雷志偉

(中國(guó)大唐集團(tuán)科學(xué)技術(shù)研究院有限公司華東電力試驗(yàn)研究院，安徽 合肥 230031)

選擇性催化還原(selective catalytic reduction，SCR)脫硝系統(tǒng)具有大慣性、強(qiáng)時(shí)延的特點(diǎn)[1-3]，當(dāng)機(jī)組運(yùn)行工況大范圍變化時(shí)，根據(jù)入口NOx質(zhì)量濃度可以提前預(yù)測(cè)出口NOx質(zhì)量濃度的變化，并及時(shí)控制以抑制NOx質(zhì)量濃度的波動(dòng)[4]。然而，煙氣排放連續(xù)監(jiān)測(cè)系統(tǒng)(continuous emission monitoring system，CEMS)測(cè)量?jī)x表普遍存在測(cè)量遲延、測(cè)量?jī)x表需不定期反吹等缺點(diǎn)，嚴(yán)重影響了燃煤電廠脫硝自動(dòng)控制的品質(zhì)。因此，如何獲取高精度、可靠性強(qiáng)的SCR系統(tǒng)入口NOx質(zhì)量濃度已經(jīng)成為當(dāng)前脫硝自動(dòng)控制領(lǐng)域的熱點(diǎn)研究問題之一[5]。翁建國(guó)[6]等人采用支持向量回歸(support vector regression，SVR)、人工神經(jīng)網(wǎng)絡(luò)(artificial neural network，ANN)等建模方法，建立了SCR系統(tǒng)入口NOx質(zhì)量濃度軟測(cè)量模型，但SVR、ANN的模型結(jié)構(gòu)較為復(fù)雜，難以在生產(chǎn)現(xiàn)場(chǎng)推廣應(yīng)用；陳榮超[7]通過鍋爐燃燒熱平衡和物料平衡計(jì)算，采用數(shù)據(jù)擬合的方式獲得入口NOx質(zhì)量濃度預(yù)測(cè)值，雖取得了一定成效，但是過分依賴熱平衡和物料平衡計(jì)算精度，對(duì)不同燃煤機(jī)組的普適性不高。

雖然軟測(cè)量技術(shù)可以通過間接變量來預(yù)測(cè)目標(biāo)值，但是其建模過程嚴(yán)重依賴樣本數(shù)據(jù)的選擇和處理，一旦樣本數(shù)據(jù)量龐大且干擾項(xiàng)較多，將會(huì)極大地增加軟測(cè)量模型結(jié)構(gòu)，使得建模過程十分復(fù)雜和漫長(zhǎng)，甚至難以達(dá)到收斂。國(guó)內(nèi)外建模方法的研究大多側(cè)重于模型結(jié)構(gòu)設(shè)計(jì)，很少?gòu)慕颖咎幚矸矫孢M(jìn)行研究。因此，本文從建模樣本處理方法著手，根據(jù)燃煤電廠NOx的產(chǎn)生機(jī)理，確定SCR系統(tǒng)入口NOx質(zhì)量濃度的影響因子。采用主元分析(principal components analysis，PCA)及過程變量(T2統(tǒng)計(jì)量)監(jiān)測(cè)，對(duì)NOx生成量的主要影響因子進(jìn)行分析、粗篩，獲得若干個(gè)關(guān)鍵變量[8-10]；提出時(shí)間尺度分析法，計(jì)算各個(gè)關(guān)鍵變量與測(cè)量目標(biāo)值在不同時(shí)間尺度下的相關(guān)程度，按照時(shí)間尺度對(duì)數(shù)據(jù)樣本進(jìn)行處理，作為徑向基函數(shù)(radial basis function，RBF)神經(jīng)網(wǎng)絡(luò)的訓(xùn)練樣本；利用梯度下降法訓(xùn)練規(guī)則對(duì)RBF神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練，提高模型的收斂速度。通過本文的研究，建立一種帶時(shí)間尺度的PCA-RBF模型，以提高模型預(yù)測(cè)精度和泛化能力。

1 SCR系統(tǒng)入口NOx質(zhì)量濃度影響因素分析

燃煤電廠鍋爐燃燒過程中會(huì)產(chǎn)生大量的NOx，一般可分為熱力型NOx、快速型NOx和燃料型NOx。影響這3類NOx生成量的因素與煤質(zhì)成分、煤量、爐膛燃燒工況、過剩空氣系數(shù)[11]密切相關(guān)，具體表現(xiàn)為機(jī)組在升降負(fù)荷、深度調(diào)峰、配煤摻燒、啟停磨煤機(jī)組等典型工況下，入口NOx質(zhì)量濃度大幅度波動(dòng)，造成SCR脫硝自動(dòng)控制系統(tǒng)的擾動(dòng)，從而影響機(jī)組NOx排放。

a)各臺(tái)磨煤機(jī)瞬時(shí)煤量。煤粉中的氮化物燃燒后生成燃料型NOx，約占爐膛燃燒產(chǎn)生NOx總量的75%～80%，煤量的變化直接關(guān)系到入口NOx質(zhì)量濃度。目前，燃煤電廠大多采用配煤摻燒的方式，各臺(tái)磨煤機(jī)配備不同的煤種，導(dǎo)致各臺(tái)磨煤機(jī)對(duì)入口NOx質(zhì)量濃度的影響不盡相同。

b)過?？諝庀禂?shù)[12-13]。過?？諝庀禂?shù)與總風(fēng)量、總煤量密切相關(guān)。過剩空氣系數(shù)增加會(huì)導(dǎo)致燃料型NOx的生成量增多，同時(shí)也會(huì)因爐膛燃燒區(qū)域溫度升高造成熱力型NOx增加，富氧環(huán)境一定程度上還會(huì)阻礙NOx的還原。

c)磨煤機(jī)組合方式。磨煤機(jī)一般按上、中、下3層布置，不同層磨煤機(jī)的啟停過程對(duì)爐膛燃燒工況的改變有很大的影響，造成爐膛火焰中心偏移，改變爐膛燃燒溫度，影響NOx的生成量。啟停磨煤機(jī)時(shí)風(fēng)、煤的控制時(shí)間有先后，爐膛中的氧量則因此在短時(shí)間內(nèi)突增突降，勢(shì)必會(huì)增加對(duì)NOx質(zhì)量濃度的擾動(dòng)。

綜上，以某型機(jī)組為例，從鍋爐燃燒、機(jī)組運(yùn)行工況等主要參數(shù)中選取27個(gè)原始變量來構(gòu)建SCR系統(tǒng)入口NOx質(zhì)量濃度軟測(cè)量模型參數(shù)，見表1。

表1 軟測(cè)量模型原始變量Tab.1 Initial variables of soft measurement model

2 入口NOx質(zhì)量濃度影響因素分析

構(gòu)建軟測(cè)量模型需要采用大量的間接變量，為了精簡(jiǎn)網(wǎng)絡(luò)模型，提高模型測(cè)量精度，通常需要對(duì)原始變量進(jìn)行數(shù)據(jù)篩選、分析，以降低網(wǎng)絡(luò)結(jié)構(gòu)設(shè)計(jì)的復(fù)雜度[14]，以便于實(shí)際工程應(yīng)用。本文采用PCA和T2統(tǒng)計(jì)量監(jiān)測(cè)[15]對(duì)原始變量進(jìn)行降維篩選，目的是尋找到與軟測(cè)量參數(shù)相關(guān)性大的初選變量，剔除相關(guān)性較小的變量，從而減少神經(jīng)網(wǎng)絡(luò)模型的輸入?yún)?shù)[16]，有助于網(wǎng)絡(luò)模型訓(xùn)練和收斂，提高模型的泛化能力。

同時(shí)，由于各個(gè)初選變量與NOx質(zhì)量濃度的相關(guān)程度在時(shí)間尺度上不盡相同，即各個(gè)變量對(duì)NOx質(zhì)量濃度的影響時(shí)刻不同，利用時(shí)間尺度分析法計(jì)算初選變量與測(cè)量目標(biāo)值在不同時(shí)刻下的相關(guān)性指標(biāo)，確立各個(gè)初選變量的時(shí)間尺度，經(jīng)數(shù)據(jù)處理后作為RBF神經(jīng)網(wǎng)絡(luò)模型的輸入，能夠提升軟測(cè)量模型的測(cè)量精度，降低建模復(fù)雜度。

2.1 PCA和T2統(tǒng)計(jì)量監(jiān)測(cè)

設(shè)原始變量的數(shù)據(jù)樣本集為X，則

(1)

式中：xi,j為樣本集中第i個(gè)變量的第j個(gè)數(shù)值；M為變量數(shù)；N為樣本總數(shù)。

(2)

進(jìn)一步將協(xié)方差矩陣H分解為

COV=P∑PT.

(3)

式中：P=[p1p2…pi…pN]為酉矩陣，pi為主元的負(fù)荷向量；Σ為對(duì)角線上元素為特征值、其他元素均為0的矩陣，記為

通過對(duì)比各個(gè)主元貢獻(xiàn)率的大小，建立主元模型。若前k個(gè)主元的貢獻(xiàn)率之和滿足要求，則原始樣本就可以采用主元模型代替，并將原始樣本維數(shù)壓縮至k維，即

(4)

T2統(tǒng)計(jì)量由得分向量Tk在變換后空間中的馬氏距離計(jì)算得出，T2統(tǒng)計(jì)量反映了當(dāng)前數(shù)據(jù)偏離數(shù)據(jù)中心的程度[17]，其計(jì)算公式為

(5)

可以采用直方圖直觀辨別每個(gè)原始變量對(duì)當(dāng)前時(shí)刻T2統(tǒng)計(jì)量的貢獻(xiàn)值，進(jìn)而得出各個(gè)變量對(duì)主元的貢獻(xiàn)量，最后篩選出主要影響因素。

2.2 時(shí)間尺度分析

由式(1)選取出的k個(gè)主導(dǎo)變量Xk={xg|g∈[1,k]}，計(jì)算各個(gè)主導(dǎo)變量的均值，記為Fg。

定義各個(gè)主導(dǎo)變量與目標(biāo)變量y之間的相關(guān)性指標(biāo)，記作S，計(jì)算公式為

(6)

若存在一個(gè)b，bN*，使得S達(dá)到最小，則表示主導(dǎo)變量xg與目標(biāo)變量y在時(shí)間尺度b上相關(guān)性最大。按照各個(gè)主導(dǎo)變量與目標(biāo)變量的時(shí)間尺度關(guān)系，對(duì)各個(gè)主導(dǎo)變量進(jìn)行時(shí)間移位處理，構(gòu)建帶時(shí)間尺度的數(shù)據(jù)樣本。

2.3 梯度下降法RBF神經(jīng)網(wǎng)絡(luò)模型

RBF神經(jīng)網(wǎng)絡(luò)[17]具有萬能逼近任意連續(xù)函數(shù)的特點(diǎn)，本文采用RBF網(wǎng)絡(luò)結(jié)構(gòu)，建立SCR系統(tǒng)入口NOx質(zhì)量濃度軟測(cè)量模型。RBF神經(jīng)網(wǎng)絡(luò)由3層結(jié)構(gòu)組成，為輸入層、隱含層和輸出層。輸入層的個(gè)數(shù)由選取的軟測(cè)量變量數(shù)決定，隱含層根據(jù)模型收斂速度設(shè)定，一般需要通過多次調(diào)整。

設(shè)計(jì)一個(gè)k-h-1結(jié)構(gòu)的RBF網(wǎng)，其中h為隱節(jié)點(diǎn)個(gè)數(shù)，其激活函數(shù)一般采用Gaussian型RBF，隱含層輸出矩陣[18]

(7)

式中：Xk、C為RBF隱含層數(shù)據(jù)中心；r為隱含層的擴(kuò)展常數(shù)向量。

輸出層的傳遞函數(shù)只需要采用線性函數(shù)即可，RBF網(wǎng)模型輸出

G=W·ΦT，

(8)

式中W為隱含層輸出權(quán)值矩陣。

梯度下降法適合于大容量數(shù)據(jù)樣本的RBF神經(jīng)網(wǎng)絡(luò)訓(xùn)練[19]，神經(jīng)網(wǎng)絡(luò)的輸出矩陣G與目標(biāo)變量矩陣Y的誤差記為

(9)

網(wǎng)絡(luò)學(xué)習(xí)的方向就是梯度下降的方向[20-21]，訓(xùn)練過程就是權(quán)值不斷通過誤差梯度修正，數(shù)據(jù)中心c和隱含層輸出權(quán)值w的更新公式為：

(10)

(11)

通過反復(fù)循環(huán)更新，利用誤差E的梯度值對(duì)權(quán)值w和數(shù)據(jù)中心c進(jìn)行調(diào)節(jié)，直到E滿足精度要求，建立RBF神經(jīng)網(wǎng)絡(luò)軟測(cè)量模型。

3 主導(dǎo)因素選擇

影響SCR系統(tǒng)入口NOx質(zhì)量濃度測(cè)量值的原始變量數(shù)較多，若直接采用原始變量進(jìn)行RBF神經(jīng)網(wǎng)絡(luò)建模，會(huì)降低模型測(cè)量精度，增加網(wǎng)絡(luò)模型的運(yùn)算復(fù)雜度。因此，本文采用PCA和T2統(tǒng)計(jì)量監(jiān)測(cè)，利用PCA和T2統(tǒng)計(jì)量對(duì)原始變量進(jìn)行降維處理，從中選出與入口NOx質(zhì)量濃度相關(guān)系數(shù)大的主導(dǎo)因素。其次，由于鍋爐燃燒系統(tǒng)具有大滯后、強(qiáng)時(shí)延的特點(diǎn)，從爐膛燃燒工況變化到SCR系統(tǒng)入口NOx質(zhì)量濃度改變往往需要較長(zhǎng)的反應(yīng)時(shí)間，而且CEMS濃度測(cè)量存在滯后時(shí)間，因此需要采用時(shí)間尺度分析法對(duì)初選因素與SCR系統(tǒng)入口NOx質(zhì)量濃度的時(shí)間關(guān)系進(jìn)行分析。最后，將篩選、分析和處理后的數(shù)據(jù)樣本作為RBF神經(jīng)網(wǎng)絡(luò)的訓(xùn)練數(shù)據(jù)，建模流程如圖1所示。

圖1 建模流程Fig.1 Modelling flowchart

燃煤機(jī)組各臺(tái)磨煤機(jī)啟停的次序不同，因此在選擇數(shù)據(jù)樣本時(shí)，需要涵蓋各個(gè)負(fù)荷段下的數(shù)據(jù)。根據(jù)表1所選原始變量，采集一段時(shí)間內(nèi)機(jī)組日常運(yùn)行數(shù)據(jù)(采樣周期30 s)，數(shù)據(jù)包含高、中、低3個(gè)負(fù)荷段，同時(shí)剔除異常數(shù)據(jù)(如CEMS儀表吹掃、啟停機(jī)等特殊工況)，形成建模數(shù)據(jù)原始樣本。

3.1 影響因子分析

對(duì)采集的數(shù)據(jù)樣本集進(jìn)行PCA及T2統(tǒng)計(jì)量監(jiān)測(cè)，由于所配煤種不同，各臺(tái)磨煤機(jī)對(duì)SCR系統(tǒng)入口NOx質(zhì)量濃度影響也不同，但對(duì)入口NOx質(zhì)量濃度影響的時(shí)間尺度是一致的。根據(jù)分析繪制出主元特征值及其累計(jì)貢獻(xiàn)率，如圖2、圖3所示。

圖2 主元特征值及其累計(jì)貢獻(xiàn)率Fig.2 Principal component eigenvalue and cumulative contribution rate

圖3 NOx質(zhì)量濃度與T2統(tǒng)計(jì)量的變化曲線Fig.3 Variation curves of NOx mass concentration and T2 statistic

由圖2可知，數(shù)據(jù)樣本的變化趨勢(shì)可以由前幾個(gè)主元解釋，第1、第2、第3、第4主元貢獻(xiàn)量之和占比約81.2%，可以作為軟測(cè)量模型輸入?yún)?shù)。由圖3可知，當(dāng)T2統(tǒng)計(jì)量達(dá)到最大時(shí)，對(duì)應(yīng)的入口NOx質(zhì)量濃度也隨之出現(xiàn)較大的波動(dòng)，可見T2統(tǒng)計(jì)量與SCR系統(tǒng)入口NOx質(zhì)量濃度是有關(guān)聯(lián)的。

各原始變量對(duì)第1、第2、第3、第4主元的貢獻(xiàn)量如圖4至圖7所示。

在T2統(tǒng)計(jì)量最大值時(shí)，由圖4至圖7可知，A磨瞬時(shí)煤量、A磨一次風(fēng)壓對(duì)主元貢獻(xiàn)最大，其次D磨瞬時(shí)煤量、D磨一次風(fēng)壓、E磨瞬時(shí)煤量、E磨一次風(fēng)壓、F磨瞬時(shí)煤量、F磨一次風(fēng)壓、煙氣含氧量、總煤量等對(duì)主元貢獻(xiàn)較大。由于各臺(tái)磨的煤量與風(fēng)量具有較強(qiáng)的關(guān)聯(lián)性，因此可以選擇其一作為軟測(cè)量參數(shù)，選取變量見表2。

圖4 各原始變量對(duì)第1主元的貢獻(xiàn)量Fig.4 Contribution of original variables for the first principal component

圖5 各原始變量對(duì)第2主元的貢獻(xiàn)量Fig.5 Contribution of original variables for the second principal component

圖6 各原始變量對(duì)第3主元的貢獻(xiàn)量Fig.6 Contribution of original variables for the third principal component

表2 初選變量Tab.2 Primary selected variables

圖7 各原始變量對(duì)第4主元的貢獻(xiàn)量Fig.7 Contribution of original variables for the forth principal component

3.2 入口NOx質(zhì)量濃度時(shí)間尺度分析

表2中初選變量與SCR系統(tǒng)入口NOx質(zhì)量濃度存在時(shí)間尺度，需要進(jìn)一步對(duì)篩選后的變量進(jìn)行分析。采集一段40%PN～60%PN(PN為額定負(fù)荷)負(fù)荷段下數(shù)據(jù)，時(shí)間間隔為30 s。按照式(6)的計(jì)算方法，逐個(gè)分析初選變量與SCR系統(tǒng)入口NOx質(zhì)量濃度的時(shí)間尺度，結(jié)果如圖8、圖9所示。F磨瞬時(shí)煤量與入口NOx質(zhì)量濃度在510 s時(shí)相關(guān)性最大，即S達(dá)到最小值，反映了當(dāng)F磨瞬時(shí)煤量變化后，經(jīng)過煤粉輸送、爐膛燃燒等慣性環(huán)節(jié)，入口NOx質(zhì)量濃度發(fā)生變化，時(shí)間過程約為510 s。同理，當(dāng)爐膛煙氣含氧量發(fā)生變化后，約30 s后入口NOx質(zhì)量濃度發(fā)生變化。

圖8 F磨瞬時(shí)煤量與SCR系統(tǒng)入口NOx質(zhì)量濃度的相關(guān)性指標(biāo)曲線Fig.8 Curve of correlation between F instantaneous coal consumption and NOx mass concentration at SCR system inlet

由于各臺(tái)磨煤機(jī)瞬時(shí)煤量與總煤量屬于同一性質(zhì)參數(shù)，它們與入口NOx質(zhì)量濃度的時(shí)間尺度可以視為一致，經(jīng)過分析后得出：各臺(tái)磨煤機(jī)瞬時(shí)煤量、煙氣含氧量與入口NOx質(zhì)量濃度時(shí)間尺度分別為510 s、30 s。軟測(cè)量數(shù)據(jù)集中的各個(gè)初選變量是同時(shí)刻采集的，因此需要對(duì)數(shù)據(jù)集各變量進(jìn)行時(shí)間尺度移位后，構(gòu)建出新的相關(guān)程度更高的數(shù)據(jù)樣本集，作為RBF模型的輸入。

圖9 煙氣含氧量與SCR系統(tǒng)入口NOx質(zhì)量濃度的相關(guān)性指標(biāo)曲線Fig.9 Curve of correlation between oxygen content in flue gas and NOx mass concentration at SCR system inlet

3.3 軟測(cè)量模型

采用3層網(wǎng)絡(luò)結(jié)構(gòu)的RBF作為入口NOx質(zhì)量濃度軟測(cè)量模型，將初選變量進(jìn)行相應(yīng)的時(shí)間尺度移位后作為軟測(cè)量模型的輸入，SCR系統(tǒng)入口NOx質(zhì)量濃度則作為模型的輸出。由于軟測(cè)量各個(gè)變量的數(shù)據(jù)量綱不同，直接進(jìn)行網(wǎng)絡(luò)訓(xùn)練將會(huì)增加權(quán)值系數(shù)訓(xùn)練難度，降低模型訓(xùn)練精度。因此，需要將其標(biāo)準(zhǔn)化處理后統(tǒng)一量綱，以便于軟測(cè)量參數(shù)的辨識(shí)和學(xué)習(xí)。

4 入口NOx質(zhì)量濃度軟測(cè)量仿真建模

帶時(shí)間尺度PCA-RBF神經(jīng)網(wǎng)絡(luò)采用6-20-1的網(wǎng)絡(luò)結(jié)構(gòu)，采集機(jī)組日常運(yùn)行數(shù)據(jù)，經(jīng)過數(shù)據(jù)篩選處理后，作為RBF神經(jīng)網(wǎng)絡(luò)軟測(cè)量訓(xùn)練樣本，采樣周期為30 s，樣本總數(shù)為1 810。訓(xùn)練次數(shù)設(shè)為20 000，目標(biāo)誤差設(shè)為0.1%，隱含層數(shù)據(jù)中心學(xué)習(xí)系數(shù)為0.000 1，隱含層擴(kuò)展常數(shù)學(xué)習(xí)系數(shù)為0.000 1，隱含層輸出權(quán)值學(xué)習(xí)系數(shù)為0.000 01。

為了驗(yàn)證帶時(shí)間尺度PCA-RBF模型的軟測(cè)量效果，對(duì)比RBF、PCA-RBF、帶時(shí)間尺度PCA-RBF這3種模型，訓(xùn)練誤差曲線如圖10所示，訓(xùn)練結(jié)果如圖11所示，3種模型訓(xùn)練誤差對(duì)比見表3。

可以看出，3種模型的訓(xùn)練結(jié)果與目標(biāo)曲線基本擬合，當(dāng)模型均為6-20-1的網(wǎng)絡(luò)結(jié)構(gòu)時(shí)，帶時(shí)間尺度PCA-RBF模型訓(xùn)練均方差小于PCA-RBF

圖10 網(wǎng)絡(luò)訓(xùn)練誤差曲線Fig.10 Net training error curves

圖11 訓(xùn)練值與目標(biāo)值對(duì)比Fig.11 Contrast of training and target values

表3 3種模型訓(xùn)練誤差對(duì)比Tab.3 Contrast of training errors of three models

模型，且?guī)r(shí)間尺度PCA-RBF模型的收斂時(shí)間也早于PCA-RBF模型；RBF模型與帶時(shí)間尺度PCA-RBF模型訓(xùn)練均方差相差不大，但RBF模型結(jié)構(gòu)更復(fù)雜，參數(shù)更多，且收斂時(shí)間遠(yuǎn)遠(yuǎn)大于帶時(shí)間尺度PCA-RBF模型。因此，通過對(duì)比分析可以看出，帶時(shí)間尺度的PCA能夠有效簡(jiǎn)化軟測(cè)量模型結(jié)構(gòu)，加快模型收斂速度，減小模型訓(xùn)練誤差。

為了檢驗(yàn)帶時(shí)間尺度PCA-RBF模型的泛化能力，將訓(xùn)練好的模型和分析后的時(shí)間尺度應(yīng)用于實(shí)際入口NOx質(zhì)量濃度預(yù)測(cè)，選取該機(jī)組變負(fù)荷工況下的運(yùn)行數(shù)據(jù)。因CEMS儀器吹掃的原因，采集的樣本數(shù)據(jù)需要剔除吹掃時(shí)刻的NOx質(zhì)量濃度值后作為預(yù)測(cè)數(shù)據(jù)樣本，樣本總數(shù)為579，采樣周期為1 s。RBF、PCA-RBF、帶時(shí)間尺度PCA-RBF這3種模型的預(yù)測(cè)效果如圖12所示，3種模型的預(yù)測(cè)誤差對(duì)比見表4。帶時(shí)間尺度PCA-RBF模型與預(yù)測(cè)目標(biāo)值基本擬合，預(yù)測(cè)誤差為0.050 6%，而PCA-RBF和RBF模型輸出均出現(xiàn)了較大偏差，存在過擬合現(xiàn)象。

圖12 預(yù)測(cè)值與目標(biāo)值對(duì)比Fig.12 Contrast of prediction and target values

表4 3種模型預(yù)測(cè)誤差對(duì)比Tab.4 Contrast of predictive errors of three models

5 結(jié)束語

本文通過數(shù)據(jù)分析為RBF神經(jīng)網(wǎng)絡(luò)篩選出適合建模的數(shù)據(jù)樣本，先后通過脫硝系統(tǒng)影響因素分析、PCA及T2統(tǒng)計(jì)量監(jiān)測(cè)，從SCR系統(tǒng)入口NOx質(zhì)量濃度的影響變量中選出6個(gè)初選變量作為RBF神經(jīng)網(wǎng)絡(luò)模型輸入，再通過時(shí)間尺度分析獲得各個(gè)初選變量與SCR系統(tǒng)入口NOx質(zhì)量濃度的時(shí)間關(guān)系，構(gòu)建相關(guān)程度高的訓(xùn)練樣本集，有效降低RBF神經(jīng)網(wǎng)絡(luò)模型結(jié)構(gòu)，提高模型收斂速度。本文提出的帶時(shí)間尺度PCA-RBF模型能夠克服傳統(tǒng)CEMS儀表時(shí)延、儀表吹掃造成測(cè)量不準(zhǔn)的難題，有效提升燃煤機(jī)組脫硝系統(tǒng)的NOx濃度自動(dòng)控制效果。