一种基于大数据自学习预测控制的脱硫系统控制方法技术方案

本发明专利技术公开了一种基于大数据自学习预测控制的脱硫系统控制方法，旨在解决现有技术中脱硫系统控制的自动化水平差、关键参数波动大、能耗物耗偏高的技术问题。其包括：获取脱硫系统当前时刻的运行参数，运行参数包括测量参数和控制参数；基于预先构建的成本模型和当前时刻的测量参数，利用粒子群优化算法获得当前时刻的最优控制参数；根据当前时刻的运行参数和最优控制参数，利用脱硫系统的离散状态空间模型输出控制指令，实现脱硫系统控制。本发明专利技术能够同时实现脱硫系统整体最优经济运行与关键参数精准控制，提高了火电机湿法脱硫系统运行的安全性与经济性。

【技术实现步骤摘要】
一种基于大数据自学习预测控制的脱硫系统控制方法
本专利技术涉及一种基于大数据自学习预测控制的脱硫系统控制方法，属于热能动力工程和自动控制

技术介绍
石灰石—石膏湿法烟气脱硫系统工艺复杂，存在环保超排隐患、运行能耗高、运行调整难度大的难题，必须对脱硫系统进行控制。传统的脱硫系统控制策略存在以下问题：(1)由于脱硫系统被控对象普遍存在大滞后、大惯性问题，为了保证整个系统的稳定性，在控制系统的控制器参数整定过程中将调节器作用整定较弱，导致控制系统的整体抗扰动能力较差，进而导致大多火电机组的脱硫系统无法投入自动运行；(2)由于反馈回路采用单位反馈，存在大惯性、大滞后对象反馈不及时的情况，导致脱硫系统关键参数调节存在滞后，尤其是对脱硫系统影响最为关键的pH值的调节性能较差；(3)脱硫系统的关键参数(如pH值、吸收塔液位以及浆液密度)的设定值采用一成不变的固定值，在关键参数的自动调节性能差的影响下会导致脱硫系统能耗、物耗均较大，运行经济性差。面对上述问题，如何通过先进控制技术及基于大数据分析研究优化脱硫系统的运行，提高脱硫系统的智能自动运本文档来自技高网...

【技术保护点】
1.一种基于大数据自学习预测控制的脱硫系统控制方法，其特征在于，包括如下步骤：/n获取脱硫系统当前时刻的运行参数，所述运行参数包括测量参数和控制参数；/n基于预先构建的成本模型和当前时刻的测量参数，利用粒子群优化算法获得当前时刻的最优控制参数；/n根据当前时刻的运行参数和最优控制参数，利用脱硫系统的离散状态空间模型输出控制指令，实现脱硫系统控制。/n

【技术特征摘要】
1.一种基于大数据自学习预测控制的脱硫系统控制方法，其特征在于，包括如下步骤：
获取脱硫系统当前时刻的运行参数，所述运行参数包括测量参数和控制参数；
基于预先构建的成本模型和当前时刻的测量参数，利用粒子群优化算法获得当前时刻的最优控制参数；
根据当前时刻的运行参数和最优控制参数，利用脱硫系统的离散状态空间模型输出控制指令，实现脱硫系统控制。


2.根据权利要求1所述的一种基于大数据自学习预测控制的脱硫系统控制方法，其特征在于，所述测量参数包括脱硫系统入口烟气流量、SO2浓度、温度和压力，所述控制参数包括浆液pH值、浆液密度、浆液液位和浆液循环泵的组合方式、石灰石供浆量和石膏排出泵排出量。


3.根据权利要求1所述的一种基于大数据自学习预测控制的脱硫系统控制方法，其特征在于，所述成本模型采用自学习在线极限学习机模型，成本模型的输入为脱硫系统的运行参数，成本模型的输出为脱硫系统的综合运行成本；所述成本模型的构建过程包括模型初始化和模型自学习。


4.根据权利要求3所述的一种基于大数据自学习预测控制的脱硫系统控制方法，其特征在于，所述模型初始化的过程包括：
获取脱硫系统的历史运行数据，并对历史运行数据进行大数据筛选，获得模型训练样本集合；
获取包括输入层、隐含层和输出层的初始成本模型，并初始化模型参数，模型参数包括：隐含层节点数l0、隐含层的输入权重W、偏差为b、输出权重β；
对初始成本模型的隐含层进行节点增加处理，令l0＝l0+la，其中，la表示增加的隐含层节点数，la为正整数；
根据增加的隐含层节点更新隐含层的输入权重和偏差：



其中，w表示增加的隐含层节点对应的输入权重，b0表示增加的隐含层节点对应的偏差；
利用隐含层节点激活函数计算节点增加后的隐含层的节点输出矩阵T，并根据T更新隐含层的输出权重：
β＝YT-1
其中，Y表示输出层的输出矩阵；
利用更新后的输出权重和模型训练样本集合计算节点增加后的初始成本模型的输出矩阵，并获得输出均方误差mse；
当mse大于预设的期望误差η时，继续节点增加处理，否则，获得初始化后的成本模型。


5.根据权利要求4所述的一种基于大数据自学习预测控制的脱硫系统控制方法，其特征在于，模型自学习的过程包括：
在第k个自学习阶段，从模型训练样本集合中任选nk个训练样本输入初始化后的成本模型，获得第k个自学习阶段隐含层的输出矩阵Hk，其中，k为正整数，nk∈[0,N]，N为模型训练样本集合中的训练样本总数；
根据Hk计算第k个自学习阶段隐含层的输出权重βk：






其中，β(k-1)表示第k-1个自学习阶段隐含层的输出权重，Tk表示第k个自学习阶段隐含层的节点输出矩阵，Pk表示第k个自学习阶段的中间变量矩阵，Pk-1表示第k-1个自学习阶段的中间变量矩阵，I表示单位对角矩阵；
计算到第k个自学习阶段为止的训练样本数量当Nk大于预设的阈值K，结束自学习循环，获得构建完成的成本模型，否则进入第k+1个自学习阶段。


6.根据权利要求4或5所述的一种基于大数据自学习预测控制的脱硫系统控制方法，其特征在于，历史运行数据包括多组历史运行参数和与历史运行参数对应的综合运行成本...

【专利技术属性】
技术研发人员：崔晓波，程茵，
申请(专利权)人：玖禾智控北京科技有限公司，
类型：发明
国别省市：北京;11