[发明专利]一种基于LSTM的CFB机组NOx排放浓度的预测方法

说明书

本发明涉及一种基于LSTM的CFB机组NOx排放浓度的预测方法，包括以下步骤：S1通过灰色关联度法确定CFB机组氮氧化物排放浓度的主要影响因子；S2搜集现场数据，对风量数据均做高斯平滑处理；S3为保证数据训练的精度与速度，LSTM的所有输入输出数据均做归一化处理，归一化处理区间为[‑1，1]；S4建立基于LSTM的CFB机组NOx排放浓度的数据模型，并通过现场数据进行验证；S5改变LSTM深度学习神经网络中的输出迟延阶次，使该模型具有预测作用，以此克服NOx浓度测点靠后的原因带来的测量迟延。本发明采用机器学习的方式进行流化床NOx排放浓度建模，精度高且过程简单；通过改变训练集中输出值的迟延阶次来使模型具有预测性质，可超前1~3分钟预测NOx排放浓度。

技术领域

本发明属于智能发电技术领域，特别涉及一种基于LSTM的CFB机组NOx排放浓度的预测方法，利用机器学习来对循环流化床机组NOx排放浓度预测。

背景技术

随着国家环保局对火电厂污染物排放的要求日益严格，越来越多的火电机组污染物排放不能达标。为使污染物排放达到超低排放标准，大部分火电机组都完成了超低排放改造，比如在烟气尾部加装SCR脱销和湿法脱硫装置等。近年来，循环流化床机组因煤种适应度好，负荷调节范围大，污染物原始浓度排放低等优点得到了快速发展。2013年,世界首台600MW的超临界循环流化床锅炉在四川白马电厂投入运行，到了2015年,世界首台350MW的超临界循环流化床锅炉在山西国金电厂投入运行。到2018年底，我国投入的循环流化床锅炉总装机容量达到了82.3GW，目前正在研发的660MW高效超超临界循环流化床锅炉将很快投入工程建设，预计建成后，将成为世界上排放和能耗水平最低、容量和效率最高的循环流化床锅炉。

循环流化床机组为节省成本加上其天然低NOx浓度排放的优势，脱硝装置通常选择在炉膛顶部加装SNCR装置来进行脱硝。但此方式存在一个较大的缺陷，即NOx测点由于不能耐高温，因此一般选择在脱硫塔入口或者烟囱位置来进行测点安装，导致NOx浓度监测相对靠后，SNCR控制系统的测量值存在3～5分钟的迟延，这对SNCR自动控制的投入造成较大影响，因此循环流化床机组脱硝的喷氨量或者尿素量都采用手动控制的方式，这对运行人员的经验和体力是个严峻的考验。为提高循环流化床机组SNCR的自动投入率，需要对循环流化床机组的排放浓度进行建模，克服测点原因带来的迟延问题，而流化床机组是一个大延迟大惯性的对象，且其燃烧过程相当复杂，传统机理建模需要大量假设，推导过程复杂，难度较大，且其模型精度往往有限。而使用数据建模的方式只需要将输入与输出代入神经网络进行机器学习，过程中调整机器学习的部分参数即可，较为简单，且精度较高，但以此建出来的模型往往不具有超前性，工程应用有限。本发明采用具有记忆与遗忘功能的LSTM神经网络进行建模，得到模型参数后，改变训练中输出的迟延阶次后再次进行训练，使模型具有预测功能，预测精度高，可以克服现场测点靠后带来的迟延问题。

发明内容

本发明为解决公知技术中存在的技术问题提供一种基于LSTM的CFB机组NOx排放浓度的预测方法，以此克服NOx浓度测点带来的迟延。

本发明包括如下技术方案：一种基于LSTM的CFB机组NOx排放浓度的预测方法，包括以下步骤：

S1，通过灰色关联度法确定CFB机组氮氧化物排放浓度的主要影响因子；

S2，搜集现场数据，由于风量数据容易突变，会对算法造成干扰，因此风量数据均做高斯平滑处理；所述高斯平滑处理数据的主要目的是剔除异常数据的干扰，提高模型的准确性。

S3，为保证数据训练的精度与速度，LSTM的所有输入输出数据均做归一化处理，归一化处理区间为[-1，1]。

S4，建立基于LSTM的CFB机组NOx排放浓度的数据模型，并通过现场数据进行验证；

S5，改变LSTM深度学习神经网络中的输出迟延阶次，使该模型具有预测作用，以此克服NOx浓度测点靠后的原因带来的测量迟延。