基于VMD-Bayes-Lasso算法带误差补偿的火电厂NO_x浓度软测量

摘要

针对燃煤电厂中选择性催化还原（Selective Catalytic Reduction, SCR）脱硝系统入口NO_x浓度的测量传感器迟延大，不能准确反映其浓度的实时变化的问题，提出了利用Copula熵（Copula entropy, CE）筛选与入口NO_x浓度软测量相关的辅助变量，利用变模态分解（Variational Mode Decomposition, VMD）,将入口NO_x浓度分解为不同中心频率的子序列信号，建模充分拟合目标变量的数据特征。采用二级建模方法，第一级，将分解后得到的入口NO_x浓度子序列信号分别利用贝叶斯回归算法（Bayesian Regression, Bayes）进行训练并预测，叠加得到完整的预测结果，第二级，对训练中产生的验证集误差值利用Lasso算法建立误差预测模型，得到测试集预测误差的预测值，并与第一级模型得到完整预测结果叠加，实现误差补偿，提升模型预测精度。其中，Bayes及Lasso网络超参数利用天牛群算法进行自动寻优；仿真结果显示，VMD分解并带误差补偿模型对比未经VMD分解带误差补偿模型，Bayes及Lasso单一模型的均方根误差、平均绝对误差、平均绝对百分比误差最小，能够实现对入口NO_x浓度的准确软测量。

关键词

入口NO_x浓度建模 / 变模态分解 / 误差修正 / 软测量 / 天牛群优化算法