基于神经网络循环流化床烟气脱硫工艺预测.docVIP

基于神经网络循环流化床烟气脱硫工艺预测 　　摘要:本文利用BP神经网络实现了对某电厂循环流化床烟气脱硫工艺的预测。论文简单介绍了BP神经网络,并对数据进行了分析。之后以用MATLAB7.0利用BP神经网络实现了对该数据的训练,通过确定各个影响因素的权值来实现预测的目的。 　　关键词:BP神经网络,半干法脱硫工艺,钙硫比 　　一、引言 　　循环流化床烟气脱硫工艺是半干法脱硫工艺的一种,是使用粒状脱硫剂及其他各个因素在脱硫塔内相反应以降低烟气中的SO2含量。该工艺具有流程比较简单、较少的耗水量、平均投入资金少、固化排出物、无废水排放等优点。此工艺与湿法脱硫工艺相比,相对成本低比较低,对于很多热电厂是很好的选择,受到了众多热电厂的青睐。 　　在脱硫过程中如何控制净烟气中SO2含量、降低钙硫比是目前研究的重点和难点,也是半干法脱硫工艺目的所在。国家已经订立了强制性的二氧化硫排放标准,即由400mg/Nm3进一步严格控制为200mg/Nm3的限值,并且增加了监管力度。这对于目前的脱硫系统是一个重大的考验。由此,二氧化硫的排放量的预测在实际工作的重要性也不尽凸现出来。然而目前对于循环流化床烟气脱硫工艺的预测的研究比较少,这严重阻碍了脱硫工艺的发展。通过合理及准确的预测二氧化硫的排放量,可以很好的确定在脱硫中各个因素所占的比重,从而为下一步的优化提供有力的证据和科学依据。对于企业来讲,也可以据此调整产业结构,减低成本。 　　本文中采用的数据为国家某电厂脱硫数据,此电厂自2008年设计和改造了脱硫除尘系统,属于典型的经预除尘后烟气先脱硫后除尘的布置方式,其设计钙硫比为1.3,但是实际运行中,钙硫比高达2.3~2.5,极大的增加了脱硫装置的运行成本,经厂家多次调试和改造,没有明显改善。BP神经网络是一种多层前馈型神经网络,目前的研究发现,三层的神经网络可以模拟从输入到输出的任意非线性函数映射关系,其权值的调整采用反向传播的学习算法。其主要应用于四个方面:函数逼近,模式识别,分类,数据压缩。经过调整权值,实现对数据的在精确范围内的预测,辅助下一步的优化工作。 　　二、构造BP神经网络模型 　　构建神经网络一般需要进行三个步:神经网络生成,初始化权值和仿真。 　　BP神经网络的学习规则是要保证网络权值和阀值要沿着负梯度方向修正,以实现映射函数的最快下降方向。其基本形式为: 　　wk+1=wk-ηkdk 　　其中wk为权值或阀值矩阵,dk是映射函数的梯度,ηk是学习率。 　　假设三层BP神经网络,输入节点xi,隐层节点hj,输出节点yl,输入层节点与隐层节点之间的权值为wji,隐层节点与输出层节点之间的权值为vlj,θi为相应的阈值。输出节点的期望值为tl。 　　隐层节点的输出:hj=f(∑iwjixi-θj)=f(netj) 　　其中netj=∑iwjixi-θj 　　输出节点的输出:netl=∑jvljhj-θlyl=f(∑jvljyj-θl)=f(netl) 　　其中:E=12∑l(tl-yl)2=12∑l(tl-f(∑jvljf(∑iwjixi-θj)-θl))2 　　输出节点误差为:Evlj=∑nk=1Eykykvlj=Eylylvlj 　　1. 误差函数对输出节点求导: 　　Ewlj=∑nk=1Eykykvlj=Evlylvlj 　　2. 误差函数对隐层节点求导: 　　Ewji=∑i∑jEylylhjhjwji 　　3. 阀值的修正: 　　在修正权值的过程中,也应该考虑对阈值的修正,其修正原理同权值修正基本一致。 　　误差函数对输出节点阀值求导: 　　Eθl=Eylylθl 　　误差函数对隐层节点阀值求导 　　Eθj=∑Eylylhjhjθj 　　f(x)=11+e-x 　　4. 传递函数: 　　f(x)=21+e-x 　　S型传递函数 　　三、数据分析 　　在循环流化床烟气脱硫工艺中,影响脱硫效率的因子比较多,主要分为5部分:原烟气、净烟气、水路部分、增压风机部分和吸收剂部分。其中原烟气包括:硫化床阻力、塔前温度、塔前压力、塔后压力、氧含量、平均压差和二氧化硫含量;净烟气包括:二氧化硫含量、氧含量、粉尘浓度、出口压力、出口温度、烟气流量;水路部分包括:出口流量、回水流量、工艺水量;增压风机包括:增压风机电机电流信号、增压风机入口挡板开度;吸收剂部分包括:吸收剂送风压力、吸收剂给料机开度。其中塔前压力和塔后压力各有两个监测点,平均压差=塔后压力—塔前压力;工艺水量=出口流量—回水流量。 　　四、算法分析 　　在预测之前,首先需要对数据进行清理,除去数据中得一些噪音。数据清理在数据分析中是一个重要的步骤,对数据合理的清理可以加快算法收敛速率,提高预测准确