[发明专利]一种火力发电厂NOx排放优化控制方法及系统

说明书

本公开提出了一种火力发电厂NOx排放优化控制方法及系统，包括：确定输入变量并对确定的输入变量进行降维处理，将降维后的变量作为最终的输入变量；按照最终的输入变量进行试验，在电厂实际NOx测点位置附近选择某一矩形烟道截面作为测量平面，取各个测点数据平均值即为该工况下NOx准确排放值；利用最小二乘支持向量机对该工况下NOx准确排放值数据进行优化处理，得到得到LS‑SVM模型，利用测试样本对该模型进行评估后获得NOx生成规律。基于测量准确的、存在因果关系的NOx数据，事先对变量进行降维处理，并采用最小二乘支持向量机算法进行优化，取得准确的NOx排放模型，进而寻找最优方式控制NOx生成，指导运行。

技术领域

本公开属于热工测量和人工智能技术领域，尤其涉及一种火力发电厂NOx排放优化控制方法及系统。

背景技术

本部分的陈述仅仅是提供了与本公开相关的背景技术信息，不必然构成在先技术。

火力发电厂污染物排放标准日趋严格，NOx作为主要污染物之一，控制其排放成为当务之急。目前虽然可以利用SCR脱硝技术控制NOx排放，但能从源头控制NOx生成量无疑是节约成本的。

锅炉内煤粉燃烧时NOx生成机理十分复杂，不仅和煤种、煤质有关，和一次风、二次风、Sofa风配风方式也有关系，同时受电负荷、炉膛绝热温度、受热面沾污系数等因素影响。涉及的输入变量众多且具有强非线性和强耦合，难以建立准确的生成机理模型，更无法精确地控制和优化NOx生成。

随着火电厂信息化水平提高，DCS、SIS系统的普及使得大量的历史运行数据得以保留和查阅，这为大数据和人工智能优化提供了良好的数据支持，目前多采用人工神经网络(BP等)、支持向量机(SVM及其延伸算法)等。其中，最小二乘支持向量回归机(LS-SVM)展现出了比神经网络更好的泛化能力，较好地解决了软测量建模中存在的小样本量、高度非线性、高维数、过拟合、极小值等困难。

发明人在研究中发现，现有技术大多数采用稳态建模的方法对电站锅炉NOx排放建立稳态软测量模型，由于稳态工况下采样数据比较准确，因此稳态模型精度较高。但目前存在以下两个问题：

(1)作为输出变量的NOx不容易测量准确。目前随着机组容量增大至600MW、1000MW，烟气截面积随之增大，烟气经过炉膛和水平烟道、尾部烟道后流场极不均匀，各个点流速差别较大，且烟道横截面上NOx分布极不均匀，且有时会出现整体NOx排放增大而DCS测点数据变小的情况，目前一些研究仅仅采用DCS数据上单一的NOx测点数据作为重要的输出变量进行拟合回归肯定造成失真，不能得到正确的内在规律，更谈不上准确的预测与控制。

(2)NOx属于燃烧产物，所有输入变量在炉膛相互作用，而NOx测点位置则在锅炉尾部烟道，也就是说与一个时间点的所有输入变量存在因果关系的实际是该时间点之后一定时间的NOx，而非同一时间点的DCS上的NOx数据，目前相关研究均未考虑这一时间差。

(3)输入变量多，输入变量间可能存在多重相关性，模型极其复杂且容易造成计算发散或陷入局部极小值情况，得不到正确的生成规律。

发明内容

为克服上述现有技术的不足，本公开提供了一种火力发电厂NOx排放优化控制方法，测量准确的、存在因果关系的NOx数据，事先对变量进行降维处理，并采用最小二乘支持向量机算法进行优化，取得准确的NOx排放模型，进而寻找最优方式控制NOx生成。

为实现上述目的，本公开的一个或多个实施例提供了如下技术方案：

第一方面，公开了一种火力发电厂NOx排放优化控制方法，包括：

确定输入变量并对确定的输入变量进行降维处理，将降维后的变量作为最终的输入变量；

按照最终的输入变量进行试验，在电厂实际NOx测点位置附近选择某一矩形烟道截面作为测量平面，取各个测点数据平均值即为该工况下NOx准确排放值；