基于粒子群优化的双向门控循环神经网络燃煤电厂NOx排放预测

针对燃煤电厂NOx排放的预测问题,提出了基于粒子群优化算法和双向门控循环（PSO-Bi- GRU）神经网络的NOx排放预测模型。通过主成分分析对影响NOx排放的运行参数进行降维,消除变量间的耦合;基于双向门控循环神经网络学习NOx排放的非线性特性和前后时序信息,提高特征提取能力;采用粒子群算法对Bi-GRU神经网络模型进行超参数寻优,使网络结构最大程度匹配影响NOx排放的变量特征,克服依靠经验选取或手动调节参数而导致预测精度低的问题。最后基于某电厂660 MW机组燃煤锅炉运行参数,建立NOx排放预测模型,并与单向门控循环神经网络、传统Bi-GRU神经网络预测模型进行对比。仿真结果表明,PSO-Bi-GRU神经网络模型预测效果最好,其平均绝对误差、平均绝对百分误差、均方根误差均最小,验证了本文所提PSO-Bi-GRU神经网络NOx排放预测模型的有效性。     

基于变量选择的深度置信神经网络锅炉烟气NOx排放预测

准确预测NOx排放量有利于降低选择性催化还原（SCR）烟气脱硝成本,优化锅炉燃烧过程。本文利用偏最小二乘法（PLS）对燃煤锅炉实际数据进行变量重要性投影分析,得到变量重要性投影指标Vip,以Vip为依据对原始变量进行排序,将20项最优变量子集作为深度置信神经网络（DBN）的输入,得到NOx排放预测的PLS-DBN模型,并将PLS-DBN模型与最小二乘支持向量机（LSSVM）、DBN、误差反向传播神经网络（BPNN）模型用于某660 MW机组锅炉的3 000组训练集及500组预测集进行测试对比。结果表明:PLS-DBN模型训练集和测试集的预测误差均较小,且在训练集和测试集上均方根误差不大于2%的预测准确率分别为0.940和0.714,预测准确率最高;表明PLS-DBN模型比其他3种NOx预测模型具有更高的预测精度和模型泛化能力。     

基于随机子空间的集成深度信念网络算法

燃煤电站的NO_x排放是造成大气污染的主因之一,准确测定SCR入口处的NO_x浓度对控制NO_x排放具有重要意义。针对燃煤过程中的高维参数变量,提出基于随机子空间的集成深度信念网络预测算法。利用偏最小二乘法对现场数据进行特征提取并计算方差解释度;根据方差解释度进行随机子空间划分,建立输入样本在不同方向上的投影子空间,在各个子空间训练相同结构的基学习器;最后,通过BP神经网络进行集成。以660 MW超超临界直流燃煤锅炉为研究对象,进行仿真实验,结果与常用NO_x排放预测模型进行对比,表明所提预测模型有良好的提升效果。