一种基于神经网络的燃煤机组氮氧化物排放浓度预测方法
【专利摘要】本发明公开了一种基于神经网络的燃煤机组氮氧化物排放浓度预测方法，先对燃煤机组的关键运行参数机组负荷、SCR入口NOx折算浓度、SCR入口烟气温度、喷氨流量、排口NOx折算浓度进行预处理，然后建立BP神经网络，将机组负荷、SCR入口NOx折算浓度、SCR入口烟气温度、喷氨流量作为输入值，将排口NOx折算浓度作为输出值，得到燃煤机组氮氧化物排放浓度预测值。本发明极大地降低了工作人员的工作量，降低了维护成本。
【专利说明】-种基于神经网络的燃煤机组氮氧化物排放浓度预测方法
【技术领域】
[0001] 本发明设及一种基于神经网络的燃煤机组氮氧化物排放浓度预测方法，属于工业 燃煤监控【技术领域】。
【背景技术】
[0002] 目前通常在火电机组尾气排放口布置测量装置，分析排口烟气成分，获得排口氮 氧化物浓度。该方法虽然简易快捷，但由于测量装置采用单点采样，排口气流不稳定、分布 不均匀，样气采集探头的安装位置代表性较难把握，且排口烟气属于高温、高粉尘物质，测 量仪表极易腐蚀和堵塞，因此，排口氮氧化物浓度测量的准确性较难保证。
【发明内容】
[0003] 本发明的目的在于提供一种基于神经网络的燃煤机组氮氧化物排放浓度预测方 法，通过SCR类型燃煤脱硝机组的机组负荷、SCR入口 NOx折算浓度、SCR入口烟气温度、喷 氨流量等运行关键指标，运用神经网络方法预测机组氮氧化物排放浓度，对实际测量氮氧 化物排放浓度进行校核，W保证指标数据的准确性。
[0004] 为达到上述目的，本发明所采用的技术方案为：
[0005] 一种基于神经网络的燃煤机组氮氧化物排放浓度预测方法，包括W下步骤：
[0006] 1)采集一定时间内的样本数据，所述样本数据包含燃煤机组的关键运行参数；
[0007] 2)对样本数据进行预处理；
[000引 3)对预处理后的样本数据进行标准化变换；
[0009] 4)建立BP神经网络；
[0010] W通过逆标准化变换，将BP神经网络的输出值还原为原量纲值，即为燃煤机组氮 氧化物排放浓度预测值。
[0011] 前述的步骤1)中，采集的样本数据表示为；X = (xi,X2,…，Xk，…，X。} G RM，
[001引其中，X表示一定时间内的样本集，Xi(i = 1，2,……，n)是第i次采集的样本数 据，n是样本数，M是样本维度即燃煤机组的关键运行参数。
[0013] 前述的燃煤机组的关键运行参数为：机组负荷、SCR入口 NOx折算浓度、SCR入口 烟气温度、喷氨流量、排口 NOx折算浓度。
[0014] 前述的步骤2)中，对样本数据进行预处理是指设置关键运行参数的阔值，剔除阔 值范围W外的样本数据。
[0015] 前述的步骤3)中，进行标准化变换采用零均值标准差标准化方法，所述样本数据 标准化后的计算公式为：
[0016] 勺沪
[0017] 其中，X' i为经零均值标准差标准化后的样本数据，无为样本数据的平均值；S为 样本数据的标准差。
[0018] 前述的步骤4)中，所述BP神经网络包括一个输入层、一个输出层和一个隐藏层的 S层网络结构；所述输入层有4个神经元，即；机组负荷、SCR入口 NOx折算浓度、SCR入口 烟气温度、喷氨流量；所述输出层有1个神经元，即；排口 NOx折算浓度；所述隐藏层神经元 个数的计算公式为；s=>/7r^+。
[0019] 其中，S为隐藏层神经元个数，1为输入层神经元个数，m为输出层神经元个数，a 为1?10之间的常数。
[0020] 前述的隐藏层神经元个数选取为12。
[0021] 前述的输出层的激活函数选取线性函数；f (V) = 1 ? V+0 = V ;
[0022] 所述隐藏层的激活函数为双曲正切S型函数：
【权利要求】
1. 一种基于神经网络的燃煤机组氮氧化物排放浓度预测方法，其特征在于，包括以下 步骤： 1) 采集一定时间内的样本数据，所述样本数据包含燃煤机组的关键运行参数； 2) 对样本数据进行预处理； 3) 对预处理后的样本数据进行标准化变换； 4) 建立BP神经网络； 5) 通过逆标准化变换，将BP神经网络的输出值还原为原量纲值，即为燃煤机组氮氧化 物排放浓度预测值。
2. 根据权利要求1所述的一种基于神经网络的燃煤机组氮氧化物排放浓度预测方法， 其特征在于，所述步骤1)中，采集的样本数据表示为：X=U1,x2, . . .，xk, . . .，xn}GRm， 其中，X表示一定时间内的样本集，XiQ= 1，2,......，n)是第i次采集的样本数据，n 是样本数，M是样本维度即燃煤机组的关键运行参数。
3. 根据权利要求2所述的一种基于神经网络的燃煤机组氮氧化物排放浓度预测方法， 其特征在于，所述燃煤机组的关键运行参数为：机组负荷、SCR入口NOx折算浓度、SCR入口 烟气温度、喷氨流量、排口NOx折算浓度。
4. 根据权利要求1所述的一种基于神经网络的燃煤机组氮氧化物排放浓度预测方法， 其特征在于，所述步骤2)中，对样本数据进行预处理是指设置关键运行参数的阈值，剔除 阈值范围以外的样本数据。
5. 根据权利要求1所述的一种基于神经网络的燃煤机组氮氧化物排放浓度预测方法， 其特征在于，所述步骤3)中，进行标准化变换采用零均值标准差标准化方法，所述样本数 据标准化后的计算公式为：
其中，Xi'为经零均值标准差标准化后的样本数据，无为样本数据的平均值；S为样本数 据的标准差。
6. 根据权利要求1所述的一种基于神经网络的燃煤机组氮氧化物排放浓度预测方法， 其特征在于，所述步骤4)中，所述BP神经网络包括一个输入层、一个输出层和一个隐藏层 的三层网络结构；所述输入层有4个神经元，S卩：机组负荷、SCR入口NOx折算浓度、SCR入 口烟气温度、喷氨流量；所述输出层有1个神经元，即：排口NOx折算浓度；所述隐藏层神经
其中，s为隐藏层神经元个数，1为输入层神经元个数，m为输出层神经元个数，a为1? 10之间的常数。
7. 根据权利要求6所述的一种基于神经网络的燃煤机组氮氧化物排放浓度预测方法， 其特征在于，所述隐藏层神经元个数选取为12。
8. 根据权利要求6所述的一种基于神经网络的燃煤机组氮氧化物排放浓度预测方法， 其特征在于，所述输出层的激活函数选取线性函数：f(V) = 1 ?v+0 =V;
其中，V是自变量，f(V)，g(v)是函数。
9.根据权利要求1所述的一种基于神经网络的燃煤机组氮氧化物排放浓度预测方法， 其特征在于，所述步骤5)中，逆标准化变换为：
其中，Xi'为标准化后的样本数据，X为逆标准化后的数据。
【文档编号】G06N3/02GK104504238SQ201410677543
【公开日】2015年4月8日 申请日期:2014年11月21日 优先权日:2014年11月21日
【发明者】周春蕾, 代家元, 张友卫, 王林, 王明, 许国强, 孙彬, 王其祥, 高进, 魏威, 刘成, 佘国金, 周志兴 申请人:国家电网公司, 江苏省电力公司, 江苏方天电力技术有限公司