CN104504238A - 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 - Google Patents

Abstract

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。

Description

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

技术领域

本发明涉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

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

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，以保证指标数据的准确性。

为达到上述目的，本发明所采用的技术方案为：

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。

前述的步骤1)中，采集的样本数据表示为：X＝{x_1,x₂,…,x_k,…,x_n}∈R^M，

其中，X表示一定时间内的样本集，x_i(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。

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。

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阈值，剔除阈值范围以外的样本数据。

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：

$x_i^{\′}=\frac{x_i-\stackrel{\‾}{x}}{\sqrt{S}}$

其中，x′_i为经零均值标准差标准化后的样本数据，为样本数据的平均值；S为样本数据的标准差。

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三层网络结构；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：

其中，s为隐藏层神经元个数，l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。

前述的隐藏层神经元个数选取为12。

前述的输出层的激活函数选取线性函数：f(v)＝1·v+0＝v；

所述隐藏层的激活函数为双曲正切s型函数：

其中，v是自变量，f(v)，g(v)是函数。

前述的步骤5)中，逆标准化变换为：

$x=\sqrt{S}\·x_i^{\′}+\stackrel{\‾}{x}$

其中，x′_i为标准化后的样本数据，x为逆标准化后的数据。

通过采用上述技术手段，本发明具有如下优点：

(1)提高了脱硝系统自动诊断水平

本发明运用神经网络算法，通过机组负荷、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，预测氮氧化物排放浓度，实现了对实际测量氮氧化物率排放浓度的在线校核。

(2)降低了脱硝监控系统人员维护成本。

全省燃煤脱硝系统多达140套左右，每10秒钟采集一次数据，若单纯依靠人员手工调阅查询识别，一方面将造成极大的人员维护成本，另一方面维护人员也不可能将所有出现问题都及时发现并解决。依据本发明的方法，采用计算机程序设计，极大地降低了工作人员的工作量，降低了维护成本。

附图说明

图1为隐藏层神经元个数与模型预测误差MSE曲线图；

图2为本发明的网络结构图。

具体实施方式

现结合附图和具体实施方式对本发明作进一步详细说明。

本发明运用神经网络方法，建立氮氧化物排放浓度与机组负荷、SCR入口NOx折算浓度、SCR入口烟气温度、喷氨流量等关键指标的数学模型，以实现与实测氮氧化物排放浓度的对比分析，包括如下步骤：

(1)数据预处理

为了确保最终的工况最优模式库中样本数据的有效性，需要根据脱硝系统关键运行参数的有效性对样本数据进行预处理，剔除CEMS故障、标定期间的无效数据、异常数据。

设：样本集X＝{x₁,x₂,…,x_k,…,x_n}∈R^M，x_i(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(变量或参数个数)，在本发明中M＝5，即：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。

根据SCR脱硝系统工艺机理，合理设定关键运行参数的阈值可以对样本异常数据进行识别和剔除。阈值是根据现场测点的上下限来确定的，这个是根据安装的测点测量仪表的规格来确定的。

本发明中根据样本的数值特征，对关键运行参数的数据质量进行分析，可以在海量数据中快速查找有无出现频率过低的孤立点，结合数据变化趋势对孤立点进行评估和剔除。数值特征包括：

1)平均值

平均值是统计学中最常用的统计量，用来表明一组数据中各数值相对集中较多的中心位置。n个样本数据的平均值其计算公式为：

$\stackrel{\‾}{x}=\frac{1}{n}\·\underset{i=1}{\overset{n}{\mathrm{\Σ}}}{x}_i$

2)标准差(standard deviation)

标准差S的计算公式为：

$S=\sqrt{\frac{\underset{i=1}{\overset{n}{\mathrm{\Σ}}}{(x_i-\stackrel{\‾}{x})}^2}{n-1}}=\sqrt{\frac{n\·\underset{i=1}{\overset{n}{\mathrm{\Σ}}}{x_i}^2-{\left(\underset{i=1}{\overset{n}{\mathrm{\Σ}}}{x}_i\right)}^2}{n\·(n-1)}}$

3)变异系数(coefficient of variance)

标准差与平均值的比值称为变异系数(相对标准差、精密度)，记为C·V，计算公式为：

$C\·V=\frac{S}{\stackrel{\‾}{x}}\·100\%$

一般情况下，变异系数＞100属于强变异，介于10和100之间属于中等变异，小于10属于弱变异。变异系数越大表明数据波动幅度越大。

4)极差

极差是样本离散程度的一个简单度量，当样本中存在异常值时，会导致极差不可信。极差的计算公式为：极差＝最大值-最小值。

5)中位数

将样本数据从小到大依次排列，位于中间的那个数据被称为中位数，它描述了样本数据的中间位置。

(2)进行数据标准化变换

在实际应用中，各变量之间存在着量纲、数量级不同等方面的问题。因此，在建立神经网络模型之前，要对数据进行标准化变换。标准化方法可采用零均值标准差标准化方法或极差归一化等方法。在实践中，采用零均值标准差标准化方法能较好得调整数据分布，处理效果较好。

1)标准化变换

经零均值标准差标准化方法变换后的样本数据，其均值为0，标准差为1。标准化变换方法的计算公式为：

$x_i^{\′}=\frac{x_i-\stackrel{\‾}{x}}{\sqrt{S}}$

$\stackrel{\‾}{x}=\frac{1}{n}\underset{i=1}{\overset{n}{\mathrm{\Σ}}}{x}_i$

$S=\sqrt{\frac{1}{n-1}\underset{i=1}{\overset{n}{\mathrm{\Σ}}}{(x_i-\stackrel{\‾}{x})}^2}$

式中，x′_i为经零均值标准差标准化后的样本数据，为参数样本的平均值；S为样本参数样本的标准差。

2)逆标准化变换

对样本数据进行了标准化变换后，BP神经网络的输出结果也是标准化变换后的数据。因此，需要对BP神经网络输出的结果进行相反的处理过程(逆标准化变换)，将BP神经网络输出值还原为原量纲值。逆标准化变换的计算公式为：

$x=\sqrt{S}\·x_i^{\′}+\stackrel{\‾}{x}.$

(3)建立BP神经网络

对于多层神经网络来说，首先要确定选用几个隐藏层。

如图2所示，本发明选取的网络结构为具有一个输入层、一个输出层和一个隐藏层的三层网络结构。

输入层接受外部的输入数据，因此输入层神经元个数取决于输入向量的维数，即输入参数个数。本发明中输入向量的维数为4，即：机组负荷、SCR入口NOx折算浓度、SCR入口烟气温度、喷氨流量。因此，输入层有4个神经元。

本发明有1个输出参数，所以输出层有1个神经元，即：排口NOx折算浓度。

选取线性函数为输出层的激活函数，因此输出层神经元的输出值可以取任意值。本发明的输出层选取恒等函数为激活函数，即：放大系数k＝1，位移c＝0，激活函数形如：

f(v)＝1·v+0＝v

v是自变量；f(v)是函数。

对于用于函数逼近的BP神经网络，确定隐藏层神经元个数的经验公式如下：

$s=\sqrt{l+m}+a$

式中，s为隐藏层神经元个数；l为输入参数个数；m为输出参数个数；a为1～10之间的常数。

本发明的输入参数个数为4，输出参数个数为1，则隐藏层神经元个数在3～12之间。为了选取最佳的隐藏层神经元个数，通过尝试法，将模型的隐藏层神经元个数依次在3～12之间，分别建立预测模型，每个模型有一个误差MSE(Mean Squared Error，均方误差)的值。然后，绘制隐藏层神经元个数(横轴)-对应模型MSE(纵轴)曲线，得出预测误差MSE曲线。隐藏层神经元个数与模型预测误差MSE曲线如图1所示。从图中可以看出隐藏层神经元个数取12时，MSE达到最小，因此取该值为本发明隐藏层神经元个数。

本发明选取双曲正切s型函数作为隐藏层的激活函数，表达式为：

$g\left(v\right)=\tanh \left(v\right)=\frac{1-e^{-2\·v}}{1+e^{-2\·v}}$

其中：v是自变量；g(v)是函数，即因变量。

这个函数是作为隐藏层的激活函数，负责将隐藏层神经元的网络输入进行非线性变换，形成隐藏层神经元的输出。

该BP神经网络的输出即为燃煤机组氮氧化物排放浓度的预测值。

得到输出值后需要经逆标准化变换还原为原量纲值。

实施例：

选取某600MW等级燃煤火电机组，该机组为额定负荷600MW、超临界、SCR类型、双烟道脱硝机组，计算流程如下：

表1为该厂2014年4月25日16-24点SCR装置A侧实测数据(实际为每5分钟采集数据一次，这里省略了部分数据)。

表1 某厂SCR装置A侧实测数据

表2为该厂2014年4月25日16-24点SCR装置B侧及排口实测数据(实际为每5分钟采集数据一次，这里省略了部分数据)。

表2 某厂SCR装置B侧实测数据

按照本发明的方法，首先对样本数据进行预处理，根据表1和表2的实测数据，根据安装的测点测量仪表的规格来设定关键运行参数的阈值，如表3所示。

表3 关键运行参数的阈值

外的数据，得到预处理后的数据如表4所示(实际为每5分钟采集数据一次，这里省略了部分数据)。

表4 预处理后的关键运行参数

表4中，喷氨流量为SCR装置A侧和B侧喷氨流量之和，入口烟温为SCR装置A侧4个入口烟温和B侧4个入口烟温的平均值，入口NOx折算浓度为SCR装置A侧和B侧入口NOx折算浓度的平均值，排口NOx折算浓度根据实测的NOx浓度、氧气浓度计算得到：

其中，SCR装置A侧和B侧的入口NOx折算浓度计算公式如下：

然后对预处理后的样本数据表4进行标准化变换，结果如表5所示(实际为每5分钟采集数据一次，这里省略了部分数据)。

表5 标准化变换后的关键运行参数

最后，利用BP神经网络算法，将机组负荷、SCR入口NOx折算浓度、SCR入口烟气温度、喷氨流量作为输入层参数，输入本发明所构建的BP神经网络，输出排口NOx折算浓度，然后经逆标准变换将BP神经网络输出值排口NOx折算浓度还原为原量纲值，并与实测排口NOx折算浓度对比，如表6所示(实际为每5分钟采集数据一次，这里省略了部分数据)。

表6 排口氮氧化物折算浓度预测值与实际值对比

表6中，误差＝预测值-实际值，绝对误差＝|预测值-实际值|，相对误差＝绝对误差/实际值*100

由表6可以看出，模型的最大误差为10.11％，平均误差为1.36％，平均绝对误差为2.69％，MSE为15.08％。预测值均匀地分布在实际值两侧，说明模型对不同工况的预测效果较为平均。

在神经网络中，网络参数指网络中神经元之间的连接权值(反映神经元之间相互作用的强度)和神经元自身的偏置(反映神经元对外产生反应时的最小输入)。神经元的网络参数用于计算网络中其他神经元对某个神经元的综合影响。

在上述实施例的BP神经网络计算过程中，隐藏层网络参数如表7所示。

表7 隐藏层网络参数

输出层网络参数如表8所示。

表8 输出层网络参数

Claims (9)

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＝{x₁,x₂,...,x_k,...,x_n}∈R^M，

其中，X表示一定时间内的样本集，x_i(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。

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：

$x_i^{\′}=\frac{x_i-\stackrel{\‾}{x}}{\sqrt{S}}$

其中，x_i'为经零均值标准差标准化后的样本数据，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，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：

其中，s为隐藏层神经元个数，l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；

所述隐藏层的激活函数为双曲正切s型函数：

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：

$x=\sqrt{S}\·x_i^{\′}+\stackrel{\‾}{x}$

其中，x_i'为标准化后的样本数据，x为逆标准化后的数据。