一种基于神经网络的燃煤机组干式电除尘器出口烟尘浓度预测方法技术

本发明专利技术提供了一种基于神经网络的燃煤机组干式电除尘器出口烟尘浓度预测方法，方法主要步骤如下：S1、从燃煤火电机组的分散控制系统DCS的数据库中，获得机组在各个典型负荷下的出口烟尘浓度和电除尘器各级电场中各个电室的二次电流值；S2、将所得到的各负荷段的数据进行归一化处理，并按照一定的比例划分为训练集和测试集；S3、选择BP神经网络模型，以各级电场二次电流值为网络输入层，出口烟尘浓度作为网络输出层，将数据放入训练集进行迭代训练；S4、将数据集更换下一个负荷点，重复步骤S2和S3。本发明专利技术可以避免对电除尘器复杂机理过程的依赖，进一步地，能为干式电除尘器在满足环保要求下实现能耗最优化提供计算依据。保要求下实现能耗最优化提供计算依据。保要求下实现能耗最优化提供计算依据。

【技术实现步骤摘要】
一种基于神经网络的燃煤机组干式电除尘器出口烟尘浓度预测方法


[0001]本专利技术涉及燃煤机组节能环保运行领域，特别是一种燃煤机组干式电除尘器出口烟尘浓度预测方法。

技术介绍

[0002]为防止火电机组煤粉在燃烧后产生的大量烟尘污染大气环境，燃煤电厂通常在锅炉尾部烟道出口处配备干式电除尘器以降低该污染物的排放。在影响干式电除尘器效率的因素中，设计参数通常在运行时不会随着工况改变而发生较大的变化；烟气参数会在机组负荷、使用煤种变化时发生改变，从而给电除尘过程带来扰动；运行参数是调整电除尘过程的主要操作量，运行时通常通过调整干式电除尘器的电源参数来控制出口烟尘浓度。在烟气参数相对稳定的情况下，除尘效率与电源参数关系非常密切。提高电除尘器除尘效果的意味着加大电除尘器的电耗，从而增加了厂用电量。由于干式电除尘器入口没有烟尘浓度测点，烟尘载荷过程复杂，且除尘过程中电除尘器工作环境多变，工作变量之间相互耦合、非线性强，故难以通过分析电除尘器内部运行机理预测其电源参数对出口烟尘浓度的影响。
[0003]相比于机理建模，数据驱动建模对于多变复杂的实际除尘过程有着更好的适应性，并且便于在智能控制、运行优化方面进行应用。在机器学习快速发展的现在，各种先进算法层出不穷，在建立数据驱动的电除尘器模型上存在着巨大的潜力。通过运行数据得到干式电除尘器电源参数与出口烟尘浓度的关系，是一个基于数据驱动的回归模型建模过程。传统的统计回归方法，比如多元线性回归、logistic回归、主成分分析回归等，针对的都是线性回归问题，因此不适用于存在非线性和时滞性的电除尘过程。

技术实现思路

[0004]本专利技术提供了一种基于神经网络的燃煤机组干式电除尘器出口烟尘浓度预测方法，目的在于通过数据驱动的方式建立干式电除尘器电源参数与出口烟尘浓度的预测模型。该模型能作为电源参数优化的前提保障，从而使得在出口烟尘浓度满足环保要求下实现干式电除尘器的节能运行。
[0005]本专利技术采用的技术方案如下：
[0006]一种基于神经网络的燃煤机组干式电除尘器出口烟尘浓度预测方法，包括了以下步骤：
[0007]S1、从燃煤火电机组的分散控制系统DCS的数据库中，获得机组在各个典型负荷下的出口烟尘浓度和电除尘器各级电场中各个电室的二次电流值。对于每一级电场，采用该电场中各个电室二次电流值的平均值作为该级电场的二次电流值I
#i
(i＝1,...n)。
[0008]S2、将所得到的各负荷段的数据进行归一化处理，并按照一定的比例划分为训练集和测试集。为了保证模型训练的有效性，训练集覆盖了大部分的数据波动范围。
[0009]S3、选择BP神经网络模型，以各级电场二次电流值为网络输入层，出口烟尘浓度作为网络输出层。设置好合适的输入层节点数、隐含层节点数以及输出层节点数后，将数据放入训练集进行迭代训练，直到相邻两次误差小于所设值为止。
[0010]S4、将数据集更换下一个负荷点，重复步骤S2和S3。
[0011]本专利技术的有益效果如下：
[0012]本专利技术提供的方法通过数据驱动的策略可以较为精确地预测在各负荷段下干式电除尘器的出口烟尘浓度，从而避免对电除尘器复杂机理过程的依赖。进一步地，能为干式电除尘器在满足环保要求下实现最优能耗提供计算依据。
附图说明
[0013]图1为一种基于神经网络的燃煤机组干式电除尘器出口烟尘浓度预测方法的计算流程图；
[0014]图2为干式电除尘器结构图；
[0015]图3为神经网络过程示意图。
具体实施方式
[0016]以下结合附图说明本专利技术的具体实施方式。
[0017]本实施例公开了一种燃煤机组干式电除尘器出口烟尘浓度的预测方法。如图1所示，以数据驱动的方式，采用神经网络的方法建立电除尘器电源参数对出口浓度的预测模型，能为干式电除尘器在满足环保要求下实现最优能耗提供计算依据。
[0018]一般地，干式电除尘器具有多级电场，本实施例选取常规的五电场结构进行说明。本实施例中电除尘的结构如图2所示，以1000MW燃煤机组为例，典型工况一般有980MW，850MW，750MW，650MW。机组的环保排放要求为ρ
op
＜35mg/Nm3，烟气依次流经#1、#2、#3、#4和#5电场。具体实施过程如下：
[0019]S1、从燃煤火电机组的分散控制系统DCS的数据库中，获得机组典型负荷下的出口烟尘浓度和电除尘器各级电场中各个电室的二次电流值。对于每一级电场，采用该电场中各个电室二次电流值的平均值作为该级电场的二次电流值即
[0020][0021]其中，N表示机组典型负荷，本实施例为N＝980MW，850MW，750MW，650MW。
[0022]S2、将所得到的各负荷段的二次电流和出口烟尘浓度数据进行归一化处理，并按照6:1的比例划分为训练集和测试集。为了保证模型训练的有效性，训练集需要覆盖了大部分的数据波动范围。
[0023]S3、选择三层BP神经网络模型，以各级电场二次电流值为网络输入层，出口烟尘浓度作为网络输出层。由于包含了5电场的二次电流，设置输入层节点数为m＝5。而隐含层节点数和输出层节点分别设置为n＝5和p＝1，网络传播过程如图3所示。将数据放入训练集进行迭代训练，规定在训练过程迭代计算到相邻两次误差小于10
‑3时停止。
[0024]S31设置输入层到隐含层的权重为ω
ij
，偏置为a
j
；隐含层到输出层的权重为ω
jk
，
偏置为b
k
；设置学习速率为η，激励函数为f1(x)和f2(x)均采用如下形式：
[0025][0026]S32计算隐含层的输出，隐含层中第j个节点输出如下：
[0027][0028]S33计算输出层的输出，输出层中烟尘浓度估计值输出如下：
[0029][0030]S34计算本次迭代误差：
[0031][0032]式中为从历史数据中获取的典型负荷下的出口烟尘浓度。
[0033]S35倘若本次计算的误差的精度不满足要求，则更新权值和偏置以进行下一次迭代计算，公式如下：
[0034][0035][0036][0037][0038]在训练过程计算到相邻两次误差小于10
‑3时则停止迭代，输出当前神经网络参数。
[0039]S4、将数据集更换下一个负荷点，重复S2和S3。
[0040]本实施例只是对本专利技术具体内涵作举例说明。在本专利技术所属
中，相关技术人员可以根据具体机组的实际情况对所描述实施例中的方法进行补充或者修改，但并不会偏离本专利技术的具体内涵或者超越所附权利要求书所定义的范围，本专利技术的连接指直接连接或间接连接。
本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于神经网络的燃煤机组干式电除尘器出口烟尘浓度预测方法，其特征在于：包括了以下步骤：S1、从燃煤火电机组的分散控制系统DCS的数据库中，获得机组在各个典型负荷下的出口烟尘浓度和电除尘器各级电场中各个电室的二次电流值。对于每一级电场，采用该电场中各个电室二次电流值的平均值作为该级电场的二次电流值I
#i
(i＝1,...n)。S2、将所得到的各负荷段的数据进行归一...

【专利技术属性】
技术研发人员：周鹏洋，解建萍，闫哲，沈鹏，柳叶，黄晖，
申请(专利权)人：江苏华电句容发电有限公司，
类型：发明
国别省市：