[發明專利]一種深度調峰下基于神經網絡的氮氧化物預測方法

在審

• 申請號: 202211420501.6
• 申請日: 2022-11-10
• 公開（公告）號: CN115881240A
• 公開（公告）日: 2023-03-31
• 發明（設計）人: 章雅楠;趙銳;王哲焜;高春雨;莫日格吉勒圖;張文景;李健;朱邦那;肖寒;殷東
• 申請（專利權）人: 中國大唐集團科學技術研究總院有限公司華北電力試驗研究院;中國大唐集團科學技術研究總院有限公司;天津大唐國際盤山發電有限責任公司
• 主分類號: G16C20/30
• 分類號: G16C20/30;G16C20/70;G06F18/23;G06N3/084;G06N3/044
• 代理公司: 北京中南長風知識產權代理事務所(普通合伙) 11674
• 代理人: 李青

本發明涉及一種深度調峰下基于神經網絡的氮氧化物預測方法，包括：獲取電廠實際運行的相關數據信息，對所述樣本數據進行歸一化處理；利用聚類模型對數據建模，對輸入數據進行預測鑒別，篩選樣本數據中不符合預設條件的樣本，標記不良樣本數據；根據所述樣本數據確定神經網絡的輸入層和輸出層的神經元，建立BP神經網絡預測模型，利用篩選后的數據對模型進行訓練；利用訓練好的神經網絡模型對入口氮氧化物進行預測。本發明利用神經網絡對氮氧化物進行預測，具有顯著的節能效益。

技術領域

本發明涉及煙氣脫硝技術領域，尤其涉及一種深度調峰下基于神經網絡的氮氧化物預測方法。

背景技術

目前選擇性催化還原煙氣脫硝方法(SCR：Selective Catalytic Reduction)在脫硝系統應用比較廣泛，但在SCR脫硝系統中，由于脫硝被控過程慣性大且具有明顯的非線性，脫硝控制系統往往難以穩定，造成氮氧化物和氨氣的使用量波動頻繁且震蕩幅度大。常規PID脫硝控制難于取得滿意的控制品質。

發明內容

本發明的目的是提供一種深度調峰下基于神經網絡的氮氧化物預測方法，針對脫硝被控對象的大滯后、非線性和時變性的特點，設計基于神經網絡的先進脫硝控制系統，利用生產運行數據，提高脫硝效率，降低運行成本，有效提升脫硝控制品質。

本發明提供了一種深度調峰下基于神經網絡的氮氧化物預測方法，包括如下步驟：

步驟S1：獲取電廠實際運行的相關數據信息，對所述樣本數據進行歸一化處理；

步驟S2：利用聚類模型對數據建模，對輸入數據進行預測鑒別，篩選樣本數據中不符合預設條件的樣本，標記不良樣本數據；

步驟S3：根據所述樣本數據確定神經網絡的輸入層和輸出層的神經元，建立BP神經網絡預測模型，利用篩選后的數據對模型進行訓練；

步驟S4：利用訓練好的神經網絡模型對入口氮氧化物進行預測。

進一步地，所述步驟S1包括：

從脫硝系統共獲取一段時間的原始數據樣本，每組樣本相關數據信息包括電廠運行過程中的產生的一次風總風量、總煤量、總風量、實際功率、一號送風機風量、二號送風機風量參數，將以上六組數據作為特征參數，A側入口氮氧化物濃度和B側入口氮氧化物濃度作為輸出參數；

將所述數據按照發生時間排序，時間間隔為5秒為一組數據，并對數據進行歸一化處理，計算公式如下：

其中，x為數據歸一化前的初始值，x_min為所述數據中的最小值，x_max為所述數據中的最大值。

進一步地，所述步驟S2包括：

建立AP聚類模型，對所述數據進行聚類，將符合要求的數據聚類群作為滿足預設條件的樣本，不符合要求的數據聚類群作為不良樣本集，進行剔除，包括：

對輸入樣本數據集x＝x_(n×)＝(x₁，x₂，......x_n)^T，進行算法初始化，計算初始的相似度矩陣；

設定初始參考度值P和迭代次數M，其中：

P＝P_(n×1)＝(P₁，P₂，......，P_n)^T

P＝P(i)稱為x_i的參考度，是指將x_i作為聚類中心的可靠度，設定為參考度為相似度中值；

計算樣本數據的吸引度值：