《電子技術應用》
您所在的位置：首頁 > 模擬設計 > 設計應用 > 基于LSTM的濕法煙氣脫硫漿液pH值建模
基于LSTM的濕法煙氣脫硫漿液pH值建模
《信息技術與網絡安全》2020年第8期
金秀章，景 昊
華北電力大學 控制與計算機工程學院，河北 保定071003
摘要： 針對燃煤電廠濕式石灰石-石膏濕法煙氣脫硫(WFGD)過程中漿液pH值測量時間長，不利于WFGD作業(yè)的問題，建立高精度的漿液pH值模型。基于深度學習的框架，利用長短期記憶神經網絡(LSTM）算法對時間序列處理上的優(yōu)越性進行建模，該模型具有良好的精確度和泛化能力。將燃煤機組實際運行數據中與漿液pH值變化相關的變量作為模型的輔助變量，建立基于LSTM神經網絡的漿液pH值預測模型。對模型進行仿真驗證，并分別與BP神經網絡模型和最小二乘支持向量機(LSSVM)模型比較，結果表明LSTM神經網絡模型的預測精度最高，驗證了LSTM神經網絡在工業(yè)建模中的優(yōu)良性能。
中圖分類號： TK39；TP183
文獻標識碼： 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].信息技術與網絡安全，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排放量已經超過了SO2排放總量的一半，并且呈現逐年遞增的趨勢。我國先后頒布的《火電廠大氣污染物排放標準》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(WFGD)是目前最有效的燃煤機組SO2控制技術之一。WFGD工藝中漿液pH值是決定煙氣脫硫效率的關鍵參數，因此pH值的測量需要迅速、準確。

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

         pH值測量作為非線性系統一直是研究熱點。利用燃煤機組的運行數據，再結合機理分析，采用實驗建模的方法可以辨識出精確合理的系統模型。文獻[5]和文獻[6]把神經網絡等自適應模糊系統用于pH中和過程。BP神經網絡、RBF神經網絡、Elman神經網絡等方法是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。

         隨著技術的進步，深度學習、遞歸神經網絡、卷積神經網絡等也在pH值建模得到應用。LSTM神經網絡，注重數據間的時間特性，在大遲延時間序列預測中具有突出優(yōu)勢。LSTM神經網絡的特點在于發(fā)現當前時刻數據與之前數據間的聯系，利用本身具有的記憶能力，將之前數據的狀態(tài)進行保存，同時根據保存的信息影響后續(xù)的預測值及變化趨勢。

         因此，本文提出一種基于LSTM神經網絡的pH值預測模型。以某600 MW機組為研究對象，使用機組實際運行數據，經過機理和相關性分析，確定pH值模型的輔助變量，建立高精度的pH值預測模型。


本文詳細內容請下載：http://ihrv.cn/resource/share/2000003249

作者信息：

金秀章，景  昊

(華北電力大學 控制與計算機工程學院，河北 保定071003)


此內容為AET網站原創(chuàng)，未經授權禁止轉載。