基于特征优化和改进长短期记忆神经网络的NOx质量浓度预测

针对燃煤机组选择性催化还原（SCR）烟气脱硝系统中入口NOx质量浓度难以准确测量的问题,提出一种基于特征优化和改进长短期记忆（LSTM）神经网络的预测模型。首先,通过机理分析确定与NOx排放有关的辅助变量,利用互信息计算各辅助变量与输出变量NOx质量浓度之间的延迟时间。通过最大相关最小冗余算法（mRMR）确定辅助变量最优特征子集,利用RBF神经网络对各个特征子集进行预测误差比较,确定模型输入变量。通过网格搜索和改进粒子群（MPSO）算法确定LSTM神经网络的超参数,建立NOx质量浓度预测模型。仿真结果表明,特征优化后的辅助变量提高了模型的泛化能力,采用具有记忆功能的LSTM神经网络提高了模型预测精度。     

基于主导因素分析的SCR烟气脱硝系统喷氨量控制

针对目前选择性催化还原(SCR)烟气脱硝控制系统中存在喷氨量控制不精确、大滞后等问题,分析了影响喷氨量控制效果的主要原因,通过对反应器入口NOx质量浓度进行主导因素分析,确定影响反应器入口NOx质量浓度的主要因素,在此基础上建立了反应器入口NO_x质量浓度的预测模型,并将其应用于烟气脱硝系统喷氨量控制。应用结果表明:通过主导因素分析确定的运行参数能够提前预测反应器入口NOx质量浓度的变化;改进后SCR烟气脱硝系统喷氨量控制效果良好;当脱硝反应器入口NO_x质量浓度发生较大波动时,反应器出口NOx质量浓度与设定值最大偏差不超过5mg/m3。     

燃煤锅炉高效低NO_x协同优化系统开发及应用

为了达到大气污染物近零排放标准,大型燃煤发电机组NO_x排放质量浓度需低于35 mg/m3。在当前工程实践中应用最广泛的锅炉低氮燃烧(LNB)与选择性催化还原(SCR)综合脱硝技术存在协调问题,很难同时实现机组LNB与SCR脱硝的安全、环保、经济运行。为此,本文建立了燃煤锅炉LNB运行调整与SCR脱硝协同模型,采用改进的BP神经网络建立锅炉燃烧系统模型,利用改进的最小二乘支持向量机建立SCR脱硝系统模型,并进一步开展了机组高效低NO_x调节与优化分析,开发了燃煤锅炉高效低NO_x协同优化系统。在某机组的实际应用结果表明,该协同优化系统可在任何工况下实时指导运行人员调整机组运行参数,确保机组安全、环保、经济运行。     

离散粒子群寻优径向基神经网络模型在脱硝控制中应用

提出了一种选择性催化还原(SCR)烟气脱硝预测控制方法,该方法采用粒子群寻优的径向基(RBF)神经网络预测SCR脱硝系统入口NOx质量浓度,将整体寻优空间离散化,通过采用节点寻优并结合最速梯度方法重构寻优模型,同时将该RBF神经网络预测结果引入脱硝控制策略,应用到火电机组的喷氨控制。在某350 MW机组实际应用结果表明,该神经网络模型不仅能实现喷氨自动控制,而且能提高喷氨系统控制精度。     

基于门控循环单元神经网络的燃煤电厂脱硝系统建模研究

采用某燃煤电厂1 000 MW机组实际运行数据,通过机理分析SCR出口NOX浓度与脱硝效率的各主要影响因素,使用门控循环单元神经网络建立SCR出口NOX浓度和脱硝效率预测模型。预测结果表明建立的SCR出口NOX浓度和脱硝效率预测模型的精度高于传统的RBF、LSSVM、RNN和LSTM模型,分别达到99.52%和99.63%。     

600MW机组烟气脱硝系统NOx多点取样试验研究

为了解决单点取样测量不能准确反映实际烟气NOx排放量及提高氨气喷射调节阀自动调节品质的问题,基于SCR脱硝基本原理,提出了烟气NOx多点取样测量方法,并结合现场实际应用进行分析。结果表明:NOx多点取样测量方法能够提高SCR脱硝系统出口NOx测量的准确性和快速性,并有效解决了锅炉烟气NOx测量倒挂问题(即脱硫系统出口烟气NOx质量浓度大于脱硝系统出口烟气NOx质量浓度),优化了SCR脱硝系统在锅炉变负荷时的跟踪调节效果。     

金湾电厂燃煤锅炉降低NO_x排放运行调整

提高SCR投入率,降低SCR入口NOx排放浓度,使锅炉NOx排放满足小于100 mg/m3的最新国家环保要求。通过分析影响金湾电厂锅炉NOx排放的主要因素,制定了降低喷氨温度运行,锅炉降NOx燃烧调整,燃煤掺烧和减少省煤器吹灰次数等调整措施。调整措施实施后,SCR连续喷氨负荷由450 MW降至300 MW,脱硝投入率达90%,锅炉NOx排放月平均浓度和小时平均浓度分别小于100 mg/m3和300 mg/m3,满足国家环保要求。     

基于GA-ELM的SCR脱硝系统动态建模

针对燃煤机组SCR脱硝出口NOx质量浓度的预测问题,本文提出了一种将极限学习机(ELM)与遗传算法(GA)相结合的SCR脱硝系统动态建模方法。为避免ELM受输入权值矩阵和隐含层偏差随机性的影响,采用GA对ELM的输入层权值和隐含层偏差进行优化,建立了基于GA-ELM的SCR脱硝系统模型。采用某燃煤机组SCR脱硝系统的实际运行数据对GA-ELM模型进行验证,并与最小二乘支持向量机(LSSVM)模型和ELM模型的预测结果进行对比。结果表明,GA-ELM模型的预测精度和泛化能力最佳,可以有效预估SCR脱硝出口NOx质量浓度。     

SCR脱硝技术在3033t/h锅炉上的应用和改进

介绍选择性催化还原法(SCR)烟气脱硝系统在3 033t/h锅炉上的应用情况,分析了SCR脱硝技术在运行中存在的问题;针对SCR脱硝系统降低NOx排放质量浓度和减少氨逃逸量和喷氨量,提出了一系列改造措施,取得了较好的效果,降低了NOx对环境的污染,保证了SCR脱硝系统安全稳定运行。     

600 MW锅炉氮氧化物整体控制实践

燃煤电厂是NOx生成排放的主要来源之一,分析某600 MW燃煤锅炉面临的NOx排放浓度高、脱硝装置投入率低和SCR装置NOx浓度分布均匀差等问题。针对NOx排放浓度高,进行低氮燃烧器改造;针对脱硝装置投入率低,采取燃烧调整和有控制的脱硝低温运行;针对SCR装置NOx浓度分布均匀差,进行脱硝AIG氨喷射系统优化调整。通过调整与改造将锅炉NOx排放浓度由450～650 mg/m3降低到280 mg/m3,脱硝装置投入率由55%提高到99.5%,提高了SCR装置NOx浓度分布均匀性和3%的脱硝效率,实践证明有控制的脱硝低温运行是可行的。     

电站锅炉燃烧系统的神经网络建模

提高锅炉运行效率,降低烟气NOx的排放是电站锅炉燃烧优化的主要目标,而燃烧特性模型是燃烧优化的核心.基于某电站锅炉燃烧系统的稳态试验数据,通过对锅炉系统模型结构的分析,应用人工神经网络建立了NOx排放量和锅炉效率的预测模型,实现了其飞灰舍碳量、排烟温度、炉膛温度、NOx排放量等参数的软测量和锅炉效率的预测,为锅炉燃烧优化奠定了基础.     

基于Dropout优化算法和LSTM的铅酸蓄电池容量预测

针对变电站铅酸蓄电池容量预测模型存在的预测准确率低、泛化能力差等问题,提出一种基于Dropout优化算法和长短期记忆LSTM（long short-term memory）神经网络相结合的容量预测模型。该模型以LSTM神经网络为基础,结合变电站蓄电池充放电特性,将长时间跨度的蓄电池运行数据作为模型的输入,建立多层级LSTM预测模型来提升预测结果的准确率。同时基于Dropout优化算法完成LSTM预测模型的训练,提升模型的泛化能力。工程实际应用表明,相较于传统的LSTM神经网络和BP神经网络,改进模型在长时间跨度预测时具有更高的准确率和更好的泛化能力。     

大型电站锅炉混煤掺烧的NOx排放特性预测与运行优化

在某700 MW四角切圆燃煤电站锅炉的NOx排放特性及锅炉效率多工况热态测试的基础上,应用人工神经网络建立大型四角切圆电站锅炉NOx特性及锅炉效率模型并进行预测,检验样本NOx排放浓度和锅炉效率预测值与实测值的平均相对误差分别为3.63%和0.23%,证实模型的可行性。并在此基础上,结合遗传算法对锅炉运行参数进行优化。优化后NOx排放浓度为421.44、255.05和215.40 mg×m-3,分别降低了37.56%、29.43%和30.56%;锅炉效率为94.56%、94.13%和94.80%,分别提高了0.09%、0.42%和0.88%。该模型可在掺烧非设计煤种情况下寻找出最优运行参数,降低锅炉NOx排放浓度并提高锅炉效率;同时随掺混比的增大,NOx排放浓度降低;掺烧D磨和E磨有利于降低NOx。     

基于改进CNN-LSTM的电力系统宽频振荡辨识

宽频振荡的强非线性和强时变性会导致参数准确辨识困难,提出了改进CNN-LSTM神经网络的参数辨识方法。首先,采用卷积神经网络（CNN）提取输入的宽频振荡信号的振荡特征,并通过Softmax分类器输出振荡模态数量。然后,根据模态数量对长短期记忆网络（LSTM）辨识的模态个数进行定阶;同时,通过对CNN输出矩阵进行1×1卷积运算替代LSTM中的矩阵乘法,实现LSTM模型对高维输入的可行性。最后,以卷积运算结果作为LSTM的输入,辨识振荡频率和衰减因子。实测数据分析结果证明改进的CNN-LSTM对宽频振荡的频率和衰减因子都具有较高的辨识精度,在处理宽频振荡频率漂移现象和衰减因子突变等问题上有突出的优势。     

基于CNN-LSTM混合神经网络模型的短期负荷预测方法

为了更好地挖掘海量数据中蕴含的有效信息,提高短期负荷预测精度,针对负荷数据时序性和非线性的特点,提出了一种基于卷积神经网络(CNN)和长短期记忆(LSTM)网络的混合模型短期负荷预测方法,将海量的历史负荷数据、气象数据、日期信息以及峰谷电价数据按时间滑动窗口构造连续特征图作为输入,先采用CNN提取特征向量,将特征向量以时序序列方式构造并作为LSTM网络输入数据,再采用LSTM网络进行短期负荷预测。使用所提方法对江苏省某地区电力负荷数据进行预测实验,实验结果表明,文中所提出的预测方法比传统负荷预测方法、随机森林模型负荷预测模型方法和标准LSTM网络负荷预测方法具有更高的预测精度。     

基于LSTM网络的变压器油中溶解气体浓度预测

电力变压器作为电力系统中传输和变换电能的主要设备,其安全稳定性运行在电网中起着重要的作用。对变压器油中溶解气体浓度变化的趋势进行预测,可为其运行状态评估提供重要依据,鉴于此提出了一种基于长短期记忆网络(LSTM)的变压器油中溶解气体浓度预测模型。该模型克服了传统神经网络在序列预测方面存在的"梯度消散"问题,利用油中溶解气体的序列数据对长短期记忆网络进行训练,得到最优的预测模型参数。以变压器油中溶解的7种特征气体浓度为输入,以待预测气体的浓度为输出。通过算例分析表明,相比于传统的机器学习预测方法支持向量机(support vector machine, SVM)与反向传播神经网络(back propagation neural network,BPNN),本文所提的LSTM预测模型更能准确地预测油中溶解气体的浓度。     

SNCR+SCR烟气联合脱硝工艺在电站锅炉中的应用

简述了选择性非催化还原（SNCR）+选择性催化还原（SCR）烟气联合脱硝技术原理,针对某电厂5号机组（装机容量130 MW）氮氧化物（NOx）排放超标问题,通过CFD数值模拟,制定了SNCR+SCR烟气联合脱硝工艺。首先采用低氮燃烧技术,将锅炉NOx排放控制在350 mg/m3以下,并且保证SNCR区域较低CO浓度;其次采用SNCR技术,将SCR脱硝装置前NOx质量浓度控制在200 mg/m3以下;最后采用SCR技术,将锅炉出口烟气NOx质量浓度控制在90 mg/m3以下,实现了重点地区NOx达标排放。     

电厂燃煤锅炉NOx排放计算模型的建立

抛弃了传统的建立在湍流模型和气固两相流模型基础上的NOx排放质量浓度计算方法，运用统计学的方法，建立了NOx排放质量浓度的多元回归计算模型。模型的建立是从锅炉运行因素出发，通过分析各种运行因素对锅炉效率和NOx排放质量浓度的影响，归纳出影响锅炉效率和NOx排放质量浓度的综合性影响因素——炉内风分配，并将其量化，从而建立起锅炉NOx排放质量浓度的多元回归计算模型。通过此模型可由各运行因素预测锅炉的NOx排放质量浓度。以此模型为基础可开发出应用于切圆燃烧煤粉锅炉的“NOx排放优化运行与在线监测软件”，在线指导运行人员优化燃烧，实现高效低NOx燃烧运行。该模型是针对某一特定锅炉建立的，但其建立方法对各种四角切圆燃烧锅炉具有普遍意义。     

基于注意力机制的卷积神经网络-长短期记忆网络的短期风电功率预测

为了提高风电功率的预测精度,针对风电数据间歇性与时序性的特点,提出了一种基于注意力机制的卷积神经网络-长短期记忆(convolutional neural networks-long short-term memory,CNN-LSTM)网络预测模型.首先利用CNN提取风电数据动态变化的多维特征,然后将特征向量构造成时...