基于PSO-ELM循环流化床机组SO2浓度预测方法与流程

基于pso-elm循环流化床机组so2浓度预测方法
技术领域
1.本发明属于火电机组污染物控制技术领域，特别涉及一种基于pso-elm循环流化床机组so2浓度预测方法。


背景技术：

2.循环流化床机组具有脱硫设备简单、成本低的优势，并且可以实现炉内脱硫，因此被认为是最有前途的燃烧技术之一。然而，随着我国燃煤电厂的污染物排放指标越来越严格，环境保护的逐步完善，给循环流化床机组动态过程的污染物控制带来一定的难度，同时由于循环流化床动态燃烧过程炉内状态比较复杂，并且具有大迟延、强耦合、非线性、时变等特性，使得cfb机组的负荷控制难度加大。当前对于cfb机组动态过程中的so2浓度的建模研究较少，cfb机组燃烧过程中污染物生成情况较为复杂，污染物的排放控制不稳定，容易造成瞬时超标，影响机组运行的经济性，同时会使得机组的变负荷能力受到污染物排放的制约。
3.在cn106096788专利中公开了基于pso_elm神经网络的转炉炼钢工艺成本控制方法及系统，其中的方法包括选择影响成本的控制参数；构建建模样本集；获得归一化样本集；构建前馈神经网络；采用pso算法对elm神经网络参数进行训练获取神经网络参数；利用遗传算法对pso_elm神经网络构建的模型进行优化，获取所构建模型的最值，并根据所构建模型的最值确定最优控制参数；根据最优控制参数成本值与所述建模样本集中的最小成本值的对比结果，确定转炉炼钢工艺的最小成本值。解决so2污染物排放浓度超标与控制精度不佳的问题，
4.本发明提出了基于pso-elm的原烟气so2浓度动态建模方法，应用粒子群算法对极限学习机的超参数进行优化，提高模型精度。


技术实现要素：

5.本发明的目的是提出一种基于pso-elm循环流化床机组so2浓度预测方法，其特征在于，包括如下步骤：
6.s1，根据so2的生成和脱除过程，选择一次风量、二次风量、氧量、煤量、负荷、床温、石灰石给料量作为基于pso-elm循环流化床机组so2浓度预测模型的输入；
7.s2，在基于pso-elm循环流化床机组so2浓度预测模型建立过程中，考虑到cfb机组惯性大、迟延大，当前输入参数的煤量、风量可能会影响未来长时间的污染物变化，因此，引入一次风量、二次风量、氧量、煤量、负荷、床温、石灰石给料量当前时刻与之前的两个采样点作为基于pso-elm循环流化床机组so2浓度预测模型输入，以及前两个采样点so2的数据；
8.s3，在输入变量确定后，根据输入变量进一步确定elm的网络模型结构参数；elm隐藏层的神经元数量非常重要；少量的神经元可能会导致测试过程中出现较大的误差，大量的神经元可能会导致过拟合并增加训练时间；
9.s4，利用粒子群算法，对极限学习机输入层和elm隐藏层之间的连接权重和阈值参
数进行优化。
10.所述步骤s3中，少量的神经元可能会导致测试过程中出现较大的误差，大量的神经元可能会导致过拟合并增加训练时间，同时，遗传算法的迭代次数也影响基于pso-elm循环流化床机组so2浓度预测模型的精度。迭代次数过少会降低基于pso-elm循环流化床机组so2浓度预测模型的精度，而迭代次数过多对基于pso-elm循环流化床机组so2浓度预测模型的精度影响不大，反而会增加基于pso-elm循环流化床机组so2浓度预测模型的复杂度，需要根据输入数据数量进行选择。
11.所述步骤s4中，粒子群算法所用的模型采用粒子群优化后的极限学习机模型。
12.所述步骤s2中输入变量的确定，根据so2的生成和脱除过程，循环流化床机组具有炉内脱硫的能力，因此考虑石灰石流量作为输入变量之一；cfb装置运行过程中产生的so2主要来源于煤的燃烧；此外，根据现有研究结果，钙硫摩尔比对so2的排放量起着重要作用，因此在建模过程中需要考虑给煤量。
13.所述步骤s5粒子群算法计算步骤
14.(1)对粒子群进行初始化，给每个粒子赋予随机的初始位置和速度；
15.(2)根据适应度函数，计算每个粒子的适应值；
16.(3)将每个粒子的当前位置的适应值与其历史最佳位置对应的适应值比较，如果当前位置的适应值更符合要求，则选用当前位置更新；
17.(4)对每一个粒子当前位置的适应度值与其全局最佳的适应值比较，如果当前位置的适应值更符合要求，则用当前位置更新全局最佳位置；
18.(5)更新粒子位置和速度；
19.(6)若满足结束条件则算法结束，得到全局最佳位置即全局最优解。
20.所述pso-elm算法步骤详细描述如下：
21.(1)确定elm的网络结构；
22.(2)初始化elm的连接权重和阈值，形成初始粒子群体q(t0)，随机生成n个粒子；
23.(3)用q(t0)的每个粒子作为输入输出层之间的连接权重，以及elm的阈值来训练神经网络；
24.(4)计算误差和适应度，保留最佳个体，以最佳个体作为下一代的进化目标；选择的适应度函数如下式所示，
[0025][0026]
其中，δv
t
为验证集的验证结果的绝对误差，v
t
为验证集的输出；
[0027]
(5)粒子群体q(t)经过更新粒子位置和速度之后得到更好的适应度值；
[0028]
(6)迭代次数增加1，返回步骤(3)。
[0029]
所述基于pso-elm循环流化床机组so2浓度预测模型参数选择
[0030]
在基于pso-elm循环流化床机组so2浓度预测模型建立过程中，考虑到cfb机组惯性大、迟延大，煤量和风量的当前输入参数可能会影响未来长时间的污染物变化；因此，引入一次风量、二次风量、氧量、煤量、负荷、床温、石灰石给料量当前时刻与之前的两个采样点，以及前两个采样点so2的数据作为模型基于pso-elm循环流化床机组so2浓度预测模型输
入。
[0031]
本发明的有益效果包括：
[0032]
(1)根据机理分析，选择出了与循环流化床机组二氧化硫排放浓度相关的变量。
[0033]
(2)在此基础上，建立了以极限学习机为基础的循环流化床机组二氧化硫排放浓度模型。
[0034]
(3)采用粒子群算法，以方差最小作为目标函数，对极限学习机输入层和隐藏层之间的连接权重和阈值参数进行优化。
附图说明
[0035]
图1为循环流化床机组二氧化硫浓度预测流程图。
具体实施方式
[0036]
本发明提出一种基于pso-elm循环流化床机组so2浓度预测方法，如图1所示，包括以下步骤：
[0037]
s1，根据so2的生成和脱除过程，选择一次风量、二次风量、氧量、煤量、负荷、床温、石灰石给料量作为基于pso-elm循环流化床机组so2浓度预测模型的输入；
[0038]
s2，在基于pso-elm循环流化床机组so2浓度预测模型建立过程中，考虑到cfb机组惯性大、迟延大，当前输入参数的煤量、风量可能会影响未来长时间的污染物变化，因此，引入一次风量、二次风量、氧量、煤量、负荷、床温、石灰石给料量当前时刻与之前的两个采样点，以及前两个采样点so2的数据作为基于pso-elm循环流化床机组so2浓度预测模型输入；
[0039]
s3，在输入变量确定后，根据输入变量进一步确定elm的网络模型结构参数；elm隐藏层的神经元数量非常重要；少量的神经元可能会导致测试过程中出现较大的误差，大量的神经元可能会导致过拟合并增加训练时间；
[0040]
s4，利用粒子群算法，对极限学习机输入层和elm隐藏层之间的连接权重和阈值参数进行优化。
[0041]
所述步骤s3中，少量的神经元可能会导致测试过程中出现较大的误差，大量的神经元可能会导致过拟合并增加训练时间，同时，遗传算法的迭代次数也影响基于pso-elm循环流化床机组so2浓度预测模型的精度。迭代次数过少会降低基于pso-elm循环流化床机组so2浓度预测模型的精度，而迭代次数过多对基于pso-elm循环流化床机组so2浓度预测模型的精度影响不大，反而会增加基于pso-elm循环流化床机组so2浓度预测模型的复杂度，需要根据输入数据数量进行选择。
[0042]
所述步骤s3中，少量的神经元可能会导致测试过程中出现较大的误差，大量的神经元可能会导致过拟合并增加训练时间，同时，遗传算法的迭代次数也影响基于pso-elm循环流化床机组so2浓度预测模型的精度。迭代次数过少会降低基于pso-elm循环流化床机组so2浓度预测模型的精度，而迭代次数过多对基于pso-elm循环流化床机组so2浓度预测模型的精度影响不大，反而会增加基于pso-elm循环流化床机组so2浓度预测模型的复杂度，需要根据输入数据数量进行选择。
[0043]
所述步骤s4中，粒子群算法所用的模型采用粒子群优化后的极限学习机模型。
[0044]
所述输入变量的确定
[0045]
根据so2的生成和脱除过程，循环流化床机组具有炉内脱硫的能力，因此考虑石灰石流量作为输入变量之一。cfb装置运行过程中产生的so2主要来源于煤的燃烧。此外，根据现有研究结果，钙硫摩尔比对so2的排放量起着重要作用，因此在建模过程中需要考虑给煤量。过量空气系数的增加会使炉内氧化气氛增加，浓相区还原气氛减少，抑制硫酸钙的分解。同时，一次风与二次风的比例也会改变炉内氧化气氛，影响so2浓度。为了研究动态过程中so2变化，负荷被用作基于pso-elm循环流化床机组so2浓度预测模型输入之一。机组运行期间，煤质基本保持不变。总之，一次风量、二次风量、氧气量、煤量和负荷被指定为基于pso-elm循环流化床机组so2浓度预测模型的输入参数。氧量可以反映炉内氧化还原气氛，是污染物产生的关键。通过安装两个测点，可以得到更准确的氧量，了解炉内氧化还原气氛。因此，使用两个测量点作为基于pso-elm循环流化床机组so2浓度预测模型的输入。床温也是影响污染物产生的关键因素之一。随着床温升高会加快脱硫反应速度，从而影响so2的生成量。
[0046]
综上所述，选择一次风量、二次风量、氧量、煤量、负荷、床温、石灰石给料量作为基于pso-elm循环流化床机组so2浓度预测模型的输入。
[0047]
所述粒子群算法计算步骤
[0048]
(1)对粒子群进行初始化，给每个粒子赋予随机的初始位置和速度；
[0049]
(2)根据适应度函数，计算每个粒子的适应值；
[0050]
(3)将每个粒子的当前位置的适应值与其历史最佳位置对应的适应值比较，如果当前位置的适应值更符合要求，则选用当前位置更新；
[0051]
(4)对每一个粒子当前位置的适应度值与其全局最佳的适应值比较，如果当前位置的适应值更符合要求，则用当前位置更新全局最佳位置；
[0052]
(5)更新粒子位置和速度；
[0053]
(6)若满足结束条件则算法结束，得到全局最佳位置即全局最优解。
[0054]
所述pso-elm算法步骤及pso-elm步骤详细描述如下：
[0055]
(1)确定elm的网络结构。
[0056]
(2)初始化elm的连接权重和阈值，形成初始粒子群体q(t0)，随机生成n个粒子。
[0057]
(3)用q(t0)的每个粒子作为输入输出层之间的连接权重，以及elm的阈值来训练神经网络。
[0058]
(4)计算误差和适应度，保留最佳个体，以最佳个体作为下一代的进化目标；选择的适应度函数如下式所示，
[0059][0060]
其中，δv
t
为验证集的验证结果的绝对误差，v
t
为验证集的输出。
[0061]
(5)粒子群体q(t)经过更新粒子位置和速度之后得到更好的适应度值。
[0062]
(6)迭代次数增加1迭代次数增加1，返回步骤(3)。
[0063]
所述pso-elm模型参数选择
[0064]
在基于pso-elm循环流化床机组so2浓度预测模型建立过程中，考虑到cfb机组惯性大、迟延大，煤量、风量等当前输入参数可能会影响未来较长时间的污染物变化；因此，一
次风量、二次风量、氧量、煤量、负荷、床温、石灰石给料量当前时刻与之前的两个采样点，以及前两个采样点so2的数据作为基于pso-elm循环流化床机组so2浓度预测模型输入。
[0065]
在输入变量确定后，根据输入变量进一步确定基于pso-elm循环流化床机组so2浓度预测模型结构参数，其中elm隐藏层的神经元数量非常重要，少量的神经元可能会导致测试过程中出现较大的误差，大量的神经元可能会导致过拟合并增加训练时间。同时，粒子群算法的迭代次数也影响基于pso-elm循环流化床机组so2浓度预测模型的精度，迭代次数过少会降低基于pso-elm循环流化床机组so2浓度预测模型的精度，而迭代次数过多对基于pso-elm循环流化床机组so2浓度预测模型的精度影响不大，反而会增加基于pso-elm循环流化床机组so2浓度预测模型的复杂度；本文中基于pso-elm循环流化床机组so2浓度预测模型结构参数的选取如表1所示。
[0066]
表1 pso-elm循环流化床机组so2浓度预测模型结构参数
[0067]