论文部分内容阅读
在我国,大气复合污染日益严重,NOx是导致酸雨等问题的主要污染物。为了减少环境的污染,近几年来国家对电厂NOx的排放的规定更加严格,要求燃煤电厂的NOx排放浓度要低于50mg/Nm~3。在众多的脱硝技术中,选择性催化还原技术(Selective Catalytic Reduction,简称SCR)因其脱硝效率高、结构简单、便于维护的优点已成为世界上应用最多,技术最成熟的烟气脱硝技术。SCR其排放量的多少是评价其功能的重要依据,可以反映出脱硝效率、机组负荷等一系列运行工况的变化情况,所以NOx排放量的预测对NOx排放的控制和SCR脱硝系统运行工况的控制有着重要的意义。在脱硝系统中存在着海量的数据积累和不同类型的影响因素,电厂数据的多样性为智能电厂的数字化建设提供了海量的数据。但是大量的数据积累也带来了数据冗杂高,计算量大等难题。针对这一问题,在计算机视觉领域有人提出了一种基于深度学习的多约束框架,该框架通过最小化光度误差来对网络进行优化,还加入了非连续图像之间的约束来改善模型的表现。通过与其他普通预测方法对比分析,结果表明:基于深度学习的预测更准确。借鉴这一方法将为基于电厂数据的排放量预测提供了新的手段。本文主要以包头某火力发电厂SCR脱硝机组为研究对象,针对脱硝机组多变量强耦合性,时效性等特点,在建模前对SCR脱硝系统数据采用主成分分析(PCA)的方法进行了数据的预处理。然后采用不同于传统的建模的Jordan循环神经网络模型,将SCR脱硝机组运行数据与时间序列相结合,对NO_X排放量进行预测。主要工作内容如下:(1)对我国火电行业NOx排放量的现状进行了分析,系统阐述了我国火电行业NOx排放标准和控制技术,为火电行业NOx排放预测提供相关数据和理论支撑。(2)采用数据挖掘技术中的主成分分析法进行特征提取,对40余组相关数据进行筛选,挑选出主要影响NOx排放量的变量,消除冗余特征变量对预测结果的干扰,为NOx预测模型的建立奠定基础。(3)由于DCS存储的是一个动态的时间序列数据,本文构建能够动态记忆历史信息的Jordan循环神经网络预测模型,通过对比实验确定模型的最优参数。从模型的预测结果的均方根误差和准确率来看,所建立的Jordan循环神经网络预测模型具有很好的效果。(4)建立传统的前馈神经网络和最小二乘支持向量机(LS-SVM)预测模型与Jordan循环神经网络预测模型对SCR系统出口NOx排放量进行了预测并进行对比,分析结果证实,Jordan循环神经网络模型均方根误差较LS-SVM降低了0.68,同时数据相关性较前馈神经网络模型也提高了约16个百分点。可以得出深度学习中的Jordan循环神经网络的建模方法相比传统的建模方法可以大大的提高预测精度,减少预测误差,预测精度明显优于前馈神经网络方法和LS-SVM方法。随着我国工业智能水平的不断提高,海量工业控制系统数据的高维化趋势越来越严重。如何利用这些数据进行分类和预测是未来的主要问题。本文将为深度学习在工业领域的应用提供一定的参考。