[发明专利]一种脱硫系统入口SO2

权利要求书

1.一种脱硫系统入口SO₂浓度智能预测方法，其特征在于，包括：

步骤101：根据燃煤机组燃烧原理及脱硫系统反应机理，确定入口SO₂浓度影响因素以及预测方法的输入变量；

步骤201：基于主成分分析方法和灰度关联方法，确定入口SO₂浓度影响因素并提取特征变量；

步骤301：基于提取的特征变量，根据CatBoost算法建立入口SO₂浓度智能预测模型；

步骤401：将当前时刻的入口SO₂浓度影响因素的实时运行数据输入建立的入口SO₂浓度智能预测模型，得到当前时刻的脱硫系统入口SO₂浓度。

2.根据权利要求1所述的脱硫系统入口SO₂浓度智能预测方法，其特征在于，入口SO₂浓度影响因素包括机组负荷、总风量、总煤量、磨煤机给煤量、原烟气入口烟气温度、原烟气入口烟气压力和原烟气入口O₂量。

3.根据权利要求1或2所述的脱硫系统入口SO₂浓度智能预测方法，其特征在于，将入口SO₂浓度影响因素与入口SO₂浓度构成训练集，确定输入参数。

4.根据权利要求1所述的脱硫系统入口SO₂浓度智能预测方法，其特征在于，主成分分析方法包括：协方差矩阵的计算、协方差矩阵特征值和特征向量计算、特征值排序并求取贡献率大于85%的特征向量、主成分确定和主成分与原始特征向量载荷矩阵的求取，根据载荷矩阵对输入参数进行降维。

5.根据权利要求1所述的脱硫系统入口SO₂浓度智能预测方法，其特征在于，灰度关联方法包括：确定母序列与子序列、对母序列和子序列数据进行无量纲化、计算母序列与子序列对应元素的绝对差值、计算关联系数、计算灰色关联度和确定特征参数。

6.根据权利要求5所述的脱硫系统入口SO₂浓度智能预测方法，其特征在于，按公式（1）计算母序列与子序列对应元素的绝对差值：

公式（1）中：为母序列中第k个样本；为子序列中第k个样本第i个特征；n为母序列/子序列样本个数；m为子序列特征个数。

7.根据权利要求5所述的脱硫系统入口SO₂浓度智能预测方法，其特征在于，按公式（2）计算关联系数：

公式（2）中：为母序列中第k个样本；为子序列中第k个样本第i个特征；n为母序列/子序列样本个数；m为子序列特征个数；为分辨系数，。

8.根据权利要求5所述的脱硫系统入口SO₂浓度智能预测方法，其特征在于，按公式（3）计算灰色关联度：

公式（3）中：为母序列中第k个样本；为子序列中第k个样本第i个特征；n为母序列/子序列样本个数；m为子序列特征个数；

确定特征变量是筛选大于0.8的参数。

9.根据权利要求1所述的脱硫系统入口SO₂浓度智能预测方法，其特征在于，入口SO₂浓度影响因素为机组负荷、总风量、总煤量、原烟气入口烟气温度和原烟气入口烟气压力；特征变量为机组负荷、原烟气入口烟气温度和原烟气入口烟气压力。

10.根据权利要求3所述的脱硫系统入口SO₂浓度智能预测方法，其特征在于，CatBoost算法包括：对于训练集X中的每一个样本X_i，通过除X_i之外的训练样本进行训练得到模型M_i；采用排序提升方法利用模型M_i计算样本X_i的梯度估计；利用新模型重新对样本X_i打分，形成一个弱学习器；对所有弱学习器进行加权处理，获得强分类器。