循环流化床锅炉氮氧化物浓度预测方法、装置及设备制造方法及图纸

本发明专利技术涉及智能控制领域，其实施方式提供了一种循环流化床锅炉氮氧化物浓度预测方法、装置及设备。其中一种循环流化床锅炉氮氧化物浓度预测方法，包括：采用已训练好的神经网络对氮氧化物浓度进行预测，所述已训练好的神经网络采用以下步骤得到：确定神经网络的结构和初始参数以及粒子群的初始参数；采用自适应变异粒子群优化算法和自适应变异遗传算法更新所述粒子群，以获取终止条件下的最优解；根据所述最优解确定所述神经网络的参数。本发明专利技术提供的实施方式提高了氮氧化物浓度预测模型的预测精度，提升了排放浓度的控制效率。提升了排放浓度的控制效率。提升了排放浓度的控制效率。

【技术实现步骤摘要】
循环流化床锅炉氮氧化物浓度预测方法、装置及设备


[0001]本专利技术涉及智能控制领域，具体地涉及一种循环流化床锅炉氮氧化物浓度预测方法、一种循环流化床锅炉氮氧化物浓度预测装置、一种循环流化床锅炉氮氧化物浓度预测设备以及一种计算机可读存储介质。

技术介绍

[0002]在锅炉NOx排放标定期间，NOx测点所获得的NOx数据不准，需要对NOx的排放值进行预测控制，以避免NOx排放超标。
[0003]影响制约NOx浓度的变量错综复杂，因而给NOx浓度预测带来一定困难。常见的预测方法包括非线性回归法、时间序态空间模型等。一些新近提出来的预测方法包括支持向量机法、灰色系统预测法、BP神经网络预测、景气预测法等。其中，BP神经网络算法因其强大的自组织学习非线性映射特性，在NO
x
浓度模型预测上应用较广，适用于中长期的预测。但BP神经网络的收敛速度缓慢，且容易进入局部最优，其预测精度不够高。

技术实现思路

[0004]本专利技术实施例的目的是提供一种循环流化床锅炉氮氧化物浓度预测方法、装置及设备，用于对循环流化床锅炉氮氧化物浓度值的控制，主要解决目前循环流化床锅炉氮氧化物浓度容易超标以及预测模型不精准的问题。
[0005]为了实现上述目的，本专利技术的第一方面提供了一种循环流化床锅炉氮氧化物浓度预测方法，包括采用已训练好的神经网络对氮氧化物浓度进行预测，所述已训练好的神经网络采用以下步骤得到：确定神经网络的结构和初始参数以及粒子群的初始参数；采用自适应变异粒子群优化算法和自适应变异遗传算法更新所述粒子群，以获取终止条件下的最优解；根据所述最优解确定所述神经网络的参数。
[0006]优选的，确定神经网络的结构和初始参数以及粒子群初始参数，包括：神经网络的结构为三层结构的前向传播神经网络；神经网络的初始参数包括：神经网络中各层的神经元节点数和神经网络中各层之间的传递函数；粒子群初始参数包括：粒子群的规模和维数，每个粒子的速度向量和位置向量，以及适应度函数。
[0007]优选的，采用自适应变异遗传算法和自适应变异粒子群优化算法更新所述粒子群初始参数，包括：至少完成一次以下循环：以所述自适应变异粒子群优化算法中的粒子更新规则得到第一代粒子群；以所述自适应变异遗传算法从得到所述第一代粒子群得到新的粒子群。
[0008]优选的，所述方法还包括对所述粒子更新规则进行更新的步骤：计算所述自适应变异遗传算法得到的粒子群的变异概率，基于所述变异概率确定是否通过以下规则更新所述粒子更新规则中的惯性权重：
[0009][0010]其中，t是当前迭代次数，T是最大迭代次数；ω为更新后惯性权重，ω
max
为惯性权重最大值，ω
min
惯性权重最小值。
[0011]优选的，计算所述自适应变异遗传算法得到的粒子群的变异概率，包括：
[0012][0013]其中，G
m
为变异概率，k取[0.1，0.3]之间的任意数，σ2为适应值方差，为设定的适应值方差阈值，p
g
为个体极值，f
d
为期望最优解。
[0014]优选的，所述粒子更新规则包括：
[0015][0016]其中，x
i
为第i个粒子的位置，v
i
为第i个粒子的速度，c1、c2为惯性因子和学习因子，也称加速常数，反映粒子间信息交换的强度，通常取c1＝c2＝2，r1、r2为[0，1]范围内的均匀随机数，p
i
为第i个粒子迄今为止搜索到的最优位置，即个体极值；p
g
为整个粒子群迄今为止搜索到的最优位置，即全局极值，w为惯性权重。
[0017]优选的，以所述自适应变异遗传算法从得到所述第一代粒子群得到新的粒子群，包括：对所述第一代粒子群进行自适应交叉与自适应变异得到第二代粒子群，两两比较所述第一代粒子群与所述第二代粒子群的对应粒子i，将适应度最优的粒子i复制到第三代粒子群；以所述第三代粒子群作为所述新的粒子群。
[0018]优选的，所述终止条件包括：自适应变异遗传算法至少完成一次计算，满足预设的循环次数以及跟新后重新计算的适应度不大于预设阈值。
[0019]在本专利技术的第二方面，还提供了一种循环流化床锅炉氮氧化物浓度预测装置，包括：预测模型模块，用于采用已训练好的神经网络对氮氧化物浓度进行预测，还包括网络构建模块，所述网络构建模块用于得到已训练好的神经网络，包括：初始构建模块，用于确定神经网络的结构和初始参数以及粒子群初始参数；参数优化模块，用于采用自适应变异遗传算法和自适应变异粒子群优化算法更新所述粒子群初始参数，以获取终止条件下的最优解；以及参数确定模块，用于根据所述最优解确定所述神经网络的参数。
[0020]在本专利技术的第三方面，还提供了一种循环流化床锅炉氮氧化物浓度预测设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现前述的循环流化床锅炉氮氧化物浓度预测方法的步骤。
[0021]在本专利技术的第四方面，还提供了一种计算机可读存储介质，所述存储介质中存储有指令，当其在计算机上运行时，使得计算机执行前述的循环流化床锅炉氮氧化物浓度预测方法的步骤。
[0022]本专利技术的第五方面提供一种计算机程序产品，包括计算机程序，该计算机程序在被处理器执行时实现前述的循环流化床锅炉氮氧化物浓度预测方法。
[0023]上述技术方案至少具有以下有益效果：
[0024]本专利技术实施方式所提供的循环流化床锅炉脱硝建模方法，采用了GA
‑
AMPSO(自适应变异的粒子群优化)
‑
BP算法来改善BP神经网络的不足，以提高NO
x
浓度的预测精度。通过
对比真实值和预测值，实施方式中的建模方法预测值更接近于真实值，表明了该模型在氮氧化物浓度预测上的可用性，为后续脱硝控制奠定数据基础，实现低氮排放。
[0025]本专利技术实施例的其它特征和优点将在随后的具体实施方式部分予以详细说明。
附图说明
[0026]附图是用来提供对本专利技术实施例的进一步理解，并且构成说明书的一部分，与下面的具体实施方式一起用于解释本专利技术实施例，但并不构成对本专利技术实施例的限制。在附图中：
[0027]图1示意性示出了根据本专利技术实施方式的循环流化床锅炉氮氧化物浓度预测方法的实施示意图；
[0028]图2示意性示出了根据本专利技术实施方式的三层前向传播神经网络结构示意图；
[0029]图3示意性示出了根据本专利技术实施方式的已训练好的神经网络的使用示意图；
[0030]图4示意性示出了根据本专利技术实施方式的循环流化床锅炉氮氧化物浓度预测方法的步骤示意图；
[0031]图5示意性示出了根据本专利技术实施方式的循环流化床锅炉氮氧化物浓度预测装置的结构示意图。
具体实施方式
[0032]以下结合附图对本专利技术实施例的具体实施本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种循环流化床锅炉氮氧化物浓度预测方法，包括采用已训练好的神经网络对氮氧化物浓度进行预测，其特征在于，所述已训练好的神经网络采用以下步骤得到：确定神经网络的结构和初始参数以及粒子群的初始参数；采用自适应变异粒子群优化算法和自适应变异遗传算法更新所述粒子群，以获取终止条件下的最优解；根据所述最优解确定所述神经网络的参数。2.根据权利要求1所述的方法，其特征在于，所述神经网络的结构为三层结构的前向传播神经网络；神经网络的初始参数包括：神经网络中各层的神经元节点数和神经网络中各层之间的传递函数；粒子群初始参数包括：粒子群的规模和维数、每个粒子的速度向量和位置向量以及适应度函数。3.根据权利要求2所述的方法，其特征在于，采用自适应变异粒子群优化算法和自适应变异遗传算法更新所述粒子群，包括：至少完成一次以下循环：以所述自适应变异粒子群优化算法中的粒子更新规则得到第一代粒子群；以所述自适应变异遗传算法从第一代粒子群得到新的粒子群。4.根据权利要求3所述的方法，其特征在于，所述方法还包括：对所述粒子更新规则进行更新，包括：计算所述自适应变异遗传算法中的粒子群的变异概率；基于所述变异概率确定是否通过以下规则更新所述粒子更新规则中的惯性权重：其中，t是当前迭代次数，T是最大迭代次数；ω为更新后惯性权重，ω
max
为惯性权重最大值，ω
min
惯性权重最小值。5.根据权利要求4所述的方法，其特征在于，计算所述自适应变异遗传算法中的粒子群的变异概率，包括：其中，G
m
为变异概率，k取[0.1，0.3]之间的任意数，σ2为适应值方差，为设定的适应值方差阈值，p
g
为个体极值，f
d
为期望最优解。6.根据权利要求3所述的方法，其特征在于，所述粒子更新规则包括：其中，x<...

【专利技术属性】
技术研发人员：范晓静，杨春振，崔晓波，
申请(专利权)人：南京工程学院，
类型：发明
国别省市：