Soft-sensor emisji NOx dla elektrowni cieplnych
Soft-sensor oparty na lesie losowym z uczeniem just-in-time przewiduje stężenie NOx z danych procesowych elektrowni cieplnej, osiągając R² = 0,93 na zbiorze testowym i przewyższając wszystkie sześć modeli porównawczych z badania.
Rozwiązanie Soft Sensor
Podejście
Uczenie just-in-time (JITL) z lasem losowym: dla każdej prognozy z danych historycznych wybierany jest lokalny zbiór uczący według wskaźnika podobieństwa czasowo-przestrzennego i dopasowywany jest na nim las losowy. Ulepszony algorytm ważności permutacyjnej wybiera zmienne wejściowe, a monitoring w oknie ruchomym wykrywa zmiany warunków pracy i uruchamia aktualizację online.
Zmienne wejściowe
- Zmienne procesowe wybrane ulepszoną ważnością permutacyjną z danych eksploatacyjnych
Zmienne wyjściowe
- Stężenie NOx (mg/m³)
Typ modelu
- Las losowy
- Uczenie just-in-time
Strategia aktualizacji
- Model lokalny dla każdego zapytania (just-in-time)
- Monitoring warunków pracy w oknie ruchomym
Kluczowe wskaźniki
Wyniki
-
Na zbiorze testowym zaproponowana metoda osiągnęła R² = 0,9319, RMSE = 3,696 mg/m³ i MAE = 2,772 mg/m³, z 99,71 % próbek w granicach 15 mg/m³ błędu bezwzględnego — lepiej niż wszystkie sześć modeli porównawczych z badania (PLS, JIT-PLS, MW-PLS, las losowy, las losowy w oknie ruchomym i prosty las losowy JIT; najbliżej był las losowy JIT z R² = 0,9252).
Dlaczego to ważne
- Dokładna prognoza NOx w czasie rzeczywistym to podstawa optymalizacji spalania w elektrowniach cieplnych: daje regulacji spalania szybki sygnał, uzupełniający wymagany prawem pomiar emisji.
- Warunki pracy zmieniają się z obciążeniem i paliwem, więc pojedynczy globalny model traci dokładność. Lokalne modele just-in-time z nadzorowaną aktualizacją nadążają za bieżącym stanem pracy.
Masz wyzwanie w sterowaniu? Porozmawiajmy.
Źródła
He, K., Ding, H. — otwarty dostęp. Las losowy JITL z ulepszoną ważnością permutacyjną, podobieństwem czasowo-przestrzennym i monitorowaniem w oknie przesuwnym; wyniki na zbiorze testowym danych eksploatacyjnych elektrowni.
Przegląd
Soft-sensor szacuje NOx ze zmiennych, które system sterowania już rejestruje, dzięki czemu spalanie można korygować, zanim zareaguje pomiar emisji. Uzupełnia wymagany ciągły pomiar emisji, ale go nie zastępuje.
Kiedy stosować ten wzorzec
- NOx silnie zmienia się z obciążeniem, paliwem i rozdziałem powietrza, a szybszy sygnał niż analizator pomógłby regulacji spalania.
- Dostępne są wieloletnie historyczne dane procesowe.
- Stan pracy zmienia się na tyle często, że pojedynczy model globalny dryfuje.
Dlaczego uczenie just-in-time
Model globalny uśrednia stany pracy, które zachowują się różnie. Uczenie just-in-time buduje model lokalny wokół bieżącego punktu pracy z najbardziej podobnych danych historycznych, a monitoring w oknie ruchomym decyduje, kiedy go zaktualizować. Według cytowanego badania ta kombinacja była lepsza od wszystkich sześciu modeli porównawczych na tych samych danych testowych.
Co sprawdzić przed budową
- Czy dane historyczne obejmują zakres obciążeń i paliw, który zobaczy czujnik.
- Jak prognoza będzie używana (ekran operatora, optymalizator spalania, weryfikacja analizatora) — z tego wynikają wymagania dokładności i opóźnienia.
- Jak wykrywać dryf przyrządów, aby soft-sensor nie nauczył się po cichu błędnego pomiaru.
Powiązane wzorce
Kontakt
Wyślij wiadomość
Kontakt bezpośredni
Dr. Rafał Noga
Spotkanie
Zarezerwuj 30-minutową rozmowę techniczną bezpośrednio przez Calendly.
Zarezerwuj 30-min rozmowę technicznąBądź na bieżąco
Otrzymuj informacje o przemysłowej AI, APC i optymalizacji procesów na swoją skrzynkę.