一种基于优化AGCRN的CFB机组变负荷工况NOx排放浓度预测方法

摘要: 本发明属于智能发电,尤其是涉及一种基于优化agcrn的cfb机组变负荷工况nox排放浓度预测方法。背景技术:1、随着“双碳”目标的推进与新能源的大规模并网消纳,...
一种基于优化AGCRN的CFB机组变负荷工况NOx排放浓度预测方法

本发明属于智能发电,尤其是涉及一种基于优化agcrn的cfb机组变负荷工况nox排放浓度预测方法。

背景技术:

1、随着“双碳”目标的推进与新能源的大规模并网消纳,火电机组逐步从基础负荷型电源向辅助服务型电源转变。循环流化床(cfb)锅炉因其优异的燃料适应性和原始低污染排放特性,在火电领域得到广泛应用。然而,为维持电网稳定,cfb机组需频繁参与深度调峰,导致机组运行工况剧烈变化。在变负荷工况下,炉内燃烧条件和流场状态动态波动,给煤量、一二次风量、床温以及还原剂流量等关键参数频繁更迭。由于cfb锅炉气固两相流燃烧的固有属性,系统表现出强烈的多变量耦合、大惯性与大时滞特性,这使得变负荷过程中nox的生成和脱除机理复杂多变,其动态排放浓度的精确预测面临巨大挑战。

2、在当前的cfb锅炉nox排放浓度预测建模中,主要方法可分为传统机理建模法和数据驱动建模法。然而,这两种现有技术在面对变负荷工况时均存在明显的技术缺陷:

3、一方面,传统机理模型依赖于物理化学反应动力学方程来搭建。由于cfb炉内燃烧过程极其复杂,机理模型往往需要引入大量简化与理想化假设,导致模型构建异常繁琐。更为关键的是,在机组大范围连续变负荷等动态工况下,系统参数呈现强非线性和时变特性,传统机理模型难以精准捕捉变量间的动态时变关系,并且在实际运行中的预测精度与自适应能力较差。

4、另一方面,常规的数据驱动模型(如单一的长短期记忆网络lstm、门控循环单元gru或传统图卷积神经网络gcn)虽然具备较强的数据拟合能力,但在工程实践中暴露出显著的局限性。首先,现有纯数据驱动模型在特征变量筛选阶段,往往仅依赖简单的线性或统计相关度,忽略了cfb锅炉变量间存在的大迟延和大惯性特性,容易引入底层噪声干扰;其次,常规模型的学习过程完全依赖于输入输出映射,缺乏底层物理机理的引导与约束(如忽略煤量、风量对nox生成的促进作用以及尿素对nox的抑制作用等物理先验常识)。

5、这种缺乏机理约束的纯数据驱动模型,在面对变负荷期间的突变数据或极端工况(如连续大幅升降负荷)时,极易陷入局部最优。具体表现为:模型无法真实反映大迟延物理特性,预测结果会出现严重的预测幅值衰减(波峰波谷跟踪不到位)或局部预测失真,其实际算法精度与泛化能力严重受限。

技术实现思路

1、本发明的目的是提供一种基于优化agcrn的cfb机组变负荷工况nox排放浓度预测方法,能够有效融合物理机理约束与多维时空特征的时序预测,以解决变负荷工况下nox预测失真与时滞的问题,克服了现有机理模型和单一数据驱动预测模型在cfb机组变负荷工况下精度低、动态适应性差的不足。

2、为实现上述目的,本发明提供了一种基于优化agcrn的cfb机组变负荷工况nox排放浓度预测方法,包括以下步骤:

3、s1、采集cfb机组现场运行数据进行清洗,并采用min-max方法将输入输出数据统一线性归一化至区间;

4、s2、利用传递熵量化输入变量的非线性因果关联对处理之后的数据进行降维筛选,得到筛选后的参数;

5、s3、构建初始agcrn模型,并对模型内部更新状态进行更新;

6、s4、通过建立门控连接池在初始模型中引入物理约束图,并通过建立状态更新池引入多种时序更新策略捕捉动态延迟特性;

7、s5、利用可微分架构搜索算法对模型进行融合重构;

8、s6、执行双阶段训练策略,依次完成拓扑寻优与超参数重训,导出固定架构的最终预测模型;

9、s7、将变负荷工况数据输入训练完成的模型,实现nox浓度的超前预测。

10、优选的,s2的过程如下:

11、s21、确定测点时间序列,计算在已知某测点自身历史状态的前提下,加入另一测点历史状态后对未来状态不确定度的减少量;

12、s22、基于联合概率分布与条件概率分布计算各变量间的传递熵值;

13、s23、设定底层噪声阈值进行筛选,剔除产生底层噪声的无关变量,保留传递熵值大于0.01bit的变量。

14、优选的,s3的过程如下:

15、s31、构建初始agcrn模型,过程如下:

16、s311、为每个特征节点分配一个可学习的低维稠密向量作为节点嵌入矩阵,通过内积模型自发的推演变量在隐空间的关联强度,利用relu函数和softmax函数保证图结构并消除负向噪声连接,并对节点聚合权重进行归一化,从而生成纯数据驱动的自适应邻接矩阵,其计算方式如下:

17、;

18、其中表示节点嵌入矩阵的转置矩阵;

19、s312、采用节点自适应参数学习机制,利用节点嵌入矩阵生成卷积核的权重与偏置,自适应图卷积算子的计算逻辑如下:

20、;

21、其中表示输入特征,表示自适应图卷积算子,、和分别表示可学习权重、权重池参数和偏置池参数;

22、s32、对模型内部更新状态进行更新。

23、优选的,s32的具体过程如下:

24、s321、更新门和重置门用于控制历史状态信息保留和丢弃当前时刻的比例,利用专可学习图卷积权重矩阵,对拼接特征进行自适应图卷积聚合操作;将线性计算的结果通过sigmoid激活函数进行非线性映射,输出值域在0到1之间的状态权值矩阵,计算方式如下:

25、;

26、;

27、其中和分别表示更新门和重置门的输出状态,表示当前时刻的输入特征;表示上一时刻的隐藏状态;表示矩阵在特征维度上的拼接操作;表示自适应图卷积算子;和分别为更新门和重置门中可学习的图卷积参数;

28、s322、整合经过重置门筛选的历史信息与最新输入,计算过程为首先将重置门计算的结果利用哈达玛乘积与历史隐藏状态相乘,然后将其与输入特征进行拼接,最后通过tanh激活函数将特征非线性映射至-1到1之间,工作过程如下:

29、;

30、其中表示候选隐藏状态,表示候选隐藏状态中可学习的图卷积参数;

31、s323、进行记忆细胞的最终迭代,算法利用更新门作为线性插值的控制系数,首先通过哈达玛乘积计算历史状态的保留量,再计算新知识的引入量,最后将两者相加,从而输出最终的隐藏状态,过程如下:

32、;

33、其中表示最终的隐藏状态。

34、优选的,s4的过程如下:

35、s41、构建符号掩码矩阵作为约束边界,将促进和抑制nox生成的边分别强制设定为1和-1,无因果关联的连边则直接设置为0;

36、s42、结合可学习参数矩阵动态拟合边的强度,通过该机制实际促进和抑制nox生成的变量关系在训练过程中的梯度更新方向,得到物理约束图,过程如下:

37、;

38、其中表示可学习参数矩阵。

39、优选的,s5的过程如下:

40、s51、对于包含k个基础图拓扑的图神经网络候选池,为每个候选图分配一个连续结构权重参数,将离散的操作选择松弛化为基于softmax的连续概率分布,计算过程如下:

41、;

42、其中表示第个候选基础图在正向传播中被采样的概率,表示第个候选图的连续结构权重参数;

43、s52、利用可微分架构搜索算法中的底层连续化思想对自适应图对和进行更新,通过门控连接池和状态更新池对模型进行融合重构,得到优化的agcrn。

44、优选的,门控连接池,包含三种异构空间拓扑的候选矩阵集,其中包括由传递熵值构成的静态物理关系图和agcrn算法本身的自适应图,以及使用机理元图构建方法构建的物理约束图,物理约束图通过掩码矩阵在反向传播中强制约束梯度方向,指导网络拟合物理规律;

45、状态更新池,为克服单一时序逻辑难以兼顾惯性与延迟的缺陷,在池中同时引入lstm式更新、gru式更新、自适应式更新与跳过空间聚合的残差式更新四种异构策略,并将对这些策略的计算结果进行概率加权。

46、优选的,s6的过程如下:

47、s61、进行第一阶段进行拓扑寻优,将s2中筛选后的参数,输入优化的agcrn中,在架构熵和退火温度的联合驱动下,不断迭代计算复合损失函数是否满足早停条件,并同步更新网络权重和架构参数,搜索最优空间和时序演化拓扑;

48、s62、在第二阶段,冻结第一阶段的架构参数,以optuna作为外层寻优框架对学习率和权重衰减进行寻优,最终利用最优超参数组合对网络权重进行重训,直到训练损失函数满足早停条件,输出最佳模型并对测试集进行模型评估。

49、因此,本发明采用上述的一种基于优化agcrn的cfb机组变负荷工况nox排放浓度预测方法,具有一下优点:

50、1、利用传递熵(te)量化参数因果关系,有效排除了无关变量的底层噪声干扰,降低了复杂工况下的过拟合风险。

51、2、创新性地构建了结合空间与时序双候选池的可微分元图架构,物理掩码矩阵的引入使数据驱动网络不违背炉内热力学规律;多算子状态更新池极大增强了模型应对大范围连续升降负荷时的非线性动态时序捕捉能力。

52、3、融合架构熵与双阶段重训的联合寻优机制,有效避免了模型过早陷入局部最优。经测试,本发明模型均方根误差(rmse)仅为1.800·mg-3且相关系数r2达到0.977,泛化性极佳。

53、4、针对cfb机组参与深度调峰的特性,本发明能较有效克服变负荷期间nox排放波峰失真与时滞痛点,实现高精度超前预测,其结果可直接作为脱硝系统(sncr/scr)的前馈指导信号。

54、下面通过附图和实施例,对本发明的技术方案做进一步的详细描述。