CN109343367A - 一种基于神经网络预测控制烟气脱硫的方法 - Google Patents

Abstract

本发明涉及一种基于神经网络预测控制烟气脱硫的方法，其特征在于，包括以下步骤：步骤S1，采集湿法烟气脱硫系统中关于时间变化的样本数据，并根据采集到的样本数据确定动态神经网络的输入层和输出层的神经元；步骤S2，利用步骤S1中的动态神经网络对湿法烟气脱硫系统进行建模，建立湿法烟气脱硫系统预测模型；步骤S3，利用步骤S2中建立的湿法烟气脱硫预测模型计算湿法烟气脱硫系统烟气出口处的二氧化硫浓度预测值，并利用该二氧化硫浓度预测值对所述湿法烟气脱硫系统的浆液喷淋量进行控制。

Description

一种基于神经网络预测控制烟气脱硫的方法

技术领域

本发明属于烟气脱硫技术领域，具体涉及一种基于神经网络预测控制烟气脱硫的方法。

背景技术

石灰石—石膏湿法烟气脱硫技术是将石灰石粉加水制成浆液作为吸收剂泵入吸收塔与烟气充分接触混合，烟气中的二氧化硫与浆液中的碳酸钙以及从塔下部鼓入的空气进行氧化反应生成硫酸钙，硫酸钙达到一定饱和度后，结晶形成二水石膏。

经吸收塔排出的石膏浆液经浓缩、脱水，使其含水量小于10％，然后用输送机送至石膏贮仓堆放，脱硫后的烟气经过除雾器除去雾滴，再经过换热器加热升温后，由烟囱排入大气。由于吸收塔内吸收剂浆液通过循环泵反复循环与烟气接触，吸收剂利用率很高，钙硫比较低，脱硫效率可大于95％。

目前大多数火电公司采用湿式脱硫技术，其反应原理基本类似，主要区别在于吸收塔的结构上，有的采用单回路喷淋空塔，有的采用双回路喷淋塔和鼓泡塔等。不同的脱硫工艺，脱硫效率也会有所不同。当机组负荷在稳定状态时，能得到较好的控制效果，但是在变攻条件下，系统呈现出非线性，大滞后性，此时难以较好的控制喷淋塔中浆液的流量。如果喷淋的浆液量过少，会难以保证能够达到烟气的排放标准；如果喷淋的浆液量过多，就会造成资源的浪费。此为现有技术的不足之处。

因此，针对现有技术中的上述缺陷，提供设计一种基于神经网络预测控制烟气脱硫的方法；以解决现有技术中的缺陷，是非常有必要的。

发明内容

本发明的目的在于，针对上述现有技术存在的缺陷，提供设计一种基于神经网络预测控制烟气脱硫的方法，以解决上述技术问题。

为实现上述目的，本发明给出以下技术方案：

一种基于神经网络预测控制烟气脱硫的方法，其特征在于，包括以下步骤：

步骤S1，采集湿法烟气脱硫系统中关于时间变化的样本数据，并根据采集到的样本数据确定动态神经网络的输入层和输出层的神经元；

步骤S2，利用步骤S1中的动态神经网络对湿法烟气脱硫系统进行建模，建立湿法烟气脱硫系统预测模型；

步骤S3，利用步骤S2中建立的湿法烟气脱硫预测模型计算湿法烟气脱硫系统烟气出口处的二氧化硫浓度预测值，并利用该二氧化硫浓度预测值对所述湿法烟气脱硫系统的浆液喷淋量进行控制。

作为优选，所述步骤S1与S2之间还包括以下步骤：

S12：对所述样本数据进行相关性分析，去除与所述湿法烟气脱硫系统出口处烟气中二氧化硫相关性小于0.3的样本数据；以减小计算量，提高计算精度。

作为优选，所述步骤S1中的样本数据包括湿法烟气脱硫系统入口处的二氧化硫浓度、机组负荷、1号吸收塔石膏浆液PH值、石灰石浆液去1号吸收塔的流量、1号吸收塔入口烟气温度、2号吸收塔供浆流量、总风量、总煤量、1号吸收塔液位计算值以及所述湿法烟气脱硫系统出口处烟气中二氧化硫浓度。

作为优选，所述步骤S1中，动态神经网络的输入层神经元为湿法烟气脱硫系统入口处的二氧化硫浓度、NOx浓度、机组负荷、石灰石浆液去1号吸收塔的流量、1号吸收塔出口烟气二氧化硫浓度、2号吸收塔PH值、总风量和总煤量；动态神经网络的输出层的神经元为所述湿法烟气脱硫系统出口处烟气中二氧化硫浓度。

作为优选，所述步骤S1中，样本数据的频率为每五分钟一次，连续采集十天，共2676笔数据，将样本数中的前八天作为训练集，最后两天的数据作为验证集。

作为优选，所述步骤S1中，动态神经网络由BP神经网络组成。

本发明的有益效果在于，

第一，从影响湿法烟气脱硫效率的众多因素中提取出主要因素，按照提取的主要因素获取样本数据，这样获取到的样本数据，具有致密性、遍历性和相容性的特点。

第二，扰动较大、非线性强、延迟较大的湿法烟气脱硫系统，本发明控制浆液喷淋量的效果优良、鲁棒性能好，具备自适应、自整定的能力，且调节时间短、动态误差小。

第三，采用本发明的预测控制技术，对模型的要求低、在线计算方便、控制效果好。

第四，本发明根据神经网络模型预测的出口处烟气中二氧化硫的含量来控制湿法烟气脱硫系统中吸收塔浆液的喷淋量，具体的采集湿法烟气脱硫系统中关于时间变化的样本数据来进行湿法烟气脱硫系统的仿真建模，采用动态神经网络对该系统进行预测，并根据预测结果进行预测控制。此方法可以基本控制出口处烟气中二氧化硫浓度保持在一个小范围内波动，在浆液喷淋量的喷淋量上可以实时准确的满足要求，大大提高了浆液喷淋量预测控制的准确性，利用采集的样本与仿真结果对比，准确性可达到0.97。

此外，本发明设计原理可靠，结构简单，具有非常广泛的应用前景。

由此可见，本发明与现有技术相比，具有突出的实质性特点和显著地进步，其实施的有益效果也是显而易见的。

附图说明

图1为本发明实施例湿法烟气脱硫系统中的1号吸收塔示意图。

图2为本发明提供的一种基于神经网络预测控制烟气脱硫的方法流程图。

图3为本发明实施例中根据预测模型计算得到的湿法烟气脱硫系统出口处的烟气中二氧化硫浓度的预测值与真实值的对比图。

图4为本发明实施例中模型预测控制框架图。

图5为本发明实施例中神经网络的预测控制框图。

图6为本发明实施例中控制系统框图。

具体实施方式

下面结合附图并通过具体实施例对本发明进行详细阐述，以下实施例是对本发明的解释，而本发明并不局限于以下实施方式。

如图2所示，本发明提供的一种基于神经网络预测控制烟气脱硫的方法，其特征在于，包括以下步骤：

步骤S1，采集湿法烟气脱硫系统中关于时间变化的样本数据，并根据采集到的样本数据确定动态神经网络的输入层和输出层的神经元；

本实施例中，为了能为神经网络预测模型提供正确且能够完整的反映出系统特性的输入与输出数据，采集并应用的网络训练的数据应该具有遍历性、相容性和致密性的特征。即数据样本应尽可能的囊括对象可能存在的所有状态空间情况；样本的相容性指的是在重叠程度较高的空间，极为相似的输入往往会对应截然不同的输出。并且在一定的范围内采集的数据样本密度要合适，这样才能将对象的特性尽可能多的采集到。系统的复杂程度和干扰程度决定了神经网络训练样本数量，由于所述系统较复杂，非线性成都高，需要大量的训练样本，但样本数量到达一定数量时，会削弱对系统模型的改善能力。

步骤S2，利用步骤S1中的动态神经网络对湿法烟气脱硫系统进行建模，建立湿法烟气脱硫系统预测模型；利用神经网络能够无限的逼近非线性性能，采用BP神经网络对湿法烟气脱硫系统进行建模，能够较好的减小该系统在实际运行中存在的偏差。

步骤S3，利用步骤S2中建立的湿法烟气脱硫预测模型计算湿法烟气脱硫系统烟气出口处的二氧化硫浓度预测值，并利用该二氧化硫浓度预测值对所述湿法烟气脱硫系统的浆液喷淋量进行控制。

本发明采用数值比较的方法决定浆液喷淋量的多少：将目标值与预测值进行比较，若预测值大于目标值且两者相差越大，对应的浆液的喷淋量也就越大；若目标值大于预测值则减少喷淋量。比较器中还引入了实际排放的二氧化硫的浓度，以此反馈来反映预测控制的效果。

图3为预测模型计算得到的湿法烟气脱硫系统出口处的二氧化硫浓度的预测值与实际值的对比图。由图3可得采用本实施例所述的预测模型得到的预测值与实际值拟合较好，均方根误差为3.9645,虽然在数据变化较大处偏差较大，但总体相差不大。

图4为模型预测控制框架图，其中可测量扰动是实际系统中可以通过传感器测量出来的扰动，直接作用于被控对象，这个变量不希望被输出；设定值即输出目标值，在实际系统中是出口处烟气中二氧化硫的浓度；可操作变量为浆液的喷淋量，可以通过控制器调节它的大小，使其作用于目标对象，使输出达到期望值；不可测量扰动对目标输出值有一定的影响；测量输出是系统中出口处所测量的烟气中二氧化硫的浓度，可以用来评估实际输出值是否准确；噪声表示影响测量精度的因素；实际输出值是所述湿法烟气脱硫系统出口处烟气中二氧化硫浓度的实际值。

通过在现场对系统的监测采集到了一些对湿法烟气脱硫效果影响较大几个因素：所述湿法烟气脱硫系统入口处的二氧化硫浓度、机组负荷、1号吸收塔石膏浆液PH值、石灰石浆液去1号吸收塔的流量、1号吸收塔入口烟气温度、2号吸收塔供浆流量、总风量、总煤量、1号吸收塔液位计算值等。在进行相关性分析，去除相关性较小的数据之后，保留的样本数据为：所述湿法烟气脱硫系统入口处的二氧化硫浓度和NOx浓度、机组负荷、石灰石浆液去1号吸收塔的流量、1号吸收塔出口烟气二氧化硫浓度、2号吸收塔PH值、总风量、总煤量和脱硫系统出口处烟气中二氧化硫浓度。1号吸收塔的结构示意图如图1所示。

本实施例中，所述步骤S1与S2之间还包括以下步骤：

S12：对所述样本数据进行相关性分析，去除与所述湿法烟气脱硫系统出口处烟气中二氧化硫相关性小于0.3的样本数据；以减小计算量，提高计算精度。

将在现场对系统监测采集到的样本数据分为两组，分别作为神经网络模型的训练数据和测试数据，筛选后的输入样本数据如表1所示。

表1部分样本数据

本实施例中，所述步骤S1中的样本数据包括湿法烟气脱硫系统入口处的二氧化硫浓度、机组负荷、1号吸收塔石膏浆液PH值、石灰石浆液去1号吸收塔的流量、1号吸收塔入口烟气温度、2号吸收塔供浆流量、总风量、总煤量、1号吸收塔液位计算值以及所述湿法烟气脱硫系统出口处烟气中二氧化硫浓度。

本实施例中，所述步骤S1中，动态神经网络的输入层神经元为湿法烟气脱硫系统入口处的二氧化硫浓度、NOx浓度、机组负荷、石灰石浆液去1号吸收塔的流量、1号吸收塔出口烟气二氧化硫浓度、2号吸收塔PH值、总风量和总煤量；动态神经网络的输出层的神经元为所述湿法烟气脱硫系统出口处烟气中二氧化硫浓度。

本实施例中，所述步骤S1中，样本数据的频率为每五分钟一次，连续采集十天，共2676笔数据，将样本数中的前八天作为训练集，最后两天的数据作为验证集。

本实施例中，所述步骤S1中，动态神经网络由BP神经网络组成。

基于上述的预测控制框架设计了神经网络预测控制框图，如图5所示，包括参考模型、数据预处理、选择器、神经网络预测控制模型和被控对象，可以根据实际情况通过选择器1和2来选择是否使用神经网络预测控制模型对被控对象进行预测控制。

在基于神经网络预测控制原理的基础上，搭建了控制系统原理框图，如图6所示。系统框图主要包括三部分：P1信号输入部分、P2优化控制部分、P3为二氧化硫吸收部分。

本发明先对湿法烟气脱硫系统这一非线性系统建立了预测模型，利用神经网络能够无限的逼近非线性的性能，采用BP神经网络建立该模型，进而利用预测控制思想，对浆液的喷淋量进行控制。这种预测控制方法既能够使烟气排放达到排放标准，也能够使浆液的喷淋量控制在一个合理的范围内，避免了能源的浪费。其中采用的数值比较的方法对控制器进行了优化，达到预期输出。最好将仿真结果与在现场的检测数据进行对比，对比结果表明本发明所述的神经网络预测控制方法能够较为准确的预测最近时刻的二氧化硫浓度，大大提高了浆液喷淋量预测控制的准确性。

以上公开的仅为本发明的优选实施方式，但本发明并非局限于此，任何本领域的技术人员能思之的没有创造性的变化，以及在不脱离本发明原理前提下所作的若干改进和润饰，都应落在本发明的保护范围内。

Claims (6)

1.一种基于神经网络预测控制烟气脱硫的方法，其特征在于，包括以下步骤：

步骤S1，采集湿法烟气脱硫系统中关于时间变化的样本数据，并根据采集到的样本数据确定动态神经网络的输入层和输出层的神经元；

步骤S2，利用步骤S1中的动态神经网络对湿法烟气脱硫系统进行建模，建立湿法烟气脱硫系统预测模型；

步骤S3，利用步骤S2中建立的湿法烟气脱硫预测模型计算湿法烟气脱硫系统烟气出口处的二氧化硫浓度预测值，并利用该二氧化硫浓度预测值对所述湿法烟气脱硫系统的浆液喷淋量进行控制。

2.根据权利要求1所述的一种基于神经网络预测控制烟气脱硫的方法，其特征在于，所述步骤S1与S2之间还包括以下步骤：

S12：对所述样本数据进行相关性分析，去除与所述湿法烟气脱硫系统出口处烟气中二氧化硫相关性小于0.3的样本数据。

3.根据权利要求1或2所述的一种基于神经网络预测控制烟气脱硫的方法，其特征在于，所述步骤S1中的样本数据包括湿法烟气脱硫系统入口处的二氧化硫浓度、机组负荷、1号吸收塔石膏浆液PH值、石灰石浆液去1号吸收塔的流量、1号吸收塔入口烟气温度、2号吸收塔供浆流量、总风量、总煤量、1号吸收塔液位计算值以及所述湿法烟气脱硫系统出口处烟气中二氧化硫浓度。

4.根据权利要求3所述的一种基于神经网络预测控制烟气脱硫的方法，其特征在于，所述步骤S1中，动态神经网络的输入层神经元为湿法烟气脱硫系统入口处的二氧化硫浓度、NOx浓度、机组负荷、石灰石浆液去1号吸收塔的流量、1号吸收塔出口烟气二氧化硫浓度、2号吸收塔PH值、总风量和总煤量；动态神经网络的输出层的神经元为所述湿法烟气脱硫系统出口处烟气中二氧化硫浓度。

5.根据权利要求4所述的一种基于神经网络预测控制烟气脱硫的方法，其特征在于，所述步骤S1中，样本数据的频率为每五分钟一次，连续采集十天，共2676笔数据，将样本数中的前八天作为训练集，最后两天的数据作为验证集。

6.根据权利要求5所述的一种基于神经网络预测控制烟气脱硫的方法，其特征在于，所述步骤S1中，动态神经网络由BP神经网络组成。