[发明专利]基于BP神经网络的大型燃煤电站CO2

说明书

本发明公开了基于BP神经网络的大型燃煤电站CO₂捕集系统预测控制方法，输入控制、调节的技术领域。该方法根据燃煤电站CO₂捕集系统的运行特性，将贫液流量、再沸器抽汽流量和吸收塔入口烟气流量作为主要输入变量，将吸收塔捕集率和再沸器温度作为主要输出变量，利用BP神经网络技术，建立大型燃煤电站CO₂捕集系统神经网络模型；其后，将该神经网络模型作为预测模型，建立大型燃煤电站CO₂捕集系统预测控制方法，从而可以预测燃煤电站CO₂捕集系统输出特性，有效处理CO₂捕集系统的大延迟特性，提高输出测的动态调节品质，使得控制系统适应工业现场需要。

技术领域

本发明涉及热工自动控制领域，尤其是一种基于BP神经网络的大型燃煤电站CO2捕集系统预测控制方法，属于控制、调节的技术领域。

背景技术

火电机组是当前CO₂等温室气体最主要的排放源，因此研究火电机组CO₂捕集技术是实现温室气体减排、落实巴黎协定的重要手段。以MEA为吸附溶剂的燃烧后CO₂捕集技术是当前CO₂捕集的主流技术。

火电机组与燃烧后CO₂捕集系统相互影响。根据电网负荷指令，火电机组需要参与负荷调峰，尾部烟气因此会随机组负荷产生波动，烟气波动会随之影响下游CO₂捕集系统，对捕集率、再沸器温度等关键变量产生较大影响。同时，大型燃煤电站CO₂捕集系统具有大惯性、强耦合、非线性的特性，常规PID控制系统由于是单回路控制器，难以有效处理CO₂捕集系统各变量之间的耦合特性，同时也难以处理系统的大延迟和输出约束。预测控制系统是一种多变量的控制器，能够有效处理大惯性、强耦合的特性。

然而，预测控制器的控制效果主要取决于预测模型的精度，CO₂捕集系统在不同烟气和不同捕集率工况下的系统特性变化大，常规的线性状态空间预测模型难以有效描述大型燃煤电站CO₂捕集系统复杂的非线性特征，影响控制效果。

发明内容

本发明的发明目的是针对上述背景技术的不足，提供了基于BP神经网络的大型燃煤电站CO₂捕集系统预测控制方法，利用BP神经网络工具箱建立能够准确描述大范围变负荷时CO₂捕集系统未来输出特性的预测模型，实现了预测控制器的精准调节，极大的提高了控制效果，解决了常规PID控制器不能处理大延迟、约束和强耦合特性的技术问题。

本发明为实现上述发明目的采用如下技术方案：

基于BP神经网络的大型燃煤电站CO₂捕集系统预测控制方法，通过包括目标值设置单元、神经网络预测模型、优化求解模块、大型燃煤电站CO₂捕集系统模型、第一延迟单元、第二延迟单元和第三延迟单元的系统实现；优化求解模块有两路输入，分别是目标值设置单元的输出yr(k)和神经网络预测模型的输出 y(k+i|k),i＝0,1,…P-1，P为预测时域，优化求解模块的输出为当前时刻最优控制变量u(k)；大型燃煤电站CO₂捕集整体系统的输入变量u(k)与输出变量y(k)分别通过第一延迟单元和第二延迟单元得到延迟变量u(k-1)与y(k-1)；扰动变量d(k) 通过第三延迟单元得到延迟变量d(k-1)，第一延迟单元、第二延迟单元和第三延迟单元输出变量u(k-1)、y(k-1)及d(k-1)与优化求解模块输出的u(k)及扰动d(k)作为神经网络预测模型输入，计算出CO₂捕集系统预测输出y(k+i|k)。

相应地，一种基于BP神经网络的大型燃煤电站CO₂捕集系统预测控制方法，包括如下步骤：