[发明专利]一种燃煤锅炉NOx排放在线测量方法

说明书

本发明基于深度信念网络和偏最小二乘支持向量机建立NOx在线测量计算模型。本发明中的DBN网络由两层受限玻尔兹曼机堆叠而成，每一个RBM包含一个可视层v和一个隐含层h，每层单元之间无连接，层与层之间全连接；利用DBN网络模型提取样本数据集的深层特征对进行训练，通过最小化回归器输出与NOx真实值之间的误差完成预测模型的建立；将DBN‑LSSVM模型打包发布为动态链接库，编写接口程序实时获取锅炉侧输入参数，在数据库中调用动态链接库，计算结果输出至监测系统，实时在线测量NOx排放值。本发明所提供的NO_X在线软测量方法无需增加额外的测量装置，投入成本低、运行可靠性高，单次测量时间为0.05s，实时性好。

技术领域

本发明属于电力领域，提供一种关于锅炉燃煤污染物NO_X实时在线测量技术。

背景技术

电站锅炉燃煤是大气污染物NO_X的主要来源之一，排入大气的NO_X会引起酸雨和光化学烟雾污染，破坏臭氧层，威胁生态环境，损害人类健康。火电厂大气污染物排放标准(GB13223-2011)要求燃煤电厂NOx排放控制在100mg/m³以下，超低排放要求控制在50mg/m³以下。随着燃煤电厂污染物排放限值的日益降低，烟气污染物在线监测技术需要不断提高，以实时准确监测污染物排放。

电厂NO_X测量装置主要有两大类：一类是以硬件为基础的各类烟气测量仪，目前这类测量仪多利用电化学原理、红外、微波等技术对烟气中的NOX直接测量，如烟气分析仪等。然而这类装置投入成本高，需定期维护或更换，且大量的飞灰容易附着沉积在烟气测量仪表面，严重影响测量的可靠性。另一类是基于样本数据集的机器学习方法建立测量模型的软测量系统，其从机理出发将影响NOX生成量的锅炉侧相关输入参数为模型输入，模型输出为NOX生成量。这类测量系统脱离了传感器等硬件设备，具有投入成本低的优点。如华北电力大学的吕友等以现场热态试验12个工况为基础，建立了基于PLS特征提取和LS-SVM的NO_X在线测量模型；李新利等基于炉膛内火焰自由基成像和极限学习机进行NO_X排放预测建模，还有许多类似的基于浅层学习的NO_X建模测量方法。但它们存在以下缺点：(1)样本数据量有限且获取费时费力。通过若干现场试验只能获取有限的样本数据，难以满足机器学习建模对样本量的需求，建模过程中越多的样本数据意味着精度越高的模型；(2)这类方法采用了大量的经验公式和经验值，经验公式所包含的参量是有限的，但燃烧过程是复杂多变、非线性的，从而使得计算值与实际值往往偏差较大。(3)目前已有的NO_X建模方法均为浅层机器学习方法。浅层学习算法难以获取数据的深层特征，使得这类测量装置在测量精度上仍有一定的不足。

发明内容

针对上述技术问题，本发明的目的在于提供一种燃煤锅炉NOx排放在线测量方法，其具有训练样本数据容量大、工况丰富，模型适应度完整的特点，能够提取原始数据的深层表达，提高NO_X在线测量精度。

为实现上述目的，本发明所采取的技术方案是：提供一种燃煤锅炉NOX排放在线测量方法；其以深度信念网络(Deep Belief Network,DBN)和偏最小二乘支持向量机(leastsquares support veotor machine,LSSVM)为基础，建立NOx在线测量计算模型。建立基于测试数据、由测试数据、仿真优化数据和DCS数据组成的多工况样板数据集，实现对燃煤锅炉NOx排放在线测量，具体步骤如下：

(1)利用样本训练集对DBN神经网络模型进行训练，训练过程如下：

①初始化可见层单元的初始状态v₁＝x_t(t＝1,2,…N),随机初始化连接权重w_i,j，隐含层单元偏置b_j，可见层单元偏置a_i，设定各层RBM最大训练迭代次数；