[논문 리뷰] Data Driven based Dynamic Correction Prediction Model for NOx Emission of Coal Fired Boiler

Zhenhao Tang, Deyu Zhu외 1명|arXiv (Cornell University)|2021. 10. 29.

Machine Learning and ELM참고 문헌 3인용 수 6

한 줄 요약

이 논문은 석탄 화력 보일러에서 NOx 배출에 대한 데이터 기반 동적 보정 예측 모델을 제안한다. 시간 지연 추정에 최대 정보 계수(MIC)를 사용하고, Lasso와 ReliefF를 통한 적응형 특성 선택 및 오차 보정이 내장된 극단적 학습 기반 기계(ELM)를 적용한다. 다양한 부하 조건에서 예측 오차가 2% 이하로 유지되어 실시간 NOx 농도 예측이 가능하며, 배출 제어 및 연소 최적화에 기여한다.

ABSTRACT

The real-time prediction of NOx emissions is of great significance for pollutant emission control and unit operation of coal-fired power plants. Aiming at dealing with the large time delay and strong nonlinear characteristics of the combustion process, a dynamic correction prediction model considering the time delay is proposed. First, the maximum information coefficient (MIC) is used to calculate the delay time between related parameters and NOx emissions, and the modeling data set is reconstructed; then, an adaptive feature selection algorithm based on Lasso and ReliefF is constructed to filter out the high correlation with NOx emissions. Parameters; Finally, an extreme learning machine (ELM) model combined with error correction was established to achieve the purpose of dynamically predicting the concentration of nitrogen oxides. Experimental results based on actual data show that the same variable has different delay times under load conditions such as rising, falling, and steady; and there are differences in model characteristic variables under different load conditions; dynamic error correction strategies effectively improve modeling accuracy; proposed The prediction error of the algorithm under different working conditions is less than 2%, which can accurately predict the NOx concentration at the combustion outlet, and provide guidance for NOx emission monitoring and combustion process optimization.

연구 동기 및 목표

• 석탄 화력 보일러 시스템 내 NOx 배출 예측에서 큰 시간 지연과 강한 비선형성을 해결하기 위해.
• 상승, 감소, 정상 상태 운전과 같은 다양한 부하 조건에 적응 가능한 동적 예측 모델을 개발하기 위해.
• 시간 지연 추정 및 동적 오차 보정 메커니즘을 통합하여 예측 정확도를 향상시키기 위해.
• 다양한 운전 상태에서 NOx 배출 예측에 가장 관련성이 높은 입력 변수를 식별하기 위해.
• 실시간으로 정확한 도구를 제공하여 NOx 배출 모니터링 및 연소 공정 최적화를 지원하기 위해.

제안 방법

• 후보 입력 변수와 NOx 배출 간의 시간 지연을 결정하기 위해 최대 정보 계수(MIC)를 사용한다.
• Lasso와 ReliefF를 조합한 하이브리드 특성 선택 알고리즘을 적용하여 NOx 배출과 가장 관련성이 높은 변수를 식별한다.
• 식별된 시간 지연을 바탕으로 모델링 데이터셋을 재구성하여 동적 관계를 반영한다.
• 선택된 특성에 기반해 극단적 학습 기반 기계(ELM) 모델을 훈련시어 NOx 농도를 예측한다.
• 누적 오차를 감소시키기 위해 ELM 모델에 동적 오차 보정 전략을 통합한다.
• 다양한 부하 조건에서 실운영 데이터를 사용해 모델을 검증한다.

실험 결과

연구 질문

• RQ1 상승, 감소, 정상 상태 운전과 같은 다양한 부하 조건에서 입력 변수와 NOx 배출 간의 시간 지연는 어떻게 변화하는가?
• RQ2 다양한 운전 상태에서 NOx 배출을 가장 잘 예측할 수 있는 입력 변수는 무엇인가?
• RQ3 동적 보정 메커니즘이 비선형적이고 시간 지연가 있는 시스템에서 NOx 배출 예측 정확도를 크게 향상시킬 수 있는가?
• RQ4 기존 정적 또는 보정되지 않은 모델에 비해 제안된 모델은 예측 오차를 어느 정도 감소시키는가?
• RQ5 재학습 없이도 다양한 부하 조건에서 높은 정확도를 유지할 수 있는가?

주요 결과

• 입력 변수와 NOx 배출 간의 시간 지연는 부하 조건에 따라 크게 달라지며, 상승, 감소, 정상 상태 운전 시 각각 다른 지연 패턴을 보였다.
• 모델링에 사용된 특성 변수의 조합는 부하 조건에 따라 다르게 나타나, 동적 특성 선택의 필요성을 시사한다.
• 동적 오차 보정 통합으로 인해 예측 정확도가 크게 향상되어 모든 운전 상태에서 모델 오차가 감소했다.
• 모델은 모든 시험 부하 조건에서 예측 오차가 2% 미만으로 유지되어 높은 강건성과 정확도를 입증했다.
• 모델은 실시간으로 연소 배출구의 NOx 농도를 효과적으로 예측하여 배출 모니터링 및 공정 최적화를 지원한다.
• MIC 기반 지연 추정, 하이브리드 특성 선택, 오차 보정이 내장된 ELM의 조합은 기존 접근 방식에 비해 뛰어난 성능을 발휘한다.