基于PSO-XGBoost集成算法的火电厂NO <i><sub>x</sub></i>排放动态预测研究

孙尊强; 田一淳; 马修元; 郑成航; 苏楠; 杨宏旻

doi:10.13205/j.hjgc.202512020

基于PSO-XGBoost集成算法的火电厂NO _x排放动态预测研究

doi: 10.13205/j.hjgc.202512020

1. 国电环境保护研究院有限公司, 南京 210031;
2. 北京低碳清洁能源研究院, 北京 102200;
3. 浙江大学能源工程学院, 杭州 310027;
4. 南京师范大学能源与机械工程学院, 南京 210042

基金项目:

国家重点研发计划项目（2022YFC3701504）；国家能源集团科技项目（GJNY-23-82）

详细信息

作者简介:
孙尊强（1982—），男，博士研究生，高级工程师，长期从事电力环境保护设计研发工作。sunzunqiang@126.com

通讯作者:
杨宏旻（1972—），男，教授，博士生导师，主要从事能源高效清洁利用研究工作。yanghongmin@njnu.edu.cn

计量
- 文章访问数: 424
- HTML全文浏览量: 136
- PDF下载量: 1
- 被引次数: 0
出版历程
- 收稿日期: 2024-01-14
- 录用日期: 2024-03-15
- 修回日期: 2024-02-28
- 网络出版日期: 2026-01-09

Research on dynamic prediction of NO _x emission of thermal power plants based on PSO-XGBoost ensemble algorithm

1. State Power Environmental Protection Research Institute, Nanjing 210031, China;
2. National Institute of Clean-and-Low-Carbon Energy, Beijing 102200, China;
3. College of Energy Engineering, Zhejiang University, Hangzhou 310027, China;
4. School of Energy and Mechanical Engineering, Nanjing Normal University, Nanjing 210042, China

摘要

摘要: 火电厂NO _x 生成单一模型只能基于部分数据特征进行预测模型训练，无法充分挖掘和利用潜在数据价值信息。为有效预测燃煤电厂NO _x 排放，提出一种基于皮尔逊相关性分析（Pearson correlation analysis）的方法进行特征筛选，以及一种基于粒子群优化算法（particle swarm optimization，PSO）优化的极端梯度提升（extreme gradient boosting，XGBoost）算法。首先，通过使用皮尔逊相关性分析对各特征进行相关系数计算，并进行特征选择。其次，采用粒子群优化算法对XGBoost模型进行超参数调优，确保模型在不同工况下的鲁棒性和泛化能力。最后，与其他机器学习算法预测结果进行了对比验证。基于某锅炉机组实际数据进行预测，预测值与真实值平均绝对百分比误差MAPE为0.93%，均方根误差RMSE为5.959，平均绝对误差MAE为3.564，决定系数R²为0.97，结果表明改进后的模型NO _x 排放预测效果优于其他机器学习算法，显著降低了预测误差，大大提升了模型的准确性与实用性。
- 机器学习 /
- XGBoost /
- 粒子群优化算法 /
- NO _x /
- 排放量预测
Abstract: The single model for NO _x generation in thermal power plants can only be trained based on partial data features， failing to fully explore and utilize the potential value of the data. To effectively predict NO _x emissions from coal-fired power plants， this paper proposed a feature selection method based on Pearson correlation analysis and an extreme gradient boosting （XGBoost） algorithm optimized by particle swarm optimization （PSO）. Firstly， Pearson correlation analysis was used to calculate the correlation coefficients of various features and conduct feature selection. Secondly， the particle swarm optimization algorithm was employed to fine-tune the hyperparameters of the XGBoost model， ensuring its robustness and generalization ability under different operating conditions. Finally， the prediction results were compared with those of other machine learning algorithms for verification. Predictions were conducted based on the actual data of a boiler unit. The mean absolute percentage error （MAPE） between the predicted and actual values was 0.93%， the root mean square error （RMSE） was 5.959， the mean absolute error （MAE） was 3.564， and the coefficient of determination （R²） was 0.97. The results indicate that the improved model outperforms other machine learning algorithms in predicting NO _x emissions， significantly reducing prediction errors and greatly enhancing the accuracy and practicality of the model.
- machine learning /
- XGBoost /
- particle swarm optimization /
- NO _x /
- emissions prediction

HTML全文

参考文献(20)

[1]	YOU C Y. Research on monitoring and optimization strategies for carbon dioxide emissions from coal-fired power plants［J］. Resources Economization& Environmental Protection，2024（8）：17-21. 尤晨昱. 燃煤电厂二氧化碳排放监测与减排优化策略研究［J］. 资源节约与环保，2024（8）：17-21.
[2]	QIU Z L，ZHANG X H，ZHAO D，et al. Analysis of nitrogen oxide generation mechanism and emission control technology in thermal power plants［J］. Journal of Shenyang Institute of Engineering（Natural Science），2023，19（1）：23-29. 邱正霖，张小辉，赵頔，等. 火电厂氮氧化物生成机理及排放控制技术分析［J］. 沈阳工程学院学报（自然科学版），2023，19（1）：23-29.
[3]	ZHUO J K，JIAO W H，SONG S P，et al. A review on nitrogen oxides prediction model in combustion optimization of boilers［J］. Journal of Combustion Science and Technology，2016，22（6）：531-540. 卓建坤，焦伟红，宋少鹏，等. 锅炉燃烧优化中 NOₓ预测模型研究进展［J］. 燃烧科学与技术，2016，22（6）：531-540.
[4]	LI Z B，CHEN S Q. Influencing factors of low-temperature SCR denitrification efficiency for coal-fired boiler flue gas［J］. Chemistry& Bioengineering，2024，41（9）：57-59. 李子彬，陈绍清. 燃煤锅炉烟气低温 SCR 脱硝效率影响因素研究［J］. 化学与生物工程，2024，41（9）：57-59.
[5]	WANG L，HOU Y T，XUE J Z，et al. Principal component analysis-based NOₓ formation prediction for SCR flue gas denitrification system［J］. Thermal Power Generation，2015，44（8）：84-89. 王林，侯玉婷，薛建中，等. 基于主元分析的 SCR 烟气脱硝系统入口 NOₓ生成量预测模型［J］. 热力发电，2015，44（8）：84-89.
[6]	ZHAO Q. Simulation optimization of SCR flue gas denitrification system and optimal control of ammonia injection amount［D］. Chongqing：Chongqing University，2012. 赵乾. SCR 烟气脱硝系统模拟优化及喷氨量最优控制［D］. 重庆：重庆大学，2012.
[7]	LI Y，ZHUO J K，WU Y F，et al. Interpretable prediction model for NOₓ mass concentration at SCR reactor inlet in coal-fired power plants under flexible operating conditions［J］. Thermal Power Generation，2024，53（7）：119-128. 李影，卓建坤，吴逸凡，等. 可解释的变负荷下燃煤机组 SCR 反应器入口 NOₓ质量浓度预测模型［J］. 热力发电，2024，53（7）：119-128.
[8]	LIU Y，YU J，JIN X Z. NOₓ mass concentration prediction based on feature optimization and improved LSTM network［J］. Thermal Power Generation，2021，50（7）：162-169. 刘岳，于静，金秀章. 基于特征优化和改进长短期记忆神经网络的NOₓ质量浓度预测［J］. 热力发电，2021，50（7）：162-169.
[9]	LU Y，LIU J Z，YANG T T，et al. NOₓ emission characteristic modeling based on feature extraction using PLS and LS-SVM［J］. Chinese Journal of Scientific Instrument，2013，34（11）：2418-2424. 吕游，刘吉臻，杨婷婷，等. 基于 PLS 特征提取和 LS-SVM 结合的 NOₓ排放特性建模［J］. 仪器仪表学报，2013，34（11）：2418-2424.
[10]	YANG G T，WANG Y N，LI X L，et al. Dynamic prediction of boiler NO _x emission based on mutual information variable selection and LSTM［J］. Journal of North China Electric Power University（Natural Science Edition），2020，47（3）：66-74. 杨国田，王英男，李新利，等. 基于互信息变量选择与 LSTM 的电站锅炉 NO _x 排放动态预测［J］. 华北电力大学学报（自然科学版），2020，47（3）：66-74.
[11]	LAN M W，LI Y，ZHAO G Q，et al. Study on boiler combustion modeling based on MAPSO optimizing LSSVM model parameters［J］. Journal of Central South University（Science and Technology），2022，53（4）：1506-1515. 蓝茂蔚，李杨，赵国钦，等. 基于 MAPSO 优化 LSSVM 的锅炉燃烧建模研究［J］. 中南大学学报（自然科学版），2022，53（4）：1506-1515.
[12]	MA L Y，CHENG S Z，WANG Y J. Application of sine algorithm optimized regularized ELM in boiler NOₓ emission modeling［J］. Journal of North China Electric Power University（Natural Science Edition），2022，49（3）：112-118. 马良玉，程善珍，王永军. 正弦算法优化正则化 ELM 在 NO _x 排放量建模中的应用［J］. 华北电力大学学报（自然科学版），2022，49（3）：112-118.
[13]	WANG B，ZHAO L，ZHAO C C，et al. Prediction of NO _x concentration at outlet of SCR denitrification system in thermal power plant based on EMD-SVR［J］. Computer Measurement& Control，2020，28（5）：71-75. 王博，赵亮，赵长春，等. 基于 EMD-SVR 的火电厂选择性催化还原脱硝系统出口 NO _x 浓度预测研究［J］. 计算机测量与控制，2020，28（5）：71-75.
[14]	JIN X Z，ZHANG J，CHEN J Z. NO _x emission prediction of thermal power plant based on sparrow search algorithm optimized TPA-LSTM［J］. Control Engineering of China，2024，31（10）：1937-1944. 金秀章，张瑾，陈佳政. 基于麻雀搜索算法优化 TPA-LSTM 的火电厂 NO _x 排放预测［J］. 控制工程，2024，31（10）：1937-1944.
[15]	WANG X，LIU W，WANG Y，et al. A hybrid NO _x emission prediction model based on CEEMDAN and AM-LSTM［J］. Fuel，2022，310：121895.
[16]	ZHOU L，ZHU X J. Univariate short-term electrical load based on MA-CNN-LSTM-Self attention［J］. Science Technology and Engineering，2024，24（22）：9408-9416. 周磊，竺筱晶. 基于 MA-CNN-LSTM 和自注意力机制的单变量短期电力负荷预测［J］. 科学技术与工程，2024，24（22）：9408-9416.
[17]	SUN H B，YANG J G，JIN H W，et al. NO _x prediction model for coal-fired boiler based on bayesian optimization and random forest regression［J］. Journal of Chinese Society of Power Engineering，2023，43（7）：910-916. 孙胡彬，杨建国，金宏伟，等. 基于贝叶斯优化— 随机森林回归的燃煤锅炉 NO _x 预测模型［J］. 动力工程学报，2023，43（7）：910-916.
[18]	WANG Y D，LI J H，YUE X，et al. Prediction of main steam pressure of power plant boiler based on CEEMDAN combined with WTD-XGBoost-LSTM［J］. Chinese Journal of Electron Devices，2024，47（3）：780-787. 王宇冬，李家翰，岳显，等. 基于 CEEMDAN 混合 WTD-XGBoost-LSTM 的电厂锅炉主蒸汽压力预测［J］. 电子器件，2024，47（3）：780-787.
[19]	WEN X Q，LI K C，WANG J G，et al. NO _x emission predicting for coal-fired boilers based on ensemble learning methods and optimized base learners［J］. Energy，2023，264：126171.
[20]	DUAN H，MENG X，TANG J，et al. NO _x emissions prediction for MSWI process based on dynamic modular neural network［J］. Expert Systems with Applications，2024，238：122015.