水电之家讯：基于自适应多尺度核偏最小二乘的SCR烟气脱硝系统建模
1项目背景
选择性催化还原(ivecatalyticreduction，SCR)脱硝技术是当今国内外广泛应用的一种脱硝技术，建立有效的脱硝系统模型是SCR优化控制过程的基础。SCR的反应过程十分复杂，建立其机理模型非常困难。随着人工智能技术的发展，基于数据的建模方法受到了广泛关注和研究。本文利用运行历史数据中的有效信息，采用数据建模方法建立了SCR系统模型。此外，由于工况、环境等因素随时间不断变化，采用单一固定模型时，SCR模型的预测精度随时间推移逐渐降低。因此，有必要采取有效方法对模型进行更新，提高模型的自适应能力。
2论文所解决的问题及意义
本文将滑动窗口模型更新策略与MKPLS方法相结合，提出了自适应多尺度核偏最小二乘回归方法(self-adaptivemulti-scalekernelpartialleastsquares，SMKPLS)，利用benchmark验证了方法的有效性，并将其应用于实际SCR系统的建模中，取得了良好的预测效果。
3论文重点内容
MKPLS方法将多尺度核函数技术与偏最小二乘算法进行结合，通过非线性函数把输入空间映射到高维特征空间，并将特征空间看作是原始输入空间的对偶，在特征空间中构建线性偏最小二乘回归，从而实现原始输入空间的非线性建模。采用多核学习方法，在保持核函数优良的局部映射特征的同时，兼顾原始输入空间中样本的分布特性，使得每一特定分布的样本都有着合适尺度的核函数与其对应，进一步改善高维特征空间中解的稀疏性。
随着现场工况、环境的不断变化，MKPLS模型的预测精度逐渐降低，因此，有必要对模型进行更新，提高模型的自适应能力。但是，不断重构模型将引入大量的计算，增加模型更新耗时，影响更新效果。针对这一问题，本文充分利用初始模型中的有用信息，结合滑动窗口法提出一种自适应模型更新策略，在保证模型有效性的同时减少了计算量和更新耗时。模型更新过程如下图1所示。
将本文方法及其他建模方法应用于SCR脱硝系统建模并进行对比。结果表明，SMKPLS的预测误差最小，泛化能力最强。采用多尺度高斯核有效提高了模型精度。模型更新策略的引入显著减小了预测误差，提高了模型的自适应能力。
4结论
为了建立准确的SCR脱硝系统模型，本文提出了一种自适应多尺度核偏最小二乘方法。SMKPLS方法综合了MKPLS和自适应模型更新策略的优点，兼顾了训练样本中普遍存在的多尺度特性和时变特性，有效提高了模型的泛化能力和自适应能力，所建模型充分反映了SCR脱硝系统输入输出变量间的非线性关系，具有较高的预测精度。
