论文部分内容阅读
燃煤电厂选择性催化还原技术(SCR)是目前烟气脱硝的主要手段。在实际生产中SCR系统入口NO_x浓度值直接作用于供氨控制系统,因此其数值大小的及时准确测量对提升脱硝效率、降低氨逃逸率、减少系统耗能有重要影响。当前,SCR入口NO_x浓度监测广泛采用的烟气连续监测系统(Continuous Emission Monitoring Systems,CEMS)具有技术成熟、测量精度高、易于在线校准等优点,但是为了保证传感器的工作稳定性与准确性,在测量前需要设置很长的采样管线用于去除烟气中的飞灰与水汽等杂质,这便使测量值相对于实际值产生了很大的滞后性,并且在解列维护时,测量值也会失去连续性,这在很大程度上影响了SCR系统的脱硝效率。针对这一问题,本文基于数学方法建立软测量模型,来实现对SCR入口NO_x浓度的实时精确测量。(1)根据实际工程与相关文献研究,选择了15个与NO_x浓度特性相关的参量作为初始变量。为了使仿真实验尽可能符合实际生产情况,本文从某电厂采集了DCS历史运行数据,并在预处理后得到实验样本。(2)为了简化模型结构、减少运算量、提升网络学习速度,利用主元分析(PCA)法降低模型输入维数,从15个初始变量中选择最终的辅助变量,进而得到以辅助变量为输入SCR入口NO_x浓度为输出的训练样本集和测试样本集。(3)利用模糊均值聚类(FCM)与减法聚类(SCM)算法相结合的方法,辨识一型T-S模糊神经网络前件层结构和初始化隶属函数参数,同时基于改进的SGPSO算法对后件层参数进行优化,建立GJTSFNN软测量数学模型。在MATLAB平台上编程实现了模型的搭建,并与BP模型、TSFNN模型进行了对比实验。结果表明,GJTSFNN的测量精度、学习速度均优于其他两种模型,从而初步验证了算法的有效性。(4)利用区间二型模糊均值聚类(IT2FCM)与减法聚类(SCM)算法相结合的方法,辨识区间二型模糊神经网络前件层结构,确立隶属度函数参数,同时利用改进的SGPSO算法对后件层线型参数进行优化,以提升网络全局最优搜索能力,最终建立GJIT2FNN软测量数学模型。同样,在MATLAB平台上编程实现了GJIT2FNN模型的搭建,通过和基于梯度下降算法调整各参数的IT2FNN模型进行仿真实验对比,进一步验证了所提建模方法的优越性。