一种基于BP神经网络的火电机组最佳运行参数寻找方法与流程

一种基于bp神经网络的火电机组最佳运行参数寻找方法
技术领域
1.本发明涉及一种基于bp神经网络的火电机组最佳运行参数寻找方法，属于火电技术领域。


背景技术：

2.我国的能源消耗总量不到世界能源消耗总量的10％，但是氮氧化物排放量却超过了世界总排放量的10％。煤在燃烧过程中释放的污染物对生态环境造成极大影响，不但影响到我国社会和经济发展，也会带来健康和农业方面的问题。氮氧化物是形成光化学烟雾，引起酸雨的主要原因之一。除此之外，氧化亚氮(n2o)会破坏同温层的臭氧，引起臭氧空洞，甚至造成全球气候变暖问题。
3.我国煤燃烧所产生的so2约为so2总排放量的86％，其中燃煤电厂的排放量约为40％。二氧化硫是一种酸性气体，化学性质很活泼，能够与大气中的多种氧化物反应，生成三氧化硫。水分和灰尘等再与三氧化硫相结合则生成硫酸以及各种酸腐蚀性气溶胶，形成酸雨、酸雪、酸雾等。这些酸性降水不仅会污染各种水源，还会改变土壤的酸碱度，导致农作物减产、畜禽死亡。同时人类的健康也受到了酸雨的直接威胁。酸雨给人类造成的经济损失已经不可忽视，而其对生态环境造成的损失则更是无法估量。
4.nox与so
x
对环境危害较大，作为no
x
与so
x
主要排放源的燃煤电厂，如何最大限度的降低no
x
与so
x
排放成为一大问题。如何降低no
x
与so
x
排放，现有技术如中国专利cn202110020405.1提出了一种基于云数据、云计算的火电厂智慧燃烧控制方法，这种方法虽然提出了，但这种方法存在如下问题：
5.1)只能实现对no
x
的实时最优控制量的预测，不能对no
x
与so
x
同时进行实时最优控制量的预测；
6.2)模型预测结果是基于no
x
排放量最低来得到最优控制量的，但运行成本却不一定是最低的。


技术实现要素：

7.本发明要解决的技术问题是：提供一种基于bp神经网络的火电机组最佳运行参数寻找方法，以克服现有技术的不足。
8.本发明的技术方案是：一种基于bp神经网络的火电机组最佳运行参数寻找方法，包括：
9.s01、确定输入变量；
10.s02、将输入变量分为训练集与测试集；
11.s03、筛选输入变量；
12.s04、将输入变量输入bp神经网络训练模型；
13.s05、以scr入口nox浓度和fgd入口sox浓度作为预测变量输出，以脱除两种污染物的总成本最低值为寻优目标，通过遗传算法找出最佳运行参数。
14.具体地，所述步骤s03筛选输入变量的步骤如下：
15.s03-1、对数据进行归一化处理；
16.s03-2、用未筛选的样本对bp模型进行训练，并对训练样本进行预测；
17.s03-3、将训练样本p中某一输入变量的特征值在原值的基础上分别加上和减去10％，得到两个新的训练样本p1和p2，再将p1和p2分别利用已建成的模型进行预测，得到对应的两个预测结果a1和a2，求出a1与a2的差值，所述差值即是变动该输入变量对输出的影响变化值，依次变动输入变量，直到所有输入变量变动完为止；
18.s03-4、算出各输入变量对输出变量的平均影响值，平均影响值由将影响变化值按观测例数平均得到；
19.s03-5、对各输入变量根据各输入变量对输出变量的平均影响值的绝对值大小进行排序，绝对值越大则表明该自变量对于模型的输出变量影响越大；
20.s03-6、从中提取出对于模型输出量影响较大的输入变量，从而实现变量筛选。
21.具体地，所述步骤s03-6中对于模型输出量影响较大的输入变量的评估方法如下：
22.利用步骤s03筛选出scr入口no
x
浓度平均影响值与fgd入口so
x
浓度平均影响值的绝对值都大于1的输入变量。
23.具体地，所述步骤s03-1对数据进行归一化处理的公式如下：
24.xk＝2*(x
k-x
min
)/(x
max-x
min
) (-1)；
25.式中，x
max
为数据序列中的最大数，x
min
为数据序列中的最小数，等号右边的xk为归一化以前的数据值，等号左边的xk为归一化以后的数据值。
26.进一步地，所述步骤s05遗传算法以单位排烟污染物脱除总成本为适应度函数f(x)。
27.具体地，所述适应度函数f(x)为：
28.总成本＝no
x
单位脱出成本
×
(scr入口no
x
浓度—no
x
浓度国家允许排放标准) so2单位脱出成本
×
(fgd入口so
x
浓度—so
x
浓度国家允许排放标准)。
29.进一步地，设运行参数向量为x＝[x1,x2,x3,x4,x5,x6,x7,x8,x9,x
10
]，式中，x1～x6分别为6个二次风补偿量，单位为km3/h；x7为燃尽风风量，单位为km3/h；x8为一次风补偿量，单位为km3/h；x9为省煤器后含氧量，单位为％，x
10
为总风量，单位为km3/h，所述适应度函数f(x)的约束条件为：
[0030][0031]
优选地，所述遗传算法的迭代次数为1000，交叉概率为0.4，变异概率为0.2种群规模为30。
[0032]
进一步地，在步骤s03中筛选输入变量后，将前一时刻scr入口no
x
浓度和前一时刻fgd入口so2浓度加入输入变量。
[0033]
本发明的有益效果是：与现有技术相比，本发明利用bp神经网络智能算法对fgd入口so
x
浓度和scr入口no
x
浓度进行软测量，为了使测量结果更准确，提出对以上输入变量进行筛选，筛选结果理想，利用筛选出的变量构建的模型预测精度更高，速度更快，同时以总成本最低值为寻优目标，通过遗传算法找出最佳运行参数，有效降低污染物脱除成本同时又能减少污染物排放，有助于电厂的优化运行。一定程度上实现经济效益和环境效益共赢。
附图说明
[0034]
图1为本发明实施例的流程图；
[0035]
图2为各个模型so2预测值与真实值拟合曲线；
[0036]
图3为各个模型no
x
预测值与真实值拟合曲线；
[0037]
图4为各模型so2相对误差；
[0038]
图5为各模型no
x
相对误差。
具体实施方式
[0039]
在本发明的描述中，需要说明的是，术语“中心”、“上”、“下”、“左”、“右”、“竖直”、“水平”、“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制；术语“第一”、“第二”、“第三”仅用于描述目的，而不能理解为指示或暗示相对重要性，此外，除非另有明确的规定和限定，术语“安装”、“相连”、“连接”应做广义理解，例如，可以是固定连接，也可以是可拆卸连接，或一体地连接；可以是机械连接，也可以是电连接；可以是直接相连，也可以通过中间媒介间接相连，可以是两个元件内部的连通。对于本领域的普通技术人员而言，可以具体情况理解上述术语在本发明中的具体含义。
[0040]
为了更好的理解上述技术方案，下面将结合说明书附图以及具体实施方式对上述技术方案进行详细说明。
[0041]
实施实例1：
[0042]
参考图1，一种基于bp神经网络的火电机组最佳运行参数寻找方法，包括：
[0043]
s01、确定输入变量；
[0044]
s02、将输入变量分为训练集与测试集；
[0045]
s03、筛选输入变量；
[0046]
s04、将输入变量输入bp神经网络训练模型；
[0047]
s05、以scr入口nox浓度和fgd入口sox浓度作为预测变量输出，以脱除两种污染物的总成本最低值为寻优目标，通过遗传算法找出最佳运行参数。
[0048]
利用bp神经网络智能算法对fgd入口so
x
浓度和scr入口no
x
浓度进行软测量，为了使测量结果更准确，提出对以上输入变量进行筛选，筛选结果理想，利用筛选出的变量构建的模型预测精度更高，速度更快，同时以总成本最低值为寻优目标，通过遗传算法找出最佳运行参数，有效降低污染物脱除成本同时又能减少污染物排放，有助于电厂的优化运行。一
定程度上实现经济效益和环境效益共赢。
[0049]
实施实例2：
[0050]
在本实施例中，为了减小实施实例1中模型运行时间，增加模型预测精度，同时降低各变量之间可能的相关性可能造成的模型训练冗余，可通如下方法对输入变量进行筛选实现，在本实施例中，除了实施实例1的内容外，本实施例中步骤s03筛选输入变量的步骤具体如下：
[0051]
s03-1、对数据进行归一化处理；
[0052]
s03-2、用未筛选的样本对bp模型进行训练，并对训练样本进行预测；
[0053]
s03-3、将训练样本p中某一输入变量的特征值在原值的基础上分别加上和减去10％，得到两个新的训练样本p1和p2，再将p1和p2分别利用已建成的模型进行预测，得到对应的两个预测结果a1和a2，求出a1与a2的差值，所述差值即是变动该输入变量对输出的影响变化值，依次变动输入变量，直到所有输入变量变动完为止；
[0054]
s03-4、算出各输入变量对输出变量的平均影响值，平均影响值由将影响变化值按观测例数平均得到；
[0055]
s03-5、对各输入变量根据各输入变量对输出变量的平均影响值的绝对值大小进行排序，绝对值越大则表明该自变量对于模型的输出变量影响越大；
[0056]
s03-6、从中提取出对于模型输出量影响较大的输入变量，从而实现变量筛选。
[0057]
通过上述步骤计算得出各参数的平均影响值，从x1到x
27
的平均影响值如表1所示：
[0058]
[0059][0060]
表1
[0061]
所述步骤s03-6中对于模型输出量影响较大的输入变量的评估方法如下：筛选出scr入口no
x
浓度平均影响值与fgd入口so
x
浓度平均影响值的绝对值都大于1的输入变量。从表1可得在锅炉燃烧部分x
1-x3，x5，x6，x
16
，x
18
，x
24
，x
26
，x
27
值均超过了1，所以这10个参数对scr入口no
x
浓度和fgd入口so
x
浓度影响较大；综合考虑指标的准确性和全面性，要建立scr入口no
x
浓度和fgd入口so
x
浓度的预测模型，选择的输入变量为锅炉负荷，总燃料量，总风量，一次风量，二次风量，过量空气系数，飞灰含碳量，排烟温度，主蒸汽温度，前一时刻的scr入口no
x
浓度，前一时刻的fgd入口so
x
浓度共10个参数。
[0062]
实施实例3：
[0063]
当输入输出的数据数量级差别较大就会造成网络预测误差较大，在本实施实例中，通过对数据进行归一化处理来解决这个问题，在本实施例中，除了实施实例2的内容外，归一化处理的公式具体如下：
[0064]
xk＝2*(x
k-x
min
)/(x
max-x
min
) (-1)；
[0065]
式中，x
max
为数据序列中的最大数，x
min
为数据序列中的最小数，等号右边的xk为归一化以前的数据值，等号左边的xk为归一化以后的数据值。
[0066]
实施实例4：
[0067]
为了寻找到的运行参数下成本最低，在本实施例中，除了实施实例1的内容外，本实施例进一步地，所述步骤s05遗传算法以单位排烟污染物脱除总成本为适应度函数f(x)。
[0068]
实施实例5：
[0069]
为了对大型电厂锅炉燃烧优化、降低污染物的排放与脱除总成本，实现经济效益和环境效益的双赢。
[0070]
在本实施例中，除了实施实例4的内容外，具体地，所述适应度函数f(x)为：
[0071]
总成本＝no
x
单位脱出成本
×
(scr入口no
x
浓度—no
x
浓度国家允许排放标准) so2单位脱出成本
×
(fgd入口so
x
浓度—so
x
浓度国家允许排放标准)。
[0072]
实施实例6：
[0073]
为了排除模型运行时干扰，除了实施实例5的内容外，在本实施例中，进一步地，设运行参数向量为x＝[x1,x2,x3,x4,x5,x6,x7,x8,x9,x
10
]，式中，x1～x6分别为6个二次风补偿量，单位为km3/h；x7为燃尽风风量，单位为km3/h；x8为一次风补偿量，单位为km3/h；x9为省煤器后含氧量，单位为％，x
10
为总风量，单位为km3/h，所述适应度函数f(x)的约束条件为：
[0074][0075][0076]
实施实例7：
[0077]
为了避免获得的是局部最优值，并且收敛速度更快。
[0078]
除了实施实例6的内容外，在本实施例中优选地，所述遗传算法的迭代次数为1000，交叉概率为0.4，变异概率为0.2种群规模为30。
[0079]
下表是模型寻优结果：
[0080][0081]
表2
[0082]
表2中为寻优模型的参数优化结果，工况11和工况12在优化后脱除单位体积排烟中nox和sox的总成本分别降低了3.67％和2.43％。从优化前和优化后的数据对比可以看出，当二次风和燃尽风增多，而一次风量降低，含氧量也降低，燃烧处于还原性气氛，这正好
与低氮低硫燃烧的配风方式相符合，污染物的排放特性在这样的配风方式下，脱除两者所需的总成本达到最低值。理论上，当氧量降低时很可能会引起煤粉的不完全燃烧，但是根据从本文数据来源的某电厂所取得的数据显示，当含氧量分别为3.02％、3.14％、2.76％，所对应的飞灰含碳量分别为1.4％、1.46％、1.33％，由此可见该范围下氧量的降低对飞灰含碳量(固体不完全燃烧损失)的影响并不大。所以配风方式的寻优，可以降低电厂污染物脱除成本。
[0083]
由此可知，对于给定的运行工况，可以通过调整相应的运行参数，达到降低脱除单位体积排烟中no
x
和so
x
总成本的目标。即可以寻找到最优的参数组合使得脱除单位体积排烟中no
x
和so
x
的总成本最低。遗传算法的快速收敛和bp神经网络的准确预测非常适合在线寻优，两者的结合为降低电厂污染物脱除成本提供了一个有效途径，可一定程度上实现环境效益与经济效益的共赢。
[0084]
实施实例8：
[0085]
除了实施实例1的内容外，在本实施例中还包括对输入变量的具体选取，在本实施例中进一步地，在步骤s01中将前一时刻scr入口no
x
浓度和前一时刻fgd入口so2浓度加入输入变量。针对某电厂1000mw燃煤机组，对scr系统、fgd系统、锅炉、一次风机，二次风机、省煤器、空预器等设备进行相关监测，初步确定与fgd入口so
x
浓度和scr入口no
x
浓度有关的参数有：锅炉负荷、总燃料量、总风量、燃尽风量、炉总二次风量、炉总一次风量、1炉磨a进口一次风量、1炉磨b进口一次风量、1炉磨c进口一次风量、1炉磨d进口一次风量、1炉磨e进口一次风量、1炉磨f进口一次风量、飞灰含碳量、锅炉效率、锅炉负压、过量空气系数、省煤器出口含氧量、主蒸汽温度、主蒸汽压力、高温再热器温度、高温过热器温度、固体未完全燃烧损失、灰渣热损失、排烟温度、排烟损失、前一时刻scr入口nox浓度和前一时刻fgd入口so2浓度。所述锅炉负压为各测点平均值。
[0086][0087][0088]
表3
[0089]
对于前一时刻scr入口nox浓度和前一时刻fgd入口so2浓度的考虑是基于以下事实：
[0090]
氮硫污染物间的协同作用：煤粉在燃烧过程当中，so2气体的析出会呈现出非常明显的“双峰”结构，这是因为煤粉中各种形态的硫是在燃烧过程当中的不同阶段析出所形成的；随着煤粉粒径的增加，会使得so2的析出曲线上的双峰逐渐融合，so2气体总的析出量减少，硫析出的时间变长；当过量空气系数增加时，从煤粉中析出的硫被转化为so2气体的数量也随之增加，所以so2气体的浓度较高，而h2s浓度则降低。若一、二次风比例增加，so2浓度也会增大。随着二次风的加入后，h2s浓度就会急剧下降，相反so2浓度则明显升高。如果此时一、二次风比例越小，那么h2s气体的浓度下降幅度就会越大，生成so2的浓度也就越高。
[0091]
煤粉燃烧过程当中，氮污染物的析出包括前期的快速生成和后期的缓慢释放两个阶段，跟硫污染物的析出类似，同样具有“双峰”结构。煤粉着火过程是nox产生的主要阶段。
煤粉粒度和湿度对nox的生成量影响较为明显。煤粉越细时，no转化率随之就会越小，因此细煤粉能够实现低nox燃烧，但是与此同时也会增大磨煤机出力。总的来说，湿度较大的煤粉no排放量要小于干燥过的煤粉；过量空气系数对于no转化率有着很大影响。当过量空气系数增加时，nox生成量也会随之增加；总空气量一定时，no的生成量就与一、二次风配风比密切相关。当一、二次风比例变小时，nox的浓度随之迅速降低。温度较低时，氮的析出曲线形成的是单峰结构，而温度较高时氮的析出曲线则形成的是双峰结构，而且温度越高析出曲线的双峰结构就会越明显，氮的析出量也越大。
[0092]
根据有关研究，燃烧过程当中氮、硫成分之间存在相互作用和影响，在此对煤粉燃烧过程中氮、硫污染物间的协同作用规律进行如下总结。其中着重论述不同形态的硫对于氮析出的影响，以及不同气氛中so2气体对于no生成的影响，同时也对煤粉燃烧过程中氮对硫的析出影响规律作简要分析。相关研究人员的试验结果表明：煤中硫的不同形态对于氮的析出有较大影响。其中最为显著的是黄铁矿硫对于氮析出的影响，贫氧工况下黄铁矿硫能够抑制no的还原，有助于no气体的生成。而单质硫对于氮析出的影响跟煤种有关，单质硫主要影响no的析出峰值和峰宽；当燃烧气氛不同时，so2气体对于氮的析出影响差异较为明显，随着so2气体浓度的提高，还原性气氛下，no
x
的生成量在原有基础上将明显增加，但处于氧化性气氛下，no
x
的生成量却在原有基础上明显减少。与此同时，no
x
对于煤中硫的析出特性也有影响。no
x
生成量增加，硫的析出释放有所提前，从而so2的初始生成浓度也会增加。燃烧温度对于氮、硫污染物析出中的协同作用有较大影响。温度较低时，氮的析出曲线形成的是单峰结构，而温度较高时氮的析出曲线则形成的是双峰结构，而且温度越高析出曲线的双峰结构就会越明显，氮的析出量也越大。温度升高，硫的析出峰提前，最终析出率增大，析出时间缩短。氮的析出曲线和硫的析出曲线会随着温度的变化而变化，所对应的峰值也会有所移动，所以氮硫在不同的燃烧条件下彼此的协同作用也是随之发生变化的。
[0093]
在建立scr入口no
x
浓度和fgd入口so
x
浓度预测模型时，如果把上述25个参数同时作为模型的输入变量必然会使得模型变得很复杂，不仅会增加模型运行时间，还会降低模型预测精度；除此之外，各变量之间可能存在一定的相关性，这就会造成模型训练的冗余，因此需要对输入变量进行筛选，保留对模型输出量影响显著的自变量，剔除影响不显著的自变量。
[0094]
表4为各模型预测结果的相对误差对比：
[0095][0096][0097]
表4
[0098]
从表4中可知，经过平均影响值提取变量后，模型的输出结果明显优于未提取变量的模型。筛选输入变量的两个模型中，10输入模型精度又稍高于8输入miv-bp模型，原因在于其充分考虑了污染物之间的协同作用。
[0099]
利用180组数据训练好bp神经网络模型，然后对后30组数据进行预测，预测结果如下图所示图1-图4。在图1和图2中显示了三种模型预测so2和no
x
与真实值的拟合情况，从图中可以看出三模型中两个过程拟合都比较理想，原始值和预测值相差不大，说明模型的bp网络结构合理。图3和图4为fgd入口sox浓度和scr入口nox浓度测试数据真实值和测试值的相对误差，由30组测试数据相对误差对比曲线可以明显看出10输入模型的预测效果最好相
对误差小于5％准确度非常高。其次是8输入模型的都相对误差小于8％，准确度较高。由此可见，变量筛选之后的模型预测效果有所提高，考虑协同作用引入前一时刻scr入口nox浓度和fgd入口sox浓度作为输入参数的模型预测效果又一次提高。
[0100]
以上内容是结合具体的优选实施方式对本发明所作的进一步详细说明，不能认定本发明的具体实施只局限于这些说明。对于本发明所属技术领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干简单推演或替换，都应当视为属于本发明的保护范围。