CN115468633A - 基于rbf神经网络的多点式流量计的校正方法和装置 - Google Patents
基于rbf神经网络的多点式流量计的校正方法和装置 Download PDFInfo
- Publication number
- CN115468633A CN115468633A CN202211065973.4A CN202211065973A CN115468633A CN 115468633 A CN115468633 A CN 115468633A CN 202211065973 A CN202211065973 A CN 202211065973A CN 115468633 A CN115468633 A CN 115468633A
- Authority
- CN
- China
- Prior art keywords
- neural network
- flue gas
- rbf neural
- real
- 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.)
- Pending
Links
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01F—MEASURING VOLUME, VOLUME FLOW, MASS FLOW OR LIQUID LEVEL; METERING BY VOLUME
- G01F25/00—Testing or calibration of apparatus for measuring volume, volume flow or liquid level or for metering by volume
- G01F25/10—Testing or calibration of apparatus for measuring volume, volume flow or liquid level or for metering by volume of flowmeters
-
- 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
-
- 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)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Fluid Mechanics (AREA)
- Measuring Volume Flow (AREA)
Abstract
本申请提出了一种基于RBF神经网络的多点式流量计的校正方法和装置,该方法包括:将一次风机频率、送风机频率、引风机频率和机组负荷作为RBF神经网络的输入量,将烟气量校正系数作为RBF神经网络的输出量,获取涵盖火电机组多个工况的输入输出数据集;将输入输出数据集作为训练数据集,对预设的RBF神经网络进行训练,调整RBF神经网络的参数;获取实时的输入量和多点式流量计测量的实时烟气流量,将实时的输入量输入训练完成的RBF神经网络计算实时的烟气量校正系数;将实时烟气流量乘以实时的烟气量校正系数,获得校正后的烟气流量测量值。该方法通过对原有的多点式流量计的测量结果进行校正,提高了多点式流量计测量结果的准确性。
Description
技术领域
本申请涉及烟气监测技术领域,尤其涉及一种基于RBF神经网络的多点式流量计的校正方法和装置。
背景技术
目前,火力发电仍是主要的发电形式之一,火电厂数量众多,导致污染物排放量巨大,为实现节能减排,需要对污染物排放量进行控制。其中,对烟气中各种污染物进行在线监测是控制污染物排放的有效手段,烟气中各种污染物排放量一般通过污染物浓度与烟气流量相乘进行计算。目前,烟气中各种污染物的浓度测量技术已十分成熟,但烟气流量监测仍需改善。
相关技术中,烟气流量测量应用比较广泛的是多点式流量计,许多火力发电厂安装了多点式流量计。多点式流量计是在大风道截面上采用等截面多点测量流速的方式,具体是将许多个测点等截面有机地组装在一起,正压侧与正压侧相连,负压侧与负压侧相连,正、负压侧各引出一根总的引压管,分别与差压变送器的正、负端相连,测得截面的平均流速,然后计算出烟气流量。
然而,在中大型火电机组中,烟道的截面的形状多为矩形,个别管道截面形状为圆形,且普遍为紧凑型布置,烟道系统中存在大量的弯管、变径管、汇流管和节流挡板门等结构,烟道内的流场呈现明显的紊流特征,并存在大量分离及旋涡,烟道内的流动均匀性较差,且随工况变化而变化。因此,上述方式的多点式流量计的测量结果与实际情况误差较大,测量的准确性较低。
发明内容
本申请旨在至少在一定程度上解决相关技术中的技术问题之一。
为此,本申请的第一个目的在于提出一种基于RBF神经网络的多点式流量计的校正方法,该方法仅需对原有的多点式流量计设备增加校正环节,基于RBF神经网络计算校正系数进行校正,即可得到更加精确的测量结果。
本申请的第二个目的在于提出一种基于RBF神经网络的多点式流量计的校正装置。
本申请的第三个目的在于提出一种非临时性计算机可读存储介质。
为达上述目的,本申请的第一方面实施例在于提出一种基于RBF神经网络的多点式流量计的校正方法,该方法包括以下步骤:
将一次风机频率、送风机频率、引风机频率和机组负荷作为RBF神经网络的输入量,将烟气量校正系数作为所述RBF神经网络的输出量,获取涵盖火电机组多个工况的输入输出数据集;
将所述输入输出数据集作为训练数据集,对预设的所述RBF神经网络进行训练,调整所述RBF神经网络的参数;
获取实时的输入量和多点式流量计测量的实时烟气流量,将所述实时的输入量输入训练完成的RBF神经网络计算实时的烟气量校正系数;
将所述实时烟气流量乘以所述实时的烟气量校正系数,获得校正后的烟气流量测量值。
可选地,在本申请的一个实施例中,获取涵盖火电机组多个工况的输入输出数据集,包括:在同一工况下,通过人工测量和多点式流量计测量两种方式同时测量烟气流量;通过计算测量时间内的平均值,分别获取当前工况下所述人工测量和所述多点式流量计测量的测量结果;将所述人工测量的测量结果作为真实值,计算所述人工测量的测量结果与所述多点式流量计测量的测量结果的比值,将所述比值作为所述当前工况下所述RBF神经网络的输出量,并从所述火电机组的分散控制系统DCS中获取所述当前工况下所述RBF神经网络的输入量;切换至不同的工况,并重复进行烟气流量测量对比试验和读取每个工况下的输入量。
可选地,在本申请的一个实施例中,RBF神经网络包括输入层、隐含层和输出层,通过以下公式表示所述隐含层中i个节点的输出:
可选地,在本申请的一个实施例中,通过以下公式表示所述输出层的输出:
其中,y是RBF神经网络的输出,wi是隐含层到输出层的加权系数。
可选地,在本申请的一个实施例中,对预设的所述RBF神经网络进行训练,包括:
优化以下公式表示的目标函数:
其中,N是样本数量,tp为输出量的期望值,yp为输出量的实际值;
通过以下公式对所述wi的值进行学习:
其中,η为学习速率,0<η<1。
可选地,在本申请的一个实施例中,获取多点式流量计测量的实时烟气流量,包括:与所述火电机组的烟气在线监测系统CEMS建立通讯连接,从所述在线监测系统CEMS中读取所述多点式流量计测量的实时烟气流量。
为达上述目的,本申请的第二方面实施例还提出了一种基于RBF神经网络的多点式流量计的校正装置,包括以下模块:
获取模块,用于将一次风机频率、送风机频率、引风机频率和机组负荷作为RBF神经网络的输入量,将烟气量校正系数作为所述RBF神经网络的输出量,获取涵盖火电机组多个工况的输入输出数据集;
训练模块,用于将所述输入输出数据集作为训练数据集,对预设的所述RBF神经网络进行训练,调整所述RBF神经网络的参数;
第一计算模块,用于获取实时的输入量和多点式流量计测量的实时烟气流量,将所述实时的输入量输入训练完成的RBF神经网络计算实时的烟气量校正系数;
第二计算模块,用于将所述实时烟气流量乘以所述实时的烟气量校正系数,获得校正后的烟气流量测量值。
可选地,在本申请的一个实施例中,获取模块,具体用于:在同一工况下,通过人工测量和多点式流量计测量两种方式同时测量烟气流量;通过计算测量时间内的平均值,分别获取当前工况下所述人工测量和所述多点式流量计测量的测量结果;将所述人工测量的测量结果作为真实值,计算所述人工测量的测量结果与所述多点式流量计测量的测量结果的比值,将所述比值作为所述当前工况下所述RBF神经网络的输出量,并从所述火电机组的分散控制系统DCS中获取所述当前工况下所述RBF神经网络的输入量;切换至不同的工况,并重复进行烟气流量测量对比试验和读取每个工况下的输入量。
可选地,在本申请的一个实施例中,第一计算模块,具体用于:与所述火电机组的烟气在线监测系统CEMS建立通讯连接,从所述在线监测系统CEMS中读取所述多点式流量计测量的实时烟气流量。
为了实现上述实施例,本申请第三方面实施例还提出了一种非临时性计算机可读存储介质,其上存储有计算机程序,计算机程序被处理器执行时实现上述实施例中的基于RBF神经网络的多点式流量计的校正方法。
本申请的实施例提供的技术方案至少带来以下有益效果:本申请对原有的多点式流量计进行升级,增加了校正环节,通过训练完成的RBF神经网络计算当前工况下的流量计的校正系数,通过实时计算出的校正系数对检测出的烟气流量进行校正,从而能够有效提高多点式流量计的测量精度,提高了多点式流量计测量结果的准确性和可靠性。并且,本申请基于原有火电机组系统的状况进行改进,使得改造升级工作量较小,改造方案简单,改造成本较低,便于实施。
本发明附加的方面和优点将在下面的描述中部分给出,部分将从下面的描述中变得明显,或通过本发明的实践了解到。
附图说明
本申请上述的和/或附加的方面和优点从下面结合附图对实施例的描述中将变得明显和容易理解,其中:
图1为本申请实施例提出的一种基于RBF神经网络的多点式流量计的校正方法的流程图;
图2为本申请实施例提出的一种输入输出数据集的获取方法的流程图;
图3为本申请实施例提出的一种RBF神经网络模型的结构意图;
图4为本申请实施例提出的一种基于RBF神经网络的多点式流量计的校正装置的结构示意图;
图5为本申请实施例提出的一种具体的基于RBF神经网络的多点式流量计的校正装置的结构示意图。
具体实施方式
下面详细描述本发明的实施例,所述实施例的示例在附图中示出,其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的,旨在用于解释本发明,而不能理解为对本发明的限制。
下面参考附图详细描述本发明实施例所提出的一种基于RBF神经网络的多点式流量计的校正方法和装置。
图1为本申请实施例提出的一种基于RBF神经网络的多点式流量计的校正方法的流程图,如图1所示,该方法包括以下步骤:
步骤S101,将一次风机频率、送风机频率、引风机频率和机组负荷作为RBF神经网络的输入量,将烟气量校正系数作为RBF神经网络的输出量,获取涵盖火电机组多个工况的输入输出数据集。
其中,径向基函数神经网络(Radial Basis Function Neural Network,简称RBF神经网络)是一种实现函数逼近和分类等功能的三层前馈网络。本申请采用RBF神经网络模型计算烟气量校正系数,以校正多点式流量计测得的烟气流量,利用RBF神经网络的结构简单、学习速度快和良好的逼近性能等特性计算烟气量校正系数,确保输出的烟气量校正系数的精确性,且减少校正的工作量。
其中,涵盖火电机组多个工况的输入输出数据集是指,在火电机组每一个运行工况下,RBF神经网络的均具有对应的输入量和输出量,而该数据集包括火电机组正常运行时大部分工况下的输入量和输出量。
需要说明的是,由于本申请通过RBF神经网络对烟气流量进行校正,而烟气流量主要与机组负荷、一次风机风量、送风机风量和引风机风量等因素有关,因此为进行校正将上述几个参数作为预测模型的输入量。但由于一次风机风量、送风机风量和引风机风量在实际测量时,测量值大多误差较大且波动频繁,因此本申请选取一次风机频率、送风机频率、引风机频率和机组负荷作为RBF神经网络模型的输入量,则模型的输出量为根据输入量计算出的烟气量校正系数。
其中,一次风机、送风机和引风机均是火电机组运行中控制风量的风机,一次风机是系统中提供一定压力和一定流量的一次风的风机。上述各风机频率即相应的驱动电机频率的变换,各风机频率与风机转数正相关。
具体的,由于通过RBF神经网络进行烟气流量校正时,RBF神经网络模型中各个节点参数需要在大量训练数据的基础上通过相关学习算法进行训练获得,因此,本申请先获取包括多个工况下的数据的输入输出数据集,输入输出数据集包括多组对应的输入量和输出量。
在本申请一个实施例中,为了更加清楚的说明本申请获取输入输出数据集的具体实现过程,下面以本实施例中提出一种获取机组多个工况下的输入输出数据集方法进行示例性说明。图2为本申请实施例提出的一种输入输出数据集的获取方法的流程图,如图2所示,该方法包括以下步骤:
步骤S201,在同一工况下,通过人工测量和多点式流量计测量两种方式同时测量烟气流量。
具体的,某一工况下的输入量可以直接从机组系统中读取,而在确定某一工况下的输出量时,首先需进行人工测量烟气流量和多点式流量计在线测量的比对试验,即在一个相同的稳定工况条件下通过人工测量和多点式流量计在线测量同时测量烟气流量。具体实施时,多点式流量计测量可采用相关技术中的测量方式,在等截面测量多个测点的平均值,人工测量可在每个测点依次通过人工使用测量设备的方式进行测量。
步骤S202,通过计算测量时间内的平均值,分别获取当前工况下人工测量和多点式流量计测量的测量结果。
具体的,由于人工测量的速度相较于多点式流量计测量较慢,获得测量结果的方式也不相同,为保证后续进行比较的基础的一致性,本申请中每个工况点人工测量和多点式流量计在线测量的结果采用测量时间内的平均值。即对于每种测量方式,均将测量时间内获得测量值相加除以测量时间。
步骤S203,将人工测量的测量结果作为真实值,计算人工测量的测量结果与多点式流量计测量的测量结果的比值,将比值作为当前工况下RBF神经网络的输出量,并从火电机组的分散控制系统DCS中获取当前工况下RBF神经网络的输入量。
具体的,以人工测量出的烟气流量值作为真实值,即当前工况下实际的烟气流量,再将人工测量的测量结果除以多点式流量计测量的测量结果,将二者相比得到该工况点下RBF神经网络模型的输出量,即烟气量校正系数。可以理解的是,该工况下多点式流量计实际测量的流量乘以该烟气量校正系数,即得到了该工况下机组实际输出的烟气流量,使校正后的多点式流量计测量值等于准确的实际值。该烟气量校正系数即该工况下RBF神经网络应当输出的目标烟气量校正系数,则该输出量可用于后续的模型训练。
而一次风机频率、送风机频率、引风机频率和机组负荷这四个输入量可以根据当前的实际情况直接从火电机组系统中读取,根据系统实际记录的数值确定输入量。比如,可以从火电机组预设的分散控制系统(Distributed Control System,简称DCS)上读取,根据DCS系统采集和确定的数值确定输入量,由于DCS系统的技术目前已较为成熟,大部分火电机组均具有DCS系统,因此,从DCS系统直接读取输入量,可以保证获取的输入量的准确性,并且通过火电机组原有的系统获取输入量,减少改造工作,降低校正成本。
在本申请一个实施例中,在读取输入量时,上述四个输入量在实际应用中可能会产生波动,为保证获取的输入量的准确性,本实施例中在读取输入量时,若确定任一输入量略有波动,则同样可以计算该时段内的平均值作为读取的该输入量的数值。其中,计算平均值的时段可以与步骤S202中确定测量结果的测量时间段相同。
由此,本申请获取了当前工况下对应的输入量和输出量。
步骤S204,切换至不同的工况,并重复进行烟气流量测量对比试验和读取每个工况下的输入量。
具体的,由于火电机组实际运行过程中存在多种工况,每种工况下的烟气量校正系数是不同的,因此,依次采集不同的工况下的输入量和输出量。即,在火电机组切换至其他的工况下运行时,重复上述步骤S201至步骤S203的采集过程,在每个工况下均进行上述烟气流量测量对比试验,以获取当前工况下的输出量,以及读取该工况下的输入量。直至输入输出数据集包含机组正常运行的大部分工况下的输入量和输出量。需要说明的是,获取每个工况下的输入量和输出量的先后顺序此处不做限制,可以同时获取等。
步骤S102,将输入输出数据集作为训练数据集,对预设的RBF神经网络进行训练,调整RBF神经网络的参数。
具体的,RBF神经网络模型的参数需要多组对应的输入量和输出量通过学习算法计算获得,因此将输入输出数据集中的数据作为训练数据对预先搭建的RBF神经网络进行训练。
在本申请一个实施例中,预先搭建的RBF神经网络模型的结构如图3所示,该模型包含三层,其中,第一层即输入层的作用是输入数据,该层中的节点数为4,即等于上述输入量的数量,输入层到隐含层实现了非线性映射。隐含层的作用是把向量从低维度映射到高维度,比如,本实施例中隐含层的节点数为5,实现了将低维度4映射到高维度5,由此将低维度线性不可分的情况变换至高维度变得线性可分。从隐层空间到输出层空间的变换是线性的,输出层用于输出网络模型的计算结果。
作为一种可能的实现方式,本申请选用高斯基激活函数作为径向基函数,在其他实施例中也可以根据实际需要选用其他函数,比如,反常S型函数和拟多二次函数等,此处不做限制。在本实施例中,以高斯函数作为径向基函数时,可以通过以下公式表示隐含层中i个节点的输出:
并且,可以通过以下公式表示输出层的输出:
其中,y是RBF神经网络的输出,wi是隐含层到输出层的加权系数。
上述两个公式表示的RBF神经网络模型中,σi和wi是未知数。其中,和σi可以根据经验取值,σi影响网络的映射范围,取值适中为宜,应使高斯基函数在有效的输入映射范围内。而wi的值需要通过学习算法获得,即通过训练调整该参数的值。
具体进行模型训练时,作为一种可能的实现方式,先构建性能指标函数,即目标函数,在本示例中可以采用最小二乘的损失函数,然后优化以下公式表示的目标函数:
其中,N是样本数量,tp为输出量的期望值,yp为输出量的实际值。具体进行优化时,可以通过随机梯度下降(SGD)等方式最小化上述目标函数。
进一步的,根据上述公式可得,可以通过以下公式对wi的值进行学习:
其中,η为学习速率,0<η<1,与上述公式中重复的参数的含义此处不再赘述。
由此,可依次学习隐含层中每个节点到输出层的加权系数,完成对RBF神经网络的训练,训练过程中的各步骤的实现方式可以参照相关技术中进行RBF神经网络训练方式,此处不再赘述。
步骤S103,获取实时的输入量和多点式流量计测量的实时烟气流量,将实时的输入量输入训练完成的RBF神经网络计算实时的烟气量校正系数。
具体的,上述获取数据集并进行模型训练的步骤,可以在实际进行流量校正阶段前预先进行,在进行实时流量校正阶段时,由于烟气量校正系数随着机组工况参数的变化而动态变化,因此,本申请获取实时的上述四个输入量的数值和多点式流量计测量的实时烟气流量,将实时的输入量输入训练完成的RBF神经网络计算当前工况下实时的烟气量校正系数。
在本申请一个实施例中,获取实时的输入量时,还可以按照上述获取输入输出数据集中的输入量的方式,从火电机组的现有DCS控制系统中实时读取获得。而在获取多点式流量计测量的实时烟气流量时,可以与火电机组的烟气在线监测系统(ContinuousEmission Monitoring System,简称CEMS)建立通讯连接,从在线监测系统CEMS中读取多点式流量计测量的实时烟气流量。具体而言,本申请未直接采集多点式流量计测量数据,这是因为多点式流量计一般只输出差压信号,在实际运行中,其与烟道面积、烟气温度、烟气压力、烟气湿度等参数计算得到烟气流量的过程一般在火电机组的CMES的可编程逻辑控制器PLC中实现,因此,本申请与CEMS建立通讯,从CEMS系统中读取多点式流量计的实时值。由此,再次利用火电机组原有的系统采集多点式流量计的测量实时值,通过本申请实施例的数据获取方式可使系统的改造升级工作量较小,系统复杂度低易于维护。
步骤S104,将实时烟气流量乘以实时的烟气量校正系数,获得校正后的烟气流量测量值。
具体的,根据已经训练完成的烟气量校正RBF神经网络模型和采集的输入数据,实时计算得到当前工况的烟气量校正系数,再将采集的多点式流量计测量的实时烟气流量乘以实时的烟气量校正系数最终得到校正后的烟气流量。
综上所述,本申请实施例的基于RBF神经网络的多点式流量计的校正方法,对原有的多点式流量计进行升级,增加了校正环节,通过训练完成的RBF神经网络计算当前工况下的流量计的校正系数,通过实时计算出的校正系数对检测出的烟气流量进行校正,从而能够有效提高多点式流量计的测量精度,提高了多点式流量计测量结果的准确性和可靠性。并且,该方法基于原有火电机组系统的状况进行改进,使得改造升级工作量较小,改造方案简单,改造成本较低,便于实施。
为了实现上述实施例,本申请还提出了一种基于RBF神经网络的多点式流量计的校正装置,图4为本申请实施例提出的一种基于RBF神经网络的多点式流量计的校正装置的结构示意图,如图4所示,该装置包括获取模块100、训练模块200、第一计算模块300和第二计算模块400。
其中,获取模块100,用于将一次风机频率、送风机频率、引风机频率和机组负荷作为RBF神经网络的输入量,将烟气量校正系数作为RBF神经网络的输出量,获取涵盖火电机组多个工况的输入输出数据集。
训练模块200,用于将输入输出数据集作为训练数据集,对预设的RBF神经网络进行训练,调整RBF神经网络的参数;
第一计算模块300,用于获取实时的输入量和多点式流量计测量的实时烟气流量,将实时的输入量输入训练完成的RBF神经网络计算实时的烟气量校正系数。
第二计算模块400,用于将实时烟气流量乘以实时的烟气量校正系数,获得校正后的烟气流量测量值。
可选地,在本申请的一个实施例中,获取模块100,具体用于:在同一工况下,通过人工测量和多点式流量计测量两种方式同时测量烟气流量;通过计算测量时间内的平均值,分别获取当前工况下所述人工测量和所述多点式流量计测量的测量结果;将所述人工测量的测量结果作为真实值,计算所述人工测量的测量结果与所述多点式流量计测量的测量结果的比值,将所述比值作为所述当前工况下所述RBF神经网络的输出量,并从所述火电机组的分散控制系统DCS中获取所述当前工况下所述RBF神经网络的输入量;切换至不同的工况,并重复进行烟气流量测量对比试验和读取每个工况下的输入量。
可选地,在本申请的一个实施例中,该装置搭建的RBF神经网络包括输入层、隐含层和输出层,通过以下公式表示隐含层中i个节点的输出:
可选地,在本申请的一个实施例中,通过以下公式表示输出层的输出:
其中,y是RBF神经网络的输出,wi是隐含层到输出层的加权系数。
可选地,在本申请的一个实施例中,训练模块200具体用于:
优化以下公式表示的目标函数:
其中,N是样本数量,tp为输出量的期望值,yp为输出量的实际值;
通过以下公式对wi的值进行学习:
其中,η为学习速率,0<η<1。
可选地,在本申请的一个实施例中,第一计算模块300,具体用于:与火电机组的烟气在线监测系统CEMS建立通讯连接,从在线监测系统CEMS中读取多点式流量计测量的实时烟气流量。
基于上述实施例,为了更加清楚的说明本申请的基于RBF神经网络的多点式流量计的校正方法的具体实现过程,下面以本申请一个实施例中提出的一种具体的基于RBF神经网络的多点式流量计的校正装置完成校正过程的示例进行说明:
图5为本申请实施例提出的一种具体的基于RBF神经网络的多点式流量计的校正装置的结构示意图,如图5所示,该装置10包括:数字信号处理芯片(DSP)11和2个通讯模块,即第一通讯模块12和第一通讯模块13。
其中,DSP芯片11实现快速的神经网络计算,可以在该芯片中预先训练烟气量校正RBF神经网络模型并存储模型参数,以及根据当前实时采集的数据进行烟气流量的校正计算。第一通讯模块12与外部的机组DCS通讯,实时读取一次风机频率、送风机频率、引风机频率和机组负荷这四个数据,读取的四个数据可用于预先进行模型训练以及校正阶段获取实时的输入量。第一通讯模块13与外部的烟气在线监测系统(CEMS)通讯,读取烟气CEMS的PLC结合环保数采仪确定的多点式流量计测量的实时值,并输出DSP11计算的校正后的值。
需要说明的是,由于两个通讯模块的通讯数据量较小,且通讯速率的要求也较小,因此本申请采用较为常用的MODBUS-RTU通讯协议,物理层为RS485串行接口。其中,ModbusRTU协议是一种开放的串行协议,已经广泛应用于各种工业监控设备中,该协议使用RS-485串行接口进行通信,可以得到本申请的火电机组的DCS系统和CEMS系统的支持,因此,便于将Modbus兼容设备集成到火电机组现有的各个系统的程序中。从而,本实施例的装置利用火电机组原有的系统进行数据传输,可进一步减小进行流量校正时火电机组系统的改造升级工作量,便于实施。
由此,本实施例的基于RBF神经网络的多点式流量计的校正装置,以DSP芯片为核心,包括两个通讯模块,并搭载RBF神经网络算法。实现采集实时的输入量数据和多点式流量计测得的烟气流量,根据已经获得的RBF神经网络模型计算得到动态的校正系数,再乘以多点式流量计测得的烟气流量得到校正后的烟气流量,最终输出结果。
需要说明的是,前述对基于RBF神经网络的多点式流量计的校正方法的实施例的解释说明也适用于该实施例的装置,此处不再赘述
综上所述,本申请实施例的基于RBF神经网络的多点式流量计的校正装置,对原有的多点式流量计进行升级,增加了校正环节,通过训练完成的RBF神经网络计算当前工况下的流量计的校正系数,通过实时计算出的校正系数对检测出的烟气流量进行校正,从而能够有效提高多点式流量计的测量精度,提高了多点式流量计测量结果的准确性和可靠性。并且,该装置基于原有火电机组系统的状况进行改进,使得改造升级工作量较小,改造方案简单,改造成本较低,便于实施。
为了实现上述实施例,本申请还提出了一种非临时性计算机可读存储介质,其上存储有计算机程序,计算机程序被处理器执行时实现如上述实施例中任一所述的基于RBF神经网络的多点式流量计的校正方法。
在本说明书的描述中,参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”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申请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必须针对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一个或多个实施例或示例中以合适的方式结合。此外,在不相互矛盾的情况下,本领域的技术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结合和组合。
此外,术语“第一”、“第二”仅用于描述目的,而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此,限定有“第一”、“第二”的特征可以明示或者隐含地包括至少一个该特征。在本申请的描述中,“多个”的含义是至少两个,例如两个,三个等,除非另有明确具体的限定。
流程图中或在此以其他方式描述的任何过程或方法描述可以被理解为,表示包括一个或更多个用于实现定制逻辑功能或过程的步骤的可执行指令的代码的模块、片段或部分,并且本申请的优选实施方式的范围包括另外的实现,其中可以不按所示出或讨论的顺序,包括根据所涉及的功能按基本同时的方式或按相反的顺序,来执行功能,这应被本申请的实施例所属技术领域的技术人员所理解。
在流程图中表示或在此以其他方式描述的逻辑和/或步骤,例如,可以被认为是用于实现逻辑功能的可执行指令的定序列表,可以具体实现在任何计算机可读介质中,以供指令执行系统、装置或设备(如基于计算机的系统、包括处理器的系统或其他可以从指令执行系统、装置或设备取指令并执行指令的系统)使用,或结合这些指令执行系统、装置或设备而使用。就本说明书而言,"计算机可读介质"可以是任何可以包含、存储、通信、传播或传输程序以供指令执行系统、装置或设备或结合这些指令执行系统、装置或设备而使用的装置。计算机可读介质的更具体的示例(非穷尽性列表)包括以下:具有一个或多个布线的电连接部(电子装置),便携式计算机盘盒(磁装置),随机存取存储器(RAM),只读存储器(ROM),可擦除可编辑只读存储器(EPROM或闪速存储器),光纤装置,以及便携式光盘只读存储器(CDROM)。另外,计算机可读介质甚至可以是可在其上打印所述程序的纸或其他合适的介质,因为可以例如通过对纸或其他介质进行光学扫描,接着进行编辑、解译或必要时以其他合适方式进行处理来以电子方式获得所述程序,然后将其存储在计算机存储器中。
应当理解,本申请的各部分可以用硬件、软件、固件或它们的组合来实现。在上述实施方式中,多个步骤或方法可以用存储在存储器中且由合适的指令执行系统执行的软件或固件来实现。如,如果用硬件来实现和在另一实施方式中一样,可用本领域公知的下列技术中的任一项或他们的组合来实现:具有用于对数据信号实现逻辑功能的逻辑门电路的离散逻辑电路,具有合适的组合逻辑门电路的专用集成电路,可编程门阵列(PGA),现场可编程门阵列(FPGA)等。
本技术领域的普通技术人员可以理解实现上述实施例方法携带的全部或部分步骤是可以通过程序来指令相关的硬件完成,所述的程序可以存储于一种计算机可读存储介质中,该程序在执行时,包括方法实施例的步骤之一或其组合。
此外,在本申请各个实施例中的各功能单元可以集成在一个处理模块中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个模块中。上述集成的模块既可以采用硬件的形式实现,也可以采用软件功能模块的形式实现。所述集成的模块如果以软件功能模块的形式实现并作为独立的产品销售或使用时,也可以存储在一个计算机可读取存储介质中。
上述提到的存储介质可以是只读存储器,磁盘或光盘等。尽管上面已经示出和描述了本申请的实施例,可以理解的是,上述实施例是示例性的,不能理解为对本申请的限制,本领域的普通技术人员在本申请的范围内可以对上述实施例进行变化、修改、替换和变型。
Claims (10)
1.一种基于RBF神经网络的多点式流量计的校正方法,其特征在于,包括以下步骤:
将一次风机频率、送风机频率、引风机频率和机组负荷作为RBF神经网络的输入量,将烟气量校正系数作为所述RBF神经网络的输出量,获取涵盖火电机组多个工况的输入输出数据集;
将所述输入输出数据集作为训练数据集,对预设的所述RBF神经网络进行训练,调整所述RBF神经网络的参数;
获取实时的输入量和多点式流量计测量的实时烟气流量,将所述实时的输入量输入训练完成的RBF神经网络计算实时的烟气量校正系数;
将所述实时烟气流量乘以所述实时的烟气量校正系数,获得校正后的烟气流量测量值。
2.根据权利要求1所述的校正方法,其特征在于,所述获取涵盖火电机组多个工况的输入输出数据集,包括:
在同一工况下,通过人工测量和多点式流量计测量两种方式同时测量烟气流量;
通过计算测量时间内的平均值,分别获取当前工况下所述人工测量和所述多点式流量计测量的测量结果;
将所述人工测量的测量结果作为真实值,计算所述人工测量的测量结果与所述多点式流量计测量的测量结果的比值,将所述比值作为所述当前工况下所述RBF神经网络的输出量,并从所述火电机组的分散控制系统DCS中获取所述当前工况下所述RBF神经网络的输入量;
切换至不同的工况,并重复进行烟气流量测量对比试验和读取每个工况下的输入量。
6.根据权利要求1所述的校正方法,其特征在于,所述获取多点式流量计测量的实时烟气流量,包括:
与所述火电机组的烟气在线监测系统CEMS建立通讯连接,从所述在线监测系统CEMS中读取所述多点式流量计测量的实时烟气流量。
7.一种基于RBF神经网络的多点式流量计的校正装置,其特征在于,包括以下模块:
获取模块,用于将一次风机频率、送风机频率、引风机频率和机组负荷作为RBF神经网络的输入量,将烟气量校正系数作为所述RBF神经网络的输出量,获取涵盖火电机组多个工况的输入输出数据集;
训练模块,用于将所述输入输出数据集作为训练数据集,对预设的所述RBF神经网络进行训练,调整所述RBF神经网络的参数;
第一计算模块,用于获取实时的输入量和多点式流量计测量的实时烟气流量,将所述实时的输入量输入训练完成的RBF神经网络计算实时的烟气量校正系数;
第二计算模块,用于将所述实时烟气流量乘以所述实时的烟气量校正系数,获得校正后的烟气流量测量值。
8.根据权利要求7所述的控制系统,其特征在于,所述获取模块,具体用于:
在同一工况下,通过人工测量和多点式流量计测量两种方式同时测量烟气流量;
通过计算测量时间内的平均值,分别获取当前工况下所述人工测量和所述多点式流量计测量的测量结果;
将所述人工测量的测量结果作为真实值,计算所述人工测量的测量结果与所述多点式流量计测量的测量结果的比值,将所述比值作为所述当前工况下所述RBF神经网络的输出量,并从所述火电机组的分散控制系统DCS中获取所述当前工况下所述RBF神经网络的输入量;
切换至不同的工况,并重复进行烟气流量测量对比试验和读取每个工况下的输入量。
9.根据权利要求7所述的控制系统,其特征在于,所述第一计算模块,具体用于:
与所述火电机组的烟气在线监测系统CEMS建立通讯连接,从所述在线监测系统CEMS中读取所述多点式流量计测量的实时烟气流量。
10.一种非临时性计算机可读存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现如权利要求1-6中任一所述的基于RBF神经网络的多点式流量计的校正方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211065973.4A CN115468633A (zh) | 2022-09-01 | 2022-09-01 | 基于rbf神经网络的多点式流量计的校正方法和装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211065973.4A CN115468633A (zh) | 2022-09-01 | 2022-09-01 | 基于rbf神经网络的多点式流量计的校正方法和装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115468633A true CN115468633A (zh) | 2022-12-13 |
Family
ID=84369689
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211065973.4A Pending CN115468633A (zh) | 2022-09-01 | 2022-09-01 | 基于rbf神经网络的多点式流量计的校正方法和装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115468633A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116976221A (zh) * | 2023-08-10 | 2023-10-31 | 西安理工大学 | 基于冲蚀特性的堰塞体溃决峰值流量预测方法及存储介质 |
-
2022
- 2022-09-01 CN CN202211065973.4A patent/CN115468633A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116976221A (zh) * | 2023-08-10 | 2023-10-31 | 西安理工大学 | 基于冲蚀特性的堰塞体溃决峰值流量预测方法及存储介质 |
CN116976221B (zh) * | 2023-08-10 | 2024-05-17 | 西安理工大学 | 基于冲蚀特性的堰塞体溃决峰值流量预测方法及存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109253494B (zh) | 一种基于热负荷预测的电蓄热装置的控制方法 | |
DK201800230A1 (en) | Method for evaluating power characteristics of wind turbines, apparatus and storage medium | |
CN111337258B (zh) | 一种结合遗传算法和极值搜索算法的发动机控制参数在线标定的装置及方法 | |
CN109492319B (zh) | 一种火电厂锅炉烟气含氧量软测量方法 | |
CN111830350B (zh) | 能耗计量方法、装置及电器 | |
CN115468633A (zh) | 基于rbf神经网络的多点式流量计的校正方法和装置 | |
CN103324222A (zh) | 一种热泵实验室的温湿度控制和耗能效率测试系统及方法 | |
CN107121218A (zh) | 一种一键式气温传感器校准系统 | |
CN112365056A (zh) | 一种电气负荷联合预测方法、装置、终端及存储介质 | |
KR102216860B1 (ko) | Egr 밸브 제어 장치 및 제어 방법 | |
CN113651402B (zh) | 一种水处理加氯控制方法和装置 | |
CN113628694A (zh) | 一种预测锅炉氮氧化物排放量的方法 | |
CN116576553B (zh) | 一种空气调节机数据优化采集方法及系统 | |
CN116383676B (zh) | 基于数据处理的暖通设备智能检测方法 | |
CN113759708A (zh) | 系统的优化控制方法、装置和电子设备 | |
CN110909492A (zh) | 一种基于极端梯度提升算法的污水处理过程软测量方法 | |
CN115185316A (zh) | 一种基于烟花算法的智能高精度温度控制方法和装置 | |
CN116245039A (zh) | 海上风力发电场群的尾流评估方法及系统 | |
CN102597467A (zh) | 用于废气再循环的方法 | |
CN110322063A (zh) | 一种耗电功率仿真预测方法及存储介质 | |
CN112731266B (zh) | 一种电能表现场校验非标条件下修正方法 | |
CN113591283B (zh) | 燃气锅炉的运行氧量调整方法、装置和计算机设备 | |
CN110006486B (zh) | 一种智能流温采集控制模块及智能流温测量方法 | |
CN111306734B (zh) | 变风量控制系统及其控制方法、控制装置以及存储介质 | |
CN115951299A (zh) | 一种基于关联信息的电能表状态在线监测系统 |
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 |