典型文献
基于数据驱动的燃煤锅炉NOx排放浓度动态修正预测模型
文献摘要：
NOx浓度实时预测对于燃煤电厂污染物排放控制和机组运行具有重要意义.为了克服燃烧过程大时延及强非线性特性,提出一种考虑时间延迟的动态修正预测模型.利用最大信息系数(maximum information coefficient MIC)计算相关参数与NOx浓度的延迟时间,重构建模数据集;然后,构建基于Lasso和ReliefF的自适应特征选择算法,筛选与NOx浓度相关程度高的参数;最后,建立结合误差校正的极限学习机(extreme learning machine,ELM)模型,达到动态预测氮氧化物浓度的目的.基于实际数据的实验结果表明:相同变量在升、降、平稳等负荷工况下的延迟时间不同;且不同负荷工况下模型特征变量存在差异;动态误差校正策略有效提升建模精度;所提出算法在不同工况下的预测误差均小于2％,能够准确预测燃烧出口的NOx浓度,为NOx排放监测和燃烧过程优化提供指导.
文献关键词：
NOx排放;特征选择;极限学习机;误差修正;数据驱动
中图分类号：
作者姓名：
唐振浩;朱得宇;李扬
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
文献出处：
引用格式：
[1]唐振浩;朱得宇;李扬-.基于数据驱动的燃煤锅炉NOx排放浓度动态修正预测模型)[J].中国电机工程学报,2022(14):5182-5193,中插15
A类：
B类：
燃煤锅炉,NOx,排放浓度,动态修正,实时预测,燃煤电厂,污染物排放,排放控制,机组运行,燃烧过程,大时延,强非线性,非线性特性,时间延迟,最大信息系数,maximum,information,coefficient,MIC,延迟时间,建模数据,Lasso,ReliefF,自适应特征选择,特征选择算法,误差校正,极限学习机,extreme,learning,machine,ELM,动态预测,氮氧化物浓度,实际数据,不同负荷,模型特征,特征变量,动态误差,建模精度,不同工况,预测误差,准确预测,烧出,排放监测,过程优化,误差修正
AB值：
0.500067
相似文献
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。
