[发明专利]一种旋风分离器进口处NOx浓度测量修正及预测方法

权利要求书

1.一种旋风分离器进口处NOx浓度测量修正及预测方法，其特征在于，具体步骤如下：

步骤1、进行循环流化床机组旋风分离器进口处CEMS仪表反吹试验，利用反吹信号结束与NOx浓度回升的时间差来确定基本的CEMS仪表测量滞后时间；

步骤2、从循环流化床机组运行机理角度分析，选取影响循环流化床机组旋风分离器进口处NOx生成量的相关特征变量，特征变量包括旋风分离器进口处NOx浓度CEMS仪表显示值；

步骤3、从电厂的数据存储系统中采集步骤2中相关特征变量数据，并对采集的数据进行移动窗口高斯平滑滤波处理；

步骤4、将步骤2中的特征变量作为输入变量，分析输入变量与输出变量旋风分离器进口处NOx浓度之间的关系，删除相关性较小的变量；再分析步骤2中的特征变量参数之间的相关性，分摊信息冗余的特征变量，从而完成特征变量的选取；

在步骤4中，采用改进型的最大信息系数MIC与冗余分摊策略，相关性测度与冗余性测度均以MIC度量，实现自动终止特征引入过程；

假设步骤2中的特征变量集合为P＝{X₁,X₂,…,X_i,…,X_m}，Y代表旋风分离器进口处NOx浓度；针对两个变量(X_i,Y)之间的相关关系，两个变量(X_i,X_j)之间的冗余关系，以两个变量(X_i,Y)之间的相关关系为例，MIC计算步骤如下：

1)给定网格区间数，对由(X_i,Y)构成的二维空间散点图按照不同的划分方案进行划分，求出其中最大的互信息值；

2)将步骤1)中最大互信息值除以log(min(X_i,Y))进行归一化；

3)改变网格区间数，重新计算1)、2)，选取不同尺度下互信息的最大值作为MIC值；

式中，B(n)是数据样本数n的函数，I(D,X_i,Y)是指落入网格区域D的最大的互信息值；

假定集合N表示已引入的特征集，经冗余分摊之后，集合N中全部特征总得分为：

当集合N引入一个新的特征时，特征选择终止的标准为：

步骤5、步骤4中选择出的特征变量的响应具有时序性，采用小波分析法确定各个特征变量之间与旋风分离器进口处NOx的响应时间差；

步骤6、依据机组负荷大小、以及风煤比升降趋势进行循环流化床机组运行工况多重聚类划分；

在步骤6中，所述的依据机组所处的负荷大小、以及风煤比升降进行循环流化床机组运行工况划分；工况划分具体聚类步骤如下：

步骤601：利用k均值聚类算法方法基于给煤量进行外层第一步聚类，确定不同类别的聚类中心；K-means算法采用距离作为相似性评价指标进行划分，首先从指标的数据样本中随机选用k个点作为初始的聚类中心，其次计算并比较样本点到k个聚类中心点的距离，把样本点划分到距离最近的聚类中心所在的簇；计算每一次分类后形成的簇中样本数据的平均值作为新的聚类中心，不断重复这个过程，直至准则函数收敛；

式中：SSE是数据库中所有对象的平方误差的总和，S_i是第i类，x_j是第i类的样本点，m_i为各类聚类子集的聚类中心；

在K-means聚类中，聚类数k值确定采用“手肘法”，肘部对应的k值为给煤量的最佳聚类数；

步骤602：依据风煤比对步骤601数据组进行进一步聚类；采用每个回溯时间段内风煤比之间的余弦相似度为数学上的聚类指标，余弦相似度是计算两个高维向量之间的方向夹角，以此分析两个向量变化趋势的相似度，计算公式如下：

式中：cos(x,y)为夹角余弦相似度，dot(x,y)表示水平向量与每个回溯时间段内风煤比实际运行向量的内积，|| ||表示向量的二范数；

根据风煤比的余弦相似度，采用模糊C均值聚类方法进行聚类；

模糊C均值聚类方法先随机指定每个数据到各个簇的隶属度，然后根据隶属度计算每一个簇的质心，接着进行更新隶属度矩阵，直到质心不变化，并采用Silhouette聚类有效价函数确定最佳聚类数；

式中，a表示第i个点与同类其他点之间的平均距离，b为代表一个向量，其元素是第i个点与不同类之间的类内点之间的距离；轮廓值S(i)的取值范围是[-1,1]，S(i)值越大，说明第i个点的分类越合理；依据绘制好的不同聚类数下的Silhouette的轮廓图，选择轮廓图最优时对应的k值为最佳聚类数；

步骤7、建立不同工况下的循环流化床机组旋风分离器进口处NOx生成浓度的预测模型；

步骤8、对预测模型进行K-FOLD交叉验证，确定出最优精度模型；

步骤9、依据当前以及回溯时间数据，完成对循环流化床机组SNCR脱硝旋风分离器进口处NOx浓度测量的修正及预测。