如何利用运行数据选取SCR系统模型最优输入变量
1、项目背景
电厂锅炉燃烧产生的NOx排放到大气中会对环境造成严重污染，选择性催化还原方法(ive catalytic reduction，SCR)由于脱硝效果良好在中得到了广泛的应用。准确的模型是系统优化控制的基础，输入变量的选择是建立模型前的重要步骤。漏选变量会造成模型无法准确描述建模对象，降低模型精度，而多选变量则会增加模型的复杂度，同时也会将噪声引入建模过程，影响模型的学习和泛化能力。
2、文章解决的问题及意义
本文利用benchmark验证了偏互信息法(partial mutual information, PMI)的有效性，将其分别与SVM和ANN结合应用于实际火电厂SCR烟气脱硝系统的建模中，结果表明PMI方法在降低模型复杂度的同时提高了模型的泛化能力。
3、重点内容
随着信息熵的提出，信息的量化表达问题得到了解决。互信息(mutual information, MI)在信息熵的基础上进一步度量了一个变量中含有的关于另一个变量的信息量，MI值的高低反映了变量之间相关度的大小。但是，输入变量之间的耦合关系会对MI的计算结果产生影响，从而导致误选或漏选。PMI方法通过计算条件期望消除了变量之间的联系，从而保证了变量选择的可靠性和准确性。
SCR反应机理复杂，影响脱硝效率的因素众多，从各种参数中选取氨流量、SCR系统出口压力、出口烟气含氧量、氨逃逸量、机组负荷、SCR入口NOx浓度、入口烟气温度、入口烟气含氧量和烟气流量等9种变量作为备选输入变量，选择SCR系统出口NOx浓度作为输出变量。利用PMI方法对SCR系统输入变量进行选择，选择过程如图1所示。
图1 PMI选择过程示意图
将最优变量集作为模型输入变量，选取SCR系统运行历史数据作为训练和预测样本，利用训练样本建立模型并用预测样本对模型进行验证。模型的训练及预测效果如图2、3所示。从图中可以看出，PMI方法有效避免了输入变量中噪声或冗余信息对模型性能的不利影响，提高了模型的准确性。