【技术实现步骤摘要】
本专利技术涉及燃煤锅炉运行控制，更具体地说它是基于lstm与粒子群算法的燃煤锅炉烟气预测及反馈控制系统。
技术介绍
1、燃煤电厂是我国最主要的电力供应方式，但也是造成大气污染的主要来源之一，随着燃煤机组烟气超低排放进程的推进，燃煤机组烟气中硫、氮、尘等常规污染物的协同脱除控制也备受关注。
2、然而，当前的燃煤机组烟气超低排放工艺通常独立操作，主要依照逐步执行的方式以满足不断加强的污染物排放标准，按照先除尘、再脱硫、后脱硝的渐进过程构建；此种烟气污染物控制工艺设计复杂，存在以下问题：
3、1)单一污染物治理可能对其他污染物控制装置产生不利影响，导致整个过程难以高效协同运作。
4、2)污染物排放浓度的预测严重依赖电厂烟气污染物控制装置的实时检测数据。
5、因此，研发一种集预测反馈、协同优化控制为一体的常规污染物控制系统很有必要。
技术实现思路
1、本专利技术的目的是为了克服上述
技术介绍
的不足之处，而提供基于一种lstm与粒子群算法的燃煤锅炉烟气预测及反馈控制系统。
2、为了实现上述目的，本专利技术的技术方案为：
3、基于lstm与粒子群算法的燃煤锅炉烟气预测及反馈控制系统，其特征在于：包括lstm预测模型、超低排放系统成本控制模型和粒子群模型求解，所述lstm预测模型利用从dcs采集的数据，训练预测模型，最终实现实时污染物排放浓度预测，锅炉烟气污染物包括so2排放、nox排放和烟尘排放；
4、lstm预
5、在数据准备阶段，收集并准备用于训练的数据集，数据集为多个样本点，每个样本点具有锅炉负荷特征、烟气流量特征、烟气温度特征；
6、在数据处理与选择阶段，对数据进行清洗与筛选，首先使用3σ原则对异常值进行替换，之后使用min-max法对数据进行归一化或标准化，确保数据在相同的尺度上，相应公式如下：
7、
8、其中j表示第j个特征，i为第i个样本点；
9、在模型构建阶段，使用pytorch平台构建预测模型，构建的模型结构为1层lstm神经网络+3层dense层神经网络，模型各超参数：lstm层隐藏层维度大小为32，3层dense层神经网络维度大小按顺序分别为128、32、3，模型学习率为0.006，训练轮次为1000；
10、超低排放系统成本控制模型包括scr系统成本模型、除尘系统成本模型、石灰石-石膏湿法脱硫系统成本模型；scr系统成本模型耦合了nox排放的预测，除尘系统成本模型耦合了烟尘排放的预测，石灰石-石膏湿法脱硫系统成本模型耦合了so2排放的预测；
11、粒子群模型求解包括建立成本最优化目标函数、利用粒子群算法计算最优化控制量进行反馈控制，粒子群模型求解中控制量包括：喷氨量、静电除尘器电场电压、石灰石浆液ph值、循环泵运行数量；
12、系统搭建完毕后，应用系统模型对历史数据进行优化控制评估。
13、在上述技术方案中，在数据准备阶段，收集了多个样本点，为充分利用数据集，将数据集划分为训练集、测试集，即随机选取80％数据作为训练集，另外20％作为测试集；训练集用于训练模型，测试集用于最终评估模型性能。
14、在上述技术方案中，在数据处理与选择阶段，对数据完成清洗后，使用相关系数法对输入特征进行筛选，即计算所有变量与预测目标之间的皮尔逊相关系数，保留相关系数大于0.3的特征作为输入特征。
15、在上述技术方案中，scr系统成本模型由吹灰风机、引风机和稀释风机产生，scr系统成本模型的成本公式如下：
16、
17、
18、
19、其中costscr-idf为引风机的成本，costsb为吹灰风机的成本，costadf为稀释风机的成本，q为锅炉实时负荷，pe为电价，ui、ii分别为第i台设备的电压和电流，nidf、nsb、nadf分别为引风机、吹灰风机和稀释风机的运行数目，cosψ为功率因数，取0.8，psteam是经验蒸汽能耗，cvs是经验参考催化剂用量，cv是催化剂实际用量；αscr表示脱硝反应器阻力压降pscr占烟气系统总阻力压降pidf的比例，计算方法为：
20、
21、吹灰系统按吹灰方式不同，运行成本的计算法公式也不同，其中scr系统的物耗主要有液氨和催化剂，液氨成本costnh3为：
22、
23、催化剂costc成本为：
24、
25、其中，cnox-in与cnox-out分别表示脱硝系统入口烟气与出口烟气所含nox浓度，v为烟气流量，ae为氨水浓度，vm为氨水流量，mnh3与mno分别为nh3与no的分子量，δ2为氨氮摩尔比、取1-1.2，pnh3为氨水的价格，pc为催化剂的价格，q为机组容量，h为机组年运行小时数；
26、则scr系统成本模型costscr表示为：
27、
28、在上述技术方案中，除尘系统成本模型来源为引风机和电源的电耗，计算公式分别为：
29、
30、
31、其中，costesp-idf为引风机的电耗成本，costesp-e为电源的电耗成本，ne表示电场数量，αesp为除尘器阻力压降pesp占烟气系统总阻力压降pidf的比例，其计算公式为：
32、
33、则除尘系统成本模型costesp表示为：
34、costesp＝costesp_idf+costesp_e(公式12)
35、在上述技术方案中，石灰石-石膏湿法脱硫系统成本模型由电耗和物耗组成，其中电耗来源有增压风机或引风机、氧化风机、浆液循环泵、浆液搅拌器，计算公式为：
36、
37、
38、
39、
40、其中，costbf为增压风机或引风机的成本，costsa为氧化风机的成本，costscp为浆液循环泵的成本，costoab为浆液搅拌器的成本，nbf、nsa、nscp、noab分别表示增压风机、氧化风机、浆液循环泵、浆液搅拌器的运行数目，αwfgd表示脱硫塔阻力占烟气系统总阻力的比例，其计算公式为：
41、
42、其中，pdt是脱硫塔压降，pesp是电除尘器的阻力压降，pgd2是烟道部分阻力压降；
43、脱硫系统的吸收剂为石灰石浆液，其成本计算方式为：
44、
45、其中，cso2-in与cso2-out分别表示脱硫系统入口烟气与出口烟气所含so2浓度，mcaco3与mso2分别为caco3与so2的分子量，δ1为钙硫比，设定为1.02-1.05，λ为石灰石纯度，pcaco3为石灰石价格，v表示烟气流量，与锅炉负荷成正比，其计算公式为：
46、v＝m×q×vtc (本文档来自技高网...
【技术保护点】
1.基于LSTM与粒子群算法的燃煤锅炉烟气预测及反馈控制系统，其特征在于：包括LSTM预测模型(1)、超低排放系统成本控制模型(2)和粒子群模型求解(3)，所述LSTM预测模型(1)利用从DCS采集的数据，训练预测模型，最终实现实时污染物排放浓度预测，锅炉烟气污染物包括SO2排放、NOX排放和烟尘排放；
2.根据权利要求1所述的基于LSTM与粒子群算法的燃煤锅炉烟气预测及反馈控制系统，其特征在于：在数据准备阶段，收集了多个样本点，为充分利用数据集，将数据集划分为训练集、测试集，即随机选取80％数据作为训练集，另外20％作为测试集；训练集用于训练模型，测试集用于最终评估模型性能。
3.根据权利要求2所述的基于LSTM与粒子群算法的燃煤锅炉烟气预测及反馈控制系统，其特征在于：在数据处理与选择阶段，对数据完成清洗后，使用相关系数法对输入特征进行筛选，即计算所有变量与预测目标之间的皮尔逊相关系数，保留相关系数大于0.3的特征作为输入特征。
4.根据权利要求3所述的基于LSTM与粒子群算法的燃煤锅炉烟气预测及反馈控制系统，其特征在于：SCR系统成本模型(
5.根据权利要求4所述的基于LSTM与粒子群算法的燃煤锅炉烟气预测及反馈控制系统，其特征在于：除尘系统成本模型(22)来源为引风机和电源的电耗，计算公式分别为：
6.根据权利要求5所述的基于LSTM与粒子群算法的燃煤锅炉烟气预测及反馈控制系统，其特征在于：石灰石-石膏湿法脱硫系统成本模型(23)由电耗和物耗组成，其中电耗来源有增压风机或引风机、氧化风机、浆液循环泵、浆液搅拌器，计算公式为：
7.根据权利要求6所述的基于LSTM与粒子群算法的燃煤锅炉烟气预测及反馈控制系统，其特征在于：粒子群模型求解(3)中成本最优化目标函数minCOST和约束条件为：
8.根据权利要求7所述的基于LSTM与粒子群算法的燃煤锅炉烟气预测及反馈控制系统，其特征在于：系统搭建完毕后，应用系统模型对历史数据进行优化控制评估，SO2、NOx、烟尘排放优化结果列于下表：
...【技术特征摘要】
1.基于lstm与粒子群算法的燃煤锅炉烟气预测及反馈控制系统，其特征在于：包括lstm预测模型(1)、超低排放系统成本控制模型(2)和粒子群模型求解(3)，所述lstm预测模型(1)利用从dcs采集的数据，训练预测模型，最终实现实时污染物排放浓度预测，锅炉烟气污染物包括so2排放、nox排放和烟尘排放；
2.根据权利要求1所述的基于lstm与粒子群算法的燃煤锅炉烟气预测及反馈控制系统，其特征在于：在数据准备阶段，收集了多个样本点，为充分利用数据集，将数据集划分为训练集、测试集，即随机选取80％数据作为训练集，另外20％作为测试集；训练集用于训练模型，测试集用于最终评估模型性能。
3.根据权利要求2所述的基于lstm与粒子群算法的燃煤锅炉烟气预测及反馈控制系统，其特征在于：在数据处理与选择阶段，对数据完成清洗后，使用相关系数法对输入特征进行筛选，即计算所有变量与预测目标之间的皮尔逊相关系数，保留相关系数大于0.3的特征作为输入特征。
4.根据权利要求3所述的基于lstm与粒子群算法的燃煤锅炉...
【专利技术属性】
技术研发人员：韩亮，陈牧，田庆峰，刘瑜，王为，董莉，
申请(专利权)人：中国电力工程顾问集团中南电力设计院有限公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。