基于选择性集成模型库的选择性催化还原脱硝系统自适应建模

摘要：

选择性催化还原(selective catalytic reduction,SCR)脱硝系统动态建模对优化喷氨控制、降低NOx排放和氨逃逸有着重要意义.基于机器学习的燃煤电站SCR脱硝系统建模方法在精度上具有优势,但大多数模型缺乏自学习或自适应更新机制,难以在长期运行中保持有效性.针对SCR脱硝系统动态特性随负荷与煤质参数变化的问题,提出选择性集成模型库算法,包含基于分时段数据的模型库构建方法、基于选择性实时误差权重法的结合策略和基于模型评价方法的模型库更新策略.采用某660MW燃煤发电机组SCR系统50天运行数据对所提出的模型进行训练、测试以及验证,并与传统自适应建模方法进行对比研究.当传统自适应模型失效时,所提出的模型库仍能保持较高精度.结果表明,选择性集成模型库在预测精度、鲁棒性和稳定性上均有明显优势.

关键词：选择性催化还原、机器学习、集成学习、自适应学习

所属期刊栏目：39

分类号：TK39(热工量测和热工自动控制)

资助基金：国家重点研发计划;中国博士后科学基金

在线出版日期：2019-11-11（万方平台首次上网日期，不代表论文的发表时间）

页数：共7页

页码：5817-5823