典型文献
基于混合数据驱动算法的SCR氮氧化物排放量动态预测模型
文献摘要：
针对火电厂选择性催化还原(selective catalytic reduction,SCR)系统建模中存在的时延难确定、模型精度不高等问题,提出一种基于多数据驱动算法混合的动态建模方案.首先,对原始生产数据进行数据预处理,并采用最大信息系数(maximal information coefficient,MIC)估算各变量的延迟时间,对数据重构;然后,采用组合特征选择方法确定输入变量,并对输入时间序列进行变分模态分解;最后,结合极限学习机(extreme learning machine,ELM)和误差修正(error correction,EC)模型等数据驱动算法设计SCR出口NOx混合动态预测模型.基于实际历史运行数据的实验结果表明,所建立模型预测结果的平均百分比误差(mean absolute percentage error,MAPE)为2.61％.模型敏感性分析表明,除喷氨量外,入口氧气浓度及烟气温度对NOx排放量存在显著影响,在SCR过程优化控制中应重点考虑.
文献关键词：
选择性催化还原;最大信息系数;变分模态分解;数据驱动;误差修正
中图分类号：
作者姓名：
唐振浩;王世魁;曹生现;李扬;沈涛
作者机构：
东北电力大学自动化工程学院,吉林省 吉林市 132012;东北电力大学电气工程学院,吉林省 吉林市 132012;哈尔滨锅炉厂有限责任公司,黑龙江省 哈尔滨市 150040
文献出处：
引用格式：
[1]唐振浩;王世魁;曹生现;李扬;沈涛-.基于混合数据驱动算法的SCR氮氧化物排放量动态预测模型)[J].中国电机工程学报,2022(09):3295-3306,中插16
A类：
B类：
混合数据,SCR,氮氧化物排放,动态预测模型,火电厂,选择性催化还原,selective,catalytic,reduction,系统建模,时延,模型精度,动态建模,生产数据,数据预处理,最大信息系数,maximal,information,coefficient,MIC,延迟时间,数据重构,组合特征,特征选择,选择方法,变分模态分解,极限学习机,extreme,learning,machine,ELM,误差修正,error,correction,EC,算法设计,NOx,历史运行数据,建立模型,mean,absolute,percentage,MAPE,喷氨量,氧气浓度,烟气温度,过程优化,优化控制
AB值：
0.439697
机标中图分类号，由域田数据科技根据网络公开资料自动分析生成，仅供学习研究参考。
