基于优化BP神经网络的SCR脱硝系统不良数据辨识方法技术方案

本发明专利技术公开了一种基于优化BP神经网络的SCR脱硝系统不良数据辨识方法，包括以下步骤：（1）获取原始数据，对数据进行无量纲化预处理；（2）构建BP神经网络，利用遗传算法优化神经网络参数；（3）训练神经网络，随机选取样本进行预测，计算相对误差并依此鉴别不良样本；（4）重复执行步骤（2）和（3）构建不良样本集；（5）统计不良样本在不良样本集中出现频次，依频次大小初步确定不良样本；（6）剔除不良样本并重新构建神经网络，对剔除的不良样本进行预测，根据相对误差对不良样本进行检验和校正。本发明专利技术利用遗传算法对网络参数进行全局优化，提升预测精度，可防止神经网络陷入局部最优，提升鉴别的准确性和精度。

【技术实现步骤摘要】
基于优化BP神经网络的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，具体涉及一种基于优化BP神经网络的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）是一种主流的烟气脱硝技术，广泛用于烟气氮氧化物排放控制。在烟气脱硝系统中，随着技术的不断发展和革新，脱硝系统设计和相关运行数据不断累积，利用这些数据监控系统运行状态、维持系统稳定运行与控制以及辅助系统优化设计已逐渐成为研究的热点。为了确保研究设计的顺利进行，必然需要更为精确可靠的原始数据。然而，由于数据测量仪器故障、数据记录传递等过程中存在的不可控因素，原始数据中往往存在一些不良数据，严重影响分析结果的准确性。因此，如何鉴别和剔除SCR脱硝系统中的不良数据，提升数据质量是当前研究亟需解决的问题。不良数据检测与辨识方法一直受到相关领域的关注，相关学者已提出了多种不良数据检测与鉴别方法。其中，相对传统的代表方法有，目标函数极值法、加权残差法以及量测量突变法等，这些方法在电力系统状态估计中应用最为广泛。随着计算机和人工智能技术的发展，利用神经网络算法进行不良本文档来自技高网...

【技术保护点】
1.基于优化BP神经网络的SCR脱硝系统不良数据辨识方法，其特征在于，所述方法包括以下步骤：/n步骤一、获取SCR脱硝系统原始数据样本，对样本进行无量纲化处理；/n步骤二、建立BP神经网络模型，利用遗传算法对神经网络参数进行优化设置；/n步骤三、学习训练神经网络，从原始样本随机选取样本进行预测测试，计算预测值与真实值之间的相对误差，筛选相对误差大于预设值的样本初步确定为不良样本；/n步骤四、重复执行步骤二和步骤三至设定值，构建不良样本集；/n步骤五、统计不良样本集中同一样本的出现频次，筛选出现频次超过预设值的样本标记为不良样本；/n步骤六、剔除所标记不良样本，利用优化后样本重新构建并训练神经网...

【技术特征摘要】
1.基于优化BP神经网络的SCR脱硝系统不良数据辨识方法，其特征在于，所述方法包括以下步骤：
步骤一、获取SCR脱硝系统原始数据样本，对样本进行无量纲化处理；
步骤二、建立BP神经网络模型，利用遗传算法对神经网络参数进行优化设置；
步骤三、学习训练神经网络，从原始样本随机选取样本进行预测测试，计算预测值与真实值之间的相对误差，筛选相对误差大于预设值的样本初步确定为不良样本；
步骤四、重复执行步骤二和步骤三至设定值，构建不良样本集；
步骤五、统计不良样本集中同一样本的出现频次，筛选出现频次超过预设值的样本标记为不良样本；
步骤六、剔除所标记不良样本，利用优化后样本重新构建并训练神经网络，对不良样本进行预测，根据相对误差对不良数据进行检验和校正。


2.根据权利要求1所述的基于优化BP神经网络的SCR脱硝系统不良数据辨识方法，其特征在于，所述步骤一中所述无量纲化处理方法如下所示：



式中：Xnorm为无量纲输入或输出参数，X为原始输入或输出参数，Xmin为数据X中的最小值，Xmax为数据X中的最大值。


3.根据权利要求1所述的基于优化BP神经网络的SCR脱硝系统不良数据辨识方法，其特征在于，所述步骤二中所述利用遗传算法对神经网络参数进行优化设置的步骤包括：
1）确定个体适应度函数，初始化种群；
2）基于优胜...

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