本发明涉及燃煤机组脱硫，尤其涉及一种用于燃煤机组湿法烟气脱硫系统优化的建模方法。
背景技术：
1、燃煤机组湿法烟气脱硫系统是一种常用的烟气治理技术，主要用于减少大气污染物排放，随着环保标准的不断提高，越来越多的燃煤机组采用湿法烟气脱硫技术，对系统的烟气脱硫效率、稳定性和运行成本等方面提出了更高的要求。早期由于设备大、运行成本高，同时脱硫效率不稳定等因素的影响，使得燃煤机组湿法烟气脱硫技术应用受到一定限制。随着时间的推移，通过利用深度学习技术和数据驱动方法，对系统的特性进行深度学习和分析，可以更加精准地描述烟气脱硫过程，从而优化模型的预测能力和脱硫效率，实现对系统的运行进行实时控制和优化，降低系统的运行成本和维护难度，提升系统的运行效率和安全性。
2、近年来，虽然燃煤机组湿法烟气脱硫系统的性能不断提升，但仍然存在诸多技术缺陷，至少包括如下几个方面：1.湿法烟气脱硫系统的脱硫效率容易受到多个因素的影响，如烟气温度、石灰石质量、供氧浓度等，导致脱硫效率时高时低存在波动性不够稳定。2.目前的湿法烟气脱硫系统无法实时监测烟气脱硫运行状态和参数，不能根据实时采集数据进行模型参数修正，这就导致能源的大量消耗和运行成本的提升。3.湿法烟气脱硫系统的模型建立和优化过程中面临着数据质量、模型精确度、参数选择等挑战，需要进行充分的数据采集和处理，以及合理的模型选择和优化算法来解决。
技术实现思路
1、本发明要解决的技术问题时针对现有技术的种种不足，提供一种用于燃煤机组湿法烟气脱硫系统优化的建模方法。
2、为解决上述技术问题，本发明所采取的技术方案如下。
3、用于燃煤机组湿法烟气脱硫系统优化的建模方法，所述建模方法基于深度学习技术将模型数据与实际数据对比纠偏实现燃煤机组湿法烟气脱硫系统模型参数不断优化，改善烟气脱硫过程减少非必要能源消耗并提升系统维护和运行能力。
4、作为本发明的一种优选技术方案，所述方法包括如下数据建模过程：
5、(1)、数据收集，通过收集与燃煤机组湿法烟气脱硫相关数据，获得全面准确的数据信息；
6、(2)、数据预处理，对已收集的数据进行包含数据清洗、缺失值处理、异常值去除在内的预处理，确保数据集的质量和可用性；
7、(3)、数据模型建立，利用已处理的数据，建立燃煤机组湿法烟气脱硫系统的优化模型；
8、(4)、模型验证及过程优化，并通过回溯数据对比优化前后的效能，以确定优化效果。
9、作为本发明的一种优选技术方案，过程(1)所收集的数据包括机组运行数据、排放浓度数据、脱硫药剂使用量数据、煤炭硫含量数据以及环境参数数据、气象数据、燃煤质量数据、机组运行参数在内的多个数据源。
10、作为本发明的一种优选技术方案，过程(2)通过数据标准化、空值填充、异常值处理、数据转化方法把不可直接使用的原始数据结构修改为可以输入到模型的形式。
11、作为本发明的一种优选技术方案，过程(3)基于非线性、大数据量的回归分析模型包括支持向量机、神经网络模型、随机森林模型在内的统计分析建模方式描述脱硫系统的复杂非线性关系，通过收集到的系统数据对模型进行训练确定模型参数并根据学习效果对参数及模型进行优化最终确定最佳的优化模型策略。
12、作为本发明的一种优选技术方案，通过建立数学模型对系统的数据模型及验证过程进行优化，采用如下数学模型，具体的数据过程为：
13、a.定义一个有限维空间v，燃煤机组湿法烟气脱硫系统的状态可以表示为v中的点，每个维度代表了系统的一个特性，包括ph值、温度、压强在内的状态特性由基向量构成的有限维向量空间的元素；
14、b.设定模型ψ为一个将输入特征映射到输出预测的向量函数，将设定输入特征的分布为d，l代表损失函数，在期望损失最小化的基础上进行模型优化ψ*＝argmin_ψ∫l(y,ψ(x))dd(x,y)，用于衡量模型预测y和实际结果ψ(x)之间的差距。
15、c.运用梯度下降法通过不断迭代更新模型ψ的参数，使得损失函数最小化：其中η是学习率，代表l关于ψ的梯度，由此找出最优化的模型ψ*。
16、作为本发明的一种优选技术方案，通过采用过程(4)的数学模型对包括优化脱硫器运行参数、脱硫液投加量、气液比参数、使用药剂量及种类在内的数据信息进行优化，从而最大限度地提高烟气脱硫效率，降低运行成本。
17、作为本发明的一种优选技术方案，通过将确定的优化模型整合至燃煤机组湿法烟气脱硫系统的自适应控制系统中实现自动化和智能化的系统优化。
18、作为本发明的一种优选技术方案，所述方法通过建立数据接收系统实时接收和处理燃煤机组湿法烟气脱硫系统运行数据，通过自适应控制系统实现燃煤机组湿法烟气脱硫系统的实时优化。
19、作为本发明的一种优选技术方案，所述方法在实施优化策略后可持续监测燃煤机组湿法烟气脱硫系统的运行数据并与模型预测结果进行对比，及时进行反馈控制保持系统的优化效果。
20、采用上述技术方案所产生的有益效果在于：本发明构建的一种用于燃煤机组湿法烟气脱硫系统优化的建模方法，基于对湿法烟气脱硫系统数据模型的建立和数学算法的优化，能够深入分析操作参数对脱硫效率的影响，对脱硫效率进行预测和模拟，评估不同设计方案和操作策略的性能差异，从而得到系统的优化操作策略和涉及方案，提高脱硫效率、实现节能减排和降低运行成本，对于保证环境友好性和可持续发展具有重要意义。本发明的详细实施过程及其技术优势在下文的实施例中亦有针对性的详细阐述。
1.一种用于燃煤机组湿法烟气脱硫系统优化的建模方法，其特征在于：所述建模方法基于深度学习技术将模型数据与实际数据对比纠偏实现燃煤机组湿法烟气脱硫系统模型参数不断优化，改善烟气脱硫过程减少非必要能源消耗并提升系统维护和运行能力。
2.根据权利要求1所述用于燃煤机组湿法烟气脱硫系统优化的建模方法，其特征在于：所述方法包括如下数据建模过程：
3.根据权利要求2所述用于燃煤机组湿法烟气脱硫系统优化的建模方法，其特征在于：过程(1)所收集的数据包括机组运行数据、排放浓度数据、脱硫药剂使用量数据、煤炭硫含量数据以及环境参数数据、气象数据、燃煤质量数据、机组运行参数在内的多个数据源。
4.根据权利要求2所述用于燃煤机组湿法烟气脱硫系统优化的建模方法，其特征在于：过程(2)通过数据标准化、空值填充、异常值处理、数据转化方法把不可直接使用的原始数据结构修改为可以输入到模型的形式。
5.根据权利要求2所述用于燃煤机组湿法烟气脱硫系统优化的建模方法，其特征在于：过程(3)基于非线性、大数据量的回归分析模型包括支持向量机、神经网络模型、随机森林模型在内的统计分析建模方式描述脱硫系统的复杂非线性关系，通过收集到的系统数据对模型进行训练确定模型参数并根据学习效果对参数及模型进行优化最终确定最佳的优化模型策略。
6.根据权利要求2所述用于燃煤机组湿法烟气脱硫系统优化的建模方法，其特征在于：过程(4)通过建立数学模型对系统的数据模型及验证过程进行优化，采用如下数学模型，具体的数据过程为：
7.根据权利要求6所述用于燃煤机组湿法烟气脱硫系统优化的建模方法，其特征在于：通过采用过程(4)的数学模型对包括优化脱硫器运行参数、脱硫液投加量、气液比参数、使用药剂量及种类在内的数据信息进行优化，从而最大限度地提高烟气脱硫效率，降低运行成本。
8.根据权利要求1-7所述用于燃煤机组湿法烟气脱硫系统优化的建模方法，其特征在于：通过将确定的优化模型整合至燃煤机组湿法烟气脱硫系统的自适应控制系统中实现自动化和智能化的系统优化。
9.根据权利要求8所述用于燃煤机组湿法烟气脱硫系统优化的建模方法，其特征在于：所述方法通过建立数据接收系统实时接收和处理燃煤机组湿法烟气脱硫系统运行数据，通过自适应控制系统实现燃煤机组湿法烟气脱硫系统的实时优化。
10.根据权利要求9所述用于燃煤机组湿法烟气脱硫系统优化的建模方法，其特征在于：所述方法在实施优化策略后可持续监测燃煤机组湿法烟气脱硫系统的运行数据并与模型预测结果进行对比，及时进行反馈控制保持系统的优化效果。