[发明专利]小波分解与动态混合深度学习的燃煤锅炉NOx预测方法

说明书

本发明提供了小波分解与动态混合深度学习的燃煤锅炉NOx预测方法，涉及燃煤锅炉运营技术领域，能够准确稳定的预测NOx排放，泛化性能和可重复性好；该方法步骤包括：S1、采集NOx排放敏感参数在某一时间段内的值；S2、对NOx排放敏感参数的采集值进行小波变换，得到该NOx排放敏感参数采集值的趋势分量和高频波动分量；S3、对趋势分量和高频波动分量进行小波重构；S4、采用LSTM模型对重构后的趋势分量进行动态预测，同时采用CNN模型对重构后的高频波动分量进行动态预测；S5、将S4中的预测结果进行融合，得到最终的NOx排放预测结果。本发明提供的技术方案适用于燃煤锅炉NOx排放预测的过程中。

技术领域

本发明涉及燃煤锅炉运营技术领域，尤其涉及一种小波分解与动态混合深度学习的燃煤锅炉NOx预测方法。

背景技术

近几年，随着新能源发电规模迅速发展及我国电力装机总容量长期、持续增长等方面的竞争，全国火电机组的平均年利用小时数持续下降。为了适应利用小时数减少和调峰频繁的要求，大部分火电机组长期处于变负荷甚至低负荷运行状态。低负荷运行时，机组各类能效指标将降低，NOx排放浓度因单位燃料所对应的空气量的增加而增加，节能减排依然面临挑战。

电站锅炉NOx排放预测是燃烧优化和选择性催化还原(SCR)系统喷氨等运行的基础，也是锅炉兼顾经济性和低排放的一项重要技术，近年来一直受到研究者的关注。

目前大多数的燃烧优化建模方法及成型的产品开发都是基于锅炉燃烧系统的稳态数据建立的稳态模型，难以满足动态变负荷情况下的燃烧优化模型预测。为了实现现在电厂频繁的负荷波动污染物排放模型的训练和预测，许多研究者开始尝试动态预测模型。动态模型总是比静态模型具有更高的预测精度，这是因为动态预测模型考虑了电厂运行的时变性，将过程历史数据中的变化特性提供的有用信息加入进来。动态预测模型可以很好的解决电厂频繁负荷内在信息的变化性，在模型预测方面有较好的优势。

尽管上述模型加入了数据的动态信息并且都取得了比静态模型好的预测效果，但是大部分的模型都未考虑到原始数据在频繁波动及采集过程中可能由于各种因素的影响而导致的复杂特征信息的疑似噪声的存在，甚至把这些所谓的噪声直接去掉。对于调峰频繁的电站燃烧数据通常具有非平稳性、非线性和高波动性等复杂特征，而这些特征通常也是原始数据中最重要的组成部分，应当加以考虑。并且考虑到神经网络等机器学习算法容易发生过拟合、收敛速度快及局部极小等缺点，这都会限制预测模型的准确性。

因此，有必要研究一种小波分解与动态混合深度学习的燃煤锅炉NOx预测方法来应对现有技术的不足，以解决或减轻上述一个或多个问题。

发明内容

为了满足电网调峰要求，大多数火电机组往往在变负荷甚至低负荷下运行，导致NOx排放量增加。选择性催化还原(SCR)脱硝系统喷氨是降低电站锅炉NOx浓度的主要途径。为了提高SCR脱硝系统的控制质量和经济性，需要建立SCR脱硝反应器入口NOx生成的精确动态模型。有鉴于此，本发明提供了一种小波分解与动态混合深度学习的燃煤锅炉NOx预测方法，能够具有准确、稳定的建模和预测效果，与其他典型的预测方法相比，该模型具有更好的泛化性能和较高的可重复、稳定性，为进一步实现精准喷氨和燃烧优化提供了更好的选择。

一方面，本发明提供小波分解与动态混合深度学习的燃煤锅炉NOx预测方法，其特征在于，所述方法的步骤包括：

S1、采集NOx排放敏感参数在某一时间段内的值(NOx排放敏感参数即为用于预测NOx排放的相关测量参数，如负荷、风门挡板开度、一次风压、二次风压、风量、煤量、配风方式及磨煤机运行组合方式等)；

S2、对每一个NOx排放敏感参数的所有采集值进行小波变换，得到该NOx排放敏感参数在该时间段内的趋势分量和高频波动分量；

S3、对趋势分量和高频波动分量进行小波重构；