基于机器学习算法的燃煤机组脱硝入口NOx浓度预测方法与流程

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。

技术特征：

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：

技术总结
本发明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，包括：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；步骤2，基于遗传算法优化所述BP神经网络的权值和阈；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。本发明采用遗传算法优化的BP神经网络具备更准确的预测性，更小的预测偏差。

技术研发人员：肖寒,张丰,贺帅,董强,高春雨,解明,赵锐,王哲焜,章雅楠
受保护的技术使用者：中国大唐集团科学技术研究总院有限公司华北电力试验研究院
技术研发日：
技术公布日：2024/2/19