基于线性系统辨识的脱硝系统模型预测控制方法和装置与流程

1.本公开属于脱硝优化控制技术领域，具体涉及一种基于线性系统辨识的脱硝系统模型预测控制方法、装置、设备和介质。


背景技术：

2.目前，燃煤电厂基于对烟道中nox浓度的实时监测，通过选择性催化还原技术(scr,selective catalytic reduction)为主的脱硝技术，在后端烟道中，在催化剂温度条件下，将nh3和烟气中的nox混合并发生反应，最终生成无污染的氮气和水，以此控制烟气出口nox浓度。
3.由于热力系统的容积迟滞惯性和烟道中nox废气分布不均匀的现象，导致pid(proportional-integral-derivative)控制器无法快速并准确的响应nox废气浓度波动的情况，不能对脱硝系统进行有效的控制，导致nox废气浓度有时无法达到排放标准。所以，电厂为了满足国家超低排放的标准，通常在末端烟道中采用过量喷氨的行为来降低nox的排放浓度。但是，过量喷氨的行为也造成了设备堵塞老化，运行成本升高和环境污染等问题。
4.所以，在保证nox排放浓度满足国际排放标准的要求下，同时减少或者避免过量喷氨的行为，则需要一个高精度，响应快的先进控制系统，这也是目前燃煤电厂数字化转型的一个重要方向。
5.模型预测控制(mpc，model predictive control)是一种预测性控制的方法。这种方法基于未来一段时间的预测结果，使用滚动优化的方式求解控制模型，最后进行滚动优化。相比于传统的控制方法，模型预测控制方可以更早得到未来时刻的信息，同时使用优化的方法求解未来一段时间内的控制参数，是一种先进的控制策略。但是，如果将模型预测算法与脱硝系统的控制有效融合、实现精准控制，是目前面临的重大难题。


技术实现要素：

6.本公开旨在至少解决现有技术中存在的技术问题之一，提供一种基于线性系统辨识的脱硝系统模型预测控制方法、装置、设备和介质。
7.本公开的一个方面提供一种基于线性系统辨识的脱硝系统模型预测控制方法，所述方法包括：
8.s100：选取电厂中脱硝系统相关的参数，采集所述参数的数据，将所述数据构成数据集；
9.s200：根据所述数据集从所述参数中选择状态变量；
10.s300：使用线性系统辨识方法根据所述状态变量估计所述脱硝系统的状态空间模型；
11.s400：根据所述状态变量确定约束条件，根据所述约束条件建立所述状态空间模型的优化问题；
12.s500：求解所述优化问题，根据求解结果更新所述状态变量。
13.可选的，在所述步骤s500之后，还包括：
14.s600：根据更新后的所述状态变量控制所述脱硝系统，采集所述脱硝系统中的参数的新数据，更新所述数据集；
15.s700：循环执行步骤s400至s600，持续优化对所述脱硝系统的控制。
16.可选的，所述状态变量包括控制变量、环境变量、输入变量和输出变量；
17.所述步骤s200中所述根据所述数据集从所述参数中选择状态变量，包括：
18.根据所述数据集从所述参数中选择控制变量、环境变量、输入变量和输出变量中的至少一个；
19.所述步骤s300中所述使用线性系统辨识方法根据所述状态变量估计所述脱硝系统的状态空间模型，包括：
20.使用线性系统辨识方法根据所述输入变量和输出变量，以及控制变量和环境变量中的至少一个估计所述脱硝系统的状态空间模型；
21.所述步骤s400中所述根据所述状态变量确定约束条件，包括：
22.根据所述控制变量确定约束条件；
23.所述步骤s500中所述求解所述优化问题，根据求解结果更新所述状态变量，包括：
24.求解所述优化问题，根据求解结果更新所述控制变量。
25.可选的，若所述控制方法包括步骤s600，则所述步骤s600中所述根据更新后的所述状态变量控制所述脱硝系统，包括：
26.根据更新后的所述控制变量控制所述脱硝系统。
27.可选的，所述步骤s400中所述根据所述状态变量确定约束条件，根据所述约束条件建立所述状态空间模型的优化问题，包括：
28.确定预测时长，根据所述预测时长对所述状态空间模型中的输出变量进行估计，得到所述输出变量的估计值和参考值；
29.根据所述控制变量确定约束条件，根据所述约束条件、输出变量的估计值和参考值，建立所述状态空间模型的优化问题。
30.可选的，所述步骤s200中所述根据所述数据集从所述参数中选择状态变量，包括：
31.根据所述数据集中所述数据之间的相关关系，从所述参数中选择状态变量。
32.可选的，所述相关关系采用皮尔逊相关系数进行计算。
33.可选的，所述约束条件包括等式约束条件和不等式约束条件。
34.可选的，所述步骤s500中所述求解所述优化问题，根据求解结果更新所述状态变量，包括：
35.使用元启发式优化算法求解所述优化问题，使用第一个时刻的求解结果更新所述状态变量。
36.本公开的另一个方面，提供一种基于线性系统辨识的脱硝系统模型预测控制装置，所述装置包括：
37.数据集构建模块，用于选取电厂中脱硝系统相关的参数，采集所述参数的数据，将所述数据构成数据集；
38.状态变量选择模块，用于根据所述数据集从所述参数中选择状态变量；
39.建模模块，用于使用线性系统辨识方法根据所述状态变量估计所述脱硝系统的状
态空间模型；
40.优化问题构建模块，用于根据所述状态变量确定约束条件，根据所述约束条件建立所述状态空间模型的优化问题；
41.更新模块，用于求解所述优化问题，根据求解结果更新所述状态变量。
42.本公开的另一个方面，提供一种电子设备，包括：
43.一个或多个处理器；
44.存储单元，用于存储一个或多个程序，当所述一个或多个程序被所述一个或多个处理器执行时，能使得所述一个或多个处理器实现前文阐述的一种基于线性系统辨识的脱硝系统模型预测控制方法。
45.本公开的另一个方面，提供一种计算机可读存储介质，其上存储有计算机程序，
46.所述计算机程序被处理器执行时能实现前文阐述的一种基于线性系统辨识的脱硝系统模型预测控制方法。
47.本公开实施例的一种基于线性系统辨识的脱硝系统模型预测控制方法、装置、设备和介质中，采用线性系统辨识方法估计脱硝系统状态空间模型，通过求解脱硝系统状态空间模型的参数，使用状态空间模型来实现对未来时段的预测，通过求解模型得到状态变量对脱硝系统进行控制，来实现脱硝系统的有效控制，从而完成采用模型预测控制方法进行脱硝系统的nox浓度的控制，本公开实施例在控制过程中引入了预测和最优化控制的概念，这种模型预测控制方法将预测性控制和优化控制的思想相结合，适用于带约束，迟滞惯性强的系统，可以有效提高脱硝系统的控制效果，可以提前精确的进行nox浓度的控制，减少脱硝系统过量喷氨的行为。
附图说明
48.图1为用于实现根据本公开一实施例的一种基于线性系统辨识的脱硝系统模型预测控制方法和装置的示例电子设备的示意性框图；
49.图2为用于实现根据本公开一实施例的一种基于线性系统辨识的脱硝系统模型预测控制方法和装置的示例电子设备的具体框图；
50.图3为本公开另一实施例的一种基于线性系统辨识的脱硝系统模型预测控制方法的流程示意图；
51.图4为本公开另一实施例的一种基于线性系统辨识的脱硝系统模型预测控制方法的流程示意图；
52.图5为本公开另一实施例的一种基于线性系统辨识的脱硝系统模型预测控制方法中使用的粒子群优化算法流程图；
53.图6为本公开另一实施例的一种基于线性系统辨识的脱硝系统模型预测控制方法的数据集中数据之间的相关关系图；
54.图7为本公开另一实施例的一种基于线性系统辨识的脱硝系统模型预测控制方法的脱硝系统入口no
x
浓度实际值与估计值的对比图；
55.图8为本公开另一实施例的一种基于线性系统辨识的脱硝系统模型预测控制方法的脱硝系统出口no
x
浓度实际值与估计值的对比图；
56.图9为本公开另一实施例的一种基于线性系统辨识的脱硝系统模型预测控制方法
与现有技术的控制结果的对比图；
57.图10为本公开另一实施例的一种基于线性系统辨识的脱硝系统模型预测控制装置的结构示意图。
具体实施方式
58.为使本领域技术人员更好地理解本公开的技术方案，下面结合附图和具体实施方式对本公开作进一步详细描述。显然，所描述的实施例是本公开的一部分实施例，而不是全部的实施例。基于所描述的本公开的实施例，本领域普通技术人员在无需创造性劳动的前提下所获得的所有其他实施例，都属于本公开保护的范围。
59.除非另外具体说明，本公开中使用的技术术语或者科学术语应当为本公开所属领域内具有一般技能的人士所理解的通常意义。本公开中使用的“包括”或者“包含”等既不限定所提及的形状、数字、步骤、动作、操作、构件、原件和/或它们的组，也不排除出现或加入一个或多个其他不同的形状、数字、步骤、动作、操作、构件、原件和/或它们的组，或加入这些。在本公开的描述中，“多个”的含义是两个或两个以上，除非另有明确具体的限定。
60.除非另外具体说明，否则在这些实施例中阐述的部件和步骤的相对设置、数字表达式和数值不限制本公开的范围。同时，应当明白，为了便于描述，附图中所示出的各个部分的尺寸并不是按照实际的比例关系绘制的，对于相关领域普通技术人员已知的技术，方法和设备可能不作详细讨论，但在适当情况下，所示技术、方法和设备应当被视为授权说明书的一部分。在这里示出和讨论的所有示例中，任何具体的其他示例可以具有不同的值。应注意到：相似的符号和字母在下面的附图中表示类似项，因此，一旦某一项在一个附图中被定义，则在随后的附图中不需要对其进一步讨论。
61.在更加详细地讨论之前应当提到的是，一些示例性实施例被描述成作为流程图描绘的处理或方法。虽然流程图将各项操作(步骤)描述成顺序的处理，但是其中的许多操作可以被并行地、并发地或者同时实施。此外，各项操作的顺序可以被重新安排。当操作完成时所述处理可以被终止，但是还可以具有未包括在附图中的附加步骤。所述处理可以对应于方法、函数、规程、子例程、子程序等等。
62.首先，参照图1和图2来描述用于实现本公开实施例的一种基于线性系统辨识的脱硝系统模型预测控制方法和装置的示例电子设备。
63.如图1所示，电子设备200包括一个或多个处理器210、一个或多个存储装置220、输入装置230、输出装置240等，这些组件通过总线系统和/或其他形式的连接机构250互连。应当注意，图1所示的电子设备的组件和结构只是示例性的，而非限制性的，根据需要，所述电子设备也可以具有其他组件和结构。
64.示例性的，处理器能够有效对多源异构的大规模实时数据进行数据接入、数据存储、数据处理、数据分析等系列操作。
65.所述处理器210可以是中央处理单元(cpu)或者具有数据处理能力和/或指令执行能力的其他形式的处理单元，并且可以控制所述电子设备中的其他组件以执行期望的功能。
66.所述存储装置220可以包括一个或多个计算机程序产品，所述计算机程序产品可以包括各种形式的计算机可读存储介质，例如易失性存储器和/或非易失性存储器。所述易
失性存储器例如可以包括随机存取存储器(ram)和/或高速缓冲存储器(cache)等。所述非易失性存储器例如可以包括只读存储器(rom)、硬盘、闪存等。在所述计算机可读存储介质上可以存储一个或多个计算机程序指令，处理器可以运行所述程序指令，以实现下文所述的本公开实施例中(由处理器实现)的客户端功能以及/或者其他期望的功能。在所述计算机可读存储介质中还可以存储各种应用程序和各种数据，例如，所述应用程序使用和/或产生的各种数据等。
67.所述输入装置230可以是用户用来输入指令的装置，并且可以包括键盘、鼠标、麦克风和触摸屏等中的一个或多个。
68.所述输出装置240可以向外部(例如用户)输出各种信息(例如图像或声音)，并且可以包括显示器、扬声器等中的一个或多个。
69.示例性地，用于实现根据本公开实施例的一种基于线性系统辨识的脱硝系统模型预测控制方法和装置的示例电子设备可以被实现为诸如智能手机、平板电脑。
70.具体地，如图2所示，本公开实施例的一种基于线性系统辨识的脱硝系统模型预测控制方法和装置的示例电子设备的具体框图，其中，本公开将图中“过程模型”和“动态预测模型”统称为“状态空间模型”，图2中的mpc控制器相当于图1中的处理器，图2中的过程模型和动态预测模型相当于图1中的存储装置，图2中的ys为输入信号，输入ys的装置相当于图1中的输入装置，图2中的y
t
为输出信号，输出y
t
的装置相当于图1中的输出装置。需要说明的是，在本实施例中，可根据实际的使用情况调整具体框图内的模块分布，图2中仅为示例性说明。
71.下面，将参考图3描述根据本公开实施例一种基于线性系统辨识的脱硝系统模型预测控制方法。
72.如图3所示，一种基于线性系统辨识的脱硝系统模型预测控制方法，包括：
73.s100：选取电厂中脱硝系统相关的参数，采集参数的数据，将数据构成数据集。
74.具体地，在本步骤中，电厂中脱硝系统相关的参数为电厂的参数中与脱硝系统有直接或间接关系的参数，示例性的，脱硝系统多个入口参数，例如，多个入口o2浓度、nox浓度和scr反应器烟气温度，脱硝系统多个出口参数，例如，多个出口o2浓度、nox浓度和scr反应器烟气温度，多个锅炉炉膛参数，例如，机组的发电机功率、总燃料量和总风量，以及脱硝系统的控制参数，例如氨/空寂混合器调节阀指0，示例性的，可根据实际的使用情况选择参数，例如，使用单一参数，只选择多个出口o2浓度，或者，使用多个参数，选择多个出口o2浓度、机组的发电机功率和氨/空寂混合器调节阀指0。
75.需要说明的是，脱硝系统的入口数量、出口数量和锅炉炉膛的数量可根据实际情况选取，例如，选取一个、两个或者三个，示例性的，脱硝系统的入口数量、出口数量和锅炉炉膛的数量相匹配，例如，均选择三个，选择匹配的数量可更好地在后续过程中分析数据集中数据之间的相关关系，从而更好地实现控制过程的优化。
76.具体地，在本步骤中，采集参数的数据，可使用各类传感类器件采集参数的数据，例如，采集脱硝系统出口o2浓度等，将数据构成数据集，为将采集到的所有参数的数据构成数据集，也就是说，将采集到的根据实际情况选择的所有参数的数据构成数据集。
77.示例性的，在本步骤中，数据集可表示为s。
78.s200：根据数据集从参数中选择状态变量。
79.具体地，在本步骤中，从参数中选择状态变量，也就是说，从步骤s100中的参数中选择状态变量，例如，步骤s100中使用三个参数且选择多个出口o2浓度、机组的发电机功率和氨/空寂混合器调节阀指0，则从这三个参数中选择状态变量，例如，选择多个出口o2浓度作为状态变量。
80.s300：使用线性系统辨识方法根据状态变量估计脱硝系统的状态空间模型。
81.具体地，在本步骤中，可使用多种线性系统辨识方法来估计脱硝系统的状态空间模型，在构建状态空间模型时，可使用状态变量作为模型中的相关变量或不变量。
82.s400：根据状态变量确定约束条件，根据约束条件建立状态空间模型的优化问题。
83.具体地，在本步骤中，通过建立约束条件来限定需要的状态变量的范围，进而限定对脱硝系统的控制要求，在具体使用过程中，可根据实际的使用情况来选择不同的约束条件。
84.s500：求解优化问题，根据求解结果更新状态变量。
85.具体地，在本步骤中，可根据实际的使用情况选择不同的方法求解优化问题，示例性的，使用单目标优化算法来求解优化问题，具体地，在本步骤中，更新状态变量，也就是更新步骤s200中选择的参数。
86.本公开实施例的一种基于线性系统辨识的脱硝系统模型预测控制方法，采用线性系统辨识方法估计脱硝系统状态空间模型，通过求解脱硝系统状态空间模型的参数，使用状态空间模型来实现对未来时段的预测，通过求解模型得到状态变量对脱硝系统进行控制，来实现脱硝系统的有效控制，从而完成采用模型预测控制方法进行脱硝系统的nox浓度的控制，本公开实施例在控制方法中引入了预测和最优化控制的概念，可以提前精确的进行nox浓度的控制，减少脱硝系统过量喷氨的行为。
87.下面将结合图4进一步阐述实施例的一种基于线性系统辨识的脱硝系统模型预测控制方法的具体步骤。
88.示例性的，如图4所示，在步骤s500之后，还包括：
89.s600：根据更新后的状态变量控制脱硝系统，采集脱硝系统中的参数的新数据，更新数据集。
90.具体地，在本步骤中，根据更新后的状态变量控制脱硝系统，为根据更新后的步骤s200中的参数来控制脱硝系统，也就是更新脱硝系统的控制参数，例如，使用更新后的氨/空寂混合器调节阀指0来控制脱硝系统。示例性的，采集脱硝系统中的参数的新数据，也就是完成上述更新后，采集步骤s100中的参数的数据。
91.s700：循环执行步骤s400至s600，持续优化对脱硝系统的控制。
92.具体地，在本步骤中，通过循环执行步骤s400至s600来实现优化问题建立、优化问题求解过程和数据集更新过程的重复，示例性的，在本步骤中，每次循环均可根据实际的使用情况选择不同的约束条件、构建不同的约束问题，此外，示例性的，每次循环均可使用不同的方法求解优化问题，以使得不同的优化问题都有对应的最快速准确的求解方法，通过上述循环过程，实现状态变量的持续更新，从而实现对脱硝系统控制的滚动、持续优化。
93.本公开实施例的一种基于线性系统辨识的脱硝系统模型预测控制方法，根据更新后的状态变量控制脱硝系统，采集脱硝系统中的参数的新数据，更新数据集，并循环执行上述优化问题建立与求解过程的重复，从而实现脱硝系统nox控制的滚动、持续的优化，以达
到实时更新脱硝系统控制的效果，使每个时刻都可以减少脱硝系统过量喷氨的行为。
94.下面将进一步阐述实施例的一种基于线性系统辨识的脱硝系统模型预测控制方法的具体步骤。
95.示例性的，在本实施例中，状态变量包括：控制变量c、环境变量e、输入变量i和输出变量p。
96.示例性的，可根据具体的使用情况选择使用一个或多个状态变量，例如，不使用环境变量e，仅使用控制变量c、输入变量i和输出变量p三个状态变量，需要说明的是，若不使用某个状态变量，则系统不能实现与该状态变量相关的功能，例如，若不使用环境变量e，则此时任务系统不随环境的变化而变化。
97.示例性的，可根据具体的实际情况选择每个状态变量的数量，例如，控制变量c、环境变量e、输入变量i和输出变量p的变量个数分别为c、e、q和p，z为状态变量x的变量个数：
98.z＝c e q p
99.示例性的，在步骤s200中，根据数据集从参数中选择状态变量，具体为，根据数据集从参数中选择控制变量c、环境变量e、输入变量i和输出变量p中的至少一个。在本步骤中，可以根据实际情况选择一个或多个状态变量，例如，只选择氨/空寂混合器调节阀指0作为控制变量，或者，选择氨/空寂混合器调节阀指0作为控制变量同时选择发电机功率作为环境变量。需要说明的是，在本步骤中，优选的参数选择方法为，将发电机功率作为环境变量，将氨/空寂混合器调节阀指0作为控制变量，将入口no
x
浓度作为输入变量，将出口no
x
浓度作为输出变量。
100.示例性的，在步骤s300中，使用线性系统辨识方法根据状态变量估计脱硝系统的状态空间模型，具体为，使用线性系统辨识方法根据控制变量、环境变量、输入变量和输出变量中的至少一个估计脱硝系统的状态空间模型，也就是，根据控制变量、环境变量、输入变量和输出变量中的一个或多个构建脱硝系统的状态空间模型，例如，仅根据控制变量构建状态空间模型，或者，根据控制变量和环境变量构建状态空间模型。
101.示例性的，在步骤s400中，根据状态变量确定约束条件，具体为，根据控制变量确定约束条件，由于在本实施例中，最终需要实现的是对脱硝系统的控制，因此，选择使用控制变量来构建约束条件，以实现对脱硝系统的控制的优化。具体地，在本步骤中，可根据实际情况选择使用控制变量构建约束条件，例如，通过数值的限定，且具体数据可根据实际使用情况进行调整。
102.示例性的，在步骤s500中，求解优化问题，根据求解结果更新状态变量，具体为，求解优化问题，根据求解结果更新控制变量。
103.示例性的，在步骤s600中，根据更新后的所述状态变量控制所述脱硝系统，具体为，根据更新后的所述控制变量控制所述脱硝系统。
104.本公开实施例的一种基于线性系统辨识的脱硝系统模型预测控制方法，进一步限定了状态变量包括控制变量c、环境变量e、输入变量i和输出变量p，并给出了根据控制变量c、环境变量e、输入变量i和输出变量p构建状态空间模型和约束条件，使得用户可以根据实际情况选择用不同的状态变量构建状态空间模型和约束条件，提高了脱硝系统控制的灵活性；此外，限定了优选的参数选择方法为，这是经过研发人员通过大量实现得到的最优的参数选择方法，能够得到更好精度的脱硝系统的控制，最大程度的减少过量喷氨行为；最后，
进一步将步骤s400至s600中的状态变量限定为控制变量，以实现更好地对脱硝系统的优化控制。
105.下面将进一步阐述实施例的一种基于线性系统辨识的脱硝系统模型预测控制方法中步骤s200的具体步骤。
106.具体地，在步骤s200中，分析数据集s中数据之间的相关关系，从参数中选择状态变量x：
107.x＝{x1,x2,...xz},xi∈s
108.其中，xi为第i个状态变量，z为状态变量x的变量个数。
109.示例性的，可使用皮尔逊相关系数计算数据集中数据之间的相关关系，也就是计算不同状态变量之间的相关关系，第i个变量xi和第j个变量xj的相关关系ρ
ij
采用皮尔逊相关系数进行计算：
[0110][0111][0112]
其中，n表示数据集s中样本的数量，x
im
和x
jm
分别表示第m个样本点中第i个和第j个状态变量的取值，和分别表示第m个样本点中第i个和第j个状态变量的均值。
[0113]
本公开实施例的一种基于线性系统辨识的脱硝系统模型预测控制方法，根据数据集从参数中选择状态变量，使用基于数据驱动的方法进行变量的选择，使用线性系统辨识的方法进行状态空间模型的估计，可以得到脱硝系统的显式控制模型；使用皮尔逊相关系数计算数据集中数据之间的相关关系，给出了一种能够与脱硝系统更匹配的相关关系的计算方式，提高了脱硝系统控制的准确性。
[0114]
下面将进一步阐述实施例的一种基于线性系统辨识的脱硝系统模型预测控制方法中步骤s300的具体步骤。
[0115]
示例性的，步骤s300包括：
[0116]
使用线性系统辨识方法，根据控制变量c、环境变量e、输入变量i和输出变量p估计脱硝系统的状态空间模型。
[0117]
具体地，在本步骤中，使用线性系统辨识方法估计系统的状态空间模型f，系统辨识的方法认为状态空间模型遵循马尔可夫性，即t时刻的状态只与t-1时刻的状态有关，状态空间模型f即：
[0118][0119]
其中，t表示当前时刻，i
t
为输入变量i的估计值，p
t
为输出变量p的估计值，i
t-1
为t-1时刻输入变量i的估计值或观测值，p
t-1
为t-1时刻输出变量p的估计值或观测值，e
t-1
为t-1时刻环境变量e的估计值或观测值，c
t-1
为t-1时刻控制变量c的估计值或观测值，在具体使用过程中，可根据实际的使用需求选择使用估计值或者观测值，或者使用估计值和观测值的结合；a1、b1分别为输入变量估计方程中的系数矩阵，其维度分别为q
×
q和q
×
e，a2、b2和d1分别为输出变量控制方程中的系数矩阵，其维度分别为p
×
p，p
×
c和p
×
q。
[0120]
本公开实施例的一种基于线性系统辨识的脱硝系统模型预测控制方法，进一步限
定了状态空间模型的构建方法，给出了更符合脱硝系统控制的状态空间模型，以此满足不同条件的脱硝系统。
[0121]
下面将进一步阐述实施例的一种基于线性系统辨识的脱硝系统模型预测控制方法中步骤s400的具体步骤
[0122]
s410：确定预测时长，根据预测时长对状态空间模型中的输出变量p进行估计，得到输出变量p的估计值和参考值。
[0123]
具体地，在本步骤中，预测时长设置为k，那么状态空间模型f对输出变量p未来k个时刻的估计值result、输出变量p的参考值ref表示为：
[0124][0125]
ref＝[r
t 1
，r
t 2
，...，r
t k
]
[0126]
其中，为未来第t i时刻的输出变量估计值，r
t i
为未来第t i时刻的参考值，i＝1，2，3......k。
[0127]
s420：根据控制变量c确定约束条件，根据约束条件、输出变量p的估计值和参考值的限定关系，建立状态空间模型的优化问题
[0128]
具体地，在本步骤中，优化问题f的形式如下：
[0129]
min loss(result，ref)
[0130][0131][0132][0133]
其中，loss为优化问题的损失函数，用于表示输出变量p的估计值和参考值的限定关系；lower和upper分别为控制参数的下界和上界，g和h分别表示不等式和等式约束函数，incons和eqcons分别为优化问题的不等式约束条件和等式约束条件，为优化问题中待求解的控制参数，表示为：
[0134][0135]
其中，为未来第t i时刻的待求解的控制参数，i＝1，2，3......k。
[0136]
需要说明的是，在本步骤中，根据控制变量c确定约束条件，也就是说，在具体实现过程中，将控制变量c作为上述约束条件中的控制参数
[0137]
需要说明的是，在本步骤中，约束条件包括等式约束条件和不等式约束条件，在具体使用过程中，根据不同的使用情况，可以单独使用等式约束条件构建约束条件，也可以单独使用不等式约束条件构建约束条件，也可以使用等式约束条件和不等式约束条件共同构建约束条件。
[0138]
示例性的，在本步骤中，在优化问题中，损失函数loss的计算使用平均平方误差(mse，mean square error)进行，其计算公式如下：
[0139][0140]
本公开实施例的一种基于线性系统辨识的脱硝系统模型预测控制方法，进一步限定了约束条件的构建方法和优化问题的构建方法，使用基于带约束条件的优化问题和损失函数的设计，可以根据用户不同的需求设计不同的优化问题，以此满足不同条件的脱硝系统。
[0141]
下面将进一步阐述实施例的一种基于线性系统辨识的脱硝系统模型预测控制方法中步骤s500的具体步骤。
[0142]
示例性的，步骤s500包括：
[0143]
s510：使用元启发式优化算法求解优化问题。
[0144]
具体地，在本步骤中，本实施例使用的元启发式优化算法为粒子群优化算法(particle swarm optimization，pso)，算法流程图如图5所示。其中，第u 1代中编号为id的个体速度参数和位置参数的更新公式如下：
[0145][0146][0147]
其中，第一项表示惯性项，其中w为惯性权重，为第u代中编号为id的个体速度参数；第二项为局部项，其中c1是第一认知系数，r1为第一正态分布随机数，为编号为id的个体的第u代历史最优位置，第u代中编号为id的个体位置参数；第三项为全局项，其中c2是第二认知系数，r2为第二正态分布随机数，为第u代全部个体的历史最优位置。
[0148]
需要说明的是，在本步骤中，将控制参数作为粒子群优化算法中的个体，也就是将控制变量c作为粒子群优化算法中的个体。
[0149]
s520：使用第一个时刻的求解结果更新控制变量c。
[0150]
选择步骤s510中使用粒子群优化算法得到的优化结果的第一个值作为下一时刻的控制参数，具体地，步骤s410中优化问题求解得到的控制参数形式为将作为下一时刻的控制参数输入脱硝系统，也就是使用更新控制变量c，以此进行氮氧化物的控制。
[0151]
本公开实施例的一种基于线性系统辨识的脱硝系统模型预测控制方法，进一步使用符合脱硝系统控制的元启发算法求解优化问题，得到了能够更准确进行氮氧化物控制的控制变量c，提高了脱硝系统控制的准确性，实现脱硝系统的有效控制，减少过量喷氨的行为。
[0152]
下面将结合图6至图9进一步阐述实施例的一种基于线性系统辨识的脱硝系统模型预测控制方法。
[0153]
具体地，在本实施例中，选取某燃煤电厂，脱硝系统三个入口o2浓度，nox浓度和scr反应器烟气温度，脱硝系统三个出口o2浓度、nox浓度和scr反应器烟气温度，三个锅炉炉膛机组发电机功率、总燃料量和总风量，以及一个控制参数氨/空寂混合器调节阀指0作为电厂中脱硝系统相关的参数，采集上述参数的数据并将数据构成数据集。
[0154]
分析数据集中数据之间的相关关系，使用皮尔曼相关系数画出参数间的相关关系图，如图6所示，用数值表示不同参数之间的相关系数，1表示完全正相关，0表示完全不相关，-1表示完全负相关。
[0155]
根据图6中的相关关系图，从参数中选择状态变量，具体地，在本实施例中，将机组发电机功率作为环境变量e，将氨/空寂混合器调节阀指0作为控制变量c，将入口nox浓度作为输入变量i，将出口nox浓度作为输出变量p，其中，每种状态变量的维度均为1。
[0156]
使用线性系统辨识的方法估计脱硝系统状态空间模型：基于数据集中的历史数据，按照本实施例中状态空间模型f的形式，系统的状态空间模型f如下：
[0157][0158]
其中，由于每种状态变量的维度均为1，因此，输入变量估计方程中的系数矩阵a1、b1和输出变量控制方程中的系数矩阵a2、b2和d1的维度均为1，其具体数值为根据图6中的相关关系图得出。此外，在本实施例中，预测时长k选取4，也就是可以实现对4个时间步(步长)后进行预测。
[0159]
其中，状态空间模型f的预测精度如表1所示，其对4个时间步后的预测效果图如图7和图8所示。
[0160]
其中，预测精度由决定系数r2表示，其计算公式为：
[0161][0162]
其中，yi表示真实值，y
′i表示估计值，表示真实值的平均值，r2上限为1且越大表示估计精度越高。在具体计算过程中，将输入变量的估计值带入y
′i，将输入变量的真实值带入yi，可计算得到输入变量的估计精度，将输出变量的估计值带入y
′i，将输出变量的真实值带入yi，可计算得到输出变量的估计精度。
[0163]
表1状态空间模型对输入变量i
t
和输出变量p
t
的估计精度
[0164]
变量名称步长＝1步长＝2步长＝3步长＝4i
t
入口nox浓度0.980.910.760.52p
t
出口nox浓度1.000.950.910.63
[0165]
建立脱硝系统的状态空间模型的优化问题：系统的预测时长设置为k＝4，本实施例没有设置等式约束h，不等式约束条件g设置如下：
[0166][0167][0168]
其中，表示优化问题中待优化的控制参数，在本实施例中，为控制变量c，
也就是氨/空寂混合器调节阀指0，上式表示氨/空寂混合器调节阀指0参数必须位于20％到50％之间。
[0169]
使用前文阐述的粒子群优化算法对该优化问题求解，使用优化结果的第一个值作为下一时刻的控制参数，具体地，优化问题求解得到的控制参数形式为将作为下一时刻的控制参数输入脱硝系统，也就是使用更新控制变量c，以此进行氮氧化物的控制。
[0170]
通过传感器/模拟的方法收集系统下一时刻的数据，也就是更新控制变量c后系统的数据，更新数据集，重复使用粒子群优化算法求解优化问题并更新控制变量c。
[0171]
示例性的，现场模型调试时最新数据通过传感器采集，在实验室进行模拟实验时，最新数据可以根据状态空间模型f或者随机取值进行采集。
[0172]
具体地，本实施例中使用实验室模拟数据进行预测性控制效果的检验，持续时间为100次采样时间。
[0173]
如图9所示，其示出了本实施例中使用一种基于线性系统辨识的脱硝系统模型预测控制方法的控制结果，以及使用现有技术的控制结果，在本实施例中，现有技术使用基准控制方法，设定值ref选取48。具体地，在图9中，第一幅图是入口nox浓度，是一个外部输入，第二幅图和第三幅图是基准控制方法和一种基于线性系统辨识的脱硝系统模型预测控制方法的比较。
[0174]
从图9中对两种控制方法的控制结果的对比可以看出，从图9中第二幅图可以发现，基于对“出口nox浓度”与设定值ref的比较，得出本实施例中提出的一种基于线性系统辨识的脱硝系统模型预测控制方法的均方误差(mse，mean squared error)为6.74，低于基准控制方法的21.32，本实施例中提出的模型预测控制方法的方差更小、稳定性更强；从图9中第三幅图可以发现，本实施例中提出的一种基于线性系统辨识的脱硝系统模型预测控制方法参数变化更剧烈，也就是对结果的控制灵活性更强、控制速度更快。可见，使用一种基于线性系统辨识的脱硝系统模型预测控制方法的结果更加快速的达到了系统设定值ref，并且比现有技术方法更加稳定。
[0175]
综上所述，在采用本实施例中一种基于线性系统辨识的脱硝系统模型预测控制方法后，本公开为脱硝系统提供了一种新型的控制方案，基于预测和优化的思想，使用基于数据驱动的方法估计系统状态空间模型，再通过滚动优化的方式进行系统的更新。相比于传统控制方法，本公开基于未来的信息进行控制，比传统控制系统反应更灵敏；同时本公开对未来一段时域内使用最优化的方法求解，增加了脱硝控制系统的稳定性。
[0176]
下面将参考图10描述本公开另一实施例的一种基于线性系统辨识的脱硝系统模型预测控制装置。
[0177]
示例性的，如图10所示，一种基于线性系统辨识的脱硝系统模型预测控制装置100，装置包括：
[0178]
数据集构建模块110，用于选取电厂中脱硝系统相关的参数，采集所述参数的数据，将所述数据构成数据集；
[0179]
状态变量选择模块120，用于根据所述数据集从所述参数中选择状态变量；
[0180]
建模模块130，用于使用线性系统辨识方法根据所述状态变量估计所述脱硝系统
的状态空间模型；
[0181]
优化问题构建模块140，用于根据所述状态变量确定约束条件，根据所述约束条件建立所述状态空间模型的优化问题；
[0182]
更新模块150，用于求解所述优化问题，根据求解结果更新所述状态变量。
[0183]
数据集更新模块160，用于根据更新后的状态变量控制脱硝系统，采集脱硝系统中的参数的新数据，更新数据集；
[0184]
循环模块170，用于循环执行步骤s400至s600，持续优化对脱硝系统的控制。
[0185]
本公开实施例的一种基于线性系统辨识的脱硝系统模型预测控制装置，采用线性系统辨识方法估计脱硝系统状态空间模型，通过求解脱硝系统状态空间模型的参数，使用状态空间模型来实现对未来时段的预测，通过求解模型得到状态变量对脱硝系统进行控制，来实现脱硝系统的有效控制，从而完成采用模型预测控制方法进行脱硝系统的nox浓度的控制，本公开实施例在控制方法中引入了预测和最优化控制的概念，可以提前精确的进行nox浓度的控制，减少脱硝系统过量喷氨的行为。
[0186]
进一步的，本实施例中还公开了一种电子设备，包括：
[0187]
一个或多个处理器；
[0188]
存储单元，用于存储一个或多个程序，当所述一个或多个程序被所述一个或多个处理器执行时，能使得所述一个或多个处理器实现前文记载的一种基于线性系统辨识的脱硝系统模型预测控制方法。
[0189]
进一步的，本实施例中还公开了一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时能实现前文记载的一种基于线性系统辨识的脱硝系统模型预测控制方法。
[0190]
其中，计算机可读介质可以是本公开的装置、设备、系统中所包含的，也可以是单独存在。
[0191]
在数据处理上，对于视频流数据、图像数据、数据库数据和统计结果数据分别采用符合各自数据类型的数据处理工具。在数据管理上，采用集成化的管理工具，能够形成统一的数据管理目录、索引、标准等。将接入的数据分阶段处理、分阶段存储，全周期关联、全周期分析。
[0192]
其中，计算机可读存储介质可是任何包含或存储程序的有形介质，其可以是电、磁、光、电磁、红外线、半导体的系统、装置、设备，更具体的例子包括但不限于：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、光纤、随机访问存储器(ram)、只读存储器(rom)、可擦式可编程只读存储器(eprom或闪存)、便携式紧凑磁盘只读存储器(cd-rom)、光存储器件、磁存储器件，或它们任意合适的组合。
[0193]
其中，计算机可读存储介质也可包括在基带中或作为载波一部分传播的数据信号，其中承载了计算机可读的程序代码，其具体的例子包括但不限于电磁信号、光信号，或它们任意合适的组合。
[0194]
在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本公开的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不必须针对的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任
一个或多个实施例或示例中以合适的方式结合。此外，在不相互矛盾的情况下，本领域的技术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结合和组合。
[0195]
可以理解的是，以上实施方式仅仅是为了说明本公开的原理而采用的示例性实施方式，然而本公开并不局限于此。对于本领域内的普通技术人员而言，在不脱离本公开的精神和实质的情况下，可以做出各种变型和改进，这些变型和改进也视为本公开的保护范围。