基于神经网络的循环流化床烟气脱硫工艺预测

孙雷 王晓庆

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:礒祐lj=∑nk=1礒祔k祔k祐lj=礒祔l祔l祐lj

1. 误差函数对输出节点求导:

礒祑lj=∑nk=1礒祔k祔k祐lj=礒祐l祔l祐lj

2. 误差函数对隐层节点求导:

礒祑ji=∑i∑j礒祔l祔l礹j礹j祑ji

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:

礒郸萳=礒祔l祔l郸萳

误差函数对隐层节点阀值求导

礒郸萰=∑礒祔l祔l礹j礹j郸萰

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,提高预测准确度。本文中所采用的数据都为清理后的数据,保证了预测的准确度。

此外,由于数据中各个变量的变化差异比较大,在应用之前也需要对其归一化处理。设数据中任意变量矩阵为X,X=x1,x2,…xn,则任意xi,i=1,2…n为此变量中得数据。归一化处理:

X′=X/max(X)。

数据中得每一变量都经过此归一化方法进行归一化处理。

从数据中可以分析得到,该BP神经网络模型的有21个输入变量,即影响因素;1个输出变量,此输出为净烟气的二氧化硫的含量。在本文中,笔者采用三层BP神经网络,输入层包含21个神经元,隐含层包含了20个神经元,输出层包含1个神经元。

图1所示为利用BP神经网络训练的仿真;图2所示为预测值与实际值得比较图。

通过BP神经网络的仿真训练图,我们可以看到,经过305次迭代神经网络停止,预测精度约为0.0072。

图1BP神经网络仿真图2预测值与原值比较图

五、结语

通过仿真,利用BP神经网络不断的训练,实现了对循环流化床烟气脱硫工艺预测,并实现了预测值与实际值得比较。从实验中,可以看出,预测值存在的一定的误差。今后本课题的目标就是更加减小误差值,尽量满足预测的需要。

在符合实际情况下的高精度预测,对于预测主题是非常重要的。利用预测可是预知不利的情况,提前做好防范。并且可以为进一步优化提供了便利条件。利用预测值,可以客观的验证优化的效率及程度。(作者单位:河北大学管理学院)

参考文献:

[1]范丽婷,李鸿儒,王福利.半干法烟气脱硫工艺在绝热饱和温差的软测量[J].仪器仪表学报,2009,30(7).

[2]董长虹.Matlab神经网络与应用[M].国防工业出版社,北京,2005.

[3]展锦程,冉景煜,孙图星. 烟气脱硫吸收塔反应过程的数值模拟及试验研究[J]. 动力工程,2008,28(3).

[4]蔡如钰. 火电湿法烟气脱硫塔模拟及优化操作分析[J]. 环境科学学报,2010,30(10).

[5]钱艺华,盘思伟,汤龙华. 沙角C电厂3号机组脱硫吸收塔系统的优化分析[J]. 广东电力,2006,19(8).