發(fā)布時間：2024-05-21 05:04

　　火電廠石灰石-石膏濕法脫硫系統(tǒng)中,吸收塔循環(huán)漿液的pH值是影響脫硫系統(tǒng)性能的重要參數(shù)。因此建立有效的吸收塔pH值預測模型是提高脫硫效率的基礎(chǔ)。針對吸收塔系統(tǒng)具有變量多、數(shù)據(jù)量龐大和變量相關(guān)性強的特點,首先對電廠廠級信息監(jiān)測系統(tǒng)(SIS)數(shù)據(jù)庫數(shù)據(jù)進行特征提取,進行皮爾遜系數(shù)相關(guān)性分析;然后將提取的特征作為長短期記憶(LSTM)神經(jīng)網(wǎng)絡(luò)的輸入,得到脫硫吸收塔pH值預測模型。將該模型應(yīng)用于某超臨界330MW機組燃煤電廠脫硫系統(tǒng)進行吸收塔pH值預測。結(jié)果表明提出的LSTM神經(jīng)網(wǎng)絡(luò)模型預測均方根誤差(RMSE)為0.004,平均絕對誤差(MAE)為0.003;測試顯示LSTM神經(jīng)網(wǎng)絡(luò)模型數(shù)據(jù)跟蹤效果預測結(jié)果波動較小,誤差較低且模型穩(wěn)定性較高。

【文章頁數(shù)】：5 頁

【部分圖文】：

圖1RNN結(jié)構(gòu)

循環(huán)神經(jīng)網(wǎng)絡(luò)（RecurrentNeuralNetwork,RNN）是一種功能強大且穩(wěn)定的神經(jīng)網(wǎng)絡(luò)，其主要用于時序數(shù)據(jù)的數(shù)據(jù)建模。RNN是唯一具有內(nèi)部存儲器的神經(jīng)網(wǎng)絡(luò)算法，使其非常適合涉及順序數(shù)據(jù)的機器學習問題。RNN結(jié)構(gòu)由輸入層、隱藏層和輸出層組成，如圖1所示。圖1中，x,....

圖2皮爾遜r變量相關(guān)性矩陣（‘負’表示負相關(guān)）

脫硫吸收塔pH值受到多種因素的影響，電廠SIS實時記錄脫硫系統(tǒng)中入口煙氣SO2質(zhì)量濃度、吸收塔密度、循泵電流等82個參數(shù)變量來反映脫硫吸收塔內(nèi)狀態(tài)。缺失數(shù)據(jù)清洗后，對82個變量參數(shù)進行皮爾遜系數(shù)相關(guān)性分析，發(fā)現(xiàn)脫硫系統(tǒng)中吸收塔石灰石漿液密度、入口煙氣SO2質(zhì)量濃度、入口煙塵質(zhì)量....

圖3LSTM預測模型結(jié)構(gòu)

LSTM模型使用1000個連續(xù)時間點測試數(shù)據(jù)預測結(jié)果同真實值的對比如圖5所示，圖像結(jié)果顯示預測值與真實值吻合程度很高。通過計算可得均方根誤差為0.0040，平均絕對誤差為0.0030。圖4訓練集、驗證集損失函數(shù)變化

圖4訓練集、驗證集損失函數(shù)變化

圖3LSTM預測模型結(jié)構(gòu)圖5LSTM預測pH值與實際值曲線

本文編號：3979646