基于注意力机制组合模型的燃煤-煤气混合燃烧电厂NOx排放预测.pdf
《基于注意力机制组合模型的燃煤-煤气混合燃烧电厂NOx排放预测.pdf》由会员分享,可在线阅读,更多相关《基于注意力机制组合模型的燃煤-煤气混合燃烧电厂NOx排放预测.pdf(9页珍藏版)》请在咨信网上搜索。
1、针对当前燃煤-煤气锅炉煤气掺烧量不确定情况下对 NOx排放量预测不够准确的问题,提出一种基于注意力机制组合在线预测模型。首先,通过最大信息系数法与皮尔逊相关系数法相结合确定模型的特征变量;其次,对线性相关特征变量采用滑动时间窗口在线构建向量自回归模型(VAR),实现多维时序线性相关变量输入下对 NOx排放量的预测,而对于非线性相关特征变量通过构建在线循环极限学习机(OR-ELM)模型在线学习非线性相关变量在时序上的关系对 NOx排放量进行预测;最后,采用注意力机制对 2 个预测模型进行动态赋权以实现趋势预测。采用实际运行数据对该模型验证,结果表明,所构建的 VAR-OR-ELM 组合在线预测模
2、型能够准确预测 10 min 后的 NOx排放量变化趋势,并在不同负荷段对 NOx质量浓度进行准确预测;综合预测精度及预测时间,所构建的组合预测模型比其他单一预测模型的预测效果更好。关键词最大信息系数;注意力机制;组合预测;在线学习;NOx排放 引用本文格式钱虹,张俊,徐邦智.基于注意力机制组合模型的燃煤-煤气混合燃烧电厂 NOx排放预测J.热力发电,2023,52(8):137-145.QIAN Hong,ZHANG Jun,XU Bangzhi.NOx emission prediction of coal-gas hybrid combustion plant based on the
3、combination of attention mechanism modelJ.Thermal Power Generation,2023,52(8):137-145.NOx emission prediction of coal-gas hybrid combustion plant based on the combination of attention mechanism model QIAN Hong1,2,ZHANG Jun1,XU Bangzhi1(1.School of Automation Engineering,Shanghai University of Electr
4、ic Power,Shanghai 200090,China;2.Shanghai Key Laboratory of Power Station Automation Technology,Shanghai 200072,China)Abstract:Aiming at the problem of inaccurate prediction of NOx emission concentration when the current coal-gas boiler gas mixture is uncertain and changing,a combined online predict
5、ion method based on attention mechanism is proposed.First,the characteristic variables of the model are determined by combining the maximum information coefficient method with the Pearson correlation coefficient method;Secondly,vector autoregressive(VAR)model is constructed online with sliding time
6、window for linearly correlated characteristic variables to realize the prediction of NOx emission concentration under the input of multi-dimensional time series linear correlation variables For non-linear-related feature variables,the relationship between NOx emission concentration is predicted by c
7、onstructing an online Recurrent extreme learning machine(OR-ELM)model online learning.Finally,Attention Mechanism(AM)is used to dynamically weight the two forecasting models to achieve trend forecasting.Through field data verification,it shows that the VAR-OR-ELM combined online prediction model con
8、structed in this paper can accurately predict the variation trend of NOx emission concentration after 10 minutes.Combining prediction accuracy and prediction time,the combined prediction model is better than other single prediction models.Key words:maximal information coefficient;attention mechanism
9、;combined prediction;online learning;NOx emission 138 2023 年 http:/ 燃煤-煤气混合燃烧电厂锅炉中,高炉煤气的掺烧会对锅炉燃烧产生的 NOx烟气排放造成不确定的影响。鉴于当前国家的超低排放要求,有必要通过构建准确的 NOx排放量预测方法,对未来一段时间的 NOx排放量变化进行趋势预测,当预测到NOx排放量变化将超过限值时,在一段可操作的时间内,及时告知运行人员对燃烧系统采取措施,实现烟气 NOx的超低排放。目前,对烟气 NOx排放量的预测建模所采用的方法主要有 2 类:1)通过机理分析建立预测模型;2)数据驱动建模,即通过历史运
10、行数据建立预测模型。文献1通过构建高炉煤气/煤粉混燃锅炉烟气NOx生成机理来控制 NOx排放。文献2-3通过对脱硝系统化学反应机理分析,建立了 NOx 质量浓度预测模型,对喷氨量进行控制。但脱硝反应过程过于复杂,机理模型难以完全描述脱硝反应过程,难以满足现场运行条件。与机理建模相比,数据建模利用历史运行数据构建模型,不需要考虑机理特性。文献4-5使用人工神经网络(artificial-neural-network)建立了 NOx排放质量浓度的预测模型。文献6-8利用随机森林算法建立了 NOx排放量预测模型取得了较好的预测效果。文献9-13使用长短时记忆(long short term-memo
11、ry,LSTM)神经网络对多维时间序列数据进行学习,对未来时刻的 NOx的排放质量浓度进行预测。虽然神经网络能够较好地学习到时间序列数据在时间上的非线性关系,但是存在超参数难以确定、学习速度慢等问题。因此文献14利用粒子群算法,对双向门控循环神经网络的超参数进行寻优,克服了手动调参预测精度低的问题,但粒子群算 法运算时间较长,并且容易陷入局部极值点。文 献15-17利用极限学习机模型构建NOx的排放质量浓度预测模型,达到了较好的预测精度。除上述利用人工智能算法进行数据建模外,基于统计学方法的数据建模,以时间序列模型为代表,被广泛应用到各个领域。文献18构建的自回归移动平均(ARIMA)预测模型
12、对海上风速进行预测,并且与门控循环单元(GRU)与 LSTM 进行了对比。文献19构建了多维向量自回归的多变量预测模 型对多能源系统中的多个变量进行预测,取得了较好的预测效果。但是上述方法都是单一模型的数据驱动方法且预测长度较短。为了提升预测精度,文献20-21提出时间序列模型与神经网络模型相组合的预测模型,相较于单一预测模型,组合的预测模型的预测精度更高。文献22利用熵权法将 3 个预测模型进行组合对光伏的输出功率进行预测,取得了较好的预测效果。在燃煤-煤气混合燃烧电厂中高炉煤气的掺烧会对锅炉内部的燃烧产生很大影响23,进而会影响NOx的排放量。因此在煤气掺烧量不确定的情况下,NOx排放量难
13、以预测。对此,提出一种基于注意力机制组合在线预测模型,并通过实际运行案例验证,证明本文的组合模型与单个预测模型相比预测精度更高,相较于其他模型预测精度更高且运算速度更快,更能满足实际生产中对 NOx排放预警的需求。1 基于 MIC 与 PCCs 的 NOx排放量 相关特征变量 在燃煤-煤气混合燃烧电厂中,煤气通过煤粉燃烧系统引入锅炉,由于煤气是一种超低发热值的气体,所以会对锅炉的燃烧过程造成较大的影响,进而影响 NOx排放量。本文基于锅炉运行原理以及脱硝系统运行原理选取负荷、喷氨量、给煤量等 11 个反映锅炉燃烧与 NOx排放过程的特征变量,并对这些特征变量进行相关性分析。由于运行环境恶劣,传
14、感器会受到高温等因素影响,所以这些现场数据常含有异常值和噪声。本文采用拉依达准则24对原始数据集中异常数据进行筛选并删除,并使用线性插值补全缺失值。采用(Savitzky-Golay,S-G)滤波进行去噪处理,为了消除量纲的影响,数据滤波后的数据集进行归一化处理:minmaxminXXXXX (1)式中:X为归一化后的数据;X 为初始数据;Xmax与Xmin分别为初始数据中的最大值与最小值。利 用 最 大 信 息 系 数(maximal information coefficient,MIC)对特征变量之间的相关性进行分析。最大信息系数以互信息为基础,可用于计算变量之间的线性与非线性相关性。对
15、于变量x和y,MIC 的计算公式为:()2(,)MIC(,)maxlog(min(,)xy B nI x yx yx y (2)2(,)(,)(,)log()()x X y Yp x yI x yp x yp x p y (3)第 8 期 钱 虹 等 基于注意力机制组合模型的燃煤-煤气混合燃烧电厂 NOx排放预测 139 http:/ 式中:I(x,y)为变量 x 和 y 之间的互信息值;p(x)、p(y)分别为边缘概率分布;p(x,y)为联合概率分布;B(n)通常设置为数据量 n 的 0.6 次方。表 1 为 11 个特征变量与 NOx排放量之间的最大信息系数。从表 1 中可见,负荷值、喷氨
16、流量等9 个特征变量与 NOx排放量存在较强的相关性。如果将较强相关的变量都选取,会导致信息冗余。表 1 特征变量与 NOx排放量的最大信息系数 Tab.1 MIC coefficient between feature variable and NOx emission 特征变量 最大信息系数 强相关 负荷值 0.53 给煤量 0.54 喷氨阀门开度 0.51 喷氨流量 0.50 入口 NOx质量浓度 0.54 入口烟温 0.54 入口烟气含氧量 0.54 主蒸汽温度 0.54 再热蒸汽温度 0.54 弱相关 氨逃逸体积分数 0.15 出口烟气含氧量 0.31 由于 MIC 同时适用于线性与
17、非线性相关性,所以本文使用皮尔逊相关系数(Pearson product-moment correlation coefficient,PCCs)进一步对特征变量进行筛选。对于变量 x 和 y,皮尔逊相关系数计算公式为:11122221111nnniiiiiiinnnniiiiiyiiixnx yxyrnxxnyy(4)式中:rxy为皮尔逊相关系数;n 为样本长度;xi和yi均为变量实际值。图 1 为 12 个特征变量之间的皮尔逊相关性热力图。从图 1 可以看出:负荷值 L(MW)、入口 NOx质量浓度 I(mg/m3)、入口烟温 Ti()、给煤量 C(t/h)、主蒸汽温度 T1()、再热蒸汽
18、温度 T2()这些特征变量与 NOx排放质量浓度 D(mg/m3)有着较强的正线性相关,入口烟气含氧量(O2)(%)与 NOx排放质量浓度D有着较强的负线性相关。由于主蒸汽温度T1与再热蒸汽温度 T2这 2 个变量与负荷值以及入口烟温有极强的正线性相关,为了减少信息的冗余,将这 2 个变量去除。结合表 1 与图 1 可得,喷氨阀门开度 K(%)、喷氨流量 F(kg/h)这 2 个特征变量与NOx排放质量浓度D(mg/m3)有着较强的非线性关系。由于喷氨阀门开度 K 与喷氨流量 F 之间有极强的线性相关,所以将喷氨阀门开度 K 这个变量去除。图 1 特征变量皮尔逊相关性热力图 Fig.1 Hea
19、t map of Pearson correlation coefficient of feature variable 通过最大信息系数与皮尔逊相关系数结合选出4 个线性相关的特征变量以及 1 个非线性相关的特征变量。其中线性相关的特征变量负荷值 L、入口NOx质量浓度 I、入口烟温 Ti、给煤量 C 与入口烟气140 2023 年 http:/ 含氧量(O2)作为向量自回归模型的内因变量与出口 NOx质量浓度 D 构建时间序列预测模型,即:VARi,2,(O),ttttttxL I T CD (5)VARtyD (6)非线性相关的特征变量喷氨流量F与出口NOx质量浓度 D 作为极限学习机模
20、型的输入特征变量,构建在线循环极限学习机多维预测模型,即:OR-ELM,ttxF D (7)OR-ELMtyD (8)2 基于注意力机制 NOx排放预测模型 本文构建基于向量自回归(vector auto regre-ssion,VAR)的时间序列预测模型与基于在线循环极限学习机(OR-ELM)的多维预测模型,并基于注意力机制对 2 个预测模型进行变权融合,对脱硝系统出口 NOx质量浓度进行预测。2.1 基于向量自回归的时间序列预测模型 VAR 模型是一种时间序列模型,是单变量自回归模型(AR)在多变量时序上的扩展。向量自回归模型通过线性拟合的方式对多变量时间序列数据进行描述,能够较好地刻画变
21、量之间相互影响的动态线性相关关系。本文通过向量自回归模型拟合脱硝系统出口NOx质量浓度等线性相关的特征变量在时间上的线性关系,建立脱硝系统出口 NOx质量浓度时间序列多步预测模型。通过上文分析,多变量时间序列数据为 xVAR=Lt,It,Ct,t(O2),Dt,则VAR(p)模型的数学表达式为:V012ARVARVAR(1)(2 )()tpyaAAAxxjttxtp(9)式中:a0为五维的常数;Ap为 55 维系数矩阵元素;y 为第 t 时刻的 5 个特征变量组成的五维量;xVAR(tp)为滞后 p 时刻的五维的特征变量;t为白噪声干扰。为避免伪回归,保证预测结果的可靠性,在构建向量自回归模型
22、时需要满足所有的时间序列数据为平稳序列。本文通过单位根(augmented dickey-fuller test,ADF)检验法25对选取的 6 个特征变量的时序数据进行平稳性检验。ADF 检验假设序列存在单位根,若显著性检验统计量小于 10%、5%、1%3 个置信度,则对应有 90%、95%、99%的把握来拒绝原假设。表 2 为平稳性检验结果。从表 2 可见,6 个特征变量的 ADF 统计量均小于 5%显著水平,均可认为是平稳序列。一般线性相关的平稳序列都满足因果关系。表 2 特征变量平稳性检验结果 Tab.2 Features variable stationarity check res
23、ults 特征变量 ADF 统计量 5%显著水平 结论 负荷值 3.52 2.86 平稳 入口 NOx质量浓度 5.07 2.86 平稳 入口烟温 5.07 2.86 平稳 给煤量 3.32 2.56 平稳 入口烟气含氧量 7.27 2.56 平稳 出口 NOx质量浓度 6.57 2.86 平稳 滞后阶数的确定是向量自回归模型构建过程中一个重要的问题,如果滞后阶数非常大,虽然有利于完整反映模型的动态特性,但是会使模型的参数变复杂,影响模型的预测效果。本文通过赤化信息准则(Akaike information criterion,AIC)及贝叶斯信息准则(Bayesian information
24、 criterion,BIC)来确定模型中的滞后阶数,其计算公式为:AIC2ln()2Lk (10)BIC2ln()ln()Lkn (11)式中:L 为似然函数;k 为模型中的参数数量。计算 1p 阶 AIC 与 BIC 的值,若两者在相同的阶数取得最小值,则此时的阶数适合构建向量自回归模型。图 2 为不同阶数下的 AIC 与 BIC 值。图 2 不同阶数下 AIC 与 BIC 值 Fig.2 AIC and BIC values at different orders 从图 2 可得:在滞后阶数为 5 时,AIC 与 BIC的值为最小,因此选择模型的滞后阶数 p=5。本文通过滑动时间窗口在线
- 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 注意力 机制 组合 模型 燃煤 煤气 混合 燃烧 电厂 NO_ 28 29 排放 预测
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。