英译文：通过神经网络监测4.8MV实验电厂排放的污染物.docVIP

英译文：通过神经网络监测4.8MV电厂排放的污染物 摘要 本文的主要目的是为了解决对燃烧室排放的污染物进行监测的神经网络监测软件传感器的发展及其相关的问题。目的是要证明能作为替代常规分析设备监控系统的软件传感器的潜力。初步结果来自于意大利卡利亚里Santa Gilla研究中心运营的一个4.8兆瓦的电力试验工厂。2002年埃尔塞维尔科技有限公司版权所有。 关键词：软件传感器;神经网络;污染物排放量;电厂 1.引言 廉价的高性能计算平台的可用性和分散控制系统的问世，极大地促进了基于模型的先进控制系统（AMBCS）的实现，可以提供显著的效益和工厂的改善。 AMBCS依赖于适当过程模型和过程变量测量的可用性，这直接关系到代表过程的性能指标。通常，AMBCS不接受人们在采样时间内获取主过程变量（PV）（例如，成分或产品质量指标）。这个缺点可以通过使用预估器（软件或虚拟传感器），依据更容易测量的二级过程变量预估主要过程变量的值来克服。换句话说，主要过程变量是通过合适的过程模型现成的耦合变量间接测量 。当然，一个有效的即时过程模型必须满足两个要求：简约，以保证实时仿真和准确性，确保模型正确地恢复相关过程的动态特性。在这方面，人工神经网络提供了一个功能强大的易嵌入软件传感器结构开发过程模型的建模环境。尽管大量文章讨论神经网络在工业监测和控制中的银改用神经，即聚合物的质量控制，连续测量验证，生物过程的监控，推理控制——很少有研究涉及电厂和燃烧系统。对于200兆瓦燃油的滚筒式单元机组，卢和霍格[7]开发了一种基于神经的“运作模式”来预测水蒸汽的压力和动力输出作为相关运行参数的函数。神经网络模型通过从电厂第一原则模型的“综合实验” 获得的数据进行了标定。在最近的研究[中5]，对电厂NOx排放的神经模糊控制模型的发展进行了讨论。制定了一个25MW流化燃烧床模型。 污染物排放监测的应用，大大得益于软件传感器的有效实施。事实上，遵守环保法规是一个排放着极大地促进空气污染的一氧化碳，二氧化碳，氮氧化物，二氧化硫能源生产企业的关键因素。公众不断增长的环境和健康风险意识是改善燃烧系统的运行效率的驱动力。在最近几年，许多国家都执行更加严厉空气污染物排放法规。例如，20世纪90年代初以来，EPA（美国环保局）要求对所有排放污染物生产设施所排放的CO，二氧化碳，氮氧化物，二氧化硫，挥发性有机化合物持续监测。化学工程行业也面临着这样的环境问题因为降低经营成本，以保持市场地位的关键因素，化学工程行业也面临着这样的环境问题。 对于符合法规性，最关键的问题之一，涉及到关于遵守污染物排放的监控过程性能合适的测量。事实上，这将需要安装基于硬件的持续排放监测系统（CEMS），而不是依靠昂贵和高维护成本的分析设备。通常情况下，使用分析设备是不可行的，因为不可接受的测量时间延迟，缺乏专用设备，低容错。近日，环保局发出一项规定（40 CFR 75.40），它允许使用通过过程模型或任何其他类型的推理工具检测污染物的基于软件的污染物持续性监测系统（参数监测系统，PMS，[10]）。以PMS取代传统的 CEMS的可以带来巨大经济效益：成本可削减50％，同时可以减少超过三分之二的维修费用。另一个的关键效益是其有作为后备潜力监视系统潜力，用于替代停用的分析设备，或用于验证测量领域。 软件传感器也许是有用的，因为如果嵌入在推理控制结构，除了固定/维护成本效益，他们也可以让污染物排放（CO，VOC和NOx）最小化和工艺优化。这可以很容易地通过控制空气—燃料比以避免不可接受的炉低温，氮氧化物排放量高，内燃机局部有大量的CO和未燃燃料。 很少有研究讨论监测工业烟囱烟气中的污染物参数化模型。最近，Matsumura et al.[8]等开发的软件传感器——基于ARX模型——用来监测火电厂烟气中的Nox。自动推断测量装置是通过控制氨注射量来催化还原（SCR），其可以减少烟囱氮氧化物排放量。还通过了一个类似的方法，由Liu 和 Daley [6]开发了一种基于ARX模型的自适应预测控制氮氧化物排放的模型。氮氧化物排放量监测的参数化模型是为一个实验室规模的燃烧系统而制定。最近的一项研究[3]讨论的发展预测监测系统（PEMS），推断5 一个5MMkcal/h试验炉所排放烟气中CO, CO2, O2, 和NOx的浓度水平。推理系统是基于校准与动力学模型，稳态数据直接取自试验厂炉。 本文的目的是为了解决与开发以神经网络为基础的污染物监测软件传感器。我们从意大利国家电网公司中运营与Santa Gilla 研究中心（卡利亚里，意大利）的试点的电厂获得的报告和讨论结果。 2.试点电厂 在试点电厂，进行基于神经网络的软件传感器的开发和利用测试，从其炉中获得的实验数据被描绘图1。燃烧室的试验工厂，4:8万千瓦的额定功率，