[发明专利]基于无迹卡尔曼滤波最小二乘支持向量机的NOx排放浓度预测方法

说明书

本发明公开了一种基于无迹卡尔曼滤波最小二乘支持向量机的燃煤机组NOx排放浓度预测方法。通过对现场数据和理论的分析，确定脱硝系统动态模型的输入和输出变量，通过离线计算脱硝系统动态模型参数，完成当前时刻NOx排放浓度预测，采用无迹卡尔曼滤波不断更新核参数值σ和模型参数α，b，对支持向量样本进行更新，进行下一时刻NOx排放浓度的预测。本发明提出的方法对NOx排放浓度进行准确预测，不但有利于进一步提高选择性催化还原脱硝控制系统的调节品质，而且可以用来判断现场数据是否真实准确，为环保部门的监管执法提供依据。

技术领域

本发明属于火电环保监测技术领域，具体涉及一种基于无迹卡尔曼滤波最小二乘支持向量机(Unscented Kalman Filter–Least Squares Support Vector Machine，UKF-LSSVM)的NOx(氮氧化物)排放浓度预测方法。

背景技术

随着节能减排政策的大力推行，氮氧化物的排放愈来愈受到环保部门的重视。电站燃煤锅炉是环境中氮氧化物的重要来源之一，目前火电厂中所广泛使用的是选择性催化还原(Selective Catalyst Reduction,SCR)脱硝技术。但是由于脱硝系统内部复杂，且各参数变量间耦合关联严重，建立相应的物理模型存在很大困难。随着分布式控制系统的广泛应用，大量机组和辅机设备与运行状态相关的运行参数都被记录下来，而且随着各种人工智能和先进算法的发展和在工业上的成功应用，对于脱硝系统的系统数据建模研究得到了发展。

现在对于燃煤机组排放NOx排放浓度预测建模的工作相对较少，利用机组相关运行参数，对燃煤机组排放NOx排放浓度进行精确预测，可以用来判断现场采集数据是否真实准确，为环保部门的监管执法提供依据，同时，与预测控制等先进控制策略相结合，还可以大幅度提高SCR控制系统的调节品质，减少氨逃逸，因而具有重要的理论意义和实用价值。在线最小二乘支持向量机算法与离线最小二乘支持向量机算法相比，模型能够根据对象特性的改变及时更新，具有自适应性，但是其中的参数σ需要提前设定，且对最小二乘支持向量机的预测性能有较大影响。

发明内容

本发明所要解决的技术问题是针对上述现有技术的不足，提供一种基于无迹卡尔曼滤波最小二乘支持向量机的NOx排放浓度预测方法。

为实现上述技术目的，本发明采取的技术方案为：

基于无迹卡尔曼滤波最小二乘支持向量机的NOx排放浓度预测方法，包括以下步骤：

S1：选择燃煤机组排放NOx浓度作为预测输出，确定与该浓度相关的状态参数作为模型的输入变量；

S2：以相同频率采样，采用改进观测量变化率方法和上下限归一方法分别对原始数据进行粗大误差的去除和归一化处理；

S3：根据动态模型输入输出结构，选择初始样本数据，基于最小二乘支持向量机方法离线计算脱硝系统动态模型的初始参数α、b和σ，同时得出模型预测函数；

S4：根据模型预测函数，由前一时刻输入计算当前时刻的模型预测值，并且计算模型预测误差；

S5：判断误差是否超过允许的最大误差，若未超过误差阈值，则动态模型不校正，模型参数不变，回到步骤S4继续计算下一时刻的模型预测值；若超过误差阈值，则通过无迹变换更新模型参数σ，α和b，同时更新训练样本数据，回到步骤S4继续计算下一时刻的模型预测值。

上述的步骤S1中采用皮尔逊相关系数r衡量变量的相关性：

式中，x_i为燃煤机组排放NOx浓度的第i次采样值，y_i为与NOx浓度相关的状态参数的第i次采样值，N为采样总数，分别是两组变量的平均值；r的值越大表示两个变量的相关性越大，设定相关性阈值r₀，选择r值超过r₀的状态参数作为输入变量。