文獻標識碼:A
DOI:10.19358/j.issn.2097-1788.2023.09.013
引用格式:張瑾,姜浩,金秀章.基于互信息變量選擇的燃煤機組SCR脫硝系統PSO-ELM建模[J].網絡安全與數據治理,2023,42(9):88-95.
0 引言
燃煤機組產生的氮氧化物(NOx)是大氣污染的首要排放物之一,在空氣質量方面影響較為嚴重[1]。煙氣排放連續檢測系統(Continuous Emission Monitoring Systems,CEMS)對煙氣取樣管路要按時反向吹掃,以避免積灰堵塞,從而會導致NOx測量結果存在間斷性失真,同時,由于煙氣取樣管路長度一般為40~60 m,造成測量結果出現時滯現象,控制系統的控制難度也因此得到提升。因此,建立脫硝系統預測模型,對于燃煤機組的優化運行,噴氨量的控制以及污染物的監測管理都具有重要意義[2]。
隨著神經網絡的發展,許多建模方法被應用到脫硝系統當中。楊文玉等人[3]利用RBF神經網絡建立了脫硝系統出口NOx的預測模型,該模型在處理時序預測問題時并沒有明顯優勢。張淑清等人[4]利用ELM神經網絡建立了電網負荷的預測模型,并利用飛蛾優化算法對模型參數進行優化,該文所用訓練數據過少,容易導致模型過擬合。劉延泉等人[5]將互信息與LSSVM方法結合,對脫硝系統入口NOx濃度進行了預測,但模型未考慮輸入變量的對模型的影響。
除了建模方法,特征選擇也會影響模型的預測能力。特征選擇常見的方法有過濾式(Filter)、封裝式(Wrapper)和嵌入式(Embedded)三種。輸入變量的直接選擇決定了模型的結構與輸出,輸入變量的選擇通常對工業機理進行分析,從待選變量進行篩選獲取[6-7]。金秀章等人[8]利用mRMR算法篩選出符合模型的輸入變量,建立了出口SO2質量濃度預測模型,但正則化仍不能計算出隱層節點的具體數量。趙文杰等人[9]利用互信息與優化算法結合確定系統最優的輸入變量集合,將互信息特征提取方法應用到高維系統中,建立了脫硝系統的預測模型,但該方法計算量大,耗時較長,實施起來較為困難。錢虹等人[10]采用隨機森林算法進行變量選擇,并對SCR脫硝系統出口NOx質量濃度進行了預測,但模型未解決煙氣采樣管道長度較長而導致的時滯問題。
本文詳細內容請下載:http://m.viuna.cn/resource/share/2000005666
作者信息:
張瑾,姜浩,金秀章
(華北電力大學控制與計算機工程學院,河北保定071003)