一种基于Mamdani模糊神经网络的燃煤电站脱硫系统智能控制方法与流程
本公开的实施例涉及燃煤电站烟气脱硫控制,尤其涉及一种基于mamdani模糊神经网络的燃煤电站脱硫系统智能控制方法、系统、电子设备和存储介质。
背景技术:
1、随着燃煤电站烟气污染物排放标准的持续收严,湿法烟气脱硫系统作为燃煤电站的核心末端治理装置,其控制精度与响应速度对机组达标排放具有重要影响。与此同时,燃煤电站普遍面临宽负荷调峰运行需求,脱硫系统须在大范围负荷区间及多变煤质条件下保持稳定的脱硫效率,对控制系统的自适应能力提出了更高要求。
2、现有湿法脱硫系统普遍采用基于固定pid参数的单回路或串级控制方案,以浆液ph值或出口so2浓度作为单一被控量,通过调节石灰石供浆量实现闭环控制。然而,脱硫系统固有的大时滞特性与强非线性特性导致固定参数pid控制器在负荷频繁变动或煤质突变工况下难以维持预期的控制性能,且石灰石供浆量、氧化风风量与浆液循环泵运行方式之间存在显著的参数耦合关系,单回路控制方案无法实现多参数的协同优化。
3、本公开的发明人注意到,目前的湿法脱硫控制方案没有考虑到烟气侧与浆液侧多源扰动的实时识别与前馈补偿,也未将石灰石供浆量、氧化风风量及浆液循环泵组合方式纳入统一的多参数协同寻优框架,导致在宽负荷工况切换与煤质扰动叠加场景下出口so2浓度波动幅度较大,难以同时兼顾达标排放与循环泵节能运行的双重目标。
技术实现思路
1、本发明的目的是提供一种基于mamdani模糊神经网络的燃煤电站脱硫系统智能控制方法,解决燃煤电站湿法脱硫系统中多参数耦合导致的控制滞后、扰动响应不及时及多执行机构协调困难等技术问题。
2、本公开至少一实施例提供一种基于mamdani模糊神经网络的燃煤电站脱硫系统智能控制方法,所述方法包括:以脱硫塔入口烟气流量、原烟气so2浓度、石灰石浆液密度、浆液ph值及浆液成分作为输入变量,以出口so2浓度作为控制目标输出量,构建并训练mamdani模糊神经网络模型,所述mamdani模糊神经网络模型包括模糊化层、规则推理层、激活强度计算层、归一化层及去模糊化层;根据所述mamdani模糊神经网络模型的实时预测输出,在同一控制周期内并行对石灰石供浆量、氧化风风量及浆液循环泵组合方式进行实时寻优,生成三类控制参数的控制量;根据烟气侧扰动量与浆液侧扰动量的实时采样数据,由所述mamdani模糊神经网络模型识别扰动强度等级,并对所述三类控制参数的控制量施加前馈补偿修正量;以及将所述控制量与所述前馈补偿修正量合并为最终控制指令,经由脱硫dcs系统的指令通道下发至各执行机构,并对各控制量施加安全阈值约束,其中,所述烟气侧扰动量与所述浆液侧扰动量作为附加输入维度并入所述mamdani模糊神经网络模型的输入向量,与所述五类输入变量共同参与模糊化及规则推理计算,所述前馈补偿修正量由所述去模糊化层的独立输出通道输出。
3、例如,在本公开至少一实施例提供的基于mamdani模糊神经网络的燃煤电站脱硫系统智能控制方法中,所述构建并训练mamdani模糊神经网络模型包括:利用历史运行数据对所述mamdani模糊神经网络模型进行离线训练,以出口so2浓度实测值与预测值之间的均方误差作为损失函数,通过反向传播算法结合adam优化算法迭代更新网络权值与隶属度函数参数;离线训练完成后,以脱硫dcs系统采集的实时运行数据采用增量学习方式对所述mamdani模糊神经网络模型进行在线更新,同步对规则推理层的模糊规则库与去模糊化层的隶属度参数进行自适应修正;以及以出口so2浓度预测值与实测值之间的相对误差作为精度评价指标,当预测精度低于95%时触发重训练流程。
4、例如,在本公开至少一实施例提供的基于mamdani模糊神经网络的燃煤电站脱硫系统智能控制方法中,所述去模糊化层采用重心法计算出口so2浓度的精确预测值,表达式为:
5、
6、其中,为模糊规则总条数,为规则索引,为第条规则经归一化层输出的归一化触发强度,为第条规则对应输出模糊集的重心值。
7、例如,在本公开至少一实施例提供的基于mamdani模糊神经网络的燃煤电站脱硫系统智能控制方法中,所述对石灰石供浆量、氧化风风量及浆液循环泵组合方式进行实时寻优包括:根据入口so2浓度实时采样值与出口so2浓度设定值之间的偏差,由所述mamdani模糊神经网络模型输出供浆调阀开度控制量,经dcs指令通道下发至供浆调阀执行机构;基于亚硫酸根离子浓度的实时监测数据,以亚硫酸根离子浓度最小化为优化目标,由所述mamdani模糊神经网络模型输出氧化风机入口调门开度控制量,经dcs指令通道下发至氧化风机入口调门执行机构;以及根据当前机组负荷、浆液密度及液气比的实时采样值,由所述mamdani模糊神经网络模型确定循环泵最优运行台数及启停组合方式,对应启停控制指令经dcs指令通道下发至各循环泵控制回路。
8、例如,在本公开至少一实施例提供的基于mamdani模糊神经网络的燃煤电站脱硫系统智能控制方法中,所述识别扰动强度等级包括:以入口烟气流量的单位时间变化率及原烟气so2浓度的单位时间变化率作为烟气侧扰动特征量,输入所述mamdani模糊神经网络模型的扰动识别通道,输出烟气侧扰动强度等级;以及以浆液密度的单位时间变化率及ph值的单位时间变化率作为浆液侧扰动特征量,输入所述mamdani模糊神经网络模型的扰动识别通道,输出浆液侧扰动强度等级。
9、例如,在本公开至少一实施例提供的基于mamdani模糊神经网络的燃煤电站脱硫系统智能控制方法中,根据所述烟气侧扰动强度等级与所述浆液侧扰动强度等级,对供浆调阀开度控制量、氧化风机入口调门开度控制量及循环泵启停组合方式施加前馈补偿修正量,使控制参数调整动作先于扰动效应在出口so2浓度及ph值上的体现时刻完成执行。
10、例如,在本公开至少一实施例提供的基于mamdani模糊神经网络的燃煤电站脱硫系统智能控制方法中,所述对各控制量施加安全阈值约束包括:在最终控制指令下发前,对供浆调阀开度控制量、氧化风机入口调门开度控制量及循环泵启停组合方式分别与预设的上下限安全阈值进行比较;以及若任一控制量超出对应安全阈值,则将该控制量截断至安全阈值边界后再下发至执行机构,所述安全阈值在脱硫dcs系统中以硬编码形式固化,不受所述mamdani模糊神经网络模型在线更新过程的影响。
11、本公开至少一实施例还提供一种基于mamdani模糊神经网络的燃煤电站脱硫系统智能控制系统,所述基于mamdani模糊神经网络的燃煤电站脱硫系统智能控制系统包括至少一个处理节点、模型训练与更新单元、多参数寻优单元、扰动识别与前馈补偿单元及安全阈值管控单元;所述模型训练与更新单元配置为以脱硫塔入口烟气流量、原烟气so2浓度、石灰石浆液密度、浆液ph值及浆液成分作为输入变量,以出口so2浓度作为控制目标输出量,构建并训练mamdani模糊神经网络模型,所述mamdani模糊神经网络模型包括模糊化层、规则推理层、激活强度计算层、归一化层及去模糊化层;所述多参数寻优单元配置为根据所述mamdani模糊神经网络模型的实时预测输出,在同一控制周期内并行对石灰石供浆量、氧化风风量及浆液循环泵组合方式进行实时寻优,生成三类控制参数的控制量;所述扰动识别与前馈补偿单元配置为根据烟气侧扰动量与浆液侧扰动量的实时采样数据,由所述mamdani模糊神经网络模型识别扰动强度等级,并对所述三类控制参数的控制量施加前馈补偿修正量,所述烟气侧扰动量与所述浆液侧扰动量作为附加输入维度并入所述mamdani模糊神经网络模型的输入向量,所述前馈补偿修正量由所述去模糊化层的独立输出通道输出;所述安全阈值管控单元配置为将所述控制量与所述前馈补偿修正量合并为最终控制指令,经由脱硫dcs系统的指令通道下发至各执行机构,并对各控制量施加安全阈值约束。
12、本公开至少一实施例还提供一种电子设备,包括:至少一个存储器,非瞬时性地存储有计算机可执行指令;至少一个处理器,配置为运行所述计算机可执行指令,其中,所述计算机可执行指令被所述处理器运行时实现本公开任一实施例所述的基于mamdani模糊神经网络的燃煤电站脱硫系统智能控制方法。
13、本公开至少一实施例还提供一种非瞬时性计算机可读存储介质,其中,所述非瞬时性计算机可读存储介质存储有计算机可执行指令,所述计算机可执行指令被至少一个处理器执行时实现本公开任一实施例所述的基于mamdani模糊神经网络的燃煤电站脱硫系统智能控制方法。
14、本发明以mamdani模糊神经网络模型融合模糊逻辑规则推理能力与神经网络自学习能力,使脱硫系统的非线性特性与大滞后响应特性得到有效刻画,解决了固定参数控制器在宽负荷及多变煤质工况下控制性能退化的技术问题,取得了模型预测精度可持续满足实际工况要求的技术效果;通过对石灰石供浆量、氧化风风量及浆液循环泵组合方式在同一控制周期内并行寻优,解决了多参数顺序寻优引入时序耦合误差的技术问题,取得了三类控制参数协同调节、出口so2浓度收敛至设定值的技术效果;通过对烟气侧与浆液侧扰动实时识别并施加前馈补偿修正量,解决了扰动效应在出口so2浓度及ph值上滞后体现导致控制响应不及时的技术问题,取得了控制参数调整动作先于扰动效应完成执行的技术效果;通过在dcs指令下发前对各控制量施加安全阈值截断约束,解决了智能控制算法在线更新过程中可能输出越限指令的安全风险问题,取得了各执行机构控制量始终处于预设安全范围内的技术效果。
版权声明:本站专利文献数据主要来源于国家知识产权局等公开渠道,由 技术新讯 进行整理汇编。页面设计及数据汇编的著作权归本站所有。全部内容仅供个人学习、科研评估与技术交流参考,严禁用于任何商业用途(包括但不限于直接生产制造、技术转让、倒卖数据等)。
免责条款:专利技术具有时效性,本站不对资料的绝对准确性、完整性和可实施性提供任何明示或暗示的担保。因参考本站内容造成的直接或间接损失,本站不承担相关法律责任。若您认为本站内容有侵权问题,请及时提供权属证明与我们联系,本站将在核实后依法处理。反馈意见:yyfuon@163.com