一种基于BMO-LSSVM的火电厂SCR烟气脱硝控制系统的优化控制方法

本发明涉及燃煤电站烟气脱硝领域，具体涉及一种基于bmo算法优化lssvm的scr烟气脱硝控制系统优化方法。

背景技术：

最新修订的《火电厂大气污染物排放标准》对nox的排放制定了非常严格的要求，要求nox排放在50mg/m3以内。只依靠低氮燃烧不能达到排放指标要求，因此燃烧后控制nox，即在烟道尾部加装脱硝装置是目前大型燃煤电厂的普遍选择。

在脱硝技术中，scr(选择性催化还原)因其脱硝效率高、烟气处理量大、技术成熟成为燃煤电站的主要选择。scr是指在催化剂和氧气的存在下，在320℃～427℃温度范围下，还原剂(无水氨、氨水或尿素)有选择性地与烟气中的nox反应生成无害的氮和水，从而去除烟气中的nox。

目前火电厂普遍存在脱硝出口nox浓度波动过大，且短时刻时有超出最低排放标准，即50mg/m3的情况发生。在短时刻出现超出排放标准的情况下，电厂工作人员常手动调节喷氨阀门，以控制反应器出口nox浓度不超标，但此时即会造成喷氨量过多，导致氨逃逸问题加剧，同时增加副反应产生的可能，生成过多的具有强腐蚀性以及强粘性的硫酸氢铵以及次硫酸铵，加剧空预器堵塞问题，严重影响整个脱硝机组的安全稳定运行，并且增加电厂经济运行成本。

技术实现要素：

本申请提供一种基于bmo-lssvm的火电厂scr脱硝控制系统的优化控制方法，在保证脱硝效率的前提下，以解决现火电厂scr脱硝出口nox浓度波动过大，且短时刻时有超出最低排放标准的现象的问题。

为解决上述技术问题，本发明采用的技术方案为：

一种基于bmo-lssvm的火电厂scr烟气脱硝控制系统的优化控制方法，其特征在于，

包括如下步骤：

step1：动态采集包含scr烟气脱硝系统模型的输入指标x和输出指标y的样本数据集xy(x，y)，动态收集的间隔时间为t；

step2：对样本数据集xy(x，y)进行去噪处理，形成去噪数据集p，对去噪数据集p进行归一化处理形成归一化数据集p0，将归一化数据集p0分成训练集p01和测试集记为p02；

step3：建立lssvm模型，以训练集p01对lssvm模型进行训练，得到基于lssvm的scr烟气脱硝控制系统；

step4：使用bmo对lssvm模型的核函数参数σ和惩罚系数c进行寻优，并将获得的最优核函数参数σ以及惩罚系数c赋给lssvm模型，得到bmo-lssvm模型；

step5：用训练集p01对bmo-lssvm模型进行训练，得到基于bmo-lssvm的scr烟气脱硝控制模型；

stsp6：利用测试集p02对基于bmo-lssvm的scr烟气脱硝控制模型的预测效果进行检验，若scr反应器出口nox浓度的预测值与实际值之间的误差在设定的阈值内，将基于bmo-lssvm的scr烟气脱硝控制模型用于优化scr烟气脱硝控制系统，若超出设定的阈值，则重复step4-6；

step7：根据预测的scr反应器出口nox浓度y获取最佳喷氨控制量，及时调整scr反应器出口的nox浓度。

优选的，其中，step1中输入指标x包括机组负荷x1、scr入口nox浓度x2、入口烟气流量x3、入口烟气nh3/nox摩尔比x4、入口烟气温度x5、加氨流量x6、出口nox设定值x7、氨逃逸量x8以及前一时刻出口nox浓度x9，输出指标y为scr反应器出口nox浓度y。

优选的，step2中，对数据进行归一化处理采用如下公式：

p0＝(p-pmin)/(pmax-pmin)(1)

式中，p0为去噪数据集p归一化后得到的数据集，p为去噪数据集，pmax、pmin分别为去燥数据集p中的最大值和最小值。

进一步的，step2中对数据去噪操作包括：

去除数据集中的机组负荷低于满负荷后25％的数据，去除数据集中存在缺失值的无效数据，以及机组负荷不在负荷范围内的错误数据。

其中，step3中lssvm的模型采用下式：

其中，k(x,xi)是核函数，用来代替高维空间上的内积运算，xi是核函数中心，x是训练样本的输入值，αi表示拉格朗日乘子，αi＞0，i＝1,2,...,n，b是偏置常数。

优选的，k(x,xi)选用rbf核函数：

其中，σ为核函数参数。

其中，step4包括如下步骤：

step4-1：初始化藤壶种群d，设置藤壶的数量并设置最大迭代次数；假设候选解为藤壶，其中种群向量表达为：

其中，d是初始群种，n为控制变量个数，n为种群大小即藤壶数量。每个控制变量都有相应的上下界约束：

其中，ubi，lbi分别表示第i个控制变量的上界和下界；

step4-2：对初始种群d进行评估，基于适应度函数计算每个藤壶的适应度值，然后对各个解进行排序，当前最优解在d的最顶部，设t为当前最优解，适应度函数为：

式中，fitness为适应度函数值，r为训练样本数，为scr反应器出口nox浓度的预测值，yk为scr反应器出口nox浓度的实际值；

step4-3：设置生殖器长度pl；

step4-4：进行交配父代的选择：

barnacle_d＝randperm(n)(7)

barnacle_m＝randperm(n)(8)

式中，barnacle_d和barnacle_m为交配的父代和母代，n为种群的大小，randperm(n)表示随机选取整个藤壶种群中的一个藤壶；

step4-5：从藤壶的父代产生新的子代；

如果选择z≤pl，选择的藤壶是在父亲的藤壶生殖器长度的范围内，发生了利用过程，根据子代生殖公式产生新的子代：

如果选择z＞pl，即当要交配的藤壶的选择超出了预期的pl值时，依据远程受精公式发生远程受精：

step4-6：调整每个控制变量的边界，计算每个藤壶的适应度值，并进行排序，更新t，若达到最大迭代次数，则输出全局最优解，即得到最优的核函数参数σ和惩罚系数c；否则重复step4-4—step4-6。

优选的，step4-1中藤壶数量为60，最大迭代次数为100。

其中，step4-5中子代生殖公式为：

其中，p为[0,1]内均匀分布的随机数，q＝1-p，和分别为等式(7)和(8)选择的父亲藤壶和母亲藤壶的变量，p和q代表了父亲和母亲的特征在下一代中所占的百分比。

其中，step4-5中远程受精公式为：

式中，rand()为[0,1]内的随机数。

本发明的有益效果：

本申请提供一种基于bmo-lssvm的火电厂scr脱硝控制系统的优化控制方法，在保证脱硝效率的前提下，以解决现火电厂scr脱硝出口nox浓度波动过大，且短时刻时有超出最低排放标准的现象的问题。

(1)本发明利用藤壶交配优化算法(bmo)优化最小二乘支持向量机(lssvm)建立scr烟气脱硝控制系统的优化控制模型，该方法一定程度上克服了传统pid控制的不及时，造成短时刻时有超出最低排放标准的情况的发生，该方法利用核函数将数据映射到高维空间进行回归，考虑了数据间的非线性关系；

(2)本发明通过bmo算法优化lssvm，选取最优核函数参数以及惩罚系数，使得模型优化效果达到最优，准确的预测反应器出口nox浓度，及时准确的获取最佳喷氨控制量，从而优化出口nox浓度，算法可消除原lssvm模型中核函数参数以及惩罚系数随机选择或人为设置对模型优化效果的影响，稳定性好、精度高。

(3)本发明提供一种基于bmo-lssvm的火电厂scr烟气脱硝控制系统的优化控制方法，预测scr出口nox浓度，及时准确的获取最佳喷氨控制量，从而优化出口nox浓度，减少电厂人员在短时刻出现超出最低排放标准时，选择手动调节喷氨调节阀，加大喷氨量，从而增加具有强酸性和强粘性的硫酸氢铵(nh4hso4)以及次硫酸铵((nh4)2so2)的生成的情况的发生，减少催化剂失活的问题以及空预器堵塞的情况，促进整个烟气脱硝系统的安全稳定运行。

附图说明

图1为本发明提供的基于bmo-lssvm的火电厂scr烟气脱硝控制系统的优化方法流程示意图；

图2为本发明提供的bmo算法优化lssvm的核函数参数σ和惩罚系数c的流程示意图；

图3为本发明提供的bmo算法在藤壶数目为10时的藤壶交配过程的选择过程示意图；

图4为本发明提供的一种基于bmo-lssvm的火电厂scr烟气脱硝控制系统的优化方法选取某电厂800组实际历史运行数据，优化前后的反应器出口nox浓度曲线对比图；

图5为本发明提供的一种基于bmo-lssvm的火电厂scr烟气脱硝控制系统的优化方法在变负荷情况下，优化前后的反应器出口nox浓度曲线对比图；

图6为本发明提供的一种基于bmo-lssvm的火电厂scr烟气脱硝控制系统的优化方法在变负荷情况下，优化前后的脱硝效率对比曲线。

具体实施方式

下面结合附图以及具体实施方法对本发明一种基于bmo-lssvm的火电厂scr烟气脱硝控制系统的优化控制方法作进一步详细说明。

如图1所示，一种基于bmo-lssvm的火电厂scr脱硝控制系统优化方法，包括如下步骤：

step1：选取样本数据信息：根据scr烟气脱硝工程的实际情况并经理论分析，选取机组负荷x1、scr入口nox浓度x2、入口烟气流量x3、入口烟气nh3/nox摩尔比x4、入口烟气温度x5、加氨流量x6、出口nox设定值x7、氨逃逸量x8以及前一时刻出口nox浓度x9共九个因素作为scr烟气脱硝系统模型的输入量，scr反应器出口nox浓度y作为输出量；step2：选取并处理数据集：从某电厂实际历史数据中选取样本数据，采样间隔为1min，经分析处理，使用python去除数据集中的机组负荷低于满负荷后25％的数据，去除数据集中存在缺失值的无效数据，以及机组负荷不在负荷范围内的错误数据，选取具有代表性的数据构成数据集p，该组数据涉及低负荷(满负荷的25％开始)、中负荷(满负荷的50％开始)、高负荷(满负荷的75％开始)三种负荷状态，包含多个稳定状态和多个动态状态，稳定状态即某段时间内稳定于某个负荷的状态，动态状态即负荷不断变化的状态。将数据集p分为训练集和测试集，并将数据集进行归一化处理得到数据集p0，将归一化后的训练集记为p01，归一化后的测试集记为p02；

step3：建立lssvm优化控制模型，以处理好的训练集p01对lssvm模型进行训练，训练好的lssvm模型可用于优化scr烟气脱硝控制系统；

step4：使用藤壶交配优化算法(bmo)对最小二乘支持向量机(lssvm)的核函数参数σ和惩罚系数c进行寻优，并将获得的最优核函数参数以及惩罚系数赋给lssvm，得到bmo-lssvm优化控制模型；

step5：用处理好的训练集p01重新训练经优化得到的bmo-lssvm模型；

stsp6：利用处理好的测试集p02对训练好的bmo-lssvm模型的预测效果进行检验，计算预测结果与实际测量值之间的误差，若在设定的误差范围内，则可将训练好的模型用于优化scr烟气脱硝控制系统，若超出设定的误差范围，则重复step4-6；

step7：根据预测的出口nox浓度及时准确的获取最佳喷氨控制量，对scr出口nox浓度进行优化。

具体的，所述step2中，对数据进行归一化处理采用如下公式：

p0＝(p-pmin)/(pmax-pmin)(1)

式中，p0为归一化后得到的数据集，p为原始数据集，pmax、pmin分别为原始数据集中的最大值和最小值，最终将样本点数据映射到[0,1]范围之间。

具体的，所述step3中，包括如下具体步骤，首先构建决策函数如下：

其中，xk为输入，为x的映射函数，可将训练数据映射到高维空间，ω为权重，b是偏置常数。

在n维空间中，将最优化问题表示为：

其中，ei是松弛变量，c是惩罚系数。利用上式构建lagrange函数，如下所示：

其中，αi＞0(i＝1,2,...,n)是拉格朗日乘子。

根据kkt最优条件：

消去ω和ei，可得到：

其中，q＝[1,...,1]^t,ki＝k(x,xi)为矩阵k中的元素。将得到lssvm的函数估计：

其中，k(x,xi)是核函数，用来代替高维空间上的内积运算，xi是核函数中心，x是训练样本的输入值，本文选用结构简单且泛化性能好的rbf为核函数，即：

其中，σ为核函数参数。

藤壶交配优化(bmo)算法模拟自然界中藤壶的交配行为来解决优化问题。藤壶是自侏罗纪时代就存在的微生物，出生时即会游泳，当成年时，它们会附着在水中的物体上，并长出壳。大多数藤壶雌雄同体，这意味着它们有雄性和雌性繁殖。为了应对潮汐变化和久坐不动的生活方式，它们的生殖器可以达到身长的7～8倍，生殖器所能接触到的所有邻居和潜在的配偶竞争者就构成了其交配种群，因此生殖器长度变化在确定交配种群大小和局部交配竞争中起到重要作用。

如图2所示，所述step4中，bmo算法优化lssvm的核函数参数σ和惩罚系数c的具体步骤如下：

step4-1：初始化藤壶种群di，设置藤壶的数量并设置最大迭代次数；

本实施例中藤壶数量设为60，最大迭代次数设为100。

假设候选解为藤壶，其中种群向量可以表达为：

其中，n为控制变量个数，即问题维度，本方法需优化lssvm模型的核函数参数σ和惩罚系数c，故控制变量个数为2，n为种群大小即藤壶数量。每个控制变量都有相应的上下界约束：

其中，ubi，lbi分别表示第i个控制变量的上界和下界。

step4-2：对初始种群d进行评估，计算每个藤壶的适应度值，然后对各个解进行排序，当前最优解在d的最顶部，设t为当前最优解。适应度函数为：

式中，fitness为适应度函数值，r为训练样本数，为模型输出值，yk为实际输出值；

step4-3：设置生殖器长度pl，本实施例中将藤壶的最大生殖器长度设为其体长的七倍，即pl＝7，那么在某一次迭代中，藤壶1只能与藤壶2～7中的一个进行交配，如果藤壶1选择了藤壶8，那么将不会执行正常的交配过程，子代的产生是通过远程受精过程进行的，为方便展示，如图3所示，展示了10个藤壶交配过程的选择；

step4-4：根据下式进行选择：

barnacle_d＝randperm(n)(7)

barnacle_m＝randperm(n)(8)

式中，barnacle_d和barnacle_m为交配的父代，n为种群的大小，randperm(n)表示随机选取整个藤壶种群中的一个藤壶。

step4-5：从藤壶的父代产生新的子代。

如果选择z≤pl，即选择的藤壶是在父亲的藤壶生殖器长度的范围内，就发生了利用过程，根据下式产生新的子代变量：

式中，p为[0,1]内均匀分布的随机数，q＝1-p，和分别为等式(7)和(8)选择的父亲藤壶和母亲藤壶的变量，p和q代表了父亲和母亲的特征在下一代中所占的百分比。因此，子代根据0到1之间的随机数概率继承父亲和母亲的行为。

如果选择z＞pl，即当要交配的藤壶的选择超出了预期的pl值时，就会发生远程受精：

式中，rand()为[0,1]内的随机数。

等式(10)为藤壶子代进化的简单方法，新的子代根据母亲藤壶生成以进行探索，这是由于新的子代是由母亲藤壶产生的，因为它接受了水中由其他藤壶释放的精子。

step4-6：调整每个变量的边界，计算每个藤壶的适应度值，并进行排序，更新t，若达到最大迭代次数，则输出全局最优解，即得到最优的核函数参数σ和惩罚系数c，否则重复step4-4—step4-6。

如图4所示，为本实施例选取某电厂具有代表性的800组实际历史运行数据进行实验，使用bmo-lssvm优化后的scr反应器出口nox浓度曲线，并与原传统pid控制下反应器出口nox浓度曲线进行对比。

pid控制下，短时刻scr出口nox浓度出现较多超出50mg/m³的情况，最高达58.94mg/m³，相比较之下，采用bmo-lssvm模型进行优化后，scr反应器出口nox浓度短时刻未出现超出50mg/m³的情况，最高为41.6mg/m³。

如图5所示，为本实施例在变负荷下的，采用bmo-lssvm优化后的scr出口nox浓度，并与原传统pid控制下进行对比。

火电厂scr烟气脱硝系统的整个控制过程具有惯性大、非线性、大滞后性等特征，反应机理十分复杂，使用传统的pid方法进行控制的效果存在一定的问题。

在变工况下，当机组负荷为300mw时，scr出口nox浓度为47.1mg/m³，即有超出最低排放标准的趋势，在机组负荷为350mw时，scr反应器出口浓度已超标，为54.8mg/m³，而环保部门是对出口净烟气nox浓度进行考核，整个尾气处理的系统存在大滞后的特点，那么在环保部门对出口净烟气nox浓度进行监测时，将很有可能出现无法达到排放标准的情况，那么在实际情况下，工作人员常在将出现超出排放标准的时候，加大喷氨量，则增加了氨逃逸的可能，并会增加nh4hso4以及(nh4)2so2的生成，从而影响整个脱硝机组的的安全问题。在机组负荷增加时，bmo-lssvm模型依旧可以较好的进行控制，在高负荷350mw时，scr反应器出口nox浓度为36.1mg/m³，可见，采用bmo-lssvm模型进行控制，可以更好的达到脱硝的目的。

如图6所示，为本实施例在变负荷下的，采用bmo-lssvm优化后的脱硝效率，并与原传统pid控制下进行对比。在变工况下，传统pid控制在低负荷100wm时，脱硝效率为88.89％，在高负荷350mw时，脱硝效率仅为67.77％，而采用bmo-lssvm优化控制模型进行优化后，低负荷100mw时，脱硝效率可提升至96.74％，在高负荷350mw时，脱硝效率可提升至88.91％。

本发明需一个或多个处理器、存储器以及程序，其中存储器需存储上述所需数据，且一个或多个程序存储在其中，并由处理器执行，一个或多个程序用于执行基于bm0算法优化lssvm的scr烟气脱硝控制系统的优化控制方法的执行。

本发明提供一种基于藤壶交配优化算法(bmo)优化的最小二乘支持向量机(lssvm)的scr烟气脱硝控制系统的优化控制方法，选取某电厂实际历史运行数据为样本数据集，采样间隔为1min，经分析处理，去除无效、错误数据，选取具有代表性的数据构成数据集p，该组数据涉及低、中、高三种负荷状态，包含多个稳定状态和多个动态状态。并将数据集p分为训练集和测试集，并将数据集进行归一化处理得到数据集p0，将归一化后的训练集记为p01，归一化后的测试集记为p02。根据scr烟气脱硝工程的实际情况并经理论分析，选取机组负荷x1、scr入口nox浓度x2、入口烟气流量x3、入口烟气nh3/nox摩尔比x4、入口烟气温度x5、加氨流量x6、出口nox设定值x7、氨逃逸量x8以及前一时刻出口nox浓度x9共九个因素作为scr烟气脱硝系统模型的输入量，scr反应器出口nox浓度y作为输出量。之后建立lssvm模型，并使用训练集p01进行训练；采用bmo算法对lssvm的的核函数参数σ和惩罚系数c进行寻优，并将获得的最优核函数参数σ以及惩罚系数c赋给lssvm，得到bmo-lssvm优化控制模型；并使用训练集p01对bmo-lssvm模型进行训练，利用处理好的测试集p02对训练好的bmo-lssvm模型的预测效果进行检验，计算预测结果与实际测量值之间的误差，若在设定的误差范围内，则可将训练好的模型用于优化scr烟气脱硝控制系统，若超出设定的误差范围，则重新进行核函数参数以及惩罚系数的寻优，以及后续操作，即重复上述step4-6；之后根据预测的出口nox浓度及时准确的获取最佳喷氨控制量，对scr出口nox浓度进行优化。

本发明表明可以通过bmo算法优化lssvm对火电厂scr烟气脱硝控制系统的优化控制，采用电厂实际历史运行数据进行训练并测试，所选数据集涉及低、中、高三种负荷状态，包含多个稳定状态和多个动态状态，可以为目前的scr脱硝过程中，反应器出口nox浓度波动过大，短时刻时有超出最低排放指标的状况发生的问题提供一个解决方法。本发明利用bmo算法优化lssvm建立scr烟气脱硝控制系统的优化控制模型，该方法一定程度上克服了传统pid控制的不及时，造成短时刻时有超出最低排放标准的情况的发生，该方法利用核函数将数据映射到高维空间进行回归，考虑了数据间的非线性关系；选取最优核函数参数以及惩罚系数，使得模型优化效果达到最优，准确的预测反应器出口nox浓度，及时准确的获取最佳喷氨控制量，从而优化出口nox浓度，算法可消除原lssvm模型中核函数参数以及惩罚系数随机选择或人为设置对模型优化效果的影响，稳定性好、精度高；

本发明提供一种基于bmo-lssvm的火电厂scr烟气脱硝控制系统的优化控制方法，预测scr出口nox浓度，及时准确的获取最佳喷氨控制量，从而优化出口nox浓度，减少电厂人员在短时刻出现超出最低排放标准时，选择手动调节喷氨调节阀，加大喷氨量，从而增加具有强酸性和强粘性的硫酸氢铵(nh4hso4)以及次硫酸铵((nh4)2so2)的生成的情况的发生，减少催化剂失活的问题以及空预器堵塞的情况，促进整个火电厂的烟气脱硝系统的安全稳定运行。

在此处所提供的说明书中，说明了大量具体细节。然而，能够理解，本发明的实施例可以在没有这些具体细节的情况下被实践。在一些实例中，并未详细示出公知的方法、结构和技术，以便不模糊对本说明书的理解。

在本发明的描述中，需要理解的是，术语“上”、“下”、“前”、“后”、“左”、“右”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。

类似地，应当理解，为了精简本公开并帮助理解各个发明方面中的一个或多个，在上面对本发明的示例性实施例的描述中，本发明的各个特征有时被一起分组到单个实施例、图、或者对其的描述中。然而，并不应将该公开的方法解释成反映如下意图：即所要求保护的本发明要求比在每个权利要求中所明确记载的特征更多特征。更确切地说，如权利要求书所反映的那样，发明方面在于少于前面公开的单个实施例的所有特征。因此，遵循具体实施方式的权利要求书由此明确地并入该具体实施方式，其中每个权利要求本身都作为本发明的单独实施例。

如在此所使用的那样，除非另行规定，使用序数词“第一”、“第二”、“第三”等等来描述普通对象仅仅表示涉及类似对象的不同实例，并且并不意图暗示这样被描述的对象必须具有时间上、空间上、排序方面或者以任意其它方式的给定顺序。

尽管根据有限数量的实施例描述了本发明，但是受益于上面的描述，本技术领域内的技术人员明白，在由此描述的本发明的范围内，可以设想其它实施例。此外，应当注意，本说明书中使用的语言主要是为了可读性和教导的目的而选择的，而不是为了解释或者限定本发明的主题而选择的。因此，在不偏离所附权利要求书的范围和精神的情况下，对于本技术领域的普通技术人员来说许多修改和变更都是显而易见的。对于本发明的范围，对本发明所做的公开是说明性的，而非限制性的，本发明的范围由所附权利要求书限定。

以上所述仅是本发明的优选实施方式，应当指出：对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。