[论文解读] Environmental Pollution Prediction of NOx by Process Analysis and Predictive Modelling in Natural Gas Turbine Power Plants

Alan Rezazadeh|arXiv (Cornell University)|Nov 5, 2020

Air Quality Monitoring and Forecasting被引用 5

一句话总结

本文提出一种K最近邻（KNN）机器学习模型，通过分析环境气象、电力输出和燃气轮机性能因素，预测天然气轮机发电厂的NOx排放。在小样本数据集上进行训练，KNN模型通过基于历史相似运行条件估算NOx水平，实现了高预测精度，从而支持减排和运行优化。

ABSTRACT

The main objective of this paper is to propose K-Nearest-Neighbor (KNN) algorithm for predicting NOx emissions from natural gas electrical generation turbines. The process of producing electricity is dynamic and rapidly changing due to many factors such as weather and electrical grid requirements. Gas turbine equipment are also a dynamic part of the electricity generation since the equipment characteristics and thermodynamics behavior change as the turbines age. Regular maintenance of turbines are also another dynamic part of the electrical generation process, affecting the performance of equipment. This analysis discovered using KNN, trained on relatively small dataset produces the most accurate prediction rates. This statement can be logically explained as KNN finds the K nearest neighbor to the current input parameters and estimates a rated average of historically similar observations as prediction. This paper incorporates ambient weather conditions, electrical output as well as turbine performance factors to build a machine learning model to predict NOx emissions. The model can be used to optimize the operational processes for reduction in harmful emissions and increasing overall operational efficiency. Latent algorithms such as Principle Component Algorithms (PCA) have been used for monitoring the equipment performance behavior change which deeply influences process paraments and consequently determines NOx emissions. Typical statistical methods of machine learning performance evaluations such as multivariate analysis, clustering and residual analysis have been used throughout the paper.

研究动机与目标

• 开发天然气轮机发电厂NOx排放的预测模型，以支持环境合规。
• 将动态运行因素（如气象、电力输出和轮机老化）整合进机器学习框架。
• 在有限数据集上评估KNN与其他算法的性能，以验证其在真实场景中的适用性。
• 利用主成分分析（PCA）等潜在变量技术，监测轮机性能退化及其对排放的影响。
• 通过数据驱动分析识别影响排放的关键参数，优化电厂运行。

提出的方法

• 采用KNN算法，基于环境温度、压力和轮机负荷等输入参数，识别K个最相似的历史数据点，以预测NOx排放。
• 输入特征包括环境气象条件、电力输出以及轮机特定性能指标，如排气温度和燃料流量。
• 应用主成分分析（PCA）检测轮机随时间的行为变化，该变化与排放趋势密切相关。
• 通过多变量分析、聚类和残差分析评估模型性能，确保其鲁棒性与准确性。
• 在相对较小的数据集上进行模型训练与验证，证明KNN在数据有限情况下依然有效。
• 采用统计验证技术评估模型可靠性，并识别运行数据中的异常值或异常情况。

实验结果

研究问题

• RQ1 KNN算法能否在小样本数据集上准确预测天然气轮机中的NOx排放？
• RQ2 环境气象条件和轮机运行参数在多大程度上影响NOx排放？
• RQ3 轮机老化与性能退化对NOx排放的影响程度如何？能否在预测模型中有效捕捉这一影响？
• RQ4 PCA的集成在检测影响排放的性能变化方面起到了何种增强作用？
• RQ5 所提出的模型能否支持实时运行优化，以减少有害排放？

主要发现

• 在小样本数据集上训练时，KNN模型在所有测试算法中表现出最高的预测精度，证明其在低数据环境下的有效性。
• 整合环境气象条件和轮机性能因素显著提升了模型在预测NOx排放方面的准确性。
• PCA成功检测到轮机随时间的行为变化，这些变化与NOx排放趋势的转变具有强相关性。
• 残差分析显示模型表现稳定，预测误差较低，表明对NOx水平的估计具有高度可靠性。
• 该模型可支持主动运行调整，以减少排放并提升效率，尤其在应对电网和气象条件动态变化时表现突出。
• 本研究证实，KNN是历史数据有限的发电厂中实现NOx实时预测的稳健选择。