技术摘要：
本发明公开了一种多边界条件下SCR入口NOx浓度的检测方法及系统，该方法包括以下步骤：根据系统机理分析，确定与SCR入口NOx相关的影响因素；采集历史运行数据，确定输入变量；通过KMeans算法聚类多种边界条件下的输入变量，得到多边界条件下的训练数据集；采用SVR方法建  全部
背景技术：
随着国家一系列政策和法规的颁布，如《大气污染防治法》、《火电厂大气污染物排 放标准》、《排污费征收使用管理条例》、《全面实施燃煤电厂超低排放和节能改造工作方案》 等，燃煤电厂的大气污染物排放已纳入严格监管，各电厂陆续开展了烟气超低排放改造。超 低排放改造后要求燃煤电厂NOx排放浓度须低于50mg/m3，开发完善的火电厂脱硝技术，尽 量降低电厂污染物的排放，已成为我国电厂势在必行的任务。在此背景下，如何精确地测量 脱硝系统入口NOx的实时值成为改善脱硝系统控制效果的关键。 目前国内外主要通过连续排放检测系统(Continuous  Emission  Monitoring  System，CEMS)对烟气中的NOx成分进行实时测量。然而，这种测量方法在测量过程那个具有 投资成本高、分析数据耗时长、测量值反馈存在严重滞后等缺点，势必导致脱硝系统入口 NOx难以实时准确的展现，最终导致脱硝系统对NOx的控制效果不理想。当机组负荷发生变 化时，脱硝反应器入口NOx会发生较大的波动，如果喷氨量不足，容易导致NOx排放增加甚至 超标；如果喷氨量过多，过量的氨气与烟气中SO3反应生成硫酸氢铵和硫酸铵，降低催化剂 火星，造成空预器积灰堵塞和腐蚀，影响锅炉安全运行，同时氨逃逸增加运行成本浪费和二 次环境污染。 为解决现有脱硝系统出现的非线性、大迟延、大惯性的特性致使反应器入口NOx值 存在测不准、测量滞后的问题，通常采用最小二乘法、神经网络、模糊方法等智能化方法开 展入口NOx的建模，但是这些方法往往只建立一个统一的模型，该模型能够在稳定工况下能 够预测入口NOx浓度，但对于燃煤电厂而言，存在着升降负荷、磨启停、吹扫等多种工况，这 些工况致使脱硝系统的运行过程非常复杂，所以一个统一的模型无法解决多种工况下的入 口NOx预测问题。 有鉴于此，如何实现在稳定负荷、变工况等多种条件下入口NOx的精准建模是火电 厂脱硝控制过程中一个亟待解决的问题。
技术实现要素：
为了解决上述技术问题，本发明所采用的技术方案是提供了一种多边界条件下 SCR入口NOx浓度的检测方法，其特征在于，包括以下步骤： 对燃煤机组烟气生成机理及SCR系统机理分析，确定与SCR入口NOx相关的影响因 素；采集与SCR入口NOx相关的影响因素的历史运行数据，确定与NOx相关的输入变量；根据 所述确定的输入变量及历史运行数据，通过KMeans算法聚类得到稳定负荷、升负荷、降负 荷、磨启停、吹扫及其多种组合的多种边界条件下的输入变量，得到多边界条件下的训练数 据集；采用SVR方法建立各所述边界条件下的最优SCR入口NOx动态预测模型；获取当前时刻 6 CN 111581581 A 说　明　书 2/14 页 与SCR入口NOx相关的运行数据，并判断当前时刻的边界条件，确定当前时刻对应边界条件 下的SCR入口NOx预测值。 在上述方法中，所述影响因素主要包括机组负荷、总风量、总煤量、烟气含氧量、烟 气流量与燃尽风门开度。 在上述方法中，通过PCA算法确定与NOx相关的输入变量，其中，输入变量为机组负 荷、总风量、烟气含氧量。 在上述方法中，所述通过PCA算法确定与NOx相关的输入变量具体包括以下步骤： SCR入口NOx相关的历史运行数据主要由输入时间序列信号和输出时间序列信号 组成的时间序列集(X,Y)； 所述输入时间序列信号为X＝[xi]m＝[xij]mⅹp，i＝1,2,…,t,…m，j＝1,2,……p，m 为历史运行数据的个数，p为与SCR入口NOx相关输入变量个数； 所述输出时间序列信号为历史运行数据Y＝[yi]mⅹ1，i＝1,2,…,t,…m，m为历史运 行数据的个数，此处即是指SCR入口NOx； 计算所述历史运行数据中输入变量的相关系数矩阵R： 其中，rab为所述历史运行数据中xa与xb的相关系数，rab＝rba， 为变量xa的样本均值， 为变量xb的样本均值； 根据特征方程|λI-R|＝0，计算特征值，所述特征值为λj,j＝1,2,...,p，并按从大 到小的顺序排序所述特征值，λ1≥λ2≥…≥λp，其中，I表示单位矩阵； 计算每个所述特征值λj,j＝1,2,...,p对应的特征向量ej,j＝1,2,...,p；其中，|| ej||＝1； 根据所述特征值，计算累计贡献率，选取所述累计贡献率达85％～95％的特征值， 累计贡献率达85％～95％的特征值的个数确定为所述主成分分量的个数q；所述累计贡献 率的计算公式： 根据所述特征值以及所述特征向量，计算主成分载荷矩阵L＝(lij)q×p；所述主成 分载荷的计算公式为 7 CN 111581581 A 说　明　书 3/14 页 根据主成分载荷矩阵确定最终与SCR入口NOx相关输入变量。 在上述方法中，所述通过KMeans算法聚类得到稳定负荷、升负荷、降负荷、磨启停、 吹扫及其多种组合的多种边界条件下的输入变量，得到多边界条件下的训练数据集具体包 括步骤： A1、在给定的样本集中随机为K个聚类选择初始质心； A2、计算样本集中每个样本与K个质心之间的距离，并按照最小距离原则进行聚 类； A3、使用K个聚类的样本均值迭代更新质心； A4、复步骤A2-A3，直到质心稳定不再发生变化； A5、输出最终的质心和K个聚类划分。根据最终确定的K种类别，将采集的历史运行 数据分为K种，得到K种边界条件下对应的训练数据集。 在上述方法中，所述建立SCR入口NOx动态预测模型通过KMeans方法聚类得到的不 同边界条件下的训练数据集建立对应条件下的SVR动态预测模型；具体包括步骤： 设置SVR参数，并确定SVR参数的取值范围；SVR参数包括惩罚系数C、不敏感参数ε 及核函数参数； SVR基本数学模型为： f(x)＝ωTx b； 根据核函数κ()将所述输入/输出时间序列信号对(xi,yi)映射到高维空间，得到 SVR模型在高维空间的表达形式： f(x)＝ωTκ(xi,xj) b； 式中，ω为权重矢量矩阵；b为偏置常数。 所述数学模型f(x)对应的目标函数为： 其对应的约束条件为： yi-[ωTκ(xi) b]≤ε ξi s.t.[ωTκ(xi) b]-yi≤ε ξi' ξi,ξi'≥0,i＝1,2,…,n 上述问题的求解，需引入拉格朗日乘子αi , ηi , 并定义拉格朗日函数 L： 分别对参数ω,b,ξi, 求偏导数： 8 CN 111581581 A 说　明　书 4/14 页 根据上式将目标函数转换成其对偶问题： SVR动态预测模型转换为： 采用5折交叉验证计算回归精度；根据回归精度进一步优选每组SVR模型的参数范 围，并确定最优SVR参数，具体包括以下步骤： 所述5折交叉验证是将所述训练样本(X,Y)分成5份，每次选择一份作为测试集，四 份作为训练集。根据步骤5所述SVR数学模型，计算均方误差，重复5次，并求取5次的均方误 差作为最后的计算精度；根据计算的精度进一步缩小惩罚系数C、不敏感参数ε及核函数参 数等SVR参数的范围，并重复上述所述步骤，直至计算精度达到最优精度，得到最优SVR参 数； 再将不同边界条件下的所述训练数据集的数据输入至所述SVR模型中进行模型训 练，得到每种边界条件下的最优SCR入口NOx动态预测模型。 本发明还提供了一种多边界条件下SCR入口NOx浓度的检测系统，其特征在于，包 括 历史数据采集单元101：用于对燃煤机组烟气生成机理及SCR系统机理分析，确定 与SCR入口NOx相关的影响因素；且采集与SCR入口NOx相关的影响因素的历史运行数据，确 定训练模型的输入变量； 训练数据集获取单元102：用于根据历史数据采集单元101确定的输入变量及历史 运行数据，通过KMeans算法聚类得到稳定负荷、升负荷、降负荷、磨启停、吹扫及其多种组合 的多种边界条件下的输入变量，得到多边界条件下的训练数据集； 模型建立与训练单元103：采用SVR方法建立各边界条件下的SCR入口NOx动态预测 9 CN 111581581 A 说　明　书 5/14 页 模型； NOx预测单元104：用于获取当前时刻与SCR入口NOx相关的运行数据，并判断当前 时刻的边界条件，确定当前时刻对应边界条件下的SCR入口NOx预测值。 在上述方案中，所述历史数据采集单元101包括： 历史数据采集模块：根据对燃煤机组烟气生成机理及SCR系统机理分析，确定与 SCR入口NOx相关的影响因素； 数据预处理模块：用于对历史运行数据通过PCA算法降低输入维度，确定与NOx相 关的输入变量。 在上述方案中，所述模型建立与训练单元103包括： 模型建立模块：用于对应每个多种边界条件采用SVR方法建立相应的SCR入口NOx 动态预测模型； 模型训练模块：通过所述训练数据集获取单元102获取的各边界条件下的训练数 据集的数据输入到对应的建立的SVR模型中进行模型训练，得到训练完成的每种边界条件 下的最优SCR入口NOx动态预测模型。 在上述方案中，NOx预测单元104包括： 当前运行数据获取模块：用于获取当前时刻与SCR入口NOx相关的运行数据； 当前条件判断模块：用于根据当前运行数据获取获取的运行数据，判断判断当前 时刻的边界条件及输入变量； NOx预测值计算模块：根据当前条件判断模块判断的边界条件，将输入变量输入至 训练完成的对应的SCR入口NOx动态预测模型，确定并输出当前时刻对应边界条件下的SCR 入口NOx预测值。 本发明还提供了一种计算机设备，包括存储器、处理器及存储在存储器上并可在 处理器上运行的计算机程序，处理器执行计算机程序时实现如上述所述多边界条件下SCR 入口NOx浓度的检测方法。 本发明还提供了一种计算机可读存储介质，其上存储有计算机程序，计算机程序 被处理器执行时实现上述实施例中识别模型训练方法，或者计算机程序被处理器执行时实 现如上述所述多边界条件下SCR入口NOx浓度的检测方法。 本发明分别建立了稳定负荷、升降负荷、磨启停、吹扫等多种边界条件下的入口 NOx预测模型，能够有效地预测变工况下的SCR入口NOx浓度，并且通过SVR建模方法有效地 解决脱硝系统的非线性特性引起的入口NOx的预测不精确问题，对于燃煤机组排放污染物 和成本具有指导意义。 附图说明 为了更清楚地说明本发明