[發明專利]一種基于大數據自學習預測控制的脫硫系統控制方法

有效

• 申請號: 202110360599.X
• 申請日: 2021-04-02
• 公開（公告）號: CN113110046B
• 公開（公告）日: 2022-06-07
• 發明（設計）人: 崔曉波;程茵
• 申請（專利權）人: 玖禾智控（北京）科技有限公司
• 主分類號: G05B13/04
• 分類號: G05B13/04
• 代理公司: 南京縱橫知識產權代理有限公司 32224
• 代理人: 孫永生

1.一種基于大數據自學習預測控制的脫硫系統控制方法，其特征在于，包括如下步驟：

獲取脫硫系統當前時刻的運行參數，所述運行參數包括測量參數和控制參數；

基于預先構建的成本模型和當前時刻的測量參數，利用粒子群優化算法獲得當前時刻的最優控制參數；

根據當前時刻的運行參數和最優控制參數，利用脫硫系統的離散狀態空間模型輸出控制指令，實現脫硫系統控制；

所述測量參數包括脫硫系統入口煙氣流量、SO2濃度、溫度和壓力，所述控制參數包括漿液pH值、漿液密度、漿液液位和漿液循環泵的組合方式、石灰石供漿量和石膏排出泵排出量；

所述成本模型采用自學習在線極限學習機模型，成本模型的輸入為脫硫系統的運行參數，成本模型的輸出為脫硫系統的綜合運行成本；所述成本模型的構建過程包括模型初始化和模型自學習；

所述模型初始化的過程包括：

獲取脫硫系統的歷史運行數據，并對歷史運行數據進行大數據篩選，獲得模型訓練樣本集合；

獲取包括輸入層、隱含層和輸出層的初始成本模型，并初始化模型參數，模型參數包括：隱含層節點數l₀、隱含層的輸入權重W、偏差為b、輸出權重β；

對初始成本模型的隱含層進行節點增加處理，令l₀＝l₀+l_a，其中，l_a表示增加的隱含層節點數，l_a為正整數；

根據增加的隱含層節點更新隱含層的輸入權重W和偏差b：

其中，w表示增加的隱含層節點對應的輸入權重，b₀表示增加的隱含層節點對應的偏差；

利用隱含層節點激活函數計算節點增加后的隱含層的節點輸出矩陣T，并根據T更新隱含層的輸出權重：

β＝YT^-1

其中，Y表示輸出層的輸出矩陣；

利用更新后的輸出權重和模型訓練樣本集合計算節點增加后的初始成本模型的輸出矩陣，并獲得輸出均方誤差mse；

當mse大于預設的期望誤差η時，繼續節點增加處理，否則，獲得初始化后的成本模型；

模型自學習的過程包括：

在第k個自學習階段，從模型訓練樣本集合中任選n_k個訓練樣本輸入初始化后的成本模型，獲得第k個自學習階段隱含層的輸出矩陣H_k，其中，k為正整數，n_k∈[0,N]，N為模型訓練樣本集合中的訓練樣本總數；

根據H_k計算第k個自學習階段隱含層的輸出權重β^k：

其中，β^(k-1)表示第k-1個自學習階段隱含層的輸出權重，T_k表示第k個自學習階段隱含層的節點輸出矩陣，P_k表示第k個自學習階段的中間變量矩陣，P_k-1表示第k-1個自學習階段的中間變量矩陣，I表示單位對角矩陣；

計算到第k個自學習階段為止的訓練樣本數量當N_k大于預設的閾值K，結束自學習循環，獲得構建完成的成本模型，否則進入第k+1個自學習階段。

2.根據權利要求1所述的一種基于大數據自學習預測控制的脫硫系統控制方法，其特征在于，歷史運行數據包括多組歷史運行參數和與歷史運行參數對應的綜合運行成本；大數據篩選包括數據濾波、數據趨勢項剔除、數據奇點剔除和穩態數據篩選。