為了建立高精度的燃煤鍋爐NO_x排放量預測模型,提出一種考慮時延特征的基于深度學習的燃煤鍋爐NOx排放量建模算法。首先,結(jié)合機理分析和套索算法（least absolute shrinkage and selection operator,LASSO）算法分析特征變量重要性,選取與NO_x排放量最相關的變量,并進一步分析所選取變量與NO_x排放量之間的時延相關性,確定模型輸入變量NO_x采用經(jīng)驗模態(tài)分解方法對輸入變量時間序列進行分解,提取其中的頻域信息與時域信息,構造建模數(shù)據(jù)庫;最后,設計深度神經(jīng)網(wǎng)絡結(jié)構并優(yōu)化網(wǎng)絡參數(shù),建立NO_x排放量預測模型。基于火電廠實際運行數(shù)據(jù)的實驗結(jié)果表明,在多種工況下,所提出的算法預測誤差均小于2%,能夠滿足實際生產(chǎn)對預測精度的要求。 

【文章來源】：中國電機工程學報. 2020,40(20)北大核心

【文章頁數(shù)】：12 頁

【圖文】：

DNN結(jié)構

以某火電1000MW的超超臨界直流鍋爐為研究對象，鍋爐尺寸為32.084m×15.670m，采用Π型布置、單爐膛、改進型低NOx PM(pollution minimum)主燃燒器和MACT(mitsubishi advanced combustion technology)型低NOx分級送風燃燒系統(tǒng)。八角反向雙切圓燃燒方式，每只燃燒器共設計6層低NOx PM一次風噴口(A、B、C、D、E、F),2層二次風噴口(AA、BB、CC、DD、EE、FF)，一層燃盡風室(OFA)。鍋爐尺寸及燃燒器布置見圖1。實驗鍋爐以神華煤為燃燒煤種，鍋爐的煤質(zhì)特性見表1，實驗期間煤質(zhì)保持不變。1.2 鍋爐燃燒過程及建模參數(shù)初選

所構建的DNN模型為56輸入，單輸出，4隱含層的全連接神經(jīng)網(wǎng)絡，結(jié)構如圖3所示。圖3中，輸入層為Xi(i(28)1,2,3,…,56),X為影響NOx排放的輸入向量，設定為56個影響因素，因此輸入層為56個神經(jīng)元；Wi為深度神經(jīng)網(wǎng)絡中第i層的權重值，bi表示第i層的神經(jīng)元偏置，ai表示第i層的輸出向量。DNN的每個隱含層從前一層獲取輸入向量，利用該隱含層的激活函數(shù)進行非線性變換，隱含層采用Re LU作為激活函數(shù)。Re LU計算速度快，并且Re LU的非飽和性可以有效解決梯度消失的問題，減緩過擬合的產(chǎn)生。每一個隱含層再將得到的向量作為輸入傳給下一層神經(jīng)元，逐層往復迭代，最終傳遞給網(wǎng)絡輸出。圖3 DNN結(jié)構

【參考文獻】：
期刊論文
[1]EMD-LSTM算法在短期電力負荷預測中的應用[J]. 任成國,肖兒良,簡獻忠,王如志.  電力科學與工程. 2019(08)
[2]基于EEMDCAN的SVM短期風電功率預測[J]. 謝碧霞,林麗君,白陽振.  電力科學與工程. 2019(07)
[3]基于經(jīng)驗模態(tài)分解和支持向量機的滾動軸承故障診斷[J]. 徐可,陳宗海,張陳斌,董廣忠.  控制理論與應用. 2019(06)
[4]基于深度神經(jīng)網(wǎng)絡模型的無鐵心永磁同步直線電機結(jié)構優(yōu)化研究[J]. 楊陽,趙吉文,宋俊材,董菲,何中燕,宗開放.  中國電機工程學報. 2019(20)
[5]空氣過量系數(shù)對燃氣鍋爐氮氧化物排放濃度的影響[J]. 王亮.  石油化工安全環(huán)保技術. 2018(02)
[6]新型雙流化床爐內(nèi)NOx生成特性數(shù)值模擬[J]. 張弋,李建波,王泉海,盧嘯風.  化工學報. 2018(04)
[7]基于矩陣填充的子陣重構二維波達方向估計算法[J]. 曾文浩,朱曉華,李洪濤,莊珊娜.  南京理工大學學報. 2017(03)
[8]Combustion Optimization Model for NOx Reduction with an Improved Particle Swarm Optimization[J]. 李慶偉,周克毅,姚桂煥.  Journal of Shanghai Jiaotong University（Science）. 2016(05)
[9]關于鍋爐NOx生成機理及科學超低排放的理論研究[J]. 卜銀坤.  工業(yè)鍋爐. 2016(04)
[10]全氧煤粉燃燒煙氣的輻射特性[J]. 劉若晨,安恩科,劉澤慶,袁益超.  燃燒科學與技術. 2016(01)



本文編號：3041773