一种锅炉nox浓度预测与智能控制方法及系统-j9九游会真人

一种锅炉nox浓度预测与智能控制方法及系统
技术领域
1.本发明属于锅炉燃烧优化控制技术领域，具体涉及一种锅炉nox浓度预测与智能控制方法及系统。


背景技术：

2.在工业生产和能源利用过程中，锅炉广泛应用于蒸汽发生、热水供应等领域。然而，锅炉燃烧过程中会产生一些有害气体，其中包括nox，这对环境和人类健康都具有重要影响，准确预测和控制锅炉nox排放浓度已经成为一个重要的研究内容。
3.锅炉燃烧是一个典型的多输入、大滞后、非线性与强耦合的系统，在锅炉燃烧过程中，影响锅炉排放的nox浓度受到机组负荷、配风方式等多种因素影响，各因素之间存在着复杂的耦合关系，难以通过传统的机理模型进行计算；随着大量生产数据的积累和数据驱动技术的发展，神经网络、深度学习等数据驱动算法在非线性工业过程建模问题中取得了良好的应用效果。目前已有许多nox浓度预测模型，常用的预测模型有lssvm、elm、dbn等，但传统做法大都忽略了锅炉运行参数和环境因素之间的复杂关系，使得预测精度有限。
4.常规pid控制无法适应锅炉运行参数和环境条件的动态变化，导致对锅炉输出nox浓度控制控制效果不佳；当前需要采用控制性能更好pid算法实现对nox浓度设定曲线的跟踪控制。


技术实现要素：

5.发明目的：针对现有技术存在的问题，本发明提供一种锅炉nox浓度预测与智能控制方法及系统，实现了锅炉燃烧出口nox浓度的精准预测和智能控制。
6.技术方案：本发明提出一种锅炉nox浓度预测与智能控制方法，具体包括以下步骤：
7.(1)预先获取锅炉排放的历史nox浓度数据和辅助变量数据；
8.(2)使用拉依达准则对步骤(1)获取的数据进行数据清洗；
9.(3)利用最大信息系数mic筛选与nox排放浓度相关性较强的辅助变量；将筛选后的辅助变量和nox浓度变量作为输入数据，并划分为训练集、验证集测试集；
10.(4)建立基于fcgru-cnn的nox预测模型，先将步骤(3)得到的训练集和验证集输入到预测模型中进行训练，最后使用测试集对锅炉的nox浓度进行预测；
11.(5)利用改进后的人工蜂鸟算法iaha优化基于fcgru-cnn的nox预测模型的超参数，得到与实测值相比误差最小的nox浓度预测值；所述iaha是在原aha算法基础上采用bernoulli映射初始化策略代替其原来的初始化方法，引入高斯随机游走策略代替原aha算法中迁徙觅食位置更新方式，通过对整个种群中的所有个体进行扰动，使其跳出局部最优；
12.(6)计算步骤(5)iaha算法优化后得到的nox浓度预测值与设定值的偏差和nox浓度实测值与设定值的偏差，利用权重因子进行加权组合，采用偏差组合专家控制器在线调整pid控制器系数，并控制进风阀、燃烧调节阀和返料阀的开度，实现对锅炉输出nox浓度的
智能控制。
13.进一步地，步骤(1)所述的辅助变量数据包括媒质特性、送风量、含氧量、低位热值、机组负荷、送风温度与排烟温度。
14.进一步地，所述步骤(2)实现过程如下：
15.计算标准差σ：
[0016][0017]
式中，n是观测总次数，ε为第ε次观测次数，λ是观测值；
[0018]
定义拉依达准则判别依据：
[0019][0020]
式中，rn是残差，是观测估计值；若残差大于3σ，应予舍弃；若残差小于或等于3σ，则予以保留。
[0021]
进一步地，所述步骤(3)实现过程如下：
[0022]
(31)构建辅助变量样本集；计算输出变量nox浓度y与待选辅助变量x的最大信息系数mic(x；y)；
[0023][0024]
式中，b为构建m
×
n网格数量的最大上限，f(x,y)为联合概率密度函数；
[0025]
(32)求得mic值最大时的待选辅助变量xa；定义评价函数：
[0026][0027]
式中：i(y；xa)表示输出变量nox浓度y与待选辅助变量xa的相关程度；mic(y,xa)为输出变量nox浓度y与待选辅助变量xa的最大信息系数；mic(xa,xb)为待选辅助变量xa与已选辅助变量xb之间的最大信息系数；n为筛选出的辅助变量样本集；
[0028]
(33)定义相关性判别关系式为：
[0029][0030]
式中，η为相关性的阈值；i(y；xa)小于ηi(y；y)时，表明待选辅助变量xa与输出变量y不相关；
[0031]
通过在待选辅助变量样本集中去除mic值最大的待选辅助变量xa，用上述相关性判别关系式判别剩余待选辅助变量x与输出变量nox浓度y的相关性；
[0032]
(34)当剩余待选辅助变量均与输出变量nox浓度y不相关时，输出待选辅助变量样本集；最终筛选出媒质特性、送风量、含氧量和机组负荷与输出变量nox浓度相关性较强的辅助变量。
[0033]
进一步地，步骤(4)所述的建立fcgru-cnn的nox预测模型的过程如下：
[0034]
(41)建立fcgru层提取输入数据间的局部和全局信息；
[0035]
先将ik和通过全连接层转化为嵌入和再把和放入带有全连接的gru中生成局部隐藏状态该过程表示为：
[0036][0037]
其中，ik为k时刻输入，为上一时刻隐藏状态，g为局部参数，fc为全连接层；
[0038]
通过全连接层整合hk和生成全局的隐藏状态
[0039][0040]
其中，表示特征拼接操作，hk为候选隐藏状态；包含的nox浓度局部和全局信息；
[0041]
(42)通过cnn提取fcgru层输出数据的时空特征；
[0042]
利用卷积层进行卷积运算：
[0043][0044]
其中，f
ρ,θ
为卷积得到的时空特征图第ρ行第θ列的特征值，ψ为通道数，w0和δ0分别为卷积核的宽度和高度，表示时空类图第个通道下第ρ行第θ列特征值随卷积核的移动，其中s代表卷积核滑动步长，w和δ表示卷积核的当前位置；为第个通道下卷积核第w行第δ列的权重；表示第个通道下的偏置，f(
·
)是非线性激活函数relu；
[0045]
(43)平均池化运算avgpooling：
[0046][0047]
其中，ο
ρ,θ
为平均池化后输出的nox浓度时空特征图第ρ行第θ列的特征值；表示滤波器窗口的大小；f
(i
·
s m),(j
·
s n)
表示特征图第ρ行第θ列特征值随池化核的移动；m和n为池化核当前位置，s为移动步长；
[0048]
(45)通过全连接层输出nox浓度预测结果。
[0049]
进一步地，步骤(5)所述的利用改进后的人工蜂鸟算法iaha优化基于fcgru-cnn的nox预测模型的超参数过程如下：
[0050]
(51)设置iaha算法的种群大小和迭代次数，以及搜索空间的上下限；初始化访问表；
[0051]
(52)对原aha算法的种群初始化做出改进，利用bernoulli映射初始化aha算法的种群；
[0052][0053]
其中，β是映射参数，β∈(0,1)，z
γ 1
为γ 1个种群的位置；
[0054]
(53)定义目标函数为nox浓度预测值和实际值的偏差，通过目标函数计算种群的适应度值；
[0055]
(54)定义三种飞行技能，包括全向、对角和轴向飞行；
[0056]
(55)蜂鸟的位置更新；通过不同位置更新方法搜寻fcgru-cnn模型最优超参数，使得nox浓度预测值和实际值的偏差值降低；
[0057]
(56)通过算法迭代不断更新当前解，并同步更新全局最优解；
[0058]
(57)通过给定的最大迭代次数判断是否达到算法终止条件，最终在最大迭代次数内输出fcgru-cnn预测模型的最优超参数。
[0059]
进一步地，步骤(6)所述的对锅炉输出nox浓度的智能控制的过程如下：
[0060]
计算nox浓度预测值与设定值的偏差e2和nox浓度测量值与设定值的偏差e1；
[0061][0062]
其中，c为nox浓度测量值，c0为nox浓度设定值，为nox浓度预测值；
[0063]
利用权重因子对偏差进行加权组合；
[0064]
e＝αe1 (1-α)e2ꢀꢀ
(15)
[0065]
其中，α为权重因子；
[0066]
利用偏差组合专家控制器在线调整pid控制器系数；通过当前nox浓度的组合偏差及偏差变化率，得到pid参数的增量系数，对pid参数进行在线整定，最后根据nox浓度的组合偏差和偏差变化率，得到不同状态下的控制量，在线调整pid控制器比例、积分和微分系数；
[0067]
利用pid控制进风阀、燃烧调节阀和返料阀的开度，调节锅炉燃烧的空气量、燃料供应量和还原剂量，使系统nox浓度输出值接近预期设定值，实现对锅炉输出nox浓度的智能控制。
[0068]
进一步地，步骤(5)所述的超参数包括学习率、隐藏层数和隐藏层节点数。
[0069]
进一步地，所述步骤(55)实现过程如下：
[0070]
(551)蜂鸟的引导觅食行为位置更新方式；
[0071][0072]
其中，γi(t 1)是在第t 1次迭代时第i个食物源的位置；γ
j,tar
(t)是第j只蜂鸟计划访问的目标食物源的位置；a为服从标准正态分布的引导觅食因子，d为方向向量；
[0073]
(552)蜂鸟的区域性觅食行为位置更新方式；
[0074][0075]
其中，b为服从标准正态分布的区域性觅食因子；
[0076]
(553)引入高斯随机游走策略代替原aha算法中迁徙觅食行为位置更新方式；通过对整个种群中的所有个体进行扰动，使其跳出局部最优；
[0077][0078]
其中，表示的是在第t次迭代中，个体j经过扰动后的位置；r1和r2是0～1之间的均匀分布的随机数；为第t代种群中的最优个体，τ表示步长。
[0079]
基于相同的发明构思，本发明还提供一种锅炉nox浓度预测与智能控制系统，包括单元设备层、嵌入式控制层和决策应用层；
[0080]
所述单元设备层包括nox浓度传感器、质量传感器和温湿度传感器以及进风阀、燃烧调节阀和返料阀；各传感器采集数据信号，通过modbus通讯协议实现与嵌入式控制层的通信；
[0081]
所述嵌入式控制层包括数据存储模块、数据清洗挖掘融合模块、智能算法模块、深度学习模型预测模块、智能控制模块；数据存储模块和数据清洗挖掘融合模块先对采集到的数据进行存储、清洗、融合，然后通过深度学习模型预测模块得出nox浓度的预测值；智能算法模块优化模型超参数，最后通过智能控制模块发出控制指令控制进风阀、燃烧调节阀和返料阀的开度，调节锅炉燃烧的空气量、燃料供应量和还原剂量，使系统nox浓度输出值接近预期设定值，实现对锅炉输出nox浓度的智能控制；
[0082]
所述的决策应用层通过5g或wifi实现与嵌入式控制层的双向通信，包括可视化系统、预测报警系统、控制服务器；可视化系统对nox浓度的预测和控制结果数据可视化实时显示，并通过预测报警系统做出风险评估，执行相应的预警方案；控制服务器对服务器上的资源进行有效的管理和分配，能实时监测服务器的运行状况、网络连接、负载情况以及故障的排除和恢复。
[0083]
有益效果：与现有技术相比，本发明的有益效果：
[0084]
1、本发明提出fcgru-cnn的nox预测模型，先通过fcgru层提取输入数据间的局部和全局信息，再利用cnn提取fcgru层输出数据的时空特征，最后通过全连接层输出nox浓度预测结果；相比于传统的nox浓度预测模型，能提高锅炉nox浓度的预测精度；
[0085]
2、本发明提出一种融合多种改进策略的人工蜂鸟算法，采用bernoulli映射初始化策略，bernoulli映射的遍历均匀性和收敛速度适合作为种群初始化，能获得比随机数更好的寻优效果；引入的高斯随机游走策略能对整个种群中的所有个体进行扰动，使其跳出局部最优；使用改进后的人工蜂鸟算法iaha优化fcgru-cnn预测模型的学习率、隐藏层数和隐藏层节点数，能防止过拟合，提升模型的泛化能力；
[0086]
3、本发明提出采用偏差组合专家控制器控制nox浓度，相比于普通pid控制器具有自适应调整的能力，可以根据实时的偏差情况动态调整控制器的系数；通过控制进风阀、燃烧调节阀和返料阀的开度，调节锅炉燃烧的空气量、燃料供应量和还原剂量，使系统nox浓度输出值接近预期设定值，实现对锅炉输出nox浓度的快速性、稳定性、高精度控制。
附图说明
[0087]
图1是iaha算法优化基于fcgru-cnn的nox预测模型流程图；
[0088]
图2是锅炉nox浓度控制图；
[0089]
图3是锅炉nox浓度预测与智能控制系统示意图。
具体实施方式
[0090]
下面结合附图对本发明作进一步详细说明。
[0091]
本发明提出了一种锅炉nox浓度预测与智能控制方法，具体包括以下步骤：
[0092]
步骤1：获取锅炉排放的历史nox浓度数据和辅助变量数据。
[0093]
辅助变量数据包括媒质特性、送风量、含氧量、低位热值、机组负荷、送风温度与排烟温度。
[0094]
步骤2：使用拉依达准则对步骤1获取的数据进行数据清洗；具体步骤如下：
[0095]
计算标准差σ：
[0096][0097]
式中，n是观测总次数，ε为第ε次观测次数，λ是观测值。
[0098]
定义拉依达准则判别依据：
[0099][0100]
式中，rn是残差，是观测估计值；若残差大于3σ，应予舍弃；若残差小于或等于3σ，则予以保留。
[0101]
步骤3：利用最大信息系数mic筛选与nox排放浓度相关性较强的辅助变量；将筛选后的辅助变量和nox浓度变量作为输入数据，并按照6：2：2划分为训练集、验证集和测试集，具体步骤如下：
[0102]
(3.1)nox浓度与许多辅助变量有关，如果输入辅助变量过多，会造成数据冗余而影响预测精度，需要对辅助变量进行筛选。
[0103]
构建辅助变量样本集；计算输出变量nox浓度y与待选辅助变量x的最大信息系数mic(x；y)；
[0104][0105]
其中，b为构建m
×
n网格数量的最大上限，f(x,y)为联合概率密度函数；
[0106]
(3.2)求得mic值最大时的待选辅助变量xa，即为特征选择后的输入变量；定义评价函数：
[0107][0108]
其中，i(y；xa)表示输出变量nox浓度y与待选辅助变量xa的相关程度；mic(y,xa)为输出变量nox浓度y与待选辅助变量xa的最大信息系数；mic(xa,xb)为待选辅助变量xa与已选辅助变量xb之间的最大信息系数；n为筛选出的辅助变量样本集。
[0109]
(3.3)定义相关性判别关系式为：
[0110][0111]
式中，η为相关性的阈值；i(y；xa)小于ηi(y；y)时，表明待选辅助变量xa与输出变量y不相关；
[0112]
通过在待选辅助变量样本集中去除mic值最大的待选辅助变量xa，用上述相关性判别关系式判别剩余待选辅助变量x与输出变量nox浓度y的相关性。
[0113]
(3.4)当剩余待选辅助变量均与输出变量nox浓度y不相关时，输出待选辅助变量样本集。最终筛选出媒质特性、送风量、含氧量和机组负荷与输出变量nox浓度相关性较强的辅助变量。
[0114]
步骤4：建立基于fcgru-cnn的nox预测模型，先将步骤(3)得到的训练集和验证集输入到预测模型中进行训练，最后使用测试集对锅炉的nox浓度进行预测；具体步骤如下：
[0115]
(4.1)建立fcgru层提取输入数据间的局部和全局信息。
[0116]
先将ik和通过全连接层转化为嵌入和再把和放入带有全连接的gru中生成局部隐藏状态该过程表示为：
[0117][0118]
其中，i
t
为t时刻输入，为上一时刻隐藏状态，g为局部参数。
[0119]
通过全连接层整合h
t
和生成全局的隐藏状态
[0120][0121]
其中，表示特征拼接操作，h
t
为候选隐藏状态；包含的nox浓度局部和全局信息。
[0122]
(4.2)通过cnn提取fcgru层输出数据的时空特征。
[0123]
利用卷积层进行卷积运算：
[0124][0125]
其中，f
ρ,θ
为卷积得到的时空特征图第ρ行第θ列的特征值，ψ为通道数，w0和δ0分别为卷积核的宽度和高度，表示时空类图第个通道下第ρ行第θ列特征值随卷积核的移动，其中s代表卷积核滑动步长，w和δ表示卷积核的当前位置；为第个通道下卷积核第w行第δ列的权重；表示第个通道下的偏置，f(
·
)是非线性激活函数relu。
[0126]
(4.3)平均池化运算avgpooling：
[0127][0128]
其中，ο
ρ,θ
为平均池化后输出的nox浓度时空特征图第ρ行第θ列的特征值；表示滤波器窗口的大小；f
(i
·
s m),(j
·
s n)
表示特征图第ρ行第θ列特征值随池化核的移动；m和n为池化核当前位置，s为移动步长.
[0129]
(4.4)通过全连接层输出nox浓度预测结果。
[0130]
步骤5：利用改进后的人工蜂鸟算法(iaha)优化基于fcgru-cnn的nox预测模型的学习率、隐藏层数和隐藏层节点数，提升模型的泛化能力；如图1所示，iaha算法是在原aha算法基础上采用bernoulli映射初始化策略代替其原来的初始化方法，引入高斯随机游走策略代替原aha算法中迁徙觅食位置更新方式，通过对整个种群中的所有个体进行扰动，使其跳出局部最优；具体步骤如下：
[0131]
(5.1)设置iaha算法的种群大小和迭代次数，以及搜索空间的上下限；初始化访问表。
[0132]
(5.2)对原aha算法的种群初始化做出改进，利用bernoulli映射初始化aha算法的种群；
[0133][0134]
其中，z
γ 1
为γ 1个种群的位置，β是映射参数，β∈(0,1)；设置β为0.518，z0为0.326。
[0135]
(5.3)定义目标函数为nox浓度预测值和实际值的偏差，通过目标函数计算种群的适应度值。
[0136]
(5.4)定义三种飞行技能，包括全向、对角和轴向飞行。
[0137]
(5.5)蜂鸟的位置更新；通过不同位置更新方法搜寻fcgru-cnn模型最优超参数，使得nox浓度预测值和实际值的偏差值降低。
[0138]
蜂鸟的引导觅食行为位置更新方式；
[0139][0140]
其中，xi(t 1)是在第t 1次迭代时第i个食物源的位置；x
j,tar
(t)是第j只蜂鸟计划访问的目标食物源的位置；a为服从标准正态分布的引导觅食因子，d为方向向量。
[0141]
蜂鸟的区域性觅食行为位置更新方式；
[0142][0143]
其中，b为服从标准正态分布的区域性觅食因子。
[0144]
引入高斯随机游走策略代替原aha算法中迁徙觅食行为位置更新方式；通过对整个种群中的所有个体进行扰动，使其跳出局部最优。
[0145][0146]
其中，表示的是在第t次迭代中，个体j经过扰动后的位置；r1和r2是0～1之间的均匀分布的随机数；为第t代种群中的最优个体，τ表示步长。
[0147]
(5.6)通过算法迭代不断更新当前解，并同步更新全局最优解。
[0148]
(5.7)通过给定的最大迭代次数判断是否达到算法终止条件，最终在最大迭代次数内输出预测模型的最优超参数。
[0149]
步骤6：计算nox浓度预测值与设定值的偏差和nox浓度实测值与设定值的偏差，利用权重因子进行加权组合，采用偏差组合专家控制器在线调整pid控制器系数，并控制进风阀、燃烧调节阀和返料阀的开度，实现对锅炉输出nox浓度的智能控制。如图2所示。具体步骤如下：
[0150]
(6.1)计算nox浓度预测值与设定值的偏差e2和nox浓度测量值与设定值的偏差e1；
[0151][0152]
其中，c为nox浓度测量值，c0为nox浓度设定值，为nox浓度预测值。
[0153]
(6.2)利用权重因子对偏差进行加权组合；
[0154]
e＝αe1 (1-α)e2ꢀꢀ
(15)
[0155]
其中，α为权重因子。
[0156]
(6.3)利用偏差组合专家控制器在线调整pid控制器系数。
[0157]
通过当前nox浓度的组合偏差及偏差变化率，得到pid参数的增量系数，对pid参数进行在线整定，最后根据nox浓度的组合偏差和偏差变化率，得到不同状态下的控制量，在线调整pid控制器比例、积分和微分系数。
[0158]
(6.4)利用pid控制进风阀、燃烧调节阀和返料阀的开度，调节锅炉燃烧的空气量、燃料供应量和还原剂量，使系统nox浓度输出值接近预期设定值，实现对锅炉输出nox浓度的智能控制。
[0159]
基于相同的发明构思，本发明还提出一种锅炉nox浓度预测与控制系统，如图3所示，包括单元设备层、嵌入式控制层和决策应用层。
[0160]
单元设备层包括nox浓度传感器、质量传感器和温湿度传感器以及进风阀、燃烧调节阀和返料阀；各传感器采集数据信号，通过modbus通讯协议实现与嵌入式控制层的通信；
[0161]
嵌入式控制层包括数据存储模块、数据清洗挖掘融合模块、智能算法模块、深度学习模型预测模块、智能控制模块；数据存储模块和数据清洗挖掘融合模块先对采集到的数据进行存储、清洗、融合，然后通过深度学习模型预测模块得出nox浓度的预测值；智能算法模块优化模型超参数，最后通过智能控制模块发出控制指令控制进风阀、燃烧调节阀和返料阀的开度，调节锅炉燃烧的空气量、燃料供应量和还原剂量，使系统nox浓度输出值接近预期设定值，实现对锅炉输出nox浓度的智能控制；
[0162]
决策应用层通过5g/wifi实现与嵌入式控制层的双向通信，包括可视化系统、预测报警系统、控制服务器；可视化系统对nox浓度的预测和控制结果数据可视化实时显示，并通过预测报警系统做出风险评估，执行相应的预警方案；控制服务器对服务器上的资源进行有效的管理和分配，能实时监测服务器的运行状况、网络连接、负载情况以及故障的排除和恢复。
[0163]
至此，已经结合附图所示的具体实验过程描述了本发明的技术方案，但是本发明的保护范围不局限于这些具体实施方式。在不偏离本发明原理的前提下，本领域技术人员
可以对相关技术特征做出等同的更改或替换，这些更改或替换之后的技术方案都将落入本发明的保护范围之内。