基于随机森林的火电机组SCR脱硝反应器建模

发布时间：2025-02-08 16:49

　　 火电机组选择性催化还原技术（SCR）脱硝反应器过程复杂多变,采用机理建模的SCR脱硝反应器出口NO_x质量浓度预测难以取得良好的效果。基于火电厂的历史运行数据,将主成分分析（PCA）和随机森林（RF）相结合建立了SCR脱硝反应器出口NO_x质量浓度预测模型。在建模过程中,采用主成分分析方法计算各个变量的贡献率来筛选变量,进而对随机森林模型进行试验验证,并与支持向量机（SVM）模型和BP神经网络模型的预测性能进行对比。结果表明:采用PCA变量选择方法确定SCR系统模型的输入变量是可行和有效的;与SVM和BP神经网络模型相比,RF算法得到的SCR系统模型具有更好的预测效果。

【文章页数】：7 页

【部分图文】：

图1 SCR反应示意图

影响SCR反应的物理因素很多,机理过程十分复杂[20-22],反应过程如图1所示,在催化剂作用下发生的主要化学反应有:火电厂的锅炉燃烧受到许多因素的影响,从火电厂SIS系统中提取的烟气流量、机组负荷、温度、压力、氧量、入口NOx质量浓度等都对脱硝系统出口的NOx质量浓度有直接影响....

图2 RF模型结构

在模型结构的设计中,当前时刻的SCR出口NOx质量浓度会受到上一时刻出口NOx质量浓度的影响,因此将上一时刻出口NOx质量浓度和筛选出的6个主成分变量作为RF模型的7个有效的输入变量。经过反复试验调试,最终确定随机森林的决策树数目为400棵,变量数d1为2。试验数据采取训练数据为....

图3 基于随机森林模型的训练结果

为了验证RF模型对SCR反应器出口NOx排放质量浓度的预测性能,通过对RF模型与传统BP神经网络模型及SVM模型进行比较,得到1152组测试数据的预测结果,如图3～图6所示。表2给出了优度R2、均方根误差RMSE和训练模型时间t耗时的预测结果。图4基于随机森林模型的测试结果

图4 基于随机森林模型的测试结果

图3基于随机森林模型的训练结果图5基于BP神经网络模型的测试结果

本文编号：4031666