[论文解读] Data Driven based Dynamic Correction Prediction Model for NOx Emission of Coal Fired Boiler

Zhenhao Tang, Deyu Zhu+1 more|arXiv (Cornell University)|Oct 29, 2021

Machine Learning and ELM参考文献 3被引用 6

一句话总结

本文提出了一种面向燃煤锅炉NOx排放的数据驱动动态校正预测模型，采用最大信息系数（MIC）进行时延估计，通过Lasso与ReliefF结合的自适应特征选择方法，并引入带有误差校正机制的极限学习机（ELM）。该模型在不同负荷条件下均实现预测误差低于2%，可实现NOx浓度的高精度实时预测，支持排放控制与燃烧优化。

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.

研究动机与目标

• 为解决燃煤锅炉系统中NOx排放预测存在的大时延与强非线性问题。
• 开发一种可适应不同负荷工况（如升负荷、降负荷及稳态运行）的动态预测模型。
• 通过引入时延估计与动态误差校正机制，提升预测精度。
• 识别在不同运行状态下对NOx排放预测最具相关性的输入变量。
• 提供一种可实时运行、高精度的NOx排放监测与燃烧过程优化工具。

提出的方法

• 采用最大信息系数（MIC）确定候选输入变量与NOx排放之间的时延。
• 应用结合Lasso与ReliefF的混合特征选择算法，识别与NOx排放相关性最高的变量。
• 基于识别出的时延重构建模数据集，以反映动态关系。
• 在所选特征上训练极限学习机（ELM）模型，用于预测NOx浓度。
• 将动态误差校正策略集成至ELM模型中，以优化预测结果并减少累积误差。
• 利用某燃煤电厂在多种负荷条件下的实际运行数据对模型进行验证。

实验结果

研究问题

• RQ1 在升负荷、降负荷及稳态运行等不同负荷条件下，输入变量与NOx排放之间的时延如何变化？
• RQ2 在不同运行状态下，哪些输入变量对NOx排放具有最强预测能力？
• RQ3 动态校正机制是否能显著提升非线性、时延耦合系统中NOx排放预测的准确性？
• RQ4 与静态或未校正模型相比，所提模型在多大程度上降低了预测误差？
• RQ5 该模型是否能在无需重新训练的情况下，保持在多种负荷条件下的高精度？

主要发现

• 输入变量与NOx排放之间的时延在不同负荷条件下显著变化，升负荷、降负荷及稳态运行期间表现出明显不同的延迟模式。
• 用于建模的特征变量集合在不同负荷条件下存在差异，表明需采用动态特征选择策略。
• 动态误差校正机制的引入显著提升了预测精度，在所有运行状态下均有效降低模型误差。
• 所提模型在所有测试负荷条件下均实现预测误差低于2%，展现出高度的鲁棒性与准确性。
• 该模型能够实时准确预测燃烧出口处的NOx浓度，有效支持排放监测与工艺优化。
• 基于MIC的时延估计、混合特征选择方法与带误差校正的ELM相结合，性能优于传统方法。