一种基于Elman神经网络SCR脱硝系统不良数据辨识方法技术方案

本发明专利技术提出了一种基于Elman神经网络预测估计鉴别脱硝系统不良数据的方法，主要步骤包括：获取原始数据，构建Elman神经网络，神经网络学习，筛选、标记不良样本，剔除不良样本后重新构建和训练Elman神经网络，最终可用训练好的神经网络对不良样本进行检验和校正。本发明专利技术基于Elman神经网络预测估计鉴别脱硝系统不良数据，通过多次构建和训练Elman神经网络减少不良样本对网络预测精度的影响，通过对原始样本进行随机测试以避免人工选取的主观性，通过优化样本构建和训练Elman神经网络对所辨识的不良样本进行检验和校正，避免不良样本的误判，具有适应脱硝系统数据参数具有波动大和时变性的特点，辨识精度和准确性高，可广泛用于烟气脱硝领域不良数据的辨识。

【技术实现步骤摘要】
一种基于Elman神经网络SCR脱硝系统不良数据辨识方法
本专利技术属于氮氧化物治理领域，具体涉及一种基于Elman神经网络SCR脱硝系统不良数据辨识方法。
技术介绍
选择性催化还原（SCR）脱硝系统在使用运行过程中，为了保证系统的稳定运行和有效控制，一般会通过分布式计算机控制系统（DCS）实时采集和监控相关数据。然而，由于数据采集过程中存在的仪器故障、传输延误、记录错误等问题，样本中往往包含一些不良数据。这些不良数据不仅干扰脱硝系统控制，同时对于后期数据分析、系统优化产生不良影响。因此，如何对不良数据进行辨识对于SCR脱硝系统的稳定高效运行具有重要意义。传统的不良数据辨识方法主要基于量测参数的残差进行分析，该方法对于多个不良数据具有强相关关系，容易出现残差污染或残差淹没现象，从而造成误判或者遗漏。近年来，随着人工智能、深入数据挖掘以及相关数学理论的发展，不良数据辨识取得了新的进展。其中，人工神经网络以其强大的非线性拟合和自适应能力，使其在模式识别、自动控制、预测估计、不良数据辨识等方面表现出良好的智能特性。在电力系统状态估计方本文档来自技高网...

【技术保护点】
1.一种基于Elman神经网络SCR脱硝系统不良数据辨识方法，其特征在于，包括以下步骤：/n步骤1、获取SCR脱硝系统原始数据样本，对原始数据进行归一化处理；/n步骤2、从原始数据随机选取训练样本和测试样本，构建Elman神经网络模型，确定神经网络拓扑结构和相关参数；所述训练样本容量为原始数据总量的70%～90%，测试样本容量为原始数据总量的10%～30%；/n步骤3、训练神经网络，输入测试样本进行预测鉴别，计算测试样本预测值与初始值之间的相对误差，筛选相对误差满足预设条件的样本，添加至不良样本集；/n步骤4、重复执行所述步骤2和所述步骤3直至满足预设条件；/n步骤5、统计不良样本集相同样本的...

【技术特征摘要】
1.一种基于Elman神经网络SCR脱硝系统不良数据辨识方法，其特征在于，包括以下步骤：
步骤1、获取SCR脱硝系统原始数据样本，对原始数据进行归一化处理；
步骤2、从原始数据随机选取训练样本和测试样本，构建Elman神经网络模型，确定神经网络拓扑结构和相关参数；所述训练样本容量为原始数据总量的70%～90%，测试样本容量为原始数据总量的10%～30%；
步骤3、训练神经网络，输入测试样本进行预测鉴别，计算测试样本预测值与初始值之间的相对误差，筛选相对误差满足预设条件的样本，添加至不良样本集；
步骤4、重复执行所述步骤2和所述步骤3直至满足预设条件；
步骤5、统计不良样本集相同样本的出现频次，筛选出现频次超过预设值的样本标记为不良样本；
步骤6、剔除所标记不良样本，重新构建和训练Elman神经网络，利用训练好的神经网络对不良样本进行检验和校正。


2.根据权利要求1所述的一种基于Elman神经网络SCR脱硝系统不良数据辨识方法，其特征在于，所述步骤1中的所述原始数据应至少包含SCR脱硝催化剂活性或SCR脱硝催化剂寿命时变参数的一种。


3.根据权利要求1所述的一种基于Elman神经网络SCR脱硝系统不良数据辨识方法，其特征在于，所述步骤1中的所述归一化处理方法如下：



式中：Zni为归一化的参数Zi，Zi为参数Z的第i个值，Zmax为参数Z的最大值，Zmin为参数Z的最小值。


4.根据权利要求1所述的一种基于Elman神经网络SCR脱硝系统不良数据辨识方法，其特征在于，所述步骤2中的所述随机选取的方法为抽签法或随机数法。


5.根据权利要求1所述的一种基于Elman神经网络SCR脱...

【专利技术属性】
技术研发人员：陆强，马善为，曲艳超，陈晨，吴洋文，张镇西，郑树，
申请(专利权)人：华北电力大学，
类型：发明
国别省市：北京;11