基于机器学习算法的燃煤机组脱硝入口NOx浓度预测方法

技术领域

本发明属于火力发电技术领域，尤其涉及一种基于机器学习算法的燃煤机组脱硝入口NOx浓度预测方法。

背景技术

国内燃煤机组面临超低排放的需求，即一般要求机组排放氮氧化物(NOx)浓度不超过50mg/Nm

由于近年来新能源机组容量快速增大，火电机组负荷波动频发，给火电机组的环保设备带来了不小压力。通常NOx随着机组负荷的下降而瞬间增高，原因是低负荷条件下投入煤量下降，而风量稳定，氧气充足，在600～800℃富氧的条件下会使燃料中的氮反应生成燃料型NOx，造成NOx含量急剧升高。脱硝入口NOx急剧变化会对脱硝系统的自动控制带来很大影响，脱硝自动控制系统一般由串级PID系统构成，主PID调节对象为脱硝出口NOx。控制系统存在调节滞后问题，主要在于现场测量仪表通讯有几秒甚至几分钟的延时，极容易造成自动控制不及时，出口NOx浓度值超出限值。对此，通常的处理方法是在主PID上增加入口NOx浓度前馈，NOx浓度的变化值通过一定的函数关系，叠加到主PID的出口上，可以提前开大氨空混合气流量调节阀门。但是由于入口NOx测量同样存在延时问题，前馈作用并不显著。

发明内容

本发明的目的是提供基于机器学习算法的燃煤机组脱硝入口NOx浓度预测方法，结合机器学习来预测入口NOx浓度可以提前响应NOx浓度的变化，以回避因测量滞后造成调节缓慢的问题。

本发明提供一种基于机器学习算法的燃煤机组脱硝入口NOx浓度预测方法，包括：

步骤1，搭建以包括机组负荷，一次风风量，总风量，主蒸汽流量，总煤量，主给水流量，标准工况氨空混合气流量，主蒸汽压力，脱硝入口含氧量、脱硝入口烟气流量，共10个输入数据为输入层，以实测入口NOx浓度，1个输出数据为输出层的BP神经网络，并对搭建的BP神经网络进行训练；

步骤2，基于遗传算法优化所述BP神经网络的权值和阈值；

步骤3，将优化后的权值和阈值作为BP神经网络初始条件，进行迭代计算，得到燃煤机组脱硝入口NOx浓度预测结果。

进一步地，所述步骤1包括：

搭建BP神经网络输入层、隐藏层、输出层，确定各层神经元数量，激活函数，学习率，其中，所述BP神经网络输入层为10个输入参数，隐含层有两层，第一层隐藏层神经元数量为15，第二层隐藏层神经元数量为6，输出层1个输出参数，学习率设定为0.01，迭代次数1000，目标误差值0.0001，节点传递函数采用ReLU斜坡函数，输入层和输出层激活函数选择线性函数Purelin。

进一步地，所述步骤2包括：

根据搭建的BP神经网络确定遗传算法中个体染色体编码长度，确定个体数目，遗传代数，构建适应度函数，选择操作，交叉操作，变异操作，计算个体适应度值，选出最优个体，将最优个体赋值给BP神经网络的权值和阈值，其中，染色体长度由BP神经网络的权值和阈值决定，计算公式如下：

权值数量：

输入层到第一层隐藏层的权值数量为：10×15＝150个；

第一层隐藏层到第二层隐藏层的权值数量为：15×6＝90个；

第二层隐藏层到输出层的权值数量为：6×1＝6个；

该神经网络中的权值数量为：150+90+6＝246个；

阈值数量：

第一层隐藏层的阈值数量为：15个；

第二层隐藏层的阈值数量为：6个；

输出层的阈值数量为：1个；

所述神经网络中的阈值数量为：15+6+1＝22个；

所述BP神经网络中的权值数量为246个，阈值数量为22个；对应染色体长度是246+22＝268；

适应度函数由个体得到的BP神经网络的初始权值和阈值，用训练数据训练BP神经网络后预测输出，把预测输出和期望输出之间的误差绝对值作为个体适应度值。

借由上述方案，通过基于机器学习算法的燃煤机组脱硝入口NOx浓度预测方法，具有如下技术效果：

1)本发明通过引入机器学习算法来预测机组脱硝入口NOx浓度值和变化趋势，能够提高自动控制系统的响应速度，使氨空混合气流量阀门能在NOx急剧变化时做出一定量调整，保持出口NOx浓度值不会超过限值。

2)本发明在基础的BP神经网络加入遗传算法来优化神经网络中的权值和阈值，且采用两层隐藏层来提高模型精准度，能提高神经网络预测的精准性，降低预测误差，能提高自动控制系统的调节品质。

3)本发明在编译过程中多次测试遗传代数，遗传个体数目，神经网络学习率，隐藏神经元数量，激活函数等变量及参数，能推广到其他火电机组上用以训练同类型的数据，具有潜在的利用价值。

上述说明仅是本发明技术方案的概述，为了能够更清楚了解本发明的技术手段，并可依照说明书的内容予以实施，以下以本发明的较佳实施例并配合附图详细说明如后。

附图说明

图1是本发明中遗传算法优化BP神经网络算法流程框图。

图2是本发明中BP神经网络拓扑图。

图3是本发明中遗传代数与目标误差曲线。

图4是本发明中优化BP神经网络(图a)和BP神经网络(图b)预测和实测对比。

具体实施方式

下面结合附图和实施例，对本发明的具体实施方式作进一步详细描述。以下实施例用于说明本发明，但不用来限制本发明的范围。

本实施例提供了一种基于机器学习算法的燃煤机组脱硝入口NOx浓度预测方法，包括：

步骤1，搭建以包括机组负荷，一次风风量，总风量，主蒸汽流量，总煤量，主给水流量，标准工况氨空混合气流量，主蒸汽压力，脱硝入口含氧量、脱硝入口烟气流量，共10个输入数据为输入层，以实测入口NOx浓度，1个输出数据为输出层的BP神经网络，并对搭建的BP神经网络进行训练。

步骤2，基于遗传算法优化所述BP神经网络的权值和阈值。

步骤3，将优化后的权值和阈值作为BP神经网络初始条件，进行迭代计算，得到燃煤机组脱硝入口NOx浓度预测结果。

针对BP神经网络部分，BP神经网络是一种多层前馈神经网络，该网络主要特点是将信号前向传递，误差反向传播。在前向传递中，输入信号经输入层经隐含层逐层处理，直到输出层。每一层神经元状态只会影响下一层神经元状态。如果输出层得不到期望输出，则转入反向传播，根据预测误差调整网络权值和阈值，从而使BP神经网络预测不断逼近期望输出。本实施例中步骤1包括：

搭建BP神经网络输入层、隐藏层、输出层，确定各层神经元数量，激活函数，学习率，其中，所述BP神经网络输入层为10个输入参数，隐含层有两层，第一层隐藏层神经元数量为15，第二层隐藏层神经元数量为6，输出层1个输出参数，学习率设定为0.01，迭代次数1000，目标误差值0.0001，节点传递函数采用ReLU斜坡函数，输入层和输出层激活函数选择线性函数Purelin。

遗传算法部分包括染色体编码、编写适应度函数、遗传操作和运行参数设定，其中遗传操作又包括选择操作、交叉操作和变异操作。染色体编码根据神经网络结构来确定，在输入层、隐含层、输出层已知条件下，可以确定个体染色体编码长度。适应度函数由个体得到的BP神经网络的初始权值和阈值，用训练数据训练BP神经网络后预测输出，把预测输出和期望输出之间的误差绝对值作为个体适应度值。遗传操作包括选择、交叉、变异，最后计算个体适应度值，选出最优个体，赋值给网络的阈值和权值，以实现遗传算法优化过程。在本实施例中步骤2包括：

根据搭建的BP神经网络确定遗传算法中个体染色体编码长度，确定个体数目，遗传代数，构建适应度函数，选择操作，交叉操作，变异操作，计算个体适应度值，选出最优个体，将最优个体赋值给BP神经网络的权值和阈值。

下面对比本发明作进一步详细说明。

本实施例从现场监控系统、历史站等收集锅炉运行和燃烧相关数据，基于某燃煤机组实测数据和历史站数据来训练模型，数据时间段为机组运行最近两周，搭建训练数据集500行，11列。测试数据集100行，11列，并通过训练完成后的模型对测试集进行预测，得到其输出结果并与测试数据进行比较。图1是遗传算法优化BP神经网络算法流程框图。

BP神经网络部分输入神经元有10个，其组成包括机组负荷，一次风风量，总风量，主蒸汽流量，总煤量，主给水流量，标准工况的氨空混合气流量，主蒸汽压力，脱硝入口含氧量、脱硝入口烟气流量。神经网络的输出神经为1个，即入口NOx浓度。同时BP神经网络包含两层隐藏层，神经元数量分别为15个和6个。图2是本发明中BP神经网络拓扑图。

BP神经网络的训练过程包括以下几步：

网络初始化：根据系统输入输出序列(X，Y)确定网络输入层节点数n、隐藏层节点数l，输出层节点数m，初始化输入层、隐含层和输出层神经元之间的连接权值w

隐含层输出计算：根据输入变量X，输入层和隐含层间连接权值w

式中，l为隐藏层节点数，f为隐藏层激励函数。

输出层输出计算：根据隐藏层输出H，连接权值w

误差计算：根据网络预测输出O和期望输出Y，计算网络预测误差e。

权值更新：根据网络预测误差e更新网络连接权值w

阈值更新：根据网络误差e更新网格节点阈值a，b。

遗传算法部分包括设定遗传算法参数，其中个体数目设定为50个，交叉概率为0.7，变异概率为0.01，进化次数为50次。创建适应度函数，寻找最优个体，选择操作，交叉操作，变异操作，计算适应度值，更新最优个体。其中染色体长度由神经网络的权值和阈值决定，计算公式如下：

权值数量：

输入层到第一层隐藏层的权值数量为：10×15＝150个。

第一层隐藏层到第二层隐藏层的权值数量为：15×6＝90个。

第二层隐藏层到输出层的权值数量为：6×1＝6个。

该神经网络中的权值数量为：150+90+6＝246个。

阈值数量：

第一层隐藏层的阈值数量为：15个。

第二层隐藏层的阈值数量为：6个。

输出层的阈值数量为：1个。

该神经网络中的阈值数量为：15+6+1＝22个。

该BP神经网络中的权值数量为246个，阈值数量为22个。对应染色体长度是246+22＝268。

遗传算法优化BP神经网络部分，使用遗传算法将最优个体赋值给BP神经网络的权值和阈值。BP神经网络重新进行训练，输出预测结果。图3是本发明中遗传代数与目标误差曲线。

本实施例采用Pytorch函数库在Python环境中实现全部功能。Pytorch是由脸谱人工智能研究院创立的深度学习开源框架，支持以快速的方式构建神经网络，底层采用张量计算引擎，集成多种加速SDK去加速计算，还提供了常用的目标函数、optimizer及参数初始化方法。Pytorch将即时模式和图执行模式融合在一起，在训练过程中可以修改代码而不影响其性能。其中神经网络大部分功能可以使用torch函数库来实现，选择、交叉和变异操作通过自定义函数实现，遵循如下公式：

选择操作：根据各个个体的适应度值，按照一定的规则或方法从上一代群体中选择出一些优良的个体遗传到下一代种群中。选择的依据是适应性强的个体为下一代贡献一个或多个后代的概率大。

f

其中F

交叉操作：将群体中的各个个体随机搭配成对，对每一个个体，以交叉概率交换它们之间的部分染色体，从而得到新一代个体。

式中，b是[0,1]间的随机数。

变异操作：以变异概率改变种群中每一个个体的某一个或多个基因座上的基因值为其他的等位基因。

选择第i个个体的第j个基因a

式中，a

本实施例为体现遗传算法优化BP神经网络的效果，在相同参数下设置新的BP神经网络，通过对比两者预测误差和预测趋势来说明遗传算法优化的效果。经编译计算后，发现仅采用BP神经网络的测试样本预测结果：测试样本的仿真误差:709.4492，训练样本的仿真误差:441.1572。

使用优化后的权值和阈值，得出测试样本预测结果：测试样本的仿真误差:571.3968，训练样本的仿真误差:285.1921。无论从测试样本还是训练样本，误差都有明显下降，预测误差降低超过30％。说明遗传算法优化BP神经网络的效果有比较明显的影响。图4是本发明中优化BP神经网络(图a)和BP神经网络(图b)预测和实测对比。

该基于机器学习算法的燃煤机组脱硝入口NOx浓度预测方法，具有如下技术效果：

1)本发明通过引入机器学习算法来预测机组脱硝入口NOx浓度值和变化趋势，能够提高自动控制系统的响应速度，使氨空混合气流量阀门能在NOx急剧变化时做出一定量调整，保持出口NOx浓度值不会超过限值。

2)本发明在基础的BP神经网络加入遗传算法来优化神经网络中的权值和阈值，且采用两层隐藏层来提高模型精准度，能提高神经网络预测的精准性，降低预测误差，能提高自动控制系统的调节品质。

3)本发明在编译过程中多次测试遗传代数，遗传个体数目，神经网络学习率，隐藏神经元数量，激活函数等变量及参数，能推广到其他火电机组上用以训练同类型的数据，具有潜在的利用价值。

以上所述仅是本发明的优选实施方式，并不用于限制本发明，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明技术原理的前提下，还可以做出若干改进和变型，这些改进和变型也应视为本发明的保护范围。