本发明属于火力发电,尤其涉及一种基于机器学习算法的燃煤机组脱硝入口nox浓度预测方法。
背景技术:
1、国内燃煤机组面临超低排放的需求,即一般要求机组排放氮氧化物(nox)浓度不超过50mg/nm3,二氧化硫(so2)浓度不超过35mg/nm3,粉尘浓度不超过10mg/nm3。火电机组的脱硝系统通常布置于锅炉省煤器出口位置,是机组的第一道环保设备,一般采用选择性催化还原法(scr)实现脱硝过程。原理是向烟道内喷入适量的氨空混合气,与烟气混合均匀后,进入脱硝反应塔,在布置于反应塔中的催化剂层(主要成分为tio2/v2o5)进行还原反应,nh3将nox还原生成n2和h2o,从而实现超低排放。
2、由于近年来新能源机组容量快速增大,火电机组负荷波动频发,给火电机组的环保设备带来了不小压力。通常nox随着机组负荷的下降而瞬间增高,原因是低负荷条件下投入煤量下降,而风量稳定,氧气充足,在600~800℃富氧的条件下会使燃料中的氮反应生成燃料型nox,造成nox含量急剧升高。脱硝入口nox急剧变化会对脱硝系统的自动控制带来很大影响,脱硝自动控制系统一般由串级pid系统构成,主pid调节对象为脱硝出口nox。控制系统存在调节滞后问题,主要在于现场测量仪表通讯有几秒甚至几分钟的延时,极容易造成自动控制不及时,出口nox浓度值超出限值。对此,通常的处理方法是在主pid上增加入口nox浓度前馈,nox浓度的变化值通过一定的函数关系,叠加到主pid的出口上,可以提前开大氨空混合气流量调节阀门。但是由于入口nox测量同样存在延时问题,前馈作用并不显著。
技术实现思路
1、本发明的目的是提供基于机器学习算法的燃煤机组脱硝入口nox浓度预测方法,结合机器学习来预测入口nox浓度可以提前响应nox浓度的变化,以回避因测量滞后造成调节缓慢的问题。
2、本发明提供一种基于机器学习算法的燃煤机组脱硝入口nox浓度预测方法,包括:
3、步骤1,搭建以包括机组负荷,一次风风量,总风量,主蒸汽流量,总煤量,主给水流量,标准工况氨空混合气流量,主蒸汽压力,脱硝入口含氧量、脱硝入口烟气流量,共10个输入数据为输入层,以实测入口nox浓度,1个输出数据为输出层的bp神经网络,并对搭建的bp神经网络进行训练;
4、步骤2,基于遗传算法优化所述bp神经网络的权值和阈值;
5、步骤3,将优化后的权值和阈值作为bp神经网络初始条件,进行迭代计算,得到燃煤机组脱硝入口nox浓度预测结果。
6、进一步地,所述步骤1包括:
7、搭建bp神经网络输入层、隐藏层、输出层,确定各层神经元数量,激活函数,学习率,其中,所述bp神经网络输入层为10个输入参数,隐含层有两层,第一层隐藏层神经元数量为15,第二层隐藏层神经元数量为6,输出层1个输出参数,学习率设定为0.01,迭代次数1000,目标误差值0.0001,节点传递函数采用relu斜坡函数,输入层和输出层激活函数选择线性函数purelin。
8、进一步地,所述步骤2包括:
9、根据搭建的bp神经网络确定遗传算法中个体染色体编码长度,确定个体数目,遗传代数,构建适应度函数,选择操作,交叉操作,变异操作,计算个体适应度值,选出最优个体,将最优个体赋值给bp神经网络的权值和阈值,其中,染色体长度由bp神经网络的权值和阈值决定,计算公式如下:
10、权值数量:
11、输入层到第一层隐藏层的权值数量为:10×15=150个;
12、第一层隐藏层到第二层隐藏层的权值数量为:15×6=90个;
13、第二层隐藏层到输出层的权值数量为:6×1=6个;
14、该神经网络中的权值数量为:150+90+6=246个;
15、阈值数量:
16、第一层隐藏层的阈值数量为:15个;
17、第二层隐藏层的阈值数量为:6个;
18、输出层的阈值数量为:1个;
19、所述神经网络中的阈值数量为:15+6+1=22个;
20、所述bp神经网络中的权值数量为246个,阈值数量为22个;对应染色体长度是246+22=268;
21、适应度函数由个体得到的bp神经网络的初始权值和阈值,用训练数据训练bp神经网络后预测输出,把预测输出和期望输出之间的误差绝对值作为个体适应度值。
22、借由上述方案,通过基于机器学习算法的燃煤机组脱硝入口nox浓度预测方法,具有如下技术效果:
23、1)本发明通过引入机器学习算法来预测机组脱硝入口nox浓度值和变化趋势,能够提高自动控制系统的响应速度,使氨空混合气流量阀门能在nox急剧变化时做出一定量调整,保持出口nox浓度值不会超过限值。
24、2)本发明在基础的bp神经网络加入遗传算法来优化神经网络中的权值和阈值,且采用两层隐藏层来提高模型精准度,能提高神经网络预测的精准性,降低预测误差,能提高自动控制系统的调节品质。
25、3)本发明在编译过程中多次测试遗传代数,遗传个体数目,神经网络学习率,隐藏神经元数量,激活函数等变量及参数,能推广到其他火电机组上用以训练同类型的数据,具有潜在的利用价值。
26、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。
1.一种基于机器学习算法的燃煤机组脱硝入口nox浓度预测方法,其特征在于,包括:
2.根据权利要求1所述的基于机器学习算法的燃煤机组脱硝入口nox浓度预测方法,其特征在于,所述步骤1包括:
3.根据权利要求2所述的基于机器学习算法的燃煤机组脱硝入口nox浓度预测方法,其特征在于,所述步骤2包括: