CN114191953B - 一种基于卷积神经网络和XGBoost的烟气脱硫脱硝控制方法 - Google Patents
一种基于卷积神经网络和XGBoost的烟气脱硫脱硝控制方法 Download PDFInfo
- Publication number
- CN114191953B CN114191953B CN202111482610.6A CN202111482610A CN114191953B CN 114191953 B CN114191953 B CN 114191953B CN 202111482610 A CN202111482610 A CN 202111482610A CN 114191953 B CN114191953 B CN 114191953B
- Authority
- CN
- China
- Prior art keywords
- desulfurization
- data
- power plant
- flue gas
- denitrification
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000006477 desulfuration reaction Methods 0.000 title claims abstract description 217
- 230000023556 desulfurization Effects 0.000 title claims abstract description 217
- UGFAIRIUMAVXCW-UHFFFAOYSA-N Carbon monoxide Chemical compound [O+]#[C-] UGFAIRIUMAVXCW-UHFFFAOYSA-N 0.000 title claims abstract description 92
- 239000003546 flue gas Substances 0.000 title claims abstract description 92
- 238000000034 method Methods 0.000 title claims abstract description 76
- 238000013527 convolutional neural network Methods 0.000 title claims abstract description 50
- MWUXSHHQAYIFBG-UHFFFAOYSA-N nitrogen oxide Inorganic materials O=[N] MWUXSHHQAYIFBG-UHFFFAOYSA-N 0.000 claims abstract description 147
- QGZKDVFQNNGYKY-UHFFFAOYSA-N Ammonia Chemical compound N QGZKDVFQNNGYKY-UHFFFAOYSA-N 0.000 claims abstract description 90
- RAHZWNYVWXNFOC-UHFFFAOYSA-N Sulphur dioxide Chemical compound O=S=O RAHZWNYVWXNFOC-UHFFFAOYSA-N 0.000 claims abstract description 80
- 238000004458 analytical method Methods 0.000 claims abstract description 48
- 239000002002 slurry Substances 0.000 claims abstract description 48
- 238000005507 spraying Methods 0.000 claims abstract description 43
- 229910021529 ammonia Inorganic materials 0.000 claims abstract description 39
- 238000004088 simulation Methods 0.000 claims abstract description 36
- 238000010276 construction Methods 0.000 claims abstract description 15
- 238000012795 verification Methods 0.000 claims abstract description 5
- 239000000779 smoke Substances 0.000 claims abstract description 4
- 238000012549 training Methods 0.000 claims description 47
- 230000006870 function Effects 0.000 claims description 31
- 230000008569 process Effects 0.000 claims description 29
- 230000000875 corresponding effect Effects 0.000 claims description 28
- 239000010440 gypsum Substances 0.000 claims description 24
- 229910052602 gypsum Inorganic materials 0.000 claims description 24
- 230000004927 fusion Effects 0.000 claims description 23
- 238000010521 absorption reaction Methods 0.000 claims description 18
- 230000002596 correlated effect Effects 0.000 claims description 14
- 238000002347 injection Methods 0.000 claims description 12
- 239000007924 injection Substances 0.000 claims description 12
- 235000019738 Limestone Nutrition 0.000 claims description 11
- 239000006028 limestone Substances 0.000 claims description 11
- 238000013528 artificial neural network Methods 0.000 claims description 10
- 238000004422 calculation algorithm Methods 0.000 claims description 10
- 239000011159 matrix material Substances 0.000 claims description 10
- 238000007781 pre-processing Methods 0.000 claims description 10
- 238000012545 processing Methods 0.000 claims description 10
- 238000011217 control strategy Methods 0.000 claims description 9
- 238000003066 decision tree Methods 0.000 claims description 9
- 230000009467 reduction Effects 0.000 claims description 9
- 230000002159 abnormal effect Effects 0.000 claims description 8
- 230000001276 controlling effect Effects 0.000 claims description 8
- 238000004364 calculation method Methods 0.000 claims description 7
- 238000010219 correlation analysis Methods 0.000 claims description 7
- 238000011176 pooling Methods 0.000 claims description 7
- 238000012360 testing method Methods 0.000 claims description 7
- 101001095088 Homo sapiens Melanoma antigen preferentially expressed in tumors Proteins 0.000 claims description 6
- 102100037020 Melanoma antigen preferentially expressed in tumors Human genes 0.000 claims description 6
- 230000008901 benefit Effects 0.000 claims description 6
- 230000003009 desulfurizing effect Effects 0.000 claims description 6
- 238000011161 development Methods 0.000 claims description 6
- 238000005457 optimization Methods 0.000 claims description 6
- 238000005070 sampling Methods 0.000 claims description 6
- 238000012937 correction Methods 0.000 claims description 5
- 230000018044 dehydration Effects 0.000 claims description 5
- 238000006297 dehydration reaction Methods 0.000 claims description 5
- 238000013507 mapping Methods 0.000 claims description 5
- 238000000605 extraction Methods 0.000 claims description 4
- 238000003062 neural network model Methods 0.000 claims description 4
- 230000005856 abnormality Effects 0.000 claims description 3
- QVGXLLKOCUKJST-UHFFFAOYSA-N atomic oxygen Chemical compound [O] QVGXLLKOCUKJST-UHFFFAOYSA-N 0.000 claims description 3
- 238000007664 blowing Methods 0.000 claims description 3
- 238000000354 decomposition reaction Methods 0.000 claims description 3
- 238000004134 energy conservation Methods 0.000 claims description 3
- 238000011156 evaluation Methods 0.000 claims description 3
- 230000007246 mechanism Effects 0.000 claims description 3
- 238000012544 monitoring process Methods 0.000 claims description 3
- 239000001301 oxygen Substances 0.000 claims description 3
- 229910052760 oxygen Inorganic materials 0.000 claims description 3
- 238000002360 preparation method Methods 0.000 claims description 3
- 239000004071 soot Substances 0.000 claims description 3
- 238000004065 wastewater treatment Methods 0.000 claims description 3
- 230000003647 oxidation Effects 0.000 description 7
- 238000007254 oxidation reaction Methods 0.000 description 7
- 238000006722 reduction reaction Methods 0.000 description 7
- 238000006243 chemical reaction Methods 0.000 description 6
- 238000010586 diagram Methods 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 3
- 238000012417 linear regression Methods 0.000 description 3
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 3
- 239000006227 byproduct Substances 0.000 description 2
- 238000001816 cooling Methods 0.000 description 2
- 238000010790 dilution Methods 0.000 description 2
- 239000012895 dilution Substances 0.000 description 2
- 239000000428 dust Substances 0.000 description 2
- 238000010574 gas phase reaction Methods 0.000 description 2
- 238000010438 heat treatment Methods 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 230000008092 positive effect Effects 0.000 description 2
- 239000000243 solution Substances 0.000 description 2
- 238000012935 Averaging Methods 0.000 description 1
- 238000012952 Resampling Methods 0.000 description 1
- 239000002250 absorbent Substances 0.000 description 1
- 230000002745 absorbent Effects 0.000 description 1
- 238000003916 acid precipitation Methods 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 230000004913 activation Effects 0.000 description 1
- 238000010531 catalytic reduction reaction Methods 0.000 description 1
- 238000004590 computer program Methods 0.000 description 1
- 238000004090 dissolution Methods 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 230000003631 expected effect Effects 0.000 description 1
- 239000007789 gas Substances 0.000 description 1
- 239000007791 liquid phase Substances 0.000 description 1
- 230000001537 neural effect Effects 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000007500 overflow downdraw method Methods 0.000 description 1
- 239000000047 product Substances 0.000 description 1
- 238000004064 recycling Methods 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 238000001179 sorption measurement Methods 0.000 description 1
- 230000000087 stabilizing effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Classifications
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B01—PHYSICAL OR CHEMICAL PROCESSES OR APPARATUS IN GENERAL
- B01D—SEPARATION
- B01D53/00—Separation of gases or vapours; Recovering vapours of volatile solvents from gases; Chemical or biological purification of waste gases, e.g. engine exhaust gases, smoke, fumes, flue gases, aerosols
- B01D53/34—Chemical or biological purification of waste gases
- B01D53/346—Controlling the process
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B01—PHYSICAL OR CHEMICAL PROCESSES OR APPARATUS IN GENERAL
- B01D—SEPARATION
- B01D53/00—Separation of gases or vapours; Recovering vapours of volatile solvents from gases; Chemical or biological purification of waste gases, e.g. engine exhaust gases, smoke, fumes, flue gases, aerosols
- B01D53/34—Chemical or biological purification of waste gases
- B01D53/46—Removing components of defined structure
- B01D53/48—Sulfur compounds
- B01D53/50—Sulfur oxides
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B01—PHYSICAL OR CHEMICAL PROCESSES OR APPARATUS IN GENERAL
- B01D—SEPARATION
- B01D53/00—Separation of gases or vapours; Recovering vapours of volatile solvents from gases; Chemical or biological purification of waste gases, e.g. engine exhaust gases, smoke, fumes, flue gases, aerosols
- B01D53/34—Chemical or biological purification of waste gases
- B01D53/74—General processes for purification of waste gases; Apparatus or devices specially adapted therefor
- B01D53/77—Liquid phase processes
- B01D53/78—Liquid phase processes with gas-liquid contact
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B01—PHYSICAL OR CHEMICAL PROCESSES OR APPARATUS IN GENERAL
- B01D—SEPARATION
- B01D53/00—Separation of gases or vapours; Recovering vapours of volatile solvents from gases; Chemical or biological purification of waste gases, e.g. engine exhaust gases, smoke, fumes, flue gases, aerosols
- B01D53/34—Chemical or biological purification of waste gases
- B01D53/74—General processes for purification of waste gases; Apparatus or devices specially adapted therefor
- B01D53/86—Catalytic processes
- B01D53/8621—Removing nitrogen compounds
- B01D53/8625—Nitrogen oxides
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B01—PHYSICAL OR CHEMICAL PROCESSES OR APPARATUS IN GENERAL
- B01D—SEPARATION
- B01D53/00—Separation of gases or vapours; Recovering vapours of volatile solvents from gases; Chemical or biological purification of waste gases, e.g. engine exhaust gases, smoke, fumes, flue gases, aerosols
- B01D53/34—Chemical or biological purification of waste gases
- B01D53/74—General processes for purification of waste gases; Apparatus or devices specially adapted therefor
- B01D53/86—Catalytic processes
- B01D53/90—Injecting reactants
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
- G06N20/20—Ensemble learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Chemical & Material Sciences (AREA)
- Data Mining & Analysis (AREA)
- Environmental & Geological Engineering (AREA)
- Evolutionary Computation (AREA)
- Biomedical Technology (AREA)
- Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- General Chemical & Material Sciences (AREA)
- Software Systems (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Chemical Kinetics & Catalysis (AREA)
- Oil, Petroleum & Natural Gas (AREA)
- Life Sciences & Earth Sciences (AREA)
- Analytical Chemistry (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Mathematical Physics (AREA)
- Computing Systems (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Medical Informatics (AREA)
- Geometry (AREA)
- Computer Hardware Design (AREA)
- Treating Waste Gases (AREA)
Abstract
本发明涉及一种基于卷积神经网络和XGBoost的烟气脱硫脱硝控制方法，其包括如下步骤：对电厂脱硫脱硝各部件进行模型构建，建立完整的电厂脱硫脱硝系统仿真模型；利用卷积神经网络模型对电厂脱硫系统出口处烟气中的二氧化硫浓度进行预测，利用XGBoost模型对电厂脱硝系统入口处烟气氮氧化物浓度进行预测；根据二氧化硫浓度预测值对脱硫系统的浆液喷淋量进行控制、根据氮氧化物浓度预测值对脱硝系统的喷氨量进行控制；将浆液喷淋量和喷氨量的控制参数下发至电厂脱硫脱硝系统仿真模型中进行验证和预警分析；本发明建立了完整的电厂脱硫脱硝系统仿真模型，能直观展示和获知电厂脱硫脱硝的实际运转情况并进行系统参数的调节。
Description
技术领域
本发明属于脱硫脱硝技术领域，具体涉及一种基于卷积神经网络和XGBoost的 烟气脱硫脱硝控制方法。
背景技术
随着各项产业的快速发展，随之带来的大气污染也愈加严重，二氧化硫和氮氧化物的排放量一直居高不下，由此造成大气污染和酸雨的问题也十分严重，而火电厂是 二氧化硫和氮氧化物排放的主要来源之一，因此控制电厂二氧化硫和氮氧化物的排放 迫在眉睫。
目前脱硫工艺技术按照操作特点分为干法脱硫、半干法脱硫、湿法脱硫，较为常用的有石灰石-石膏湿法脱硫技术，主要工艺过程包括：位于塔底的氧化风机不断鼓 入氧化空气，而浆液循环泵则不断从吸收塔底部将石灰石浆液抽至上部喷淋层，进入吸收塔的烟气与上部喷淋下来的石灰石浆液逆方向接触，要想获得较高的脱硫效率， 需要对浆液喷淋量进行精确控制；脱硝技术分为气相反应法脱硝、液相吸收法脱硝、 吸附法脱硝，较为广泛应用的为气相反应法，较为常用的为选择性催化还原法(SCR)， 主要工艺过程包括：储罐里的液氨通过自身的压力进入到液氨蒸发器中，并通过水浴 加热蒸发为氨气，进而进入氨气缓冲罐中稳压后被送入SCR反应区。在进入SCR反 应器之前，使稀释风机送来的空气和氨气进行均匀混合，然后导入SCR反应器中参 与化学反应，要想获得较高的脱硝效率，需要对喷氨量进行精确控制。然而，目前脱 硫脱硝的控制过程仅采用简单的PID控制，无法保证控制的稳定性与精确性；而且系 统实际运行过程中影响控制变量的运行参数较多，造成控制变量的预测难度大，成本 高、效率低。
基于上述技术问题，需要设计一种新的基于卷积神经网络和XGBoost的烟气脱 硫脱硝控制方法。
发明内容
本发明所要解决的技术问题是提供一种基于卷积神经网络和XGBoost的烟气脱硫脱硝控制方法，能直观展示和获知电厂脱硫脱硝的实际运转情况并进行系统参数的 调节。
本发明的积极效果为：一种基于卷积神经网络和XGBoost的烟气脱硫脱硝控制 方法，其包括如下步骤：步骤一、通过动态仿真软件依据模块化建模方法对电厂脱硫 脱硝各部件进行模型构建，并依据现场控制策略搭建相应控制系统，建立完整的电厂 脱硫脱硝系统仿真模型；步骤二、采集电厂脱硝系统和脱硫系统的历史运行参数，选 取与电厂脱硫强相关的运行参数输入至卷积神经网络模型中对电厂脱硫系统出口处 烟气中的二氧化硫浓度进行预测，选取与电厂脱硝强相关的运行参数输入至XGBoost 模型中对电厂脱硝系统入口处烟气氮氧化物浓度进行预测；步骤三、根据二氧化硫浓 度预测值对脱硫系统的浆液喷淋量进行控制、根据氮氧化物浓度预测值对脱硝系统的喷氨量进行控制；步骤四、将浆液喷淋量和喷氨量的控制参数下发至电厂脱硫脱硝系 统仿真模型中进行验证和预警分析。
进一步的，在步骤一中，电厂脱硫系统选取石灰石-石膏湿法脱硫系统，其至少 包括烟气系统、吸收塔系统、石灰石浆液制备系统、石膏浆液脱水系统、废水处理系 统和电气系统；电厂脱硝系统选取SCR法烟气脱硝系统，其至少包括烟气系统、SCR 反应器系统、声波吹灰系统、液氨的存储和供应系统；
动态仿真软件依据质量守恒、动量守恒和能量守恒方程，在建模过程中根据石灰石-石膏湿法脱硫系统和SCR法烟气脱硝系统的工艺流程，从模型库中选取相应的组件模块并连接起来，输入初始数据，完成电厂脱硫脱硝系统的模型构建；
依据现场控制策略搭建模拟量控制系统、顺序控制系统和逻辑控制系统，并采用基本算法模块进行组态，实现与实际控制系统相同的功能，建立完整的电厂脱硫脱硝 系统仿真模型。
进一步的，电厂脱硫脱硝系统仿真模型还包括：在模型开发调试过程中，对实际电厂脱硫脱硝系统采集的物理数据和基于电厂脱硫脱硝仿真模型获取的虚拟数据进 行比对，判断误差是否超过阈值，若超过，则通过聚类学习对误差较大的虚拟数据进 行分类，结合对应的历史数据作为输入，通过神经网络进行误差学习，输出修正系数以修正虚拟数据的误差数据，以及将修正后的虚拟数据和物理数据进行虚实融合生成 经过验证的电厂脱硫脱硝仿真模型。
进一步的，步骤二中，对电厂脱硫系统出口处烟气中的二氧化硫浓度进行预测具体包括如下步骤：
将采集的电厂脱硫系统的历史运行参数作为样本数据，并对该样本数据进行相关性分析，去除与所述石灰石-石膏湿法脱硫系统出口处烟气中二氧化硫浓度相关性 小于预设值的样本数据，剩余的样本数据作为与脱硫系统强相关的运行数据；所述脱硫系统历史运行参数至少包括入口处的二氧化硫浓度、氮氧化物浓度、机组负荷、石 灰石浆液循环泵电流、浆液供给量、吸收塔出口烟气二氧化硫浓度和浆液PH值；
对所述与脱硫系统强相关的运行数据进行数据预处理，并利用预处理 后的数据构建卷积神经网络模型；
采集与电厂脱硫相关的实时运行数据并输入构建的卷积神经网络模 型中获取电厂脱硫系统出口处烟气中的二氧化硫浓度预测值。
进一步的，在步骤二中，对所述与脱硫系统强相关的运行数据进行数据 预处理包括如下步骤：
对与脱硫系统强相关的运行数据进行缺失值和异常值的填补以及归 一化处理，得到预处理后的脱硫数据序列，记为F＝[f1,f2,f3,…,fn]，fi为 与处理后的脱硫数据序列中第i个时刻点的脱硫数据；
对脱硫数据序列F进行小波阈值去噪处理，将带有噪声的含噪数据进行小波 分解，获取真实数据信息，记为P＝[p1,p2,p3,…,pm]，pi为与真实脱硫数据 序列中第i个时刻点的脱硫数据，并按照预设比例划分为训练集数据和测 试集数据。
进一步的，利用预处理后的训练集数据构建卷积神经网络模型，包括：
将真实脱硫数据序列P中第i时刻点的训练集脱硫数据输入卷积神经 网络；
通过卷积神经网络的卷积层对输入的训练集数据进行特征提取，输出 特征图；
通过卷积神经网络的池化层对特征图进行降维处理，得到降维处理后 的训练矩阵；
将训练矩阵输入预设的分类器，通过分类器输出训练结果f(x)；
计算测试集中的数据平均值y；
计算卷积神经网络的训练结果f(x)相对于数据平均值y的误差 L＝(y-f(x))2，若误差小于预设阈值，则结束对卷积神经网络的训练；x 为输入卷积神经网络的数据，x、y、f(x)的取值范围均为正数；
其中，在得出输出训练结果时，将卷积神经网络模型内最后一个卷积 层输出的卷积结果根据注意力机制并按照时刻进行加权处理，将加权处理 后的卷积结果进行全连接映射，得到预测时间第i+1个时刻点的出口处烟 气中的二氧化硫浓度预测值；以及在得出输出训练结果时，采用梯度下降算法对所述卷积神经网络中的参数进行优化，表示为：θj′为优化后的参数， θj为优化前的参数，j为参数的标号，α为预设的学习率，L(θj)为参数θj的目标函数。
进一步的，步骤二中，选取与电厂脱硝强相关的运行参数输入至XGBoost模型 中对电厂脱硝系统入口处烟气氮氧化物浓度进行预测具体包括：将采集的电厂脱硝系 统的历史运行参数作为样本数据，并采用Pearson相关系数计算出样本数据与电厂脱 硝系统入口处烟气氮氧化物浓度的相关性，根据相关性选出相关性高的数据组合作为 与脱硝系统强相关的运行数据；脱硝系统历史运行数据至少包括喷氨质量流量、锅炉 负荷、SCR入口烟气温度、SCR入口烟气含氧量、SCR入口氮氧化物浓度、SCR脱 硝效率；
对与脱硝系统强相关的运行数据进行数据预处理，并利用预处理后的 数据构建XGBoost模型；
采集与电厂脱硝相关的实时运行数据并输入构建的XGBoost模型中 获取电厂脱硝系统入口处烟气氮氧化物浓度预测值；
其中，选取强相关和极强相关的数据作为与脱硝系统相关性高的数据，计算公式为：
X为输入样本数据特征，Y为入口处氮氧化物浓度，cov(X,Y)表示X,Y的协方差；σX和σY 分别是X,Y的标准差，ρ表示两个变量之间的相关系数，取值范围为[-1,1]； 当0.8≤ρ<1时，称为极强相关性；当0.6≤ρ<0.8时，称为强相关；当 0.4≤ρ<0.6时，称为中等程度相关；当0.2≤ρ<0.4时，称为弱相关；当 0.0≤ρ<0.2时，称为极弱相关或不相关。
进一步的，XGBoost模型构建是采用boosting方法的集成学习算法，基学习器 选择CART决策树，应用k个CART函数{f1,f2,…,fk}相加构成集成树模型；模型 的目标函数由损失函数和正则项组成，损失函数采用二阶泰勒展开进行逼近；以及对 关键参数进行调优操作提高模型预测的准确率，所述关键参数包括树最大深度、子样 本、每棵树随机采样的列数占比、最小叶子节点样本权重和和学习率；
其中，模型的构建从根节点开始，根据每个数据特征将训练集数据进行排序，采用贪心法计算每个特征的收益，选择收益最大的特征作为分裂特征，并将训练集数据 映射到相应的叶子节点，对生成的叶子节点递归直至达到限制条件，决策树生成过程 结束，然后由损失函数的一阶和二阶导数计算得到决策树叶子节点的权值，作为下一棵树的拟合目标，重复递归执行直至满足条件为止，模型建立结束。
进一步的，通过均方根误差RMSE以及平均绝对百分比误差MAPE对预测的入 口处烟气氮氧化物浓度进行正确性评估，计算公式为：
其中，yi为入口处烟气氮氧化物浓度的实际值，为预测入口处烟气氮氧化物浓度的预测值，n为预测样本数，RMSE和MAPE值越小，表示入口处烟气氮氧化物浓 度的预测值越接近真实，精度越高。
进一步的，步骤四具体包括：
在电厂脱硫脱硝系统仿真模型中输入所述浆液喷淋量控制参数、喷氨量控制参数和电厂脱硫脱硝系统运行的相关配置参数后，获取电厂脱硫脱硝系统的运行参数值及 其对应的基准参数值输入至预设的预警模型中，根据预警模型并综合预警分析策略对 电厂脱硫脱硝系统进行动态预警分析；综合预警分析策略至少包括残差预警分析和波 动值预警分析策略；
其中，所述残差预警分析包括：在设定的采样时间段内采集电厂脱硫脱硝系统的运行参数值，计算运行参数值与其对应的基准参数值之间的残差值，判断残差值中的 最大值是否超过设定的阈值，若超过，则初步判断电厂脱硫脱硝系统出现异常的预警 分析结果，并通过所述波动值预警分析策略进行进一步验证；所述波动值预警分析包括：在预警模型中预设有监测电厂脱硫脱硝系统基准参数值的基准曲线，将其作为参 考线，采用均方差原理计算电厂脱硫脱硝系统在设定的采样时间段内相对于其参考线 的波动率，判断波动率是否超过设定的阈值，若超过，则进一步判断电厂脱硫脱硝系 统出现异常的预警分析结果，并将预警分析结果在所述预警模型中进行实时展示。
本发明的积极效果为：
(1)本发明通过动态仿真软件依据模块化建模方法对电厂脱硫脱硝各部件进行模型构建后，并依据现场控制策略搭建相应控制系统，建立完整的电厂脱硫脱硝系统 仿真模型，能够真实模拟电厂脱硫脱硝的实际工作场景，且能直观展示和获知电厂脱 硫脱硝的实际运转情况并进行系统参数的调节；
(2)本发明通过在模型开发调试过程中，对实际电厂脱硫脱硝系统采集的物理 数据和基于电厂脱硫脱硝仿真模型获取的虚拟数据进行比对，判断误差是否超过阈值， 若超过，则通过聚类学习对误差较大的虚拟数据进行分类，结合对应的历史数据作为 输入，通过神经网络进行误差学习，输出修正系数以修正虚拟数据的误差数据，以及将修正后的虚拟数据和物理数据进行虚实融合生成经过验证的电厂脱硫脱硝仿真模 型，能够通过虚实数据比对和分析后，采用神经网络对误差进行修正，提高电厂脱硫 脱硝仿真模型的精度和准确性，为后续的脱硫脱硝系统进行预测控制做好基础；
(3)本发明通过选取与电厂脱硫强相关的运行参数输入至构建的卷积神经网络模型中对电厂脱硫系统出口处烟气中的二氧化硫浓度进行预测，以及选取与电厂脱硝 强相关的运行参数输入至构建的XGBoost模型中对电厂脱硝系统入口处烟气氮氧化物浓度进行预测；根据所述二氧化硫浓度预测值对脱硫系统的浆液喷淋量进行控制、 根据所述氮氧化物浓度预测值对脱硝系统的喷氨量进行控制，能够提高脱硫脱硝系统 运行稳定性和脱硫脱硝的效率，对浆液喷淋量和喷氨量进行有效地预测控制，以及减轻过量喷氨，提高氨气利用率，降低运行成本；
(4)本发明通过将采集的电厂脱硫系统的历史运行参数作为样本数据，并对该 样本数据进行相关性分析，去除与所述石灰石-石膏湿法脱硫系统出口处烟气中二氧 化硫浓度相关性小于预设值的样本数据，剩余的样本数据作为与脱硫系统强相关的运行数据；以及将采集的电厂脱硝系统的历史运行参数作为样本数据，并采用Pearson 相关系数计算出样本数据与电厂脱硝系统入口处烟气氮氧化物浓度的相关性，根据所 述相关性选出相关性高的数据组合作为与脱硝系统强相关的运行数据，能够对脱硫脱 硝的历史运行参数进行相关性分析，将相关性较高的数据筛选出来作为模型的输入， 降低了数据维度，同时提高系统模型预测的精度，增强了模型鲁棒性与泛化能力，能够处理大规模数据分类问题，具有准确性高、可扩展性高；
(5)本发明通过在电厂脱硫脱硝系统仿真模型中输入所述浆液喷淋量控制参数、所述喷氨量控制参数和电厂脱硫脱硝系统运行的相关配置参数后，获取电厂脱硫脱硝 系统的运行参数值及其对应的基准参数值输入至预设的预警模型中，根据预警模型并 综合预警分析策略对电厂脱硫脱硝系统进行动态预警分析，综合预警分析策略至少包括残差预警分析和波动值预警分析策略，能够对计算的控制参数进行一定程度的验证， 并且提前识别电厂脱硫脱硝系统中运行中的异常预警情况。
附图说明
图1为本发明方法流程图；
图2为本发明烟气脱硫控制方法流程图；
图3为本发明烟气脱硝控制方法流程图。
具体实施方式
如图1所示，本实施例提供了一种基于卷积神经网络和XGBoost的烟气脱硫脱 硝控制方法，烟气脱硫脱硝控制方法包括：
通过动态仿真软件依据模块化建模方法对电厂脱硫脱硝各部件进行模型构 建后，并依据现场控制策略搭建相应控制系统，建立完整的电厂脱硫脱硝系统仿真模 型；
采集电厂脱硝系统和脱硫系统的历史运行参数后，选取与电厂脱硫强相关的运行参数输入至构建的卷积神经网络模型中对电厂脱硫系统出口处烟气中的二氧化硫浓 度进行预测，以及选取与电厂脱硝强相关的运行参数输入至构建的XGBoost模型中 对电厂脱硝系统入口处烟气氮氧化物浓度进行预测；
根据二氧化硫浓度预测值对脱硫系统的浆液喷淋量进行控制、根据氮氧化物浓度预测值对脱硝系统的喷氨量进行控制；
将浆液喷淋量和喷氨量的控制参数下发至电厂脱硫脱硝系统仿真模型中进行验证和预警分析。
需要说明的是，根据二氧化硫浓度预测值对脱硫系统的浆液喷淋量进行控制：设定值即输出目标值，在实际系统中是出口处烟气中二氧化硫的浓度；可操作变量为浆 液的喷淋量，可以通过控制器调节它的大小，使其作用于目标对象，使输出达到期望 值。以及根据氮氧化物浓度预测值对脱硝系统的喷氨量进行控制：依据入口氮氧化物浓度预测值计算当前运行工况的第一喷氨量，并发送至脱硝系统，测量出口氮氧化物 浓度的实测值，将该实测值与出口氮氧化物浓度设定值做偏差后输入控制器获得第二 喷氨量，并发送至脱硝系统，脱硝系统依据第一喷氨量和第二喷氨量控制脱硝反应器 的喷氨量。
在本实施例中，通过动态仿真软件依据模块化建模方法对电厂脱硫脱硝各部件进行模型构建后，并依据现场控制策略搭建相应控制系统，建立完整的电厂脱硫脱硝系 统仿真模型，包括：
电厂脱硫系统选取石灰石-石膏湿法脱硫系统，其至少包括烟气系统、吸收塔系统、石灰石浆液制备系统、石膏浆液脱水系统、废水处理系统和电气系统；电厂脱硝 系统选取SCR法烟气脱硝系统，其至少包括烟气系统、SCR反应器系统、声波吹灰 系统、液氨的存储和供应系统；
动态仿真软件依据质量守恒、动量守恒和能量守恒方程，在建模过程中根据石灰石-石膏湿法脱硫系统和SCR法烟气脱硝系统的工艺流程，从模型库中选取相应的组件模块并连接起来，输入初始数据，完成电厂脱硫脱硝系统的模型构建；
依据现场控制策略搭建模拟量控制系统、顺序控制系统和逻辑控制系统，并采用基本算法模块进行组态，实现与实际控制系统相同的功能，建立完整的电厂脱硫脱硝 系统仿真模型。
需要说明的是，脱硫脱硝的主要过程顺序是脱硝-除尘-脱硫。本专利采用的石灰石-石膏湿法脱硫系统的工艺流程包括：从锅炉尾部出来的原烟气经过脱硝系统及干 式电除尘器后，在引风机作用下进入到吸收塔，整个吸收塔集吸收与氧化为一体，上 部是吸收区域，下部为氧化区域。位于塔底的氧化风机不断鼓入氧化空气，而浆液循 环泵则不断从吸收塔底部将石灰石浆液抽至上部喷淋层，进入吸收塔的烟气与上部喷淋下来的石灰石浆液逆方向接触，充分反应后的净烟气再经吸收塔上部除雾器去除气 体中携带的雾滴后，从吸收塔顶部直接排入海勒式空冷系统的内部空间，最后随冷却 塔中的水蒸气一并排入大气。随着反应的进行，吸收塔浆液里的石膏浆液密度不断增 加，当密度达到一定值后石膏排出泵启动，将石膏浆液送至石膏脱水系统，经脱水后 形成副产物石膏，剩余浆液回到系统中再循环从而提高了脱硫吸收剂的利用率。
在石灰石-石膏湿法烟气脱硫系统工艺流程中，主要的过程有：二氧化硫与石灰石浆液所发生的溶解、氧化等化学反应，得到副产物石膏的过程，以上过程是整个工 艺流程的最主要过程。
SCR法烟气脱硝工艺流程包括：液氨罐车通过卸料压缩机将液氨送入液氨储罐，储罐里的液氨通过自身的压力进入到液氨蒸发器中，并通过水浴加热蒸发为氨气，进 而进入氨气缓冲罐中稳压后被送入SCR反应区。在进入SCR反应器之前，使稀释风 机送来的空气和氨气进行均匀混合，然后导入SCR反应器中参与化学反应。
需要说明的是，本专利不限制于石灰石-石膏湿法烟气脱硫和SCR法烟气脱硝工艺，还可采用其他的脱硫、脱硝工艺。
在本实施例中，电厂脱硫脱硝系统仿真模型还包括：
在模型开发调试过程中，对实际电厂脱硫脱硝系统采集的物理数据和基于电厂脱硫脱硝仿真模型获取的虚拟数据进行比对，判断误差是否超过阈值，若超过，则通过 聚类学习对误差较大的虚拟数据进行分类，结合对应的历史数据作为输入，通过神经 网络进行误差学习，输出修正系数以修正虚拟数据的误差数据，以及将修正后的虚拟数据和物理数据进行虚实融合生成经过验证的电厂脱硫脱硝仿真模型。
如图2所示，在本实施例中，选取与电厂脱硫强相关的运行参数输入至构建的卷积神经网络模型中对电厂脱硫系统出口处烟气中的二氧化硫浓度进行预测，具体包括：
将采集的电厂脱硫系统的历史运行参数作为样本数据，并对该样本数据进行相关性分析，去除与石灰石-石膏湿法脱硫系统出口处烟气中二氧化硫浓度相关性小于 预设值的样本数据，剩余的样本数据作为与脱硫系统强相关的运行数据；脱硫系统历史运行参数至少包括入口处的二氧化硫浓度、氮氧化物浓度、机组负荷、石灰石浆液 循环泵电流、浆液供给量、吸收塔出口烟气二氧化硫浓度和浆液PH值；
对与脱硫系统强相关的运行数据进行数据预处理，并利用预处理后的 数据构建卷积神经网络模型；
采集与电厂脱硫相关的实时运行数据并输入构建的卷积神经网络模 型中获取电厂脱硫系统出口处烟气中的二氧化硫浓度预测值。
在本实施例中，对与脱硫系统强相关的运行数据进行数据预处理，包括：
对与脱硫系统强相关的运行数据进行缺失值和异常值的填补以及归 一化处理，得到预处理后的脱硫数据序列，记为F＝[f1,f2,f3,…,fn]，fi为 与处理后的脱硫数据序列中第i个时刻点的脱硫数据；
对脱硫数据序列F进行小波阈值去噪处理，将带有噪声的含噪数据进 行小波分解，获取真实数据信息，记为P＝[p1,p2,p3,…,pm]，pi为与真实脱 硫数据序列中第i个时刻点的脱硫数据，并按照预设比例划分为训练集数 据和测试集数据。
在本实施例中，利用预处理后的训练集数据构建卷积神经网络模型，包 括：
将真实脱硫数据序列P中第i时刻点的训练集脱硫数据输入卷积神经 网络；
通过卷积神经网络的卷积层对输入的训练集数据进行特征提取，输出 特征图；
通过卷积神经网络的池化层对特征图进行降维处理，得到降维处理后 的训练矩阵；
将训练矩阵输入预设的分类器，通过分类器输出训练结果f(x)；
计算测试集中的数据平均值y；
计算卷积神经网络的训练结果f(x)相对于数据平均值y的误差 L＝(y-f(x))2，若误差小于预设阈值，则结束对卷积神经网络的训练；x 为输入卷积神经网络的数据，x、y、f(x)的取值范围均为正数；
其中，在得出输出训练结果时，将卷积神经网络模型内最后一个卷积层输出的卷积结果根据注意力机制并按照时刻进行加权处理，将加权处理后的卷积结果进行全连 接映射，得到预测时间第i+1个时刻点的出口处烟气中的二氧化硫浓度预测值；以及 在得出输出训练结果时，采用梯度下降算法对卷积神经网络中的参数进行优化，表示为：θj′为优化后的参数，θj为优化前的参数，j为参数的标号， α为预设的学习率，L(θj)为参数θj的目标函数。
在实际的应用中，卷积神经网络包含输入层、卷积层、池化层和分类器四部分， 将训练集脱硫数据通过输入层输入卷积神经网络，再通过卷积层对输入的训练集脱硫 数据进行特征提取，输出特征矩阵，通过池化层对特征图进行降维处理，对特征矩阵 使用最大值池化，得到降维处理后的训练矩阵，最后将降维处理后的训练矩阵输入预设的分类器，通过分类器输出训练结果；分类器通过输出层调整池化层输出结果的维 数，使其可以与测试集中的数据进行对比。
需要说明的是，若误差L不超过预设阈值，则结束对卷积神经网络的训练，说明 此时已建立起训练集脱硫数据与历史脱硫系统出口处烟气中的二氧化硫浓度之间的 回归模型，可以用于后续预测脱硫系统实时运行数据与出口处二氧化硫浓度的关系。 若误差L超过预设阈值，则说明此时的卷积神经网络的训练未达到预期效果，需要对 卷积神经网络中的模型参数进行调整，对卷积神经网络进行优化。
如图3所示，在本实施例中，选取与电厂脱硝强相关的运行参数输入至构建的XGBoost模型中对电厂脱硝系统入口处烟气氮氧化物浓度进行预测，具体包括：
将采集的电厂脱硝系统的历史运行参数作为样本数据，并采用Pearson相关系数计算出样本数据与电厂脱硝系统入口处烟气氮氧化物浓度的相关性，根据相关性选出 相关性高的数据组合作为与脱硝系统强相关的运行数据；脱硝系统历史运行数据至少 包括喷氨质量流量、锅炉负荷、SCR入口烟气温度、SCR入口烟气含氧量、SCR入 口氮氧化物浓度、SCR脱硝效率；
对与脱硝系统强相关的运行数据进行数据预处理，并利用预处理后的 数据构建XGBoost模型；
采集与电厂脱硝相关的实时运行数据并输入构建的XGBoost模型中 获取电厂脱硝系统入口处烟气氮氧化物浓度预测值；
其中，选取强相关和极强相关的数据作为与脱硝系统相关性高的数据，计算公式为：
X为输入样本数据特征，Y为入口处氮氧化物浓度，cov(X,Y)表示X,Y的协方差；σX和σY 分别是X,Y的标准差，ρ表示两个变量之间的相关系数，取值范围为[-1,1]； 当0.8≤ρ<1时，称为极强相关性；当0.6≤ρ<0.8时，称为强相关；当 0.4≤ρ<0.6时，称为中等程度相关；当0.2≤ρ<0.4时，称为弱相关；当 0.0≤ρ<0.2时，称为极弱相关或不相关。
需要说明的是，对与脱硝系统强相关的运行数据进行数据预处理包括： 去掉重复数据、时间补齐及重采样、缺失值填充和异常值替代处理等。
在本实施例中，XGBoost模型构建是采用boosting方法的集成学习算法，基学习器选择CART决策树，应用k个CART函数{f1,f2,…,fk}相加构成集成树模型；模 型的目标函数由损失函数和正则项组成，损失函数采用二阶泰勒展开进行逼近；以及 对关键参数进行调优操作提高模型预测的准确率，关键参数包括树最大深度、子样本、 每棵树随机采样的列数占比、最小叶子节点样本权重和和学习率；
其中，模型的构建从根节点开始，根据每个数据特征将训练集数据进行排序，采用贪心法计算每个特征的收益，选择收益最大的特征作为分裂特征，并将训练集数据 映射到相应的叶子节点，对生成的叶子节点递归直至达到限制条件，决策树生成过程 结束，然后由损失函数的一阶
和二阶导数计算得到决策树叶子节点的权值，作为下一棵树的拟合目标，重复递归执行直至满足条件为止，模型建立结束。
在本实施例中，通过均方根误差RMSE以及平均绝对百分比误差MAPE对预测 的入口处烟气氮氧化物浓度进行正确性评估，计算公式为：
其中，yi为入口处烟气氮氧化物浓度的实际值，为预测入口处烟气氮氧化物浓度的预测值，n为预测样本数，RMSE和MAPE值越小，表示入口处烟气氮氧化物浓 度的预测值越接近真实，精度越高。
在本实施例中，将浆液喷淋量和喷氨量的控制参数下发至电厂脱硫脱硝系统仿真模型中进行验证和预警分析，包括：
在电厂脱硫脱硝系统仿真模型中输入浆液喷淋量控制参数、喷氨量控制参数和电厂脱硫脱硝系统运行的相关配置参数后，获取电厂脱硫脱硝系统的运行参数值及其对 应的基准参数值输入至预设的预警模型中，根据预警模型并综合预警分析策略对电厂 脱硫脱硝系统进行动态预警分析；综合预警分析策略至少包括残差预警分析和波动值预警分析策略；
其中，残差预警分析包括：在设定的采样时间段内采集电厂脱硫脱硝系统的运行参数值，计算运行参数值与其对应的基准参数值之间的残差值，判断残差值中的最大 值是否超过设定的阈值，若超过，则初步判断电厂脱硫脱硝系统出现异常的预警分析 结果，并通过波动值预警分析策略进行进一步验证；波动值预警分析包括：在预警模型中预设有监测电厂脱硫脱硝系统基准参数值的基准曲线，将其作为参考线，采用均 方差原理计算电厂脱硫脱硝系统在设定的采样时间段内相对于其参考线的波动率，判 断波动率是否超过设定的阈值，若超过，则进一步判断电厂脱硫脱硝系统出现异常的 预警分析结果，并将预警分析结果在预警模型中进行实时展示。
在实际的应用中，在确定与脱硝系统相关性强弱数据之前，还包括对原始数据中的两两数据通过求平均、作差进行转换，生成更具工况特性的数据；以及在确定与脱 硝系统相关性强弱数据滞后，还包括采用特征融合方式对数据进行融合，数据融合方 式包括线性回归的融合、指数融合和基于多层感知机的融合。
需要说明的是，通过数据相关性强弱分析计算可以发现原始数据中相关性强和弱的数据，然而，较低相关系数并不能代表该数据特征与输出量(入口处烟气氮氧化物 浓度)之间没有关系，只能说明该数据特征与输出量的线性相关程度不高，但可能存 在一些非线性关联，可以通过数据融合的方式研究与输出量相关的融合特征。
基于线性回归和多层感知机算法的融合方法，其本质是构建一个基础的预测模型y＝f(x)，将学习到的作为新的融合特征，若映射函数f(·)是线性(如线性回归) 函数，获得融合特征也将是原始特征的线性组合；若映射函数f(·)是非线性(如多层 感知机)函数，获得的融合特征将是原始特征的非线性组合。
除了特征线性融合，还可通过多层感知机去提取原始特征中的非线性关系，并将特征数据输入模型来拟合氮氧化物浓度，进而获得非线性特征融合特征FMLP。其中隐 藏层的节点设置为100个，迭代次数设置为200代，激活函数使用relu函数。对于通 过指数融合的方法来组合特征，其本质和上述两个基于映射拟合的方法不同。
基于指数融合的方法是将原始特征通过指数幂的形式结合在一起形成新的融合特征，如其中，f1,f2,…fk为筛选出来的原始特征，a,b,…,m 是各特征需要确定的参数。通过在一个参数空间中搜索不同的参数组合，获取融合特 征空间。在融合特征空间中计算各指数融合特征与延迟时间相关性系数，相关系数最 大的特征作为最终的融合特征。
本发明通过动态仿真软件依据模块化建模方法对电厂脱硫脱硝各部件进行模型构建后，并依据现场控制策略搭建相应控制系统，建立完整的电厂脱硫脱硝系统仿真 模型，能够真实模拟电厂脱硫脱硝的实际工作场景，且能直观展示和获知电厂脱硫脱 硝的实际运转情况并进行系统参数的调节。
本发明通过在模型开发调试过程中，对实际电厂脱硫脱硝系统采集的物理数据和基于电厂脱硫脱硝仿真模型获取的虚拟数据进行比对，判断误差是否超过阈值，若超 过，则通过聚类学习对误差较大的虚拟数据进行分类，结合对应的历史数据作为输入， 通过神经网络进行误差学习，输出修正系数以修正虚拟数据的误差数据，以及将修正后的虚拟数据和物理数据进行虚实融合生成经过验证的电厂脱硫脱硝仿真模型，能够 通过虚实数据比对和分析后，采用神经网络对误差进行修正，提高电厂脱硫脱硝仿真 模型的精度和准确性，为后续的脱硫脱硝系统进行预测控制做好基础。
本发明通过选取与电厂脱硫强相关的运行参数输入至构建的卷积神经网络模型中对电厂脱硫系统出口处烟气中的二氧化硫浓度进行预测，以及选取与电厂脱硝强相 关的运行参数输入至构建的XGBoost模型中对电厂脱硝系统入口处烟气氮氧化物浓度进行预测；根据二氧化硫浓度预测值对脱硫系统的浆液喷淋量进行控制、根据氮氧 化物浓度预测值对脱硝系统的喷氨量进行控制，能够提高脱硫脱硝系统运行稳定性和 脱硫脱硝的效率，对浆液喷淋量和喷氨量进行有效地预测控制，以及减轻过量喷氨， 提高氨气利用率，降低运行成本。
本发明通过将采集的电厂脱硫系统的历史运行参数作为样本数据，并对该样本数据进行相关性分析，去除与石灰石-石膏湿法脱硫系统出口处烟气中二氧化硫浓度相 关性小于预设值的样本数据，剩余的样本数据作为与脱硫系统强相关的运行数据；以及将采集的电厂脱硝系统的历史运行参数作为样本数据，并采用Pearson相关系数计 算出样本数据与电厂脱硝系统入口处烟气氮氧化物浓度的相关性，根据相关性选出相 关性高的数据组合作为与脱硝系统强相关的运行数据，能够对脱硫脱硝的历史运行参 数进行相关性分析，将相关性较高的数据筛选出来作为模型的输入，降低了数据维度，同时提高系统模型预测的精度，增强了模型鲁棒性与泛化能力，能够处理大规模数据 分类问题，具有准确性高、可扩展性高。
本发明通过在电厂脱硫脱硝系统仿真模型中输入浆液喷淋量控制参数、喷氨量控制参数和电厂脱硫脱硝系统运行的相关配置参数后，获取电厂脱硫脱硝系统的运行参 数值及其对应的基准参数值输入至预设的预警模型中，根据预警模型并综合预警分析 策略对电厂脱硫脱硝系统进行动态预警分析，综合预警分析策略至少包括残差预警分析和波动值预警分析策略，能够对计算的控制参数进行一定程度的验证，并且提前识 别电厂脱硫脱硝系统中运行中的异常预警情况。
在本申请所提供的几个实施例中，应该理解到，所揭露的系统和方法，也可以通过其它的方式实现。以上所描述的系统实施例仅仅是示意性的，例如，附图中的流程 图和框图显示了根据本发明的多个实施例的系统、方法和计算机程序产品的可能实现 的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段或代码的一部分，模块、程序段或代码的一部分包含一个或多个用于实现规定 的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现方式中，方框中所标 注的功能也可以以不同于附图中所标注的顺序发生。例如，两个连续的方框实际上可 以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也 要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合， 可以用执行规定的功能或动作的专用的基于硬件的系统来实现，或者可以用专用硬件 与计算机指令的组合来实现。
另外，在本发明各个实施例中的各功能模块可以集成在一起形成一个独立的部分， 也可以是各个模块单独存在，也可以两个或两个以上模块集成形成一个独立的部分。
功能如果以软件功能模块的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说 对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来， 该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备 (可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(ROM，Read Only Memory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可 以存储程序代码的介质。
Claims (4)
1.一种基于卷积神经网络和XGBoost的烟气脱硫脱硝控制方法，其特征在于其包括如下步骤：
步骤一、通过动态仿真软件依据模块化建模方法对电厂脱硫脱硝各部件进行模型构建，并依据现场控制策略搭建相应控制系统，建立完整的电厂脱硫脱硝系统仿真模型；
步骤二、采集电厂脱硝系统和脱硫系统的历史运行参数，选取与电厂脱硫强相关的运行参数输入至卷积神经网络模型中对电厂脱硫系统出口处烟气中的二氧化硫浓度进行预测，选取与电厂脱硝强相关的运行参数输入至XGBoost模型中对电厂脱硝系统入口处烟气氮氧化物浓度进行预测；
步骤三、根据二氧化硫浓度预测值对脱硫系统的浆液喷淋量进行控制、根据氮氧化物浓度预测值对脱硝系统的喷氨量进行控制；
步骤四、将浆液喷淋量和喷氨量的控制参数下发至电厂脱硫脱硝系统仿真模型中进行验证和预警分析；
步骤二中，对电厂脱硫系统出口处烟气中的二氧化硫浓度进行预测具体包括如下步骤：将采集的电厂脱硫系统的历史运行参数作为样本数据，并对该样本数据进行相关性分析，去除与石灰石-石膏湿法脱硫系统出口处烟气中二氧化硫浓度相关性小于预设值的样本数据，剩余的样本数据作为与脱硫系统强相关的运行数据；所述脱硫系统历史运行参数至少包括入口处的二氧化硫浓度、氮氧化物浓度、机组负荷、石灰石浆液循环泵电流、浆液供给量、吸收塔出口烟气二氧化硫浓度和浆液PH值；
对所述与脱硫系统强相关的运行数据进行数据预处理，并利用预处理后的数据构建卷积神经网络模型；
采集与电厂脱硫相关的实时运行数据并输入构建的卷积神经网络模型中获取电厂脱硫系统出口处烟气中的二氧化硫浓度预测值；
在步骤二中，对与脱硫系统强相关的运行数据进行数据预处理包括如下步骤：
对与脱硫系统强相关的运行数据进行缺失值和异常值的填补以及归一化处理，得到预处理后的脱硫数据序列，记为F＝[f1,f2,f3,…,fn]，fi为与处理后的脱硫数据序列中第i个时刻点的脱硫数据；
对脱硫数据序列F进行小波阈值去噪处理，将带有噪声的含噪数据进行小波分解，获取真实数据信息，记为P＝[p1,p2,p3,…,pm]，pi为与真实脱硫数据序列中第i个时刻点的脱硫数据，并按照预设比例划分为训练集数据和测试集数据；
利用预处理后的训练集数据构建卷积神经网络模型，包括：
将真实脱硫数据序列P中第i时刻点的训练集脱硫数据输入卷积神经网络；
通过卷积神经网络的卷积层对输入的训练集数据进行特征提取，输出特征图；
通过卷积神经网络的池化层对特征图进行降维处理，得到降维处理后的训练矩阵；
将训练矩阵输入预设的分类器，通过分类器输出训练结果f(x)；
计算测试集中的数据平均值y；
计算卷积神经网络的训练结果f(x)相对于数据平均值y的误差L＝(y-f(x))2，若误差小于预设阈值，则结束对卷积神经网络的训练；x为输入卷积神经网络的数据，x、y、f(x)的取值范围均为正数；
其中，在得出输出训练结果时，将卷积神经网络模型内最后一个卷积层输出的卷积结果根据注意力机制并按照时刻进行加权处理，将加权处理后的卷积结果进行全连接映射，得到预测时间第i+1个时刻点的出口处烟气中的二氧化硫浓度预测值；以及在得出输出训练结果时，采用梯度下降算法对所述卷积神经网络中的参数进行优化，表示为：θj′为优化后的参数，θj为优化前的参数，j为参数的标号，α为预设的学习率，L(θj)为参数θj的目标函数；
步骤二中，选取与电厂脱硝强相关的运行参数输入至XGBoost模型中对电厂脱硝系统入口处烟气氮氧化物浓度进行预测具体包括：将采集的电厂脱硝系统的历史运行参数作为样本数据，并采用Pearson相关系数计算出样本数据与电厂脱硝系统入口处烟气氮氧化物浓度的相关性，根据相关性选出相关性高的数据组合作为与脱硝系统强相关的运行数据；脱硝系统历史运行数据至少包括喷氨质量流量、锅炉负荷、SCR入口烟气温度、SCR入口烟气含氧量、SCR入口氮氧化物浓度、SCR脱硝效率；
对与脱硝系统强相关的运行数据进行数据预处理，并利用预处理后的数据构建XGBoost模型；
采集与电厂脱硝相关的实时运行数据并输入构建的XGBoost模型中获取电厂脱硝系统入口处烟气氮氧化物浓度预测值；
其中，选取强相关和极强相关的数据作为与脱硝系统相关性高的数据，计算公式为：
X为输入样本数据特征，Y为入口处氮氧化物浓度，cov(X,Y)表示X,Y的协方差；σX和σY分别是X,Y的标准差，ρ表示两个变量之间的相关系数，取值范围为[-1,1]；当0.8≤ρ<1时，称为极强相关性；当0.6≤ρ<0.8时，称为强相关；当0.4≤ρ<0.6时，称为中等程度相关；当0.2≤ρ<0.4时，称为弱相关；当0.0≤ρ<0.2时，称为极弱相关或不相关；
XGBoost模型构建是采用boosting方法的集成学习算法，基学习器选择CART决策树，应用k个CART函数{f1,f2,…,fk}相加构成集成树模型；模型的目标函数由损失函数和正则项组成，损失函数采用二阶泰勒展开进行逼近；以及对关键参数进行调优操作提高模型预测的准确率，所述关键参数包括树最大深度、子样本、每棵树随机采样的列数占比、最小叶子节点样本权重和和学习率；
其中，模型的构建从根节点开始，根据每个数据特征将训练集数据进行排序，采用贪心法计算每个特征的收益，选择收益最大的特征作为分裂特征，并将训练集数据映射到相应的叶子节点，对生成的叶子节点递归直至达到限制条件，决策树生成过程结束，然后由损失函数的一阶和二阶导数计算得到决策树叶子节点的权值，作为下一棵树的拟合目标，重复递归执行直至满足条件为止，模型建立结束；
通过均方根误差RMSE以及平均绝对百分比误差MAPE对预测的入口处烟气氮氧化物浓度进行正确性评估，计算公式为：
其中，yi为入口处烟气氮氧化物浓度的实际值，为预测入口处烟气氮氧化物浓度的预测值，n为预测样本数，RMSE和MAPE值越小，表示入口处烟气氮氧化物浓度的预测值越接近真实，精度越高。
2.根据权利要求1所述的一种基于卷积神经网络和XGBoost的烟气脱硫脱硝控制方法，其特征在于在步骤一中，电厂脱硫系统选取石灰石-石膏湿法脱硫系统，其至少包括烟气系统、吸收塔系统、石灰石浆液制备系统、石膏浆液脱水系统、废水处理系统和电气系统；电厂脱硝系统选取SCR法烟气脱硝系统，其至少包括烟气系统、SCR反应器系统、声波吹灰系统、液氨的存储和供应系统；
动态仿真软件依据质量守恒、动量守恒和能量守恒方程，在建模过程中根据石灰石-石膏湿法脱硫系统和SCR法烟气脱硝系统的工艺流程，从模型库中选取相应的组件模块并连接起来，输入初始数据，完成电厂脱硫脱硝系统的模型构建；
依据现场控制策略搭建模拟量控制系统、顺序控制系统和逻辑控制系统，并采用基本算法模块进行组态，实现与实际控制系统相同的功能，建立完整的电厂脱硫脱硝系统仿真模型。
3.根据权利要求1所述的一种基于卷积神经网络和XGBoost的烟气脱硫脱硝控制方法，其特征在于电厂脱硫脱硝系统仿真模型还包括：在模型开发调试过程中，对实际电厂脱硫脱硝系统采集的物理数据和基于电厂脱硫脱硝仿真模型获取的虚拟数据进行比对，判断误差是否超过阈值，若超过，则通过聚类学习对误差较大的虚拟数据进行分类，结合对应的历史数据作为输入，通过神经网络进行误差学习，输出修正系数以修正虚拟数据的误差数据，以及将修正后的虚拟数据和物理数据进行虚实融合生成经过验证的电厂脱硫脱硝仿真模型。
4.根据权利要求1所述的一种基于卷积神经网络和XGBoost的烟气脱硫脱硝控制方法，其特征在于步骤四具体包括：
在电厂脱硫脱硝系统仿真模型中输入所述浆液喷淋量控制参数、喷氨量控制参数和电厂脱硫脱硝系统运行的相关配置参数后，获取电厂脱硫脱硝系统的运行参数值及其对应的基准参数值输入至预设的预警模型中，根据预警模型并综合预警分析策略对电厂脱硫脱硝系统进行动态预警分析；综合预警分析策略至少包括残差预警分析和波动值预警分析策略；
其中，所述残差预警分析包括：在设定的采样时间段内采集电厂脱硫脱硝系统的运行参数值，计算运行参数值与其对应的基准参数值之间的残差值，判断残差值中的最大值是否超过设定的阈值，若超过，则初步判断电厂脱硫脱硝系统出现异常的预警分析结果，并通过所述波动值预警分析策略进行进一步验证；所述波动值预警分析包括：在预警模型中预设有监测电厂脱硫脱硝系统基准参数值的基准曲线，将其作为参考线，采用均方差原理计算电厂脱硫脱硝系统在设定的采样时间段内相对于其参考线的波动率，判断波动率是否超过设定的阈值，若超过，则进一步判断电厂脱硫脱硝系统出现异常的预警分析结果，并将预警分析结果在所述预警模型中进行实时展示。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111482610.6A CN114191953B (zh) | 2021-12-07 | 2021-12-07 | 一种基于卷积神经网络和XGBoost的烟气脱硫脱硝控制方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111482610.6A CN114191953B (zh) | 2021-12-07 | 2021-12-07 | 一种基于卷积神经网络和XGBoost的烟气脱硫脱硝控制方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN114191953A CN114191953A (zh) | 2022-03-18 |
| CN114191953B true CN114191953B (zh) | 2024-02-20 |
Family
ID=80650882
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202111482610.6A Active CN114191953B (zh) | 2021-12-07 | 2021-12-07 | 一种基于卷积神经网络和XGBoost的烟气脱硫脱硝控制方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114191953B (zh) |
Families Citing this family (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115097884B (zh) * | 2022-05-26 | 2022-12-30 | 福建省龙氟新材料有限公司 | 用于电子级氢氟酸制备的能源管理控制系统及其控制方法 |
| CN115167321B (zh) * | 2022-08-09 | 2023-11-21 | 绿能碳投(北京)科技有限公司 | 一种电厂静电除尘优化控制方法及系统 |
| CN115453990B (zh) * | 2022-08-31 | 2023-02-17 | 福建天甫电子材料有限公司 | 用于氟化铵生产的生产管理控制系统及其控制方法 |
| CN115576203B (zh) * | 2022-10-19 | 2024-06-11 | 福建龙净环保股份有限公司 | 基于神经网络的嵌入式电除尘智能控制方法和系统 |
| CN116392930B (zh) * | 2023-04-24 | 2023-08-29 | 浙江浙能迈领环境科技有限公司 | 船舶尾气脱硫工艺及其系统 |
| CN116611349B (zh) * | 2023-07-18 | 2023-10-10 | 华东交通大学 | 基于神经网络的滚筒烘丝工艺参数优化方法及系统 |
| CN117436153B (zh) * | 2023-12-15 | 2024-03-08 | 华能济南黄台发电有限公司 | 一种应用于电厂供热的实体特征参数化实现方法 |
| CN117493945B (zh) * | 2023-12-25 | 2024-03-29 | 山东产研青创信息科技有限公司 | 一种基于计算机视觉的烟气分析预警方法以及系统 |
| CN117452829B (zh) * | 2023-12-25 | 2024-02-27 | 北京可视化智能科技股份有限公司 | 一种脱硝智能决策方法、系统、终端及存储介质 |
| CN117969760A (zh) * | 2024-02-01 | 2024-05-03 | 广州邦禾检测技术有限公司 | 一种电池热失控气体的检测方法 |
| CN118263979A (zh) * | 2024-04-01 | 2024-06-28 | 厦门孪盛科技有限公司 | 智慧电厂智能运维系统及方法 |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105629738A (zh) * | 2016-03-24 | 2016-06-01 | 内蒙古瑞特优化科技股份有限公司 | Scr烟气脱硝系统控制方法及设备 |
| CN111611691A (zh) * | 2020-04-21 | 2020-09-01 | 大唐环境产业集团股份有限公司 | 基于多模态模型预测控制脱硫系统多目标优化控制方法 |
| CN111804146A (zh) * | 2020-06-29 | 2020-10-23 | 远光软件股份有限公司 | 一种智能喷氨控制方法以及智能喷氨控制装置 |
| CN112163335A (zh) * | 2020-09-25 | 2021-01-01 | 广东电科院能源技术有限责任公司 | 一种NOx浓度预测模型的训练方法、预测方法和装置 |
| CN112733784A (zh) * | 2021-01-20 | 2021-04-30 | 成都羿层娇网络科技有限公司 | 用于确定脱硫石膏的加料量是否适当的神经网络训练方法 |
| CN112947616A (zh) * | 2021-01-29 | 2021-06-11 | 华能国际电力股份有限公司营口电厂 | 一种基于趋势预判的湿法脱硫pH值智能约束控制方法 |
Family Cites Families (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP7193261B2 (ja) * | 2018-07-13 | 2022-12-20 | 三菱重工業株式会社 | 湿式排煙脱硫装置の制御方法、湿式排煙脱硫装置の制御装置、及びこの湿式排煙脱硫装置の制御装置を備えた遠隔監視システム |
| CN109472406B (zh) * | 2018-11-02 | 2020-08-11 | 浙江大学 | 一种超低排放多污染物协同脱除系统的全局优化方法 |
-
2021
- 2021-12-07 CN CN202111482610.6A patent/CN114191953B/zh active Active
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105629738A (zh) * | 2016-03-24 | 2016-06-01 | 内蒙古瑞特优化科技股份有限公司 | Scr烟气脱硝系统控制方法及设备 |
| CN111611691A (zh) * | 2020-04-21 | 2020-09-01 | 大唐环境产业集团股份有限公司 | 基于多模态模型预测控制脱硫系统多目标优化控制方法 |
| CN111804146A (zh) * | 2020-06-29 | 2020-10-23 | 远光软件股份有限公司 | 一种智能喷氨控制方法以及智能喷氨控制装置 |
| CN112163335A (zh) * | 2020-09-25 | 2021-01-01 | 广东电科院能源技术有限责任公司 | 一种NOx浓度预测模型的训练方法、预测方法和装置 |
| CN112733784A (zh) * | 2021-01-20 | 2021-04-30 | 成都羿层娇网络科技有限公司 | 用于确定脱硫石膏的加料量是否适当的神经网络训练方法 |
| CN112947616A (zh) * | 2021-01-29 | 2021-06-11 | 华能国际电力股份有限公司营口电厂 | 一种基于趋势预判的湿法脱硫pH值智能约束控制方法 |
Non-Patent Citations (2)
| Title |
|---|
| 基于LSTM的催化裂化装置NO_x排放预测模型及应用;何为;唐智和;吴甭;栾辉;张晶晶;陈冲;梁华庆;;西安石油大学学报(自然科学版)(第04期) * |
| 基于VMD与卷积神经网络的脱硫增压风机轴承故障诊断;张娅婷;;内蒙古科技与经济(第10期) * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN114191953A (zh) | 2022-03-18 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN114191953B (zh) | 一种基于卷积神经网络和XGBoost的烟气脱硫脱硝控制方法 | |
| CN114225662B (zh) | 一种基于滞后模型的烟气脱硫脱硝优化控制方法 | |
| CN108549792B (zh) | 一种基于潜结构映射算法的固废焚烧过程二噁英排放浓度软测量方法 | |
| CN109978048B (zh) | 一种脱硫塔浆液循环泵故障分析与诊断方法 | |
| CN102693451A (zh) | 基于多参数的氨法烟气脱硫效率预测方法 | |
| CN113469449B (zh) | 脱硫系统的寻优控制方法及系统 | |
| CN107168065A (zh) | 一种用于选择性催化还原脱硝装置的控制方法及系统 | |
| CN116688754A (zh) | 船舶烟气脱硫自动控制系统及其方法 | |
| Liu et al. | Operation strategy optimization of desulfurization system based on data mining | |
| CN113011660A (zh) | 空气质量预测方法、系统及存储介质 | |
| CN112742187A (zh) | 一种脱硫系统中pH值的控制方法及装置 | |
| CN106991507A (zh) | 一种SCR入口NOx浓度在线预测方法及装置 | |
| CN115034129B (zh) | 一种面向火电厂脱硝装置的NOx排放浓度软测量方法 | |
| Zafari et al. | Modeling and optimization of CO2 capture into mixed MEA-PZ amine solutions using machine learning based on ANN and RSM models | |
| CN112216351A (zh) | 一种脱硫优化方法、装置、电子设备及存储介质 | |
| CN113440990A (zh) | 基于emd-lstm的出口so2浓度预测方法 | |
| CN112365065B (zh) | 一种wfgd自适应在线优化调度方法 | |
| CN116577464A (zh) | 用于大气污染的智能监测系统及其方法 | |
| Yin et al. | Enhancing deep learning for the comprehensive forecast model in flue gas desulfurization systems | |
| CN109933884B (zh) | 一种面向燃煤机组scr脱硝系统神经网络逆控制的方法 | |
| CN116306234B (zh) | 一种燃气轮机的氮氧化物预测排放检测方法及系统 | |
| CN118280472A (zh) | 一种基于雪融优化器的火电机组scr反应器氮氧化物浓度预测方法 | |
| Cruz et al. | Machine learning-based indoor air quality baseline study of the offices and laboratories of the northwest and southwest building of Mapúa University–Manila | |
| CN117829342A (zh) | 基于改进随机森林算法的燃煤电厂氮氧化物排放预测方法 | |
| CN116312869A (zh) | 催化裂化再生烟气氮氧化物预测方法、装置及系统 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |