CN106599586A - 基于神经网络的scr智能喷氨优化方法及装置 - Google Patents

Abstract

本发明公开了一种基于神经网络的SCR智能喷氨优化方法及装置，涉及燃煤脱硝技术领域。其中方法包括：在系统负荷不变时，将喷氨管栅根据区域不同划分为n个模块，调整n个喷氨模块的阀门，采集一段时间内n个喷氨模块的喷氨量作为训练输入数据，脱硝效率和氨逃逸率作为训练输出数据；利用训练输入数据和训练输出数据进行BP神经网络训练；以各个喷氨模块的喷氨量作为测试输入数据，利用训练得到的BP神经网络模型预测脱硝效率和氨逃逸；利用遗传算法在多个测试输入数据中寻找到最优值，根据最优值调整各个喷氨模块的实际喷氨量。采用本方案，可以实现喷氨量的差异化控制，提高了脱硝效率，降低了氨逃逸率，并能够灵活根据电厂的不同目标调整各喷氨模块的喷氨量。

Description

基于神经网络的SCR智能喷氨优化方法及装置

技术领域

本发明涉及燃煤脱硝技术领域，具体涉及一种基于神经网络的SCR智能喷氨优化方法及装置。

背景技术

选择性催化还原法(SCR)作为目前技术成熟、效果好的脱硝工艺被广泛应用于燃煤电厂脱硝工程。随着GB13223-2011《火力发电厂大气污染物排放标准》的实施，对NOx的排放有了更严格的限值要求，大多数燃煤电厂需加装SCR脱硝系统。

良好的NH₃/NOx混合和速度分布的均匀性是保证SCR脱硝效率、降低氨逃逸率、增加催化剂寿命的关键。在SCR系统设计过程中，通过计算流体力学(Computational FluidDynamics，CFD)方法进行反复模拟试验，优化导流装置等内构件保证烟气在反应器中流动和混合的均匀性，已经成为SCR系统设计和优化的重要手段。然而在实际过程中，由于模拟的假设偏差、施工带来的偏差以及运行工况的变化，往往导致SCR系统达不到设计的脱硝效率、氨逃逸率较高。长期运行后，还会引起空气预热器(下文简称空预器)的堵塞和腐蚀，影响机组稳定运行。

SCR脱硝系统的关键是控制喷入烟气中的喷氨量，喷氨量及其控制方式直接关系到燃煤电站锅炉脱硝效率、NOx排放浓度及氨逃逸率等指标。若喷氨量不足会导致脱硝效率低，出口NOx排放浓度不能满足国家规定允许的要求。若喷氨量过大，不仅会增加运行成本，过量的NH₃还会与烟气中的SO₃反应生成铵盐，由于铵盐具有很强的黏附性，容易黏附在催化剂表面，不仅会堵塞催化剂微孔使催化剂活性降低，还会造成后续设备空预器的腐蚀和堵塞。目前，SCR喷氨控制主要采用总量控制调节的模式，通过入口的NOx浓度、烟气流量、氨氮摩尔比以及催化剂转换效率等数据计算出总体喷氨量，设定总的喷氨值。

在实现本申请实施例的过程中，发明人发现现有技术中至少存在如下问题：在实际过程中，进入喷氨格栅前的烟气NOx分布不可能是完全均匀的，在催化剂表面的氨氮摩尔比也不可能是完全一致的，这就导致满足脱硝效率时氨逃逸率高，或是满足氨逃逸率低时脱硝效率不达标。通过手动调节各个支管的喷氨量，虽然能够解决此类问题，但是需要耗费大量的时间、精力、经验，效率极低。

发明内容

鉴于上述问题，提出了本发明以便提供一种克服上述问题或者至少部分地解决上述问题的一种基于神经网络的SCR智能喷氨优化方法及装置，能够有效的降低氨逃逸率，提高脱硝效率，切实有效的解决SCR对空预器造成的堵塞问题。

根据本发明的一个方面，提供了一种基于神经网络的SCR智能喷氨优化方法，包括：

在系统负荷不变时，将喷氨管栅根据区域不同划分为n个模块，调整n个喷氨模块的开度阀门，采集一段时间内n个喷氨模块的喷氨量作为训练输入数据，采集SCR脱硝系统的脱硝效率和氨逃逸率作为训练输出数据,其中n为自然数；

利用训练输入数据和所述训练输出数据，对BP神经网络模型进行训练；

构建各个喷氨模块的喷氨量作为测试输入数据，利用训练得到的BP神经网络模型预测得到脱硝效率和氨逃逸率作为测试输出数据；

将测试输入数据作为种群个体，利用遗传算法在多个测试输入数据中寻找到最优值，根据最优值调整各个喷氨模块的实际喷氨量。

根据本发明的另一方面，提供了一种基于神经网络的SCR智能喷氨优化装置，包括：

采集模块，在系统负荷不变时，将喷氨管栅根据区域不同划分为n个模块，调整n个喷氨模块的开度阀门，采集一段时间内n个喷氨模块的喷氨量作为训练输入数据，采集SCR脱硝系统的脱硝效率和氨逃逸率作为训练输出数据；其中，n为自然数；

训练模块，用于利用所述训练输入数据和所述训练输出数据，对BP神经网络模型进行训练；

预测模块，用于构建各个喷氨模块的喷氨量作为测试输入数据，利用训练得到的BP神经网络模型预测得到脱硝效率和氨逃逸率作为测试输出数据；

优化模块，用于将测试输入数据作为种群个体，利用遗传算法在多个测试输入数据中寻找到最优值，根据最优值调整各个喷氨模块的实际喷氨量。

利用本发明提供的基于神经网络的SCR智能喷氨优化方法及装置可以实现：

1、通过喷氨的差异化控制，引入神经网络进行大数据离线分析，得到能够准确预测氨逃逸率和脱硝效率的网络模型，再利用遗传算法进行喷氨量优化，根据最优值实际调整各个模块的喷氨量，因此极大的提高了催化剂表面的氨氮浓度分布的均匀性，提高了氨气的利用率，降低了氨气的消耗量，直接降低SCR装置的运行成本；

2、降低氨逃逸的排放，减少过量NH₃与烟气中的SO₃反应生成铵盐，由于铵盐具有很强的黏附性，容易黏附在催化剂表面，堵塞催化剂微孔使催化剂活性降低，而且容易造成后续设备空预器的腐蚀和堵塞，因此本发明有效的解决了因氨逃逸较大带来的催化剂堵塞和空预器堵塞问题；

3、提高SCR系统的脱硝效率，降低出口NOx排放浓度，进一步提高催化剂的使用寿命；

4、根据电厂的不同目标，灵活的调整各个喷氨模块的实际喷氨量。

上述说明仅是本发明技术方案的概述，为了能够更清楚了解本发明的技术手段，而可依照说明书的内容予以实施，并且为了让本发明的上述和其它目的、特征和优点能够更明显易懂，以下特举本发明的具体实施方式。

附图说明

通过阅读下文优选实施方式的详细描述，各种其他的优点和益处对于本领域普通技术人员将变得清楚明了。附图仅用于示出优选实施方式的目的，而并不认为是对本发明的限制。而且在整个附图中，用相同的参考符号表示相同的部件。在附图中：

图1示出了本发明实施例一基于神经网络的SCR智能喷氨优化方法的流程图；

图2示出了本发明实施例一的喷氨格栅区域和催化剂区域分区模块示意图；

图3示出了本发明实施例二基于神经网络的SCR智能喷氨优化方法的流程图；

图4示出了本发明实施例二的BP神经网络模型的拓扑结构图；

图5示出了本发明实施例三基于神经网络的SCR智能喷氨优化装置的功能框图。

具体实施方式

下面将参照附图更详细地描述本公开的示例性实施例。虽然附图中显示了本公开的示例性实施例，然而应当理解，可以以各种形式实现本公开而不应被这里阐述的实施例所限制。相反，提供这些实施例是为了能够更透彻地理解本公开，并且能够将本公开的范围完整的传达给本领域的技术人员。

实施例一

图1示出了本发明实施例一基于神经网络的SCR智能喷氨优化方法的流程图。如图1所示，本实施例提供的基于神经网络的SCR智能喷氨优化方法具体包括如下步骤：

步骤S101，在系统负荷不变时，将喷氨管栅根据区域不同划分为n个模块，调整n个喷氨模块的开度阀门，采集一段时间内n个喷氨模块的喷氨量作为训练输入数据，采集SCR脱硝系统的脱硝效率和氨逃逸率作为训练输出数据，其中，n为自然数。

如图2所示的喷氨格栅区域和催化剂区域分区模块示意图，将喷氨格栅管路根据区域和支管路阀门分成若干个模块，每个模块区域大小相同、喷嘴数量相同，由单独的阀门控制该模块的喷氨量，利用电厂现有的CEMS采集在固定负荷下调节每个模块喷氨量后SCR的运行数据，作为神经网络模型的原始数据。

对电厂平均分成的10个喷嘴模块进行编号为1到10(假设分为10个模块)，保持系统负荷不变，不断调整各个模块的开度阀门，采集一段时间内这10个喷嘴分别的喷氨量，设t时刻10个模块的喷氨量分别为{x₁(t),x₂(t),x₃(t)......x₁₀(t)},同时这10个变量也为此时的输入变量。输出变量为SCR脱硝系统的氨逃逸率y₁(t)与脱硝效率y₂(t)。

步骤S102，利用训练输入数据和训练输出数据，对BP神经网络模型进行训练。

采集大量的训练输入数据和训练输出数据后，对BP神经网络模型进行训练，通过网络的输出值和训练输出数据的误差计算，不断的对网络修正更新，直到误差小于设定的值，则BP神经网络模型训练完成。

步骤S103，构建各个喷氨模块的喷氨量作为测试输入数据，利用训练得到的BP神经网络模型预测得到脱硝效率和氨逃逸率作为测试输出数据。

在相同负荷下，不断调节各个喷氨模块的开度阀门，将各个模块的喷氨量作为测试输入数据，利用步骤S102训练得到的BP神经网络模型，得到对应测试输入数据的测试输出数据，即氨逃逸率y₁(t)和脱硝效率y₂(t)。

步骤S104，将测试输入数据作为种群个体，利用遗传算法在多个测试输入数据中寻找到最优值，根据最优值调整各个喷氨模块的实际喷氨量。

遗传算法是一种随机全局搜索和优化算法，它模拟了自然界生物进化机制，是在此基础上发展起来的。遗传算法是一种高效的搜索的方法，并且还有并行、全局的特点。步骤S103可以预测得到大量的数据，此步主要是通过遗传算法进行数据寻优，确定脱硝效率最高而氨逃逸率最低时各个模块喷氨量的最优值。

根据电厂对氨逃逸率和脱硝效率的要求不同，通过遗传算法寻优，在多组测试输入数据中，寻找达到电厂目标的最优输入数据，并根据寻优的结果来实际调整各个喷氨模块的喷氨量。

本发明实施例提供的基于神经网络的SCR智能喷氨优化方法，在系统负荷不变时，将喷氨管栅根据区域不同划分为n个模块，调整n个喷氨模块的阀门，采集一段时间内n个喷氨模块的喷氨量作为训练输入数据，脱硝效率和氨逃逸率作为训练输出数据；利用训练输入数据和训练输出数据进行BP神经网络训练；以各个喷氨模块的喷氨量作为测试输入数据，利用训练得到的BP神经网络模型预测脱硝效率和氨逃逸；利用遗传算法在多个测试输入数据中寻找到最优值，根据最优值调整各个喷氨模块的实际喷氨量。采用本方案，可以实现喷氨量的差异化控制，引入神经网络进行大数据离线分析，智能诊断SCR系统，预测输出不同负荷下各个分区的最优喷氨量，提高了脱硝效率，降低了氨逃逸率，并能够灵活根据电厂的不同目标调整各喷氨模块的喷氨量。

实施例二

图3示出了本发明实施例二基于神经网络的SCR智能喷氨优化方法的流程图。如图3所示，本实施例提供的基于神经网络的SCR智能喷氨优化方法具体包括如下步骤：

步骤S201，模型建立。

步骤S2011，系统建模。

对电厂平均分成的n个喷嘴模块进行编号为1到n，保持系统负荷不变，不断调整各个模块的开度阀门，采集一段时间内这n个喷嘴分别的喷氨量，设t时刻n个模块的喷氨量分别为{x₁(t),x₂(t),x₃(t)......x_n(t)},同时这n个变量也为此时的输入变量。输出变量为SCR脱硝系统的氨逃逸率y₁(t)与脱硝效率y₂(t)。

步骤S2012，构建BP神经网络。

如图4所示的本发明实施例二的BP神经网络模型的拓扑结构图，本发明实施例构建的BP神经网络分为3层，由输入层、隐含层和输出层构成。神经网络的信号是向前传播，误差是后向传播，在信号前向传播的过程中，信号依次经过输入层、隐含层，直到输出层。如果输出值达不到期望输出，就会反向传播，根据预测误差不断调整隐含层中的权值和阈值，从而使得预测输出不断的接近期望输出。

步骤S202，输入数据处理

为了降低输入变量之间的数量差异，对输入变量可以进行归一化处理。

对训练输入数据进行归一化处理，训练输入数据中第k个输入变量的归一化处理结果为：

x_k＝(x_k-x_min)/(x_max-x_min) (公式2-1)

其中x_min为训练输入数据中输入变量的最小值，x_max为训练输入数据中输入变量的最大值。

步骤S203，BP神经网络训练。

步骤S2031，BP神经网络初始化。

根据输入和输出变量可以确定输入层节点数n,隐含层节点为l，输出层节点数m＝2，网络拓扑结构为n-l-2。初始化输入层、隐含层和输出层神经元之间的连接权值w_ij，w_jk，初始化隐含层阈值为a，输出层阈值为b。

隐含层节点数对BP神经网络的预测精度有很大的影响，根据如下公式确定BP神经网络模型的隐含层节点数l：

公式中l为所述隐含层节点数，n为所述BP神经网络模型的输入层节点数，m为所述BP神经网络模型的输出层节点数，a为[0,10]之间的整数。得到隐含层节点的范围后，可以经过几次试凑得到最佳的隐含层节点数。

步骤S2032，BP神经网络训练及修正。

BP神经网络的训练具体包括以下过程：

计算BP神经网络模型的隐含层输出，根据输入变量x(t)、输入层和隐含层之间的连接权值w_ij，隐含层阈值a，计算BP神经网络模型的隐含层节点j的输出结果为：

式中，l为隐含层节点数，w_ij为BP神经网络模型的输入层与隐含层的连接权值，a_j为隐含层的阈值，f为隐含层激励函数，在多种激励函数中，选择如下函数：

计算BP神经网络模型的输出层输出，根据隐含层输出H，隐含层和输出层连接权值w_jk和阈值b，计算BP神经网络模型的输出层节点k的输出为：

式中H_j为所述隐含层输出，l为所述隐含层节点数，w_jk为所述BP神经网络模型的隐含层与输出层的连接权值，b_k为所述输出层阈值。

根据输出层输出与期望输出计算训练误差，训练误差为e_k：

e_k＝Y_k-Q_k,k＝1,2 (公式2-6)

式中Y_k为输出层期望输出，Q_k为训练时的输出层输出。

梯度修正法更新网络权值，根据训练误差不断更新网络连接权值，输入层与隐含层的连接权值更新公式为：

隐含层与输出层的网络连接权值更新公式为：

w_jk＝w_jk+ηH_je_k,i＝1,2,…,n；j＝1,2,…,l (公式2-8)

式中，e_k为训练误差，η为学习速率。

采用梯度修正法从网络预测误差的负梯度方向修正权值和阈值，没有考虑以前的积累，学习过程收敛较慢，为了解决这个问题，可以采用附加动量法不断更新连接权值来解决，带附加动量的权值更新公式为：

w(k)＝w(k-1)+△w(k)+a[w(k-1)-w(k-2)] (公式2-9)

式中w(k)、w(k-1)、w(k-2)分别为k、k-1、k-2时刻的权值，a为学习速率的动量表示。

修正学习速率，学习速率对网络训练的速度影响很大，如果学习率过大，对权值修改越大，这是会引起学习过程的震荡，过小则使网络收敛过慢。可通过不断修正学习速率实现网络的快速稳定。变学习率修正公式：

η(t)＝η_max-t(η_max-η_min)/t_max (公式2-10)

式中η_max为最大学习速率，η_min为最小学习速率，t_max为最大迭代次数，t为当前迭代次数。

步骤S2033，训练是否结束判断。

判断BP神经网络训练算法迭代是否结束也即判定计算误差值是否小于模型中设定的最小误差，若没有满足，则返回步骤S2032进行下一次迭代；若满足，则训练结束。

步骤S204，BP神经网络预测。

在相同负荷下，不断调节各个喷氨模块的开度阀门，将各个模块的喷氨量作为测试输入数据，对测试输入数据经归一化处理后，输入到利用步骤S203训练结束时得到的BP神经网络模型，就可以得到对应测试输入数据的输出数据，即氨逃逸率y₁(t)和脱硝效率y₂(t)。

步骤S205，遗传算法寻优。

步骤S2051，种群初始化。

个体编码是实数编码，每个个体都是一个实数串，由于输入参数为n个喷氨模块的喷氨量，所以个体长度为n，种群个体初始化为{x₁(t),x₂(t)...x_n(t)}。

步骤S2052，计算适应度函数值。

根据进化目标计算适应度值，个体i的适应度值为f_i＝k/F_i，式中k为系数，F为个体的选择适应度函数。

适应度函数是根据进化目标编写的计算个体适应度值的函数，通过适应度函数计算每个个体的适应度值，提供给选择算子进行选择。优化目标为最大的脱硝效率和最小的氨逃逸率，但是这两个优化目标又是有矛盾的，我们必须得同时兼顾。

优化的种群值为BP神经网络模型中输入参数{x₁(t),x₂(t)...x_n(t)}，也即n个喷氨喷嘴的开度,综合考虑待优化的输出值，选择适应度函数为：

F＝k₁y₁+k₂(1-y₂) (公式2-11)

约束条件x_min≤x_i≤x_max，式中y₁为氨逃逸率，y₂为脱硝效率，k₁、k₂为[0,1]的实数，k₁和k₂可根据对所述氨逃逸率和脱硝效率的侧重不同选择不同值

根据对氨逃逸率和脱硝效率的侧重不同，k1和k2选择不同值。如果以氨逃逸率为主要优化目标，也即效率约束下的低氨逃逸率优化时，k1>k2；若以脱硝效率为优化目标，也即氨逃逸率约束下的高效率优化时，k1<k2。具体根据电厂管理者的侧重点进行k1和k2的取值。

步骤S2053，通过自然选择、交叉和变异操作产生新的种群。

在进行了种群初始化后，接下来要以适应度函数为目标，进行一系列操作，得到最优的结果。

第一，选择操作。利用轮盘赌法进行选择操作，即基于适应度比例的选择策略，每个个体i的选择概率为p_i：

式中，f_i为个体i的适应度值，由于适应度值越小越好，所以在个体选择前对适应度值求倒数；k为系数；N为种群个体数目。

第二，交叉操作。由于个体采用实数编码，所以交叉操作采用实数交叉法，第k个染色体a_k和第l个染色体a_l在j位的交叉操作方法如下：

式中，b是【0,1】间的随机数。

第三，变异操作。选取第i个个体的第j个基因a_ij进行变异，变异操作方法如下：

式中，a_max为基因a_ij的上界；a_min为基因a_ij的下界；

f(g)＝r₂(1-g/G_max)² (公式2-15)

r₂为一个随机数；g为当前迭代次数；G_max是最大进化次数；r为【0,1】间的随机数。

步骤S2054，判断是否得到最优值。

确定具有最小选择适应度函数值的个体为最优解。

计算各个个体的适应度，确定具有最小适应度的个体即为进化过程中的最优解，若得到了，就终止运算，若未得到，则返回步骤S2053进行自然选择，交叉，变异操作产生新的种群。

步骤S206，调整各喷氨模块的实际喷氨量。

对步骤S205终止运算时得到的最优解进行反归一化处理，根据得到的结果实际调整各喷氨模块的喷氨量。

本发明实施例提供的基于神经网络的SCR智能喷氨优化方法，通过在BP神经网络训练和预测前对输入数据进行归一化处理，降低了变量之间的数量差异；引入带附加动量的权值学习方法，考虑前期训练的积累，解决了学习过程收敛较慢的问题；不断修正学习速率的值，采用变学习率进行网络训练，实现了训练过程的快速稳定。

实施例三

图5示出了根据本发明实施例三基于神经网络的SCR智能喷氨优化装置的功能框图。如图5所示，本实施例提供的基于神经网络的SCR智能喷氨优化装置具体包括：采集模块301、归一化模块302、训练模块303、预测模块304、优化模块305。

采集模块301，在系统负荷不变时，将喷氨管栅根据区域不同划分为n个模块，调整n个喷氨模块的开度阀门，采集一段时间内n个喷氨模块的喷氨量作为训练输入数据，采集SCR脱硝系统的脱硝效率和氨逃逸率作为训练输出数据，其中，n为自然数。

将电厂的喷氨系统平均分成n个模块，各个模块依此编号为1,2,……,n，将t时刻n个模块的喷氨量{x₁(t),x₂(t),…,x_n(t)}作为网络的训练输入，利用电厂现有的系统CEMS采集对应的SCR运行数据，以此运行数据为依据得出特定输入下SCR脱硝系统的氨逃逸率y₁(t)和脱硝效率y₂(t)作为网络的训练输出数据。

归一化模块302，用于对训练输入数据和测试输入数据进行归一化处理。

为了降低输入变量之间的数量差异，对输入变量可以进行归一化处理，输入数据中第k个输入变量的归一化处理结果为：

x_k＝(x_k-x_min)/(x_max-x_min) (公式3-1)

式中，x_min为输入数据的最小数；x_max为输入数据的最大数。

归一化模块在BP神经网络训练时，用于对训练输入数据进行归一化处理，训练输入数据中第k个输入变量的归一化处理结果为x_k＝(x_k-x_min)/(x_max-x_min)，其中x_min为训练输入数据中输入变量的最小值，x_max为训练输入数据中输入变量的最大值；在BP神经网络预测时，用于对测试输入数据进行归一化处理，测试输入数据中第k个输入变量的归一化处理结果为x_k＝(x_k-x_min)/(x_max-x_min)，其中x_min为测试输入数据中输入变量的最小值，x_max为测试输入数据中输入变量的最大值。

同时，归一化模块还用于在利用遗传算法对测试输入数据寻优后，对测试输入数据进行反归一化处理，得到测试数据对应的实际喷氨量的值。

训练模块303，用于利用训练输入数据和训练输出数据，对BP神经网络模型进行训练。

采集大量的训练输入数据和训练输出数据后，对BP神经网络模型进行训练，通过网络的输出值和训练输出数据的误差计算，不断的对网络修正更新，直到误差小于设定的值，则BP神经网络模型建立完成。

训练模块进一步用于：

1、BP神经网络初始化。

根据输入和输出变量可以确定输入层节点数n,隐含层节点为l，输出层节点数m＝2，网络拓扑结构为n-l-2。初始化输入层、隐含层和输出层神经元之间的连接权值w_ij，w_jk，初始化隐含层阈值为a，输出层阈值为b。

确定BP神经网络模型的隐含层节点数：

公式中l为隐含层节点数，n为BP神经网络模型的输入层节点数，m为BP神经网络模型的输出层节点数，a为[0,10]之间的整数。得到隐含层节点的范围后，可以经过几次试凑得到最佳的隐含层节点数。

2、BP神经网络的训练及修正。

计算BP神经网络模型的隐含层输出，BP神经网络模型的隐含层节点j的输出结果为：

式中w_ij为BP神经网络模型的输入层与隐含层的连接权值，a_j为隐含层的阈值，f为隐含层的激励函数，激励函数为：

计算BP神经网络模型的输出层输出，BP神经网络模型的输出层节点k的输出为：

式中H_j为隐含层输出，l为隐含层节点数，w_jk为BP神经网络模型的隐含层与输出层的连接权值，b_k为输出层阈值；

根据输出层输出与期望输出计算训练误差，训练误差为：

e_k＝Y_k-Q_k,k＝1,2 (公式3-6)

式中Y_k为所述期望输出，Q_k为所述输出层输出；

根据训练误差不断更新连接权值，输入层与隐含层的连接权值为:

隐含层与输出层的连接权值为:

w_jk＝w_jk+ηH_je_k,i＝1,2,…,n；j＝1,2,…,l (公式3-8)

式中，e_k为训练误差，η为学习速率；

采用梯度修正法从网络预测误差的负梯度方向修正权值和阈值，没有考虑以前的积累，学习过程收敛较慢，为了解决这个问题，可以采用附加动量法不断更新连接权值来解决。

采用附加动量法不断更新连接权值，更新公式为:

w(k)＝w(k-1)+△w(k)+a[w(k-1)-w(k-2)] (公式3-9)

式中w(k)、w(k-1)、w(k-2)分别为k、k-1、k-2时刻的权值，a为学习速率的动量表示。

修正学习速率，学习速率对网络训练的速度影响很大，如果学习率过大，对权值修改越大，这是会引起学习过程的震荡，过小则使网络收敛过慢。可通过不断修正学习速率实现网络的快速稳定。

修正学习速率，修正公式为:

η(t)＝η_max-t(η_max-η_min)/t_max (公式3-10)

式中η_max为最大学习速率，η_min为最小学习速率，t_max为最大迭代次数，t为当前迭代次数。

3、训练是否结束判断。

判断BP神经网络训练算法迭代是否结束也即判定计算误差值是否小于模型中设定的最小误差，若没有满足，则进行下一次迭代；若满足，则训练结束。

预测模块304，用于构建各个喷氨模块的喷氨量作为测试输入数据，利用训练得到的BP神经网络模型预测得到脱硝效率和氨逃逸率作为测试输出数据。

在相同负荷下，不断调节各个喷氨模块的开度阀门，将各个模块的喷氨量作为测试输入数据，对测试输入数据进行归一化处理后，利用训练模块303训练得到的BP神经网络模型，得到对应测试输入数据的测试输出数据，即氨逃逸率y₁(t)和脱硝效率y₂(t)。

优化模块305，用于将测试输入数据作为种群个体，利用遗传算法在多个测试输入数据中寻找到最优值，根据最优值调整各个喷氨模块的实际喷氨量。

根据电厂对氨逃逸率和脱硝效率的要求的不同，通过遗传算法寻优，在多组测试输入数据中，寻找达到电厂目标的最优输入数据，并根据寻优的结果来进行反归一化处理，再实际调整各个喷氨模块的喷氨量。

优化模块进一步用于：

1、种群个体初始化，个体编码是实数编码，每个个体都是一个实数串，由于输入参数为n个喷氨模块的喷氨量，所以个体长度为n，种群个体初始化为{x₁(t),x₂(t)...x_n(t)}。

2、根据进化目标计算适应度值，个体i的适应度值为f_i＝k/F_i，式中k为系数，F为个体的选择适应度函数。

适应度函数是根据进化目标编写的计算个体适应度值的函数，通过适应度函数计算每个个体的适应度值，提供给选择算子进行选择。优化目标为最大的脱硝效率和最小的氨逃逸率，但是这两个优化目标又是有矛盾的，我们必须得同时兼顾。

优化的种群值为BP神经网络模型中输入参数{x₁(t),x₂(t)...x_n(t)}，也即n个喷氨喷嘴的开度,综合考虑待优化的输出值，选择适应度函数为：

F＝k₁y₁+k₂(1-y₂) (公式3-11)

约束条件x_min≤x_i≤x_max，式中y₁为氨逃逸率，y₂为脱硝效率，k₁、k₂为[0,1]的实数，k₁和k₂可根据对所述氨逃逸率和脱硝效率的侧重不同选择不同值

根据对氨逃逸率和脱硝效率的侧重不同，k1和k2选择不同值。如果以氨逃逸率为主要优化目标，也即效率约束下的低氨逃逸率优化时，k1>k2；若以脱硝效率为优化目标，也即氨逃逸率约束下的高效率优化时，k1<k2。具体根据电厂管理者的侧重点进行k1和k2的取值。

3、通过自然选择、交叉和变异操作产生新的种群。

在进行了种群初始化后，接下来要以适应度函数为目标，进行一系列操作，得到最优的结果。

第一，选择操作。利用轮盘赌法进行选择操作，即基于适应度比例的选择策略，每个个体i的选择概率为p_i：

式中，f_i为个体i的适应度值，由于适应度值越小越好，所以在个体选择前对适应度值求倒数；k为系数；N为种群个体数目。

第二，交叉操作。由于个体采用实数编码，所以交叉操作采用实数交叉法，第k个染色体a_k和第l个染色体a_l在j位的交叉操作方法如下：

式中，b是【0,1】间的随机数。

第三，变异操作。选取第i个个体的第j个基因a_ij进行变异，变异操作方法如下：

式中，a_max为基因a_ij的上界；a_min为基因a_ij的下界；

f(g)＝r₂(1-g/G_max)² (公式3-15)

r₂为一个随机数；g为当前迭代次数；G_max是最大进化次数；r为【0,1】间的随机数。

4、确定具有最小选择适应度函数值的个体为最优解。

计算各个个体的适应度，确定具有最小适应度的个体即为进化过程中的最优解，若得到了，就终止运算，若未得到，则返回进行自然选择，交叉，变异操作产生新的种群。

本发明实施例提供的基于神经网络的SCR智能喷氨优化装置，采集模块301，用于在系统负荷不变时，将喷氨管栅根据区域不同划分为n个模块，调整n个喷氨模块的阀门，采集一段时间内n个喷氨模块的喷氨量作为训练输入数据，脱硝效率和氨逃逸率作为训练输出数据；数据处理模块302，用于对训练输入数据和测试输入数据进行归一化处理；训练模块303，用于利用训练输入数据和训练输出数据进行BP神经网络训练；预测模块304，用于以各个喷氨模块的喷氨量作为测试输入数据，利用训练得到的BP神经网络模型预测脱硝效率和氨逃逸；优化模块305，用于利用遗传算法在多个测试输入数据中寻找到最优值，根据最优值调整各个喷氨模块的实际喷氨量。采用本实施例的装置，可以实现喷氨量的差异化控制，引入神经网络进行大数据离线分析，智能诊断SCR系统，预测输出不同负荷下各个分区的最优喷氨量，能够灵活根据电厂的不同目标调整各喷氨模块的喷氨量；通过在BP神经网络训练和预测前对输入数据进行归一化处理，降低了变量之间的数量差异；引入带附加动量的权值学习方法，考虑前期训练的积累，解决了学习过程收敛较慢的问题；不断修正学习速率的值，采用变学习率进行网络训练，实现了训练过程的快速稳定。

至此，本领域技术人员应认识到，虽然本文已详尽示出和描述了本发明的多个示例性实施例，但是，在不脱离本发明精神和范围的情况下，仍可根据发明公开的内容直接确定或推导出符合本发明原理的许多其他变型或修改。因此，本发明的范围应该被理解和认定为覆盖了所有这些其他变型或修改。

本领域技术人员应当理解，本发明的实施方式可以实现为一种系统、装置、设备、方法或计算机程序产品。此外，本发明也不针对任何特定编程语言，应当明白，可以利用各种编程语言实现本发明描述的内容，并且上面对特定语言所做的描述是为了披露本发明的最佳实施方式。

需要注意的是，尽管在上面的说明中详细描述了基于神经网络的SCR智能喷氨优化装置的若干模块，但是这种划分仅仅是示例性的，并非是强制性的。本领域的技术人员可以理解，实际上，可以对实施例中的模块进行自适应性地改变，将实施例中的多个模块组合成一个模块，也可将一个模块划分成多个模块。

此外，尽管在附图中以特定顺序描述了本发明实施操作，但是，这并非要求或者暗示必须按照该特定顺序来执行这些操作，或是必须执行全部所示的操作才能实现期望的结果。可以省略某些步骤，将多个步骤合并为一个步骤执行，或者将一个步骤分成多个步骤执行。

综上所述，应用本发明所述的一种基于神经网络的SCR智能喷氨优化方法及装置，可以实现通过喷氨的差异化控制，引入神经网络进行大数据离线分析，得到能够准确预测氨逃逸率和脱硝效率的网络模型，再利用遗传算法进行喷氨量优化，根据最优值实际调整各个模块的喷氨量，因此极大的提高了催化剂表面的氨氮浓度分布的均匀性，提高了氨气的利用率，降低了氨气的消耗量，直接降低SCR装置的运行成本；降低氨逃逸的排放，减少过量NH₃与烟气中的SO₃反应生成铵盐，由于铵盐具有很强的黏附性，容易黏附在催化剂表面，堵塞催化剂微孔使催化剂活性降低，而且容易造成后续设备空预器的腐蚀和堵塞，因此本发明有效的解决了因氨逃逸较大带来的催化剂堵塞和空预器堵塞问题；提高SCR系统的脱硝效率，降低出口NOx排放浓度，进一步提高催化剂的使用寿命；根据电厂的不同目标，灵活的调整各个喷氨模块的实际喷氨量。

以上对本发明的方法和具体实施方法进行了详细的介绍，并给出了相应的实施例。当然，除上述实施例外，本发明还可以有其它实施方式，凡采用等同替换或等效变换形成的技术方案，均落在本发明所要保护的范围之内。

Claims (12)

1.一种基于神经网络的SCR智能喷氨优化方法，其特征在于，包括：

在系统负荷不变时，将喷氨管栅根据区域不同划分为n个模块，调整n个喷氨模块的开度阀门，采集一段时间内n个喷氨模块的喷氨量作为训练输入数据，采集SCR脱硝系统的脱硝效率和氨逃逸率作为训练输出数据；其中，n为自然数；

利用所述训练输入数据和所述训练输出数据，对BP神经网络模型进行训练；

构建各个喷氨模块的喷氨量作为测试输入数据，利用训练得到的BP神经网络模型预测得到脱硝效率和氨逃逸率作为测试输出数据；

将测试输入数据作为种群个体，利用遗传算法在多个测试输入数据中寻找到最优值，根据最优值调整各个喷氨模块的实际喷氨量。

2.根据权利要求1所述的方法，其特征在于，设t时刻n个喷氨模块的喷氨量为{x₁(t),x₂(t),…,x_n(t)}；

在所述利用所述训练输入数据和所述训练输出数据，对BP神经网络模型进行训练之前，所述方法还包括：

对所述训练输入数据进行归一化处理，所述训练输入数据中第k个输入变量的归一化处理结果为x_k＝(x_k-x_min)/(x_max-x_min)，其中x_min为所述训练输入数据中所述输入变量的最小值，x_max为所述训练输入数据中所述输入变量的最大值。

3.根据权利要求1所述的方法，其特征在于，所述利用所述训练输入数据和所述训练输出数据，对BP神经网络模型进行训练进一步包括：

确定所述BP神经网络模型的隐含层节点数，公式中l为所述隐含层节点数，n为所述BP神经网络模型的输入层节点数，m为所述BP神经网络模型的输出层节点数，a为[0,10]之间的整数；

计算所述BP神经网络模型的隐含层输出，所述BP神经网络模型的隐含层节点j的输出结果为式中w_ij为所述BP神经网络模型的输入层与隐含层的连接权值，a_j为所述隐含层的阈值，f为所述隐含层的激励函数，所述激励函数为

计算所述BP神经网络模型的输出层输出，所述BP神经网络模型的输出层节点k的输出为式中H_j为所述隐含层输出，l为所述隐含层节点数，w_jk为所述BP神经网络模型的隐含层与输出层的连接权值，b_k为所述输出层阈值；

根据所述输出层输出与期望输出计算训练误差，所述训练误差为e_k＝Y_k-Q_k,k＝1,2，式中Y_k为所述期望输出，Q_k为所述输出层输出；

根据所述训练误差不断更新所述连接权值，所述输入层与隐含层的连接权值为所述隐含层与输出层的连接权值为w_jk＝w_jk+ηH_je_k,i＝1,2,…,n；j＝1,2,…,l，式中，e_k为训练误差，η为学习速率。

4.根据权利要求3所述的方法，其特征在于，所述利用所述训练输入数据和所述训练输出数据，对BP神经网络模型进行训练还包括：

修正所述学习速率，修正公式为η(t)＝η_max-t(η_max-η_min)/t_max，式中η_max为最大学习速率，η_min为最小学习速率，t_max为最大迭代次数，t为当前迭代次数；

采用附加动量法不断更新所述连接权值，更新公式为w(k)＝w(k-1)+△w(k)+a[w(k-1)-w(k-2)]，式中w(k)、w(k-1)、w(k-2)分别为k、k-1、k-2时刻的权值，a为所述学习速率的动量表示。

5.根据权利要求1所述的方法，其特征在于，所述将测试输入数据作为种群个体，利用遗传算法在多个测试输入数据中寻找到最优值，根据最优值调整各个喷氨模块的实际喷氨量进一步包括：

种群个体初始化为{x₁(t),x₂(t),…x_n(t)}，即n个喷氨模块的喷氨量,个体长度为n；

根据进化目标计算适应度值，个体i的适应度值为f_i＝k/F_i，式中k为系数，F为个体的选择适应度函数；

通过自然选择、交叉和变异操作产生新的种群；

确定具有最小选择适应度函数值的个体为最优解。

6.根据权利要求5所述的方法，其特征在于，所述适应度函数为F＝k₁y₁+k₂(1-y₂)，约束条件x_min≤x_i≤x_max，式中y₁为氨逃逸率，y₂为脱硝效率，k₁、k₂为[0,1]的实数；所述k₁和k₂可根据对所述氨逃逸率和脱硝效率的侧重不同选择不同值。

7.一种基于神经网络的SCR智能喷氨优化装置，其特征在于，包括：

采集模块，在系统负荷不变时，将喷氨管栅根据区域不同划分为n个模块，调整n个喷氨模块的开度阀门，采集一段时间内n个喷氨模块的喷氨量作为训练输入数据，采集SCR脱硝系统的脱硝效率和氨逃逸率作为训练输出数据；其中，n为自然数；

训练模块，用于利用所述训练输入数据和所述训练输出数据，对BP神经网络模型进行训练；

预测模块，用于构建各个喷氨模块的喷氨量作为测试输入数据，利用训练得到的BP神经网络模型预测得到脱硝效率和氨逃逸率作为测试输出数据；

优化模块，用于将测试输入数据作为种群个体，利用遗传算法在多个测试输入数据中寻找到最优值，根据最优值调整各个喷氨模块的实际喷氨量。

8.根据权利要求7所述的装置，其特征在于，设t时刻n个喷氨模块的喷氨量为{x₁(t),x₂(t),…,x_n(t)}；

所述装置还包括：归一化模块，用于对所述训练输入数据进行归一化处理，所述训练输入数据中第k个输入变量的归一化处理结果为x_k＝(x_k-x_min)/(x_max-x_min)，其中x_min为所述训练输入数据中所述输入变量的最小值，x_max为所述训练输入数据中所述输入变量的最大值。

9.根据权利要求7所述的装置，其特征在于，所述训练模块进一步用于：

确定所述BP神经网络模型的隐含层节点数，公式中l为所述隐含层节点数，n为所述BP神经网络模型的输入层节点数，m为所述BP神经网络模型的输出层节点数，a为[0,10]之间的整数；

计算所述BP神经网络模型的隐含层输出，所述BP神经网络模型的隐含层节点j的输出结果为式中w_ij为所述BP神经网络模型的输入层与隐含层的连接权值，a_j为所述隐含层的阈值，f为所述隐含层的激励函数，所述激励函数为

计算所述BP神经网络模型的输出层输出，所述BP神经网络模型的输出层节点k的输出为式中H_j为所述隐含层输出，l为所述隐含层节点数，w_jk为所述BP神经网络模型的隐含层与输出层的连接权值，b_k为所述输出层阈值；

根据所述输出层输出与期望输出计算训练误差，所述训练误差为e_k＝Y_k-Q_k,k＝1,2，式中Y_k为所述期望输出，Q_k为所述输出层输出；

根据所述训练误差不断更新所述连接权值，所述输入层与隐含层的连接权值为所述隐含层与输出层的连接权值为w_jk＝w_jk+ηH_je_k,i＝1,2,…,n；j＝1,2,…,l，式中，e_k为训练误差，η为学习速率。

10.根据权利要求9所述的装置，其特征在于，所述训练模块还用于：

修正所述学习速率，修正公式为η(t)＝η_max-t(η_max-η_min)/t_max，式中η_max为最大学习速率，η_min为最小学习速率，t_max为最大迭代次数，t为当前迭代次数；

采用附加动量法不断更新所述连接权值，更新公式为w(k)＝w(k-1)+△w(k)+a[w(k-1)-w(k-2)]，式中w(k)、w(k-1)、w(k-2)分别为k、k-1、k-2时刻的权值，a为所述学习速率的动量表示。

11.根据权利要求7所述的装置，其特征在于，所述优化模块进一步用于：

种群个体初始化为{x₁(t),x₂(t),…x_n(t)}，即n个喷氨模块的喷氨量，个体长度为n；

根据进化目标计算适应度值，个体i的适应度值为f_i＝k/F_i，式中k为系数，F为个体的选择适应度函数；

通过自然选择、交叉和变异操作产生新的种群；

确定具有最小选择适应度函数值的个体为最优解。

12.根据权利要求11所述的装置，其特征在于，所述适应度函数为F＝k₁y₁+k₂(1-y₂)，约束条件x_min≤x_i≤x_max，式中y₁为氨逃逸率，y₂为脱硝效率，k₁、k₂为[0,1]的实数；所述k₁和k₂可根据对所述氨逃逸率和脱硝效率的侧重不同选择不同值。