一种深度调峰下基于神经网络的氮氧化物预测方法与流程

1.本发明涉及烟气脱硝技术领域，尤其涉及一种深度调峰下基于神经网络的氮氧化物预测方法。


背景技术：

2.目前选择性催化还原烟气脱硝方法(scr：selective catalytic reduction)在脱硝系统应用比较广泛，但在scr脱硝系统中，由于脱硝被控过程惯性大且具有明显的非线性，脱硝控制系统往往难以稳定，造成氮氧化物和氨气的使用量波动频繁且震荡幅度大。常规pid脱硝控制难于取得满意的控制品质。


技术实现要素：

3.本发明的目的是提供一种深度调峰下基于神经网络的氮氧化物预测方法，针对脱硝被控对象的大滞后、非线性和时变性的特点，设计基于神经网络的先进脱硝控制系统，利用生产运行数据，提高脱硝效率，降低运行成本，有效提升脱硝控制品质。
4.本发明提供了一种深度调峰下基于神经网络的氮氧化物预测方法，包括如下步骤：
5.步骤s1：获取电厂实际运行的相关数据信息，对所述样本数据进行归一化处理；
6.步骤s2：利用聚类模型对数据建模，对输入数据进行预测鉴别，筛选样本数据中不符合预设条件的样本，标记不良样本数据；
7.步骤s3：根据所述样本数据确定神经网络的输入层和输出层的神经元，建立bp神经网络预测模型，利用筛选后的数据对模型进行训练；
8.步骤s4：利用训练好的神经网络模型对入口氮氧化物进行预测。
9.进一步地，所述步骤s1包括：
10.从脱硝系统共获取一段时间的原始数据样本，每组样本相关数据信息包括电厂运行过程中的产生的一次风总风量、总煤量、总风量、实际功率、一号送风机风量、二号送风机风量参数，将以上六组数据作为特征参数，a侧入口氮氧化物浓度和b侧入口氮氧化物浓度作为输出参数；
11.将所述数据按照发生时间排序，时间间隔为5秒为一组数据，并对数据进行归一化处理，计算公式如下：
[0012][0013]
其中，x为数据归一化前的初始值，x
min
为所述数据中的最小值，x
max
为所述数据中的最大值。
[0014]
进一步地，所述步骤s2包括：
[0015]
建立ap聚类模型，对所述数据进行聚类，将符合要求的数据聚类群作为满足预设条件的样本，不符合要求的数据聚类群作为不良样本集，进行剔除，包括：
[0016]
对输入样本数据集x＝x
(n
×
)
＝(x1，x2，......xn)
t
，进行算法初始化，计算初始的相似度矩阵；
[0017]
设定初始参考度值p和迭代次数m，其中：
[0018]
p＝p
(n
×
1)
＝(p1，p2，......，pn)
t
[0019]
p＝p(i)称为xi的参考度，是指将xi作为聚类中心的可靠度，设定为参考度为相似度中值；
[0020]
计算样本数据的吸引度值：
[0021][0022]rij
表示数据对象xj适合作为数据对象xi聚类中心的程度，a
ij
表示数据对象xi适合作为数据对象xj作为聚类中心的适合程度；
[0023]
计算样本数据的归属度值a
ij
，其中：
[0024][0025][0026]
更新吸引度r
ij
和归属度a
ij
[0027]
如果迭代次数小于m，或当聚类中心在若干次迭代中不再发生变化时终止计算，确定类中心及其各类的样本点，否则返回计算吸引度，重新进行循环计算。
[0028]
进一步地，所述步骤s3包括：
[0029]
从原始数据中选取训练样本及测试样本，构建bp神经网络利用筛选后的样本数据进行神经网络学习；所述神经网络为bp神经网络包括输入层、隐藏层和输出层三层结构；确定输入层的延时为90秒，隐藏层的个数为60；
[0030]
其中，输入样本通过中间层由输入层向输出层传播计算，输入样本求出所对应的实际输出，隐藏层中第i个神经元的输出为：
[0031][0032]
其中，f1为隐藏层的激励函数，pj为输入层的输入，w
1ij
为权值；
[0033]
输出层中第k个神经元的输出为：
[0034][0035]
其中，f2为隐藏层的激励函数，a
1i
为隐藏层的输出，w
2ki
为权值；所述隐藏层的激活函数为sigmoid函数；
[0036]
利用sigmoid函数对所述样本数据进行优化，通过不断迭代，利用梯度下降法对模型进行优化；
[0037]
得到网络实际输出值后，对输出误差逆传播，误差函数定义为：
[0038]
其中，tk为第k个真实值，a
2k
为输出层中第k个神经元的输出。
[0039]
进一步地，所述步骤s4包括：
[0040]
将运行数据输入到训练好的神经网络模型中，预测得到下一时刻的氮氧化物浓度。
[0041]
借由上述方案，通过深度调峰下基于神经网络的氮氧化物预测方法，具有如下技术效果：
[0042]
1)通过提取影响氮氧化物的主要因素，同时对样本数据进行筛选，利用bp神经网络进行非线性拟合和动态预测，能够有效对未来氮氧化物进行预测，大幅提高控制系统的精度、准确性。
[0043]
2)通过建立高精度的脱硝预测机理模型，并将其用于合理、高效的控制策略来保证极高的脱硝效率，能够达到火电机组安全、稳定运行的同时实现火电机组环境友好性。
[0044]
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。
附图说明
[0045]
图1是本发明深度调峰下基于神经网络的氮氧化物预测方法的流程图。
具体实施方式
[0046]
下面结合附图和实施例，对本发明的具体实施方式作进一步详细描述。以下实施例用于说明本发明，但不用来限制本发明的范围。
[0047]
参图1所示，本实施例提供了一种深度调峰下基于神经网络的氮氧化物预测方法，包括如下步骤：
[0048]
步骤s1：获取电厂实际运行的相关数据信息，对所述样本数据进行归一化处理；所述相关数据信息包括电厂运行过程中的产生的一次风总风量、总煤量、总风量、实际功率、一号送风机风量、二号送风机风量参数；
[0049]
步骤s2：利用聚类模型对数据建模，对输入数据进行预测鉴别，筛选样本数据中不符合预设条件的样本，标记不良样本数据；
[0050]
步骤s3：根据所述样本数据确定神经网络的输入层和输出层的神经元，建立bp神经网络预测模型，利用筛选后的数据对模型进行训练；
[0051]
步骤s4：利用训练好的神经网络模型对入口氮氧化物进行预测。
[0052]
对于步骤s1：获取电厂实际运行的相关数据信息，对所述样本数据进行归一化处理。包括以下步骤：
[0053]
具体的，从脱硝系统共获取100天的原始数据样本，每组样本相关数据信息包括电厂运行过程中的产生的一次风总风量、总煤量、总风量、实际功率、一号送风机风量、二号送风机风量参数，将以上六组数据作为特征参数，a侧入口氮氧化物浓度和b侧入口氮氧化物浓度作为输出参数。
[0054]
将所述数据按照发生时间排序，时间间隔为5秒为一组数据，并对数据进行归一化
处理，计算公式如下：
[0055][0056]
其中，x为数据归一化前的初始值，x
min
为所述数据中的最小值，x
max
为所述数据中的最大值。
[0057]
在本实施例中，步骤s2包括以下步骤：
[0058]
建立ap聚类模型，对所述数据进行聚类，将符合要求的数据聚类群作为满足预设条件的样本，不符合要求的数据聚类群作为不良样本集，进行剔除。
[0059]
具体的，输入样本数据集x＝x
(n
×
k)
＝(x1，x2，......xn)
t
，进行算法初始化，计算初始的相似度矩阵。
[0060]
具体的，设定初始参考度值p和迭代次数m，其中：
[0061]
p＝p
(n
×
1)
＝(p1，p2，......，pn)
t
[0062]
p＝p(i)称为xi的参考度，是指将xi作为聚类中心的可靠度，设定为参考度为相似度中值。
[0063]
具体的，计算样本数据的吸引度值：
[0064][0065]rij
表示数据对象xj适合作为数据对象xi聚类中心的程度，a
ij
表示数据对象xi适合作为数据对象xj作为聚类中心的适合程度。
[0066]
具体的，计算样本数据的归属度值a
ij
，其中：
[0067][0068][0069]
具体的，更新吸引度r
ij
和归属度a
ij
。
[0070]
具体的，如果迭代次数小于m，或当聚类中心在若干次迭代中不再发生变化时终止计算，确定类中心及其各类的样本点，否则返回计算吸引度，重新进行循环计算。
[0071]
在本实施例中，步骤s3包括以下步骤：
[0072]
利用筛选后的样本数据进行神经网络学习，令神经网络学习脱硝系统氮氧化物的控制规律。定义目标优化函数，利用神经网络预测氮氧化物的多步输出。具体包括：
[0073]
从原始数据中选取95天数据作为训练样本，余下5天作为测试样本，构建bp神经网络利用筛选后的样本数据进行神经网络学习。
[0074]
所述神经网络为bp神经网络包括输入层、隐藏层和输出层三层结构。确定输入层的延时为90秒，隐藏层的个数为60。
[0075]
其中，输入样本通过中间层由输入层向输出层传播计算，输入样本求出所对应的实际输出，隐藏层中第i个神经元的输出为：
[0076][0077]
其中，f1为隐藏层的激励函数，pj为输入层的输入，w
1ij
为权值。
[0078]
输出层中第k个神经元的输出为：
[0079][0080]
其中，f2为隐藏层的激励函数，a
1i
为隐藏层的输出，w
2ki
为权值。
[0081]
其中，所述隐藏层的激活函数为sigmoid函数。利用sigmoid函数对所述样本数据进行优化，通过不断迭代，利用梯度下降法对模型进行优化。
[0082]
其中，得到网络实际输出值后，需要对输出误差逆传播，误差函数定义为：
[0083][0084]
其中，tk为第k个真实值，a
2k
为输出层中第k个神经元的输出。
[0085]
在本实施例中，步骤s4包括以下步骤：
[0086]
将运行数据输入到训练好的神经网络模型中，预测得到下一时刻的氮氧化物浓度。
[0087]
本预测模型使用的bp预测模型训练200epochs，学习率(learning rate)为0.1。训练100epochs后以降低学习率为0.01。在训练的每一步过程中，依据交叉熵准则计算误差向量，根据标准反向传播算法更新权重：
[0088]
最终将训练、验证、测试后的bp模型作为下一步的氮氧化物预测模型。当预测下一时刻的氮氧化物浓度时，将当前实时电厂数据进行预处理，作为输入数据放入训练后的bp模型进行预测，通过bp预测模型对输入数据进行学习。最终依据历史数据，预测得到未来氮氧化物浓度，得到lstm模型输出预测结果。
[0089]
该深度调峰下基于神经网络的氮氧化物预测方法，具有如下技术效果：
[0090]
1)通过提取影响氮氧化物的主要因素，同时对样本数据进行筛选，利用bp神经网络进行非线性拟合和动态预测，能够有效对未来氮氧化物进行预测，大幅提高控制系统的精度、准确性。
[0091]
2)通过建立高精度的脱硝预测机理模型，并将其用于合理、高效的控制策略来保证极高的脱硝效率，能够达到火电机组安全、稳定运行的同时实现火电机组环境友好性。
[0092]
以上所述仅是本发明的优选实施方式，并不用于限制本发明，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明技术原理的前提下，还可以做出若干改进和变型，这些改进和变型也应视为本发明的保护范围。