基于mRMR-BO优化Stacking集成模型的NO_%28x%29浓度动态软测量.pdf
《基于mRMR-BO优化Stacking集成模型的NO_%28x%29浓度动态软测量.pdf》由会员分享,可在线阅读,更多相关《基于mRMR-BO优化Stacking集成模型的NO_%28x%29浓度动态软测量.pdf(7页珍藏版)》请在咨信网上搜索。
1、第 52 卷 第 10 期 Vol.52 No.10 2023 年 10 月 THERMAL POWER GENERATION Oct.2023 修 回 日 期:2023-02-11 网络首发日期:2023-09-19 第一作者简介:金秀章(1969),男,副教授,主要研究方向为先进控制策略在大型火电机组的应用、信息融合技术等,。通信作者简介:乔鹏(1995),男,硕士研究生,主要研究方向为先进控制策略在大型火电机组的应用,220212216043ncepu.edn.cu。DOI:10.19666/j.rlfd.202302378 基于 mRMR-BO 优化 Stacking 集成模型的 NO
2、x浓度动态软测量 金秀章,乔 鹏,史德金(华北电力大学控制与计算机工程学院,河北 保定 071003)摘要针对火电厂选择性催化还原(selective catalytic reduction,SCR)烟气脱硝系统中,由于影响入口 NOx质量浓度因素过多及系统大迟延大惯性,导致入口 NOx质量浓度难以准确及时测量的问题,提出了利用最大相关-最小冗余算法(max-relevance and min-redundancy,mRMR)结合贝叶斯优化算法(Bayesian optimization,BO)优化Stacking 集成模型的SCR 烟气脱硝系统入口 NOx质量浓度动态软测量模型。针对动态 N
3、Ox生成过程中静态单一模型预测精度降低及辅助变量与入口 NOx质量浓度时间异步的问题,利用 mRMR-BO 结合模型进行辅助变量筛选,Copula 熵(copula entropy,CE)确定辅助变量迟延,BO 结合模型确定辅助变量阶次,将 TCN 及 LASSO 利用 Stacking 法集成,使用含有迟延时间及阶次信息的辅助变量构建动态 Stacking 集成软测量模型。仿真结果显示:集成模型较 TCN 及 LASSO 单一网络的均方根误差、平均绝对误差、平均绝对百分比误差最小;动态集成模型对比静态集成模型,预测精度更高,能够实现对入口 NOx质量浓度的准确软测量。关键词NOx动态建模;最
4、大相关-最小冗余;贝叶斯优化;Stacking 集成模型 引用本文格式 金秀章,乔鹏,史德金.基于 mRMR-BO 优化 Stacking 集成模型的 NOx浓度动态软测量J.热力发电,2023,52(10):122-128.JIN Xiuzhang,QIAO Peng,SHI Dejin.Dynamic soft measurement of NOx concentration based on mRMR-BO Stacking ensemble modelJ.Thermal Power Generation,2023,52(10):122-128.Dynamic soft measurem
5、ent of NOx concentration based on mRMR-BO Stacking ensemble model JIN Xiuzhang,QIAO Peng,SHI Dejin(School of Control and Computer Engineering,North China Electric Power University,Baoding 071003,China)Abstract:Aiming at the problem that it is difficult to accurately and timely measure the inlet NOx
6、concentration in the denitrification system of selective catalytic reduction(SCR)in thermal power plants,due to the excessive factors affecting the inlet NOx concentration and the large delay and inertia of the system,the Max-Relevance and Min-Redundancy(mRMR)combined with Bayesian optimization(BO)a
7、lgorithm is proposed,optimize the dynamic soft measurement model of NOx concentration at the inlet of the SCR denitration system of the stacking ensemble model.Aiming at the problem of reduced prediction accuracy of static single model and asynchronous timing of auxiliary variables and inlet NOx con
8、centration in the process of dynamic NOx generation,the mRMR-BO combined with model was used to screen the auxiliary variables,Copula Entropy(CE)determined the delay of auxiliary variables,the BO combined with model determined the order of auxiliary variables,and TCN and LASSO were integrated by Sta
9、cking method.The auxiliary variables containing delay time and order information were used to construct a dynamic stacking ensemble soft measurement model,and the simulation results showed that the root mean square error,average absolute error,and average absolute percentage error of the integrated
10、model compared with TCN and LASSO single networks were the smallest.Compared with the static ensemble model,the dynamic ensemble model has higher prediction accuracy and can achieve accurate soft measurement of the inlet NOx concentration.Key words:NOx dynamic modeling;mRMR;Bayes optimization;Stacki
11、ng ensemble model 第 10 期 金秀章 等 基于 mRMR-BO 优化 Stacking 集成模型的 NOx浓度动态软测量 123 http:/ 近年来,我国对于火电厂污染物排放指标要求愈发严格,其中针对排放烟气中的 NOx质量浓度,国家要求为排放质量浓度小于 50 mg/m3,必须实时监测1-2。在电厂实际生产中,NOx质量浓度控制一般采用 SCR 烟气脱硝反应器进行喷氨中和,由于实际系统中SCR烟气脱硝反应器的入口NOx质量浓度测量存在迟延,无法精确控制出口 NOx质量浓度,故需对SCR入口NOx质量浓度建立精确度较高的软测量模型,以满足实际排放的要求。软测量是基于计算机
12、编程,分析脱硝系统中易于准确测得的辅助变量进而实现对目标变量即入口 NOx质量浓度的精确预测,用预测值代替实际测量值作为前馈,精确控制喷氨量,改善脱硝系统 NOx质量浓度控制品质3。随着人工智能算法的发展,针对上述问题已有较多学者建立了相关软测量模型。如 Zhou 等人4采用 GA-SVM 模型预测火电厂 NOx排放浓度,文中所采用的输入变量仅有 3 个,不利于模型泛化。Li等人5采用深度极限学习机构建 NOx浓度预测模型,采用 Rajda 标准进行数据滤波,并采用互信息进行输入特征选择,最后选择了 19 个输入变量作为模型的输入,输入变量过多,模型运行成本较高。Sun 等人6提出了采用门控循
13、环网络对 NOx浓度进行预测建模,采用手动调参确定模型的最优超参数,耗时较多。Tang 等人7提出了基于差分进化优化最小二乘支持向量机的 NOx预估模型,采用偏最小二乘法做特征选择,文中对输入数据仅做了归一化处理,未做滤波处理。Cui 等人8提出了一种基于非线性滑动平均模型来预测 NOx浓度,该文考虑了各输入变量与输出变量间的迟延,并用相关系数法确定迟延时间并做时序统一。上述研究都采用单一模型对NOx质量浓度进行软测量,而 SCR 烟气脱硝系统运行工况复杂,单一模型不能较为充分地挖掘数据特征,满足复杂系统建模要求。同时,建立模型时,未充分考虑数据间的全部信息,研究主要集中在模型超参数及结构调整
14、。本文采用 Stacking 法将 TCN 模型及 LASSO 模型作为集成模型的第 1 层,线性模型作为集成模型的第 2 层。在模型层方面,通过第 1 层的强预测模型充分挖掘数据间的时序信息及提升处理高维度信息能力,同时为了避免过拟合,第 2 层选用简单模型;在数据层方面,采用 Copula 熵(Copula entropy,CE)9计算辅助变量与目标变量间的迟延,利用贝叶斯优化算法(Bayesian optimization,BO)结合模型确定辅助变量历史数据阶次,筛选后的辅助变量添加迟延和阶次信息后构建动态软测量模型,并利用火电厂厂级监控系统(SIS)采集的数据进行验证,结果表明动态建模
15、预测效果优于静态建模,集成模型预测效果优于单一 TCN、LASSO 模型。1 模型理论基础 1.1 Stacking 集成模型 Stacking 集成法10是将不同的预测模型分层集成的方法,本文设计集成模型为 2 层,第 1 层模型称为基模型,第 2 层模型称为元模型。Stacking 集成模型在进行训练及预测时,分为2 个部分。首先将数据集分为训练集 Train 及测试集Test,在基模型训练时,将训练集利用 5 折交叉验证法分为 5 部分,Train=(T1,T2,T3,T4,T5),T1T5 依次做验证集,其余用作训练,共分出 5 组不同数据,利用该方法对基模型进行训练,得到基模型的 5
16、 个子模型及对应验证集在基模型中的预测值 pre_val=(pre_val1,pre_val2,pre_val3,pre_val4,pre_val5);然后将测试集数据分别输入训练出的基模型的 5 个子模型,所得到的 5 个测试集预测结果取均值,作为基模型的最终预测值 pre_test;最后对基模型中的 2 个模型做上述操作,得到 2 个模型对应的验证集预测结果的拼接(TCN_pre_val、LASSO_pre_val)及测试集预测结果拼接(TCN_pre_test、LASSO_ pre_test)。为避免数据重复利用产生过拟合,元模型的 训练集为基模型输出的验证集预测结果,元模型 的测试集为
17、原数据测试集在基模型的预测结果。元模型层在训练时同样采用 5 折交叉验证法,充分提取数据特性,元模型最终的输出就是集成模型的输出结果。1.2 基模型选取 Stacking 集成法的优势在于集合不同强预测 模型,充分提取数据特征,实现效果最优预测。针对火电厂 SIS 系统中采集的数据为时间序列数据,选取时序卷积网络(TCN)11充分提取时序信息,其主要模型构成为因果卷积,膨胀卷积12,残差连接13;针对 SCR 系统运行复杂性、共线性及高维度选取 LASSO 模型14,上述 2 种模型组成集成模型的基模型。1.3 贝叶斯优化算法 BO 最初由 BergstraJ 等人15在 2011 年提出,1
18、24 2023 年 http:/ 是一种先验式的搜索方法,其运算量相较网格搜索或随机搜索的穷举后验式搜索方法减少较多,且能保证搜索精度。贝叶斯优化算法的核心内容为:1)定义目标函数 f(x)及确定 x 的取值范围;2)取有限个定义域内的值,求解相应的 f(x)作为观测值;3)根据有限的观测值,采用概率代理模型预估函数的分布;4)采用采集函数确定下一个观测值 f(x)所对应的 x;5)重复 2)至 4)步,直至求出符合设定要求的目标函数的最小值。BO 的核心部分为确定概率代理模型及采样函数。传统贝叶斯优化采用的概率代理模型为高斯过程(Gaussian process),本文采用 TPE 过程(t
19、ree parzer estimator process)作为概率代理模型。常见的采样函数有概率增量,期望增量,置信度上界及信息熵等,本文采用期望增量作为采样函数。2 构建 Stacking 动态软测量模型 2.1 mRMR-BO 筛选辅助变量 本文使用某 600 MW 电厂 SIS 提供的间隔 10 s采样的10 000组数据,对应负荷范围为300660 MW,包含波动工况及稳定工况,确保模型针对不同工况都能实现精确预测,并从中随机选取连续的 6 000 组数据作为模型的训练集,1 000 组数据作为测试集。由 SIS 得到的样本数据较为复杂,SCR 入口NOx质量浓度和燃烧情况密切相关,直
20、接影响因素包括煤质及配风,但是所选用的电厂对于煤质工业参数分析次数有限,实时获取存在难度,同时煤质变化会影响配风等相关特征参数变化16。综合考虑,反向利用相关特征代替煤质变化影响,同时考虑锅炉负荷,给煤量变化、SCR 反应器相关参量,风烟系统中烟气流量、温度及烟气管道压力等影响NOx生成因素,通过机理分析,初步选取了烟气流量、引风机出口烟气温度、锅炉总风量、一次风量、二次风量、机组发电功率、给煤机总煤量、给煤机瞬时煤块流量、磨煤机入口风量、SCR 反应器入口烟气温度、锅炉出口烟气管道压力、SCR 反应器入口压力、锅炉氧量共计 13 个初始特征作为模型辅助变量组。但此时辅助变量组中各特征与目标变
21、量的互相关性及特征之间的自相关性有待进一步确定,且存在冗余的辅助变量会降低模型预测精度。利用最大相关-最小冗余算法(max-relevance and min-redundancy,mRMR)17,第 1 步依次计算辅助变量 Xi与目标变量 Y 间的互信息,用最大互信息;iI X Y()表征其最大相关性。1max(,),(;)iiXD S YDI X YS (1)式中:S 为辅助变量数据集;D()为筛选与目标变量最大互相关的辅助变量组函数。经过式(1)得到的辅助变量组满足了与目标变量间最大相关,但是存在一定的辅助变量间的冗余,为同时满足最大相关及最小冗余,第 2 步消除筛选出的辅助变量组的相互
22、冗余。i,21min()(,)jXXSijR SRR XXS,=(2)式中:R()为消除辅助变量冗余函数。结合式(1)、式(2),mRMR 算法可表示为:1,jimax(,)max(;)1(1iJmjXXXSD RI XYI XXm;)(3)式中:m 为辅助变量组中特征个数。通过 mRMR 对 13 个辅助变量做最大相关-最小冗余计算,得到 13 个候选顺序辅助变量组 S1S13,其中包含的特征为 1 到 13 个,且满足 S1 S2S13。为确定预测效果最好的一组辅助变量,利用贝叶斯算法结合集成模型,采用训练集数据,经过 5 折交叉验证训练模型后的验证集预测结果与对应SIS 采集的 NOx质
23、量浓度实际值的平均绝对百分比误差(mean absolute percentage error,MAPE)作为评价指标,最终确定输入模型的辅助变量,mRMR-BO 筛选辅助变量流程如图 1 所示。图 1 mRMR-BO 特征选择流程 Fig.1 mRMR-BO feature selection flowchart 第 10 期 金秀章 等 基于 mRMR-BO 优化 Stacking 集成模型的 NOx浓度动态软测量 125 http:/ 为避免输入模型特征过少导致模型欠拟合,故输入模型辅助变量从 3 个递增,逐一计算其预测精度,各候选辅助变量组S3,S13结合 BO-Stacking 模型
24、,预测精度如图 2 所示。从图 2 可以看到:当辅助变量个数为 8 时,即 S8作为最终的模型输入变量组,模型预测精度最高;同时,还显示出 Stacking 集成模型预测精度要高于其基模型中的单一模型。此时输入模型辅助变量分别为给煤机总煤量、给煤机瞬时煤块流量、锅炉氧量、二次风量、一次风量、引风机出口烟气温度、机组发电功率及锅炉出口烟气管道压力。至此,辅助变量完成降维,从 13 维降至8 维。图 2 候选辅助变量组预测精度 Fig.2 Prediction accuracy of candidate auxiliary variable groups 2.2 计算辅助变量迟延及阶次 由于锅炉燃
25、烧系统的大迟延、大惯性特性,对于动态 NOx生成过程,t 时刻入口 NOx质量浓度可能与tk,tkd时刻的辅助变量 Xi有关,即存在目标变量与辅助变量变化不同步、时间异步的情况,同时存在当前时刻目标变量变化与一段历史时间内的辅助变量相关的情况,具体如图 3 所示。图 3 辅助变量与目标变量时序及阶次关系 Fig.3 Temporal and order relationship between auxiliary variables and target variable 结合广义控制理论的 CARIMA 模型16,可将动态软测量模型表达为:111118888()(,1,),(,1,),(1)
- 配套讲稿:
如PPT文件的首页显示word图标,表示该PPT已包含配套word讲稿。双击word图标可打开word文档。
- 特殊限制:
部分文档作品中含有的国旗、国徽等图片,仅作为作品整体效果示例展示,禁止商用。设计者仅对作品中独创性部分享有著作权。
- 关 键 词:
- 基于 mRMR BO 优化 Stacking 集成 模型 NO_ 28 29 浓度 动态 测量
1、咨信平台为文档C2C交易模式,即用户上传的文档直接被用户下载,收益归上传人(含作者)所有;本站仅是提供信息存储空间和展示预览,仅对用户上传内容的表现方式做保护处理,对上载内容不做任何修改或编辑。所展示的作品文档包括内容和图片全部来源于网络用户和作者上传投稿,我们不确定上传用户享有完全著作权,根据《信息网络传播权保护条例》,如果侵犯了您的版权、权益或隐私,请联系我们,核实后会尽快下架及时删除,并可随时和客服了解处理情况,尊重保护知识产权我们共同努力。
2、文档的总页数、文档格式和文档大小以系统显示为准(内容中显示的页数不一定正确),网站客服只以系统显示的页数、文件格式、文档大小作为仲裁依据,平台无法对文档的真实性、完整性、权威性、准确性、专业性及其观点立场做任何保证或承诺,下载前须认真查看,确认无误后再购买,务必慎重购买;若有违法违纪将进行移交司法处理,若涉侵权平台将进行基本处罚并下架。
3、本站所有内容均由用户上传,付费前请自行鉴别,如您付费,意味着您已接受本站规则且自行承担风险,本站不进行额外附加服务,虚拟产品一经售出概不退款(未进行购买下载可退充值款),文档一经付费(服务费)、不意味着购买了该文档的版权,仅供个人/单位学习、研究之用,不得用于商业用途,未经授权,严禁复制、发行、汇编、翻译或者网络传播等,侵权必究。
4、如你看到网页展示的文档有www.zixin.com.cn水印,是因预览和防盗链等技术需要对页面进行转换压缩成图而已,我们并不对上传的文档进行任何编辑或修改,文档下载后都不会有水印标识(原文档上传前个别存留的除外),下载后原文更清晰;试题试卷类文档,如果标题没有明确说明有答案则都视为没有答案,请知晓;PPT和DOC文档可被视为“模板”,允许上传人保留章节、目录结构的情况下删减部份的内容;PDF文档不管是原文档转换或图片扫描而得,本站不作要求视为允许,下载前自行私信或留言给上传者【自信****多点】。
5、本文档所展示的图片、画像、字体、音乐的版权可能需版权方额外授权,请谨慎使用;网站提供的党政主题相关内容(国旗、国徽、党徽--等)目的在于配合国家政策宣传,仅限个人学习分享使用,禁止用于任何广告和商用目的。
6、文档遇到问题,请及时私信或留言给本站上传会员【自信****多点】,需本站解决可联系【 微信客服】、【 QQ客服】,若有其他问题请点击或扫码反馈【 服务填表】;文档侵犯商业秘密、侵犯著作权、侵犯人身权等,请点击“【 版权申诉】”(推荐),意见反馈和侵权处理邮箱:1219186828@qq.com;也可以拔打客服电话:4008-655-100;投诉/维权电话:4009-655-100。