本发明属于scr脱硝系统,尤其涉及一种基于双神经网络的scr脱硝系统喷氨量预测方法。
背景技术:
1、scr脱硝系统存在大惯性、大延迟和强扰动等特性,生成运行中脱硝效率难以控制。因此,亟需一种scr脱硝系统喷氨量优化预测方法,用以解决现有技术中喷氨量不准确和不及时,导致的出口nox浓度值波动较大问题。
技术实现思路
1、本发明的目的是提供一种基于双神经网络的scr脱硝系统喷氨量预测方法,以解决现有技术中喷氨量不准确和不及时,导致的出口nox浓度值波动较大问题。
2、本发明提供了一种基于双神经网络的scr脱硝系统喷氨量预测方法,包括如下步骤:
3、步骤1,选取负荷、氧量、总燃料量、总风量、入口nox浓度值、喷胺量和出口nox浓度值作为预测模型训练数据对模型进行训练,构建由bp神经网络构成的出口nox浓度预测模型和喷氨量预测模型;
4、步骤2,选取前时刻(t)和之前p个时刻(t-1,t-2,…t-p)的负荷、氧量、总燃料量、总风量、入口nox浓度值、喷胺量和出口nox浓度值作为出口nox浓度预测模型的输入参量,通过计算获得一个时刻(t+1)的出口nox浓度预测值,并使用反馈校正方法对出口nox浓度预测值进行修正;
5、步骤3,将当前时刻(t)与之前p个时刻和(t-1,t-2,…t-p)的入口nox浓度,出口nox浓度和喷氨量值,以及t+1时刻的出口nox浓度预测修正值作为输入参量载入喷氨量预测模型中,获得t+1时刻的喷氨量预测值;
6、步骤4,通过喷氨量判定逻辑对出口nox浓度预测模型和喷氨量预测模型的预测结果进行判断分析,并根据分析结果对喷氨量做出限定;所述喷氨量判定逻辑中设有出口nox浓度限定值;
7、步骤5,如果出口nox浓度预测值大于出口nox浓度限定值,则将出口nox浓度预测值输入喷氨量预测模型来获取喷氨量预测值;
8、步骤6,如果出口nox浓度预测值小于出口nox浓度限定值,则将出口nox浓度限定值输入喷氨量预测模型来获取喷氨量预测值。
9、进一步地,所述出口nox浓度预测模型采用多层bp神经网络结构,包含1个输入层、n个隐含层和1个输出层,n≥10层;其中,输入层包含p+1个神经元,即p+1个输入参量;每个隐含层包含2(p+1)个神经元,输出层包含d个神经元,即d个输出参量;输入层p+1个神经元所对应的输入量分别为当前时刻(t)之前p个时刻和(t-1,t-2,…t-p)的负荷、氧量、总燃料量、总风量、入口nox浓度值、喷胺量和出口nox浓度值,模型输出参量为下一个时刻(t+1)的出口nox浓度值。
10、进一步地,所述出口nox浓度预测模型中设有用于防止网络加深造成模型退化现象的残差模块,所述残差模块为多层bp神经网络结构,包含1个输入层、1个隐含层和1个输出层;其中,输入层包含p+1个神经元,即p+1个输入参量;每个隐含层包含2(p+1)个神经元,输出层包含d个神经元,即d个输出参量;输入层p+1个神经元所对应的输入量分别为当前时刻(t)之前p个时刻和(t-1,t-2,…t-p)的负荷、氧量、总燃料量、总风量、入口nox浓度值、喷胺量和出口nox浓度值,模型输出参量为未来d个时刻(t+1,t+2,…t+d)的出口nox浓度值。
11、进一步地,所述反馈校正的计算公式为:
12、nox(t+1)re=nox(t+1)sim+(nox(t)meas-nox(t)sim);
13、式中,nox(t+1)re为t+1时刻的出口nox浓度仿真修正值,nox(t+1)sim为t+1时刻的出口nox浓度仿真值,nox(t)meast时刻的出口nox浓度实际值,nox(t)sim为t+1时刻的出口nox浓度仿真值。
14、进一步地,所述喷氨量预测模型由包含一个隐含层的bp神经网络构成,其输入参量为当前时刻(t)与之前p个时刻和(t-1,t-2,…t-p)的入口nox浓度,出口nox浓度和喷氨量值及t+1时刻的出口nox浓度预测值,预测值为下一个时刻(t+1)的喷氨量值。
15、进一步地,步骤4中所述喷氨量判定逻辑中还设有最大喷氨量限定值和最小喷氨量限定值,如果喷氨量预测值大于最大限定值则使喷氨量预测模型的输出值等于喷氨量最大限定值,如果喷氨量预测值小于最小限定值则使喷氨量预测模型的输出值等于喷氨量最小限定值。
16、借由上述方案,通过基于双神经网络的scr脱硝系统喷氨量预测方法,能够保证喷氨量准确性和及时性,减小出口nox浓度值波动。
17、上述说明仅是本发明技术方案的概述,为了能够更清楚了解本发明的技术手段,并可依照说明书的内容予以实施,以下以本发明的较佳实施例并配合附图详细说明如后。
1.一种基于双神经网络的scr脱硝系统喷氨量预测方法,其特征在于,包括如下步骤:
2.根据权利要求1所述的基于双神经网络的scr脱硝系统喷氨量预测方法,其特征在于,所述出口nox浓度预测模型采用多层bp神经网络结构,包含1个输入层、n个隐含层和1个输出层,n≥10层;其中,输入层包含p+1个神经元,即p+1个输入参量;每个隐含层包含2(p+1)个神经元,输出层包含d个神经元,即d个输出参量;输入层p+1个神经元所对应的输入量分别为当前时刻(t)之前p个时刻和(t-1,t-2,…t-p)的负荷、氧量、总燃料量、总风量、入口nox浓度值、喷胺量和出口nox浓度值,模型输出参量为下一个时刻(t+1)的出口nox浓度值。
3.根据权利要求1所述的基于双神经网络的scr脱硝系统喷氨量预测方法,其特征在于,所述出口nox浓度预测模型中设有用于防止网络加深造成模型退化现象的残差模块,所述残差模块为多层bp神经网络结构,包含1个输入层、1个隐含层和1个输出层;其中,输入层包含p+1个神经元,即p+1个输入参量;每个隐含层包含2(p+1)个神经元,输出层包含d个神经元,即d个输出参量;输入层p+1个神经元所对应的输入量分别为当前时刻(t)之前p个时刻和(t-1,t-2,…t-p)的负荷、氧量、总燃料量、总风量、入口nox浓度值、喷胺量和出口nox浓度值,模型输出参量为未来d个时刻(t+1,t+2,…t+d)的出口nox浓度值。
4.根据权利要求1所述的基于双神经网络的scr脱硝系统喷氨量预测方法,其特征在于,所述反馈校正的计算公式为:
5.根据权利要求1所述的基于双神经网络的scr脱硝系统喷氨量预测方法,其特征在于,所述喷氨量预测模型由包含一个隐含层的bp神经网络构成,其输入参量为当前时刻(t)与之前p个时刻和(t-1,t-2,…t-p)的入口nox浓度,出口nox浓度和喷氨量值及t+1时刻的出口nox浓度预测值,预测值为下一个时刻(t+1)的喷氨量值。
6.根据权利要求1所述的基于双神经网络的scr脱硝系统喷氨量预测方法,其特征在于,步骤4中所述喷氨量判定逻辑中还设有最大喷氨量限定值和最小喷氨量限定值,如果喷氨量预测值大于最大限定值则使喷氨量预测模型的输出值等于喷氨量最大限定值,如果喷氨量预测值小于最小限定值则使喷氨量预测模型的输出值等于喷氨量最小限定值。