基于CIFE-FOA-DELM的SCR脱硝入口NOx浓度预测方法研究

TK411; 针对脱硝入口NOx浓度监测值作为脱硝前馈输入导致的喷氨控制滞后问题,提出了基于炉膛参数的脱硝入口NOx浓度CIFE-FOA-DELM预测方法.采用互信息特征选择方法进行预测模型的特征变量筛选;引入经果蝇寻优算法优化的深度极限学习建立NOx浓度预测模型;并利用某660 MW火电机组历史运行数据进行模型验证,与反向传播、支持向量机、深度极限学习机、FOA-SVM模型的预测结果进行对比.结果表明:CIFE-FOA-DELM预测方法具备更高的预测精度,平均绝对百分比误差SMAPE、均方根误差SRMSE、拟合优度R2分别为0.261％、1.384、0.965.与CEMS监测数据对比,脱硝入...

Full description

Saved in:
Bibliographic Details
Published in电力科技与环保 Vol. 40; no. 3; pp. 313 - 320
Main Authors 董威, 林子杰, 王雅昀
Format Journal Article
LanguageChinese
Published 上海金艺检测技术有限公司,上海 200000%国家能源集团科学技术研究院有限公司,江苏 南京 210023 2024
Subjects
NOx concentration at the denitrification inlet
果蝇优化算法
SCR
ammonia injection control
深度极限学习机
脱硝入口NOx浓度
喷氨控制
deep extreme learning machine
CIFE-FOA-DELM
互信息特征选择
mutual information feature selection
drosophila optimization algorithm
Online AccessGet full text
ISSN1674-8069
DOI10.19944/j.eptep.1674-8069.2024.03.011

Cover

More Information
Summary:TK411; 针对脱硝入口NOx浓度监测值作为脱硝前馈输入导致的喷氨控制滞后问题,提出了基于炉膛参数的脱硝入口NOx浓度CIFE-FOA-DELM预测方法.采用互信息特征选择方法进行预测模型的特征变量筛选;引入经果蝇寻优算法优化的深度极限学习建立NOx浓度预测模型;并利用某660 MW火电机组历史运行数据进行模型验证,与反向传播、支持向量机、深度极限学习机、FOA-SVM模型的预测结果进行对比.结果表明:CIFE-FOA-DELM预测方法具备更高的预测精度,平均绝对百分比误差SMAPE、均方根误差SRMSE、拟合优度R2分别为0.261％、1.384、0.965.与CEMS监测数据对比,脱硝入口NOx浓度预测值提前了180 s,有利于解决喷氨控制滞后问题.
ISSN:1674-8069
DOI:10.19944/j.eptep.1674-8069.2024.03.011