基于大容量样本挖掘及贝叶斯堆栈泛化集成算法的电站锅炉NO_(x)稳态建模

摘要

氮氧化物(NO_(x))是电站锅炉燃烧的副产物,准确预测其排放对于环境保护和锅炉的燃烧优化具有重要意义。为解决NO_(x)稳态特性建模中面临的参数高维、运行数据时变性强、试验样本有限等问题,提出了一种基于大容量样本挖掘及贝叶斯集成算法的建模框架。首先,采用孤立森林、R-Value算法识别非稳态点、离群点、停滞点,获得高质量稳态样本库;然后,基于随机森林递归特征消除法进行变量选择;最后,建立贝叶斯优化堆栈泛化集成(BO-SGEM)模型对NO_(x)进行预测。以某660 MW机组锅炉72000条历史运行数据为例进行NO_(x)排放预测,结果表明:在9种离群点诊断算法中,孤立森林算法性能最优,稳态诊断和特征选择的结果与锅炉燃烧机理相符;BO-SGEM模型的精度与泛化能力均优于堆栈泛化集成学习模型及支持向量回归机、极端随机树、梯度上升树等算法模型。