基于时序卷积网络的NOx浓度预测方法、设备及介质与流程
本发明属于污染气体智能监测,涉及一种基于时序卷积网络的nox浓度预测方法、设备及介质。
背景技术:
1、燃煤锅炉燃烧过程中产生的氮氧化物(nox)是主要大气污染物之一,包括no、no2等,不仅导致酸雨、光化学烟雾等环境问题,还直接危害人体健康。
2、目前,燃煤电厂nox控制技术主要分为两类:一是低氮燃烧技术,通过优化炉内燃烧工况抑制nox生成,包括空气分级燃烧、燃料分级燃烧、低nox燃烧器改造等;二是烟气脱硝技术,主要是选择性催化还原法(scr)和选择性非催化还原法(sncr),通过在尾部烟道喷入还原剂(氨水或尿素)将已生成的nox还原为n2。
3、尽管上述技术在一定程度上降低了nox排放,但因电站锅炉具有大惯性、大时滞特性导致控制滞后,从炉内煤粉燃烧反应生成nox,到nox随高温烟气经炉膛、水平烟道、尾部竖井烟道流动传输,再到布置于尾部烟道的cems(连续排放监测系统)在线检测,整个物理过程涉及复杂的流动、传热、传质及化学反应,时间延迟可达数分钟至十几分钟。这种多重时滞叠加导致cems检测到的nox浓度实际上是数分钟前的历史状态,而脱硝系统喷氨调节基于该滞后信号进行反馈控制,当检测到nox超标时,炉内工况早已发生变化,喷氨量无法匹配实时nox生成量,造成过喷(氨逃逸增加,空预器堵塞、催化剂中毒)或欠喷(nox瞬时超标,环保考核风险)。
4、综上所述,亟需构建一种适配燃煤机组大惯性、大时滞运行特性的nox浓度预测模型,能够基于锅炉实时运行参数的历史序列,超前预测未来时刻的nox排放浓度,从根本上解决时滞导致的控制滞后问题,实现燃煤电厂nox的精准高效脱除,兼具环保效益与经济效益。
技术实现思路
1、本发明的目的在于提供一种基于时序卷积网络的nox浓度预测方法、设备及介质,所述方法基于时序卷积网络模型构建nox排放时序预测模型,能够超前预测未来时刻的nox排放浓度,为脱硝系统的精准调控与环保达标管理提供了技术支撑。
2、为达到此发明目的,本发明采用以下技术方案:
3、第一方面,本发明提供了一种基于时序卷积网络的nox浓度预测方法,所述nox浓度预测方法包括:
4、获取锅炉的实时运行参数数据,将实时运行参数数据输入至训练后的nox排放时序预测模型,输出实时nox排放浓度预测值,依据所述实时nox排放浓度预测值,对变工况运行下的nox排放执行在线智能控制;
5、所述nox排放时序预测模型通过如下方式生成:
6、获取并预处理锅炉在多种运行状态下的历史数据,生成原始数据集,而后将原始数据集按预设比例划分为训练集、验证集和测试集;
7、构建由因果卷积和因果空洞卷积组成的时序卷积网络模型,设置模型超参数,通过训练集和验证集对所述时序卷积网络模型进行训练和验证,得到初始nox排放时序预测模型;
8、将所述测试集输入所述初始nox排放时序预测模型中,输出nox排放浓度的预测数据并计算对应的预测误差,在所述预测误差满足预设的精度阈值时,将初始nox排放时序预测模型作为所述nox排放时序预测模型。
9、本发明提供的nox浓度预测方法,首先获取并预处理锅炉在多种运行状态下的历史数据,生成原始数据集,然后基于时序卷积网络模型构建nox排放时序预测模型,从而超前预测未来时刻的nox排放浓度。利用所述nox浓度预测方法可适配变工况运行的nox排放在线智能控制方案,以实现燃煤电厂nox的精准治理与高效稳定减排,兼具环保效益与经济效益。
10、需要说明的是,采用由因果卷积和因果空洞卷积组成的时序卷积网络模型,通过因果卷积确保预测任务具有严格的时序因果性,通过因果空洞卷积以指数级感受野捕获锅炉运行中的长时程动态依赖,通过协同作用,使时序卷积网络模型兼具长程记忆能力、并行计算效率与深层拟合能力,特别适配于电站锅炉nox排放这类具有大惯性、大时滞、多时间尺度耦合特性的工业时序预测任务。
11、优选地,所述原始数据集包括锅炉的历史运行参数、历史衍生参数和历史nox排放浓度值。
12、优选地,所述历史运行参数包括机组负荷、给煤量、总风量、一次风量、二次风量和sofa风开度。
13、优选地,所述历史衍生参数包括风煤比、风量配比、负荷/给煤量比和负荷-总风量交互项。
14、本发明中,所述预设比例为(6-8):(1-2):(1-2),例如可以是8:1:1或6:2:2。
15、优选地,所述时序卷积网络模型的结构包括依次连接的输入层、四个堆叠的残差块、全局平均池化层、全连接层和输出层。
16、优选地,所述残差块包括依次连接的第一relu激活层、因果卷积层、批量归一化层、第二relu激活层和因果空洞卷积层。
17、优选地,所述残差块的工作流程如下:
18、通过第一relu激活层对输入特征进行非线性变换;
19、通过因果卷积层,基于预设的时序因果约束,对非线性变换后的输入特征进行卷积运算处理,得到对应的卷积结果;其中,所述时序因果约束为:仅使用t时刻及t时刻之前的k-1个历史时刻特征作为卷积运算的输入;
20、通过批量归一化层对所述卷积结果进行标准归一化处理;
21、通过第二relu激活层对标准归一化处理后的卷积结果进行二次激活处理,以引入非线性映射;
22、通过因果空洞卷积层对二次激活后的特征进行空洞采样处理,以捕获锅炉参数与nox浓度之间的长程时序依赖关系。
23、优选地,所述因果卷积层通过以下表达式进行卷积运算处理:
24、
25、上式中,为第i个卷积核权重,k为卷积核大小,为受因果约束的历史时刻输入特征,为当前时刻的输出张量。
26、优选地,所述因果空洞卷积层通过以下表达式进行空洞采样处理:
27、
28、上式中,为第i个卷积核权重,k为卷积核大小,d为空洞率,为空洞采样的历史时刻输入特征,为当前时刻的输出张量。
29、优选地,所述模型超参数包括最大训练轮数和训练选取的批次样本数。
30、本发明中,所述最大训练轮数为180-220,例如可以是185、190、195、200、205、210或215等。
31、本发明中,所述训练选取的批次样本数为40-50,例如可以是41、42、43、44、45、46、47、48或49。
32、优选地,所述在线智能控制具体包括:
33、基于所述nox排放时序预测模型实时输出的实时nox排放浓度预测值及nox浓度变化趋势,识别锅炉的变工况扰动状态及对应的工况扰动等级;
34、基于所述变工况扰动状态和所述工况扰动等级匹配对应的变工况专属控制逻辑,并根据所述变工况专属控制逻辑调整锅炉的pid控制器的比例参数、积分参数及微分参数;
35、根据所述nox浓度变化趋势得到nox浓度的升降趋势,根据所述升降趋势对锅炉喷氨量执行超前调节,以提前补偿锅炉大时滞特性带来的控制滞后偏差。
36、第二方面,本发明提供了一种电子设备,所述电子设备包括:
37、至少一个处理器;以及与所述至少一个处理器通信连接的存储器;
38、其中,所述存储器存储有可被所述至少一个处理器执行的计算机程序,所述计算机程序被所述至少一个处理器执行,以使所述至少一个处理器能够执行第一方面所述的nox浓度预测方法。
39、第三方面,本发明提供了一种计算机可读存储介质,其特征在于,所述计算机可读存储介质存储有计算机指令,所述计算机指令用于使处理器执行时实现第一方面所述的nox浓度预测方法。
40、本发明所述的数值范围不仅包括上述列举的点值,还包括没有列举出的上述数值范围之间的任意的点值,限于篇幅及出于简明的考虑,本发明不再穷尽列举所述范围包括的具体点值。
41、相对于现有技术,本发明具有以下有益效果:
42、本发明提供的nox浓度预测方法,首先获取并预处理锅炉在多种运行状态下的历史数据,生成原始数据集,然后基于时序卷积网络模型构建nox排放时序预测模型,从而超前预测未来时刻的nox排放浓度。利用所述nox浓度预测方法可适配变工况运行的nox排放在线智能控制方案,以实现燃煤电厂nox的的精准治理与高效稳定减排。所述预测方法流程更加规范,考虑因素更加全面,为燃煤电厂nox浓度的预测提供了依据,为脱硝系统的精准调控与环保达标管理提供了技术支撑。
版权声明:本站专利文献数据主要来源于国家知识产权局等公开渠道,由 技术新讯 进行整理汇编。页面设计及数据汇编的著作权归本站所有。全部内容仅供个人学习、科研评估与技术交流参考,严禁用于任何商业用途(包括但不限于直接生产制造、技术转让、倒卖数据等)。
免责条款:专利技术具有时效性,本站不对资料的绝对准确性、完整性和可实施性提供任何明示或暗示的担保。因参考本站内容造成的直接或间接损失,本站不承担相关法律责任。若您认为本站内容有侵权问题,请及时提供权属证明与我们联系,本站将在核实后依法处理。反馈意见:yyfuon@163.com