CN110299188A - 基于ga变量选择的scr烟气脱硝***grnn建模方法 - Google Patents
基于ga变量选择的scr烟气脱硝***grnn建模方法 Download PDFInfo
- Publication number
- CN110299188A CN110299188A CN201910386006.XA CN201910386006A CN110299188A CN 110299188 A CN110299188 A CN 110299188A CN 201910386006 A CN201910386006 A CN 201910386006A CN 110299188 A CN110299188 A CN 110299188A
- Authority
- CN
- China
- Prior art keywords
- flue gas
- grnn
- data
- variable
- scr
- 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
- UGFAIRIUMAVXCW-UHFFFAOYSA-N Carbon monoxide Chemical compound [O+]#[C-] UGFAIRIUMAVXCW-UHFFFAOYSA-N 0.000 title claims abstract description 59
- 239000003546 flue gas Substances 0.000 title claims abstract description 59
- 238000000034 method Methods 0.000 title claims abstract description 32
- 238000012360 testing method Methods 0.000 claims abstract description 34
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 25
- 230000008676 import Effects 0.000 claims abstract description 8
- 238000010835 comparative analysis Methods 0.000 claims abstract description 4
- QGZKDVFQNNGYKY-UHFFFAOYSA-N Ammonia Chemical compound N QGZKDVFQNNGYKY-UHFFFAOYSA-N 0.000 claims description 21
- 238000012549 training Methods 0.000 claims description 14
- 238000005457 optimization Methods 0.000 claims description 12
- QVGXLLKOCUKJST-UHFFFAOYSA-N atomic oxygen Chemical compound [O] QVGXLLKOCUKJST-UHFFFAOYSA-N 0.000 claims description 11
- 239000001301 oxygen Substances 0.000 claims description 11
- 229910052760 oxygen Inorganic materials 0.000 claims description 11
- 229910021529 ammonia Inorganic materials 0.000 claims description 10
- 238000005070 sampling Methods 0.000 claims description 7
- 239000003245 coal Substances 0.000 claims description 6
- 238000002790 cross-validation Methods 0.000 claims description 5
- 230000035772 mutation Effects 0.000 claims description 5
- 238000012216 screening Methods 0.000 claims description 5
- 238000005507 spraying Methods 0.000 claims description 5
- 230000006978 adaptation Effects 0.000 claims description 4
- MWUXSHHQAYIFBG-UHFFFAOYSA-N nitrogen oxide Inorganic materials O=[N] MWUXSHHQAYIFBG-UHFFFAOYSA-N 0.000 description 39
- 230000006870 function Effects 0.000 description 13
- 238000013528 artificial neural network Methods 0.000 description 12
- 230000002068 genetic effect Effects 0.000 description 9
- 239000007789 gas Substances 0.000 description 7
- 238000006243 chemical reaction Methods 0.000 description 5
- 230000009467 reduction Effects 0.000 description 5
- 238000006722 reduction reaction Methods 0.000 description 5
- 239000007921 spray Substances 0.000 description 5
- 101001095088 Homo sapiens Melanoma antigen preferentially expressed in tumors Proteins 0.000 description 4
- 102100037020 Melanoma antigen preferentially expressed in tumors Human genes 0.000 description 4
- 230000008859 change Effects 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 4
- 239000003054 catalyst Substances 0.000 description 3
- 230000003197 catalytic effect Effects 0.000 description 3
- 230000001419 dependent effect Effects 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 230000003455 independent Effects 0.000 description 3
- 241001269238 Data Species 0.000 description 2
- 101000668170 Homo sapiens RNA-binding motif, single-stranded-interacting protein 2 Proteins 0.000 description 2
- GQPLMRYTRLFLPF-UHFFFAOYSA-N Nitrous Oxide Chemical class [O-][N+]#N GQPLMRYTRLFLPF-UHFFFAOYSA-N 0.000 description 2
- 102100039690 RNA-binding motif, single-stranded-interacting protein 2 Human genes 0.000 description 2
- XSQUKJJJFZCRTK-UHFFFAOYSA-N Urea Chemical compound NC(N)=O XSQUKJJJFZCRTK-UHFFFAOYSA-N 0.000 description 2
- 239000004202 carbamide Substances 0.000 description 2
- 238000010531 catalytic reduction reaction Methods 0.000 description 2
- 235000019504 cigarettes Nutrition 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 238000012821 model calculation Methods 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 230000002159 abnormal effect Effects 0.000 description 1
- XKMRRTOUMJRJIA-UHFFFAOYSA-N ammonia nh3 Chemical compound N.N XKMRRTOUMJRJIA-UHFFFAOYSA-N 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 239000003795 chemical substances by application Substances 0.000 description 1
- 238000005094 computer simulation Methods 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000003912 environmental pollution Methods 0.000 description 1
- 238000009499 grossing Methods 0.000 description 1
- 239000007788 liquid Substances 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 230000035800 maturation Effects 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 210000005036 nerve Anatomy 0.000 description 1
- 230000001537 neural effect Effects 0.000 description 1
- 230000033116 oxidation-reduction process Effects 0.000 description 1
- FGIUAXJPYTZDNR-UHFFFAOYSA-N potassium nitrate Chemical compound [K+].[O-][N+]([O-])=O FGIUAXJPYTZDNR-UHFFFAOYSA-N 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 108090000623 proteins and genes Proteins 0.000 description 1
- 238000000197 pyrolysis Methods 0.000 description 1
- 230000035484 reaction time Effects 0.000 description 1
- 238000005215 recombination Methods 0.000 description 1
- 230000006798 recombination Effects 0.000 description 1
- 238000000611 regression analysis Methods 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000000547 structure data Methods 0.000 description 1
- 230000005619 thermoelectricity Effects 0.000 description 1
- GWEVSGVZZGPLCZ-UHFFFAOYSA-N titanium dioxide Inorganic materials O=[Ti]=O GWEVSGVZZGPLCZ-UHFFFAOYSA-N 0.000 description 1
Classifications
-
- 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
- G06N3/045—Combinations of 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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/047—Probabilistic or stochastic networks
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16C—COMPUTATIONAL CHEMISTRY; CHEMOINFORMATICS; COMPUTATIONAL MATERIALS SCIENCE
- G16C20/00—Chemoinformatics, i.e. ICT specially adapted for the handling of physicochemical or structural data of chemical particles, elements, compounds or mixtures
- G16C20/10—Analysis or design of chemical reactions, syntheses or processes
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computing Systems (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Data Mining & Analysis (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Molecular Biology (AREA)
- Evolutionary Computation (AREA)
- Chemical & Material Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Analytical Chemistry (AREA)
- Chemical Kinetics & Catalysis (AREA)
- Crystallography & Structural Chemistry (AREA)
- Bioinformatics & Computational Biology (AREA)
- Probability & Statistics with Applications (AREA)
- Treating Waste Gases (AREA)
Abstract
本发明涉及一种基于GA变量选择的SCR烟气脱硝***GRNN建模方法，包括以下步骤：S1、获取SCR烟气脱硝***输入影响变量与输出变量的运行数据，在全工况下选取稳定工况时的数据；S2、利用GA算法进行优化计算，筛选出SCR烟气脱硝***最优变量作为模型的输入变量；S3、利用筛选出的***最优输入变量作为网络输入，导入数据建立GRNN模型并得到测试结果；S4、利用最优变量的网络输入数据建立不同的数据驱动模型，导入测试数据得出测试值并对比分析。与现有技术相比，本发明能够从SCR***的众多影响变量中挑选出影响出口NOx浓度的最优变量，建立更加准确的SCR脱硝***GRNN模型，与传统建模方法相比降低了模型复杂度，提高模型精度，具有更好的泛化能力。
Description
技术领域
本发明涉及SCR烟气脱硝***建模技术，具体涉及一种基于GA变量选择的SCR烟气脱硝***GRNN建模方法。
背景技术
近年来，伴随国民经济的快速发展，能源消费领域带来的环境污染也越来越严重，氮氧化物(NOx)则是主要的大气污染物之一。随着耗电量的增加，燃煤电厂的烟气浓度排放成为重点关注方向。国家对氮氧化物排放控制标准的要求越来越严格,为了严格控制火电厂尾气中氮氧化物的排放，选择性催化还原法(selective catalytic reduction,SCR)烟气脱硝***以其技术成熟、脱硝效率高、高效控制NOx排放等优点在燃煤电厂中得到了广泛的应用，各电站对SCR***优化控制技术的需求十分迫切。
准确的模型是***优化控制的基础，选择合适的输入变量是建立模型的重要前提，选择过多的输入变量会增加建模难度与复杂度，少选变量则无法准确建立***模型。随着近年人工智能技术的快速进步，基于数据驱动的建模方法得到广泛研究，通过充分利用火电厂运行历史数据建立SCR烟气脱硝***模型。
发明内容
针对现有技术的不足，本发明的目的旨在于提供一种基于GA变量选择的SCR烟气脱硝***GRNN建模方法，该方法的优点在于能够从SCR***的众多影响变量中挑选出影响出口NOx浓度的最优变量，选出的重要输入变量能更好地反映***的运行，并且能建立更加准确的SCR脱硝***模型，从而降低模型复杂度，明显提高模型精度，具有更好的泛化能力。
为实现上述目的，本发明采用如下技术方案：
一种基于GA变量选择的SCR烟气脱硝***GRNN建模方法，包括以下步骤：
S1、设定采样时间间隔，获取SCR烟气脱硝***输入影响变量与输出变量的运行数据，在考虑全工况下，选取稳定工况下的数据，作为训练数据与预测数据；
S2、利用GA算法进行优化计算，筛选出最优变量作为建模的输入变量{w1,w2,w3,…,wi}；
S3、利用步骤S2筛选出的输入变量作为网络输入数据，建立SCR烟气脱硝***GRNN模型并得到测试结果；
S4、利用上述网络输入数据建立不同的数据驱动模型，导入测试数据得出测试值并与GRNN模型结果对比分析。
进一步地，所述步骤S2中利用GA算法进行优化计算，筛选出最优变量作为输入变量具体包括：
S21、随机产生N个初始串结构数据，将解空间映射到编码空间，一个编码对应一个个体；
S22、取样本数据均方误差的倒数为GA算法适应度函数，衡量个体适应度大小；
S23、用GA算法对BP网络权值与阈值优化，选择操作选用比例选择算子，交叉、变异操作选用单点交叉算子；
S24、经过多次迭代当满足终止条件时筛选出最优变量{w1,w2,w3,…,wi}。
进一步地，所述步骤S3中利用输入变量作为网络输入数据，建立SCR烟气脱硝***GRNN模型具体包括：
S31、采用交叉验证的方法训练GRNN网络；
S32、采用循环训练的方法找出最佳SPREAD值；
S33、建立GRNN模型并导入测试数据得到预测结果。
进一步地，所述步骤S4建立不同的数据驱动模型，其中包括未筛选变量的BP脱硝***模型，采用筛选变量的GA-BP、Elman脱硝***模型，并分别导入测试数据生成预测结果并与采用筛选变量的GRNN脱硝***模型进行对比分析。
进一步地，所述SCR烟气脱硝***输入影响变量包括机组负荷、入口烟气NOX含量、入口烟气温度、入口烟气含氧量、喷氨量、SCR反应器1层压力差、SCR反应器2层压力差、SCR反应器3层压力差、进入反应器前总压力、总煤量、总风量、出口烟气含氧量总共12个变量，输出变量为烟囱入口NOx含量。
本发明的有益效果在于：
本发明为了建立SCR烟气脱硝***模型，通过GA算法优化计算进行变量选择，经过不断地迭代进化，筛选出最具代表性的输入自变量参与建模。然后把最优输入变量作为GRNN神经网络的输入，采用交叉验证方法训练GRNN神经网络，循环找出最佳SPREAD，最终建立SCR***NOx排放的GRNN模型。将其与原变量BP、GA-BP、Elman模型进行对比，结果表明通过变量选择降低输入变量个数能够有效降低模型难度与复杂度，建立的GRNN模型明显提高了模型精度，具有更好的泛化能力与鲁棒性。
附图说明
图1为本发明SCR烟气脱硝***示意图；
图2为本发明单点交叉算子操作示意图；
图3为本发明单点变异算子示意图；
图4为本发明GRNN网络结构图；
图5为本发明利用GA算法变量选择优化GRNN建模的流程图；
图6为本发明部分现场数据分布图；
图7为本发明GA算法适应度函数进化曲线；
图8为本发明GA算法变量选择结果图；
图9为本发明GRNN模型测试结果图；
图10为本发明原变量BP模型测试结果图；
图11为本发明GA-BP模型测试结果图；
图12为本发明Elman模型测试结果图。
具体实施办法
下面，结合附图以及具体实施方式，对本发明做进一步描述。本实施例以本发明技术方案为前提进行实施，本发明的保护范围不限于下述的实施例，对所属领域的普通技术人员来说，在上述说明的基础上还可做其他不同形式的变化和变动。这里无需也无法对所有的实施方式予以穷举。而由此所引伸出的显而易动变化或变动仍处于本发明创造的保护范围之中。
实施例一
图1为火电厂采用的选择性还原法(SCR)烟气脱硝***示意图。脱硝装置采用高灰型SCR布置方式，SCR反应器布置在锅炉省煤器与空气预热器之间，反应器两侧进口烟道设烟气挡板以及省煤器旁路烟气挡板，SCR脱硝***采用TiO2作催化剂，用尿素制备脱硝还原剂。热解喷枪喷入热解炉中的尿素溶液蒸发为氨气，热解炉出口的空气/氨气混合物经母管送入个分支管，分支管的混合气体由喷氨栅格喷入烟道，经过静态混合器使氨气与烟气充分混合后再进入催化反应器。当达到反应温度时，氨气与NOx发生催化氧化还原反应，将NOx还原为无害的N2和H2O，实现烟气脱硝。
SCR脱硝过程主要化学反应如下：
4NO+4NH3+O2→4N2+6H2O
NO+NO2+2NH3→2N2+3H2O
6NO2+8NH3→7N2+12H2O
4NH3+3O2→2N2+6H2O
4NH3+5O2→4NO+6H2O
在没有催化剂的情况下，上述反应只在很窄的温度范围内(850-1100℃)进行。SCR技术采用催化剂，催化作用使反应活化能降低在较低温度条件(300-400℃)下进行，相当于锅炉省煤器与空气预热器之间的烟气温度。
该脱硝装置的烟气处理能力为相应锅炉BMCR工况时的100％烟气量，脱硝效率要求≥80％，但脱硝效率受氨氮比、烟气含氧量、锅炉温度、进风量、反应时间等一系列因素影响。
20世纪80年代，Holland教授实现了第一个基于遗传算法(GA)的机器学习***。遗传算法优化BP神经网络是来优化BP神经网络的初始权值与阈值，使优化后的神经网络能更好的预测函数的输出。优化的要素主要是种群初始化、适应度函数、选择、交叉、变异。
随机产生N个初始串结构数据，每个串结构数据为一个个体，N个个体构成一个种群，遗传算法以这N个串结构作为初始点开始迭代。用适应度函数来衡量个体适应度的大小，只有适应度高的个体遗传到下一代的几率才相对较大，取测试数据误差平方和的倒数为适应度函数：
式中，为测试集预测值；T＝{t1,t2,…,tn}为测试集的真实值，n为测试集的数目。为了降低初始权值和阈值的随机性对适应度函数计算的影响，对每一个体计算适应度函数时，均用遗传算法对建立的BP神经网络的权值与阈值进行优化。
选择操作选用比例选择算子，其为个体被选中并遗传到下一代种群的概率与该个体适应度大小成正比。
计算种群中所有个体的适应度之和：
利用下式计算各个个体的相对适应度，并以此作为该个体被选中并遗传到下一代的概率。
k＝1,2,3,…,n
用模拟轮盘赌操作，产生(0,1)之间的随机数，确定每个个体被选中的次数，适应度大的个体被选中的概率大，其基因也就会在种群中逐渐扩大。
对于输入自变量降维变量选择，交叉操作采用单点交叉算子，原理如图2所示。对BP神经网络初始权值与阈值的优化，采用算术交叉算子，通过给定概率重组一对个体而产生后代。对输入自变量的降维，变异采用单点交叉算子，变异算子原理如图3所示。对于BP神经网络初始权值和阈值的优化，变异选用非均匀变异算子。
经过多次迭代后，当满足迭代终止条件时，输出的末代种群便是筛选出的重要输入自变量组合。
广义回归神经网络(Generalized Regression Neural Network,GRNN)是美国学者Donald F.Specht在1991年提出的，它是径向基神经网络的一种，具有很强的非线性映射能力和柔性网络结构以及高度的容错性和鲁棒性，多用于解决非线性问题。GRNN网络结构由四层构成，分别为输入层、模式层、求和层和输出层，结构图如图4所示。
GRNN的理论基础是非线性回归分析，设随机变量x和随机变量y的联合概率密度函数为f(x,y)，已知x的观测值为X，y相对于X的回归，也即条件均值为
为在输入X条件下Y的预测输出。
应用Parzen非参数估计，可由样本数据集估算密度函数
式中Xi,Yi为随机变量x和y的样本观测值；n为样本容量；p为随机变量x的维数；σ为高斯函数的密度系数。用代替f(X,y)带入上式交换积分与加和顺序：
由于对两个积分进行计算后可得网络的输出为
估计值为所有样本观测值Yi的加权平均，每个Yi的权重因子为相应的样本Xi与X之间Euclid距离平方的指数。当光滑因子σ很大时，估计值近似于所有样本因变量均值。当σ趋于0时，估计值与训练样本特别接近，但遇到样本未包含的点，预测效果就非常差，说明网络泛化能力差。而当σ取合适值时，所有训练样本的因变量都被考虑在内，与预测点距离近的样本点对应的因变量就被加大了权。
如图5所示，一种基于GA变量选择的SCR烟气脱硝***GRNN建模方法，包括以下步骤：
S1、设定采样时间间隔，获取SCR烟气脱硝***输入影响变量与输出变量的运行数据，在考虑全工况下，选取稳定工况下的数据，作为训练数据与预测数据；
S2、利用GA算法进行优化计算，筛选出最优变量作为建模的输入变量{w1,w2,w3,…,wi}；
S3、利用步骤S2筛选出到的***最优输入变量作为网络输入，导入数据建立SCR烟气脱硝***GRNN模型并得到测试结果；
S4、利用最优变量的网络输入数据建立不同的数据驱动模型，导入测试数据得出测试值并与GRNN模型结果对比分析。
其中，所述步骤S2中利用GA算法进行优化计算，筛选出最优变量作为输入变量具体包括：
S21、随机产生N个初始串结构数据，将解空间映射到编码空间，一个编码对应一个个体；
S22、取样本数据均方误差的倒数为GA算法适应度函数，衡量个体适应度大小；
S23、用GA算法对BP网络权值与阈值优化，选择操作选用比例选择算子，交叉、变异操作选用单点交叉算子；
S24、经过多次迭代满足终止条件时筛选出最优变量{w1,w2,w3,…,wi}。
其中，所述步骤S3中利用最优输入变量作为网络输入建立SCR烟气脱硝***GRNN模型具体包：
S31、采用交叉验证的方法训练GRNN网络；
S32、采用循环训练的方法找出最佳SPREAD值；
S33、建立GRNN模型并导入测试数据得到预测结果。
其中，所述步骤S4建立不同的数据驱动模型，其中包括未筛选变量的BP脱硝***模型，采用筛选变量的GA-BP、Elman脱硝***模型，并分别导入测试数据生成预测结果并与采用筛选变量的GRNN脱硝***模型进行对比分析。
其中，所述SCR烟气脱硝***输入影响变量包括机组负荷、入口烟气NOX含量、入口烟气温度、入口烟气含氧量、喷氨量、SCR反应器1层压力差、SCR反应器2层压力差、SCR反应器3层压力差、进入反应器前总压力、总煤量、总风量、出口烟气含氧量总共12个变量，输出变量为烟囱入口NOx含量。
实施例二
为验证本发明所提出的基于GA变量选择的SCR烟气脱硝***GRNN建模方法的有效性，选取机组负荷变化较大的某一周运行数据，采样时间间隔为1min，对异常数据进行处理，取720组历史运行数据作为研究样本，取其600组数据作为训练数据，剩余120组作为测试数据。选取机组负荷、入口烟气NOX含量、入口烟气温度、入口烟气含氧量、喷氨量、SCR反应器1层压力差、SCR反应器2层压力差、SCR反应器3层压力差、进入反应器前总压力、总煤量、总风量、出口烟气含氧量总共12个变量作为原始输入变量，烟囱入口NOx含量作为输出变量，通过遗传优化计算降维进行变量选择。原始12个输入变量对应的序号如表1所示，原始数据机组负荷与烟囱入口NOx含量数据分布如图6所示。
表1变量序号表
先将所有数据样本进行平滑处理，然后归一化到[-1,1]范围内，利用遗传算法进行优化计算，编码长度设计为12，种群大小为20，最大进化代数设为60，选取测试样本均方误差倒数为遗传算法适应度函数，经过不断迭代筛选出最优输入变量。
模型精度评价指标采用均方根误差(root mean square error，RMSE)和平均绝对百分比误差(mean absolute percentage error，MAPE)，计算公式为：
建模时间(Time)为：
Time＝T2-T1
式中yi为实际测量值，为模型计算值，n为样本个数，T2为建模结束时间，T1为建模开始时间。
GA算法适应度函数进化曲线如图7所示，变量选择结果如图8所示。
通过遗传算法变量选择，结果为“1”的变量即为筛选出的重要变量，序号为“1、2、5、8、9、10、12”，由表1即可得优化筛选后的输入自变量为机组负荷、入口烟气NOx含量、喷氨量、SCR3层压力差、进入反应器前总压力、总煤量、出口烟气含氧量。
将筛选的输入自变量：机组负荷、入口烟气NOx含量、喷氨量、SCR3层压力差、进入反应器前总压力、总煤量、出口烟气含氧量共7个输入自变量，烟囱入口NOx含量为输出变量，构建GRNN，利用原始样本的600组训练样本数据，120组测试样本数据，采用交叉验证方法训练GRNN神经网络，并循环找出最佳SPREAD，建立GRNN神经网络对SCR脱硝***进行建模,测试结果如图9所示。
运行显示最佳SPREAD值为0.1，GRNN模型计算值大致在实际测量值附近，说明模型很好地反映了SCR脱硝***出口烟气NOx含量的动态变化，表现出很好的精度，模型均方根误差RMSE为2.1861，平均绝对百分比误差MAPE为4.8068％，模型具有较强的学习能力和泛化能力。
首先通过原始12个输入自变量进行BP神经网络建模，然后通过GA算法筛选出7个重要输入变量进行BP神经网络建模研究以验证筛选变量对模型精度的提高，并再次将筛选出的7个输入变量用于Elman建模，与GRNN模型进行比较。其中原变量BP模型测试结果如图10所示，GA-BP模型测试结果如图11所示，Elman模型测试结果如图12所示。
表2不同建模方法比较
| 模型 | RMSE/(mg/Nm3) | MAPE/％ | 建模时间/s |
| BP | 3.9689 | 10.3649 | 2.625 |
| GA-BP | 3.4781 | 8.9736 | 0.20313 |
| GRNN | 2.1861 | 4.8068 | 0.14063 |
| Elman | 3.5873 | 9.7064 | 0.23438 |
SCR脱硝***出口NOx含量模型评价指标和建模时间如表2所示。通过图9、图10、图11、图12和表2可以发现，BP神经网络泛化能力最差，将GA-BP模型与原变量BP模型对比可以发现基于GA变量选择后模型精度有大幅提高。将利用筛选出的7个输入自变量进行建模的GA-BP、GRNN、Elman模型与原变量BP模型进行对比，可验证GA算法优化筛选的变量对模型建立精度的提高，降低模型复杂度，得出变量选择结果的可用性。通过对比GA-BP、GRNN、Elman三种模型，发现GRNN的拟合效果最好，测试样本计算结果误差最小，MAPE只有4.8068％，模型精度大幅提高，建模时间缩短，由此可见本发明提出的基于GA变量选择的GRNN建模方法更适用于SCR烟气脱硝***模型的建立并且具有有效性，提高了模型准确性与鲁棒性，满足工程优化需要。
Claims (5)
1.一种基于GA变量选择的SCR烟气脱硝***GRNN建模方法，包括以下步骤：
S1、设定采样时间间隔，获取SCR烟气脱硝***输入影响变量与输出变量的运行数据，在全工况下选取稳定工况时的数据，作为训练数据与预测数据；
S2、利用GA算法进行优化计算，筛选出最优变量作为建模的输入变量{w1,w2,w3,…,wi}；
S3、利用步骤S2筛选出的输入变量作为网络输入数据，建立SCR烟气脱硝***GRNN模型并得到测试结果；
S4、利用上述网络输入数据建立不同的数据驱动模型，导入测试数据得出测试值并与GRNN模型结果对比分析。
2.根据权利要求1所述的基于GA变量选择的SCR烟气脱硝***GRNN建模方法，其特征在于，所述步骤S2中利用GA算法进行优化计算，筛选出最优变量作为输入变量具体包括：
S21、随机产生N个初始串结构数据，将解空间映射到编码空间，一个编码对应一个个体；
S22、取样本数据均方误差的倒数为GA算法适应度函数，衡量个体适应度大小；
S23、用GA算法对BP网络权值与阈值优化，选择操作选用比例选择算子，交叉、变异操作选用单点交叉算子；
S24、经过多次迭代当满足终止条件时筛选出最优变量{w1,w2,w3,…,wi}。
3.根据权利要求1所述的基于GA变量选择的SCR烟气脱硝***GRNN建模方法，其特征在于，所述步骤S3中利用输入变量作为网络输入数据，建立SCR烟气脱硝***GRNN模型具体包括：
S31、采用交叉验证的方法训练GRNN网络；
S32、采用循环训练的方法找出最佳SPREAD值；
S33、建立GRNN模型并导入测试数据得到预测结果。
4.根据权利要求1所述的基于GA变量选择的SCR烟气脱硝***GRNN建模方法，其特征在于，所述步骤S4建立不同的数据驱动模型，其中包括未筛选变量的BP脱硝***模型，采用筛选变量的GA-BP、Elman脱硝***模型，并分别导入测试数据生成预测结果并与采用筛选变量的GRNN脱硝***模型进行对比分析。
5.根据权利要求1所述的基于GA变量选择的SCR烟气脱硝***GRNN建模方法，其特征在于，所述SCR烟气脱硝***输入影响变量包括机组负荷、入口烟气NOX含量、入口烟气温度、入口烟气含氧量、喷氨量、SCR反应器1层压力差、SCR反应器2层压力差、SCR反应器3层压力差、进入反应器前总压力、总煤量、总风量、出口烟气含氧量总共12个变量，输出变量为烟囱入口NOx含量。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910386006.XA CN110299188A (zh) | 2019-05-09 | 2019-05-09 | 基于ga变量选择的scr烟气脱硝***grnn建模方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910386006.XA CN110299188A (zh) | 2019-05-09 | 2019-05-09 | 基于ga变量选择的scr烟气脱硝***grnn建模方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN110299188A true CN110299188A (zh) | 2019-10-01 |
Family
ID=68026618
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910386006.XA Pending CN110299188A (zh) | 2019-05-09 | 2019-05-09 | 基于ga变量选择的scr烟气脱硝***grnn建模方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110299188A (zh) |
Cited By (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111538355A (zh) * | 2020-05-06 | 2020-08-14 | 安徽工业大学 | 一种基于ga-igpc的锅炉烟气含氧量控制方法和*** |
| CN111584015A (zh) * | 2020-05-27 | 2020-08-25 | 大唐环境产业集团股份有限公司 | 脱硝***入口NOx测量延迟估计方法及装置 |
| CN112364536A (zh) * | 2020-11-06 | 2021-02-12 | 大唐环境产业集团股份有限公司 | 脱硝反应器结构智能优化***及方法 |
| CN112634995A (zh) * | 2020-12-21 | 2021-04-09 | 绍兴数鸿科技有限公司 | 一种基于人工智能的苯酚裂解参数自动优化方法和装置 |
| CN113077041A (zh) * | 2020-01-06 | 2021-07-06 | 大唐环境产业集团股份有限公司 | 一种基于遗传算法的深度神经网络建模自变量降维方法 |
| CN113554153A (zh) * | 2021-07-23 | 2021-10-26 | 潍柴动力股份有限公司 | 氮氧化物排放量预测方法、装置、计算机设备及介质 |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105631151A (zh) * | 2016-01-06 | 2016-06-01 | 陈威宇 | 一种煤粉锅炉燃烧优化的建模方法 |
| CN106599586A (zh) * | 2016-12-19 | 2017-04-26 | 北京国能中电节能环保技术股份有限公司 | 基于神经网络的scr智能喷氨优化方法及装置 |
| CN107694337A (zh) * | 2017-11-03 | 2018-02-16 | 吉林省电力科学研究院有限公司 | 基于神经网络预测控制的燃煤机组scr烟气脱硝控制方法 |
-
2019
- 2019-05-09 CN CN201910386006.XA patent/CN110299188A/zh active Pending
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105631151A (zh) * | 2016-01-06 | 2016-06-01 | 陈威宇 | 一种煤粉锅炉燃烧优化的建模方法 |
| CN106599586A (zh) * | 2016-12-19 | 2017-04-26 | 北京国能中电节能环保技术股份有限公司 | 基于神经网络的scr智能喷氨优化方法及装置 |
| CN107694337A (zh) * | 2017-11-03 | 2018-02-16 | 吉林省电力科学研究院有限公司 | 基于神经网络预测控制的燃煤机组scr烟气脱硝控制方法 |
Non-Patent Citations (6)
| Title |
|---|
| 孔国利等: "遗传算法的广义回归神经网络建模方法", 《计算机工程与设计》 * |
| 孙思远等: "基于GRNN的船舶柴油机NO_x排放预测", 《集美大学学报(自然科学版)》 * |
| 李军红等: "广义回归神经网络对脱硫效率的预测", 《自动化技术与应用》 * |
| 李浩平等: "基于AGA-GRNN神经网络的刀具寿命预测研究", 《三峡大学学报(自然科学版)》 * |
| 王江荣等: "基于遗传算法因素筛选的BP神经网络在软土路基沉降数据处理中的应用", 《矿山测量》 * |
| 秦天牧等: "基于改进偏互信息的火电厂SCR脱硝***建模", 《动力工程学报》 * |
Cited By (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113077041A (zh) * | 2020-01-06 | 2021-07-06 | 大唐环境产业集团股份有限公司 | 一种基于遗传算法的深度神经网络建模自变量降维方法 |
| CN111538355A (zh) * | 2020-05-06 | 2020-08-14 | 安徽工业大学 | 一种基于ga-igpc的锅炉烟气含氧量控制方法和*** |
| CN111538355B (zh) * | 2020-05-06 | 2023-02-24 | 安徽工业大学 | 一种基于ga-igpc的锅炉烟气含氧量控制方法和*** |
| CN111584015A (zh) * | 2020-05-27 | 2020-08-25 | 大唐环境产业集团股份有限公司 | 脱硝***入口NOx测量延迟估计方法及装置 |
| CN111584015B (zh) * | 2020-05-27 | 2021-09-10 | 大唐环境产业集团股份有限公司 | 脱硝***入口NOx测量延迟估计方法及装置 |
| CN112364536A (zh) * | 2020-11-06 | 2021-02-12 | 大唐环境产业集团股份有限公司 | 脱硝反应器结构智能优化***及方法 |
| CN112634995A (zh) * | 2020-12-21 | 2021-04-09 | 绍兴数鸿科技有限公司 | 一种基于人工智能的苯酚裂解参数自动优化方法和装置 |
| CN112634995B (zh) * | 2020-12-21 | 2024-05-31 | 绍兴数鸿科技有限公司 | 一种基于人工智能的苯酚裂解参数自动优化方法和装置 |
| CN113554153A (zh) * | 2021-07-23 | 2021-10-26 | 潍柴动力股份有限公司 | 氮氧化物排放量预测方法、装置、计算机设备及介质 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110299188A (zh) | 基于ga变量选择的scr烟气脱硝***grnn建模方法 | |
| CN107243257B (zh) | 适合全负荷的智能喷氨控制*** | |
| Shin et al. | Development of NOx reduction system utilizing artificial neural network (ANN) and genetic algorithm (GA) | |
| CN106599586B (zh) | 基于神经网络的scr智能喷氨优化方法及装置 | |
| CN110188383B (zh) | 一种基于选择性集成模型的电站scr脱硝建模方法 | |
| CN110263395A (zh) | 基于数值模拟和数据分析的电厂脱硝运行优化方法及*** | |
| CN110585921B (zh) | 一种双喷氨格栅选择催化还原脱硝装置及其喷氨优化方法 | |
| CN112580250A (zh) | 基于深度学习的火电机组脱硝***及优化控制方法 | |
| CN104793651B (zh) | 水泥生产中sncr烟气脱硝***的喷氨量控制方法 | |
| CN113887827B (zh) | 一种基于火电机组实时碳排放监测的配煤掺烧优化决策方法 | |
| CN110263997A (zh) | 一种基于深度神经网络的水泥生产线烟气NOx浓度预测方法 | |
| CN111460726B (zh) | 一种煤泥流化床锅炉脱硝***氨逃逸的优化方法 | |
| CN104613468A (zh) | 基于模糊自适应推理的循环流化床锅炉燃烧优化控制方法 | |
| CN113009890B (zh) | 一种基于bmo-lssvm的火电厂scr烟气脱硝控制***的优化控制方法 | |
| CN108038561A (zh) | 一种scr脱硝成型催化剂的多目标优化方法 | |
| Yang et al. | A novel denitration cost optimization system for power unit boilers | |
| Li | Optimization and reconstruction technology of SCR flue gas denitrification ultra low emission in coal fired power plant | |
| CN109766666A (zh) | 基于低氮燃烧与SNCR-SCR协同控制的锅炉烟气排放NOx浓度预测方法 | |
| CN113112072A (zh) | 一种基于深度双向LSTM的NOx排放含量预测方法 | |
| CN112613237B (zh) | 一种基于LSTM的CFB机组NOx排放浓度的预测方法 | |
| WO2024021943A1 (zh) | 基于scr反应动力学模型的喷氨优化方法、装置及介质 | |
| CN108647478A (zh) | 基于bp神经网络的热电联产机组scr入口烟温在线计算方法 | |
| CN109933884B (zh) | 一种面向燃煤机组scr脱硝***神经网络逆控制的方法 | |
| CN116050643A (zh) | 一种基于集成模型的流程工业污染物排放浓度预测方法 | |
| CN116128136A (zh) | 一种基于LSO-CatBoost的燃煤电厂锅炉NOX排放预测方法 |
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: 20191001 |