海水脱硫装置脱硫效率的神经网络模拟方法
【专利摘要】本发明是一种海水脱硫装置脱硫效率的神经网络模拟方法，其特点是：根据热电厂海水脱硫装置实际运行情况，将海水脱硫系统运行过程中采集的多组烟气量、入口烟气SO2浓度、海水量、海水温度、第一升压泵电流A、第二升压泵电流B等参数作为BP神经网络模型的输入，将海水脱硫效率作为BP神经网络的输出。确定BP神经网络的输入层节点个数、隐含层节点个数、权值和阈值参数对模型进行训练，建立六个脱硫参数与脱硫效率的非线性函数关系。再将实时监测的参数导入建立好的模型中进行仿真输出，对海水脱硫效率作出预测。此方法能更好地对复杂变化的工况进行预测。
【专利说明】
海水脱硫装置脱硫效率的神经网络模拟方法
技术领域
[0001 ]本发明涉及一种海水脱硫装置脱硫效率神经网络模拟方法。
【背景技术】
[0002] 海水脱硫是以天然海水作为吸收剂脱除烟气中S02的湿法脱硫技术具有脱硫效率 高、无二次污染、投资运营成本低等优点目前国内已有十几家燃煤电厂海水脱硫工程投运， 海水脱硫在未来具有较好的应用前景。
[0003] 现有的海水脱硫模型研究大多是对脱硫过程传质过程数值模拟和实验室模型装 置的研究，研究液气比、烟气温度、烟气中S02浓度、海水盐度和海水温度等因素对脱硫效率 的影响，对实验室条件下的实验模拟效果良好，在应用于实际脱硫装置的工况预测和运行 优化调整过程中，往往出现工艺参数预测偏差较大，对于变化工况预测精度差等问题。同时 模型的算法复杂，对于实际工程应用复杂的非线性系统数学建模也比较困难。
【发明内容】
[0004] 技术问题:本发明的目的是提出一种海水脱硫装置脱硫效率神经网络模拟方法， 利用神经网络模型对海水脱硫系统的效率进行预测，能够实现对电厂复杂变化工况条件下 对脱硫效率的实时监测。
[0005] 技术方案:本发明的一种海水脱硫装置脱硫效率的神经网络模拟方法，包括以下 步骤：
[0006] 1).根据电厂海水脱硫装置的实际运行情况，选取烟气量X1、入口烟气中so 2浓度 X2、海水量X3、海水温度X4、第一海水升压栗电流Ax5、第二海水升压栗电流BX6作为BP神经网 络模型的输入变量，海水脱硫效率为输出变量；
[0007] 2).从电厂海水脱硫数据库中导出在线监测小时数据，排除脱硫停运和仪表故障 原因造成的异常数据，选取正常运行400组工况数据作为训练样本，20组工况数据为测试样 本，确定3层BP神经网络输入层节点个数n = 6、隐含层节点个数q=12、输出层节点个数为1 =1;隐含层传递函数采用S型正切函数tansig，输出层神经元传递函数采用S型正切对数函 数logsig，训练函数trainlm建立BP神经网络模型；
[0008] 3).利用步骤2)中建立的神经网络模型，对训练样本和测试样本进行脱硫效率仿 真输出。
[0009] 其中：
[0010] 所述步骤2)中排除脱硫停运和仪表故障原因造成的异常数据，具体排除方法为： 工况数据异常有以下几种表现：出口 S02浓度、出口烟气量、长期接近恒值、排放数据徒升徒 降、海水升压栗电流为零、出口流量不随负荷变化，出现这些情况的工况数据进行排除。
[0011] 所述步骤2)中，隐含层节点个数q的确定方法为:根据经验公式：
[0012] q = + a (1)
[0013] q = log2n (2)
[0014] q = 4nl (3)
[0015] 其中q为隐含层节点个数，n为输入层节点个数，1为输出层节点个数，a为1~10之 间的常数；
[0016] 米用经验公式g = "s//7 + /十.fif确定q的取值范围为[4,13]，在此范围内米用列举法 选取训练误差最小的隐含层节点个数，最终确定q = 12。
[0017] 有益效果:本发明海水脱硫装置脱硫效率神经网络模拟方法，具有以下几个方面 的优点：
[0018] 1.利用神经网络模型对海水脱硫系统的效率进行预测，能够实现对电厂复杂变化 工况条件下对脱硫效率的实时监测，方法科学合理；
[0019] 2.可以实现对电厂在线监测数据的合理利用，从系统角度实现海水脱硫装置运行 的优化，不需要增添新设备，成本较低；
[0020] 3.相比传统的数学模型，本发明神经网络模型，预测结果稳定，准确性高。
【附图说明】
[0021] 图1为本发明的海水脱硫装置脱硫效率神经网络模型结构图。
[0022] 图2为本发明的训练样本海水脱硫效率仿真输出与实际值比较图。
[0023] 图3为本发明的测试样本海水脱硫效率仿真输出与实际值比较图。
【具体实施方式】
[0024] (1)对海水脱硫系统的运营参数进行采集，选取烟气量X1、入口烟气中S0 2浓度X2、 海水量X3、海水温度X4、海水升压栗电流AX5、海水升压栗电流BX6作为BP神经网络模型的输 入变量，海水脱硫效率为输出变量;选取海水脱硫装置正常运行400组数据作为训练样本； [0025] (2)对运行参数进行归一化处理，利用归一化函数mapminmax，定义ps .min = 0,将 各参数归一到[0，1 ]之间，映射函数为：
[0027]其中x为原始数据，Xmax和Xmin分别为数据的最大值和最小值；
[0028] (3)利用归一化的海水脱硫监测数据作为训练样本，确定BP神经网络结构为3层， 其中输入层节点个数为6,隐含层节点个数为12,输出层节点个数为1;
[0029] (4)进行仿真测试，将模型预测的结果与测试实际结果进行对比分析
[0030] 所述步骤（1)中的具体方法为：为保证训练的模型在之后的预测中具有较好的适 应性，应排除脱硫停运、关联度异常（出口流量不随负荷变化）、数据长期接近恒值等异常数 据，选取烟气量Xi、入口烟气中S0 2浓度X2、海水量X3、海水温度X4、海水升压栗电流Ax5、海水 升压栗电流Bx 6作为BP神经网络模型的输入变量，海水脱硫效率为输出变量；
[0031] 所述步骤(3)中具体方法包括:输入层节点个数n = 6,输出层节点个数1 = 1，隐含 层节点个数q，由经验公式4=^/0 +?，a为[1，10]之间的常数，确定范围为[4,13]，利 用穷举法对模型进行试算，最终确定隐含层神经元个数为q，确定BP神经网络拓扑结构为n-q-1；
[0032]所述步骤(4)中，模型进行仿真输出具体的分析计算方法为:分别计算隐含层节点 和输出层节点的输出，定义神经网络的期望输出，将计算的输出误差展开到隐含层和输入 层之中，按照权值和负梯度浓度成正比的算法调整权值，直至达到目标误差值为止；
[0033]所述步骤(4)中，隐含层节点的输出：
[0034] 乃二 /(2^VXV- A)二/(他/)⑴ i
[0035] 其中f为传递函数，为输入层至隐含层之间的权值，0」为隐含层阈值，Xl为输入 层变量；
[0036]输出层节点输出为：
[0037] A = ./、(Sv")'r 务)⑵ J
[0038] 其中vij为隐含层至输出层之间的权值，0i为输出层阈值；
[0039] 定义网络输出Z1和期望值。之间的误差为E:
[0041 ]权值按照和负梯度浓度成正比算法调整：
[0044]式中q为学习速率，A Vlj为隐含层至输出层权值调整量，A 为输入层至隐含层 权值调整量；
[0045]下面结合附图和具体实施例，对本发明做进一步的详细说明；
[0046]如附图图2所示，本发明的具体步骤为：
[0047]首先在海水脱硫运行参数中选取烟气量X1、入口烟气中S02浓度x2、海水量 X3、海水 温度X4、海水升压栗电流Ax5、海水升压栗电流BX6作为BP神经网络模型的输入变量，海水脱 硫效率为输出变量;然后对训练数据进行归一化处理，利用公式：
[0049] 其中xmax、xmin为输入变量的最大值和最小值，x '为归一化之后的值，归一化之后的 数据作为输入数据使用；
[0050] 然后确定BP神经网络的结构：网络为3层，即输入层、隐含层和输出层，隐含层的神 经元采用S型变化函数。隐含层神经元个数，由经验公式确定范围由4到13个，由于每次神经 网络的权值和阈值是随机生成，因此选取一个神经元个数进行多次训练计算相应的神经元 个数下的平均测试误差；
[0051] 将得到的电厂监测数据分为两组:400组训练样本和20组测试样本，定义其他训练 参数，训练误差设为0.001，训练步数设置为500; BP神经网络训练方法是:对于给定的输入 数据，从输入层传递到隐含层，隐含层通过权值和激励函数将结果传递给输出层，输出层的 结果通期望输出结果比较，再反向对神经网络权值进行反馈修正，直至误差值达到预设最 小误差；定义输入层节点^，隐含层节点5^，输出层节点zl，输入层至隐含层连接权值为 ，隐含层指数出层连接权值为VI』，隐含层阈值为t输出层阈值为01，隐含层节点输出 为：
[0052] A = /(X⑴/'.-V- % 狀，,）⑴ i
[0053]输出层节点输出为：
[0054] A=,(EV")，rC> = /(W/'')(2)
[0055] 定义网络输出和期望值之间的误差为E:
[0057]权值按照和负梯度浓度成正比算法调整：
[0060]运用所建立的BP神经网络，对20组测试样本进行仿真输出，结果表明误差较小，预 测准确率高。
[0061]上述说明并非是对本发明的限制，本发明不仅限于上述举例，在本发明实质范围 内的改动、变型亦属于本发明的保护范围。
【主权项】
1. 一种海水脱硫装置脱硫效率的神经网络模拟方法，其特征是：该模拟方法包括W下 步骤： 1) .根据电厂海水脱硫装置的实际运行情况，选取烟气量XI、入口烟气中S〇2浓度X2、海 水量X3、海水溫度X4、第一海水升压累电流Ax5、第二海水升压累电流BX6作为BP神经网络模 型的输入变量，海水脱硫效率为输出变量； 2) .从电厂海水脱硫数据库中导出在线监测小时数据，排除脱硫停运和仪表故障原因 造成的异常数据，选取正常运行400组工况数据作为训练样本，20组工况数据为测试样本， 确定3层BP神经网络输入层节点个数n = 6、隐含层节点个数q=12、输出层节点个数为1 = 1; 隐含层传递函数采用S型正切函数tansig，输出层神经元传递函数采用S型正切对数函数 Iogsig，训练函数trainlm建立BP神经网络模型； 3) .利用步骤2)中建立的神经网络模型，对训练样本和测试样本进行脱硫效率仿真输 出。2. 如权利要求1所述的海水脱硫装置脱硫效率的神经网络模拟方法，其特征是:所述步 骤2)中排除脱硫停运和仪表故障原因造成的异常数据，具体排除方法为:工况数据异常有 W下几种表现：出口 S〇2浓度、出口烟气量、长期接近恒值、排放数据徒升徒降、海水升压累 电流为零、出口流量不随负荷变化，出现运些情况的工况数据进行排除。3. 如权利要求1所述的海水脱硫装置脱硫效率的神经网络模拟方法，其特征是:所述步 骤2)中，隐含层节点个数q的确定方法为:根据经验公式：(1) (3) 其中q为隐含层节点个数，n为输入层节点个数，1为输出层节点个数，a为1~10之间的常数； 采用经验公式 I定q的取值范围为[4，13]，在此范围内采用列举法选取 训练误差最小的隐含层节点个数，最终确定q = 12。
【文档编号】G06F17/50GK105912822SQ201610305936
【公开日】2016年8月31日
【申请日】2016年5月10日
【发明人】尹贺贺, 沈凯, 徐海涛, 周长城
【申请人】东南大学