CN104331736A - 基于RBF神经网络的超超临界锅炉NOx排放动态预测方法 - Google Patents
基于RBF神经网络的超超临界锅炉NOx排放动态预测方法 Download PDFInfo
- Publication number
- CN104331736A CN104331736A CN201410640074.1A CN201410640074A CN104331736A CN 104331736 A CN104331736 A CN 104331736A CN 201410640074 A CN201410640074 A CN 201410640074A CN 104331736 A CN104331736 A CN 104331736A
- Authority
- CN
- China
- Prior art keywords
- phi
- rbf neural
- sigma
- dynamic
- neural network
- 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.)
- Granted
Links
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Regulation And Control Of Combustion (AREA)
Abstract
本发明公开了一种基于RBF神经网络的超超临界锅炉NOx排放动态预测方法,属于环保排放参数测量技术领域。本发明采用如下技术方案:SS1选取静态辅助变量和动态辅助变量;SS2对所述静态辅助变量和所述动态辅助变量进行RBF神经网络结构拟合,获得基于RBF神经网络结构的训练锅炉NOx排放动态预测模型;对RBF神经网络参数进行调整,得到基于RBF网络的超超临界锅炉的NOx排放动态预测模型。在设定相同的训练误差等条件下,本发明动态模型的内部神经元个数明显少于静态模型,模型结构更简单,训练时间更短,泛化能力更强。
Description
技术领域
本发明涉及当前主流的超超临界锅炉NOx排放预测方法,尤其涉及了基于RBF神经网络的超超临界锅炉NOx排放动态预测方法,属于环保排放参数测量技术领域。
背景技术
随着超超临界火电技术的发展和电力生产过程的日益复杂,确保生产装置稳定、高效、绿色运行,需要对与***的安全生产、经济运行、环保排放密切相关的重要过程变量进行实时监测和优化控制。然而,一些重要参数往往处于高温、高压、高粉尘、高腐蚀性的环境,难以直接测得。以燃煤电厂CEMS仪表为例,通过取样分析装置测得的数据只具有短期时效性的特点,长期运行难免出现测点无信号,或者测量值误差超出允许范围,需要人工定期检查维护(相关行业标准规定每天用标准样气校准),探头定时吹扫,仪表定期校验等,消耗了大量的人力与物力。
燃煤产生的氮氧化物(NOx)污染是我国氮氧化物治理的首要目标。煤粉的脱硝作用包括挥发份的同相脱硝及煤焦的异相脱硝两方面,机理非常复杂。同时,影响脱硝效率的因素也很多,包括再燃煤种、温度、停留时间、再燃燃料比、氧浓度、煤粉细度、二次风配风等。现有技术中的预测方法选取总燃料量、二次风门开度、CCOFA燃尽风开度、省煤器出口氧量(O2)、煤种特性参数(Car,Har,Qar,Nar,Q,Var)、磨煤机通风量、磨煤机给煤量作为辅助变量。由于燃料量指令变化到给煤机转速变化、原煤在磨中磨成合格煤粉、粉管输送、再到燃烧器喷射于炉膛内燃烧发热是一个大惯性、大滞后过程,特别在升降负荷的动态过程中,燃烧器瞬间喷射于炉膛内的煤粉与瞬时给煤量有较大的偏差。瞬时给煤量并不能准确表征进入炉膛的瞬时煤粉量,选取瞬时给煤量(或给煤机开度)并不满足建模辅助变量选取的灵敏性、准确性要求。
神经网络具有强大的非线性逼近性能,如何将高斯径向基函数神经网络(RBF)进行动态建模的方法应用到氮氧化物排放的预测之中成为当务之急。即急需一种根据模型估计或称软仪表来解决上述问题。
发明内容
本发明采用如下技术方案:基于RBF神经网络的超超临界锅炉NOx排放动态预测方法,其特征在于,包括如下步骤:
SS1选取静态辅助变量和动态辅助变量;
SS2对所述静态辅助变量和所述动态辅助变量进行RBF神经网络结构拟合,获得基于RBF神经网络结构的训练锅炉NOx排放动态预测模型;所述RBF神经网络包括输入层、隐含层、输出层,所述输入层包括n个采样点,所述隐含层包括N个节点,所述输出层包括1个RBF神经网络输出,对于任意n个采样点{(xi,ti)|xi∈Rn,ti∈R},i=1,2,^,n,结构为n-N-1的RBF神经网络输出为
其中wj(j=1,2,Λ,N)是第j个隐含层节点到输出层节点的权值;φj(x)(j=1,2,Λ,N)为第j个隐含层节点的高斯核函数,即
其中cj为核函数的数据中心,σj为该核函数的扩展常数,对于所有样本,所述隐含层节点输出矩阵为
RBF神经网络输出的矩阵形式为
其中为连接隐含层与输出层的权值矩阵,为RBF神经网络的实际输出矩阵;
SS3对RBF神经网络参数进行调整,得到基于RBF网络的超超临界锅炉的NOx排放动态预测模型,将RBF神经网络输出值Y和真实值T=(t1 t2 Λ tn)之间的误差平方和作为RBF神经网络的训练目标误差函数,即
为寻找最优输出权值W使网络输出值Y和真实值T=(t1 t2 Λ tn)之间的误差平方和以及输出权值W范数最小,分两步对RBF神经网络参数进行优化:首先通过矩阵φ的广义逆求得W的最优值,
W=φ+T
然后以Y和T的误差平方和为目标函数,通过梯度下降算法优化隐节点数据中心cj以及扩展常数σj,目标函数对cj和σj的梯度分别为:
数据中心cj以及扩展常数σj的更新公式为:
η为学习率,k=1,2,^,n。
优选地,静态辅助变量包括总燃料量、二次风门开度、CCOFA燃尽风开度、省煤器出口氧量、煤种特性参数、磨煤机通风量,动态辅助变量包括总燃料量时延单元一、总燃料量时延单元二、总燃料量时延单元三。
本发明所达到的有益效果:(1)本发明给出的优化算法,有效地融合了静态建模和动态建模的优点,选取重要辅助变量(总燃料量)的时延单元作为动态辅助变量,通过神经网络拟合,得到了充分包含超超临界锅炉制粉***动态特性的模型;(2)在设定相同的训练误差等条件下,动态模型的内部神经元个数明显少于静态模型,模型结构更简单,训练时间更短,泛化能力更强。
附图说明
图1是本发明的运行流程图。
图2是大样本下NOx含量估计值与分析值结果对比曲线图。
具体实施方式
下面结合附图对本发明作进一步描述。以下实施例仅用于更加清楚地说明本发明的技术方案,而不能以此来限制本发明的保护范围。
本发明试验对象为国华徐州发电有限公司SG3099/27.46-M545型超超临界参数变压运行螺旋管圈直流炉,24小时内由负荷500MW升至1000MW,再由1000MW降至500MW的过程中SCR反应器进口NOx含量(干基标态,6%O2状态下)。
在进行模型训练前,先剔除掉探头吹扫阶段被锁定的无效数据集,并把数据集按照式(12)进行归一化到[-1,1]范围内,在模型输出还原时再按照式(13)进行反归一化。
x'=(2x-xmax-xmin)/(xmax-xmin) (12)
x=[x'(xmax-xmin)+xmax+xmin]/2 (13)
泛化均方差εMSE计算如下
式中Ntest为测试样本数目,t'i是归一化后第i个样本的真实值,x'i是归一化后第i个样本的预测值。
静态建模方法可采用如下方案:静态方案输入包括:总燃料量、二次风门开度(6个)、CCOFA燃尽风开度(4个)、省煤器出口氧量、煤种特性参数(Car,Har,Qar,Nar,Q,Var)、磨煤机通风量(6个)、磨煤机的瞬时给煤量(6个),共计30个辅助变量的输入。
本发明的建模方法采用:总燃料量、二次风门开度(6个)、CCOFA燃尽风开度(4个)、省煤器出口氧量、煤种特性参数(Car,Har,Qar,Nar,Q,Var)、磨煤机通风量(6个)、总燃料量时延单元一、总燃料量时延单元二、总燃料量时延单元三,共计27个辅助变量的输入。
选择完全相同的300个工况作为训练样本,相同的100个工况作为测试样本,训练偏差目标统一设置为0.3%。表一所示的是动态模型与两种静态模型的性能比较。
表一
由表一可以看出动态建模方法得出的网络结构精简、泛化能力强。为了获得更好的泛化效果,增加训练样本数目至1000个,另取1000个为测试样本,训练偏差目标仍设为0.3%。表二所示的是大样本下动态模型与静态模型的性能比较。
表二
图2所示的是大样本下该动态模型估计输出值(虚线)和分析仪表实测进口NOx含量(实线)的结果对比曲线图,所有试验均在同一PC下完成,计算机配置为为Core I5-3230M,4G RAM。仿真软件采用MATLAB R2014a,操作***为WINDOWS 8。
NOx排放动态预测可以通过软仪表方式植入工业控制过程计算机程序中。
动态建模的主要难点在于动态变量方案的选取,以及动态特性时间的确定,可以通过网格法寻优确定时域宽度与动态辅助变量分布密度。通过与静态建模方法的仿真比较,统计数据表明动态建模以最简洁的模型结构获得较好的的泛化能力,有较高的工程应用价值。
以上所述仅是本发明的优选实施方式,应当指出,对于本技术领域的普通技术人员来说,在不脱离本发明技术原理的前提下,还可以做出若干改进和变形,这些改进和变形也应视为本发明的保护范围。
Claims (2)
1.基于RBF神经网络的超超临界锅炉NOx排放动态预测方法,其特征在于,包括如下步骤:
SS1选取静态辅助变量和动态辅助变量;
SS2对所述静态辅助变量和所述动态辅助变量进行RBF神经网络结构拟合,获得基于RBF神经网络结构的训练锅炉NOx排放动态预测模型;所述RBF神经网络包括输入层、隐含层、输出层,所述输入层包括n个采样点,所述隐含层包括N个节点,所述输出层包括1个RBF神经网络输出,对于任意n个采样点{(xi,ti)|xi∈Rn,ti∈R},i=1,2,^,n,结构为n-N-1的RBF神经网络输出为
其中wj(j=1,2,Λ,N)是第j个隐含层节点到输出层节点的权值;φj(x)(j=1,2,Λ,N)为第j个隐含层节点的高斯核函数,即
其中cj为核函数的数据中心,σj为该核函数的扩展常数,对于所有样本,所述隐含层节点输出矩阵为
RBF神经网络输出的矩阵形式为
其中为连接隐含层与输出层的权值矩阵,为RBF神经网络的实际输出矩阵;
SS3对RBF神经网络参数进行调整,得到基于RBF网络的超超临界锅炉的NOx排放动态预测模型,将RBF神经网络输出值Y和真实值T=(t1 t2Λ tn)之间的误差平方和作为RBF神经网络的训练目标误差函数,即
为寻找最优输出权值W使网络输出值Y和真实值T=(t1 t2 Λ tn)之间的误差平方和以及输出权值W范数最小,分两步对RBF神经网络参数进行优化:首先通过矩阵φ的广义逆求得W的最优值,
W=φ+T
然后以Y和T的误差平方和为目标函数,通过梯度下降算法优化隐节点数据中心cj以及扩展常数σj,目标函数对cj和σj的梯度分别为:
数据中心cj以及扩展常数σj的更新公式为:
η为学习率,k=1,2,^,n。
2.根据权利要求1所述的基于RBF神经网络的超超临界锅炉NOx排放动态预测方法,其特征在于,所述静态辅助变量包括总燃料量、二次风门开度、CCOFA燃尽风开度、省煤器出口氧量、煤种特性参数、磨煤机通风量,所述动态辅助变量包括总燃料量时延单元一、总燃料量时延单元二、总燃料量时延单元三。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410640074.1A CN104331736B (zh) | 2014-11-13 | 2014-11-13 | 基于RBF神经网络的超超临界锅炉NOx排放动态预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410640074.1A CN104331736B (zh) | 2014-11-13 | 2014-11-13 | 基于RBF神经网络的超超临界锅炉NOx排放动态预测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN104331736A true CN104331736A (zh) | 2015-02-04 |
CN104331736B CN104331736B (zh) | 2018-06-22 |
Family
ID=52406457
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201410640074.1A Active CN104331736B (zh) | 2014-11-13 | 2014-11-13 | 基于RBF神经网络的超超临界锅炉NOx排放动态预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN104331736B (zh) |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104763999A (zh) * | 2015-03-04 | 2015-07-08 | 内蒙古瑞特优化科技股份有限公司 | 电厂煤粉锅炉燃烧性能在线优化方法和*** |
CN105629738A (zh) * | 2016-03-24 | 2016-06-01 | 内蒙古瑞特优化科技股份有限公司 | Scr烟气脱硝***控制方法及设备 |
CN106021916A (zh) * | 2016-05-18 | 2016-10-12 | 厦门大学 | 一种适用于超超临界锅炉NOx排放量分析的计算方法 |
CN108038561A (zh) * | 2017-09-21 | 2018-05-15 | 南京航空航天大学 | 一种scr脱硝成型催化剂的多目标优化方法 |
CN108956876A (zh) * | 2018-07-12 | 2018-12-07 | 浙江大学 | 一种烟气在线连续监测***的测量时延修正方法 |
CN109187914A (zh) * | 2018-09-18 | 2019-01-11 | 哈尔滨锅炉厂有限责任公司 | 基于煤质特性的燃煤电厂NOx生成量的预测方法 |
CN110096785A (zh) * | 2019-04-25 | 2019-08-06 | 华北电力大学 | 一种应用于超超临界机组的堆叠自编码器建模方法 |
CN112325329A (zh) * | 2020-10-13 | 2021-02-05 | 华中科技大学 | 一种防高温腐蚀的锅炉风门开度控制方法及*** |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20090063115A1 (en) * | 2007-08-31 | 2009-03-05 | Zhao Lu | Linear programming support vector regression with wavelet kernel |
CN103115356A (zh) * | 2013-02-07 | 2013-05-22 | 华北电力大学 | 超临界cfb锅炉燃烧信号的监测方法及优化控制方法 |
CN103324862A (zh) * | 2013-07-11 | 2013-09-25 | 中国石油大学(华东) | 一种基于改进神经网络与遗传算法的燃煤锅炉优化方法 |
CN103759290A (zh) * | 2014-01-16 | 2014-04-30 | 广东电网公司电力科学研究院 | 大型燃煤机组在线监测与优化控制***及其实现方法 |
WO2014067405A1 (zh) * | 2012-11-02 | 2014-05-08 | 阳光凯迪新能源集团有限公司 | 降低生物质循环流化床锅炉氮氧化物排放的方法 |
CN103793746A (zh) * | 2014-02-19 | 2014-05-14 | 上海交通大学 | 一种燃煤电站锅炉过热器模型参数辨识方法 |
CN103839110A (zh) * | 2014-02-24 | 2014-06-04 | 国家电网公司 | 一种锅炉炉内氮氧化物生成量预测建模方法 |
-
2014
- 2014-11-13 CN CN201410640074.1A patent/CN104331736B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20090063115A1 (en) * | 2007-08-31 | 2009-03-05 | Zhao Lu | Linear programming support vector regression with wavelet kernel |
WO2014067405A1 (zh) * | 2012-11-02 | 2014-05-08 | 阳光凯迪新能源集团有限公司 | 降低生物质循环流化床锅炉氮氧化物排放的方法 |
CN103115356A (zh) * | 2013-02-07 | 2013-05-22 | 华北电力大学 | 超临界cfb锅炉燃烧信号的监测方法及优化控制方法 |
CN103324862A (zh) * | 2013-07-11 | 2013-09-25 | 中国石油大学(华东) | 一种基于改进神经网络与遗传算法的燃煤锅炉优化方法 |
CN103759290A (zh) * | 2014-01-16 | 2014-04-30 | 广东电网公司电力科学研究院 | 大型燃煤机组在线监测与优化控制***及其实现方法 |
CN103793746A (zh) * | 2014-02-19 | 2014-05-14 | 上海交通大学 | 一种燃煤电站锅炉过热器模型参数辨识方法 |
CN103839110A (zh) * | 2014-02-24 | 2014-06-04 | 国家电网公司 | 一种锅炉炉内氮氧化物生成量预测建模方法 |
Non-Patent Citations (2)
Title |
---|
周洪煜: "超临界锅炉烟气脱硝喷氨量混结构-径向基函数神经网络最优控制", 《中国电机工程学报》 * |
李天军: "RBF神经网络及其在锅炉过热汽温控制中的应用", 《中国优秀硕士学位论文全文数据库信息科技辑》 * |
Cited By (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104763999A (zh) * | 2015-03-04 | 2015-07-08 | 内蒙古瑞特优化科技股份有限公司 | 电厂煤粉锅炉燃烧性能在线优化方法和*** |
CN105629738A (zh) * | 2016-03-24 | 2016-06-01 | 内蒙古瑞特优化科技股份有限公司 | Scr烟气脱硝***控制方法及设备 |
CN105629738B (zh) * | 2016-03-24 | 2018-06-29 | 内蒙古瑞特优化科技股份有限公司 | Scr烟气脱硝***控制方法及设备 |
CN106021916A (zh) * | 2016-05-18 | 2016-10-12 | 厦门大学 | 一种适用于超超临界锅炉NOx排放量分析的计算方法 |
CN106021916B (zh) * | 2016-05-18 | 2018-08-21 | 厦门大学 | 一种适用于超超临界锅炉NOx排放量分析的计算方法 |
CN108038561A (zh) * | 2017-09-21 | 2018-05-15 | 南京航空航天大学 | 一种scr脱硝成型催化剂的多目标优化方法 |
CN108956876A (zh) * | 2018-07-12 | 2018-12-07 | 浙江大学 | 一种烟气在线连续监测***的测量时延修正方法 |
CN109187914A (zh) * | 2018-09-18 | 2019-01-11 | 哈尔滨锅炉厂有限责任公司 | 基于煤质特性的燃煤电厂NOx生成量的预测方法 |
CN110096785A (zh) * | 2019-04-25 | 2019-08-06 | 华北电力大学 | 一种应用于超超临界机组的堆叠自编码器建模方法 |
CN110096785B (zh) * | 2019-04-25 | 2020-09-01 | 华北电力大学 | 一种应用于超超临界机组的堆叠自编码器建模方法 |
CN112325329A (zh) * | 2020-10-13 | 2021-02-05 | 华中科技大学 | 一种防高温腐蚀的锅炉风门开度控制方法及*** |
Also Published As
Publication number | Publication date |
---|---|
CN104331736B (zh) | 2018-06-22 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
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 | |
CN111222284B (zh) | 一种中速磨煤机组入口一次风量整体软测量方法 | |
CN109541168B (zh) | 一种煤粉经济细度在线监测与调整方法 | |
Dirik | Prediction of NOx emissions from gas turbines of a combined cycle power plant using an ANFIS model optimized by GA | |
CN104715142B (zh) | 一种电站锅炉NOx排放动态软测量方法 | |
CN109388774A (zh) | 一种基于对比法的火电厂NOx预测模型变量特征提取方法 | |
Tan et al. | NOx emission model for coal-fired boilers using principle component analysis and support vector regression | |
CN104537568A (zh) | 燃煤电厂机组节能减排绩效实时在线综合评估*** | |
CN111159844A (zh) | 一种电站燃气轮机排气温度的异常检测方法 | |
CN113033873B (zh) | 基于入炉煤质测量的脱硫***入口硫氧化物含量预测方法 | |
CN113592134A (zh) | 一种基于能源数据的电力碳排放评估***及方法 | |
CN102982390A (zh) | 一种基于支持向量机增量算法的锅炉燃烧效率预测方法 | |
CN108197723B (zh) | 煤电机组供电煤耗与污染物排放的优化节能调度方法 | |
Colman | The effect of ambient air and water temperature on power plant efficiency | |
Tang et al. | Modeling of the boiler NOx emission with a data driven algorithm | |
CN113918881A (zh) | 基于分层多项式模型的飞灰含碳量软测量方法及监测*** | |
CN201811207U (zh) | 锅炉水冷壁高温腐蚀状态诊断及预防*** | |
Fu et al. | Prediction model of desulfurization efficiency of coal-fired power plants based on long short-term memory neural network | |
Agrawal et al. | Application of K-NN regression for predicting coal mill related variables | |
CN114896895A (zh) | 基于门控循环神经网络的脱硝***入口氮氧化物排放预测方法及*** | |
Zhao et al. | Soft sensing of coal quality | |
Liu et al. | A prediction method of NOx in thermal power plants using GC-LSTM neural network | |
CN112329271A (zh) | 基于多重pca的火电机组调峰关键指标识别方法及装置 | |
Balamurugan et al. | ANN-SQP Approach for NOx emission reduction in coal fired Boilers | |
CN108009580B (zh) | 一种煤调湿出口煤湿度的测量方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |