基于数据挖掘的锅炉氮氧化物预测及控制研究

发布时间：2020-04-04 21:46

【摘要】：锅炉运行优化可以提高锅炉运行效率并且保证锅炉的运行安全,一般包括对设备及煤种等硬件的更换和运行参数的优化调整。由于锅炉组件众多且运行过程复杂,使得目前锅炉的运行优化存在较多难点。从电站SIS系统累积的数据中寻找锅炉运行的最佳参数,可以省去现场调试的成本,具有重要的现实意义。但是由于电站数据具有波动性强,参数多,数据量大等特点,使用人工分析不太现实。随着数据挖掘方法逐步成熟,将数据挖掘应用到电站锅炉的数据分析已经成为研究的热点。本文以数据挖掘为工具,对电站SIS系统数据进行分析,目标是预测SCR入口氮氧化物浓度并优化锅炉运行参数使其能够绿色高效运行。主要进行以下工作:进行数据的预处理。首先需要挑选出建模所用的参数,达到给数据降维的目的。其次采用孤立森林算法检测异常值并将异常值删除,对于空缺值直接删除。另外电站锅炉数据会存在噪声干扰,采取小波软阈值去除噪声。最后电站锅炉的非稳态数据不能够参与模型建立,本文采取改进的自适应多项式滤波算法提取稳态数据,并从中挑选出燃烧常用煤种时的数据,此数据将用于后续建模。分别采用BP神经网络和支持向量机建立NO_X回归预测模型,并用粒子群优化算法(PSO)和差分优化算法(DE)分别对模型进行优化,发现支持向量机的性能要好于BP神经网络,在支持向量机模型中差分优化支持向量机较稳定,故采用DE-SVM。经过调试发现当支持向量机的两个参数c和g分别取0.78995和3.9628时,模型准确度最高,此时的平均相对误差为2.283%,且最大相对误差为9.35%,符合工业要求。采用模糊关联规则对数据处理。先用非均等模糊聚类将SCR入口烟气氧含量分为5个模糊区间,将SCR入口NO_X浓度、预器出口飞灰含碳量分为3个模糊区间。之后进行关联规则挖掘,最终得出当烟气氧含量为[2.86%-3.12%]时,SCR入口NO_X浓度、预器出口飞灰含碳量均处于较低区间的倾向性较大,符合实际情况。
【图文】：

比例,超低排放,火力发电,氮氧化物

[1]。我国各能源发电比例如图1-1所示，虽然我国也在大力发展水电等新型能源，但火力发电基础体量大、发电量多、性能可靠，依旧是我国当前发电的主要形式。图1-1 我国各能源发电比例火力发电在服务人类的同时也会产生大量的污染性气体，如氮氧化物（NOX）等，造成环境污染。2014年，国家颁布《全面实施燃煤电厂超低排放和节能改造工作方案》[2]，方案指出截至2020年，全国所有具备改造条件的燃煤电站争取实现超低排放，其中氮氧化物浓度排放上限为50mg/m3。因此如何维持锅炉具有较高效率并且减少氮氧化物排放成为众多学者关注的问题

流程图,数据挖掘,流程图,常变量

医疗诊断，工业控制等领以分为描述型和预测型两种[5]，描述联规则模型就是典型的描述型任务常变量与其他变量之间的关系，应用范从剩余参数中选取部分作为预测目标据库中选取部分数据用于训练模型，，测试模型，这部分数据被称为测试数下来就可以根据自变量的变动输出目预测型任务分为回归和分类两个种类比如某天连续的温度变化为回归预测
【学位授予单位】：华中科技大学
【学位级别】：硕士
【学位授予年份】：2019
【分类号】：TM621.2;X773

【参考文献】