穷举搜索方法，主要遍历惩罚系数c、不敏感参数ε及核函数参数等svr参数的取值范围。

本实施例svr基本数学模型为：

f(x)＝ω^tx+b；

根据核函数κ()将所述输入/输出时间序列信号对(xi,yi)映射到高维空间，得到svr模型在高维空间的表达形式：

f(x)＝ω^tκ(xi,xj)+b；

式中，ω为权重矢量矩阵；b为偏置常数。

所述数学模型f(x)对应的目标函数为：

其对应的约束条件为：

yi-[ω^tκ(xi)+b]≤ε+ξi

s.t.[ω^tκ(xi)+b]-yi≤ε+ξ'i

ξi,ξ'i≥0,i＝1,2,…,n

上述问题的求解，需引入拉格朗日乘子αi,ηi,并定义拉格朗日函数l：

分别对参数ω,b,ξi,求偏导数：

根据上式将目标函数转换成其对偶问题：

所述svr动态预测模型转换为：

本实施例采用5折交叉验证计算回归精度；根据精度进一步优选每组

svr模型的参数范围，并确定最优svr参数，具体步骤包括：

所述5折交叉验证是将所述训练样本(x,y)分成5份，每次选择一份作为测试集，四份作为训练集。根据步骤5所述svr数学模型，计算均方误差，重复5次，并求取5次的均方误差作为最后的计算精度。根据计算的精度进一步缩小惩罚系数c、不敏感参数ε及核函数参数等svr参数的范围，并重复上述所述步骤，直至计算精度达到最优精度，得到最优svr参数。

将kmeans聚类方法得到的不同边界条件下的训练数据集的数据输入到上述建立的svr模型中进行模型训练，得到每种边界条件下的最优scr入口nox动态预测模型；本实施例svr模型的个数与kmeans聚类的个数保持一致。

s5、获取当前时刻与scr入口nox相关的运行数据，根据步骤s1-s3判断当前时刻的边界条件及输入变量，根据输入变量确定当前时刻对应边界条件下的scr入口nox预测值。

本发明还提供了一种多边界条件下scr入口nox浓度的检测系统，包括：

历史数据采集单元101：用于对燃煤机组烟气生成机理及scr系统机理分析，确定与scr入口nox相关的影响因素；且采集与scr入口nox相关的影响因素的历史运行数据，确定训练模型的输入变量；

历史数据采集模块：根据对燃煤机组烟气生成机理及scr系统机理分析，确定与scr入口nox相关的影响因素，包括机组负荷、总风量、总煤量、烟气含氧量、烟气流量、燃尽风门开度等。

数据预处理模块：用于对历史运行数据通过pca算法降低输入维度，确定与nox相关的输入变量，具体处理步骤包括：

scr入口nox相关的历史运行数据主要由输入时间序列信号和输出时间序列信号组成的时间序列集(x,y)。

所述输入时间序列信号为x＝[xi]m＝[xij]mⅹp，i＝1,2,…,t,…m，j＝1,2,……p，m为历史运行数据的个数，p为与scr入口nox相关输入变量个数；

所述输出时间序列信号为历史运行数据y＝[yi]mⅹ1，i＝1,2,…,t,…m，m为历史运行数据的个数，此处即是指scr入口nox。

计算所述历史运行数据中输入变量的相关系数矩阵r：

其中，rab为所述历史运行数据中xa与xb的相关系数，rab＝rba，为变量xa的样本均值，为变量xb的样本均值；

根据特征方程|λi-r|＝0，计算特征值，所述特征值为λj,j＝1,2,...,p，并按从大到小的顺序排序所述特征值，λ1≥λ2≥…≥λp，其中，i表示单位矩阵；

计算每个所述特征值λj,j＝1,2,...,p对应的特征向量ej,j＝1,2,...,p；其中，||ej||＝1；

根据所述特征值，计算累计贡献率，选取所述累计贡献率达85％～95％的特征值，累计贡献率达85％～95％的特征值的个数确定为所述主成分分量的个数q；所述累计贡献率的计算公式：

根据所述特征值以及所述特征向量，计算主成分载荷矩阵l＝(lij)q×p；所述主成分载荷的计算公式为根据主成分载荷矩阵确定最终与scr入口nox相关输入变量；

本实施例，pca分析后训练样本的输入数据(输入变量)为机组负荷、总风量、烟气含氧量；输出数据为scr入口nox。

训练数据集获取单元102：用于根据历史数据采集单元101确定的输入变量及历史运行数据，通过kmeans算法聚类得到稳定负荷、升负荷、降负荷、磨启停、吹扫及其多种组合的多种边界条件下的输入变量，得到各边界条件下的训练数据集，具体获取步骤包括：

采用kmeans聚类方法对运行历史数据进行分类，判断数据属于所述边界条件。所述kmeans聚类方法就是根据给定的样本集及聚类簇数k，让相同类别的样本尽可能紧密分布在一起，使不同类之间的距离尽可能大，具体步骤为：

a1、在给定的样本集中随机为k个聚类选择初始质心；

a2、计算样本集中每个样本与k个质心之间的距离，并按照最小距离原则进行聚类；

a3、使用k个聚类的样本均值迭代更新质心；

a4、复步骤a2-a3，直到质心稳定不再发生变化；

a5、输出最终的质心和k个聚类划分。根据最终确定的k种类别，将采集的历史运行数据分为k种，得到k种边界条件下对应的训练数据集。

模型建立与训练单元103：采用svr方法建立多种边界条件下的scr入口nox动态预测模型。

模型建立模块：用于对应每个边界条件采用svr方法建立相应的scr入口nox动态预测模型；

所述建立scr入口nox动态预测模型就是针对每种边界条件都需要建立相应的svr动态预测模型，每种svr动态预测模型都是通过kmeans方法聚类得到的不同边界条件下的训练数据集建立，并且每种svr动态预测模型的建立过程都是一致的。

所述svr动态预测模型的建立包括设置svr参数，并确定svr参数的取值范围；根据网格搜索法搜索每组svr模型的参数，计算svr动态预测模型，并采用5折交叉验证计算回归精度；根据精度进一步优选每组svr模型的参数范围，并确定最优svr参数，具体包括以下步骤：

本实施例所述svr参数包括惩罚系数c、不敏感参数ε及核函数参数，所述惩罚系数c的取值范围一般为[2^-5,2²⁵]；所述不敏感参数ε的取值范围一般为[0.002,0.1]；所述核函数选择高斯核函数，其参数σ的取值范围一般为[2^-15,2¹⁵]。

根据网格搜索法搜索每组svr模型的参数，即网格搜索方法是对指定参数值的一种穷举搜索方法，主要遍历惩罚系数c、不敏感参数ε及核函数参数等svr参数的取值范围。

本实施例svr基本数学模型为：

f(x)＝ω^tx+b；

根据核函数κ()将所述输入/输出时间序列信号对(xi,yi)映射到高维空间，得到svr模型在高维空间的表达形式：

f(x)＝ω^tκ(xi,xj)+b；

式中，ω为权重矢量矩阵；b为偏置常数。

所述数学模型f(x)对应的目标函数为：

其对应的约束条件为：

yi-[ω^tκ(xi)+b]≤ε+ξi

s.t.[ω^tκ(xi)+b]-yi≤ε+ξ'i

ξi,ξ'i≥0,i＝1,2,…,n

上述问题的求解，需引入拉格朗日乘子αi,ηi,并定义拉格朗日函数l：

分别对参数ω,b,ξi,求偏导数：

根据上式将目标函数转换成其对偶问题：

所述svr动态预测模型转换为：

模型训练模块：通过训练数据集获取单元102获取的各边界条件下的训练数据集输入到对应的建立的svr模型中进行模型训练，得到训练完成的每种边界条件下的最优scr入口nox动态预测模型。

nox预测单元104：用于获取当前时刻与scr入口nox相关的运行数据，并判断当前时刻的边界条件，确定当前时刻对应边界条件下的scr入口nox预测值。包括

当前运行数据获取模块：用于获取当前时刻与scr入口nox相关的运行数据；

当前条件判断模块：用于根据当前运行数据获取获取的运行数据，判断判断当前时刻的边界条件及输入变量；

nox预测值计算模块：根据当前条件判断模块判断的边界条件，将输入变量输入至训练完成的对应的scr入口nox动态预测模型，确定并输出当前时刻对应边界条件下的scr入口nox预测值。

本发明还提供了一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，处理器执行计算机程序时实现上述实施例中多边界条件下scr入口nox浓度的检测方法。

本发明还提供了一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现上述实施例中识别模型训练方法，或者计算机程序被处理器执行时实现上述实施例多边界条件下scr入口nox浓度的检测方法。

本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用，均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(rom)、可编程rom(prom)、电可编程rom(eprom)、电可擦除可编程rom(eeprom)或闪存。易失性存储器可包括随机存取存储器(ram)或者外部高速缓冲存储器。作为说明而非局限，ram以多种形式可得，诸如静态ram(sram)、动态ram(dram)、同步dram(sdram)、双数据率sdram(ddrsdram)、增强型sdram(esdram)、同步链路(synchlink)dram(sldram)、存储器总线(rambus)直接ram(rdram)、直接存储器总线动态ram(drdram)、以及存储器总线动态ram(rdram)等。

下面通过使用上述方法或系统的具体案例说明本发明。

根据上述提供的方法和系统，以国内1000mw燃煤机组为例说明建模效果。图5为1000mw机组入口nox建模结果，在此时间段内，存在着升负荷、降负荷、稳定负荷、磨停4种边界条件，图(a)中上三角点线是机组负荷曲线、下三角曲线为总煤量变化曲线；图(b)中上三角点线为实际入口nox曲线、下三角点线为入口nox建模曲线。从图中可以看出，锅炉负荷总体上从1000mw降至700mw，期间存在小幅度升负荷，同时给煤量发生突变，存在磨煤机关停的情况。从预测效果上看两条曲线基本上重叠，误差在±5mg/nm³范围内。

本发明有益效果：

1、本发明通过pca算法确定了与nox相关的输入变量，减少nox预测过程中的冗余度，降低训练样本输入维度，提高速度和精度。

2、本发明针对燃煤电厂运行过程中存在升降负荷、磨启停、吹扫等多种工况，采用聚类方法建立了多种边界条件，多个条件下的模型更有效地解决复杂情况下入口nox的预测问题。

3、本发明能够提前预测反应器入口nox的值，而且得到的预测精度较高，克服传统上依靠仪器分析得到的结果，引入一种快速、精确的预测模型。

本发明不局限于上述最佳实施方式，任何人应该得知在本发明的启示下作出的结构变化，凡是与本发明具有相同或相近的技术方案，均落入本发明的保护范围之内。