基于BP神经网络和支持向量回归的燃煤电厂空气预热器压差预测.pdf
《基于BP神经网络和支持向量回归的燃煤电厂空气预热器压差预测.pdf》由会员分享,可在线阅读,更多相关《基于BP神经网络和支持向量回归的燃煤电厂空气预热器压差预测.pdf(7页珍藏版)》请在咨信网上搜索。
1、第第 44 卷卷 第第 4 期期 2023 年年 8 月月Vol.44 No.4Aug.2023发电技术发电技术Power Generation Technology基于BP神经网络和支持向量回归的燃煤电厂空气预热器压差预测苏靖程1,王志强2*,屈江江1,张凯2(1.华电电力科学研究院有限公司,浙江省 杭州市 310030;2.山东大学能源与动力工程学院,山东省 济南市 250061)Pressure Difference Prediction of Air Preheater in Coal-Fired Power Plant Based on BP Neural Network and S
2、upport Vector RegressionSU Jingcheng1,WANG Zhiqiang2*,QU Jiangjiang1,ZHANG Kai2(1.Huadian Electric Power Research Institute Co.,Ltd.,Hangzhou 310030,Zhejiang Province,China;2.School of Energy and Power Engineering,Shandong University,Jinan 250061,Shandong Province,China)摘要摘要:燃煤电厂空气预热器进出口压差过高一直是困扰电厂运
3、行的难题,提前预测空气预热器进出口压差变化并及时调控,将有利于电厂安全运行。基于某660 MW燃煤锅炉运行的分布式控制系统(distributed control system,DCS)大数据,应用BP神经网络和支持向量回归(support vector regression,SVR)对该电厂中空气预热器进出口压差进行建模,通过比较2种模型的预测结果可知,BP神经网络模型更适合大数据背景下空气预热器进出口压差的预测。针对BP神经网络模型固有的局部寻优和收敛速度慢等缺点,基于粒子群优化(particle swarm optimization,PSO)算法,提出PSO-BP神经网络模型,并将其与B
4、P神经网络、SVR模型进行对比,结果表明:PSO-BP神经网络模型综合性能最好,对空气预热器进出口压差变化预测精度最高,泛化能力最强。关键词关键词:火力发电;空气预热器;BP神经网络;支持向量回归(SVR);粒子群优化(PSO)ABSTACT:The high pressure difference between the inlet and outlet of the air preheater in coal-fired power plants has always been a problem that plagues the operation of the power plant.
5、If the pressure difference of the air preheater can be predicted in advance and adjusted in time,it will be beneficial to the safe operation of the power plant.Based on the distributed control system(DCS)big data of a 660 MW coal-fired boiler,the BP neural network and support vector regression(SVR)m
6、ethods were used to model the pressure difference between the inlet and outlet of air preheater in the power plant.Comparing the prediction results of the two models,it is found that the BP neural network model is more suitable for the prediction of the pressure difference between the inlet and outl
7、et of the air preheater under the background of big data.Aiming at the inherent shortcomings of BP neural network model such as local optimization and slow convergence speed,the particle swarm optimization(PSO)was used to improve it,and a PSO-BP neural network model was proposed.The results show tha
8、t the PSO-BP neural network model has the best comprehensive performance,the highest accuracy in predicting the change in the pressure difference between the inlet and outlet of the air preheater,and the strongest generalization ability.KEY WORDS:thermal power generation;air preheater;BP neural netw
9、ork;support vector regression(SVR);particle swarm optimization(PSO)0引言引言火力发电仍然是我国最主要的发电方式,空气预热器(以下简称“空预器”)作为火电厂中重要的尾气余热回收装置,能够降低排烟温度,提高一次风和二次风温度,提升锅炉的运行效率1-2。然而,锅炉的长时间运行以及选择性催化还原(selective catalytic reduction,SCR)过程的氨逃逸DOI:10.12096/j.2096-4528.pgt.22160 中图分类号:TK 01;TM 621基金项目:山东省重点研发计划项目(2019GSF1090
10、04);山东省自然科学基金项目(ZR2021ME140)。Project Supported by Key Research&Development Program of Shandong Province(2019GSF109004);Natural Science Foundation of Shandong Province(ZR2021ME140).第第 44 卷卷 第第 4 期期发电技术发电技术现象导致空预器压差会有所上升,这对电厂的运行效率和安全均造成一定的负面影响3-4。如果能够提前预测空预器压差并采取有效措施,就可以有效避免空预器进出口压差过高的现象。由于影响空预器进出口压差变
11、化的因素有很多,因此难以通过传统分析方法对空预器进出口压差进行有效预测。随着计算机技术的不断发展,人工智能在解决空预器进出口压差预测问题方面取得了一些成果。例如:文献5-6以电厂运行的分布式控制系统(distributed control system,DCS)数据为基础编写计算机程序,在线监测空预器表面积灰情况,用于指导电厂运行人员采取措施,避免空预器堵塞造成的压差升高问题。赵明等7基于Elman神经网络进行空预器积灰检测,利用Elman神经网络能够逼近任意函数和具有反应系统动态特性的特点,反映空预器压差变化,实例分析结果表明,该方法不仅泛化能力强,而且准确性高。王海燕等8基于微元传热分析,
12、计算流经空预器的烟气和空气温度分布,根据能量平衡关系估计一次风和二次风漏风量,再根据空预器进出口烟气与空气宏观能量平衡关系计算烟气放热量,进而计算得到空预器传热系数,用于表征受热面的积灰程度,为空预器智能吹灰提供依据。在空预器的设计过程中,Wang等9利用遗传算法进行多目标优化,减小了空预器的进出口压降,提高了空预器的运行效率。虽然计算机技术及人工智能算法在电厂中应用广泛,但是对于空预器灰堵情况的研究居多,而结合电厂其他运行参数对空预器进出口压差的预测研究较少。空预器的进出口压差受众多运行参数的影响,各影响因素与空预器进出口压差可能存在非线性关系,且各影响因素之间存在耦合关系,采用传统方法较难
13、表示清楚,而人工智能算法对解决此类问题有较好效果。因此,本文基于电厂运行的大数据,建立BP神经网络模型和支持向量回归(support vector regression,SVR)模型,对空预器进出口压差进行预测,并针对BP神经网络模型存在的问题,采用粒子群优化(particle swarm optimization,PSO)算法进行改进。1电厂数据采集电厂数据采集某电厂660 MW超超临界发电机组工程锅炉为超临界参数变压运行螺旋管圈直流炉,单炉膛,一次中间再热,四角切圆燃烧方式,平衡通风,型露天布置,刮板捞渣机机械除渣装置,全钢架悬吊结构,炉后尾部布置2台三分仓容克式空预器。采集该电厂运行过程
14、的DCS历史数据,并进行整合分析。为确保采集的数据不失真,每5 min选取一次数据,数据中包含19个变量,如表1所示。通过对影响空预器进出口压差的变量进行相关性分析发现,与空预器进出口压差相关性最强的是SCR反应器出口烟气流量;其他影响较大的因素为锅炉机组负荷、SCR反应器进出口温度、空预器烟温及一二次风出口温度、空预器进口温度、尿素溶液流量、烟气中SO2浓度;而烟气中O2浓度与空预器进出口压差有较强的负相关性10。表表1数据集变量数据集变量Tab.1Dataset variables变量符号X1X2X3X4X5X6X7X8X9X10变量名称锅炉机组负荷SCR反应器入口NOx浓度SCR反应器入
15、口O2浓度SCR反应器出口NOx浓度SCR反应器出口O2浓度SCR反应器出口烟气流量尿素溶液流量吸收塔净烟气NOx浓度折算值吸收塔净烟气O2浓度空预器出口烟气温度变量符号X11X12X13X14X15X16X17X18Y1变量名称吸收塔原烟气SO2浓度吸收塔原烟气O2浓度吸收塔净烟气SO2浓度折算值SCR反应器入口温度SCR反应器出口温度一次风机入口温度空预器出口热一次风温度空预器出口热二次风温度空预器进出口压差551Vol.44 No.4苏靖程等苏靖程等:基于基于BP神经网络和支持向量回归的燃煤电厂空气预热器压差预测神经网络和支持向量回归的燃煤电厂空气预热器压差预测在模型研究过程中,X1X1
16、8为输入变量,空预器进出口压差Y1为输出变量。2BP神经网络和神经网络和SVR模型建立模型建立2.1BP神经网络模型神经网络模型BP神经网络是目前应用最广泛的神经网络学习方法11-12。它分2个阶段完成13-15:一是正向计算过程;二是误差的反向传播过程,根据预测值与实际值之间的误差,采用梯度下降法反向调整各层之间的权值和阈值,直到误差达到可接受的范围。BP神经网络根据训练集对参数进行训练并存储,然后根据给予的自变量对因变量进行预测。燃煤电厂中空预器进出口压差主要受锅炉负荷、烟气流量、SCR出口烟气温度及环境温度等因素的影响,这些因素之间可能存在复杂的耦合关系。BP神经网络具有逼近任意线性或者
17、非线性关系的特性,为此,本文采用一种3层BP神经网络模型,该模型由输入层、输出层和隐含层组成,其结构如图1所示。其中:输入层为18个节点,分别代表变量X1X18;输出层为一个节点Y1,表示空预器进出口压差;隐含层需要通过不断调整来取得最优值。2.2SVR模型模型SVR是在统计学习方法基础上提出的,它克服了神经网络模型的缺点,采用结构风险最小化原理来获得全局最优值,而不是经验风险最小化原理16。最初SVR用于模式分类,随着不敏感损失函数的引入,SVR逐渐发展起来,用于解决非线性回归估计和时间序列预测问题。SVR在理论上有突出的优势,并通过核函数实现了高维空间的非线性映射,用于解决非线性分类和回归
18、估计问题。其基本思想17-18是:通过非线性映射函数,将输入向量映射到高维特征空间;采用结构风险最小化原理构造特征空间中的最优决策函数,使输入与输出之间的关系成为可能。SVR模型使用MATALB中的libsvm工具箱,它是一款简单高效的支持向量机(support vector machines,SVM)回归和分类的软件包,并且提供了诸多默认参数,使调节参数减少,并提供了交互检验功能19。本文将X1X18这18个机组运行参数作为SVR模型的自变量,将Y1作为SVR模型的输出变量,采用交叉验证(cross validation,CV)方法来选择空预器压差预测回归过程的惩罚参数c和核函数 g,使 c
19、 和 g 在一定范围内取值。利用libsvm工具箱的K折交叉验证(K-fold CV,K-CV)方法,使训练集样本在一定参数c和g取值下的均方误差最小。2.3基于基于PSO的的BP神经网络模型神经网络模型PSO 是由 Eberhart 和 Kennedy 在 1995 年受到鸟群觅食行为规律性的启发,经多年改进建立的简化算法模型20-21。在PSO中,每个优化问题的解被视为觅食中的一只鸟,称之为“粒子”。PSO初始化为一群随机粒子(随机解),然后通过迭代找到最优解,在每一次迭代中,粒子通过跟踪2个“极值”来更新自己。一个极值是粒子本身所找到的最优解,这个解是个体极值pbest;另一个极值是整个
20、种群找到的最优解,这个极值是全局极值gbest。PSO算法收敛速度快,本身参数少,全局搜索能力强22。由于梯度下降BP算法收敛速度慢,容易陷入局部最优值,初始权重值和附加动量的参数对BP网络的稳定性有较大影响,从而造成空预器进出口压差的预测结果不稳定。因此,为了改进BP神经网络算法,解决预测空预器进出口压差不稳定的问题,提出PSO-BP算法。该算法利用PSO对BP神经网络模型的权重值和阈值进行优化,具有更快的训练速度、更高的稳定性和更好的预测精度23。PSO-BP 神经网络模型将 X1X18作为输入参数,将Y1作为预测结果,整个预测过程包括种群初始化、粒子适应度计算、粒子优化和BP神经图图1
21、BP神经网络原理图神经网络原理图Fig.1 Schematic diagram of BP neural network552第第 44 卷卷 第第 4 期期发电技术发电技术网络预测4个主要步骤,具体流程如图2所示。3模拟结果分析模拟结果分析对表1中输入变量X1X18和输出变量Y1采集的40万个数据进行预处理,并分为训练集和测试集,样本数据比例为8 2。为了减小不同变量数量级对结果的影响,需要对数据进行归一化处理。3.1BP神经网络模型模拟结果神经网络模型模拟结果在BP神经网络训练过程中,设置精度小于6106时结束训练,调整网络结构的隐含层节点个数,当节点数为12时,建立的BP神经网络达到最佳
22、性能。图3、4分别为BP神经网络训练集、测试集结果对比。从图3可以看出,在训练集中,实际值与预测值趋势基本一致,少数不一致的点也在合理范围内,没有大幅失真的预测值,均方误差(mean squared error,MSE)为0.004 9,相关系数为0.989 79。图4的测试集结果显示,测试样本的实际值与预测值拟合程度较高,均方误差为0.008 7,相关系数为0.988 18,说明该BP神经网络能够很好地预测空预器进出口压差变化。3.2SVR模型模拟结果模型模拟结果为了能够与BP神经网络模型进行比较,SVR模型的训练集、测试集与BP神经网络中的数据保持一致,采用交叉验证方法得到SVR中最佳惩罚
23、参数c=8,核函数g=0.125。SVR模型训练集、测试集结果对比分别如图5、6所示。从图5可以看出,训练集中预测值与实际值变化趋势保持一致,均方误差为0.004 49,相关系数为0.990 63。测试集中预测值与实际值也较为接近,均方误差为0.009 2,相关系数为0.923 36。由此可见,预测图图3 BP神经网络训练集结果对比神经网络训练集结果对比Fig.3 Comparison of BP neural network training set results图图4 BP神经网络测试集结果对比神经网络测试集结果对比Fig.4 Comparison of BP neural networ
- 配套讲稿:
如PPT文件的首页显示word图标,表示该PPT已包含配套word讲稿。双击word图标可打开word文档。
- 特殊限制:
部分文档作品中含有的国旗、国徽等图片,仅作为作品整体效果示例展示,禁止商用。设计者仅对作品中独创性部分享有著作权。
- 关 键 词:
- 基于 BP 神经网络 支持 向量 回归 燃煤 电厂 空气 预热器 预测
1、咨信平台为文档C2C交易模式,即用户上传的文档直接被用户下载,收益归上传人(含作者)所有;本站仅是提供信息存储空间和展示预览,仅对用户上传内容的表现方式做保护处理,对上载内容不做任何修改或编辑。所展示的作品文档包括内容和图片全部来源于网络用户和作者上传投稿,我们不确定上传用户享有完全著作权,根据《信息网络传播权保护条例》,如果侵犯了您的版权、权益或隐私,请联系我们,核实后会尽快下架及时删除,并可随时和客服了解处理情况,尊重保护知识产权我们共同努力。
2、文档的总页数、文档格式和文档大小以系统显示为准(内容中显示的页数不一定正确),网站客服只以系统显示的页数、文件格式、文档大小作为仲裁依据,平台无法对文档的真实性、完整性、权威性、准确性、专业性及其观点立场做任何保证或承诺,下载前须认真查看,确认无误后再购买,务必慎重购买;若有违法违纪将进行移交司法处理,若涉侵权平台将进行基本处罚并下架。
3、本站所有内容均由用户上传,付费前请自行鉴别,如您付费,意味着您已接受本站规则且自行承担风险,本站不进行额外附加服务,虚拟产品一经售出概不退款(未进行购买下载可退充值款),文档一经付费(服务费)、不意味着购买了该文档的版权,仅供个人/单位学习、研究之用,不得用于商业用途,未经授权,严禁复制、发行、汇编、翻译或者网络传播等,侵权必究。
4、如你看到网页展示的文档有www.zixin.com.cn水印,是因预览和防盗链等技术需要对页面进行转换压缩成图而已,我们并不对上传的文档进行任何编辑或修改,文档下载后都不会有水印标识(原文档上传前个别存留的除外),下载后原文更清晰;试题试卷类文档,如果标题没有明确说明有答案则都视为没有答案,请知晓;PPT和DOC文档可被视为“模板”,允许上传人保留章节、目录结构的情况下删减部份的内容;PDF文档不管是原文档转换或图片扫描而得,本站不作要求视为允许,下载前自行私信或留言给上传者【自信****多点】。
5、本文档所展示的图片、画像、字体、音乐的版权可能需版权方额外授权,请谨慎使用;网站提供的党政主题相关内容(国旗、国徽、党徽--等)目的在于配合国家政策宣传,仅限个人学习分享使用,禁止用于任何广告和商用目的。
6、文档遇到问题,请及时私信或留言给本站上传会员【自信****多点】,需本站解决可联系【 微信客服】、【 QQ客服】,若有其他问题请点击或扫码反馈【 服务填表】;文档侵犯商业秘密、侵犯著作权、侵犯人身权等,请点击“【 版权申诉】”(推荐),意见反馈和侵权处理邮箱:1219186828@qq.com;也可以拔打客服电话:4008-655-100;投诉/维权电话:4009-655-100。