CN105912822B - 海水脱硫装置脱硫效率的神经网络模拟方法 - Google Patents
海水脱硫装置脱硫效率的神经网络模拟方法 Download PDFInfo
- Publication number
- CN105912822B CN105912822B CN201610305936.4A CN201610305936A CN105912822B CN 105912822 B CN105912822 B CN 105912822B CN 201610305936 A CN201610305936 A CN 201610305936A CN 105912822 B CN105912822 B CN 105912822B
- Authority
- CN
- China
- Prior art keywords
- seawater
- neural network
- desulfurization
- hidden layer
- output
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 239000013535 sea water Substances 0.000 title claims abstract description 61
- 238000006477 desulfuration reaction Methods 0.000 title claims abstract description 52
- 230000023556 desulfurization Effects 0.000 title claims abstract description 47
- 238000000034 method Methods 0.000 title claims abstract description 25
- 238000004088 simulation Methods 0.000 title claims abstract description 16
- 210000002569 neuron Anatomy 0.000 title claims abstract description 9
- 238000013528 artificial neural network Methods 0.000 claims abstract description 18
- 238000003062 neural network model Methods 0.000 claims abstract description 14
- 239000003546 flue gas Substances 0.000 claims abstract description 11
- 238000012544 monitoring process Methods 0.000 claims abstract description 7
- UGFAIRIUMAVXCW-UHFFFAOYSA-N Carbon monoxide Chemical compound [O+]#[C-] UGFAIRIUMAVXCW-UHFFFAOYSA-N 0.000 claims abstract description 5
- 238000012549 training Methods 0.000 claims description 18
- 238000012360 testing method Methods 0.000 claims description 10
- 230000002159 abnormal effect Effects 0.000 claims description 6
- 238000012546 transfer Methods 0.000 claims description 6
- 239000000779 smoke Substances 0.000 claims description 5
- 230000008859 change Effects 0.000 claims description 4
- 230000007774 longterm Effects 0.000 claims description 3
- 238000013459 approach Methods 0.000 claims description 2
- 230000003247 decreasing effect Effects 0.000 claims 1
- 230000008569 process Effects 0.000 abstract description 5
- 239000007789 gas Substances 0.000 abstract description 4
- 230000006870 function Effects 0.000 description 10
- 238000004422 calculation algorithm Methods 0.000 description 4
- 238000010606 normalization Methods 0.000 description 3
- 238000011160 research Methods 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 2
- 239000002250 absorbent Substances 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000005284 excitation Effects 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000013178 mathematical model Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/30—Circuit design
- G06F30/36—Circuit design at the analogue level
- G06F30/367—Design verification, e.g. using simulation, simulation program with integrated circuit emphasis [SPICE], direct methods or relaxation methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02E—REDUCTION OF GREENHOUSE GAS [GHG] EMISSIONS, RELATED TO ENERGY GENERATION, TRANSMISSION OR DISTRIBUTION
- Y02E60/00—Enabling technologies; Technologies with a potential or indirect contribution to GHG emissions mitigation
Landscapes
- Engineering & Computer Science (AREA)
- Computer Hardware Design (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computational Linguistics (AREA)
- Health & Medical Sciences (AREA)
- Microelectronics & Electronic Packaging (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Geometry (AREA)
- Data Mining & Analysis (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Treating Waste Gases (AREA)
Abstract
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。
Description
技术领域
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
海水脱硫是以天然海水作为吸收剂脱除烟气中SO2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。
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SO2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
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。
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：
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SO2浓度x2、海水量x3、海水温度x4、第一海水升压泵电流Ax5、第二海水升压泵电流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l＝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；
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。
其中：
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SO2浓度、出口烟气量、长期接近恒值、排放数据徒升徒降、海水升压泵电流为零、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。
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：
q＝log2n (2)
其中q为隐含层节点个数，n为输入层节点个数，l为输出层节点个数，a为1～10之间的常数；
采用经验公式确定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。
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：
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；
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；
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
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。
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。
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
(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SO2浓度x2、海水量x3、海水温度x4、海水升压泵电流Ax5、海水升压泵电流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；
(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：
其中x为原始数据，xmax和xmin分别为数据的最大值和最小值；
(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；
(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
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x1、入口烟气中SO2浓度x2、海水量x3、海水温度x4、海水升压泵电流Ax5、海水升压泵电流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；
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l＝1，隐含层节点个数q，由经验公式：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-l；
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；
所述步骤(4)中，隐含层节点的输出：
其中f为传递函数，ωji为输入层至隐含层之间的权值，θj为隐含层阈值，xi为输入层变量；
输出层节点输出为：
其中νlj为隐含层至输出层之间的权值，θl为输出层阈值；
定义网络输出zl和期望值tl之间的误差为E：
权值按照和负梯度浓度成正比算法调整：
式中η为学习速率，Δvlj为隐含层至输出层权值调整量，Δωji为输入层至隐含层权值调整量；
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；
如附图图2所示，本发明的具体步骤为：
首先在海水脱硫运行参数中选取烟气量x1、入口烟气中SO2浓度x2、海水量x3、海水温度x4、海水升压泵电流Ax5、海水升压泵电流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：
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；
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；
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xi，隐含层节点yj，输出层节点z1，输入层至隐含层连接权值为ωji，隐含层指数出层连接权值为vlj，隐含层阈值为θj，输出层阈值为θl，隐含层节点输出为：
输出层节点输出为：
定义网络输出和期望值之间的误差为E：
权值按照和负梯度浓度成正比算法调整：
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。
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。
Claims (1)
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：该模拟方法包括以下步骤：
1).根据电厂海水脱硫装置的实际运行情况，选取烟气量x1、入口烟气中SO2浓度x2、海水量x3、海水温度x4、第一海水升压泵电流Ax5、第二海水升压泵电流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l＝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；
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；
其中，
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SO2浓度、出口烟气量、长期接近恒值、排放数据徒升徒降、海水升压泵电流为零、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;
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：
q＝log2n (2)
其中q为隐含层节点个数，n为输入层节点个数，l为输出层节点个数，a为1～10之间的常数；
采用经验公式确定q的取值范围为[4,12]，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。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201610305936.4A CN105912822B (zh) | 2016-05-10 | 2016-05-10 | 海水脱硫装置脱硫效率的神经网络模拟方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201610305936.4A CN105912822B (zh) | 2016-05-10 | 2016-05-10 | 海水脱硫装置脱硫效率的神经网络模拟方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN105912822A CN105912822A (zh) | 2016-08-31 |
| CN105912822B true CN105912822B (zh) | 2019-08-20 |
Family
ID=56748114
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201610305936.4A Active CN105912822B (zh) | 2016-05-10 | 2016-05-10 | 海水脱硫装置脱硫效率的神经网络模拟方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN105912822B (zh) |
Families Citing this family (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109420424A (zh) * | 2017-08-22 | 2019-03-05 | 邢台国泰发电有限责任公司 | 一种石灰石-石膏湿法烟气脱硫系统节能优化方法 |
| CN109034260B (zh) * | 2018-08-07 | 2021-12-03 | 东南大学 | 基于统计原理和智能寻优的脱硫塔氧化风机故障诊断系统及方法 |
| CN109948869B (zh) * | 2019-04-22 | 2020-11-13 | 东南大学 | 基于有序聚类离散化的脱硫系统so2出口浓度预测方法 |
| CN111882006A (zh) * | 2020-09-28 | 2020-11-03 | 大唐环境产业集团股份有限公司 | 一种基于pca和相关函数的脱硫系统数据预处理方法 |
| CN113908673A (zh) * | 2021-09-30 | 2022-01-11 | 湖北华电襄阳发电有限公司 | 一种基于极限学习机的湿法脱硫效率预测系统及方法 |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104316341A (zh) * | 2014-11-17 | 2015-01-28 | 金陵科技学院 | 一种基于bp神经网络的地下结构损伤识别方法 |
| CN105498497A (zh) * | 2016-01-05 | 2016-04-20 | 中国科学院自动化研究所 | 多变量控制的烟气脱硫脱硝一体化设备及其控制方法 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US7634417B2 (en) * | 2004-08-27 | 2009-12-15 | Alstom Technology Ltd. | Cost based control of air pollution control |
-
2016
- 2016-05-10 CN CN201610305936.4A patent/CN105912822B/zh active Active
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104316341A (zh) * | 2014-11-17 | 2015-01-28 | 金陵科技学院 | 一种基于bp神经网络的地下结构损伤识别方法 |
| CN105498497A (zh) * | 2016-01-05 | 2016-04-20 | 中国科学院自动化研究所 | 多变量控制的烟气脱硫脱硝一体化设备及其控制方法 |
Non-Patent Citations (2)
| Title |
|---|
| TIO_2光催化同时脱硫脱硝效率预测研究;靳晓洁;《中国优秀硕士学位论文全文数据库工程科技I辑》;20100315(第03期);B027-118 |
| 海水脱硫效率的影响因素考察;张静伟 等;《化工进展》;20091231;第28卷;第272-275页 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN105912822A (zh) | 2016-08-31 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN105912822B (zh) | 海水脱硫装置脱硫效率的神经网络模拟方法 | |
| Cheng et al. | ThermalNet: A deep reinforcement learning-based combustion optimization system for coal-fired boiler | |
| CN102411308B (zh) | 基于递归神经网络模型的溶解氧的自适应控制方法 | |
| CN111804146A (zh) | 一种智能喷氨控制方法以及智能喷氨控制装置 | |
| CN109420424A (zh) | 一种石灰石-石膏湿法烟气脱硫系统节能优化方法 | |
| RU2020141650A (ru) | Оценка сетей потоков | |
| CN102693451A (zh) | 基于多参数的氨法烟气脱硫效率预测方法 | |
| CN110716512A (zh) | 一种基于燃煤电站运行数据的环保装备性能预测方法 | |
| CN104657596A (zh) | 一种基于模型迁移的大型新压缩机性能预测快速建模方法 | |
| CN103942434A (zh) | 基于sspso-grnn的水电站厂坝结构振动响应预测方法 | |
| CN110222453A (zh) | 一种基于宽度学习系统的压缩机出口参数预测建模方法 | |
| CN106371316A (zh) | 基于pso‑lssvm的水岛加药在线控制方法和装置 | |
| CN105298734A (zh) | 一种水轮机调节系统的参数辨识方法 | |
| CN113468797A (zh) | 一种电-气综合能源系统状态估计方法和系统 | |
| CN106706491B (zh) | 膜生物反应器-mbr出水透水率的智能检测方法 | |
| CN106292289B (zh) | 流程工业控制回路对象的混合精英随机搜索优化方法 | |
| Yang et al. | Application of fuzzy neural network PID algorithm in oil pump control | |
| CN117034808A (zh) | 一种基于图注意力网络的天然气管网压力估计方法 | |
| CN106777468A (zh) | 高含硫天然气脱硫工艺强跟踪演化建模方法 | |
| Wang et al. | Rainfall-runoff simulation using simulated annealing wavelet bp neural networks | |
| CN112462708B (zh) | 一种泵站远程诊断及优化调度方法及系统 | |
| CN101478159A (zh) | 基于差分等式约束转化降阶的暂态稳定约束潮流优化方法 | |
| Juuso | Data-based development of hybrid models for biological wastewater treatment in pulp and paper industry | |
| Zhang et al. | Wavelet neural network-based short-term passenger flow forecasting on urban rail transit | |
| Grelewicz et al. | Practical Verification of the Advanced Control Algorithms Based on the Virtual Commissioning Methodology-A Case Study |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| C06 | Publication | ||
| PB01 | Publication | ||
| C10 | Entry into substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |