一种基于物理信息的循环流化床锅炉二氧化硫排放区间预测方法及装置

本发明涉及工业过程建模与环保排放控制，特别是涉及一种基于物理信息的循环流化床锅炉二氧化硫排放区间预测方法及装置。

背景技术：

1、循环流化床（cfb）燃烧技术因其负荷适应性广和燃料灵活性强，在燃煤发电领域得到了广泛应用。然而，cfb锅炉在运行过程中，由于负荷波动、燃料不均匀性以及燃烧-脱硫多尺度耦合反应，导致二氧化硫（so2）的生成和排放呈现出极强的非线性和随机波动性。精确预测so2浓度，不仅是实现超低排放达标的关键，也是提高电厂运行稳定性和经济性的核心。

2、现有的预测模型主要分为机理模型和数据驱动模型。传统的机理模型（如一维稳态模型或计算颗粒流体动力学cpfd）通过模拟脱硫与燃烧的物理化学机制进行预测，但往往依赖大量的参数假设，计算成本高昂且难以适应瞬态工况。数据驱动模型（如lstm、svr、transformer或决策树算法）能够有效捕捉数据的时序依赖，但存在显著局限：首先，纯数据驱动模型在多步长预测中极易受异常波动干扰，导致严重的误差累积；其次，这些模型仅能提供单一的确定性点预测，无法量化预测的不确定性，不能为实际运行人员提供排放波动的置信区间；最后，它们缺乏物理机制约束，在遇到未见过的工况时容易发生过拟合，甚至输出违背质量守恒常理的预测结果。

3、物理信息神经网络（pinn）通过将控制方程嵌入到网络训练中，提高了数据效率和物理一致性。然而，现有基于pinn的预测模型多侧重于确定性点预测，难以对循环流化床锅炉在负荷波动、燃料组成变化及燃烧—脱硫耦合反应下产生的二氧化硫排放不确定性进行量化。同时，现有深度学习模型普遍存在参数规模较大、推理计算复杂度较高的问题，在火电厂真实工业控制环境中，云端通信延迟、边缘端控制设备存储与算力受限等因素会影响模型的在线部署效果。

4、因此，亟需一种能够同时融合二氧化硫排放机理约束、分位数区间预测和轻量化部署机制的循环流化床锅炉二氧化硫排放区间预测方法及装置，以提高预测结果的物理一致性、区间可靠性和工程应用适应性。

技术实现思路

1、本发明的目的是提供一种基于物理信息的循环流化床锅炉二氧化硫排放区间预测方法及装置，通过融合机制微分方程、神经网络逼近和分位数回归理论，解决现有方法在循环流化床二氧化硫排放预测中存在的误差累积严重、缺乏不确定性量化能力以及输出结果缺乏物理一致性等问题。

2、为实现上述目的，本发明提供了如下方案：

3、一种基于物理信息的循环流化床锅炉二氧化硫排放区间预测方法，包括：

4、获取循环流化床锅炉的运行控制参数，将所述运行控制参数进行预处理，并构建训练数据集；

5、利用所述训练数据集训练区间预测模型，同时通过联合优化函数优化模型参数；在训练过程中，通过深度学习特征提取模块对所述训练数据集进行特征提取，得到高维隐层空间特征矩阵，并输入至所述区间预测模型的多位点分位数预测头求取状态变量对时间的精确导数，将所述精确导数与预测状态输入二氧化硫排放机理子模型，得到物理机制偏差，以构建融合物理约束的联合损失函数；

6、将训练优化后的区间预测模型进行轻量化压缩与模型部署，用以预测二氧化硫排放区间值，得到二氧化硫排放区间预测值。

7、可选地，所述运行控制参数包括：炉膛温度、氧气浓度、给煤率、石灰石注入率以及空气流量或单位时间排风量；所述训练数据集还包括作为观测标签的二氧化硫浓度。

8、可选地，所述区间预测模型包括：

9、二氧化硫排放机理子模型，用于利用所述运行控制参数描述燃烧碳质量演化、有效脱硫剂质量演化和二氧化硫浓度演化；

10、多位点分位数预测头，用于设置分位数集合；所述分位数集合包括：低分位数点、中位分位数点和高分位数点；

11、在所述分位数集合基础上通过演化结果并行输出对应分位数下的预测状态；所述预测状态包括：燃烧碳状态变量预测值、脱硫剂状态变量预测值和二氧化硫浓度状态变量预测值。

12、可选地，利用所述运行控制参数描述燃烧碳质量演化、有效脱硫剂质量演化和二氧化硫浓度演化包括：

13、描述燃烧碳质量演化：

14、；

15、有效脱硫剂质量演化：

16、；

17、二氧化硫浓度演化：

18、；

19、其中，为炉膛内未燃碳浓度，为给煤率，为炉膛温度，为氧气浓度，为固定碳生成效率系数，为碳氧化速率系数，为依赖温度的碳氧化反应速率常数，为有效脱硫剂质量，为石灰石注入率，为二氧化硫体积分数，为脱硫剂添加系数，为二氧化硫吸收反应系数，为受温度影响的脱硫反应常数，为脱硫剂物理损耗率，为初始二氧化硫生成率系数，为碳燃烧生成二氧化硫比例系数，为脱硫反应去除效率，为排气稀释排放系数，为单位时间排风量，为时间变量。

20、可选地，得到所述高维隐层空间特征矩阵包括：

21、将所述训练数据集中的时间变量以及预处理后的运行控制参数作为输入层的多源异构输入，并利用所述深度学习特征提取模块所包含的多个全连接层与非线性激活算子的多层感知器架构对所述输入层的多源异构输入进行空间升维与逐层非线性特征变换，以捕捉循环流化床锅炉在瞬态工况下燃烧反应与脱硫反应的多尺度时序耦合依赖关系，提取出用于表征炉内状态演化动态的高维隐层空间特征矩阵。

22、可选地，所述精确导数包括：

23、；

24、其中，表示分位数，表示分位数集合，表示分位数下任一状态变量在时刻的预测值。

25、可选地，所述物理机制偏差包括：

26、燃烧碳质量演化的物理残差：

27、；

28、脱硫剂质量演化的物理残差：

29、；

30、二氧化硫浓度演化的物理残差：

31、；

32、其中，为燃烧碳质量演化的物理残差，为脱硫剂质量演化的物理残差，为二氧化硫浓度演化的物理残差，为给煤率，为炉膛温度，为氧气浓度，为固定碳生成效率系数，为碳氧化速率系数，为依赖温度的碳氧化反应速率常数，为石灰石注入率，为脱硫剂添加系数，为二氧化硫吸收反应系数，为受温度影响的脱硫反应常数，为脱硫剂物理损耗率，为初始二氧化硫生成率系数，为碳燃烧生成二氧化硫比例系数，为脱硫反应去除效率，为排气稀释排放系数，为单位时间排风量，、和分别表示分位数下的燃烧碳状态变量预测值、脱硫剂状态变量预测值和二氧化硫浓度状态变量预测值。

33、可选地，将所述训练优化后的区间预测模型进行轻量化压缩与模型部署包括：

34、通过逐层动态量化算法将所述训练优化后的区间预测模型中包含权重和偏置的多位浮点型参数进行八位整型转换，并采用敏感度引导的结构化剪枝策略剔除区间预测模型中冗余的连接和特征通道，同时采用硬件感知算子融合技术将区间预测模型中相邻的线性层与激活层合并编译为复合算子，得到轻量化的区间预测模型；

35、将所述轻量化的区间预测模型部署至计算设备中，所述计算设备包括部署在工业现场的边缘端硬件加速推理引擎，用以接收实时运行控制参数，并输入部署后的区间预测模型进行实时推理计算。

36、为实现上述目的，本发明还提供了一种基于物理信息的循环流化床锅炉二氧化硫排放区间预测装置，包括：

37、采集模块，用于获取循环流化床锅炉的运行控制参数，将所述运行控制参数进行预处理，并构建训练数据集；

38、优化模块，用于利用所述训练数据集训练区间预测模型，同时通过联合优化函数优化模型参数；在训练过程中，通过深度学习特征提取模块对所述训练数据集进行特征提取，得到高维隐层空间特征矩阵，并输入至所述区间预测模型的多位点分位数预测头求取状态变量对时间的精确导数，将所述精确导数与预测状态输入二氧化硫排放机理子模型，得到物理机制偏差，以构建融合物理约束的联合损失函数；

39、预测部署模块，用于将训练优化后的区间预测模型进行轻量化压缩与模型部署，用以预测二氧化硫排放区间值，得到二氧化硫排放区间预测值。

40、本发明的有益效果为：

41、本发明通过基于分位数回归的深度学习输出头架构，不仅能够输出预测中位数，还能够同步输出置信区间上下界，量化由于燃料异质性和负荷波动导致的排放不确定性，为现场加药控制提供安全操作裕度；机理方程嵌入模块将二氧化硫生成的燃烧碳动力学与脱硫剂反应动力学作为物理残差约束嵌入到神经网络优化中，提高了多步长预测轨迹与物理化学演化规律之间的一致性，降低了纯数据驱动模型在长序列预测中容易产生的误差累积和非物理波动风险，提升了模型在未见工况下的跨场景泛化能力。

42、本发明通过引入逐层动态量化、敏感度引导的结构化剪枝以及硬件感知算子融合等模型轻量化技术，在保持预测区间覆盖率和预测精度的前提下削减模型的参数体积、计算复杂度与显存开销，并且基于云边协同部署架构，通过云端离线训练与边缘端硬件加速推理相结合，提高了模型在动态工业环境中的实时预测适应性，有助于火电厂优化脱硫剂投放策略、降低超标排放风险，具有环保效益、工程落地价值与经济价值。