锅炉氮氧化合物排放浓度预测方法及装置与流程

1.本发明涉及燃煤机组技术领域，尤指一种锅炉氮氧化合物排放浓度预测方法及装置。


背景技术：

2.燃煤机组在能源架构中承担着主要任务，但燃煤机组燃料燃烧产生的nox是空气中主要污染物之一。随着对空气质量的要求不断提高，nox的排放标准也更加严格。
3.现有电站各系统的数据建模方法研究中，多数方法的研究对象为稳定工况下的模型，即在稳定工况下的数据模型，然而，对于大型火电机组而言，其系统复杂、各系统之间相互影响，且近年来，很多电站为享受电量奖励政策，提高企业效益及竞争力，均加入agc模式。该模式对机组负荷响应要求很高，在该种模式下，机组负荷往往会频繁变化，使得机组状态不断处于稳态到动态的变化状态之中。稳定工况下的静态模型侧重于研究各系统稳定状态下系统的输入变量与输出变量函数对应关系，这种对应关系对于系统的动态过程的变化特征描述较差，不能反映系统在变工况条件下的动态特性，无法适用于实际生产中变工况状态下的控制以及监测等需求。因此，除了研究稳态工况下静态模型建模方法，研究变工况下的动态过程也是有必要的。
4.当机组处于动态变化的工况时，机组负荷、锅炉给煤量、机组送风量等参数也处于动态变化的状态，scr(选择性催化还原技术)脱硝系统入口nox浓度模型以及scr脱硝系统出口nox浓度模型中的辅助变量参数同样随之变动，此时两种模型系统都会表现出较大的动态特性。
5.此外，因为物料流动的传输信号传输和反应过程等时延存在，系统的输入和输出变量之间普遍存在时延现象，这会导致在同一采样时刻输入和输出变量之间的对应关系产生错位。当建立系统静态模型时，由于各参数变量一直处于同一数值或者变化幅度较小，这时可以忽略变量之间的时延问题而采用同一时刻的输入输出数据建立稳态模型，认为当前时刻的输出是由当前时刻的输入决定，此时模型本身是有意义的。然而当系统处于动态变化状态时，所建立动态模型数据也是出于较大波动的，此时数据存在强自相关性和动态互相关性，也即在动态过程中当前时刻的输出并不是由仅仅由当前时刻的输入决定的，而是由前若干个时刻的历史输入决定。在这种情况下如果忽略变量的时延特性，将会导致输入输出变量间产生错误的对应关系，使得所建立的系统模型难以取得较好的效果。因此建立动态模型时需要考虑历史输入变量数据对于当前输出变量的影响。


技术实现要素：

6.针对现有技术中存在的问题，本发明实施例的主要目的在于提供一种锅炉氮氧化合物排放浓度预测方法及装置，实现精准地反应出锅炉在变负荷情况下的锅炉nox浓度变化特性。
7.为了实现上述目的，本发明实施例提供一种锅炉氮氧化合物排放浓度预测方法，
方法包括：
8.获取锅炉实时数据，并对锅炉实时数据进行预处理，得到锅炉实时数据对应的待处理数据；
9.将待处理数据输入至预先建立的动态预测模型中，得到锅炉氮氧化合物排放浓度预测结果；其中，动态预测模型是利用历史输出数据作为模型输入数据建立的。
10.可选的，在本发明一实施例中，动态预测模型是通过如下步骤建立的：
11.获取锅炉历史数据，并对锅炉历史数据进行预处理，得到历史输入数据及历史输出数据；
12.按照预设划分比例，将历史输入数据及历史输出数据划分为训练样本数据与测试样本数据；
13.利用量子粒子群算法，对训练样本数据中的历史输入数据及历史输出数据进行时延寻优处理，得到输入数据时延量及输出数据惯性参数；
14.利用高斯过程回归算法，将训练样本数据中包含有所述输入数据时延量的历史输入数据及包含有输出数据惯性参数的历史输出数据作为模型输入数据，对初始动态模型进行模型训练处理；
15.利用测试样本数据，对模型训练处理后的初始动态模型进行测试处理，得到动态预测模型。
16.可选的，在本发明一实施例中，锅炉历史数据包括：机组负荷、机组给煤量、一次风量、燃尽风挡板开度、二次风流量、总风量、烟气含氧量及历史氮氧化合物排放浓度。
17.可选的，在本发明一实施例中，对锅炉历史数据进行预处理，得到历史输入数据及历史输出数据包括：
18.对锅炉历史数据进行异常检测处理，并确定异常检测处理后的锅炉历史数据对应的输入数据最大值、输入数据最小值、输出数据最大值及输出数据最小值；
19.利用输入数据最大值、输入数据最小值、输出数据最大值及输出数据最小值，对异常检测处理后的锅炉历史数据进行数据标准化处理，得到历史输入数据及历史输出数据。
20.本发明实施例还提供一种锅炉氮氧化合物排放浓度预测装置，装置包括：
21.数据处理模块，用于获取锅炉实时数据，并对锅炉实时数据进行预处理，得到锅炉实时数据对应的待处理数据；
22.预测结果模块，用于将所述待处理数据输入至预先建立的动态预测模型中，得到锅炉氮氧化合物排放浓度预测结果；其中，动态预测模型是利用历史输出数据作为模型输入数据建立的。
23.可选的，在本发明一实施例中，装置还包括：
24.历史数据模块，用于获取锅炉历史数据，并对锅炉历史数据进行预处理，得到历史输入数据及历史输出数据；
25.样本数据模块，用于按照预设划分比例，将历史输入数据及历史输出数据划分为训练样本数据与测试样本数据；
26.时延确定模块，用于利用量子粒子群算法，对训练样本数据中的历史输入数据及历史输出数据进行时延寻优处理，得到输入数据时延量及输出数据惯性参数；
27.模型训练模块，用于利用高斯过程回归算法，将训练样本数据中包含有输入数据
时延量的历史输入数据及包含有输出数据惯性参数的历史输出数据作为模型输入数据，对初始动态模型进行模型训练处理；
28.预测模型模块，用于利用测试样本数据，对模型训练处理后的初始动态模型进行测试处理，得到动态预测模型。
29.可选的，在本发明一实施例中，锅炉历史数据包括：机组负荷、机组给煤量、一次风量、燃尽风挡板开度、二次风流量、总风量、烟气含氧量及历史氮氧化合物排放浓度。
30.可选的，在本发明一实施例中，历史数据模块包括：
31.异常检测单元，用于对所述锅炉历史数据进行异常检测处理，并确定异常检测处理后的锅炉历史数据对应的输入数据最大值、输入数据最小值、输出数据最大值及输出数据最小值；
32.标准化单元，用于利用输入数据最大值、输入数据最小值、输出数据最大值及输出数据最小值，对异常检测处理后的锅炉历史数据进行数据标准化处理，得到历史输入数据及历史输出数据。
33.本发明还提供一种电子设备，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，处理器执行所述程序时实现上述方法。
34.本发明还提供一种计算机可读存储介质，计算机可读存储介质存储有由计算机执行上述方法的计算机程序。
35.本发明还提供一种计算机程序产品，包括计算机程序/指令，计算机程序/指令被处理器执行时实现上述方法的步骤。
36.本发明通过将历史时刻的输出数据作为反馈引入到动态预测模型的输入，利用动态预测模型，实现精准地反应出锅炉在变负荷情况下的锅炉氮氧化合物浓度变化特性，可以为锅炉状态监测和scr脱硝系统喷氨控制提供准确的动态模型，为燃煤机组灵活转型提供理论支持。
附图说明
37.为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
38.图1为本发明实施例一种锅炉氮氧化合物排放浓度预测方法的流程图；
39.图2为本发明实施例中建立动态预测模型的流程图；
40.图3为本发明实施例中数据预处理的流程图；
41.图4为本发明实施例中基于输入时延的动态模型结构示意图；
42.图5为本发明实施例中量子粒子群算法优化输入输出时延的流程图；
43.图6为本发明实施例中动态预测模型结构示意图；
44.图7为本发明实施例一种锅炉氮氧化合物排放浓度预测装置的结构示意图；
45.图8为本发明另一实施例中锅炉氮氧化合物排放浓度预测装置的结构示意图；
46.图9为本发明实施例中历史数据模块的结构示意图；
47.图10为本发明一实施例所提供的电子设备的结构示意图。
具体实施方式
48.本发明实施例提供一种锅炉氮氧化合物排放浓度预测方法及装置。
49.下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
50.目前，现有技术中提出了一种锅炉燃烧效率和氮氧化合物排放量的建模方法，具体包括：(11)获得电厂锅炉的历史运行数据，并对历史运行数据进行预处理；(12)从预处理后的历史运行数据中获取训练集和测试集；(13)将训练集输入cnn-lstm网络结构，利用cnn-lstm方法对数据进行构建以锅炉效率作为输出变量的锅炉燃烧效率模型，以及构建以氮氧化合物排放量为输出变量的锅炉氮氧化合物排放量模型；(14)将测试集输入锅炉燃烧效率模型和锅炉氮氧化合物排放量模型；(15)判断模型是否有效，如果否，则返回步骤(13)，否则，确定有效模型。
51.但是上述现有技术中所提出的锅炉燃烧效率和氮氧化合物排放量的建模方法本质上是一种稳态数据建模方法，没有将输入变量的和输出变量的历史数据引入到模型的输入中，这种对应关系对于系统的动态过程的变化特征描述较差，不能反映系统在变工况条件下的动态特性，当需要预测的工况发生改变时，模型难以保证较高的预测精度。
52.本发明针对火电机组静态nox排放模型难以在机组变工况条件下保持较高的预测精度以及目前数据驱动动态过程建模中存在的问题，提出了一种考虑输入时延的动态过程建模方法并用电站锅炉nox排放动态过程建模。本发明不仅考虑了锅炉nox排放的辅助变量的历史时刻数据对当前输出的影响，而且将历史时刻的输出数据作为反馈引入到模型的输入。
53.如图1所示为本发明实施例一种锅炉氮氧化合物排放浓度预测方法的流程图，本发明实施例提供的锅炉氮氧化合物排放浓度预测方法的执行主体包括但不限于计算机。本发明通过将历史时刻的输出数据作为反馈引入到动态预测模型的输入，利用动态预测模型，实现精准地反应出锅炉在变负荷情况下的锅炉氮氧化合物浓度变化特性，可以为锅炉状态监测和scr脱硝系统喷氨控制提供准确的动态模型，为燃煤机组灵活转型提供理论支持。图中所示方法包括：
54.步骤s1，获取锅炉实时数据，并对锅炉实时数据进行预处理，得到锅炉实时数据对应的待处理数据；
55.步骤s2，将待处理数据输入至预先建立的动态预测模型中，得到锅炉氮氧化合物排放浓度预测结果；其中，动态预测模型是利用历史输出数据作为模型输入数据建立的。
56.其中，通过实时数据采集的方式，获取锅炉实时数据。具体的，锅炉实时数据包括实时的机组负荷、机组给煤量、一次风量、燃尽风挡板开度、二次风流量、总风量及烟气含氧量。
57.进一步的，对锅炉实时数据进行预处理，得到锅炉实时数据对应的待处理数据。具体的，预处理包括异常数据检测及数据标准化处理，具体可以采用常规异常数据检测与数据标准化方式，在此不再赘述。
58.进一步的，将待处理数据输入至预先建立的动态预测模型中进行计算处理，得到
锅炉氮氧化合物排放浓度预测结果。具体的，锅炉氮氧化合物排放浓度预测结果为锅炉排放物中的氮氧化合物浓度。
59.作为本发明的一个实施例，如图2所示，动态预测模型是通过如下步骤建立的：
60.步骤s21，获取锅炉历史数据，并对锅炉历史数据进行预处理，得到历史输入数据及历史输出数据；
61.步骤s22，按照预设划分比例，将历史输入数据及历史输出数据划分为训练样本数据与测试样本数据；
62.步骤s23，利用量子粒子群算法，对训练样本数据中的历史输入数据及历史输出数据进行时延寻优处理，得到输入数据时延量及输出数据惯性参数；
63.步骤s24，利用高斯过程回归算法，将训练样本数据中包含有输入数据时延量的历史输入数据及包含有输出数据惯性参数的历史输出数据作为模型输入数据，对初始动态模型进行模型训练处理；
64.步骤s25，利用测试样本数据，对模型训练处理后的初始动态模型进行测试处理，得到动态预测模型。
65.在本实施例中，锅炉历史数据包括：机组负荷、机组给煤量、一次风量、燃尽风挡板开度、二次风流量、总风量、烟气含氧量及历史氮氧化合物排放浓度。
66.其中，锅炉历史数据可以从历史数据库中筛选得到，用于建立动态模型的数据样本应该是连续的，并且有能够反映生产过程变化特征的数据段，数据采样间隔为5s。选择的辅助变量，即锅炉历史数据为模型的辅助变量与静态模型相同，即机组负荷、机组给煤量、一次风量、燃尽风档板开度(2个)、二次风流量(2个)、总风量(1个)和烟气含氧量(1个)共9个辅助变量，输出数据为历史锅炉nox排放浓度。
67.在本实施例中，如图3所示，对锅炉历史数据进行预处理，得到历史输入数据及历史输出数据包括：
68.步骤s31，对锅炉历史数据进行异常检测处理，并确定异常检测处理后的锅炉历史数据对应的输入数据最大值、输入数据最小值、输出数据最大值及输出数据最小值；
69.步骤s32，利用输入数据最大值、输入数据最小值、输出数据最大值及输出数据最小值，对异常检测处理后的锅炉历史数据进行数据标准化处理，得到历史输入数据及历史输出数据。
70.其中，动态预测模型建立的具体过程如下：
71.步骤1：选择建模数据，即锅炉历史数据。对锅炉历史数据进行数据异常检测处理，并将历史输入输出数据样本按照下式进行标准化处理。
[0072][0073][0074]
其中，为历史输入数据的最大值和最小值，y
max
,y
min
为历史输出数据的最大值和最小值；
[0075]
步骤2：将标准化后的风功率建模数据分为训练样本数据和测试样本数据；
[0076]
步骤3：按照图4所示结构建立锅炉nox排放动态模型，采用图5所示量子粒子群算法和训练数据寻优模型最优的辅助变量时延和输出变量时延数；
[0077]
具体的，将训练样本数据平均分为5份，对于每一组辅助变量时延和输出变量时延数，选择4份数据训练高斯回归训练模型，一份数据测试模型精度。重复5次上述操作，使每一份数据轮流测试模型精度，最终采用5次精度的平均数作为该组参数对应的模型精度。通过改进量子粒子群对辅助变量时延和输出变量时延数进行寻优；
[0078]
步骤4：根据寻优结果确定最优模型结果，并利用测试数据验证模型精度。
[0079]
其中，动态预测模型建立具体说明如下：建立数据驱动静态模型时，用于建模的输入变量和输出变量数据样本是处于相对稳定状态。静态模型的核心思想是用数学方法找出当前时刻输入值和输出值之间的函数表达式，静态数据模型可以表示为，
[0080]
y(t)＝f(x(k))
ꢀꢀꢀꢀ
(3)
[0081]
其中，x(t)＝[x1(k),x2(k),
…
xm(k)]表示k时刻的输入向量，m为输入变量个数，通过静态模型数学表达式不难发现，模型只可以表示k时刻输入与k时刻输出之间的关系，只有当系统处于稳态或准稳态时，此关系式才有意义；然而，对于一个动态系统而言，系统的状态转移与时间有关，上述静态模型无法反映出样本之间的动态属性。
[0082]
为了能够体现系统变量的时间动态特性，考虑每个变量的时延属性，即将输入数据的历史信息加入到模型输入中，则系统的时延关系可描述为：
[0083][0084]
其中，y(k)为模型k时刻的输出，f(
·
)为待辨识的非线性模型；为考虑时延的输入数据：
[0085][0086][0087]
其中，τi为第i个输入变量的时延参数，即输入数据时延量。
[0088]
动态模型除了考虑模型输入变量存在的时延，还应该将输出变量的历史数据引入到模型输入中，也就是说，动态模型中当前时刻输出的值，不仅与输入变量的当前时刻及历史时刻的值有关，还与输出变量的历史时刻的值有关
[178]
，这时输出变量存在惯性，输入量历史数据的引入量也称为动态模型系统的阶次或者输出惯性参数，动态模型可以表示为：
[0089][0090]
式中τy为模型输出惯性参数，即输出数据惯性参数。
[0091]
进一步的，通过上述对动态过程模型的介绍可知系统动态模型与静态模型的区别在于动态模型在模型的输入中需要考虑输入变量和输出变量的历史信息，也即输入变量的时延量与系统输出惯性阶次，选择合适的时延参数和惯性参数也是建立精确动态模型的关键，图6所示为以高斯过程回归(gaussian process regression，gpr)为建模方法动态模型结构示意图。
[0092]
其中，高斯过程回归算法具体说明如下：参数概率模型，表达式为：
[0093][0094]
cov(f
*
)＝k(x
*
,x
*
)-k(x
*
,x)k-1
k(x,x
*
)
ꢀꢀꢀꢀ
(9)
[0095]
式中k表示协方差矩阵，x、y和x
*
分别为训练数据输入、输出向量和测试输入向量，k(x
*
,x)和k(x
*
,x
*
)分别为x
*
与x的协方差和自身的协方差，f
*
和分别x
*
的预测值以及预测均值。
[0096]
其中，对于训练数据d＝{(xi,yi)|i＝1,2,
…
,n}＝{x,y}，xi∈rd为d维输入量，yi为单维输出，对于高斯过程回归问题，考虑如下模型：
[0097]
y＝f(x)+ε,ε～n(0,σ
n2
)
ꢀꢀꢀꢀ
(10)
[0098]
其中，n代表输入数据的总量，f()为对应于x的潜在函数。
[0099]
y的先验分布为：
[0100]
y～n(0,k(x,x)+σ
n2in
)
ꢀꢀꢀꢀ
(11)
[0101]
y和f*的联合先验分布为
[0102][0103]
其中，k(x,x)是n
×
n阶协方差矩阵，矩阵元素k
ij
＝k(xi,xj)为xi和xj之间的相关性，k
*
(x,x
*
)＝k
*
(x
*
,x)
t
为x
*
和x之间协方差矩阵，in为n维单位矩阵，k(x
*
,x
*
)为x*协方差标量，
[0104][0105]k*
(x
*
,x)＝[k(x
*
,x1) k(x
*
,x2)
…
k(x
*
,xn)]
ꢀꢀꢀꢀ
(14)
[0106]
进而可得f
*
的后验分布：
[0107][0108][0109][0110]
式中表示x
*
对应的均值，cov(f
*
)表示x
*
对应的方差。
[0111]
下面的训练过程，通常选择高函数作为协方差函数，即
[0112][0113]
其中，表示是输出空间的度，m＝diag(l1,l2,
…
ld)为入性的度尺度l的集合，和δ
ij
分别噪方差和kronecker数。
[0114]
高归模型的训练过程可被视非线化问题，利用集合其后验估计最
大值：
[0115][0116]
当上式的最大值时，θ可得到最大后验估计值。
[0117][0118]
式中为最优集合，当缺少先验信息时求取的为题变换成l(θ)＝-logp(y|x,θ)的优化问题，对于给定差函数，对θ求偏导后，再使用共轭对偏导数进行最小化以参数的最优解。
[0119][0120][0121]
其中，通过训练得到最优超参数后，再利用式(16)和式(17)就均值及方差。
[0122]
本发明的预测方法应用于变负荷工况下的锅炉nox排放建模方法，能够精准反应锅炉在变负荷情况下的锅炉nox浓度变化特性，可以为锅炉状态监测和scr脱硝系统喷氨控制提供准确的动态模型，为燃煤机组灵活转型提供理论支持。
[0123]
如图7所示为本发明实施例一种锅炉氮氧化合物排放浓度预测装置的结构示意图，图中所示装置包括：
[0124]
数据处理模块10，用于获取锅炉实时数据，并对锅炉实时数据进行预处理，得到锅炉实时数据对应的待处理数据；
[0125]
预测结果模块20，用于将待处理数据输入至预先建立的动态预测模型中，得到锅炉氮氧化合物排放浓度预测结果；其中，动态预测模型是利用历史输出数据作为模型输入数据建立的。
[0126]
作为本发明的一个实施例，如图8所示，装置还包括：
[0127]
历史数据模块30，用于获取锅炉历史数据，并对锅炉历史数据进行预处理，得到历史输入数据及历史输出数据；
[0128]
样本数据模块40，用于按照预设划分比例，将历史输入数据及历史输出数据划分为训练样本数据与测试样本数据；
[0129]
时延确定模块50，用于利用量子粒子群算法，对训练样本数据中的历史输入数据及历史输出数据进行时延寻优处理，得到输入数据时延量及输出数据惯性参数；
[0130]
模型训练模块60，用于利用高斯过程回归算法，将训练样本数据中包含有输入数据时延量的历史输入数据及包含有输出数据惯性参数的历史输出数据作为模型输入数据，对初始动态模型进行模型训练处理；
[0131]
预测模型模块70，用于利用测试样本数据，对模型训练处理后的初始动态模型进行测试处理，得到动态预测模型。
[0132]
在本实施例中，锅炉历史数据包括：机组负荷、机组给煤量、一次风量、燃尽风挡板
开度、二次风流量、总风量、烟气含氧量及历史氮氧化合物排放浓度。
[0133]
在本实施例中，如图9所示，历史数据模块30包括：
[0134]
异常检测单元31，用于对锅炉历史数据进行异常检测处理，并确定异常检测处理后的锅炉历史数据对应的输入数据最大值、输入数据最小值、输出数据最大值及输出数据最小值；
[0135]
标准化单元32，用于利用输入数据最大值、输入数据最小值、输出数据最大值及输出数据最小值，对异常检测处理后的锅炉历史数据进行数据标准化处理，得到历史输入数据及历史输出数据。
[0136]
基于与上述一种锅炉氮氧化合物排放浓度预测方法相同的申请构思，本发明还提供了上述一种锅炉氮氧化合物排放浓度预测装置。由于该一种锅炉氮氧化合物排放浓度预测装置解决问题的原理与一种锅炉氮氧化合物排放浓度预测方法相似，因此该一种锅炉氮氧化合物排放浓度预测装置的实施可以参见一种锅炉氮氧化合物排放浓度预测方法的实施，重复之处不再赘述。
[0137]
本发明通过将历史时刻的输出数据作为反馈引入到动态预测模型的输入，利用动态预测模型，实现精准地反应出锅炉在变负荷情况下的锅炉氮氧化合物浓度变化特性，可以为锅炉状态监测和scr脱硝系统喷氨控制提供准确的动态模型，为燃煤机组灵活转型提供理论支持。
[0138]
本发明还提供一种电子设备，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，处理器执行所述程序时实现上述方法。
[0139]
本发明还提供一种计算机程序产品，包括计算机程序/指令，计算机程序/指令被处理器执行时实现上述方法的步骤。
[0140]
本发明还提供一种计算机可读存储介质，计算机可读存储介质存储有由计算机执行上述方法的计算机程序。
[0141]
如图10所示，该电子设备600还可以包括：通信模块110、输入单元120、音频处理器130、显示器160、电源170。值得注意的是，电子设备600也并不是必须要包括图10中所示的所有部件；此外，电子设备600还可以包括图10中没有示出的部件，可以参考现有技术。
[0142]
如图10所示，中央处理器100有时也称为控制器或操作控件，可以包括微处理器或其他处理器装置和/或逻辑装置，该中央处理器100接收输入并控制电子设备600的各个部件的操作。
[0143]
其中，存储器140，例如可以是缓存器、闪存、硬驱、可移动介质、易失性存储器、非易失性存储器或其它合适装置中的一种或更多种。可储存上述与失败有关的信息，此外还可存储执行有关信息的程序。并且中央处理器100可执行该存储器140存储的该程序，以实现信息存储或处理等。
[0144]
输入单元120向中央处理器100提供输入。该输入单元120例如为按键或触摸输入装置。电源170用于向电子设备600提供电力。显示器160用于进行图像和文字等显示对象的显示。该显示器例如可为lcd显示器，但并不限于此。
[0145]
该存储器140可以是固态存储器，例如，只读存储器(rom)、随机存取存储器(ram)、sim卡等。还可以是这样的存储器，其即使在断电时也保存信息，可被选择性地擦除且设有更多数据，该存储器的示例有时被称为eprom等。存储器140还可以是某种其它类型的装置。
存储器140包括缓冲存储器141(有时被称为缓冲器)。存储器140可以包括应用/功能存储部142，该应用/功能存储部142用于存储应用程序和功能程序或用于通过中央处理器100执行电子设备600的操作的流程。
[0146]
存储器140还可以包括数据存储部143，该数据存储部143用于存储数据，例如联系人、数字数据、图片、声音和/或任何其他由电子设备使用的数据。存储器140的驱动程序存储部144可以包括电子设备的用于通信功能和/或用于执行电子设备的其他功能(如消息传送应用、通讯录应用等)的各种驱动程序。
[0147]
通信模块110即为经由天线111发送和接收信号的发送机/接收机110。通信模块(发送机/接收机)110耦合到中央处理器100，以提供输入信号和接收输出信号，这可以和常规移动通信终端的情况相同。
[0148]
基于不同的通信技术，在同一电子设备中，可以设置有多个通信模块110，如蜂窝网络模块、蓝牙模块和/或无线局域网模块等。通信模块(发送机/接收机)110还经由音频处理器130耦合到扬声器131和麦克风132，以经由扬声器131提供音频输出，并接收来自麦克风132的音频输入，从而实现通常的电信功能。音频处理器130可以包括任何合适的缓冲器、解码器、放大器等。另外，音频处理器130还耦合到中央处理器100，从而使得可以通过麦克风132能够在本机上录音，且使得可以通过扬声器131来播放本机上存储的声音。
[0149]
本领域内的技术人员应明白，本发明的实施例可提供为方法、系统、或计算机程序产品。因此，本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、cd-rom、光学存储器等)上实施的计算机程序产品的形式。
[0150]
本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
[0151]
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
[0152]
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
[0153]
本发明中应用了具体实施例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处，综上所述，本说明书内容不应理解为对本发明的限制。

技术特征：
1.一种锅炉氮氧化合物排放浓度预测方法，其特征在于，所述方法包括：获取锅炉实时数据，并对所述锅炉实时数据进行预处理，得到所述锅炉实时数据对应的待处理数据；将所述待处理数据输入至预先建立的动态预测模型中，得到锅炉氮氧化合物排放浓度预测结果；其中，所述动态预测模型是利用历史输出数据作为模型输入数据建立的。2.根据权利要求1所述的方法，其特征在于，所述动态预测模型是通过如下步骤建立的：获取锅炉历史数据，并对所述锅炉历史数据进行预处理，得到历史输入数据及历史输出数据；按照预设划分比例，将所述历史输入数据及历史输出数据划分为训练样本数据与测试样本数据；利用量子粒子群算法，对所述训练样本数据中的历史输入数据及历史输出数据进行时延寻优处理，得到输入数据时延量及输出数据惯性参数；利用高斯过程回归算法，将所述训练样本数据中包含有所述输入数据时延量的历史输入数据及包含有输出数据惯性参数的历史输出数据作为模型输入数据，对初始动态模型进行模型训练处理；利用所述测试样本数据，对模型训练处理后的初始动态模型进行测试处理，得到所述动态预测模型。3.根据权利要求2所述的方法，其特征在于，所述锅炉历史数据包括：机组负荷、机组给煤量、一次风量、燃尽风挡板开度、二次风流量、总风量、烟气含氧量及历史氮氧化合物排放浓度。4.根据权利要求2所述的方法，其特征在于，对所述锅炉历史数据进行预处理，得到历史输入数据及历史输出数据包括：对所述锅炉历史数据进行异常检测处理，并确定异常检测处理后的锅炉历史数据对应的输入数据最大值、输入数据最小值、输出数据最大值及输出数据最小值；利用所述输入数据最大值、输入数据最小值、输出数据最大值及输出数据最小值，对异常检测处理后的锅炉历史数据进行数据标准化处理，得到所述历史输入数据及历史输出数据。5.一种锅炉氮氧化合物排放浓度预测装置，其特征在于，所述装置包括：数据处理模块，用于获取锅炉实时数据，并对所述锅炉实时数据进行预处理，得到所述锅炉实时数据对应的待处理数据；预测结果模块，用于将所述待处理数据输入至预先建立的动态预测模型中，得到锅炉氮氧化合物排放浓度预测结果；其中，所述动态预测模型是利用历史输出数据作为模型输入数据建立的。6.根据权利要求5所述的装置，其特征在于，所述装置还包括：历史数据模块，用于获取锅炉历史数据，并对所述锅炉历史数据进行预处理，得到历史输入数据及历史输出数据；样本数据模块，用于按照预设划分比例，将所述历史输入数据及历史输出数据划分为训练样本数据与测试样本数据；
时延确定模块，用于利用量子粒子群算法，对所述训练样本数据中的历史输入数据及历史输出数据进行时延寻优处理，得到输入数据时延量及输出数据惯性参数；模型训练模块，用于利用高斯过程回归算法，将所述训练样本数据中包含有所述输入数据时延量的历史输入数据及包含有输出数据惯性参数的历史输出数据作为模型输入数据，对初始动态模型进行模型训练处理；预测模型模块，用于利用所述测试样本数据，对模型训练处理后的初始动态模型进行测试处理，得到所述动态预测模型。7.根据权利要求6所述的装置，其特征在于，所述锅炉历史数据包括：机组负荷、机组给煤量、一次风量、燃尽风挡板开度、二次风流量、总风量、烟气含氧量及历史氮氧化合物排放浓度。8.根据权利要求6所述的装置，其特征在于，所述历史数据模块包括：异常检测单元，用于对所述锅炉历史数据进行异常检测处理，并确定异常检测处理后的锅炉历史数据对应的输入数据最大值、输入数据最小值、输出数据最大值及输出数据最小值；标准化单元，用于利用所述输入数据最大值、输入数据最小值、输出数据最大值及输出数据最小值，对异常检测处理后的锅炉历史数据进行数据标准化处理，得到所述历史输入数据及历史输出数据。9.一种电子设备，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，其特征在于，所述处理器执行所述计算机程序时实现权利要求1至4任一项所述方法。10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质存储有由计算机执行权利要求1至4任一项所述方法的计算机程序。11.一种计算机程序产品，包括计算机程序/指令，其特征在于，所述计算机程序/指令被处理器执行时实现权利要求1至4任一项所述方法的步骤。

技术总结
本发明提供了一种锅炉氮氧化合物排放浓度预测方法及装置，所述方法包括：获取锅炉实时数据，并对所述锅炉实时数据进行预处理，得到所述锅炉实时数据对应的待处理数据；将所述待处理数据输入至预先建立的动态预测模型中，得到锅炉氮氧化合物排放浓度预测结果；其中，所述动态预测模型是利用历史输出数据作为模型输入数据建立的。本发明通过将历史时刻的输出数据作为反馈引入到动态预测模型的输入，利用动态预测模型，实现精准地反应出锅炉在变负荷情况下的锅炉氮氧化合物浓度变化特性，可以为锅炉状态监测和SCR脱硝系统喷氨控制提供准确的动态模型，为燃煤机组灵活转型提供理论支持。持。持。


技术研发人员：马宁 杨振勇 刘磊 康静秋 尚勇 高爱国 陈振山 尤默 邢智炜 李展
受保护的技术使用者：国家电网有限公司
技术研发日：2023.05.30
技术公布日：2023/10/7