[发明专利]一种基于深度神经网络的湿法脱硫浆液供给量预测方法

说明书

本发明涉及一种基于深度神经网络的湿法脱硫浆液供给量预测方法，包括：构建深度神经网络，选取与浆液供给量强相关的参数作为输入参量，通过输入当前时刻(t)与上一时刻(t‑1)的参量来预测下一时刻(t+1)的浆液供给量；所述深度神经网络模型的输入参量为：负荷、入口SO₂浓度、入口O₂浓度、入口温度、浆液PH值、浆液循环泵电流、出口SO₂浓度、浆液供给量；输出参量为：浆液供给量。本发明利于湿法脱硫系统中浆液供给量的控制，减小系统管道结晶，提高脱硫系统运行稳定性，降低运行成本。

技术领域

本发明属于火力发电技术领域，尤其涉及一种基于深度神经网络的湿法脱硫浆液供给量预测方法。

背景技术

目前大多数火电公司采用湿式脱硫技术，其反应原理基本类似，主要区别在于吸收塔的结构上，有的采用单回路喷淋空塔，有的采用双回路喷淋塔和鼓泡塔等。不同的脱硫工艺，脱硫效率也会有所不同。当机组负荷在稳定状态时，能得到较好的控制效果，但是在变工况条件下，系统呈现出非线性，大滞后性，此时难以较好的控制喷淋塔中浆液的流量。如果喷淋的浆液量过少，会难以保证能够达到烟气的排放标准；如果喷淋的浆液量过多，就会造成资源的浪费，增加管道结晶。另外，不合适的浆液量还会影响系统的运行稳定性，增加运行成本。

发明内容

本发明的目的是提供一种基于深度神经网络的湿法脱硫浆液供给量预测方法，以利于湿法脱硫系统中浆液量的控制，减小系统管道结晶，提高脱硫系统运行稳定性，降低运行成本。

本发明提供了一种基于深度神经网络的湿法脱硫浆液供给量预测方法，包括：构建深度神经网络，选取与浆液供给量强相关的参数作为输入参量，通过输入当前时刻(t)与上一时刻(t-1)的参量来预测下一时刻(t+1)的浆液供给量；所述深度神经网络模型的输入参量为：负荷、入口SO₂浓度、入口O₂浓度、入口温度、浆液PH值、浆液循环泵电流、出口SO₂浓度、浆液供给量；输出参量为：浆液供给量。

进一步地，建立的深度神经网络为多层结构，包含1个输入层、7-9个隐含层和1个输出层；其中，输入层包含16个神经元，即16个输入参量；每个隐含层包含25个神经元，输出层包含1个神经元，即1个输出参量；输入层16个神经元所对应的输入量分别为当前时刻(t)与上一时刻(t-1)的负荷、入口SO₂浓度、入口O₂浓度、入口温度、浆液PH值、浆液循环泵电流、出口SO₂浓度、浆液供给量；输出参量为下一时刻(t+1)的浆液供给量。

进一步地，所述深度神经网络训练误差<0.3％，仿真值与实际值之间的偏差≤1％。

借由上述方案，通过基于深度神经网络的湿法脱硫浆液供给量预测方法，利于湿法脱硫系统中浆液量的控制，减小系统管道结晶，提高脱硫系统运行稳定性，降低运行成本。

上述说明仅是本发明技术方案的概述，为了能够更清楚了解本发明的技术手段，并可依照说明书的内容予以实施，以下以本发明的较佳实施例详细说明如后。

具体实施方式

下面结合实施例，对本发明的具体实施方式作进一步详细描述。以下实施例用于说明本发明，但不用来限制本发明的范围。

本实施例提供了一种基于深度神经网络的湿法脱硫浆液供给量预测方法，包括：构建深度神经网络，选取与浆液供给量强相关的参数作为输入参量，通过输入当前时刻(t)与上一时刻(t-1)的参量来预测下一时刻(t+1)的浆液供给量；所述深度神经网络模型的输入参量为：负荷、入口SO₂浓度、入口O₂浓度、入口温度、浆液PH值、浆液循环泵电流、出口SO₂浓度、浆液供给量；输出参量为：浆液供给量。