CN113627071B - 一种基于鲸鱼算法优化长短时记忆网络的燃煤锅炉nox软测量方法 - Google Patents
一种基于鲸鱼算法优化长短时记忆网络的燃煤锅炉nox软测量方法 Download PDFInfo
- Publication number
- CN113627071B CN113627071B CN202110715313.5A CN202110715313A CN113627071B CN 113627071 B CN113627071 B CN 113627071B CN 202110715313 A CN202110715313 A CN 202110715313A CN 113627071 B CN113627071 B CN 113627071B
- Authority
- CN
- China
- Prior art keywords
- whale
- coal
- boiler
- optimization
- soft measurement
- 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
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/004—Artificial life, i.e. computing arrangements simulating life
- G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
-
- 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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/044—Recurrent networks, e.g. Hopfield networks
-
- 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
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2111/00—Details relating to CAD techniques
- G06F2111/04—Constraint-based CAD
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2111/00—Details relating to CAD techniques
- G06F2111/06—Multi-objective optimisation, e.g. Pareto optimisation using simulated annealing [SA], ant colony algorithms or genetic algorithms [GA]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2111/00—Details relating to CAD techniques
- G06F2111/10—Numerical modelling
-
- 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
- Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
- Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
- Y04S10/00—Systems supporting electrical power generation, transmission or distribution
- Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- Mathematical Physics (AREA)
- Computational Linguistics (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Computer Hardware Design (AREA)
- Geometry (AREA)
- Regulation And Control Of Combustion (AREA)
Abstract
本发明公开了一种基于鲸鱼算法优化长短时记忆网络的燃煤锅炉NOX软测量方法,根据NOX生成机理和锅炉燃烧工艺分析选取相关辅助变量;从燃煤电厂DCS系统中提取辅助变量对应的数据并进行数据预处理;采用主成分分析法对辅助变量进行二次筛选,求取各主元成分及其贡献率;加入鲸鱼优化算法,通过寻优得到合适的超参数值;将超参数值代入网络中,构建鲸鱼算法优化长短时记忆神经网络的燃煤电厂锅炉NOX软测量模型;将获得的辅助变量的数据作为输入,经过燃煤电厂锅炉NOX软测量模型,获得NOX含量的软测量值,通过建立软测量模型辅助硬测量设备,有利于改善传统设备的不足,降低生产监测的经济成本。
Description
技术领域
本发明涉及燃煤电厂技术领域,具体为一种基于鲸鱼算法优化长短时记忆网络的燃煤锅炉NOX软测量方法。
背景技术
目前,尾部烟气脱硝技术在燃煤电厂中得到了大规模的应用。它是在烟气流动通道末处采用一系列技术及吸附手段,对锅炉内产生的大量NOX进行还原转化。我国燃煤机组多数采用SCR脱硝技术来处理燃烧过程产生的烟气,即在催化物质的作用下,尾部通道中的NOX和某些具有还原性的物质发生反应,将NOX还原成H2O和N2,使得排到空气中的NOX含量降低,从而保护大气环境。SCR脱硝技术需要根据烟道中NOX的含量,确定所需还原性物质NH3的量。但是由于锅炉运行环境的特殊性,传统传感器存在着诸多的缺点,如易出现难以直接测量、环境恶劣不方便专业人员的定期检查、性价比低、设备老化严重等问题。而软测量方法是采用易测量辅助变量的信息来间接获取被测量变量信息,在可实现性,准确性和成本方面具有明显优势,因此建立NOX含量的软测量模型对脱硝减排具有重要意义。
软测量技术将工业过程领域和信息技术知识联合,通过选取火电厂的方便测得的常规监测点的实时数据,利用计算机技术构造映射关系模型,估量或者预测生产过程中不方便测量的关键变量。我国以煤炭为主的能源结构,决定了燃煤发电是当前的主要发电方式。煤燃烧产生的NOX是环境污染的主要原因之一,合理优化NOX含量是燃煤电厂面临的重要任务。NOX的传统测量方式存在难以直接测量、维护困难等问题,因此建立灵活高效的NOX软测量模型具有重要意义。
基于此,本发明设计了一种基于鲸鱼算法优化长短时记忆网络的燃煤锅炉NOX软测量方法,以解决上述提到的问题。
发明内容
本发明的目的在于提供一种基于鲸鱼算法优化长短时记忆网络的燃煤锅炉NOX软测量方法,目的是用大数据和人工智能方法,实现NOX含量的软测量。一方面能够实现NOX的测量,另一方面经过对模型的进一步拓展可以测量其他物质的含量,因此具有一定的灵活应用性。通过建立软测量模型辅助硬测量设备,有利于改善传统设备的不足,降低生产监测的经济成本,向智能化测量方向的发展跨进了一大步。
为实现上述目的,本发明提供如下技术方案:一种基于鲸鱼算法优化长短时记忆网络的燃煤锅炉NOX软测量方法,包括以下步骤:
S1:根据NOX生成机理和锅炉燃烧工艺分析选取相关辅助变量;
S2:从燃煤电厂DCS系统中提取辅助变量对应的数据并进行数据预处理;
S3:采用主成分分析法对辅助变量进行二次筛选,求取各主元成分及其贡献率;
S4:分析每个主元对应各辅助变量的载荷分布情况,将每个主元的载荷以柱状图的形式表示出来,选择得分较高的几个变量作为最终模型的主要变量;
S5:加入鲸鱼优化算法,通过寻优得到合适的超参数值;
S6:将超参数值代入网络中,构建鲸鱼算法优化长短时记忆神经网络的燃煤电厂锅炉NOX软测量模型;
S7:以获得的辅助变量的数据输入,经过燃煤电厂锅炉NOX软测量模型,获得NOX含量的软测量值,
S8:以降低NOX含量为优化目标,利用鲸鱼算法在软测量模型的基础上结合可调变量边界条件对目标寻优,对可调变量给出优化指导,实现了NOX软测量模型的燃烧优化。
优选的,上述一种基于鲸鱼算法优化长短时记忆网络的燃煤锅炉NOX软测量方法中,通过所述主成分分析法提取原始数据的主成分变量,实现m维数据空间投影到k维数据空间,k维称为主元,是重新构造出的特征,
具体步骤为:
S3.1:设n个样本记为X=(X1,X2,…,Xn),其中第i个样本xi=[x1i,x2i,…,xmi]T,经过主成分分析法,得到的k维特征变量的表达式为:
式中,共提取k个主元,F1为第一主成分,F2为第二主成分,依次类推,Fk为第k主成分,a为主成分系数;
S3.2:计算主成分值:计算各变量的相关系数矩阵,
S3.3:计算相关系数矩阵R的特征值λ=(λ1,λ2,…,λn)和特征值对应的特征向量ai=(ai1,ai2,…,ain),i=1,2,…,n,计算得到的第i组主成分Fi的值为:
Fi=ai1X1+ai2X2+...+ainXn (4)
S3.4:主成分个数的选取:先分别计算出每个主元ai的方差贡献率和前k个主元的累计方差贡献率,再根据模型情况设定k个主元需达到的预设累计方差贡献率值,如果前k个主元的累积方差贡献率超过预设累计方差贡献率值,就确定主成分的个数为k,公式如下:
式中,λi为主元ai的方差,δi为主元ai的方差贡献率,ηk为k的主元含有的信息占总信息的百分比。
优选的,上述一种基于鲸鱼算法优化长短时记忆网络的燃煤锅炉NOX软测量方法中,所述S5的具体步骤为:首先是对初始种群进行更新;然后通过鲸鱼优化算法看出鲸鱼群体通过选择3个不同的搜索方式其中一种,按对应的目标位置进行更新;最后,当迭代次数达到最大值时结束算法,输出最优解,即超参数值。
优选的,上述一种基于鲸鱼算法优化长短时记忆网络的燃煤锅炉NOX软测量方法中,所述鲸鱼优化算法包括包围捕食环节、气泡攻击环节和搜寻猎物环节,
包围捕食环节:
D=|C·X*(t)-X(t)| (12)
X(t+1)=X*(t)-A·D (13)
式中,D为鲸鱼和目标猎物之间的位置距离,t代表目前的迭代次数,X*(t)为第t次迭代后猎物的位置即目前鲸鱼种群中最佳解的位置,X(t)为迭代t次后该鲸鱼的位置即当前鲸鱼个体的位置,A和C表示系数向量,计算公式如下:
A=2a·r-a (14)
C=2r (15)
式中,r为[0,1]之间的随机数。
式中,Tmax为最大迭代次数,t是当前迭代次数,收敛因子是a;
气泡攻击环节:包括收缩包围机制和螺旋更新机制,
假设鲸鱼群体选择包围收缩和螺旋更新这两种捕猎方式的概率相同,统一设置为0.5,根据概率p的大小选择捕猎方式,当p<0.5时,鲸鱼群体通过包围收缩捕获猎物,计算公式同(13);反之,按照螺旋更新的捕猎方式,其数学模型如式(17):
X(t+1)=D′·ebl·cos(2πl)+X(t)(p≥0.5) (17)
D′=|X*(t)-X(t)| (18)
式中,p为[0,1]之间的一个随机数,b是常量,l是区间[-1,1]的一个随机数;
搜寻猎物环节;包括全局搜索和局部搜索,
当|A|>1时,可以任意选定一个鲸鱼个体作为最佳目标猎物,按照式(19)的位置更新公式朝着选取的方向更新,其数学模型为:
X(t+1)=Xrand(t)-A·D″ (19)
D″=|C·Xrand(t)-X(t)| (20)
式中,Xrand为鲸鱼群体任意选的鲸鱼个体的位置向量。
优选的,上述一种基于鲸鱼算法优化长短时记忆网络的燃煤锅炉NOX软测量方法中,所述长短时记忆神经网络内部结构包括遗忘门ft、输入门it和输出门ot和记忆单元Ct,
遗忘门ft,用于决定从元胞状态中取舍信息,由遗忘门的sigmoid层控制,遗忘门会输出0-1之间的数,1表示保留该信息,0表示丢弃该信息,其表达式如下:
ft=σ(Wf·[ht-1,xt]+bf) (7)
式中,Wf是权重矩阵,xt是t时刻的输入向量,ht-1是前一状态的值,bf是遗忘门的偏置向量,σ是sigmoid激活函数;
输入门it,用于将有用的新信息输入到元胞状态内,具体过程是通过sigmoid函数确定更新哪些值;然后通过tanh函数获得一个在[-1,1]的新的候选值,并将这两部分生成的值组合起来进行更新,然后确定是否将其添加到单元状态,其表达式如下:
it=σ(Wi·[ht-1,xt]+bi) (8)
Ct=tanh(Wc·[ht-1,xt]+bc) (9)
式中,Wi和WC表示权重矩阵,xt是t时刻的输入向量,bi和bc分别是输入门和记忆单元的偏置向量;
输出门ot,用于从元胞状态中输出当前时刻中重要的信息,具体过程是先通过sigmoid函数得到一个初始的输出值ot,然后通过tanh函数将输入门中的Ct值缩放到(-1,1),再与初始的输出值ot相乘,作为当前元胞隐状态的最终输出结果,即可得到系统的输出,其表达式如下:
ot=σ(Wo·[ht-1,xt]+bo) (10)
ht=ot·tanh(Ct) (11)
式中,ht为t时刻的输出向量。
优选的,上述一种基于鲸鱼算法优化长短时记忆网络的燃煤锅炉NOX软测量方法中,所述燃煤电厂锅炉NOX优化指导包括:
1)模型训练阶段
选取一个机组在负荷稳定后半小时的历史数据进行训练,对该模型进行训练后的验证评估,验证该模型在训练后的预测效果;
2)优化计算阶段
采用种群优化算法对目标函数进行多变量优化,通过对锅炉的燃烧系统中空气和煤炭总量的变化情况来调整和改变模型中各个变量的数值及其约束范围,并且设置各个算法的种群个数、迭代次数以及待优化调节的变量;
3)优化运行阶段
通过第2)阶段计算出锅炉可调变量的优化结果后,将锅炉给煤机的给煤量、氧量、燃尽风流量变量修正为获得的最佳值并运行,直到负荷进入下一个阶段后再重新进行如上步骤1)。
与现有技术相比,本发明的有益效果是:
1、燃烧工艺流程可以将电厂锅炉分为煤粉制备与燃烧系统、风烟系统和汽水系统等,燃煤锅炉燃烧系统的复杂性和多变性,决定了影响NOX的因素是多种多样的,根据元素N来源的不同,对NOX的生成机理进行分析,结合NOX的机理和工艺分析选取对应的辅助变量。由于数据采集过程中存在的干扰性,需对数据进一步处理;
2、引入主成分分析法精选辅助变量的个数,以此提高软测量模型的精度;
3、根据火电厂运行历史经验,针对烟气在电厂锅炉燃烧系统中途径较多的能量转换环节,耗时较长,因此建模时需要考虑长时间的历史数据。而长短期记忆神经网络在循环神经网络的基础上引入门结构,使网络具有长短期记忆特性,提出LSTM网络的NOX软测量方法;
4、针对LSTM算法建立模型过程中的超参数如何选取这一问题,将两种算法结合起来,采用鲸鱼优化算法去寻找LSTM神经网络中的最优参数组合,实现NOX的软测量;
5、基于该方法进一步实现对锅炉燃烧系统的单目标优化,使得各调节变量能够在最佳范围内运行,为机组运行人员提供了优化指导建议;
6、本发明利用燃煤电厂电厂辅助变量的实时数据,实现对燃煤锅炉的NOX含量的软测量。结果表明:基于WOA-LSTM的NOX软测量的测量精度有效提升且泛化性能好,平均绝对百分比误差小于3.80%,满足NOX的测量需求。同时可调变量的优化指导有助于锅炉燃烧优化控制,对节能减排具有重要意义。
附图说明
为了更清楚地说明本发明实施例的技术方案,下面将对实施例描述所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1为本发明WOA算法优化LSTM的流程图;
图2为本发明基于LSTM的NOX软测量模型训练过程图;
图3为本发明WOA算法模型结构示意图;
图4为本发明WOA算法的优化过程图;
图5为本发明锅炉燃烧优化的流程图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其它实施例,都属于本发明保护的范围。
本发明提供的一种实施例:一种基于鲸鱼算法优化长短时记忆网络的燃煤锅炉NOX软测量方法,包括以下步骤:
S1:根据NOX生成机理和锅炉燃烧工艺分析选取相关辅助变量;
S2:从燃煤电厂DCS系统中提取辅助变量对应的数据并进行数据预处理;
燃煤锅炉是火力发电厂的主要设备之一。煤粉在炉膛中燃烧释放大量的热量,这些热量将水加热成一定温度和压力的蒸汽,并驱动汽轮机带动发电机发电。本发明的研究对象是东方电气集团锅炉股份有限公司制造的300MW亚临界自然循环锅炉,该锅炉为单炉固体煤粉炉、自然循环汽包炉、平衡通风、燃烧器布置采取四角切圆的方式、全钢框架结构煤粉锅炉。首先对不同类型的NOX进行分析,采用机理分析和锅炉燃烧工艺过程分析的方法,同时结合相关文献对进行预选为NOX软测量模型方法的研究奠定了基础。
S3:采用主成分分析法对辅助变量进行二次筛选,求取各主元成分及其贡献率;
为缩短数据处理和模型训练时间,需要去除初选得到辅助变量数据中的冗余信息。为此,本发明采用主成分分析法对各变量的累积方差贡献率进行计算,筛选贡献度高的变量作为辅助变量。
主成分分析广泛应用于软测量辅助变量的筛选,降低数据维度的同时可以减小模型的复杂度,提高解决问题的效率。通过主成分分析法通过提取原始数据的主成分变量,实现了m维数据空间投影到k维数据空间,k维称为主元,它们是重新构造出的特征,而不是简单从m维特征中取出k维特征。
具体步骤为:
S3.1:设n个样本记为X=(X1,X2,…,Xn),其中第i个样本xi=[x1i,x2i,…,xmi]T,经过主成分分析法,得到的k维特征变量的表达式为:
式中,共提取k个主元,F1为第一主成分,F2为第二主成分,依次类推,Fk为第k主成分,a为主成分系数;
S3.2:计算主成分值:计算各变量的相关系数矩阵,
S3.3:计算相关系数矩阵R的特征值λ=(λ1,λ2,…,λn)和特征值对应的特征向量ai=(ai1,ai2,…,ain),i=1,2,…,n,计算得到的第i组主成分Fi的值为:
Fi=ai1X1+ai2X2+...+ainXn (4)
S3.4:主成分个数的选取:设定主元的个数是主成分分析法的关键步骤,主元的数量会影响模型的精度和泛化能力。如果选取主元的数量少,模型则不能充分学习样本数据,从而导致模型的误差大;反之,模型的泛化能力弱但误差小。一般采用计算累积方差贡献率的方法确定主元的个数,该方法先分别计算出每个主元ai的方差贡献率和前k个主元的累计方差贡献率,再根据模型情况设定k个主元需达到的累计方差贡献率值,通常取85%。换言之,如果前k(k<m)个主元的累积方差贡献率超过85%,就确定主成分的个数为k。公式如下:
式中,λi为主元ai的方差,δi为主元ai的方差贡献率,ηk为k的主元含有的信息占总信息的百分比。各主成分对应的特征值及方差贡献率,如下表所示,
S4:主元成分分析:对主元成分进行分析是PCA的核心内容。从第1个主元到第k个主元,其对应的方差贡献率逐渐降低,排在前面的主元占主导地位。分析每个主元对应各辅助变量的载荷分布情况,将每个主元的载荷以柱状图的形式表示出来,以便可以直观地看出每个主元对应变量的得分情况,选择得分较高的几个变量作为最终模型的主要变量。
S5:加入鲸鱼优化算法,通过寻优得到合适的超参数值;
火电厂的燃烧系统、汽水系统和风烟系统都是大惯性、大滞后系统,常规测点数据在时间序列上具有较强的相关性。长短时记忆神经网络是循环神经网络的变体,能够从正向和反向上充分挖掘测点数据在时间序列上与煤质成分的相关性,在处理序列数据方面具有着独特的优势。因此,本发明选取长短记忆神经网络作为燃煤电厂锅炉NOX软测量模型基础。图2为基于LSTM的NOX软测量模型训练过程图。
针对LSTM模型的超参数选取问题,采用常规的鲸鱼算法WOA对超参数进行优化,从而提高NOX软测量模型精度。由于WOA的收敛因子无法体现真实的寻优过程,提出一种改进的鲸鱼算法WOA,建立基于WOA-LSTM的NOX软测量模型,并通过对比验证其模型有效性,如图1所示。同时根据NOX软测量模型与辅助变量间的函数关系,利用WOA算法对可调变量进行寻优,为机组人员提供运行指导,实现锅炉NOX含量的燃烧优化。
鲸鱼优化算法属于新的启发式优化算法。座头鲸狩猎的过程主要包括三个环节:包围捕食环节、气泡攻击环节和搜寻猎物环节。
包围捕食环节:
在WOA算法中,座头鲸能够追踪到目标猎物的位置并对其进行包围逼近。由于鲸鱼种群在其搜索过程中无法知道当前最佳目标猎物的位置,解决该问题的方法是假定当前的猎物位置或者是接近该位置时为最佳目标。在定义了最佳猎物位置后,整个鲸鱼群体通过不断交流对比,各个搜索个体尝试着向最佳目标位置更新它们的位置,通过不断迭代更新找到目标猎物。此过程可表示为:
D=|C·X*(t)-X(t)| (12)
X(t+1)=X*(t)-A·D (13)
式中,D为鲸鱼和目标猎物之间的位置距离,t代表目前的迭代次数,X*(t)为第t次迭代后猎物的位置即目前鲸鱼种群中最佳解的位置,X(t)为迭代t次后该鲸鱼的位置即当前鲸鱼个体的位置,A和C表示系数向量,计算公式如下:
A=2a·r-a (14)
C=2r (15)
式中,r为[0,1]之间的随机数。
式中,Tmax为最大迭代次数,t是当前迭代次数,收敛因子是a;
气泡攻击环节:
鲸鱼在气泡攻击阶段有两种捕猎方式,图3左侧是收缩包围机制,图4右侧是螺旋更新机制。在优化过程中,假设鲸鱼群体选择包围收缩和螺旋更新这两种捕猎方式的概率相同,统一设置为0.5。根据概率p的大小选择捕猎方式。当p<0.5时,鲸鱼群体通过包围收缩捕获猎物,计算公式同(13);反之,按照螺旋更新的捕猎方式,其数学模型如式(17):
X(t+1)=D′·ebl·cos(2πl)+X(t)(p≥0.5) (17)
D′=|X*(t)-X(t)| (18)
式中,p为[0,1]之间的一个随机数,b是常量,l是区间[-1,1]的一个随机数;
搜寻猎物环节;
除了气泡攻击的捕食方法,座头鲸还会根据彼此的位置随机的搜索猎物,WOA算法通过系数向量|A|的大小判定当前是全局探索还是局部开发,全局搜索和局部搜索这两种搜索类型存在于每一个群智能算法中。前者能力强可以保证种群的多样性,而后者则与算法对局部搜索的精准度正相关。当|A|>1时,鲸鱼群体不能采用收缩包围的捕猎方式,因为其处在包围圈外不能获得目标猎物的有效位置,此时鲸鱼群体可以任意选定一个鲸鱼个体作为最佳目标猎物,按照式(19)的位置更新公式朝着选取的方向更新。其数学模型为:
X(t+1)=Xrand(t)-A·D″ (19)
D″=|C·Xrand(t)-X(t)| (20)
式中,Xrand为鲸鱼群体任意选的鲸鱼个体的位置向量。
图4为WOA算法的工作流程图。首先是对初始种群进行更新;然后通过流程图可以看出鲸鱼群体是如何选择这3个不同的搜索方式,按对应的目标位置进行更新;最后,当迭代次数达到最大值时结束算法,输出最优解。
S6:将超参数值代入网络中,构建鲸鱼算法优化长短时记忆神经网络的燃煤电厂锅炉NOX软测量模型;
在燃煤电厂的运行过程中,LSTM能够学习长期依赖关系并可保留误差,在沿时间和层进行反向传递时,可以将误差保持在更加恒定的水平,让递归网络能够进行多个时间步的学习,从而建立远距离因果联系。它在许多问题上效果非常好,现在被广泛应用。
LSTM采用门限结构,LSTM神经网络在递归网络外部的门单元中存储一系列的时序信息,这些门单元能够像计算机内存中的数据一样,可以存储、写入和读取信息。根据门的开关情况判定存储哪些信息,何时读取、写入或擦除信息。同时依据接收到的信号开关,用自身的权重集对信息进行筛选,根据强度和输入内容决定信息的传输与否,对递归网络的学习过程重新进行调整。
在LSTM的内部结构中,通过遗忘门ft、输入门it和输出门ot以及一个记忆单元Ct来实现长期信息保留或者丢弃的目标。
遗忘门ft,用于决定从元胞状态中取舍信息,由遗忘门的sigmoid层控制,遗忘门会输出0-1之间的数,1表示保留该信息,0表示丢弃该信息,其表达式如下:
ft=σ(Wf·[ht-1,xt]+bf) (7)
式中,Wf是权重矩阵,xt是t时刻的输入向量,ht-1是前一状态的值,bf是遗忘门的偏置向量,σ是sigmoid激活函数;
输入门it,用于将有用的新信息输入到元胞状态内,具体过程是通过sigmoid函数确定更新哪些值;然后通过tanh函数获得一个在[-1,1]的新的候选值,并将这两部分生成的值组合起来进行更新,然后确定是否将其添加到单元状态,其表达式如下:
it=σ(Wi·[ht-1,xt]+bi) (8)
Ct=tanh(Wc·[ht-1,xt]+bc) (9)
式中,Wi和WC表示权重矩阵,xt是t时刻的输入向量,bi和bc分别是输入门和记忆单元的偏置向量;
输出门ot,用于从元胞状态中输出当前时刻中重要的信息,具体过程是先通过sigmoid函数得到一个初始的输出值ot,然后通过tanh函数将输入门中的Ct值缩放到(-1,1),再与初始的输出值ot相乘,作为当前元胞隐状态的最终输出结果,即可得到系统的输出,其表达式如下:
ot=σ(Wo·[ht-1,xt]+bo) (10)
ht=ot·tanh(Ct) (11)
式中,ht为t时刻的输出向量。
S7:以获得的辅助变量的数据输入,经过燃煤电厂锅炉NOX软测量模型,获得NOX含量的软测量值,
S8:以降低NOX含量为优化目标,利用鲸鱼算法在软测量模型的基础上结合可调变量边界条件对目标寻优,对可调变量给出优化指导,实现了NOX软测量模型的燃烧优化。
针对某机组当天锅炉负荷变化的特点,制定了优化方案。当负荷稳定时,可通过以下三个步骤实现燃烧优化。
1)模型训练阶段
通常选取一个机组在负荷稳定后半小时左右的历史数据进行训练,以确保所需要模型的预测精度。为了更好地验证该模型在训练后的预测效果,可以对该模型进行训练后的验证评估。
2)优化计算阶段
一般通过采用种群优化算法对目标函数进行多变量优化。在进行可调变量优化的同时,我们还需要通过对锅炉的燃烧系统中空气和煤炭总量的变化情况来调整和改变模型中各个变量的数值及其约束范围,并且需要设置各个算法的种群个数、迭代次数以及待优化调节的变量。
3)优化运行阶段
通过第2)阶段计算出锅炉可调变量的优化结果后,将锅炉给煤机的给煤量、氧量、燃尽风流量等变量修正为获得的最佳值并运行,直到负荷进入下一个阶段后再重新进行如上步骤。
实施例
在锅炉燃烧系统中,影响NOX含量生成的机组变量大概可以分为以下三类:
第一类,不可测量而且也不可调整的变量,例如锅炉的型号和燃烧器的型号,锅炉的结构等;
第二类,可以测量但是不能调节的变量,如一次风风温、二次风风温和烟气温度等;
第三类,可以测量而且也可以调节的变量,如给煤量、一次风风量和二次风风量等。
经主成分分析后得到17个易测的辅助变量,这些辅助变量中一部分属于不可调节的,一部分属于可以调节的,本节选取的就是这些可以调节的变量来进行燃烧的优化调整,选取的这些量分别是:给煤机的给煤量(4个),一次风流量(2个),二次风流量(2个),燃尽风流量(2个),氧气浓度(1个),除尘器飞灰含量(2个),总共13个待优化的可调变量。在软测量模型的基础上,通过采用WOA算法并结合这13个可调变量的边界条件,对目标函数进行优化。具体优化流程如图5:
由于NOX含量超出了国家规定的标准,因此优化目的就是降低NOX含量。在符合锅炉机组稳定安全运行的条件下,对燃煤锅炉的可调参数变量进行合理范围的调整,达到降低NOX含量的目的。优化目标可以设置为式:
采用第三类的可调变量作为自变量,筛选部分历史数据,将采集到的NOX含量和各可调变量进行曲线拟合,得到各可调变量和NOX含量的曲线关系图。以给煤量和氧量两个可调变量为例,分别构建了给煤量、氧量与NOX含量的关系。
以降低NOX含量为优化目标,通过采用改进鲸鱼优化算法,初始化设置相关种群个数、迭代次数等参数,对该目标函数进行优化,当迭代次数达到最大时,其对应的目标函数值最小。为方便调整,将这13个待优化的变量用输入向量x来表示,表达式如式(22)。该综合优化目标函数是一个约束优化问题,x的约束条件如式(23):
x=[x1,x2,x3,x4,x5,x6,x7,x8,x9,x10,x11,x12,x13] (22)
式中,x1-x4为给煤量,x5-x6为左右入口一次风流量,x7-x8为左右入口二次风流量,x9-x10为左右燃尽风流量,x11为氧气浓度,x12-x13为左右除尘器飞灰含量。
待优化的变量和目标函数确定好了之后,利用WOA在软测量模型的基础上结合机组可调变量的边界条件对目标寻优,当迭代寻找到最小NOX含量或者找到最佳优化参数时停止寻优,对13个可调变量给出优化指导。
在本说明书的描述中,参考术语“一个实施例”、“示例”、“具体示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中,对上述术语的示意性表述不一定指的是相同的实施例或示例。而且,描述的具体特征、结构、材料或者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。
以上公开的本发明优选实施例只是用于帮助阐述本发明。优选实施例并没有详尽叙述所有的细节,也不限制该发明仅为所述的具体实施方式。显然,根据本说明书的内容,可作很多的修改和变化。本说明书选取并具体描述这些实施例,是为了更好地解释本发明的原理和实际应用,从而使所属技术领域技术人员能很好地理解和利用本发明。本发明仅受权利要求书及其全部范围和等效物的限制。
Claims (6)
1.一种基于鲸鱼算法优化长短时记忆网络的燃煤锅炉NOX软测量方法,其特征在于:包括以下步骤:
S1:根据NOX生成机理和锅炉燃烧工艺分析选取相关辅助变量;
S2:从燃煤电厂DCS系统中提取辅助变量对应的数据并进行数据预处理;
S3:采用主成分分析法对辅助变量进行二次筛选,求取各主元成分及其贡献率;
S4:分析每个主元对应各辅助变量的载荷分布情况,将每个主元的载荷以柱状图的形式表示出来,选择得分较高的几个变量作为最终模型的主要变量;
S5:加入鲸鱼优化算法,通过寻优得到合适的超参数值;
S6:将超参数值代入网络中,构建鲸鱼算法优化长短时记忆神经网络的燃煤电厂锅炉NOX软测量模型;
S7:将获得的辅助变量的数据作为输入,经过燃煤电厂锅炉NOX软测量模型,获得NOX含量的软测量值,
S8:以降低NOX含量为优化目标,利用鲸鱼算法在软测量模型的基础上结合可调变量边界条件对目标寻优,对可调变量给出优化指导,实现了NOX软测量模型的燃烧优化。
2.根据权利要求1所述的一种基于鲸鱼算法优化长短时记忆网络的燃煤锅炉NOX软测量方法,其特征在于:通过所述主成分分析法提取原始数据的主成分变量,实现m维数据空间投影到k维数据空间,k维称为主元,是重新构造出的特征,
具体步骤为:
S3.1:设n个样本记为X=(X1,X2,…,Xn),其中第i个样本xi=[x1i,x2i,…,xmi]T,经过主成分分析法,得到的k维特征变量的表达式为:
式中,共提取k个主元,F1为第一主成分,F2为第二主成分,依次类推,Fk为第k主成分,a为主成分系数;
S3.2:计算主成分值:计算各变量的相关系数矩阵,
S3.3:计算相关系数矩阵R的特征值λ=(λ1,λ2,…,λn)和特征值对应的特征向量ai=(ai1,ai2,…,ain),i=1,2,…,n,计算得到的第i组主成分Fi的值为:
Fi=ai1X1+ai2X2+...+ainXn (4)
S3.4:主成分个数的选取:先分别计算出每个主元ai的方差贡献率和前k个主元的累计方差贡献率,再根据模型情况设定k个主元需达到的预设累计方差贡献率值,如果前k个主元的累积方差贡献率超过预设累计方差贡献率值,就确定主成分的个数为k,公式如下:
式中,λi为主元ai的方差,δi为主元ai的方差贡献率,ηk为k的主元含有的信息占总信息的百分比。
3.根据权利要求1所述的一种基于鲸鱼算法优化长短时记忆网络的燃煤锅炉NOX软测量方法,其特征在于:所述S5的具体步骤为:首先是对初始种群进行更新;然后通过鲸鱼优化算法看出鲸鱼群体通过选择3个不同的搜索方式其中一种,按对应的目标位置进行更新;最后,当迭代次数达到最大值时结束算法,输出最优解,即超参数值。
4.根据权利要求1所述的一种基于鲸鱼算法优化长短时记忆网络的燃煤锅炉NOX软测量方法,其特征在于:所述鲸鱼优化算法包括包围捕食环节、气泡攻击环节和搜寻猎物环节,
包围捕食环节:
D=|C·X*(t)-X(t)| (12)
X(t+1)=X*(t)-A·D (13)
式中,D为鲸鱼和目标猎物之间的位置距离,t代表目前的迭代次数,X*(t)为第t次迭代后猎物的位置即目前鲸鱼种群中最佳解的位置,X(t)为迭代t次后该鲸鱼的位置即当前鲸鱼个体的位置,A和C表示系数向量,计算公式如下:
A=2a·r-a (14)
C=2r (15)
式中,r为[0,1]之间的随机数;
式中,Tmax为最大迭代次数,t是当前迭代次数,收敛因子是a;
气泡攻击环节:包括收缩包围机制和螺旋更新机制,
假设鲸鱼群体选择包围收缩和螺旋更新这两种捕猎方式的概率相同,统一设置为0.5,根据概率p的大小选择捕猎方式,当p<0.5时,鲸鱼群体通过包围收缩捕获猎物,计算公式同(13);反之,按照螺旋更新的捕猎方式,其数学模型如式(17):
X(t+1)=D′·ebl·cos(2πl)+X(t)(p≥0.5) (17)
D′=|X*(t)-X(t)| (18)
式中,p为[0,1]之间的一个随机数,b是常量,l是区间[-1,1]的一个随机数;
搜寻猎物环节;包括全局搜索和局部搜索,
当|A|>1时,可以任意选定一个鲸鱼个体作为最佳目标猎物,按照式(19)的位置更新公式朝着选取的方向更新,其数学模型为:
X(t+1)=Xrand(t)-A·D″ (19)
D″=|C·Xrand(t)-X(t)| (20)
式中,Xrand为鲸鱼群体任意选的鲸鱼个体的位置向量。
5.根据权利要求1所述的一种基于鲸鱼算法优化长短时记忆网络的燃煤锅炉NOX软测量方法,其特征在于:所述长短时记忆神经网络内部结构包括遗忘门ft、输入门it和输出门ot和记忆单元Ct,
遗忘门ft,用于决定从元胞状态中取舍信息,由遗忘门的sigmoid层控制,遗忘门会输出0-1之间的数,1表示保留该信息,0表示丢弃该信息,其表达式如下:
ft=σ(Wf·[ht-1,xt]+bf) (7)
式中,Wf是权重矩阵,xt是t时刻的输入向量,ht-1是前一状态的值,bf是遗忘门的偏置向量,σ是sigmoid激活函数;
输入门it,用于将有用的新信息输入到元胞状态内,具体过程是通过sigmoid函数确定更新哪些值;然后通过tanh函数获得一个在[-1,1]的新的候选值,并将这两部分生成的值组合起来进行更新,然后确定是否将其添加到单元状态,其表达式如下:
it=σ(Wi·[ht-1,xt]+bi) (8)
Ct=tanh(Wc·[ht-1,xt]+bc) (9)
式中,Wi和WC表示权重矩阵,xt是t时刻的输入向量,bi和bc分别是输入门和记忆单元的偏置向量;
输出门ot,用于从元胞状态中输出当前时刻中重要的信息,具体过程是先通过sigmoid函数得到一个初始的输出值ot,然后通过tanh函数将输入门中的Ct值缩放到(-1,1),再与初始的输出值ot相乘,作为当前元胞隐状态的最终输出结果,即可得到系统的输出,其表达式如下:
ot=σ(Wo·[ht-1,xt]+bo) (10)
ht=ot·tanh(Ct) (11)
式中,ht为t时刻的输出向量。
6.根据权利要求1所述的一种基于鲸鱼算法优化长短时记忆网络的燃煤锅炉NOX软测量方法,其特征在于:所述燃煤电厂锅炉NOX优化指导包括:
1)模型训练阶段
选取一个机组在负荷稳定后半小时的历史数据进行训练,对该模型进行训练后的验证评估,验证该模型在训练后的预测效果;
2)优化计算阶段
采用种群优化算法对目标函数进行多变量优化,通过对锅炉的燃烧系统中空气和煤炭总量的变化情况来调整和改变模型中各个变量的数值及其约束范围,并且设置各个算法的种群个数、迭代次数以及待优化调节的变量;
3)优化运行阶段
通过第2)阶段计算出锅炉可调变量的优化结果后,将锅炉给煤机的给煤量、氧量、燃尽风流量变量修正为获得的最佳值并运行,直到负荷进入下一个阶段后再重新进行如上步骤1)。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110715313.5A CN113627071B (zh) | 2021-06-26 | 2021-06-26 | 一种基于鲸鱼算法优化长短时记忆网络的燃煤锅炉nox软测量方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110715313.5A CN113627071B (zh) | 2021-06-26 | 2021-06-26 | 一种基于鲸鱼算法优化长短时记忆网络的燃煤锅炉nox软测量方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113627071A CN113627071A (zh) | 2021-11-09 |
CN113627071B true CN113627071B (zh) | 2023-06-20 |
Family
ID=78378421
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110715313.5A Active CN113627071B (zh) | 2021-06-26 | 2021-06-26 | 一种基于鲸鱼算法优化长短时记忆网络的燃煤锅炉nox软测量方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113627071B (zh) |
Families Citing this family (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114282646B (zh) * | 2021-11-29 | 2023-08-25 | 淮阴工学院 | 基于两阶段特征提取和改进BiLSTM的光功率预测方法及系统 |
CN114384435A (zh) * | 2021-12-09 | 2022-04-22 | 国网天津市电力公司 | 一种基于wsa-lstm算法的新能源汽车动力电池剩余使用寿命自适应预测方法 |
CN114781614B (zh) * | 2022-04-27 | 2023-09-15 | 电子科技大学 | 一种锂离子电池健康状态预测方法 |
CN115659688B (zh) * | 2022-11-07 | 2023-05-09 | 北京科技大学 | 提升增材铝合金及其复合材料可靠性的工艺确定方法 |
CN116832614B (zh) * | 2023-05-24 | 2024-05-24 | 华能国际电力股份有限公司上海石洞口第二电厂 | 一种scr脱硝系统喷氨量控制方法及系统 |
CN117313936B (zh) * | 2023-09-30 | 2024-03-29 | 江南大学 | 一种燃煤电厂烟气脱硫过程净烟气so2浓度预测方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
AU2020103826A4 (en) * | 2020-12-01 | 2021-02-11 | Dalian University | Whale dna sequence optimization method based on harmony search (hs) |
CN112581262A (zh) * | 2020-12-23 | 2021-03-30 | 百维金科(上海)信息科技有限公司 | 一种基于鲸鱼算法优化lvq神经网络的欺诈行为检测方法 |
WO2021082809A1 (zh) * | 2019-10-29 | 2021-05-06 | 山东科技大学 | 一种外汇时间序列预测的训练优化方法 |
-
2021
- 2021-06-26 CN CN202110715313.5A patent/CN113627071B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2021082809A1 (zh) * | 2019-10-29 | 2021-05-06 | 山东科技大学 | 一种外汇时间序列预测的训练优化方法 |
AU2020103826A4 (en) * | 2020-12-01 | 2021-02-11 | Dalian University | Whale dna sequence optimization method based on harmony search (hs) |
CN112581262A (zh) * | 2020-12-23 | 2021-03-30 | 百维金科(上海)信息科技有限公司 | 一种基于鲸鱼算法优化lvq神经网络的欺诈行为检测方法 |
Non-Patent Citations (2)
Title |
---|
CAWOA-ELM混合模型的锅炉NO_x排放量预测;赖敏;陈国彬;刘超;牛培峰;;动力工程学报(第11期);全文 * |
基于长短期记忆神经网络的火电厂NO_x排放预测模型;杨国田;张涛;王英男;李新利;刘禾;;热力发电(第10期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN113627071A (zh) | 2021-11-09 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113627071B (zh) | 一种基于鲸鱼算法优化长短时记忆网络的燃煤锅炉nox软测量方法 | |
CN112085277B (zh) | 一种基于机器学习的scr脱硝系统预测模型优化方法 | |
CN106202946A (zh) | 基于深度信念网络模型的水泥熟料游离钙含量预测方法 | |
CN109508818B (zh) | 一种基于LSSVM的在线NOx预测方法 | |
CN112488145B (zh) | 一种基于智能化方法的NOx在线预测方法及系统 | |
CN109492807A (zh) | 基于改进量子粒子群算法的锅炉nox预测模型优化方法 | |
CN104715142A (zh) | 一种电站锅炉NOx排放动态软测量方法 | |
CN114721263B (zh) | 基于机器学习和智能优化算法的水泥分解炉智慧调控方法 | |
Wang et al. | Prediction of superheated steam temperature for thermal power plants using a novel integrated method based on the hybrid model and attention mechanism | |
CN110888401B (zh) | 火力发电机组燃烧控制优化方法、装置及可读存储介质 | |
Sun et al. | Interval forecasting for wind speed using a combination model based on multiobjective artificial hummingbird algorithm | |
CN115437245A (zh) | 一种基于燃烧状态预测模型的锅炉优化控制方法 | |
KR102291800B1 (ko) | 보일러 연소 모델 도출 장치 및 방법 | |
CN114896895A (zh) | 基于门控循环神经网络的脱硝系统入口氮氧化物排放预测方法及系统 | |
CN109506248B (zh) | 一种基于可在线寻优的案例推理锅炉燃烧优化方法 | |
Cheng et al. | Deep reinforcement learning combustion optimization system using synchronous neural episodic control | |
Savargave et al. | Self-adaptive firefly algorithm with neural network for design modelling and optimization of boiler plants | |
CN113469449B (zh) | 脱硫系统的寻优控制方法及系统 | |
Li et al. | Optimization for Boiler Based on Data Mining and Multi-Condition Combustion Model | |
CN116954058B (zh) | 一种锅炉NOx浓度预测与智能控制方法及系统 | |
US12002014B2 (en) | Soft measurement method for dioxin emission concentration in municipal solid waste incineration process | |
CN116760026B (zh) | 计及参数不可辨识性的机组出力精准预测方法 | |
CN114896860B (zh) | 基于LightGBM和XGBoost组合模型的飞灰含碳量软测量方法 | |
CN116306234B (zh) | 一种燃气轮机的氮氧化物预测排放检测方法及系统 | |
Ma et al. | Boiler oxygen optimization based on double-hidden-layer bp neural network and improved pso algorithm |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |