考虑时延特征的燃煤锅炉NO x 排放深度学习建模

发布时间：2021-02-19 22:20

　　为了建立高精度的燃煤锅炉NO_x排放量预测模型,提出一种考虑时延特征的基于深度学习的燃煤锅炉NOx排放量建模算法。首先,结合机理分析和套索算法（least absolute shrinkage and selection operator,LASSO）算法分析特征变量重要性,选取与NO_x排放量最相关的变量,并进一步分析所选取变量与NO_x排放量之间的时延相关性,确定模型输入变量NO_x采用经验模态分解方法对输入变量时间序列进行分解,提取其中的频域信息与时域信息,构造建模数据库;最后,设计深度神经网络结构并优化网络参数,建立NO_x排放量预测模型。基于火电厂实际运行数据的实验结果表明,在多种工况下,所提出的算法预测误差均小于2%,能够满足实际生产对预测精度的要求。 

【文章来源】：中国电机工程学报. 2020,40(20)北大核心

【文章页数】：12 页

【图文】：

DNN结构

以某火电1000MW的超超临界直流锅炉为研究对象，锅炉尺寸为32.084m×15.670m，采用Π型布置、单炉膛、改进型低NOx PM(pollution minimum)主燃烧器和MACT(mitsubishi advanced combustion technology)型低NOx分级送风燃烧系统。八角反向双切圆燃烧方式，每只燃烧器共设计6层低NOx PM一次风喷口(A、B、C、D、E、F),2层二次风喷口(AA、BB、CC、DD、EE、FF)，一层燃尽风室(OFA)。锅炉尺寸及燃烧器布置见图1。实验锅炉以神华煤为燃烧煤种，锅炉的煤质特性见表1，实验期间煤质保持不变。1.2 锅炉燃烧过程及建模参数初选

所构建的DNN模型为56输入，单输出，4隐含层的全连接神经网络，结构如图3所示。图3中，输入层为Xi(i(28)1,2,3,…,56),X为影响NOx排放的输入向量，设定为56个影响因素，因此输入层为56个神经元；Wi为深度神经网络中第i层的权重值，bi表示第i层的神经元偏置，ai表示第i层的输出向量。DNN的每个隐含层从前一层获取输入向量，利用该隐含层的激活函数进行非线性变换，隐含层采用Re LU作为激活函数。Re LU计算速度快，并且Re LU的非饱和性可以有效解决梯度消失的问题，减缓过拟合的产生。每一个隐含层再将得到的向量作为输入传给下一层神经元，逐层往复迭代，最终传递给网络输出。图3 DNN结构

【参考文献】：
期刊论文
[1]EMD-LSTM算法在短期电力负荷预测中的应用[J]. 任成国,肖儿良,简献忠,王如志.  电力科学与工程. 2019(08)
[2]基于EEMDCAN的SVM短期风电功率预测[J]. 谢碧霞,林丽君,白阳振.  电力科学与工程. 2019(07)
[3]基于经验模态分解和支持向量机的滚动轴承故障诊断[J]. 徐可,陈宗海,张陈斌,董广忠.  控制理论与应用. 2019(06)
[4]基于深度神经网络模型的无铁心永磁同步直线电机结构优化研究[J]. 杨阳,赵吉文,宋俊材,董菲,何中燕,宗开放.  中国电机工程学报. 2019(20)
[5]空气过量系数对燃气锅炉氮氧化物排放浓度的影响[J]. 王亮.  石油化工安全环保技术. 2018(02)
[6]新型双流化床炉内NOx生成特性数值模拟[J]. 张弋,李建波,王泉海,卢啸风.  化工学报. 2018(04)
[7]基于矩阵填充的子阵重构二维波达方向估计算法[J]. 曾文浩,朱晓华,李洪涛,庄珊娜.  南京理工大学学报. 2017(03)
[8]Combustion Optimization Model for NOx Reduction with an Improved Particle Swarm Optimization[J]. 李庆伟,周克毅,姚桂焕.  Journal of Shanghai Jiaotong University（Science）. 2016(05)
[9]关于锅炉NOx生成机理及科学超低排放的理论研究[J]. 卜银坤.  工业锅炉. 2016(04)
[10]全氧煤粉燃烧烟气的辐射特性[J]. 刘若晨,安恩科,刘泽庆,袁益超.  燃烧科学与技术. 2016(01)



本文编号：3041773