技術(shù) | 燃煤電廠(chǎng)SCR煙氣脫硝催化劑壽命預(yù)測(cè)研究
北極星電力網(wǎng)新聞中心 來(lái)源:《熱力發(fā)電》 作者:唐詩(shī)潔 陸強(qiáng)等 2019/4/2 11:36:35 我要投稿
所屬頻道: 火力發(fā)電 關(guān)鍵詞: 火電環(huán)保 燃煤電廠(chǎng) 火電
第一屆泛在電力物聯(lián)網(wǎng)研討會(huì) 5月23-24日 北京
2019中國(guó)綜合能源服務(wù)產(chǎn)業(yè)創(chuàng)新發(fā)展大會(huì)·4月18日-19日·無(wú)錫
第二屆煤改氣暨天然氣分布式論壇·5月9-11日·上海
北極星火力發(fā)電網(wǎng)訊:摘要：為保證燃煤電廠(chǎng)煙氣脫硝系統(tǒng)的安全、穩(wěn)定運(yùn)行，需要制定科學(xué)合理的選擇性催化還原（SCR）催化劑壽命預(yù)測(cè)方案。SCR催化劑失效是多個(gè)物理和化學(xué)因素共同作用的結(jié)果，難以用傳統(tǒng)的物理模型或數(shù)學(xué)公式對(duì)其失活程度進(jìn)行預(yù)測(cè)。本研究針對(duì)電廠(chǎng)大數(shù)據(jù)特性，對(duì)原始數(shù)據(jù)進(jìn)行預(yù)處理，建立了曲線(xiàn)擬合、灰色預(yù)測(cè)、BP神經(jīng)網(wǎng)絡(luò)、灰色神經(jīng)網(wǎng)絡(luò)4種預(yù)測(cè)模型。實(shí)例對(duì)比分析發(fā)現(xiàn)：數(shù)據(jù)預(yù)處理可以提高預(yù)測(cè)精度；當(dāng)數(shù)據(jù)滿(mǎn)足等時(shí)距特性時(shí)，灰色神經(jīng)網(wǎng)絡(luò)優(yōu)化后的直接輸出模型預(yù)測(cè)精度較高；當(dāng)數(shù)據(jù)不滿(mǎn)足等時(shí)距特性時(shí)，使用BP神經(jīng)網(wǎng)絡(luò)模型預(yù)測(cè)效果更好。
選擇性催化還原（SCR）法已成為國(guó)際上火電廠(chǎng)應(yīng)用最廣、最為成熟的NOx排放控制技術(shù)。催化劑是SCR脫硝工藝的核心，SCR脫硝催化劑（簡(jiǎn)稱(chēng)SCR催化劑）長(zhǎng)期在高溫、復(fù)雜的煙氣環(huán)境中工作，會(huì)受到物理和化學(xué)因素的影響而逐漸失活。SCR催化劑服役時(shí)間即使用壽命決定著SCR脫硝系統(tǒng)的運(yùn)行成本。因此，正確預(yù)估SCR催化劑的使用壽命并及時(shí)更換催化劑，對(duì)減小電廠(chǎng)運(yùn)行成本和節(jié)約資源具有重要意義。
目前，國(guó)內(nèi)外學(xué)者已對(duì)SCR催化劑失活的過(guò)程和原因進(jìn)行了探索，并針對(duì)催化劑的失活原因建立了多種催化劑失活動(dòng)力學(xué)模型。
Lei等人研究了SCR催化劑不同中毒過(guò)程中催化劑堿金屬中毒的失活速率。姜燁等研究了不同形態(tài)鉀和鉛導(dǎo)致SCR脫硝催化劑失活的機(jī)理，并在漸進(jìn)殼模型的基礎(chǔ)上建立了鉀和鉛中毒失活動(dòng)力學(xué)方程。吳俊升等采用流化磨損測(cè)試方法分析研究了不同粒徑催化劑的磨損行為，建立了相應(yīng)的失活動(dòng)力學(xué)模型。
孫克勤等研究了煤燃燒過(guò)程中砷的遷移規(guī)律以及SCR催化劑砷中毒對(duì)SCR脫硝系統(tǒng)影響的失活動(dòng)力學(xué)。
Upadhyay等人以表面反應(yīng)動(dòng)態(tài)模型為基礎(chǔ)，引入時(shí)間因素對(duì)脫硝反應(yīng)動(dòng)態(tài)過(guò)程進(jìn)行了實(shí)驗(yàn)研究。此外，也有學(xué)者從催化劑整體失活的角度出發(fā)，建立了不同的催化劑活性預(yù)測(cè)模型。對(duì)于早期的催化劑失活程度預(yù)測(cè)可以使用Gauss和Logistic回歸模型，根據(jù)實(shí)驗(yàn)曲線(xiàn)擬合得到失活公式，但精度較差。
董長(zhǎng)青等在SCR催化劑失活動(dòng)力學(xué)模型的基礎(chǔ)上，分別從物理和數(shù)學(xué)角度進(jìn)行了修正。傅玉等按照數(shù)據(jù)是否滿(mǎn)足等時(shí)距要求，分別建立了灰色預(yù)測(cè)模型和多種曲線(xiàn)擬合模型，對(duì)催化劑的相對(duì)活性進(jìn)行預(yù)測(cè)。
SCR催化劑失活機(jī)理復(fù)雜，通過(guò)傳統(tǒng)的物理模型或建立數(shù)學(xué)公式對(duì)其活性進(jìn)行預(yù)測(cè)的難度較大且準(zhǔn)確度不高。此外，在電廠(chǎng)實(shí)際運(yùn)行過(guò)程中，很難通過(guò)隨時(shí)停機(jī)來(lái)采集催化劑的活性數(shù)據(jù)和運(yùn)行參數(shù)；且隨著負(fù)荷的變化，流經(jīng)催化劑的煙氣參數(shù)也會(huì)時(shí)刻變化，SCR催化劑活性波動(dòng)性較大。因此，本文以5個(gè)電廠(chǎng)的實(shí)際運(yùn)行數(shù)據(jù)為例，將實(shí)際運(yùn)行數(shù)據(jù)預(yù)處理后用于曲線(xiàn)擬合、灰色預(yù)測(cè)、BP神經(jīng)網(wǎng)絡(luò)、灰色神經(jīng)網(wǎng)絡(luò)4類(lèi)模型的SCR催化劑壽命預(yù)測(cè)模擬，探索預(yù)測(cè)SCR催化劑壽命的最佳方法。
1數(shù)據(jù)預(yù)處理
1.1催化劑活性計(jì)算
催化劑活性K可用于衡量其催化氨與氮氧化物反應(yīng)的綜合能力，主要由催化劑自身性能、煙氣條件、操作情況及機(jī)組運(yùn)行狀態(tài)決定。準(zhǔn)確了解并計(jì)算催化劑活性是預(yù)測(cè)催化劑壽命的基礎(chǔ)。電廠(chǎng)實(shí)際運(yùn)行條件下的催化劑活性K計(jì)算公式為
1.jpg
1.2運(yùn)行數(shù)據(jù)預(yù)處理
本文以5個(gè)在役電廠(chǎng)的實(shí)際運(yùn)行數(shù)據(jù)為基礎(chǔ)，進(jìn)行數(shù)據(jù)預(yù)處理。以電廠(chǎng)1為例，該電廠(chǎng)給出了2016年1月10日到2017年1月3日期間的運(yùn)行數(shù)據(jù)，包括機(jī)組負(fù)荷、煙氣量、SCR脫硝反應(yīng)器入口和出口NOx質(zhì)量濃度等。通過(guò)式(1)得到不同運(yùn)行時(shí)間對(duì)應(yīng)的SCR催化劑活性如圖1所示。
2.jpg
圖1電廠(chǎng)1催化劑活性變化示意
由圖1可以發(fā)現(xiàn)，電廠(chǎng)的催化劑活性數(shù)據(jù)十分繁雜，難以觀(guān)察其變化規(guī)律。如果直接使用這些數(shù)據(jù)進(jìn)行模擬預(yù)測(cè)而不考慮數(shù)據(jù)的內(nèi)在特征，會(huì)導(dǎo)致最終預(yù)測(cè)結(jié)果誤差較大，因此需進(jìn)行相應(yīng)的數(shù)據(jù)預(yù)處理。
數(shù)據(jù)預(yù)處理步驟如下：
1）從每天不同時(shí)刻的K中選出最大值；
2）算出每5天K最大值的平均值；
3）找到5天中與K最大值的平均值最接近的實(shí)際數(shù)據(jù)，并去掉明顯不符合催化劑活性變化規(guī)律的數(shù)據(jù)，最后得到預(yù)測(cè)樣本。
對(duì)電廠(chǎng)1的數(shù)據(jù)進(jìn)行上述預(yù)處理后得到催化劑活性變化如圖2所示。
3.jpg
圖2電廠(chǎng)1預(yù)處理后催化劑活性變化示意
對(duì)比圖1、圖2可見(jiàn)，預(yù)處理后的數(shù)據(jù)更便于觀(guān)察，也更符合電廠(chǎng)SCR催化劑活性變化規(guī)律，可直接用于催化劑活性預(yù)測(cè)研究。因此，對(duì)電廠(chǎng)2—電廠(chǎng)5的數(shù)據(jù)也進(jìn)行同樣的預(yù)處理。
2預(yù)測(cè)模型
對(duì)于與SCR催化劑失活相關(guān)的多因素耦合、繁復(fù)的數(shù)據(jù)信息，從數(shù)據(jù)驅(qū)動(dòng)的角度可以避免建立復(fù)雜物理模型。本文分別使用曲線(xiàn)擬合、灰色預(yù)測(cè)、BP神經(jīng)網(wǎng)絡(luò)、灰色神經(jīng)網(wǎng)絡(luò)4類(lèi)方法進(jìn)行預(yù)測(cè)，從而篩選出可以提高催化劑壽命預(yù)測(cè)準(zhǔn)確度的預(yù)測(cè)模型。
2.1曲線(xiàn)擬合
曲線(xiàn)擬合以離散的觀(guān)測(cè)數(shù)據(jù)點(diǎn)為基礎(chǔ)，用連續(xù)曲線(xiàn)近似地?cái)M合觀(guān)測(cè)數(shù)據(jù)，并分析變量之間的關(guān)系。工程中常用的曲線(xiàn)擬合方法有多項(xiàng)式法、指數(shù)法和高斯擬合法，下面是幾種典型曲線(xiàn)擬合方法的趨勢(shì)模型（模型中an、bn、cn均為模型參數(shù)）。
4.jpg
2.2灰色預(yù)測(cè)模型
灰色系統(tǒng)理論是我國(guó)學(xué)者鄧聚龍教授提出的針對(duì)不確定性問(wèn)題的研究方法[17]。對(duì)于同時(shí)含有已知信息和未知不確定信息的灰色系統(tǒng)，其數(shù)據(jù)可能是雜亂無(wú)章的，但是灰色預(yù)測(cè)可以通過(guò)鑒別各因素之間發(fā)展趨勢(shì)的相異程度，對(duì)原始數(shù)據(jù)進(jìn)行處理，建立微分方程尋找灰色系統(tǒng)數(shù)據(jù)變動(dòng)的規(guī)律，從而預(yù)測(cè)系統(tǒng)未來(lái)的發(fā)展趨勢(shì)。灰色模型對(duì)實(shí)測(cè)數(shù)據(jù)沒(méi)有嚴(yán)格要求，所需數(shù)據(jù)量較少。本文采用單一變量GM(1,1)灰色預(yù)測(cè)模型，使用此模型的前提是建模序列必須滿(mǎn)足等時(shí)距的要求。
2.3BP神經(jīng)網(wǎng)絡(luò)
2.3.1簡(jiǎn)介
BP（backpropagation）人工神經(jīng)網(wǎng)絡(luò)是模仿生物神經(jīng)系統(tǒng)功能和結(jié)構(gòu)發(fā)展起來(lái)的信息處理系統(tǒng)[20]。人工神經(jīng)網(wǎng)絡(luò)由大量簡(jiǎn)單的處理單元以某種方式彼此互聯(lián)而成的復(fù)雜網(wǎng)絡(luò)系統(tǒng)，具有學(xué)習(xí)、記憶、聯(lián)想、歸納和自適應(yīng)學(xué)習(xí)能力。在眾多人工神經(jīng)網(wǎng)絡(luò)模型中，按誤差逆?zhèn)鞑ニ惴ㄓ?xùn)練的BP神經(jīng)網(wǎng)絡(luò)，因其運(yùn)算能力強(qiáng)、建模過(guò)程簡(jiǎn)單，已經(jīng)成為目前應(yīng)用最廣泛的神經(jīng)網(wǎng)絡(luò)模型。BP神經(jīng)網(wǎng)絡(luò)具備大規(guī)模并行處理數(shù)據(jù)的特點(diǎn)，可以存儲(chǔ)和學(xué)習(xí)大量輸入-輸出模式的映射關(guān)系，非常適合應(yīng)用于需要同時(shí)考慮諸多因素和條件的不精確或者模糊的信息處理問(wèn)題。
BP神經(jīng)網(wǎng)絡(luò)通常由單層的輸入層、輸出層和層數(shù)不等的隱含層構(gòu)成，而每層都由若干個(gè)神經(jīng)元組成。圖3為典型多層前饋型BP神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)。圖3中，x表示輸入數(shù)據(jù)，a、c表示閾值，y表示網(wǎng)絡(luò)輸出結(jié)果，f表示激勵(lì)函數(shù)。
5.jpg
圖3BP神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)
2.3.2原理
BP神經(jīng)網(wǎng)絡(luò)需要通過(guò)輸入和輸出樣本對(duì)網(wǎng)絡(luò)進(jìn)行訓(xùn)練，即通過(guò)學(xué)習(xí)和修正網(wǎng)絡(luò)的閾值和權(quán)值，并不斷重復(fù)該過(guò)程，最終得到符合條件的輸入或輸出。BP神經(jīng)網(wǎng)絡(luò)算法由信號(hào)的正向傳播（前向計(jì)算過(guò)程）和誤差的反向傳播兩個(gè)階段組成。兩個(gè)過(guò)程反復(fù)交替，不斷調(diào)整權(quán)值和閾值，直至網(wǎng)絡(luò)達(dá)到收斂為止，具體過(guò)程如下。
1）信號(hào)的正向傳播過(guò)程
輸入量由輸入層經(jīng)過(guò)隱含層逐層計(jì)算，并傳向網(wǎng)絡(luò)的輸出層。計(jì)算中每層的神經(jīng)元狀態(tài)只會(huì)影響下一層的神經(jīng)元狀態(tài)。網(wǎng)絡(luò)的權(quán)值在信號(hào)正向傳播過(guò)程中固定不變。如果輸出層不能得到符合其期望的輸出，則轉(zhuǎn)入誤差反向傳播過(guò)程。
2）誤差的反向傳播
由前向計(jì)算過(guò)程得出的網(wǎng)絡(luò)輸出與期望輸出之前的差值即為誤差。誤差信號(hào)由網(wǎng)絡(luò)的輸出端開(kāi)始，沿網(wǎng)絡(luò)的連接路線(xiàn)返回并計(jì)算各權(quán)值和閾值對(duì)總誤差的影響。最后根據(jù)誤差梯度下降法對(duì)權(quán)值和閾值進(jìn)行調(diào)整。
2.3.3結(jié)構(gòu)設(shè)計(jì)
對(duì)于大多數(shù)復(fù)雜的數(shù)學(xué)問(wèn)題，單隱含層BP神經(jīng)網(wǎng)絡(luò)即可滿(mǎn)足要求，本研究也采用圖3所示的輸入層-單隱含層-輸出層的3層BP神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)。
1）確定輸入及輸出變量
電廠(chǎng)SCR催化劑在多因素耦合且復(fù)雜的煙氣環(huán)境中工作，煙氣量、噴氨量、運(yùn)行時(shí)間、運(yùn)行溫度及煤種等都會(huì)影響SCR催化劑的活性。為了建立簡(jiǎn)潔、有效的BP神經(jīng)網(wǎng)絡(luò)模型，首先要對(duì)預(yù)處理后的數(shù)據(jù)進(jìn)行相關(guān)性分析，找到對(duì)SCR催化劑活性有顯著影響的參數(shù)作為BP神經(jīng)網(wǎng)絡(luò)的輸入變量。本文利用統(tǒng)計(jì)分析軟件SPSS進(jìn)行相關(guān)性分析。此外，由于各輸入量單位不同，需對(duì)輸入變量進(jìn)行歸一化處理，以均衡對(duì)BP神經(jīng)網(wǎng)絡(luò)的影響，降低誤差。本文BP神經(jīng)網(wǎng)絡(luò)輸出變量為SCR催化劑活性K。
2）確定隱含層神經(jīng)元個(gè)數(shù)
確定BP神經(jīng)網(wǎng)絡(luò)各層神經(jīng)元的數(shù)量是構(gòu)建BP神經(jīng)網(wǎng)絡(luò)的重要環(huán)節(jié)。隱含層神經(jīng)元數(shù)n需要先通過(guò)經(jīng)驗(yàn)公式(5)確定大致范圍后，再對(duì)不同網(wǎng)絡(luò)結(jié)構(gòu)的訓(xùn)練結(jié)果進(jìn)行對(duì)比，選擇預(yù)測(cè)誤差最小時(shí)的隱含層神經(jīng)元個(gè)數(shù)。
6.jpg
3）確定訓(xùn)練和測(cè)試樣本
選擇一部分預(yù)處理后的數(shù)據(jù)作為訓(xùn)練樣本對(duì)網(wǎng)絡(luò)進(jìn)行訓(xùn)練，其余數(shù)據(jù)作為測(cè)試樣本。將測(cè)試樣本的輸入變量代入訓(xùn)練好的BP神經(jīng)網(wǎng)絡(luò)中，然后將SCR催化劑活性預(yù)測(cè)結(jié)果與真實(shí)值進(jìn)行對(duì)比，分析其誤差。
2.4灰色神經(jīng)網(wǎng)絡(luò)
灰色預(yù)測(cè)模型的對(duì)象系統(tǒng)中允許存在未知項(xiàng)，所需數(shù)據(jù)少，并且不要求數(shù)據(jù)具有一致性，但它缺乏自學(xué)習(xí)、自適應(yīng)能力，對(duì)非線(xiàn)性信息的處理能力較弱，而B(niǎo)P神經(jīng)網(wǎng)絡(luò)算法恰好可以彌補(bǔ)灰色預(yù)測(cè)模型的這些不足。本文將灰色預(yù)測(cè)模型與BP神經(jīng)網(wǎng)絡(luò)結(jié)合在一起，形成灰色神經(jīng)網(wǎng)絡(luò)，尤其適合處理SCR催化劑失效這種多因素耦合、繁復(fù)的問(wèn)題。按照神經(jīng)網(wǎng)絡(luò)的輸出數(shù)據(jù)類(lèi)別，可將灰色神經(jīng)網(wǎng)絡(luò)模型分為殘差輸出和直接輸出2類(lèi)。
2.4.1殘差模型
灰色神經(jīng)網(wǎng)絡(luò)中的殘差修正模型首先將原始數(shù)據(jù)通過(guò)灰色預(yù)測(cè)方法預(yù)測(cè)，隨后將灰色預(yù)測(cè)結(jié)果的殘差作為BP神經(jīng)網(wǎng)絡(luò)的輸入輸出，從而達(dá)到自身修正、降低誤差的目的。
2.4.2直接輸出模型
灰色神經(jīng)網(wǎng)絡(luò)直接輸出模型首先將原始數(shù)據(jù)用灰色預(yù)測(cè)方法預(yù)測(cè)，隨后把灰色預(yù)測(cè)的結(jié)果與SCR催化劑服役時(shí)間同時(shí)作為BP神經(jīng)網(wǎng)絡(luò)的輸入，最后得到網(wǎng)絡(luò)輸出即SCR催化劑活性預(yù)測(cè)值。
3工程實(shí)例分析
3.1曲線(xiàn)擬合
隨著運(yùn)行時(shí)間的延長(zhǎng)，SCR催化劑活性會(huì)逐漸降低，因此使用曲線(xiàn)擬合法預(yù)測(cè)時(shí)，將時(shí)間作為自變量，SCR催化劑活性則為因變量。用MATLAB軟件中的cftool工具箱直接對(duì)樣本數(shù)據(jù)進(jìn)行曲線(xiàn)擬合。以電廠(chǎng)1為例，在進(jìn)行數(shù)據(jù)預(yù)處理后共得到51組數(shù)據(jù)，取1—46組數(shù)據(jù)作為樣本數(shù)據(jù)，擬合得到SCR催化劑活性變化公式，然后將47—51組數(shù)據(jù)作為測(cè)試數(shù)據(jù)，代入式(1)得到SCR催化劑活性擬合值，并與SCR催化劑活性真實(shí)值進(jìn)行對(duì)比，結(jié)果見(jiàn)表1、表2
7.jpg
3.2灰色預(yù)測(cè)
預(yù)處理后的電廠(chǎng)1數(shù)據(jù)滿(mǎn)足等時(shí)距特性，此時(shí)可以使用GM(1,1)模型進(jìn)行預(yù)測(cè)，取1—46組數(shù)據(jù)作為樣本數(shù)據(jù)，將47—51組數(shù)據(jù)作為測(cè)試數(shù)據(jù)，結(jié)果見(jiàn)表3。由表3預(yù)測(cè)結(jié)果顯示，曲線(xiàn)擬合和灰色預(yù)測(cè)模型的預(yù)測(cè)精度較低，平均誤差高達(dá)39.1183%。因此，使用單一的曲線(xiàn)擬合或灰色預(yù)測(cè)模型往往無(wú)法反映催化劑活性與各影響因素間復(fù)雜的非線(xiàn)性關(guān)系。
8.jpg
3.3BP神經(jīng)網(wǎng)絡(luò)
以電廠(chǎng)1為例，經(jīng)過(guò)SPSS軟件分析可知，機(jī)組負(fù)荷、脫硝效率、煙溫、煙氣量、時(shí)間、FGD（煙氣脫硫）出口NOx質(zhì)量濃度、噴氨量、煤中硫、砷質(zhì)量濃度都與SCR催化劑活性顯著相關(guān)，因此將這些影響因素作為BP神經(jīng)網(wǎng)絡(luò)的輸入并進(jìn)行歸一化處理，SCR催化劑活性作為BP神經(jīng)網(wǎng)絡(luò)的輸出。
經(jīng)過(guò)計(jì)算比較后發(fā)現(xiàn)，當(dāng)BP神經(jīng)網(wǎng)絡(luò)中隱含層神經(jīng)元為4時(shí)預(yù)測(cè)誤差最小，因此BP神經(jīng)網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)為9-4-1（輸入層神經(jīng)元數(shù)-隱含層神經(jīng)元數(shù)-輸出層神經(jīng)元數(shù)）。取1—46組數(shù)據(jù)作為樣本數(shù)據(jù)，將47—51組數(shù)據(jù)作為測(cè)試數(shù)據(jù)，BP神經(jīng)網(wǎng)絡(luò)的預(yù)測(cè)結(jié)果與誤差見(jiàn)表4，其平均誤差為17.1534%。
9.jpg
3.4灰色神經(jīng)網(wǎng)絡(luò)
3.4.1殘差模型
經(jīng)過(guò)計(jì)算比較后發(fā)現(xiàn)，當(dāng)灰色神經(jīng)網(wǎng)絡(luò)殘差模型拓?fù)浣Y(jié)構(gòu)為3-6-1時(shí)預(yù)測(cè)誤差最小。取1—46組數(shù)據(jù)作為樣本數(shù)據(jù)，將47—51組數(shù)據(jù)作為測(cè)試數(shù)據(jù)，灰色神經(jīng)網(wǎng)絡(luò)殘差模型3-6-1結(jié)構(gòu)SCR催化劑活性預(yù)測(cè)結(jié)果與誤差見(jiàn)表5，其平均誤差為30.3738%。
10.jpg
3.4.2直接輸出模型
計(jì)算比較后發(fā)現(xiàn)當(dāng)灰色神經(jīng)網(wǎng)絡(luò)直接輸出模型拓?fù)浣Y(jié)構(gòu)為2-5-1時(shí)誤差最小。取1—46組數(shù)據(jù)作為樣本數(shù)據(jù)，將47—51組數(shù)據(jù)作為測(cè)試數(shù)據(jù)，灰色神經(jīng)網(wǎng)絡(luò)直接輸出模型2-5-1結(jié)構(gòu)預(yù)測(cè)結(jié)果與誤差見(jiàn)表6，其平均誤差為32.6349%。
11.jpg
為了進(jìn)一步降低誤差，將SCR催化劑活性影響因素也作為灰色神經(jīng)網(wǎng)絡(luò)直接輸出模型的輸入變量對(duì)模型進(jìn)行優(yōu)化。即輸入變量包括灰色預(yù)測(cè)殘差和機(jī)組負(fù)荷、脫硝效率、煙溫、煙氣量、時(shí)間、FGD出口NOx質(zhì)量濃度、噴氨量、煤中硫質(zhì)量濃度、砷質(zhì)量濃度。經(jīng)過(guò)計(jì)算比較后發(fā)現(xiàn)當(dāng)灰色神經(jīng)網(wǎng)絡(luò)直接輸出模型拓?fù)浣Y(jié)構(gòu)為10-2-1時(shí)誤差最小。取1—46組數(shù)據(jù)作為樣本數(shù)據(jù)，將47—51組數(shù)據(jù)作為測(cè)試數(shù)據(jù)，預(yù)測(cè)結(jié)果與誤差見(jiàn)表7，其平均誤差為15.3916%。
12.jpg
3.5不同預(yù)測(cè)方法分析比較
上述預(yù)測(cè)模型計(jì)算結(jié)果見(jiàn)表8，對(duì)比可知灰色神經(jīng)網(wǎng)絡(luò)中優(yōu)化后的直接輸出模型預(yù)測(cè)誤差最小。為了進(jìn)一步驗(yàn)證該結(jié)論，本文對(duì)在役電廠(chǎng)2、3、4、5的數(shù)據(jù)進(jìn)行預(yù)處理后用同樣的方法進(jìn)行預(yù)測(cè)，比較其預(yù)測(cè)誤差，結(jié)果見(jiàn)表9。分析表9發(fā)現(xiàn)，灰色神經(jīng)網(wǎng)絡(luò)中優(yōu)化后直接輸出模型的SCR催化劑活性誤差最小。因此，在燃煤電廠(chǎng)實(shí)際運(yùn)行過(guò)程中，當(dāng)數(shù)據(jù)滿(mǎn)足等時(shí)距特性時(shí)，可將灰色神經(jīng)網(wǎng)絡(luò)中的直接輸出模型（優(yōu)化后）作為SCR催化劑的壽命預(yù)測(cè)模型。
13.jpg
3.6預(yù)測(cè)方法優(yōu)化
在采用上述幾種同樣的模型進(jìn)行SCR催化劑活性預(yù)測(cè)時(shí)，電廠(chǎng)1的預(yù)測(cè)誤差最大。為了降低其預(yù)測(cè)誤差，將數(shù)據(jù)預(yù)處理改為由煙氣量作為標(biāo)準(zhǔn)對(duì)數(shù)據(jù)進(jìn)行篩選的方法。電廠(chǎng)1的原始數(shù)據(jù)中煙氣量變化范圍為527.8~1564.5km3/h（標(biāo)準(zhǔn)狀態(tài)，下同），以煙氣量在1000~1021km3/h范圍內(nèi)為標(biāo)準(zhǔn)，篩選后共得到70組數(shù)據(jù)。這些數(shù)據(jù)樣本不再具有等時(shí)距特性，不滿(mǎn)足灰色神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型的使用條件，故使用BP神經(jīng)網(wǎng)絡(luò)進(jìn)行預(yù)測(cè)。將1—65組數(shù)據(jù)作為訓(xùn)練樣本，66—70組作為預(yù)測(cè)樣本，BP神經(jīng)網(wǎng)絡(luò)SCR催化劑活性預(yù)測(cè)結(jié)果與誤差見(jiàn)表10。
14.jpg
比較表8和表10，以煙氣量為標(biāo)準(zhǔn)進(jìn)行篩選后使用BP神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)的誤差顯著降低，改進(jìn)后的平均誤差僅為2.1819%。
4結(jié)論
1）針對(duì)燃煤電廠(chǎng)實(shí)際運(yùn)行數(shù)據(jù)十分繁雜的特點(diǎn)，首先對(duì)數(shù)據(jù)進(jìn)行預(yù)處理，然后使用曲線(xiàn)擬合、灰色預(yù)測(cè)、BP神經(jīng)網(wǎng)絡(luò)、灰色神經(jīng)網(wǎng)絡(luò)4種模型進(jìn)行SCR催化劑活性預(yù)測(cè)。比較發(fā)現(xiàn)，當(dāng)數(shù)據(jù)滿(mǎn)足等時(shí)距特性時(shí)，灰色神經(jīng)網(wǎng)絡(luò)直接輸出模型（優(yōu)化后）的預(yù)測(cè)誤差最小，準(zhǔn)確度更高。
2）對(duì)于煙氣參數(shù)尤其是煙氣量波動(dòng)較大的在役電廠(chǎng)，先以煙氣量為標(biāo)準(zhǔn)對(duì)數(shù)據(jù)進(jìn)行篩選，再使用BP神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)方法，這樣可進(jìn)一步降低SCR催化劑活性預(yù)測(cè)誤差，提高預(yù)測(cè)精度。
