一种燃煤电厂干电除尘出口烟尘排放浓度预测模型及方法技术

本发明专利技术公开一种燃煤电厂干电除尘出口烟尘排放浓度预测模型及方法，该模型为数据驱动型带遗忘因子的在线自学习极限学习机模型，模型的输入为包含机组负荷、总风量、总煤量、除尘器各电场二次电压与二次电流强度值、振打周期在内的数据，模型的输出为燃煤电厂干电除尘出口烟尘排放浓度值。本发明专利技术采用数据驱动型带遗忘因子的在线自学习极限学习机模型，计算速度更快速，计算方法可靠、有效，输入数据多样化，计算精度更高，能为燃煤电厂干电除尘器优化控制提供模型支撑，为电厂运行人员进行干电除尘器的优化运行提供指导与参考，可解决目前干电除尘系统实际运行中电耗高、运行人员操作强度大等问题，可提高机组干电除尘系统运行的安全性与经济性。性与经济性。性与经济性。

【技术实现步骤摘要】
一种燃煤电厂干电除尘出口烟尘排放浓度预测模型及方法


[0001]本专利技术属于燃煤电厂节能环保运行
，具体涉及一种燃煤电厂干电除尘出口烟尘排放浓度预测模型及方法。

技术介绍

[0002]当前燃煤电厂干电除尘器大多采用手动操作，未实现自动闭环控制，主要原因是干电除尘器入口烟尘浓度无法实现在线测量，采用简单的干电除尘器出口浓度闭环控制无法快速有效实现浓度的闭环控制，造成电厂干电除尘器粗犷式运行，运行能耗高、运行调整难度大。解决该问题的关键问题是建立较为精确的干电除尘出口浓度预测模型及预测方法，基于该模型可实现干电除尘的自动高效运行，也可为电厂运行人员进行干电除尘器的优化运行提供指导与参考、降低干电除尘系统能耗，实现干电除尘系统安全、经济、高效、环保运行，但是，目前还没有出现行之有效的干电除尘出口浓度预测模型及预测方法。

技术实现思路

[0003]为解决现有技术中存在的技术问题，本专利技术的目的在于提供一种燃煤电厂干电除尘出口烟尘排放浓度预测模型及方法。
[0004]为实现上述目的，达到上述技术效果，本专利技术采用的技术方案为：
[0005]一种燃煤电厂干电除尘出口烟尘排放浓度预测模型，所述模型为数据驱动型带遗忘因子的在线自学习极限学习机模型，所述模型的输入为包含机组负荷、总风量、总煤量、除尘器各电场二次电压与二次电流强度值、振打周期在内的数据，所述模型的输出为燃煤电厂干电除尘出口烟尘排放浓度值。
[0006]一种燃煤电厂干电除尘出口烟尘排放浓度预测模型的预测方法，包括以下步骤：
[0007]首先，获取包含机组负荷、总风量、总煤量、除尘器各电场二次电压与二次电流强度值、振打周期在内的输入数据，随后进行数据筛选；
[0008]随后，将筛选后的数据送入数据驱动型极限学习机模型进行模型初始化计算；
[0009]最后，将在线更新筛选后的数据输入带遗忘因子的在线自学习极限学习机模型进行在线模型计算，输出燃煤电厂干电除尘出口烟尘排放浓度值。
[0010]进一步的，所述数据筛选包括数据低通滤波、数据趋势项剔除、数据奇点剔除、稳态数据滤选。
[0011]进一步的，所述数据驱动型极限学习机模型进行模型初始化计算的步骤包括：
[0012](1)将极限学习机的隐含层节点数目设定为l0，输出预测均方误差期望阈值设定为η；
[0013](2)随机设定数据驱动型极限学习机模型的输入权重矩阵W与偏置量矩阵b；
[0014](3)对隐含层节点数进行增加处理，增量节点数为l
a
，则l0＝l0+l
a
，同样对新增加的隐含层节点随机设定输入权重w与偏置量b0，则由于隐含层节点数增加后的输入权重矩阵以及偏差矩阵迭代计算公式为：
[0015][0016](4)隐含层节点输出计算激励函数对隐含层节点输出进行计算，计算公式为：
[0017][0018]进而得出隐含层节点输出矩阵T；
[0019](5)隐含层节点的输出权重矩阵β更新公式为：β＝YT
‑1；
[0020](6)计算增加隐含层节点后的均方误差Mse，如果均方误差Mse在期望阈值η以内，则模型初始化计算结束，否则返回步骤(3)迭代计算。
[0021]进一步的，将在线更新筛选后的数据输入带遗忘因子的在线自学习极限学习机模型进行在线模型计算的步骤包括：
[0022](1)首先将数据筛选后的在线数据作为模型计算数据样本，假设新增加的数据样本个数为k1，单次计算选择数据样本中的n个，获得极限学习机隐含层的输出更新矩阵H；
[0023](2)在线迭代递推计算极限学习机隐含层的输出权重矩阵β
(k+1)
：
[0024][0025][0026]式中：自学习递推计算过程中临时中间变量矩阵为P，下标k与k+1分别表示第k及k+1次迭代计算(下同不再累述)；H为自学习递推计算过程中隐含层输出矩阵；β代表自学习递推计算过程中模型隐含层与输出层的连接权重矩阵；T表示在线模型的计算输出矩阵；
[0027](3)迭代计算增加的样本数量达到k1时，则确定最终的输出权重β
k+1
；否则回到步骤(2)进行迭代计算。
[0028]进一步的，所述隐含层节点输出矩阵T的计算公式为：
[0029][0030]其中，T1代表第一个隐含层节点输出，T2代表第二个隐含层节点输出，T
l0
代表第l0个隐含层节点输出。
[0031]与现有技术相比，本专利技术的有益效果为：
[0032]本专利技术公开了一种燃煤电厂干电除尘出口烟尘排放浓度预测模型及方法，该模型为数据驱动型带遗忘因子的在线自学习极限学习机模型，模型的输入为包含机组负荷、总风量、总煤量、除尘器各电场二次电压与二次电流强度值、振打周期在内的数据，模型的输出为燃煤电厂干电除尘出口烟尘排放浓度值。本专利技术提供的燃煤电厂干电除尘出口烟尘排放浓度预测模型及方法，采用数据驱动型带遗忘因子的在线自学习极限学习机模型，计算速度更快速，计算方法可靠、有效，输入数据多样化，可包含机组负荷、总风量、总煤量、除尘器各电场二次电压与二次电流强度值、振打周期，计算精度更高，通过数据筛选后再输入模型中，降低输入数据由于噪声及突变等造成的模型计算值失真问题，能为燃煤电厂干电除
尘器优化控制提供模型支撑，也可为电厂运行人员进行干电除尘器的优化运行提供指导与参考，可解决目前干电除尘系统实际运行中电耗高、运行人员操作强度大等问题，可提高机组干电除尘系统运行的安全性与经济性。
附图说明
[0033]图1为本专利技术的原理图。
具体实施方式
[0034]下面对本专利技术进行详细阐述，以使本专利技术的优点和特征能更易于被本领域技术人员理解，从而对本专利技术的保护范围做出更为清楚明确的界定。
[0035]以下给出一个或多个方面的简要概述以提供对这些方面的基本理解。此概述不是所有构想到的方面的详尽综览，并且既非旨在指认出所有方面的关键性或决定性要素亦非试图界定任何或所有方面的范围。其唯一的目的是要以简化形式给出一个或多个方面的一些概念以为稍后给出的更加详细的描述之序。
[0036]本专利技术公开了一种燃煤电厂干电除尘出口烟尘排放浓度预测模型，其为数据驱动型带遗忘因子的在线自学习极限学习机模型，模型的输入为包含机组负荷、总风量、总煤量、除尘器各电场二次电压与二次电流强度值、振打周期在内的数据，模型的输出为燃煤电厂干电除尘出口烟尘排放浓度值。
[0037]如图1所示，本专利技术还公开了一种燃煤电厂干电除尘出口烟尘排放浓度预测方法，包括以下步骤：
[0038]首先，从燃煤电厂除尘系统的DCS历史数据中选择包含机组负荷、总风量、总煤量、除尘器各电场二次电压与二次电流强度值、振打周期在内的输入数据，随后进行数据筛选，包括数据低通滤波、数据趋势项剔除、数据奇点剔除、稳态数据滤选，采用现有数据筛选技术即可；
[0039]随后，将筛选后的数据送入数据驱动本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种燃煤电厂干电除尘出口烟尘排放浓度预测模型，其特征在于，所述模型为数据驱动型带遗忘因子的在线自学习极限学习机模型，所述模型的输入为包含机组负荷、总风量、总煤量、除尘器各电场二次电压与二次电流强度值、振打周期在内的数据，所述模型的输出为燃煤电厂干电除尘出口烟尘排放浓度值。2.根据权利要求1所述的一种燃煤电厂干电除尘出口烟尘排放浓度预测模型的预测方法，其特征在于，包括以下步骤：首先，获取包含机组负荷、总风量、总煤量、除尘器各电场二次电压与二次电流强度值、振打周期在内的输入数据，随后进行数据筛选；随后，将筛选后的数据送入数据驱动型极限学习机模型进行模型初始化计算；最后，将在线更新筛选后的数据输入带遗忘因子的在线自学习极限学习机模型进行在线模型计算，输出燃煤电厂干电除尘出口烟尘排放浓度值。3.根据权利要求2所述的一种燃煤电厂干电除尘出口烟尘排放浓度预测方法，其特征在于，所述数据筛选包括数据低通滤波、数据趋势项剔除、数据奇点剔除、稳态数据滤选。4.根据权利要求2所述的一种燃煤电厂干电除尘出口烟尘排放浓度预测方法，其特征在于，所述数据驱动型极限学习机模型进行模型初始化计算的步骤包括：(1)将极限学习机的隐含层节点数目设定为l0，输出预测均方误差期望阈值设定为η；(2)随机设定数据驱动型极限学习机模型的输入权重矩阵W与偏置量矩阵b；(3)对隐含层节点数进行增加处理，增量节点数为l
a
，则l0＝l0+l
a
，同样对新增加的隐含层节点随机设定输入权重w与偏置量b0，则由于隐含层节点数增加后的输入权重矩阵以及偏差矩阵迭代...

【专利技术属性】
技术研发人员：李明磊，黄飞，何金亮，周健，宋玉宝，张建华，李伟，李博，韩宝庚，孙宝仁，李延怀，赖福生，朱安钰，
申请(专利权)人：西安热工研究院有限公司，
类型：发明
国别省市：