一種基於神經網絡的燃煤機組氮氧化物排放濃度預測方法
2023-05-12 10:06:36
一種基於神經網絡的燃煤機組氮氧化物排放濃度預測方法
【專利摘要】本發明公開了一種基於神經網絡的燃煤機組氮氧化物排放濃度預測方法,先對燃煤機組的關鍵運行參數機組負荷、SCR入口NOx折算濃度、SCR入口煙氣溫度、噴氨流量、排口NOx折算濃度進行預處理,然後建立BP神經網絡,將機組負荷、SCR入口NOx折算濃度、SCR入口煙氣溫度、噴氨流量作為輸入值,將排口NOx折算濃度作為輸出值,得到燃煤機組氮氧化物排放濃度預測值。本發明極大地降低了工作人員的工作量,降低了維護成本。
【專利說明】-種基於神經網絡的燃煤機組氮氧化物排放濃度預測方法
【技術領域】
[0001] 本發明設及一種基於神經網絡的燃煤機組氮氧化物排放濃度預測方法,屬於工業 燃煤監控【技術領域】。
【背景技術】
[0002] 目前通常在火電機組尾氣排放口布置測量裝置,分析排口煙氣成分,獲得排口氮 氧化物濃度。該方法雖然簡易快捷,但由於測量裝置採用單點採樣,排口氣流不穩定、分布 不均勻,樣氣採集探頭的安裝位置代表性較難把握,且排口煙氣屬於高溫、高粉塵物質,測 量儀表極易腐蝕和堵塞,因此,排口氮氧化物濃度測量的準確性較難保證。
【發明內容】
[0003] 本發明的目的在於提供一種基於神經網絡的燃煤機組氮氧化物排放濃度預測方 法,通過SCR類型燃煤脫硝機組的機組負荷、SCR入口 NOx折算濃度、SCR入口煙氣溫度、噴 氨流量等運行關鍵指標,運用神經網絡方法預測機組氮氧化物排放濃度,對實際測量氮氧 化物排放濃度進行校核,W保證指標數據的準確性。
[0004] 為達到上述目的,本發明所採用的技術方案為:
[0005] 一種基於神經網絡的燃煤機組氮氧化物排放濃度預測方法,包括W下步驟:
[0006] 1)採集一定時間內的樣本數據,所述樣本數據包含燃煤機組的關鍵運行參數;
[0007] 2)對樣本數據進行預處理;
[000引 3)對預處理後的樣本數據進行標準化變換;
[0009] 4)建立BP神經網絡;
[0010] W通過逆標準化變換,將BP神經網絡的輸出值還原為原量綱值,即為燃煤機組氮 氧化物排放濃度預測值。
[0011] 前述的步驟1)中,採集的樣本數據表示為;X = (xi,X2,…,Xk,…,X。} G RM,
[001引其中,X表示一定時間內的樣本集,Xi(i = 1,2,……,n)是第i次採集的樣本數 據,n是樣本數,M是樣本維度即燃煤機組的關鍵運行參數。
[0013] 前述的燃煤機組的關鍵運行參數為:機組負荷、SCR入口 NOx折算濃度、SCR入口 煙氣溫度、噴氨流量、排口 NOx折算濃度。
[0014] 前述的步驟2)中,對樣本數據進行預處理是指設置關鍵運行參數的闊值,剔除闊 值範圍W外的樣本數據。
[0015] 前述的步驟3)中,進行標準化變換採用零均值標準差標準化方法,所述樣本數據 標準化後的計算公式為:
[0016] 勺滬
[0017] 其中,X' i為經零均值標準差標準化後的樣本數據,無為樣本數據的平均值;S為 樣本數據的標準差。
[0018] 前述的步驟4)中,所述BP神經網絡包括一個輸入層、一個輸出層和一個隱藏層的 S層網絡結構;所述輸入層有4個神經元,即;機組負荷、SCR入口 NOx折算濃度、SCR入口 煙氣溫度、噴氨流量;所述輸出層有1個神經元,即;排口 NOx折算濃度;所述隱藏層神經元 個數的計算公式為;s=>/7r^+。
[0019] 其中,S為隱藏層神經元個數,1為輸入層神經元個數,m為輸出層神經元個數,a 為1?10之間的常數。
[0020] 前述的隱藏層神經元個數選取為12。
[0021] 前述的輸出層的激活函數選取線性函數;f (V) = 1 ? V+0 = V ;
[0022] 所述隱藏層的激活函數為雙曲正切S型函數:
【權利要求】
1. 一種基於神經網絡的燃煤機組氮氧化物排放濃度預測方法,其特徵在於,包括以下 步驟: 1) 採集一定時間內的樣本數據,所述樣本數據包含燃煤機組的關鍵運行參數; 2) 對樣本數據進行預處理; 3) 對預處理後的樣本數據進行標準化變換; 4) 建立BP神經網絡; 5) 通過逆標準化變換,將BP神經網絡的輸出值還原為原量綱值,即為燃煤機組氮氧化 物排放濃度預測值。
2. 根據權利要求1所述的一種基於神經網絡的燃煤機組氮氧化物排放濃度預測方法, 其特徵在於,所述步驟1)中,採集的樣本數據表示為:X=U1,x2, . . .,xk, . . .,xn}GRm, 其中,X表示一定時間內的樣本集,XiQ= 1,2,......,n)是第i次採集的樣本數據,n 是樣本數,M是樣本維度即燃煤機組的關鍵運行參數。
3. 根據權利要求2所述的一種基於神經網絡的燃煤機組氮氧化物排放濃度預測方法, 其特徵在於,所述燃煤機組的關鍵運行參數為:機組負荷、SCR入口NOx折算濃度、SCR入口 煙氣溫度、噴氨流量、排口NOx折算濃度。
4. 根據權利要求1所述的一種基於神經網絡的燃煤機組氮氧化物排放濃度預測方法, 其特徵在於,所述步驟2)中,對樣本數據進行預處理是指設置關鍵運行參數的閾值,剔除 閾值範圍以外的樣本數據。
5. 根據權利要求1所述的一種基於神經網絡的燃煤機組氮氧化物排放濃度預測方法, 其特徵在於,所述步驟3)中,進行標準化變換採用零均值標準差標準化方法,所述樣本數 據標準化後的計算公式為:
其中,Xi'為經零均值標準差標準化後的樣本數據,無為樣本數據的平均值;S為樣本數 據的標準差。
6. 根據權利要求1所述的一種基於神經網絡的燃煤機組氮氧化物排放濃度預測方法, 其特徵在於,所述步驟4)中,所述BP神經網絡包括一個輸入層、一個輸出層和一個隱藏層 的三層網絡結構;所述輸入層有4個神經元,S卩:機組負荷、SCR入口NOx折算濃度、SCR入 口煙氣溫度、噴氨流量;所述輸出層有1個神經元,即:排口NOx折算濃度;所述隱藏層神經
其中,s為隱藏層神經元個數,1為輸入層神經元個數,m為輸出層神經元個數,a為1? 10之間的常數。
7. 根據權利要求6所述的一種基於神經網絡的燃煤機組氮氧化物排放濃度預測方法, 其特徵在於,所述隱藏層神經元個數選取為12。
8. 根據權利要求6所述的一種基於神經網絡的燃煤機組氮氧化物排放濃度預測方法, 其特徵在於,所述輸出層的激活函數選取線性函數:f(V) = 1 ?v+0 =V;
其中,V是自變量,f(V),g(v)是函數。
9.根據權利要求1所述的一種基於神經網絡的燃煤機組氮氧化物排放濃度預測方法, 其特徵在於,所述步驟5)中,逆標準化變換為:
其中,Xi'為標準化後的樣本數據,X為逆標準化後的數據。
【文檔編號】G06N3/02GK104504238SQ201410677543
【公開日】2015年4月8日 申請日期:2014年11月21日 優先權日:2014年11月21日
【發明者】周春蕾, 代家元, 張友衛, 王林, 王明, 許國強, 孫彬, 王其祥, 高進, 魏威, 劉成, 佘國金, 周志興 申請人:國家電網公司, 江蘇省電力公司, 江蘇方天電力技術有限公司