基于深度学习的火电机组脱硝系统及优化控制方法与流程

本发明涉及一种火电机组脱硝系统及优化控制方法，更具体的说，尤其涉及一种基于深度学习的火电机组脱硝系统及优化控制方法。

背景技术：

氮氧化物是大气污染的主要污染源之一，其中火电厂排放的氮氧化物约占全国氮氧化物排放量的35％～40％。火电机组节能减排符合时下节能环保的发展大趋势，随着人们环保意识日益提高，火电机组烟气的处理备受社会关注，nox是烟气的主要有害物质之一。

在这个大背景下，我国环保部门出台了一系列方案来抑制火电厂nox的排放，方案规定，每立方米烟气中nox含量不能超过50mg/nm³，这对火电厂的环保运行提出了很大的挑战。scr(选择性催化还原脱硝技术)脱硝方法以其较高的脱硝效率的优势，成为是近年国内大型火电机组脱硝系统的主流技术，因较为成熟且可行性高而被国内大多数火电厂在脱硝方案中采用。另外，随着我国波动性较强的风电、光伏等新能源规模化并网，火电机组必须进行快速、深度的变负荷操作来提高其运行的弹性，以提高新能源消纳效率。

火电机组快速、大范围地升降负荷将会导致烟气中nox浓度在运行时发生大幅度的变化，这给脱硝控制系统增加了控制难度，传统的scr脱硝控制系统虽能在一定程度上完成脱硝任务，但随着对火电机组的环保及运行弹性要求的进一步提高，需要保证机组在运行时烟气排放达标且满足经济性要求，控制系统的重要性越来越突出，其控制品质直接关系到脱硝运行成本和环保指标考核，因此，通过建立准确的scr系统模型、设计合理的控制系统以实现喷氨量的优化势在必行。

scr脱硝系统主要受煤质、反应温度、催化剂活性、喷氨流量和烟气流量等因素影响。其中，喷氨流量是主要可控因素，喷氨量过低会造成scr出口nox浓度超标，喷氨量过高会使氨逃逸量增加，造成nh3、水和so2在催化剂作用下发生反应，生成nh4hso4和(nh4)2so4附着在催化剂表面，严重影响催化剂活性，同时也会阻塞空气预热器，造成空气预热器差压大。因此，为了保证scr脱硝系统安全、稳定和高效运行，合理的控制策略显得尤为重要。

由于scr脱硝系统与炉膛燃烧耦合紧密，炉膛出口的烟气状态决定了scr系统入口的烟气参数，包括烟气温度、烟气流速、烟气nox含量等等，这些参数的变化会影响scr脱硝反应过程和脱硝效率。炉膛出口的烟气状态受锅炉运行工况影响，包括负荷和锅炉可调输入参数。在目前电力行业可再生能源大规模并网的背景下，火电机组频繁参与调峰，且调峰深度越来越大。因此，锅炉运行工况在大范围频繁变化，使得炉膛出口烟气参数频繁变化。scr系统入口和出口烟气参数信号检测存在滞后，再加上scr反应器反应过程存在大延迟，因此对这样反应机理复杂、具有非线性、大迟延、多变量耦合等特点的scr脱硝过程，传统的pid控制无法得到满意的控制效果。喷氨量过多会造成氨逃逸增大，使得空气预热器结垢腐蚀，喷氨量过少会使得出口nox排放达不到国家排放要求。

技术实现要素：

本发明为了克服上述技术问题的缺点，提供了一种基于深度学习的火电机组脱硝系统及优化控制方法。

本发明的基于深度学习的火电机组脱硝系统，包括nox浓度目标值设置单元、动态矩阵控制dmc控制单元、pid控制单元、喷氨阀门、scr反应器、炉膛出口nox浓度预测模块单元以及智能前馈控制器单元；其特征在于：所述炉膛出口nox浓度预测模块单元的输入端连接有锅炉负荷、总风量、磨煤机给煤量、总燃烧量、氧量、二次风和燃尽风信号，炉膛出口nox浓度预测模块单元输出的nox浓度预测信号与智能前馈控制器单元的输入端相连接，智能前馈控制器单元的输入端连接有scr入口nox浓度测量值信号和scr出口nox浓度测量值信号；scr反应器的输入端连接有反应温度、烟气流量和炉膛出口nox信号；

所述nox浓度目标值设置单元输出的nox浓度目标值与scr出口nox浓度测量值经相减运算后输入至动态矩阵控制dmc控制单元的输入端；动态矩阵控制dmc控制单元的输出信号与智能前馈控制器单元输出的前馈控制量相加运算后，再与喷氨阀门的输出信号相减运算后输入至pid控制单元的输入端，pid控制单元的输出信号与喷氨阀门相连接，由于对喷氨阀门的开度进行控制；所述喷氨阀门的输出与scr反应器的输入相连接。

本发明的基于深度学习的火电机组脱硝系统的优化控制方法，首先以目标电厂运行的历史数据和实时数据为基础，进行数据建模，并以锅炉侧可调参数作为输入，以scr出口nox浓度测量值为输出，利用最小二乘支持向量机算法构建预测模型，预测模型用来构建喷氨量控制策略中的智能前馈控制器单元；然后以动态矩阵控制dmc控制单元为主控制器，pid为副控制器，构建串级反馈控制结构；运行过程中，智能前馈控制器单元根据锅炉侧的参数变化实时输出前馈控制信号，快速响应机组工况的变化，与反馈控制共同构成scr系统喷氨量优化控制策略，实现喷氨量的快速准确控制；以遗传算法和粒子群算法等自学习技术对输入参数进行寻优，基于最小二乘支持向量机建立nox排放量预测模型进行系统滚动优化。

本发明的基于深度学习的火电机组脱硝系统的优化控制方法，所述智能前馈控制器单元包括炉膛出口nox浓度预测模块和前馈控制量换算模块，炉膛出口nox浓度预测模块根据锅炉侧输入参数实时预测所述炉膛出口nox浓度，前馈控制量换算模块将炉膛出口nox浓度测量值实时预测值换算为前馈控制量；

所述前馈控制量换算模块将炉膛出口nox浓度预测值实时换算为阀门开度变化量，作为前馈控制量，其换算公式为：

δy＝k·δn+b(2)

其中，δn为阀门开度变化量，δcnox是炉膛出口nox浓度变化量，为炉膛出口nox浓度实时预测值与当前时刻nox浓度实际值之间的差值，单位为mg/nm³；q是烟气流量，单位为m³/h；η为脱硝效率；mnh3、mnox分别为nh3和nox的摩尔质量；δy为喷氨量变化量；喷氨量和阀门开度之间为线性函数，k和b为函数中拟合系数，计算得到的喷氨量变化量δy经过反算得到阀门开度变化量δn。

本发明的基于深度学习的火电机组脱硝系统的优化控制方法，所述炉膛出口nox浓度预测模块单元的数据构建通过以下步骤来实现：

a).锅炉侧输入参数，作为模型的输入变量，以炉膛出口nox浓度作为模型输出变量；选取以机组负荷、总风量、总燃料量代表机组燃烧特性，磨煤机给煤量一次风量对锅炉燃烧的影响，二次风门开度代表二次配风方式对燃烧影响，燃尽风门开度代表2层燃尽风影响，一次风和二次风分别影响煤粉的前期和后期燃烧状况，燃尽风使炉膛下部形成还原性氛围，降低了出口nox含量，用烟气含氧量来描述入炉氧量的影响，建立锅炉出口nox浓度预测模型；锅炉侧输入参数包括锅炉负荷、总风量、磨煤机给煤量、总燃烧量、氧量、二次风和燃尽风；

b).从机组历史数据中选取一定时间长度的稳定历史运行数据，并进行数据预处理，选取机组负荷160mw～330mw范围内历史运行数据，采样间隔为5s，剔除异常数据后，将40000组数据作为样本，其中36000组为训练数据，剩下4000作为测试数据，按公式：x′＝(2x-xmax-xmin)/(xmax-xmin)将数据归一化到[-1，1]内，得到输出后按公式x＝[x′(xmax-xmin)+xmax+xmin]/2进行反归一化。

c).采用最小二乘支持向量机算法对数据进行训练建模，并进行模型准确性验证；通过在多个负荷点上的阶跃响应试验建立多个负荷点上的线性传递函数模型，中间负荷的模型可以通过已建立的相邻负荷点上的线性传递函数模型通过插值的方法计算得出；喷氨调门本身存在开度与喷氨流量的非线性关系，在定喷氨阀前压力条件下，通过常规数据拟合的方法拟合出阀门开度与氨气流量间的非线性函数。

本发明的基于深度学习的火电机组脱硝系统的优化控制方法，所述动态矩阵控制dmc控制单元的预测控制寻优算法为：

dmc控制器单元采用dmc预测控制寻优选择范围为[uk,min，uk,max]，其中uk,min＝max[u(k-1)-δmax，ul]；uk,max＝min[u(k-1)+δmax，uh]，max()、min()分别为取大、取小函数；k表示第k个采样时刻，假设采样周期为t，则u(k)表示u(kt)即kt时刻的控制作用；

未来各个采样时刻过程输出的预测值为：

式中：y(k)表示kt时刻的过程输出，ξ为扰动，g()为基于实验数据拟合的非线性函数，m和n是非线性过程的输入和输出阶次，假设过程的未来控制作用固定不变，假定为uf；过程的未来扰动固定不变，即有：ξ(k)＝ξ(k+i)，i＝1，2，...，n；

定义预测控制的性能指标j为：

式中：r为控制系统的设定值；n为未来的最大预测步数，λ为控制增量的权系数；在各控制分量ui(i＝0，1，...，l)中找出最接近最优控制作用uop的控制分量um，是使其对应的性能指标jm满足：以被控对象的阶跃响应为模型基础，scr反应器对喷氨量实施阶跃变化，获得出口nox浓度的阶跃响应曲线。

本发明的基于深度学习的火电机组脱硝系统的优化控制方法，采用粒子群优化算法求取最优解，过程如下：

1).首先对种群大小m、优化变量个数'n、优化代数t、优化变量x的范围、遗忘因子w、学习因子c等进行初始化；

2).初始种群的适应度q表示为：

式中：y(i)为采集的第i个输出试验数据；yd(i)为采集的第i个输入作用下的辨识输出数据；m为采集到的试验数据个数；

3).粒子i的最优位置：xbesti＝(xi1,xi2,...,xin)，适应值qbesti其最好位置表示为：

4).速度vin和位置xin分别按下式进行更新：

xin(t+1)＝xin(t)+vin(t+1)(8)

式中：c1为认知因子；c2为社会因子，其值为非负常数；i＝1，2，…，m；n＝1，2，…，n；t为第t代；r1、r2为相互独立的伪随机数，其数值服从[0，1]均匀分布；为惯性权重；xbestin为第n次寻优粒子i的最优位置；xbestgn为第n次寻优粒子群经历的最优位置；

5).计算种群中每个粒子新的适应度；

6).比较xbestin和xbestgn的数值，若是优越则被重新替换掉；

7).判断是否满足精度和进化代数的要求，若满足，则跳出循环；若不满足，则转至第4)步继续执行程序，直到满足为止，从而实现参数寻优。

本发明的有益效果是：本发明的基于深度学习的火电机组脱硝系统及优化控制方法，根据电厂scr脱硝系统的运行状况，借鉴传统的控制方法，在研究现场工程实际控制系统的基础上，结合相关scr脱硝系统控制理论，通过采集现场历史数据，在保持现场实际控制算法不变的基础上，采用智能辨识的方法，发挥深度自学习技术、预测控制技术和参数自整定技术等先进控制技术，建立了scr脱硝系统数学模型，并采用工程性强的仿人智能算法，实现scr系统精准喷氨控制，解决系统响应时间慢和参数波动大等问题，确保系统的控制品质。通过项目的实际应用，控制效果上不仅有效地减小了nox的波动量，提高控制系统响应速度，而且有效减少了氨气使用量，同时对于保持设备健康水平、延长机组寿命和保持最佳运行工况，提高机组经济性都十分有利，有明显的经济效益，确保了scr脱硝系统的稳定与经济运行。

附图说明

图1为现有scr脱硝系统的基本流程图；

图2为现有scr脱硝系统所采用的pid控制原理图；

图3为本发明的基于深度学习理论的原理图；

图4为本发明的基于深度学习的火电机组脱硝系统的原理图。

图中：1nox浓度目标值设置单元，2动态矩阵控制dmc控制单元，3pid控制单元，4喷氨阀门，5scr反应器，6阀门开度约束单元，7炉膛出口nox浓度预测模块单元，8智能前馈控制器单元。

具体实施方式

下面结合附图与实施例对本发明作进一步说明。

如图1所示，给出了现有scr脱硝系统的基本流程图，scr烟气脱硝系统布置在省煤器与空预器之间，该区域烟温通常300～500℃，scr烟气脱硝系统的催化剂活性较强，更加有利于氨气与nox发生氧化还原反应。scr烟气脱硝系统主要包括喷氨格栅、导流板、整流器、催化剂、scr反应器等。烟气从省煤器出口水平烟道引出，进入scr反应器入口上升烟道的竖直连接处与喷氨格栅中喷出的氨气进行混合，经过整流器垂直向下，通过scr反应器中布置的脱硝催化剂发生氧化还原反应，将烟气中nox转化成氮气和水，实现烟气脱硝的目的。主要包括以下反应：

4no+4nh3+o2→4n2+6h2o(1)

6no+4nh3→5n2+6h2o(2)

6no2+8nh3→7n2+12h2o(3)

2no2+4nh3+o2→3n2+6h2o(4)

煤电厂发电机组中锅炉尾部烟气中的nox约95％以no形态存在，因此在研究scr脱硝时主要考虑no的影响。锅炉烟气含氧量通常在2.5％以上，这对scr脱硝反应而言，氧气是存在且过量的。因此，在scr烟气脱硝过程中方程(1)是最主要的反应。

如图2所示，给出了现有scr脱硝系统所采用的pid控制原理图，其基本控制策略为：采用采集scr系统入口、出口氮氧化物浓度，然后再进行pid反馈控制。该控制方式下的设定值为氨氮摩尔比或者脱硝效率，控制系统根据当前的烟气流量、scr入口nox浓度和设定氨氮摩尔比计算出nh3流量需求，最终通过流量pid改变氨气阀开度来调节nh3实际流量，这种控制方式近似于开环控制。氨氮摩尔比是评价scr脱硝系统经济性的指标，在相同的脱硝效率下，nh3/nox摩尔比越高，所需的还原剂就越多，脱硝运行所需的费用就会越高。事实上由于脱硝被控对象(nh3流量→烟囱入口nox浓度)的响应纯延迟时间接近3分钟，整个响应过程长达十几分钟，是典型的大滞后被控对象，而且scr脱硝过程本身就是一个复杂的非线性化学反应过程，并随着崔化剂的不断消耗，脱硝被控过程的动态特性会发生较大的变化。因此，采用传统pid控制方案很难取得理想的控制品质。主要存在以下问题：

1.入口、出口氮氧化物浓度采样管线比较长，造成测量纯迟延较大，测量值一般存在2～3分钟延迟，特别是入口nox浓度是影响脱硝效率最直接因素。

2.现有系统采用取样的测量方式，导致测量数据不能代表整个截面平均浓度。

3.采用pid控制，pid参数在初始设定好后就不再改变，所以在机组负荷运行工况变化时，脱硝系统调整不及时，容易出现超标排放。

4.为了保证达标排放，一般将pid参数的设定值偏低，导致喷氨量过大，控制系统超调量较大，系统响应速率较低，不仅浪费还原剂，还增加了后续设备堵塞的风险。

scr脱硝系统反应机理复杂，具有大惯性、非线性等特征，在建立火电机组的脱硝控制模型时，由于反应器内部存在吸附、脱附的物理现象，又有催化还原的化学反应，反应器内的浓度、温度及催化剂活性都会对反应产生影响，这使得模型的输入与输出之间具有非线性、强耦合的特点，建立一个能精确反映其输入与输出非线性关系的机理模型非常困难。但dcs(集散控制系统)系统中存储着海量的运行历史数据，其中蕴含着大量有用信息，因此可以利用实验建模方法建立scr系统模型，从而获得更精确的计算结果。

如图4所示，给出了本发明的基于深度学习的火电机组脱硝系统的原理图，其由nox浓度目标值设置单元1、动态矩阵控制dmc控制单元2、pid控制单元3、喷氨阀门4、scr反应器5、炉膛出口nox浓度预测模块单元7以及智能前馈控制器单元8组成，所示的炉膛出口nox浓度预测模块单元的输入端连接有锅炉负荷、总风量、磨煤机给煤量、总燃烧量、氧量、二次风和燃尽风信号，炉膛出口nox浓度预测模块单元输出的nox浓度预测信号与智能前馈控制器单元的输入端相连接，智能前馈控制器单元的输入端连接有scr入口nox浓度测量值信号和scr出口nox浓度测量值信号；scr反应器的输入端连接有反应温度、烟气流量和炉膛出口nox信号。

nox浓度目标值设置单元(1)输出的nox浓度目标值与scr出口nox浓度测量值经相减运算后输入至动态矩阵控制dmc控制单元的输入端；动态矩阵控制dmc控制单元的输出信号与智能前馈控制器单元输出的前馈控制量相加运算后，再与喷氨阀门的输出信号相减运算后输入至pid控制单元的输入端，pid控制单元的输出信号与喷氨阀门相连接，由于对喷氨阀门的开度进行控制；所述喷氨阀门的输出与scr反应器的输入相连接。

本发明的基于深度学习的火电机组脱硝系统的优化控制方法，通过以下步骤来实现：

首先以目标电厂运行的历史数据和实时数据为基础，进行数据建模，并以锅炉侧可调参数作为输入，以scr出口nox浓度测量值为输出，利用最小二乘支持向量机算法构建预测模型，预测模型用来构建喷氨量控制策略中的智能前馈控制器单元；然后以动态矩阵控制dmc控制单元为主控制器，pid为副控制器，构建串级反馈控制结构；运行过程中，智能前馈控制器单元根据锅炉侧的参数变化实时输出前馈控制信号，快速响应机组工况的变化，与反馈控制共同构成scr系统喷氨量优化控制策略，实现喷氨量的快速准确控制；以遗传算法和粒子群算法等自学习技术对输入参数进行寻优，基于最小二乘支持向量机建立nox排放量预测模型进行系统滚动优化。

采用智能算法建立燃煤机组nox排放预测模型并进行比较分析，在预测的基础上采用预测控制技术实现精准的喷氨控制。通过系统历史、实时运行数据对脱硝系统进行模型辨识，更好地反映闭环系统的运行特性，同时采用工程性强的仿人智能算法，在采用最小二乘支持向量机ls-svm建立锅炉nox排放模型的基础上，利用遗传算法对模型参数进行优化，并与采用数据建模的实时性和准确性进行对比分析。遗传算法和粒子群算法对输入参数进行寻优、优化nox预测模型参数的收敛速度和准确性进行分析比较；采用基于最小二乘支持向量机ls-svm建立nox排放量预测模型，利用预测控制技术实现喷氨量的精准控制和滚动优化问题。

所述智能前馈控制器单元包括炉膛出口nox浓度预测模块和前馈控制量换算模块，炉膛出口nox浓度预测模块根据锅炉侧输入参数实时预测所述炉膛出口nox浓度，前馈控制量换算模块将炉膛出口nox浓度测量值实时预测值换算为前馈控制量；

所述前馈控制量换算模块将炉膛出口nox浓度预测值实时换算为阀门开度变化量，作为前馈控制量，其换算公式为：

δy＝k·δn+b(2)

其中，δn为阀门开度变化量，δcnox是炉膛出口nox浓度变化量，为炉膛出口nox浓度实时预测值与当前时刻nox浓度实际值之间的差值，单位为mg/nm³；q是烟气流量，单位为m³/h；η为脱硝效率；mnox分别为nh3和nox的摩尔质量；δy为喷氨量变化量；喷氨量和阀门开度之间为线性函数，k和b为函数中拟合系数，计算得到的喷氨量变化量δy经过反算得到阀门开度变化量δn。

所述炉膛出口nox浓度预测模块单元(7)的数据构建通过以下步骤来实现：

a).锅炉侧输入参数，作为模型的输入变量，以炉膛出口nox浓度作为模型输出变量；选取以机组负荷、总风量、总燃料量代表机组燃烧特性，磨煤机给煤量一次风量对锅炉燃烧的影响，二次风门开度代表二次配风方式对燃烧影响，燃尽风门开度代表2层燃尽风影响，一次风和二次风分别影响煤粉的前期和后期燃烧状况，燃尽风使炉膛下部形成还原性氛围，降低了出口nox含量，用烟气含氧量来描述入炉氧量的影响，建立锅炉出口nox浓度预测模型；锅炉侧输入参数包括锅炉负荷、总风量、磨煤机给煤量、总燃烧量、氧量、二次风和燃尽风；

b).从机组历史数据中选取一定时间长度的稳定历史运行数据，并进行数据预处理，选取机组负荷160mw～330mw范围内历史运行数据，采样间隔为5s，剔除异常数据后，将40000组数据作为样本，其中36000组为训练数据，剩下4000作为测试数据，按公式：x′＝(2x-xmax-xmin)/(xmax-xmin)将数据归一化到[-1，1]内，得到输出后按公式x＝[x′(xmax-xmin)+xmax+xmin]/2进行反归一化。

c).采用最小二乘支持向量机算法对数据进行训练建模，并进行模型准确性验证；通过在多个负荷点上的阶跃响应试验建立多个负荷点上的线性传递函数模型，中间负荷的模型可以通过已建立的相邻负荷点上的线性传递函数模型通过插值的方法计算得出；喷氨调门本身存在开度与喷氨流量的非线性关系，在定喷氨阀前压力条件下，通过常规数据拟合的方法拟合出阀门开度与氨气流量间的非线性函数。

所述动态矩阵控制dmc控制单元(2)的预测控制寻优算法为：

dmc控制器单元采用dmc预测控制寻优选择范围为[uk,min，uk,max]，其中uk,min＝max[u(k-1)-δmax，ul]；uk,max＝min[u(k-1)+δmax，uh]，max()、min()分别为取大、取小函数；k表示第k个采样时刻，假设采样周期为t，则u(k)表示u(kt)即kt时刻的控制作用；

未来各个采样时刻过程输出的预测值为：

式中：y(k)表示kt时刻的过程输出，ξ为扰动，g()为基于实验数据拟合的非线性函数，m和n是非线性过程的输入和输出阶次，假设过程的未来控制作用固定不变，假定为uf；过程的未来扰动固定不变，即有：ξ(k)＝ξ(k+i)，i＝1，2，...，n；

定义预测控制的性能指标j为：

式中：r为控制系统的设定值；n为未来的最大预测步数，λ为控制增量的权系数；在各控制分量ui(i＝0，1，...，l)中找出最接近最优控制作用uop的控制分量um，是使其对应的性能指标jm满足：以被控对象的阶跃响应为模型基础，scr反应器对喷氨量实施阶跃变化，获得出口nox浓度的阶跃响应曲线。

运用控制参数的自学习整定技术，提高了火电机组脱硝系统控制器的自适应能力。本系统采用遗传算法和粒子群算法对输入参数进行寻优、优化nox预测模型参数的收敛速度和准确性进行分析比较，实时校正机组运行中与控制系统密切相关的各种特性参数，并根据这些特性参数实时计算控制系统回路中的各项控制参数，使得整个系统始终处于在线学习的状态，控制性能不断向最优目标逼近，提高了系统的响应速度和对抗外部干扰的能力。

针对上面存在的问题，本项目采用粒子群优化(particleswarmoptimization，pso)算法求取最优解。pso算法是模拟鸟群觅食的寻优算法，属于进化算法的一种，pso算法是从随机解出发，将优化问题的最优解视为解空间中的一个粒子，通过不断对高维空间进行搜索来确定最优解。在搜索过程中，通过适应度函数的计算，每个粒子都有一个适应度与之对应。同时，粒子还通过速度函数确定其搜索的方向和步长，然后粒子就跟随当前的最优粒子在解空间中不断搜索，因此pso算法具有简单、容易实现、调整参数少的优点。

采用粒子群优化算法求取最优解，过程如下：

1).首先对种群大小m、优化变量个数'n、优化代数t、优化变量x的范围、遗忘因子w、学习因子c等进行初始化；

2).初始种群的适应度q表示为：

式中：y(i)为采集的第i个输出试验数据；yd(i)为采集的第i个输入作用下的辨识输出数据；m为采集到的试验数据个数；

3).粒子i的最优位置：xbesti＝(xi1,xi2,...,xin)，适应值qbesti其最好位置表示为：

4).速度vin和位置xin分别按下式进行更新：

xin(t+1)＝xin(t)+vin(t+1)(8)

式中：c1为认知因子；c2为社会因子，其值为非负常数；i＝1，2，…，m；n＝1，2，…，n；t为第t代；r1、r2为相互独立的伪随机数，其数值服从[0，1]均匀分布；为惯性权重；xbestin为第n次寻优粒子i的最优位置；xbestgn为第n次寻优粒子群经历的最优位置；

5).计算种群中每个粒子新的适应度；

6).比较xbestin和xbestgn的数值，若是优越则被重新替换掉；

7).判断是否满足精度和进化代数的要求，若满足，则跳出循环；若不满足，则转至第4)步继续执行程序，直到满足为止，从而实现参数寻优。

本方案的实施基于脱硝优化控制系统实现，基于深度学习的火电机组脱硝系统核心为一个高性能服务器，通过数据采集卡件，从dcs系统获得计算所需参数(机组负荷、一次风量、二次风量、总煤量、磨煤机运行状态等锅炉运行参数)，经过计算后，通过ao/do输出模件再返回原dcs系统，实现闭环控制。控制器与原dcs系统通信采用modbus485等通信方式，可以与国内主流dcs系统进行双向通信。脱硝优化控制器与dcs现场控制器可以实现无扰切换。

优化控制器中主要包括系统核心算法计算模块、i/o输入输出模块和通信模块等，系统通信模块主要负责实现与dcs进行数据采集通讯；核心算法模块主要是实现各种控制算法计算、优化。系统运行时，首先通过系统通信模块采集运行数据，然后输入到核心算法模块，核心算法模块再通过i/o输出到dcs系统，从而实现闭环控制。

基于深度学习的火电机组脱硝系统是一个集建模、调试、面向热力系统对象的综合性多用途软件，以计算机操作系统为基础，借助visualstadio软件，使用计算机程序设计语言混合编制算法，构建算法库，为用户提供了一个便于系统模型功能的修改及扩展。基于深度学习的火电机组脱硝系统功能完善，平台集成度高，资源所占空间小，支持在windows98及以上操作系统版本上运行。