文獻(xiàn)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.
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(jī)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(jìn)行預(yù)測。
pH值測量作為非線性系統(tǒng)一直是研究熱點(diǎn)。利用燃煤機(jī)組的運(yùn)行數(shù)據(jù),再結(jié)合機(jī)理分析,采用實(shí)驗(yàn)建模的方法可以辨識出精確合理的系統(tǒng)模型。文獻(xiàn)[5]和文獻(xiàn)[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(jìn)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(diǎn)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(jìn)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(jī)組為研究對象,使用機(jī)組實(shí)際運(yùn)行數(shù)據(jù),經(jīng)過機(jī)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(jī)工程學(xué)院,河北 保定071003)