燃煤锅炉污染物排放动态预测方法、装置、设备及介质与流程

本发明涉及污染物排放控制，特别涉及燃煤锅炉污染物排放动态预测方法、装置、设备及介质。

背景技术：

1、当前以风电、光伏为主体的新能源装机容量占比逐渐增加，燃煤机组深度调峰需求日益迫切，单日负荷变动频次较传统工况显著提升。负荷变化的过程中，锅炉燃烧器配风、煤粉浓度场分布等核心参数呈现分钟级波动，致使nox、sox等污染物的生成特性发生显著变化。这种强时变非线性特征使得传统基于稳态工况的污染控制策略面临根本性失效风险。传统静态预测模型依赖有限组调峰试验数据建立固定映射关系，在负荷快速波动时因无法捕捉动态关联性而产生显著预测滞后，难以满足超低排放控制系统的实时性需求。现有技术中，基于机理建模的预测方法受限于燃烧反应复杂性，而单一机器学习模型对时序特征提取能力不足，导致污染物浓度场动态重构精度受限，严重制约了脱硝系统的超前调控能力与机组环保运行水平。

技术实现思路

1、有鉴于此，本发明的目的在于提供燃煤锅炉污染物排放动态预测方法、装置、设备及介质，能够从根本上解决深度调峰工况下污染物预测的滞后性与精度不足问题，显著提升脱硝系统调控的实时性与精准度，实现从事后调控向超前预判的转变。其具体方案如下：

2、第一方面，本技术公开了一种燃煤锅炉污染物排放动态预测方法，包括：

3、获取燃煤锅炉在深度调峰过程中，多个负荷调整工况下的负荷参数数据和锅炉出口污染物的排放浓度时序数据；

4、对所述排放浓度时序数据进行时序特征提取，以得到各所述负荷调整工况对应的污染物时序特征参数；

5、将所述负荷参数数据作为输入，所述污染物时序特征参数作为输出，训练基于梯度提升决策树的回归模型，以建立负荷参数数据与污染物时序特征参数之间的动态映射关系；

6、将待预测工况的负荷参数数据输入训练好的所述回归模型，得到对应的预测污染物时序特征参数，并对所述预测污染物时序特征参数进行时序重构，得到所述待预测工况下锅炉出口污染物的预测浓度时序数据。

7、可选的，所述获取燃煤锅炉在深度调峰过程中，多个负荷调整工况下的负荷参数数据和锅炉出口污染物的排放浓度时序数据，包括：

8、在燃煤锅炉由初始负荷参数向目标负荷参数过渡的过程中，于锅炉出口处连续采集污染物的排放浓度随时间变化的时序数据；其中，在每个负荷调整工况下采集的所述时序数据包含预设数量个等时间间隔的污染物排放浓度监测值；所述污染物排放浓度监测值包括氮氧化物、硫氧化物及颗粒物中的一种或多种的实时排放浓度数据。

9、可选的，所述对所述排放浓度时序数据进行时序特征提取，以得到各所述负荷调整工况对应的污染物时序特征参数，包括：

10、利用卷积神经网络对各所述负荷调整工况下的所述排放浓度时序数据进行卷积计算，并将卷积计算后的输出作为所述污染物时序特征参数；

11、其中，单个负荷调整工况对应的卷积神经网络计算得到的所述污染物时序特征参数为预设数量组特征向量。

12、可选的，所述利用卷积神经网络对所述排放浓度时序数据进行卷积计算的过程中，还包括：

13、在每级卷积层后引入线性整流激活函数，并逐级增加卷积层的通道数。

14、可选的，所述负荷调整工况为预设值范围内有限数量的负荷调整工况；所述方法还包括：

15、在多个所述负荷调整工况中，随机选取第一预设比例的工况作为训练工况，剩余第二预设比例的工况作为测试工况；所述训练工况用于训练所述回归模型，所述测试工况用于对训练好的回归模型的预测性能进行测试评估；

16、其中，在所述训练工况中，从低负荷向高负荷调整的升负荷过渡工况与从高负荷向低负荷调整的降负荷过渡工况的比例均衡设置。

17、可选的，所述将所述负荷参数数据作为输入，所述污染物时序特征参数作为输出，训练基于梯度提升决策树的回归模型，包括：

18、将各所述负荷调整工况下的所述初始负荷参数与所述目标负荷参数作为catboost回归器的输入，将与所述负荷调整工况对应的所述污染物时序特征参数作为所述catboost回归器的输出，利用网格搜索方法确定所述catboost回归器的最佳超参数，并通过交叉验证对所述catboost回归器进行评估。

19、可选的，所述对所述预测污染物时序特征参数进行时序重构，得到所述待预测工况下锅炉出口污染物的预测浓度时序数据，包括：

20、对所述预测污染物时序特征参数进行反卷积运算，并还原至与所述污染物时序特征参数一致的采样数据量，得到所述待预测工况下锅炉出口污染物的预测浓度时序数据。

21、第二方面，本技术公开了一种燃煤锅炉污染物排放动态预测装置，包括：

22、数据获取模块，用于获取燃煤锅炉在深度调峰过程中，多个负荷调整工况下的负荷参数数据和锅炉出口污染物的排放浓度时序数据；

23、特征提取模块，用于对所述排放浓度时序数据进行时序特征提取，以得到各所述负荷调整工况对应的污染物时序特征参数；

24、预测模型构建模块，用于将所述负荷参数数据作为输入，所述污染物时序特征参数作为输出，训练基于梯度提升决策树的回归模型，以建立负荷参数数据与污染物时序特征参数之间的动态映射关系；

25、模型预测模块，用于将待预测工况的负荷参数数据输入训练好的所述回归模型，得到对应的预测污染物时序特征参数，并对所述预测污染物时序特征参数进行时序重构，得到所述待预测工况下锅炉出口污染物的预测浓度时序数据。

26、第三方面，本技术公开了一种电子设备，所述电子设备包括处理器和存储器；其中，所述存储器用于存储计算机程序，所述计算机程序由所述处理器加载并执行以实现如前所述的燃煤锅炉污染物排放动态预测方法。

27、第四方面，本技术公开了一种计算机可读存储介质，用于存储计算机程序；其中所述计算机程序被处理器执行时实现如前所述的燃煤锅炉污染物排放动态预测方法。

28、本技术的有益效果为：通过对污染物的排放浓度时序数据进行专门的时序特征提取，有效捕捉了负荷快速波动过程中污染物浓度随燃烧工况变化的动态演变规律。在此基础上，利用梯度提升决策树模型强大的非线性拟合能力，建立了从负荷参数数据到污染物时序特征参数的精确映射关系，避免了传统静态预测模型因依赖稳态工况固定映射关系而在负荷快速变化时产生显著预测滞后的问题。二者的有机融合克服了单一机理模型难以描述深度调峰过程强时变非线性特征以及单一机器学习模型对时序特征提取能力不足的固有缺陷，进一步实现了对燃煤锅炉在全负荷区间污染物排放浓度的精准预测。在实际预测时，仅需将待预测工况的负荷参数数据直接输入模型，即可在负荷指令下达后即时获得污染物排放浓度在未来时段内的预测值，为选择性催化还原（selective catalyticreduction，scr）脱硝系统提供前瞻性的调控依据。相比传统方法在污染物浓度实际变化后才被动响应，本发明实现了从“事后调控”向“超前预判”的转变，显著提升了脱硝系统的调控时效性和精准度，有效降低了因调控滞后导致的超标排放风险。