【技術實現步驟摘要】
本專利技術涉及鍋爐排放預估，具體為基于寬度學習系統和集成學習的鍋爐nox排放預估方法。
技術介紹
1、鍋爐nox(氮氧化物)排放預估是環保領域的一個重要環節，nox作為大氣污染物之一，對環境和人類健康造成了嚴重影響，包括形成光化學煙霧、酸雨等環境問題，以及對人體呼吸系統的危害；因此減少鍋爐nox排放已成為關注的焦點，為了有效控制鍋爐nox排放，企業需要對其排放情況進行準確預估，以便制定科學的減排措施和管理策略；鍋爐nox排放預估不僅有助于企業了解自身的排放狀況，還能為環保部門提供監管依據，推動整個行業向更加環保、可持續的方向發展，方法包括基于歷史數據的統計建模，利用大數據和機器學習算法預測；實時運行數據的在線監測與分析，結合先進算法進行即時預估；以及燃燒過程模擬技術，通過模擬燃燒條件預測nox生成。
2、現有的鍋爐nox排放預估方法存在以下缺陷：一，在利用bls建模時存在bls超參數問題，bls的輸入數據與特征節點、特征節點與增強節點間的權重和偏置是隨機生成的，網絡性能的好壞具有隨機性；且bls在全工況系統建模時，模型的泛化能力較差，難以涵蓋系統的動靜態特性；二，scso存在搜索范圍有局限性，尋優結果往往不是全局最優，迭代后期易陷入局部最優等問題；三，目前，scr脫硝系統的nox濃度測量主要采用連續排放監視系統(continuous?emission?monitoring?system,cems)進行，由于cems是在粉塵較多的煙道中進行采樣和檢測的，這使得在測量nox濃度時會存在實時性問題，煙道輸送、氣體采樣和檢測
技術實現思路
1、本專利技術的目的在于提供基于寬度學習系統和集成學習的鍋爐nox排放預估方法，以解決上述
技術介紹
中提出的問題。
2、為實現上述目的，本專利技術提供如下技術方案：基于寬度學習系統和集成學習的鍋爐nox排放預估方法，包括步驟一，數據處理；步驟二，集成學習預估模型構建；步驟三，實時預估；
3、其中在上述步驟一中，篩選并預處理火電機組歷史站中的scr脫硝系統全工況運行數據，確定模型輸入和輸出，并劃分數據集；
4、其中在上述步驟二中，對訓練集進行工況劃分，進行結合器訓練與模型整合，并進行模型驗證與測試；
5、其中在上述步驟三中，將預處理過的實時數據輸入到已訓練好的預估模型中，獲得nox濃度的實時預估結果。
6、作為本專利技術的進一步技術方案，所述步驟一中，從現場火電機組的歷史站中，篩選scr脫硝系統全工況運行的歷史數據，將數據導出，對其進行濾波、異常值剔除、標準化等預處理工作，根據nox濃度預估需求，確定預估模型的輸出和輸入，即預估變量和輔助變量，將數據集劃分成訓練集、驗證集、測試集。
7、作為本專利技術的進一步技術方案，所述步驟二中，采用自適應gmm兩步聚類法對訓練集數據進行工況劃分，并得到工況判別器，根據工況劃分后的數據集，逐一訓練基于qscso-bls的個體學習器，以工況隸屬度和個體學習器輸出作為結合器輸入，訓練結合器參數，整合個體學習器和結合器，得到預估模型，采用驗證集對預估模型性能進行驗證，采用測試集測試預估模型性能。
8、作為本專利技術的進一步技術方案，所述步驟二中，個體學習器采用qscso-bls模型構建，每個工況對應一個個體學習器，在進行訓練個體學習器時，首先采用自適應gmm兩步聚類法對歷史運行數據進行聚類，聚類后的結果為各歷史數據所隸屬的類別標簽、隸屬度和工況數量，其中類型標簽即不同的工況，之后將相同工況下的數據輸入到qscso-bls模型訓練器中進行訓練，得到此工況下的個體學習器，工況判別器則是采用聚類后得到的聚類模型，輸入為實時運行數據，輸出為與之對應的各工況隸屬度，結合器的輸入為每個qscso-bls個體學習器的輸出以及工況隸屬度輸出為模型預估結果：
9、
10、式中f為結合器模型，通常采用參數回歸模型，如神經網絡、極限學習機等。
11、作為本專利技術的進一步技術方案，所述步驟二中，為克服scso種群個體全局搜索的局限性，易陷入局部最優等問題，提高算法收斂精度和尋優效率，將lévy飛行策略、量子策略與scso結合，提出了一種混合量子沙丘貓群算法(qscso)，其具體改進為加入lévy飛行策略改進scso在攻擊階段的位置更新公式，在優化算法中lévy飛行策略的種群個體位置更新公式如下：
12、
13、式中分別為沙丘貓個體的當前位置、更新后的沙丘貓個體位置，表示對點相乘，沙丘貓種群個體位置更新尋優能力主要受參數聽覺靈敏度r的影響，r是以聽覺靈敏度范圍rg為基礎隨機得到的，而rg隨著迭代過程由sm線性降到0，其步長變化率不變，導致隨機性小，易陷入局部最優，故針對攻擊階段，采用lévy飛行策略增加隨機性，擴大搜索范圍，改進后的攻擊階段公式如下：
14、
15、式中u(d)為lévy飛行策略的隨機游走步長，常數c∈[0,1]用于平衡隨機游走步長，確保不會因為游走步長太大，影響沙丘貓攻擊獵物的行為。
16、作為本專利技術的進一步技術方案，所述步驟二中，采用量子策略改進scso，使沙丘貓的狩獵行為具有量子概率意義，由于在量子空間內粒子的位置是任意的，所以當沙丘貓的狩獵行為具有量子概率意義后，其狩獵軌跡和移動速度便具有了不確定性，可以像粒子一樣在量子空間的任何位置均可以出現，以此將整個可行解空間作為搜索范圍，克服scso全局搜索的局限性，使用monte?carlo方法得出迭代過程中沙丘貓個體的位置更新公式如下：
17、
18、式中i為沙丘貓的序號，為更新后的沙丘貓個體位置，ui為區間[0,1]上的隨機數，pi(t)為粒子在量子空間的勢阱(最優位置)，li(t)為粒子的勢阱特征長度(約束粒子的搜索范圍)，pi(t)和li(t)的計算公式如下：
19、
20、式中和分別為整個種群的最優沙丘貓位置、第i只沙丘貓個體當前的最優位置；α和γ為區間[0,1]上的隨機數；mb為整個沙丘貓種群最優位置的聚合中心點，其計算公式如下：
21、
22、式中n為種群中所以沙丘貓個體的數量，綜上采用量子策略改進后的沙丘貓個體位置更新公式為：
23、
24、同時，為避免算法迭代后期，量子策略會造成種群性降低的問題，在式中引入衰減因子λ進行改進，最終得到采用量子策略改進后的沙丘貓個體位置更新公式為：
25、
26、式中，fbest(t)為當前迭代次數下全局最優適應度。
27、作為本專利技術的進一步技術方案，所述步驟二中，使用貪婪算法改進scso，提高算法的求解效率，scso在每次迭代完成后，使用貪婪算法將沙丘貓種群依據適應度劃分為三個部分，進行一次變異操作，若變異后的沙丘貓個體本文檔來自技高網...
【技術保護點】
1.基于寬度學習系統和集成學習的鍋爐NOx排放預估方法，包括步驟一，數據處理；步驟二，集成學習預估模型構建；步驟三，實時預估；其特征在于：
2.根據權利要求1所述的基于寬度學習系統和集成學習的鍋爐NOx排放預估方法，其特征在于：所述步驟一中，從現場火電機組的歷史站中，篩選SCR脫硝系統全工況運行的歷史數據，將數據導出，對其進行濾波、異常值剔除、標準化等預處理工作，根據NOx濃度預估需求，確定預估模型的輸出和輸入，即預估變量和輔助變量，將數據集劃分成訓練集、驗證集、測試集。
3.根據權利要求1所述的基于寬度學習系統和集成學習的鍋爐NOx排放預估方法，其特征在于：所述步驟二中，采用自適應GMM兩步聚類法對訓練集數據進行工況劃分，并得到工況判別器，根據工況劃分后的數據集，逐一訓練基于QSCSO-BLS的個體學習器，以工況隸屬度和個體學習器輸出作為結合器輸入，訓練結合器參數，整合個體學習器和結合器，得到預估模型，采用驗證集對預估模型性能進行驗證，采用測試集測試預估模型性能。
4.根據權利要求3所述的基于寬度學習系統和集成學習的鍋爐NOx排放預估方法，其
5.根據權利要求3所述的基于寬度學習系統和集成學習的鍋爐NOx排放預估方法，其特征在于：所述步驟二中，為克服SCSO種群個體全局搜索的局限性，易陷入局部最優等問題，提高算法收斂精度和尋優效率，將Lévy飛行策略、量子策略與SCSO結合，提出了一種混合量子沙丘貓群算法(QSCSO)，其具體改進為加入Lévy飛行策略改進SCSO在攻擊階段的位置更新公式，在優化算法中Lévy飛行策略的種群個體位置更新公式如下：
6.根據權利要求5所述的基于寬度學習系統和集成學習的鍋爐NOx排放預估方法，其特征在于：所述步驟二中，采用量子策略改進SCSO，使沙丘貓的狩獵行為具有量子概率意義，由于在量子空間內粒子的位置是任意的，所以當沙丘貓的狩獵行為具有量子概率意義后，其狩獵軌跡和移動速度便具有了不確定性，可以像粒子一樣在量子空間的任何位置均可以出現，以此將整個可行解空間作為搜索范圍，克服SCSO全局搜索的局限性，使用MonteCarlo方法得出迭代過程中沙丘貓個體的位置更新公式如下：
7.根據權利要求6所述的基于寬度學習系統和集成學習的鍋爐NOx排放預估方法，其特征在于：所述步驟二中，使用貪婪算法改進SCSO，提高算法的求解效率，SCSO在每次迭代完成后，使用貪婪算法將沙丘貓種群依據適應度劃分為三個部分，進行一次變異操作，若變異后的沙丘貓個體比變異前更優，則再進行一次位置更新，否則維持原沙丘貓個體位置不變，首先計算第t次迭代時沙丘貓種群的平均適應度：
8.根據權利要求3所述的基于寬度學習系統和集成學習的鍋爐NOx排放預估方法，其特征在于：所述步驟二中，QSCSO流程圖如下圖所示，具體步驟如下：(1)初始化沙丘貓種群參數(沙丘貓數量、SM、變量維度d、最大迭代次數iterMax、可行解的上下限ub和lb)；(2)計算每只沙丘貓的適應度fi(t)，并對fi(t)進行排序找出最優沙丘貓個體的位置及其最優適應度fbest(t)；(3)計算每只沙丘貓的聽覺靈敏度r和平衡參數R；(4)每只沙丘貓依據R的大小選擇相應狩獵行為進行位置更新，若|R|≤1，選擇攻擊行為，按照改進后的攻擊階段公式更新位置；若|R|＞1，選擇搜索行為更新位置；(5)更新每只沙丘貓個體的適應度fi(t)，并對fi(t)進行排序找出最優沙丘貓個體的位置及其最優適應度fbest(t)，根據迭代時沙丘貓種群的平均適應度公式計算沙丘貓種群的平均適應度favg(t)。
9.根據權利要求1所述的基于寬度學習系統和集成學習的鍋爐NOx排放預估方法，其特征在于：所述步驟二中，(6)遍歷沙丘貓種群，對沙丘貓個體進行變異操作，對于fi(t)≥favg(t)的沙丘貓，采用量子策略改進后的沙丘貓個體位置更新公式對當前個體進行變異；對于fi(t)＝fbest(t)的沙丘貓，采用優化算法中Lévy飛行策略的種群個體位置更新公式對當前個體進行變異；對于fi(t)...
【技術特征摘要】
1.基于寬度學習系統和集成學習的鍋爐nox排放預估方法，包括步驟一，數據處理；步驟二，集成學習預估模型構建；步驟三，實時預估；其特征在于：
2.根據權利要求1所述的基于寬度學習系統和集成學習的鍋爐nox排放預估方法，其特征在于：所述步驟一中，從現場火電機組的歷史站中，篩選scr脫硝系統全工況運行的歷史數據，將數據導出，對其進行濾波、異常值剔除、標準化等預處理工作，根據nox濃度預估需求，確定預估模型的輸出和輸入，即預估變量和輔助變量，將數據集劃分成訓練集、驗證集、測試集。
3.根據權利要求1所述的基于寬度學習系統和集成學習的鍋爐nox排放預估方法，其特征在于：所述步驟二中，采用自適應gmm兩步聚類法對訓練集數據進行工況劃分，并得到工況判別器，根據工況劃分后的數據集，逐一訓練基于qscso-bls的個體學習器，以工況隸屬度和個體學習器輸出作為結合器輸入，訓練結合器參數，整合個體學習器和結合器，得到預估模型，采用驗證集對預估模型性能進行驗證，采用測試集測試預估模型性能。
4.根據權利要求3所述的基于寬度學習系統和集成學習的鍋爐nox排放預估方法，其特征在于：所述步驟二中，個體學習器采用qscso-bls模型構建，每個工況對應一個個體學習器，在進行訓練個體學習器時，首先采用自適應gmm兩步聚類法對歷史運行數據進行聚類，聚類后的結果為各歷史數據所隸屬的類別標簽、隸屬度和工況數量，其中類型標簽即不同的工況，之后將相同工況下的數據輸入到qscso-bls模型訓練器中進行訓練，得到此工況下的個體學習器，工況判別器則是采用聚類后得到的聚類模型，輸入為實時運行數據，輸出為與之對應的各工況隸屬度，結合器的輸入為每個qscso-bls個體學習器的輸出以及工況隸屬度輸出為模型預估結果：
5.根據權利要求3所述的基于寬度學習系統和集成學習的鍋爐nox排放預估方法，其特征在于：所述步驟二中，為克服scso種群個體全局搜索的局限性，易陷入局部最優等問題，提高算法收斂精度和尋優效率，將lévy飛行策略、量子策略與scso結合，提出了一種混合量子沙丘貓群算法(qscso)，其具體改進為加入lévy飛行策略改進scso在攻擊階段的位置更新公式，在優化算法中lévy飛行策略的種群個體位置更新公式如下：
6.根據權利要求5所述的基于寬度學習系統和集成學習的鍋爐nox排放預估方法，其特征在于：所述步驟二中，采用量子策略改進scso，使沙丘貓的狩獵行為具有量子概率意義，由于在量子空間內粒子的位置是任意的，所以當沙丘貓的狩獵行為具有量子概率意義后，其狩獵軌跡和移動速度便具有了不確定性，可以像粒子一樣在量子空間的任何位置均可以出現，以此將整個可行解空間作為搜索范圍，克服...
【專利技術屬性】
技術研發人員：楊振勇，邢智煒，劉磊，康靜秋，
申請(專利權)人：華北電力科學研究院有限責任公司，
類型：發明
國別省市：
還沒有人留言評論。發表了對其他瀏覽者有用的留言會獲得科技券。