一种基于深度神经网络的火电机组脱硫控制方法技术

本发明专利技术提供了一种基于深度神经网络的火电机组脱硫控制方法，属于热工自动控制领域，本发明专利技术根据火电机组脱硫的运行历史数据，利用深度神经网络建立烟气流量、原烟气SO2浓度、浆液PH值、石灰石浆液流量等对净烟气SO2浓度的模型，并依据模型输出调整石灰石浆液流量。本发明专利技术提供的控制方法所需调整参数少，实用性强，能够更加精准控制净烟气SO2浓度，减低浆液循环泵电耗和石灰石的使用量。循环泵电耗和石灰石的使用量。循环泵电耗和石灰石的使用量。

【技术实现步骤摘要】
一种基于深度神经网络的火电机组脱硫控制方法


[0001]本专利技术涉及电力系统的自动控制领域，尤其是一种基于深度神经网络的火电机组脱硫控制方法。

技术介绍

[0002]随着国家对环保工作的日益重视,环境标准也日益提高,对于火电厂烟气脱硫装置的运行维护也提出了更高的要求。火电厂脱硫岛系统(FGD)投入使用后还需要大量的运行维护费用。在当前国内火电机组燃烧煤种多变、负荷峰谷差明显的运行环境下,也对FGD系统的控制性能提出了更高的要求。在满足环保考核要求的前提下,通过优化控制系统的调整，使整体FGD脱硫系统始终保持在最佳运行工况，是FGD优化控制系统的核心任务。
[0003]目前存在的主要问题是出口SO2浓度的控制主要依靠人工完成，调节的稳定性较差，出现过度调节和污染物排放短时超限的情况。运行人员工作量较大，由于运行人员水平的差异造成系统运行风险较大，造成不必要的设备运行成本增加，急需要优化FGD系统的控制策略和方法，以实现FGD系统稳定和高效运行。随着净烟气出口SO2浓度控制品质的提高，可以降低石灰石粉耗量，并减少超标排放的发生几率，对企业带来良好的经济效益和社会效益，应用前景十分广阔。

技术实现思路

[0004]本专利技术的目的在于克服上述
技术介绍
中提及的不足，提供一种基于深度神经网络的火电机组脱硫控制方法，具体由以下方案实现：
[0005]一种基于深度神经网络的火电机组脱硫控制方法，其特征在于，包括以下步骤：
[0006]步骤1：根据历史数据筛选得到深度神经网络训练数据；/>[0007]步骤2：设置深度神经网络训练所需参数；
[0008]步骤3：训练完成后输入实时数据得到预测的净烟气SO2；
[0009]步骤4：根据步骤3的结果控制石灰石浆液流量。
[0010]作为本专利技术的进一步改进，步骤1的训练数据包括机组负荷、烟气流量、原烟气SO2浓度、定频浆液循环泵运行台数或变频浆液循环泵的电流、吸收塔PH值和石灰石浆液流量，训练输出为预测的净烟气SO2浓度。所述训练数据选取时间间隔在5s以内。
[0011]作为本专利技术的进一步改进，深度神经网络类型为递归神经网络，结构为1层输入层、6层隐藏层和输出层，其中输入层节点数6个，隐藏层节点为18个，输出层节点为1个，激活函数为tanh、神经元输出范围为[
‑
100,100]。
[0012]作为本专利技术的进一步改进，步骤4中通过步骤3中得到的预测净烟气SO2浓度和实际净烟气SO2浓度加权，加权后净烟气SO2浓度进入PID控制器进行控制，PID输出石灰石浆液流量，之后利用权利要求3中深度神经网络根据PID输出及其他数据实时预测净烟气SO2浓度。其中加权值随总负荷增加逐渐减少，范围为0.5
‑
0.8，具体加权方式如式(1)所示：
[0013]加权后SO2＝SO2+max(1.3
‑
Ne/Ne0,0.5)RSO
2,PRE
(1)。
[0014]有益效果
[0015]本专利技术所述的方法，分层计算可以获得更加合理的动态设定值，受限预测控制还具有较强的追踪能力和对不同控制速率的适应能力，可以克服当前火电机组协调控制的众多约束，预测控制算法还可以克服大惯性纯滞后环节，有效解决协调控制对象大滞后，多变量强耦合的问题。下层的改进受限广义预测控制的控制算法改进了约束限制，算法简单，在线计算量小，易于工程实践。
附图说明
[0016]图1为火电机组协调系统建模示意图。
[0017]图2优化前后脱硫系统净烟气SO2变化对比，其中上图为优化后的，下图为优化前的。
具体实施方式
[0018]下面结合附图和具体实施方案对本专利技术作进一步说明。
[0019]图1为火电机组协调系统建模示意图，一种基于深度神经网络的火电机组脱硫控制方法，包括以下步骤：
[0020]步骤1：根据历史数据筛选得到深度神经网络训练数据；
[0021]步骤2：设置深度神经网络训练所需参数；
[0022]步骤3：训练完成后输入实时数据得到预测的净烟气SO2；
[0023]步骤4：根据步骤3的结果调整石灰石浆液流量。
[0024]在本实施例中，步骤1的训练数据包括机组负荷、烟气流量、原烟气SO2浓度、定频浆液循环泵运行台数或变频浆液循环泵的电流、吸收塔PH值和石灰石浆液流量，训练输出为预测的净烟气SO2浓度。所述训练数据选取时间间隔在5s以内。
[0025]在本实施例中，深度神经网络类型为递归神经网络，结构为1层输入层、6层隐藏层和输出层，其中输入层节点数6个，隐藏层节点为18个，输出层节点为1个，激活函数为tanh、神经元输出范围为[
‑
100,100]。
[0026]在本实施例中，步骤4中通过步骤3中得到的预测净烟气SO2浓度和实际净烟气SO2浓度加权，加权后净烟气SO2浓度进入PID控制器进行控制，PID输出石灰石浆液流量，之后利用权利要求3中深度神经网络根据PID输出及其他数据实时预测净烟气SO2浓度。其中加权值随总负荷增加逐渐减少，范围为0.5
‑
0.8。
[0027]加权后SO2＝SO2+max(1.3
‑
Ne/Ne0,0.5)
·
SO
2,PRE
。
[0028]以某电厂为例，Ne0＝1320机组共运行2台定频浆液循环泵，利用过去14天的历史数据进行训练，期间均为运行人员手动操作，隐藏层神经元输出范围为[
‑
100,100]，神经网络学习率为0.00012。PID参数为Kp＝0.06,Ti＝800,Kd＝0。优化后的效果如图2所示：
[0029]优化后，在SO2控制上，虽然变负荷过程中，同样存在SO2浓度的波动，但是回调速度较快，90％以上的时间均保持在22～32mg/Nm3的范围内运行，稳定且无超排风险，全天均值为26mg/Nm3；在PH值控制上，机组平均运行PH范围为4.9～5.5，PH值下降明显，有利于机组的石膏品质提升。
本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于深度神经网络的火电机组脱硫控制方法，其特征在于，包括以下步骤：步骤1：根据历史数据筛选得到深度神经网络训练数据；步骤2：设置深度神经网络训练所需参数；步骤3：训练完成后输入实时数据得到预测的净烟气SO2；步骤4：根据步骤3的结果调整石灰石浆液流量。2.根据权利要求1所述的一种基于深度神经网络的火电机组脱硫控制方法，其特征在于：所述步骤1的训练数据包括机组负荷、烟气流量、原烟气SO2浓度、定频浆液循环泵运行台数或变频浆液循环泵的电流、吸收塔PH值和石灰石浆液流量，训练输出为预测的净烟气SO2浓度；所述训练数据选取时间间隔在5s以内。3.根据权利要求1所述的一种基于深度神经网...

【专利技术属性】
技术研发人员：凌晓定，吕剑虹，陈雨亭，于冲，秦文炜，吴锦，孙伟，周帆，乔侨，高峥，葛浩，姜川，
申请(专利权)人：南京英纳维特自动化科技有限公司，
类型：发明
国别省市：