本发明涉及一种基于bp神经网络的热电联产机组scr入口烟温在线计算方法。
背景技术：
随着社会经济的快速发展和新能源装机容量的不断增大，我国电力系统中的电力负荷峰谷差不断增大，加剧了电网调峰的压力。为提升电网调峰能力、促进新能源消纳，热电联产机组开始参与电网调峰。试验表明，热电机组实际参与调峰时，对于调峰幅度没有科学的依据，在降负荷过程中，往往会因为scr设备入口烟温过低导致脱硝设备效率偏低甚至退出运行，导致nox排放超标。因此，实现热电机组scr入口烟温的实时科学计算，对于热电机组安全稳定参与电网调峰，实现电网科学调度、保证电能稳定具有重要意义。而当前公开技术中，缺少能够科学实现热电机组scr入口烟温实时计算的方法。
技术实现要素：
本发明的目的就是针对现有技术的不足，公开了一种基于bp神经网络的热电联产机组scr入口烟温在线计算方法，通过神经网络应用于非线性系统的辨识和预测实现对热电机组scr入口烟温的实时计算，使得相关人员能实时计算并可提前预测不同煤质、不同负荷率下热电机组scr入口烟温，可以准确确定机组调峰限度；另外，当锅炉换热情况发生变化时还能够实现模型的自我修正。
本发明解决技术问题的技术方案是：
一种基于bp神经网络的热电联产机组scr入口烟温在线计算方法，包括以下步骤：
(1)设计并进行多煤种、多工况锅炉热力试验，获得不同试验工况下的煤质、负荷、供热抽汽量、scr入口烟温的试验数据，利用试验数据训练bp神经网络，建立scr入口烟温初始计算模型；
(2)将烟温初始计算模型通过网络编程技术以在线网站的形式发布，以实现不同运行条件下scr入口烟温的在线确定；
(3)由于受热面积灰等原因导致锅炉换热情况发生变化、利用烟温初始计算模型计算scr入口烟温出现偏差后，结合火电机组的实际运行数据对所建烟温初始计算模型进行实时在线修正。
所述步骤(1)中的锅炉热力试验至少包括以下工况：bmcr工况、tha工况、75％tha工况、50％tha工况、40％tha工况。
进行锅炉热力试验所燃煤种按煤的低位发热量和水分含量进行配比，经配比后的煤种能够明显区分为高热值正常水分、中热值正常水分、低热值正常水分、中热值高水分、中热值低水分五种。
进行锅炉热力试验时，每一试验工况下，采用每一煤种至少稳定燃烧30分钟。
所述步骤(1)中训练bp神经网络包括以下步骤：
1)将锅炉热力试验获得的试验数据进行分析处理，选取有效的的数据点，将每个数据点的低位发热量q、水分含量w、负荷p、供热抽汽量dr、scr入口烟温t划分为训练数据、测试数据两组；
2)将步骤1)中训练数据的低位发热量q、水分含量w、负荷p、供热抽汽量dr、scr入口烟温t分别归一化，低位发热量q、水分含量w、负荷p、供热抽汽量dr作为输入，scr入口烟温t作为输出建立静态模型；设定隐藏层数目和各层神经元个数，得到bp网络模型，利用步骤1)的测试数据检测该bp网络模型的精度；对bp网络模型的网络参数进行修改，通过反复训练直至达到精度要求，得到t＝f(q,w,p,dr)模型。
所述步骤(2)中所使用的网络编程技术采用asp.net网页编程技术。
所述步骤(3)中的实际运行数据从dcs或者sis系统中获得。
所述步骤(3)中进行模型修正的判定条件是：计算scr入口烟温与实测烟温存在连续15分钟以上一致性的偏差，需排除随机误差干扰。
所述步骤(3)中的模型修正包含整体修正、部分修正，可以选取全负荷、全煤质范围内的所有运行参数重新训练模型，或者选取部分负荷下的特定数据修正模型。
所述步骤(3)中的烟温初始计算模型修正数据为包含低位发热量q、水分含量w、负荷p、供热抽汽量dr、scr入口烟温t在内的整组数据。
本发明的有益效果：
1.本发明与现有技术相比：神经网络具有通过学习逼近任意非线性映射的能力,将神经网络应用于非线性系统的辨识和预测,可以不受非线性模型的限制,便于给出工程上易于实现的学习算法；通过神经网络实现对热电机组scr入口烟温的实时计算，使得相关人员能实时计算并可提前预测不同煤质、不同负荷率下热电机组scr入口烟温，可以准确确定机组调峰限度；另外，由于神经网络模型仅由训练数据确定，当锅炉受热面运行偏离设计工况以及时能够从dcs或sis系统中重新选取数据对模型进行修正；另外，当锅炉换热情况发生变化时还能够实现模型的自我修正。
2.本发明通过神经网络应用于非线性系统的辨识和预测实现对热电机组scr入口烟温的实时计算，使得相关人员能实时计算并可提前预测不同煤质、不同负荷率下热电机组scr入口烟温，可以准确确定机组调峰限度，本发明能够实现热电机组scr入口烟温的实时科学计算，对于热电机组安全稳定参与电网调峰、实现电网科学调度、保证电能稳定。
3.本发明通过将烟温计算模型模型结合网络编程技术以在线网站的形式发布，以实现不同运行条件下scr入口烟温的在线确定，能够可结合火电机组的实际运行数据并对所建模型进行实时在线修正，能够实现热电联产机组scr入口烟温的实时计算，能够判定不同热、电负荷下scr运行情况，进而确定机组调峰限度，对于热电机组科学调峰具有积极意义；并且当锅炉受热情况发生变化时，可以从dcs或sis系统中重新选取数据对模型进行修正。
附图说明
图1为本发明计算方法的结构图；
图2为本发明bp神经网络的结构示意图。
具体实施方式
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，对于本领域普通技术人员而言，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
结合图1，图2，一种基于bp神经网络的热电联产机组scr入口烟温在线计算方法，包括以下步骤：
(1)设计并进行多煤种、多工况锅炉热力试验，获得不同试验工况下的煤质、负荷、供热抽汽量、scr入口烟温的试验数据，利用试验数据训练bp神经网络，建立scr入口烟温初始计算模型；
(2)将烟温初始计算模型通过网络编程技术以在线网站的形式发布，以实现不同运行条件下scr入口烟温的在线确定；
(3)由于受热面积灰等原因导致锅炉换热情况发生变化、利用烟温初始计算模型计算scr入口烟温出现偏差后，结合火电机组的实际运行数据对所建烟温初始计算模型进行实时在线修正。
所述步骤(1)中的锅炉热力试验至少包括以下工况：bmcr工况、tha工况、75％tha工况、50％tha工况、40％tha工况。
进行锅炉热力试验所燃煤种按煤的低位发热量和水分含量进行配比，经配比后的煤种能够明显区分为高热值正常水分、中热值正常水分、低热值正常水分、中热值高水分、中热值低水分五种。
进行锅炉热力试验时，每一试验工况下，采用每一煤种至少稳定燃烧30分钟。
所述步骤(1)中训练bp神经网络包括以下步骤：
1)将锅炉热力试验获得的试验数据进行分析处理，选取有效的的数据点，将每个数据点的低位发热量q、水分含量w、负荷p、供热抽汽量dr、scr入口烟温t划分为训练数据、测试数据两组；
2)将步骤1)中训练数据的低位发热量q、水分含量w、负荷p、供热抽汽量dr、scr入口烟温t分别归一化，低位发热量q、水分含量w、负荷p、供热抽汽量dr作为输入，scr入口烟温t作为输出建立静态模型；设定隐藏层数目和各层神经元个数，得到bp网络模型，利用步骤1)的测试数据检测该bp网络模型的精度；对bp网络模型的网络参数进行修改，通过反复训练直至达到精度要求，得到t＝f(q,w,p,dr)模型。
所述步骤(2)中所使用的网络编程技术采用asp.net网页编程技术。
所述步骤(3)中的实际运行数据从dcs或者sis系统中获得。
所述步骤(3)中进行模型修正的判定条件是：计算scr入口烟温与实测烟温存在连续15分钟以上一致性的偏差，需排除随机误差干扰。
所述步骤(3)中的模型修正包含整体修正、部分修正，可以选取全负荷、全煤质范围内的所有运行参数重新训练模型，或者选取部分负荷下的特定数据修正模型。
所述步骤(3)中的烟温初始计算模型修正数据为包含低位发热量q、水分含量w、负荷p、供热抽汽量dr、scr入口烟温t在内的整组数据。
本发明工作原理是：
首先，对热电机组常用煤种进行分析，确定不同煤种低位发热量和水分含量上下限值。将不同煤种按煤的低位发热量和水分含量进行配比，所配煤种应至少能够明显区分为高热值正常水分、中热值正常水分、低热值正常水分、中热值高水分、中热值低水分五种。其次，设计并进行多煤种、多工况(至少应包含bmcr工况、tha工况、75％tha工况、50％tha工况、40％tha工况)锅炉热力试验，获得不同试验工况下的煤质、负荷、供热抽汽量、scr入口烟温等数据，并划分为训练数据、测试数据两组；然后将训练数据的低位发热量q、水分含量w、负荷p、供热抽汽量dr、scr入口烟温t分别归一化，q、w、p、dr作为输入，t作为输出建立静态模型；设定隐藏层数目和各层神经元个数，得到bp网络模型，利用步骤1)的测试数据检测该bp网络模型的精度；对bp网络模型的网络参数进行修改，并且通过反复训练直至达到精度要求，得到t＝f(q,w,p,dr)模型；将上述计算模型结合网页编程技术以在线网站的形式发布，以实现scr入口烟温的在线确定；最后结合dcs、sis系统获得煤质参数、负荷、供热量、scr入口烟温等实际运行数据并对所建模型进行实时在线修正。
上述虽然结合附图对本发明的具体实施方式进行了描述，但并非对本发明保护范围的限制，所属领域技术人员应该明白，在本发明的技术方案的基础上，本领域技术人员不需要付出创造性劳动即可做出的各种修改或变形仍在本发明的保护范围以内。