CN111351898A - 检测火电厂排放尾气中二氧化硫浓度的方法 - Google Patents
检测火电厂排放尾气中二氧化硫浓度的方法 Download PDFInfo
- Publication number
- CN111351898A CN111351898A CN202010214785.8A CN202010214785A CN111351898A CN 111351898 A CN111351898 A CN 111351898A CN 202010214785 A CN202010214785 A CN 202010214785A CN 111351898 A CN111351898 A CN 111351898A
- Authority
- CN
- China
- Prior art keywords
- gas
- rbf
- power plant
- thermal power
- tail gas
- 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.)
- Pending
Links
- RAHZWNYVWXNFOC-UHFFFAOYSA-N Sulphur dioxide Chemical compound O=S=O RAHZWNYVWXNFOC-UHFFFAOYSA-N 0.000 title claims abstract description 50
- 238000000034 method Methods 0.000 title claims abstract description 34
- BASFCYQUMIYNBI-UHFFFAOYSA-N platinum Chemical compound [Pt] BASFCYQUMIYNBI-UHFFFAOYSA-N 0.000 claims abstract description 42
- 229910052697 platinum Inorganic materials 0.000 claims abstract description 21
- 230000008569 process Effects 0.000 claims abstract description 8
- 238000012549 training Methods 0.000 claims description 29
- 238000001514 detection method Methods 0.000 claims description 17
- 239000000428 dust Substances 0.000 claims description 17
- 239000002245 particle Substances 0.000 claims description 11
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 11
- 230000009467 reduction Effects 0.000 claims description 10
- 238000012360 testing method Methods 0.000 claims description 10
- 210000002569 neuron Anatomy 0.000 claims description 8
- 230000004913 activation Effects 0.000 claims description 3
- 230000005284 excitation Effects 0.000 claims description 3
- 239000007789 gas Substances 0.000 abstract description 92
- 238000013528 artificial neural network Methods 0.000 abstract description 12
- 238000012544 monitoring process Methods 0.000 abstract description 5
- UGFAIRIUMAVXCW-UHFFFAOYSA-N Carbon monoxide Chemical compound [O+]#[C-] UGFAIRIUMAVXCW-UHFFFAOYSA-N 0.000 abstract description 4
- 238000012937 correction Methods 0.000 abstract description 4
- 239000003546 flue gas Substances 0.000 abstract description 4
- 239000000523 sample Substances 0.000 description 55
- 239000003245 coal Substances 0.000 description 9
- 238000012545 processing Methods 0.000 description 9
- 238000013461 design Methods 0.000 description 8
- 238000004458 analytical method Methods 0.000 description 5
- 238000010276 construction Methods 0.000 description 5
- 238000010606 normalization Methods 0.000 description 5
- 238000000738 capillary electrophoresis-mass spectrometry Methods 0.000 description 4
- 238000004868 gas analysis Methods 0.000 description 4
- 238000010521 absorption reaction Methods 0.000 description 3
- 238000005094 computer simulation Methods 0.000 description 3
- 238000005259 measurement Methods 0.000 description 3
- 238000007781 pre-processing Methods 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 238000002485 combustion reaction Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 239000003344 environmental pollutant Substances 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- VNWKTOKETHGBQD-UHFFFAOYSA-N methane Chemical compound C VNWKTOKETHGBQD-UHFFFAOYSA-N 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 239000003208 petroleum Substances 0.000 description 2
- 231100000719 pollutant Toxicity 0.000 description 2
- 230000004044 response Effects 0.000 description 2
- NINIDFKCEFEMDL-UHFFFAOYSA-N Sulfur Chemical compound [S] NINIDFKCEFEMDL-UHFFFAOYSA-N 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 230000003749 cleanliness Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- TXKMVPPZCYKFAC-UHFFFAOYSA-N disulfur monoxide Inorganic materials O=S=S TXKMVPPZCYKFAC-UHFFFAOYSA-N 0.000 description 1
- 230000005611 electricity Effects 0.000 description 1
- 238000004134 energy conservation Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 238000005206 flow analysis Methods 0.000 description 1
- 239000000446 fuel Substances 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000002329 infrared spectrum Methods 0.000 description 1
- 230000001788 irregular Effects 0.000 description 1
- 239000007788 liquid Substances 0.000 description 1
- 239000003345 natural gas Substances 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000002572 peristaltic effect Effects 0.000 description 1
- 238000003908 quality control method Methods 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 239000000779 smoke Substances 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- XTQHKBHJIVJGKJ-UHFFFAOYSA-N sulfur monoxide Chemical compound S=O XTQHKBHJIVJGKJ-UHFFFAOYSA-N 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 239000002351 wastewater Substances 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N33/00—Investigating or analysing materials by specific methods not covered by groups G01N1/00 - G01N31/00
- G01N33/0004—Gaseous mixtures, e.g. polluted air
- G01N33/0009—General constructional details of gas analysers, e.g. portable test equipment
- G01N33/0027—General constructional details of gas analysers, e.g. portable test equipment concerning the detector
- G01N33/0036—General constructional details of gas analysers, e.g. portable test equipment concerning the detector specially adapted to detect a particular component
- G01N33/0042—SO2 or SO3
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Chemical & Material Sciences (AREA)
- Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Data Mining & Analysis (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Computational Linguistics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Combustion & Propulsion (AREA)
- Food Science & Technology (AREA)
- Medicinal Chemistry (AREA)
- Analytical Chemistry (AREA)
- Biochemistry (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Sampling And Sample Adjustment (AREA)
Abstract
本发明提供一种检测火电厂排放尾气中二氧化硫浓度的方法，所述方法包括以下步骤：S1：建立RBF结构；S2：对目标火电厂排放尾气进行预处理，将预处理后的尾气输入铂膜传感器，获得所述铂膜传感器的输出值；S3：从步骤S2中的预处理气体中提取大于1个的特征量，将所述特征量及所述传感器的输出值作为RBF接收的输入值，并将所述输入值输入至所述RBF结构获得二氧化硫的浓度值；本发明在不增加现行硬件成本的前提下，采用样气预处理和神经网络数据校正相结合，可使现行烟气排放连续监测系统综合误差小于2％；具有稳定性高及工艺实施成本较低的有益效果。
Description
技术领域
本发明属于测量控制技术领域，尤其涉及一种检测火电厂排放尾气中二氧化硫浓度的方法。
背景技术
煤和石油通常都含有硫元素，在燃烧时会生成二氧化硫，同时，二氧化硫(化学式SO2)是最常见、最简单的硫氧化物，是大气主要污染物之一。火电厂是利用煤、石油、天然气等固体、液体燃料燃烧所产生的热能转换为动能以生产电能的工厂，故，在火电厂的尾气中含有二氧化硫。为减少对大气的污染，需要对火电厂排放的尾气中二氧化硫的含量进行检测进而判断是否可以直接排放到大气中。根据环境保护部颁布的火电厂大气污染物排放新标准规定和2014年《煤电节能减排升级与改造行动计划(2014-2020年)》，火电厂等重点地区的SO2的排放标准为35mg/m3(标准状态)，通常是指火电厂经过净化处理后排放到大气中的微量SO2含量。由于燃烧能源的质量、排放尾气的采集点的设置、实际排放气体特性影响、烟气排放连续监测系统特性影响以及仪器噪音等不稳定因素影响导致对火电厂排放的尾气中二氧化硫的检测精度不高。
因此，亟需一种在现有硬件成本以及施工条件约束下，可以提高对火电厂排放尾气的二氧化硫的检测精度的方法。
发明内容
有鉴于此，本发明提供一种在不增加现行硬件成本的前提下，同时提高二氧化硫的检测精度的检测火电厂排放尾气中二氧化硫浓度的方法。
本发明提供一种检测火电厂排放尾气中二氧化硫浓度的方法，其特征在于：所述方法包括以下步骤：
S1：建立RBF结构；
S2：对目标火电厂排放尾气进行预处理，将预处理后的尾气输入铂膜传感器，获得所述铂膜传感器的输出值；
S3：从步骤S2中的预处理气体中提取大于1个的特征量，将所述特征量及所述传感器的输出值作为RBF接收的输入值，并将所述输入值输入至所述RBF结构获得二氧化硫的浓度值；
所述特征量包括从预处理后的火电厂尾气中提取的气体含水量、气体温度、气体粉尘颗粒和气体流量；
所述步骤S1具体包括以下步骤：
S11：获取样本数据，所述样本数据包括训练样本和检测样本；所述样本数据包括从预处理后的火电厂尾气中提取的气体含水量、气体温度、气体粉尘颗粒、气体流量以及所述铂膜传感器的输出值；
S12：根据所述样本数据及目标输出，设计RBF结构，所述RBF结构包括输入层、隐藏层和输出层；
S13：对上述训练样本采用正交最小二乘法产生所述RBF结构的中心；
S14：所述RBF结构的激活函数为高斯函数，所述RBF结构的线性激励函数为purelin()，所述RBF结构的训练函数为newrb()；
S15：所述RBF结构的隐藏层至输出层之间神经元的连接权值采用最小均方误差法获得；
S16：将大于1组的训练样本依次分别输入至RBF结构进行训练，直至所述输出值的误差小于预设范围内；
S17：将所述检验样本输入步骤S16中训练后的RBF结构中，判断RBF结构的输出值的误差是否小于预设范围内，若是则训练完成，获得RBF结构；若否，则进入步骤S16。
进一步，所述RBF结构的神经元小于等于200。
进一步，所述训练样本组数大于等于60组且小于等于80组。
进一步，所述RBF结构不对输入数据进行归一化处理。
进一步，所述对目标火电厂排放尾气进行预处理为将进入铂膜传感器的尾气进行处理以保证气体到达所述铂膜传感器额定的敏感范围。
进一步，所述预处理包括泄压、降温、降尘和降速处理。
本发明的有益技术效果：本发明在不增加现行硬件成本的前提下，将预处理后的样气以及所述样气对应的铂膜传感器的输出值作为RBF神经网络的输入值，从而获得经RBF神经网络校正的二氧化硫浓度值；采用样气预处理和神经网络数据校正相结合，可使现行烟气排放连续监测系统综合误差小于2％；具有稳定性高及工艺实施成本较低的有益效果。
附图说明
下面结合附图和实施例对本发明作进一步描述：
图1为本发明的流程图。
图2为本发明的预处理结构图。
图3为本发明在不同均方误差下的残差比较图。
图4为本发明在训练RBF结构中均方误差跳跃截图。
具体实施方式
以下结合说明书附图对本发明做出进一步的说明：
本发明提供的一种检测火电厂排放尾气中二氧化硫浓度的方法，其特征在于：所述方法包括以下步骤：
S1：建立RBF结构；RBF结构被证明对非线性网络具有一致性逼近的性能，通过RBF结构尽力避免对检测精度造成影响的干扰因素的遗漏；
S2：对目标火电厂排放尾气进行预处理，将预处理后的尾气输入铂膜传感器，获得所述铂膜传感器的输出值；
S3：从步骤S2中的预处理气体中提取大于1个的特征量，将所述特征量及所述传感器的输出值作为RBF接收的输入值，并将所述输入值输入至所述RBF结构获得二氧化硫的浓度值；
所述特征量包括从预处理后的火电厂尾气中提取的气体含水量、气体温度、气体粉尘颗粒和气体流量；
所述步骤S1具体包括以下步骤：
S11：获取样本数据，所述样本数据包括训练样本和检测样本；所述样本数据包括从预处理后的火电厂尾气中提取的气体含水量、气体温度、气体粉尘颗粒、气体流量以及所述铂膜传感器的输出值；在本神经网络中，气体含水量能够部分反映煤炭质量、外部设备特性和外部环境等对检测精度的影响，气体温度能够部分反映煤炭特性、外部施工环境、排放气体特性、CEMS成套系统定制特性等对检测精度的影响，气体粉尘颗粒能够部分反映多组份气体、煤炭特性等对检测精度的影响，气体流量能够部分反映仪器噪音、煤炭特性以及工程施工等对检测精度的影响以及铂膜传感器的输出电压能够部分反映仪器噪音、稳定性对检测精度的影响，上述5种数据组成一组，共80组，也就是5*80训练样本数据作为输入层。神经网络的性能与样本的选取紧密相关。样本的复杂性和代表性将严重影响网络训练的结果，在本实施例中，充分考虑了气体含水量、温度、粉尘颗粒、流量及铂膜传感器输出值等因素，尽可能使输入元素包含更多的影响因素，同时，样本数据的选取为达到后续硬件设计简化及成本控制的目的。
S12：根据所述样本数据及目标输出，设计RBF结构，所述RBF结构包括输入层、隐藏层和输出层；
S13：对上述训练样本采用正交最小二乘法产生所述RBF结构的中心；
S14：所述RBF结构的激活函数为高斯函数，所述RBF结构的线性激励函数为purelin()，所述RBF结构的训练函数为newrb()；本计算机仿真数据使用的newrb()来建立径向基神经网络。
在建立RBF网络时，因采用正交最小二乘(OLS)优选算法对神经网络的权重阈值求得最优解了，所以本RBF结构不需要进行行阀值自适应调整，同时也就不涉及中心宽度的计算。
S15：所述RBF结构的隐藏层至输出层之间神经元的连接权值采用最小均方误差法获得；采用2015年某发电厂SO2气体数据进行的计算机仿真来看，使用MSE(man squareerror，均方误差)为误差容限单位；定义相对误差误差为：(网络实际输出-期望输出)/期望输出；设置误差容限为1e-3，1e-5，1e-10,1e-12，1e-15时在同一型号计算机上进行仿真时，其时间消耗、迭代次数以及平均相对误差以及最大相对误差如表一所示。
表一
注：(1)T为同一型号计算机单位时间
(2)平均相对误差：所有测试数据相对误差的平均值
(3)最大相对误差：所有测试数据相对误差的最大值
由此可见在微量SO2气体数据拟合上表现出了良好性能及收敛速度。其平均相对误差精度均高于现行1％的要求。
如图3所示，上述五种设置条件下同一组测试样本残差对比。可以看出当MSE取值为1e-3时，误差变动的区间范围较大；MSE为1e-5时误差变动范围进进一步缩小；而当MSE为1e-10、1e-12以及1e-15时误差变动范围非常相近，很多测试点的误差残值几乎重合，很多测试点的残差极低，但误差变动区间并未缩小，甚至略高于MSE为1e-5。综上可知，RBF网络设计中无需将误差容限设置过高，另一方面，硬件设计角度上来看，过于提高精度要求也不利于硬件设计、成本控及硬件稳定。从而进一步验证说明了该方法不需要对现有硬件设备进行大幅度改进。
S16：将大于1组的训练样本依次分别输入至RBF结构进行训练，直至所述输出值的误差小于预设范围内；
S17：将所述检验样本输入步骤S16中训练后的RBF结构中，判断RBF结构的输出值的误差是否小于预设范围内，若是则训练完成，获得RBF结构；若否，则进入步骤S16。本申请针对单一铂膜探头在大口径或不规则管道气体浓度测量中检测精度不高的问题，采用样气预处理和神经网络数据校正相结合，可使现行烟气排放连续监测系统综合误差小于2％，达到控制硬件成本及降低施工难度的有益效果。
在本实施例中，所述RBF结构的神经元数量小于等于200。RBF中的迭代次数决定了RBF网络的规模，RBF的训练过程，就是向网络里不停添加神经元的过程，直到误差小于给定的阈值。也就决定了耗费的时间以及硬件成本代价，因此，在实际工况环境中其值不适合过大。在本实施例中，是以MSE(man square error，均方误差)作为误差标准进行衡量的，从表一中可以看出SO2数据拟合上表现出了良好性能及收敛速度。其平均相对误差精度均高于现行1％的要求。这里指出的训练次数是指极值不超过200，即，硬件的极致运算能力可以按照这个标准来设置。本领域技术人员应该知道，实际迭代次数和数据规模以及训练网络时所需设置的均方误差值有关。在本实施例中的神经元个数未超过100个。
另外，当尝试将误差容限为1e-15时，在和图一完全相同的同一台计算机进行计算机仿真时，当迭代到79次时出现明显的MSE跳跃，如图4所示；并同时导致平均相对误差以及最大相对误差反而增大，也就是说，当有较高精度要求时(MSE缩小)时，虽然整体性能向好，当有可能导致RBF网络的运行时间大幅度提升以及瞬时运行硬件协处理器运行负担加重。由此可见在一定数量训练样本数量前提下，同一结构的RBF网络的预测精度并不一定会随着单一误差容限要求提高而提升，甚至会出现不稳定情况。因此认为当MSE为1e-5(也就是极限设置值)时网络的消耗时间以及误差性能比较适合微量气体流量分析仪器硬件设计。
在本实施例中，所述训练样本组数大于等于60组且小于等于80组。通过预处理后的样气虽然达到了仪器检测SO2的输入样气要求，但由于现场环境的复杂性，不可能对实际样气成分有明确的成分含量分析，比如其中的水分吸收峰值连续导致多组分气体吸收峰值交叉干扰根本就不可避免，因此需要对仪器检测出来的数据进行进一步的矫正再最为最终型号输出。因此在本实施例中采用的这五个指标，从红外线光谱吸收原理来看，是对检测数据影响相对较大，对于不同批次和产地的电煤来讲相对比较容易获得的数据，在火电厂电煤燃烧中最具有普遍性和典型性。
从软件开发的角度上来看，RBF网络本身是个局部逼近网络，其逼近性能和是输入向量的质量有很大的关系，输入层的向量应该能够百分之百反映所有的额影响因素为最佳。但这实际上是不可能的，原因之一是根据前面的背景分析，根本不能找出所有的干扰因素，也不可能根据不同的CEMS定制校正硬件。因此根据本交底书前面的分析，确定的输入向量应该是合理的；原因之二，从硬件实现的角度上来看，该项目的本质并不是想重造原有的CEMS系统，而只是利用神经网络改造现有的系统，也就是只需要在现有的实际工况环境中添加有关神经网络的硬件芯片，再进行系统软件升级即可。那么其运算速度、占用的面积、计算进度以及硬件改造成本、施工成本是相关关联的指标，当运算速度和精度要求高的时候，必然会加大芯片面积和成本。目前常见的CEMS系统的烟尘连续监测系统技术性能要求中响应时间要求为：≤10s(秒)，也就是最多每个10秒产生一个有效数据，因此，气体分析中80组数据大于目前常见每秒响应数据约10倍左右，既保证了RBF网络有足够多的训练样本数据，又不会导致硬件负担的加重，相对来讲比较合理。通过多次实验，样本数据设置为60-80组是比较合理的。
在本实施例中，所述RBF结构不对输入数据进行归一化处理。在神经网络中，进行数据归一化的目的不是为了提高精度，而是为了减少较大的值对输出的影响。也就是将需要处理的数据经过归一化处理以后，限制在所需要的一定范围内，从而使得运行收敛时速度加快。本模型中的输入层的数据的类型各不相同，量纲也不同，根本没有数据归一化和可能和必要。
在本实施例中，所述对目标火电厂排放尾气进行预处理为将进入铂膜传感器的尾气进行处理以保证气体到达所述铂膜传感器额定的敏感范围。所述预处理包括泄压、降温、降尘和降速处理。如图2所示，实际工况环境相对比较复杂，直接取样被测气体的温度、湿度、粉尘含量等等技术一般都无法达到传感器系统的需要。因此在线红外线气体分析是否能正常工作很多时候并不是由传感器好坏决定，而在于样品预处理系统的质量。很多研究以及工程实施的经验都发现，在线红外线气体分析的成套设计和研发过程中，要充分重视样品预处理系统的作用，需要将其放在和分析仪等同甚至更重要的位置上来考虑，随着纳米技术等新技术在分析仪器制造的应用，分析技术的不断提高，样品前处理已成为整个分析过程的瓶颈。样品前处理对于测定结果的准确性和质量控制具有至关重要的作用。
几乎所有的样品处理系统都是根据实际环境定制的，由于气象、实际应用环境很复杂(比如高温、高湿、地理位置等)，往往样品处理系统在设计时会有一些比较特殊的设计。因此所有的样品处理系统均需要单独的安装，对样品处理箱的结构、制作、配管、部件等均根据不同设计有不同的要求，基本无相对固定的模式或类型。每一个样品处理系统也需要单独的检验测试，不同工况环境的样品处理系统测试要求也并非完全一致。几乎所有的样品预处理系统都是“定制”的，其性能很难定性定量或者建模分析，因此检测的准确性和精度实际上是和样品预处理系统性有很大关系。
上图中的预处理装置其基本流程可描述为：样气由抽气泵抽入，先经冷凝器降温，继而通过蠕动阀门进入过滤器完成粉尘过滤，经手动球阀以及精过滤器进行流量调节。预处理装置的样气能达到分析仪器对温度、压力、流量、洁净度等技术指标的需要，预处理完成后的样气方可进入气体分析单元完成气体浓度检测，在预处理装置中设有专门入口以方便第三方标准气体对仪器进行精度检验以及废水出口。
火电厂经过该预处理单元前后的样品相关性能指标比较如下表
预处理装置前后样气相关指标对比
注：预处理装置前常见范围中的指标是指在通常情况下火电厂排放的大致范围，如果在极特殊情况下，可能要修改样气预处理系统的部分结构；而预处理装置处理后的样气各项指标与所使用的分析仪器的指标要求有关，这里的是指达到国家规定的样气指标。
该样品预处理单元的总体功能可简述为:样气进入分析仪器之前进行处理：如泄压、降温、除尘、降速等，以保证样气达到分析仪器单元要求的敏感范围，可达到保护仪器核心测试部件的作用；另外对样气进行一次性预处理以后，能够被用于多种气体，甚至于多种不同的检测原理的气体检测中，从而确保气体分析仪的成本；另外硬件降噪的稳定性以及适用范围也高于单纯地只使用软件算法的方法。
最后说明的是，以上实施例仅用以说明本发明的技术方案而非限制，尽管参照较佳实施例对本发明进行了详细说明，本领域的普通技术人员应当理解，可以对本发明的技术方案进行修改或者等同替换，而不脱离本发明技术方案的宗旨和范围，其均应涵盖在本发明的权利要求范围当中。
Claims (6)
1.一种检测火电厂排放尾气中二氧化硫浓度的方法，其特征在于：所述方法包括以下步骤：
S1：建立RBF结构；
S2：对目标火电厂排放尾气进行预处理，将预处理后的尾气输入铂膜传感器，获得所述铂膜传感器的输出值；
S3：从步骤S2中的预处理气体中提取大于1个的特征量，将所述特征量及所述传感器的输出值作为RBF接收的输入值，并将所述输入值输入至所述RBF结构获得二氧化硫的浓度值；
所述特征量包括从预处理后的火电厂尾气中提取的气体含水量、气体温度、气体粉尘颗粒和气体流量；
所述步骤S1具体包括以下步骤：
S11：获取样本数据，所述样本数据包括训练样本和检测样本；所述样本数据包括从预处理后的火电厂尾气中提取的气体含水量、气体温度、气体粉尘颗粒、气体流量以及所述铂膜传感器的输出值；
S12：根据所述样本数据及目标输出，设计RBF结构，所述RBF结构包括输入层、隐藏层和输出层；
S13：对上述训练样本采用正交最小二乘法产生所述RBF结构的中心；
S14：所述RBF结构的激活函数为高斯函数，所述RBF结构的线性激励函数为purelin()，所述RBF结构的训练函数为newrb()；
S15：所述RBF结构的隐藏层至输出层之间神经元的连接权值采用最小均方误差法获得；
S16：将大于1组的训练样本依次分别输入至RBF结构进行训练，直至所述输出值的误差小于预设范围内；
S17：将所述检验样本输入步骤S16中训练后的RBF结构中，判断RBF结构的输出值的误差是否小于预设范围内，若是则训练完成，获得RBF结构；若否，则进入步骤S16。
2.根据权利要求1所述检测火电厂排放尾气中二氧化硫浓度的方法，其特征在于：所述RBF结构的神经元数量小于等于200。
3.根据权利要求1所述检测火电厂排放尾气中二氧化硫浓度的方法，其特征在于：所述训练样本组数大于等于60组且小于等于80组。
4.根据权利要求1所述检测火电厂排放尾气中二氧化硫浓度的方法，其特征在于：所述RBF结构不对输入数据进行归一化处理。
5.根据权利要求1所述检测火电厂排放尾气中二氧化硫浓度的方法，其特征在于：所述对目标火电厂排放尾气进行预处理为将进入铂膜传感器的尾气进行处理以保证气体到达所述铂膜传感器额定的敏感范围。
6.根据权利要求5所述检测火电厂排放尾气中二氧化硫浓度的方法，其特征在于：所述预处理包括泄压、降温、降尘和降速处理。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010214785.8A CN111351898A (zh) | 2020-03-24 | 2020-03-24 | 检测火电厂排放尾气中二氧化硫浓度的方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010214785.8A CN111351898A (zh) | 2020-03-24 | 2020-03-24 | 检测火电厂排放尾气中二氧化硫浓度的方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN111351898A true CN111351898A (zh) | 2020-06-30 |
Family
ID=71192994
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010214785.8A Pending CN111351898A (zh) | 2020-03-24 | 2020-03-24 | 检测火电厂排放尾气中二氧化硫浓度的方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111351898A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117607373A (zh) * | 2024-01-24 | 2024-02-27 | 北京佳华智联科技有限公司 | 一种温室气体监测数据校准的方法、系统、设备及介质 |
Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101949892A (zh) * | 2010-08-20 | 2011-01-19 | 中国人民解放军第三军医大学第三附属医院 | 基于rbf人工神经网络和saw气体传感器的气体浓度检测方法 |
| CN104504238A (zh) * | 2014-11-21 | 2015-04-08 | 国家电网公司 | 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 |
| CN104764693A (zh) * | 2015-04-09 | 2015-07-08 | 重庆工商大学 | 带自动量程校准的便携式红外气体分析仪及校准方法 |
| CN104826492A (zh) * | 2015-04-23 | 2015-08-12 | 华北电力大学（保定） | 一种选择性催化还原法烟气脱硝喷氨控制系统的改进方法 |
| CN105954323A (zh) * | 2016-06-02 | 2016-09-21 | 中国石油大学(华东) | 一种火电厂排放气态污染物超低浓度智能监测装置 |
| CN109044339A (zh) * | 2018-08-13 | 2018-12-21 | 重庆工商大学 | 一种极限卷积神经网络的ecg信号诊断方法 |
| CN109492287A (zh) * | 2018-10-30 | 2019-03-19 | 成都云材智慧数据科技有限公司 | 一种基于bp神经网络的固态电解质离子电导率预测方法 |
| CN109632687A (zh) * | 2019-01-28 | 2019-04-16 | 国网重庆市电力公司电力科学研究院 | 四氟化碳气体浓度检测校正方法、装置、设备及存储介质 |
-
2020
- 2020-03-24 CN CN202010214785.8A patent/CN111351898A/zh active Pending
Patent Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101949892A (zh) * | 2010-08-20 | 2011-01-19 | 中国人民解放军第三军医大学第三附属医院 | 基于rbf人工神经网络和saw气体传感器的气体浓度检测方法 |
| CN104504238A (zh) * | 2014-11-21 | 2015-04-08 | 国家电网公司 | 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 |
| CN104764693A (zh) * | 2015-04-09 | 2015-07-08 | 重庆工商大学 | 带自动量程校准的便携式红外气体分析仪及校准方法 |
| CN104826492A (zh) * | 2015-04-23 | 2015-08-12 | 华北电力大学（保定） | 一种选择性催化还原法烟气脱硝喷氨控制系统的改进方法 |
| CN105954323A (zh) * | 2016-06-02 | 2016-09-21 | 中国石油大学(华东) | 一种火电厂排放气态污染物超低浓度智能监测装置 |
| CN109044339A (zh) * | 2018-08-13 | 2018-12-21 | 重庆工商大学 | 一种极限卷积神经网络的ecg信号诊断方法 |
| CN109492287A (zh) * | 2018-10-30 | 2019-03-19 | 成都云材智慧数据科技有限公司 | 一种基于bp神经网络的固态电解质离子电导率预测方法 |
| CN109632687A (zh) * | 2019-01-28 | 2019-04-16 | 国网重庆市电力公司电力科学研究院 | 四氟化碳气体浓度检测校正方法、装置、设备及存储介质 |
Non-Patent Citations (5)
| Title |
|---|
| 严玥 等: "RBF-BP网络在火电厂氮氧化物浓度检测的应用", 《传感器与微系统》 * |
| 严玥 等: "利用RBF网络的火电厂氮氧化物浓度检测方法", 《电子测量与仪器学报》 * |
| 刘萍 等: "k-means-RBF集成神经网络在工业尾气检测中的应用", 《宁波大学学报（理工版）》 * |
| 司守奎 等: "《数学建模算法与应用》", 30 April 2015, 国防工业出版社 * |
| 陆军: "《网络安全态势感知技术》", 30 April 2019, 中国铁道出版社 * |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117607373A (zh) * | 2024-01-24 | 2024-02-27 | 北京佳华智联科技有限公司 | 一种温室气体监测数据校准的方法、系统、设备及介质 |
| CN117607373B (zh) * | 2024-01-24 | 2024-04-19 | 北京佳华智联科技有限公司 | 一种温室气体监测数据校准的方法、系统、设备及介质 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109886830B (zh) | 一种基于用户投诉信息的供水管网污染源追踪定位方法 | |
| CN111159844B (zh) | 一种电站燃气轮机排气温度的异常检测方法 | |
| CN111369057A (zh) | 一种基于深度学习的空气质量预测优化方法及系统 | |
| 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 | |
| CN112034801B (zh) | 挥发性有机污染物总量排污系数计算方法、系统及终端 | |
| CN112488145B (zh) | 一种基于智能化方法的NOx在线预测方法及系统 | |
| CN113440990A (zh) | 基于emd-lstm的出口so2浓度预测方法 | |
| CN104331736A (zh) | 基于RBF神经网络的超超临界锅炉NOx排放动态预测方法 | |
| Sun et al. | The drivers and health risks of unexpected surface ozone enhancements over the Sichuan Basin, China, in 2020 | |
| CN111351898A (zh) | 检测火电厂排放尾气中二氧化硫浓度的方法 | |
| CN115049019B (zh) | 金属有机框架对砷的吸附性能评估方法、装置及相关设备 | |
| Vasquez et al. | System identification of steam pressure in a fire-tube boiler | |
| Li et al. | Sources and processes of organic aerosol in non-refractory PM1 and PM2. 5 during foggy and haze episodes in an urban environment of the Yangtze River Delta, China | |
| Ren et al. | Parameter screening and optimized gaussian process for water dew point prediction of natural gas dehydration unit | |
| CN115186230A (zh) | 一种判定台风对空气质量影响的方法及装置 | |
| Liu et al. | A prediction method of NOx in thermal power plants using GC-LSTM neural network | |
| CN113947142A (zh) | 一种酸性气体排放浓度预测方法、系统及存储介质 | |
| CN113029993A (zh) | 一种基于注意力机制的紫外光谱快速总氮在线检测方法 | |
| CN112461995A (zh) | 一种预测火电厂氨逃逸的方法 | |
| Yan | Precision Improvement for the Detection of TGC via RBF Network | |
| Ye et al. | HONO chemistry at a suburban site during the EXPLORE-YRD campaign in 2018: formation mechanisms and impacts on O 3 production | |
| Wang et al. | A Soft-Sensor Model for NOx Concentration Based on Enet-GPR | |
| CN116976562A (zh) | 一种固定点源污染物与碳排放清单动态核算系统及方法 | |
| Liu et al. | Research on high-precision accounting methods for regional carbon emissions under the peak carbon target | |
| Xu et al. | Optimization strategy design and simulation of power plant boiler combustion system based on Internet of Things and fuzzy neural network in the context of sustainable development |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| RJ01 | Rejection of invention patent application after publication | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20200630 |