[發明專利]一種WFGD自適應在線優化調度方法

在審

• 申請號: 202011279200.7
• 申請日: 2020-11-16
• 公開（公告）號: CN112365065A
• 公開（公告）日: 2021-02-12
• 發明（設計）人: 王力光;司風琪;馬利君;任少君;王鐵民;尚江峰;封亞釗
• 申請（專利權）人: 大唐環境產業集團股份有限公司
• 主分類號: G06Q10/04
• 分類號: G06Q10/04;G06Q10/06;G06Q50/06;G06N3/04;G06N3/08
• 代理公司: 北京八月瓜知識產權代理有限公司 11543
• 代理人: 李斌

1.一種WFGD自適應在線優化調度方法，其特征在于，包括如下步驟：

第一步，從機組采集測點歷史數據，數據信息包括機組負荷、脫硫系統入口/出口SO2的濃度和漿液循環泵電流參數；

第二步，依據漿液循環泵電流參數，獲取漿液循環泵啟/停時的各時間節點，并獲取其啟/停前1小時和啟/停后1小時各參數的歷史運行數據；

第三步，對獲得的數據樣本進行穩態篩選，得到漿液循環泵啟/停數據樣本集，按照漿液循環泵運行情況，將數據樣本劃分到相應的樣本庫中；

第四步，以啟/停前后機組平均負荷、平均入口SO₂濃度、啟/停前平均出口SO₂的濃度作為模型的輸入參數和啟/停后出口SO2的濃度變化量作為模型的輸出參數，分別建立單獨的基于GWO-BP神經網絡的WFGD在線優化調度模型，形成預測模型組；

第五步，將機組實時運行數據通過漿液循環泵的運行臺數進行劃分，進入相對應的模型中，計算啟/停泵后出口SO₂的濃度的變化情況，即可得到啟/停泵后出口SO₂的濃度，并指導電站對漿液循環泵進行優化調度；

第六步，從實時數據中獲取漿液循環泵啟/停數據，按照漿液循環泵運行情況進行劃分后，存入相應的模型樣本庫中，達到模型自適應更新的目的。

2.根據權利要求1所述的一種WFGD自適應在線優化調度方法，其特征在于：所述第一步具體為：從機組的SIS數據源采集各個測點所需時間跨度的歷史數據，間隔1min采取包括機組負荷、脫硫系統入口/出口SO₂濃度、漿液循環泵電流等數據。將采取的數據按時間順序排列，其中數據的時間跨度和采取間隔可自定義。

3.根據權利要求1或2所述的一種WFGD自適應在線優化調度方法，其特征在于：所述第二步中，記錄有且只有單臺漿液循環泵的電流從0開始變化或降低為0的時刻，并且該時刻前后1小時內有且只有一次變化，并記錄該時刻前后各一小時內相關參數的歷史運行數據。

4.根據權利要求3所述的一種WFGD自適應在線優化調度方法，其特征在于：所述第三步中穩態篩選的條件為：漿液循環泵啟停前后機組平均負荷變化為13-15MW、平均入口SO₂濃度變化為30-50mg/m³。

5.根據權利要求4所述的一種WFGD自適應在線優化調度方法，其特征在于：所述第四步中GWO-BP神經網絡模型的構建具體步驟為：

步驟一，確定BP神經網絡的輸入和輸出參數，并對輸入和輸出數據進行歸一化處理；

步驟二，GWO算法種群初始化，隨機初始化灰狼種群位置X_j(j＝1，2，…，n)，每個灰狼個體包含一組權重α_i，其中α₁+α₂+…+α_i＝i，式中i為對應輸入參數的個數，初始化參數a、A、C；

步驟三，構造適應度函數，為歸一化后的每個輸入參數乘上對應的權重α_i，作為新的輸入參數，并對BP神經網絡進行訓練，利用訓練好的模型預測輸出y_k與期望輸出的R²構造適應度函數；

步驟四，對種群中的每只灰狼個體執行步驟步驟三所述BP神經網絡訓練，并通過適應度函數計算每只灰狼個體的適應度值，從中選出適應度值最高的3只灰狼，作為當前的最優解X_α、次優解X_β和第三優解X_δ；

步驟五，更新其他ω狼個體的位置，更新參數a、A、C。根據步驟步驟三所述重新構造新的BP神經網絡，并對網絡進行訓練，重新計算每只灰狼個體的適應度值，更新X_α、X_β和X_δ；

步驟六，判斷GWO算法是否達到最大迭代初三，若是，則停止迭代，并輸出最優結果X_α；反之，則重復執行步驟三至步驟五，直至達到最大迭代次數；

步驟七，利用GWO算法得到的最優輸入參數的權重α_i再次訓練BP神經網絡，即可得到訓練精度最高的最終BP神經網絡模型。

6.根據權利要求5所述的一種WFGD自適應在線優化調度方法，其特征在于：所述第六步具體為：從第二步和第三步的實時數據中獲取液循環泵啟停數據，并按照漿液循環泵運行情況進行劃分，存入相應的模型樣本庫中，按照第四步中的GWO-BP神經網絡模型的構建重新對GWO-BP模型進行訓練更新。