基于神经网络判别的脱硫塔优化方法

技术领域

本发明属于计算机技术领域，更具体的，涉及一种基于神经网络判别的脱硫塔优化方法，该方法采用神经网络模型进行建模。

背景技术

在湿法烟气脱硫系统中核心的反应装置为脱硫吸收塔，脱硫吸收塔由圆柱形塔体、塔内浆液池、喷淋吸收区（含喷淋层及喷嘴）、机械式除雾器、塔顶湿电等部分组成。其中核心的传热传质过程主要发生在喷淋吸收区和塔内浆液池。因此如何精确预测喷淋吸收区及塔内浆液池的传热传质过程，进而反映在模型输出的各项运行参数上，成为脱硫塔优化运行建模的主要内容。

目前针对脱硫塔的传热传质过程建模主要是基于传统的气液相反应的双膜理论和传热基本方程，偏重机理模型研究，应用于实际运行中，在模型精度方面与实际运行参数有一定的偏差。针对此问题，不同的研究者和应用从不同的方面进行了探索。

华北电力大学的张晓东等研究者建立了烟气湿法脱硫的一维数值计算模型。该研究针对喷淋塔内SO2的吸收过程，对吸收区内的物质成分变化进行一维简化假设。在对计算区域进行离散化的基础上，利用反映气液两相之间物质平衡和液相内化学反应平衡的控制容积方程，建立脱硫过程的一维数值计算模型，讨论了模型参数的设置方式。模型的输出为脱硫效率。

东南大学的沈翔等研究者以双膜理论为基础模拟脱硫喷淋塔内部的化学反应及相际传质过程，建立一个包含所有含硫组分浓度及传质速率的数学模型。得到的常系数微分方程用Runge—Kutta法求解。最终得到一个脱硫效率模型，模型输出为脱硫效率的变化。

上述现有技术主要基于双膜理论和数值计算理论，建立的机理模型和数值计算模型，可用于脱硫设计过程的优化，但不具备实时性，同时模型需要基于一系列对于脱硫系统模型条件的假设和对象的简化，模型精度受限，无法涵盖脱硫运行过程的全部工况变化，不适用于脱硫塔运行优化领域。

东南大学的许丹等研究者为了指导脱硫系统故障检修和运行优化，以石灰石一石膏湿法脱硫系统为对象，探讨了浆液循环泵常见故障模式及故障原因，运用模糊理论建立了浆液循环泵的故障诊断模型和石灰石一石膏湿法脱硫效率的优化模型。该模型基于模糊数学理论，采用模糊规则判据对循环泵和脱硫效率运行状态进行诊断与优化，模糊规则判据来源于模型建立者对循环泵和脱硫塔运行过程参数的相关性及运行参数范围的总结归纳，规则的合理性以及参数范围的选择均依赖于模型建立者的主观选择和经验，因此模型的精度和准确性具有不确定性，此外模型针对不同的脱硫系统对象准确性偏差较大，均需要人为控制下重新制定模糊规则判据和参数范围。模型的自适应能力较差。

华北电力大学的郝润龙等研究者通过研究气一气换热器(GGH)、除雾器、增压风机、循环浆液泵和氧化风机等设备运行情况，并结合流体力学基本原理，推导出增压风机、氧化风机和循环浆液泵的数学模型。得出了脱硫系统阻塞率与GGH压差和除雾器压差的特征曲线，以及总阻力系数与GGH阻塞率和除雾器阻塞率的关系。用于指导这些脱硫耗能设备的运行优化。该模型主要是针对脱硫各旋转机械用电设备的单体设备模型，用于设备的节能降耗，不涉及脱硫塔核心运行参数的优化与控制，不适用于脱硫塔运行优化领域。

发明内容

针对现有技术存在的不足之处，本发明要解决的技术问题：针对当前火力发电厂锅炉配套湿法烟气脱硫系统缺乏精确的脱硫核心反应器反应状态预测及优化模型指导装置运行，导致在运行过程中调节控制较为粗放，对脱硫系统核心反应器运行调整不到位的问题，本发明提出了一种基于神经网络判别的脱硫塔优化方法，用于预测脱硫塔主要运行参数，指导脱硫塔运行优化。

本发明采用如下技术方案：

基于神经网络判别的脱硫塔优化方法，该方法包括以下步骤，

步骤一、获取脱硫塔相关运行参数，并对数据进行处理；

步骤二、将处理后的数据作为输入向量，输入到神经网络模型中，并得到输出向量。

本技术方案进一步的优化，所述脱硫塔相关运行参数包括烟气量、原烟气温度、石灰石浆液流量、在运循环泵总流量和石膏浆液密度。

本技术方案进一步的优化，所述神经网络模型的输出向量包括脱硫效率、浆液pH值和净烟气温度。

本技术方案进一步的优化，所述步骤一中对数据进行归一化处理，所述归一化处理公式如下：

式中，a、b为常数，x

本技术方案进一步的优化，所述神经网络模型为BP神经网络。

本技术方案进一步的优化，所述神经网络模型的结构为单输入层、单输出层和1层隐含层的BP神经网络结构。

本技术方案进一步的优化，所述神经网络模型的输入层节点数与输入向量对应为5个，输出层节点数与输出向量对应为3个，初始隐含层节点数为7个。

本技术方案进一步的优化，所述神经网络模型的隐含层神经元的输出变换函数采用非线性S型函数，函数具体如下式：

式中，x为神经元的输入，y为神经元的输出。

本技术方案进一步的优化，所述神经网络模型采用一阶梯度法和对数下降法分别对各网络层连线的权重值和阈值进行不断的修正，直至误差小于预设值。

相比较现有技术，本发明模型一经训练完成，模型定型，即可用于脱硫塔运行过程的实时预测，通过训练样本的全工况选择，确保了本发明模型对脱硫塔全工况运行的适用性。模型输出参数预测值除脱硫效率外还包含塔内浆液pH值和脱硫塔出口烟气温度，涵盖了脱硫塔的传热传质过程的主要标志性运行参数，模型输出更为全面，预测准确度能够满足实际优化运行过程的需要，可以与烟气脱硫装置现有的闭环控制系统相结合，优化控制调节过程。

附图说明

图1是脱硫塔神经网络优化模型结构图；

图2是隐含层神经元不同数量迭代误差分布图；

图3是输出参数的预测值与测试样本实测值对比图；

图4是迭代误差曲线图。

具体实施方式

为进一步说明各实施例，本发明提供有附图。这些附图为本发明揭露内容的一部分，其主要用以说明实施例，并可配合说明书的相关描述来解释实施例的运作原理。配合参考这些内容，本领域普通技术人员应能理解其他可能的实施方式以及本发明的优点。图中的组件并未按比例绘制，而类似的组件符号通常用来表示类似的组件。

现结合附图和具体实施方式对本发明进一步说明。

本发明提出了一种基于神经网络判别的脱硫塔优化方法，在不需要探究吸收塔结构以及反应机理的条件下，经对脱硫塔各具备紧密相关性的输入输出运行参数的判别，确定神经网络模型的输入向量为{Q（烟气量），Tin（原烟气温度），F（石灰石浆液流量），Qx（在运循环泵总流量），M（石膏浆液密度）}。输出向量为{η（脱硫效率），PH（浆液pH值），Tout（净烟气温度）}。构建单输入层、单输出层和单层隐含层的神经网络结构，纳入涵盖脱硫塔完整运行工况的训练样本集，最终建立基于神经网络判别的脱硫塔优化运行模型，对不同工况下脱硫塔的实时运行过程提出运行控制的指导意见，达到优化脱硫塔运行参数，确保脱硫效率稳定，降低运行消耗的目的。

该实施例一种基于神经网络判别的脱硫塔优化方法，具体包括以下步骤，

步骤一、获取脱硫塔相关运行参数，并对数据进行归一化处理，

采用归一化处理公式如下：

式中，a、b为常数，x

步骤二、将处理后的数据作为输入向量，输入到神经网络模型中，并得到输出向量。

神经网络模型的建立包括以下步骤：

第一步，确定输入向量和输出向量：

该实施例针对湿法脱硫吸收塔主要运行参数之间的相关性，确定本发明神经网络模型的输入向量为{Q（烟气量），T

第二步，确定神经网络模型结构：

优化模型采用单输入层、单输出层和1层隐含层的BP神经网络结构，输入层节点数与输入向量对应为5个，输出层节点数与输出向量对应为3个，隐含层节点数初始无法通过理论计算直接确定，根据经验设定初始隐含层节点数为7个，基本原则是减少隐含层的层数以降低神经网络模型结构的复杂性，靠增加隐含层节点数来获取较低的误差。训练样本数满足神经网络结构连接权数的5倍数量。参阅图1所示，为脱硫塔神经网络优化模型结构图。

第三步，神经网络训练：

本模型训练样本数设定为300组，其中低烟气负荷数据样本50组（烟气量为脱硫设计全烟气量的50%及以下），中烟气负荷数据样本100组（烟气量为脱硫设计全烟气量的50%~75%之间），高烟气负荷数据样本100组（烟气量为脱硫设计全烟气量的75%~100%之间），满烟气负荷数据样本50组（烟气量为脱硫设计全烟气量）。训练样本数据在进入模型训练前，需进行归一化处理。

隐含层神经元的输出变换函数采用非线性S型函数，函数具体如下式：

式中，x为神经元的输入；y为神经元的输出。

至此，脱硫塔优化运行模型基本结构建立完成。

以上提到的训练样本进行模型训练时，工作信号正向传递，误差反向传递，应用一阶梯度法和对数下降法分别对各网络连线的权重值和阈值进行不断的修正，直至误差小于预设值5%以下，满足模型精度的要求。隐含层的最终神经元数目通过迭代误差来确定。采用以上的训练样本分布分组训练，迭代误差结果如图2所示，为隐含层神经元不同数量迭代误差分布图。不同数量的神经元和隐含层数量导致的计算复杂度和精度不同，从图中可以看出，采用不同的隐含层神经元数量，经训练后神经网络模型的迭代精度是不同的，采用7个神经元的情况下，迭代精度最高，达到了3.9%的水平，低于预设值，因此最终脱硫塔优化神经网络模型隐含层神经元数量确定为7个。

第四步，模型测试：

为验证模型的可靠性，训练完成后再对已建立的模型进行测试。同样选取相同脱硫塔对象在不同工况下的低负荷、重负荷、高负荷、满负荷各一组训练样本之外的随机样本作为测试样本，以输出参数之一的脱硫效率为例，经预测模型计算后输出参数的预测值与测试样本实测值对比如图3所示，为输出参数的预测值与测试样本实测值对比图。其相对误差参数全部小于2%，相对误差平均值为1.39%，精度良好。

脱硫塔优化运行模型预测准确度能够满足实际优化运行过程的需要，可以与烟气脱硫装置现有的闭环控制系统相结合，优化控制调节过程。

经过以上四个步骤得到了可用的脱硫塔优化运行神经网络模型。

该实施例如下：

1、模型结构为：输入向量{Q（烟气量），T

2、针对某电厂600MW机组烟气脱硫系统运行数据，经筛选后本模型训练样本数设定为300组，其中低烟气负荷数据样本50组（烟气量为脱硫设计全烟气量的50%及以下），中烟气负荷数据样本100组（烟气量为脱硫设计全烟气量的50%~75%之间），高烟气负荷数据样本100组（烟气量为脱硫设计全烟气量的75%~100%之间），满烟气负荷数据样本50组（烟气量为脱硫设计全烟气量）。经归一化处理后的300组训练样本如下表1所示。

表1 训练样本

经训练样本训练后，本模型的最终迭代收敛，其误差收敛曲线如下图4所示，完成模型构建。

实施例模型建立后，以该厂脱硫运行的效率实测值（如下表2）与模型输出的脱硫效率预测值对比如图3所示，相对误差均控制在2%以下，模型精度满足应用的要求。

表2 实测数据（经归一化处理）

本发明建立的脱硫塔优化模型在不需要探究吸收塔结构以及反应机理的条件下，经对脱硫塔各具备紧密相关性的输入输出运行参数的判别，确定神经网络模型的输入向量为{Q（烟气量），Tin（原烟气温度），F（石灰石浆液流量），Qx（在运循环泵总流量），M（石膏浆液密度）}。输出向量为{η（脱硫效率），PH（浆液pH值），Tout（净烟气温度）}。构建单输入层、单输出层和单层隐含层的神经网络结构，纳入涵盖脱硫塔完整运行工况的训练样本集，最终建立基于神经网络判别的脱硫塔优化运行模型，对不同工况下脱硫塔的实时运行过程提出运行控制的指导意见，达到优化脱硫塔运行参数，确保脱硫效率稳定，降低运行消耗的目的。

尽管结合优选实施方案具体展示和介绍了本发明，但所属领域的技术人员应该明白，在不脱离所附权利要求书所限定的本发明的精神和范围内，在形式上和细节上可以对本发明做出各种变化，均为本发明的保护范围。