《電子技術(shù)應(yīng)用》
您所在的位置：首頁 > 模拟设计 > 设计应用 > 基于LSTM的湿法烟气脱硫浆液pH值建模
基于LSTM的湿法烟气脱硫浆液pH值建模
《信息技术与网络安全》2020年第8期
金秀章，景 昊
华北电力大学 控制与计算机工程学院，河北 保定071003
摘要： 针对燃煤电厂湿式石灰石-石膏湿法烟气脱硫(WFGD)过程中浆液pH值测量时间长，不利于WFGD作业的问题，建立高精度的浆液pH值模型。基于深度学习的框架，利用长短期记忆神经网络(LSTM）算法对时间序列处理上的优越性进行建模，该模型具有良好的精确度和泛化能力。将燃煤机组实际运行数据中与浆液pH值变化相关的变量作为模型的辅助变量，建立基于LSTM神经网络的浆液pH值预测模型。对模型进行仿真验证，并分别与BP神经网络模型和最小二乘支持向量机(LSSVM)模型比较，结果表明LSTM神经网络模型的预测精度最高，验证了LSTM神经网络在工业建模中的优良性能。
中圖分類號： TK39；TP183
文獻標(biāo)識碼： A
DOI： 10.19358/j.issn.2096-5133.2020.08.012
引用格式： 金秀章，景昊. 基于LSTM的濕法煙氣脫硫漿液pH值建模[J].信息技術(shù)與網(wǎng)絡(luò)安全，2020，39(8)：62-66.
Modeling of pH value of wet flue gas desulfurization slurry based on LSTM
Jin Xiuzhang，Jing Hao
School of Control and Computer Engineering，North China Electric Power University，Baoding 071003，China
Abstract： Aiming at the problem that the measurement time of slurry pH in wet limestone-gypsum wet flue gas desulfurization(WFGD) process in coal-fired power plants is long, which is not conducive to WFGD operation, a high-precision slurry pH model was established.Therefore, based on the framework of deep learning, the long-term and short-term memory neural network(LSTM) algorithm was used to model the superiority of time series processing.The model has good accuracy and generalization ability.The slurry pH prediction model based on LSTM neural network was established by using variables related to slurry pH changes in actual operating data of coal-fired units as the auxiliary variables of the model.The model was simulated and verified,and compared with the BP neural network model and the least square support vector machine(LSSVM) model.The results show that the LSTM neural network model has the highest prediction accuracy, which verifies the excellent performance of the LSTM neural network in industrial modeling.
Key words : slurry pH prediction；long and short-term memory network(LSTM)；wet limestone-gypsum wet flue gas desulfurization(WFGD)；time series



          目前燃煤電廠的SO2排放量已經(jīng)超過了SO2排放總量的一半，并且呈現(xiàn)逐年遞增的趨勢。我國先后頒布的《火電廠大氣污染物排放標(biāo)準(zhǔn)》和《煤電節(jié)能減排升級與改造行動計劃（2014—2020年）》等一系列政策法規(guī)，明確指出火電廠的SO2排放濃度必須控制在35 mg/m3以下。石灰石-石膏濕法煙氣脫硫技術(shù)(WFGD)是目前最有效的燃煤機組SO2控制技術(shù)之一。WFGD工藝中漿液pH值是決定煙氣脫硫效率的關(guān)鍵參數(shù)，因此pH值的測量需要迅速、準(zhǔn)確。

         在WFGD現(xiàn)場測量時由于環(huán)境惡劣，且pH值變化具有較大的慣性，導(dǎo)致測量時長較大，無法及時得到漿液pH值的準(zhǔn)確值，對于脫硫作業(yè)十分不利。因此需要對漿液pH值進行預(yù)測。

         pH值測量作為非線性系統(tǒng)一直是研究熱點。利用燃煤機組的運行數(shù)據(jù)，再結(jié)合機理分析，采用實驗建模的方法可以辨識出精確合理的系統(tǒng)模型。文獻[5]和文獻[6]把神經(jīng)網(wǎng)絡(luò)等自適應(yīng)模糊系統(tǒng)用于pH中和過程。BP神經(jīng)網(wǎng)絡(luò)、RBF神經(jīng)網(wǎng)絡(luò)、Elman神經(jīng)網(wǎng)絡(luò)等方法是pH值建模的典型方法,但上述算法本身在時間序列的處理上并沒有突出的優(yōu)勢。

         隨著技術(shù)的進步，深度學(xué)習(xí)、遞歸神經(jīng)網(wǎng)絡(luò)、卷積神經(jīng)網(wǎng)絡(luò)等也在pH值建模得到應(yīng)用。LSTM神經(jīng)網(wǎng)絡(luò)，注重數(shù)據(jù)間的時間特性，在大遲延時間序列預(yù)測中具有突出優(yōu)勢。LSTM神經(jīng)網(wǎng)絡(luò)的特點在于發(fā)現(xiàn)當(dāng)前時刻數(shù)據(jù)與之前數(shù)據(jù)間的聯(lián)系，利用本身具有的記憶能力，將之前數(shù)據(jù)的狀態(tài)進行保存，同時根據(jù)保存的信息影響后續(xù)的預(yù)測值及變化趨勢。

         因此，本文提出一種基于LSTM神經(jīng)網(wǎng)絡(luò)的pH值預(yù)測模型。以某600 MW機組為研究對象，使用機組實際運行數(shù)據(jù)，經(jīng)過機理和相關(guān)性分析，確定pH值模型的輔助變量，建立高精度的pH值預(yù)測模型。


本文詳細(xì)內(nèi)容請下載：http://ihrv.cn/resource/share/2000003249

作者信息：

金秀章，景  昊

(華北電力大學(xué) 控制與計算機工程學(xué)院，河北 保定071003)


此內(nèi)容為AET網(wǎng)站原創(chuàng)，未經(jīng)授權(quán)禁止轉(zhuǎn)載。