基于改进INFO-Bi-LSTM模型的SO_(2)排放质量浓度预测

针对火电机组SO_(2)排放质量浓度的影响因素众多,难以准确预测的问题,提出一种改进向量加权平均(weighted mean of vectors,INFO)算法与双向长短期记忆(bi-directional long short term memory,Bi-LSTM)神经网络相结合的预测模型(改进INFO-Bi-LSTM模型)。采用Circle混沌映射和反向学习产生高质量初始化种群,引入自适应t分布提升INFO算法跳出局部最优解和全局搜索的能力。选取改进INFO-Bi-LSTM模型和多种预测模型对炉内外联合脱硫过程中4种典型工况下的SO_(2)排放质量浓度进行预测,将预测结果进行验证对比。结果表明:改进INFO算法的寻优能力得到提升,并且改进INFO-Bi-LSTM模型精度更高,更加适用于SO_(2)排放质量浓度的预测,可为变工况下的脱硫控制提供控制理论支撑。

基于机器学习LSTM网络的SO_(2)排放浓度预测

CFB机组炉内炉外联合脱硫过程因其非线性、强耦合、大滞后等特点,SO_(2)排放浓度难于在线实时、准确测量,控制效果并不精准,因此建立有效的SO_(2)排放浓度预测模型很有意义。该文采集并分析研究某电厂350MWCFB锅炉现场运行数据,在脱硫系统大样本、数据分布分散、样本函数模糊的情况下,选取影响SO_(2)排放浓度的主要变量,建立基于机器学习的LSTM网络的SO_(2)排放浓度预测模型。结果显示此模型预测精度较高、误差较小,可为控制系统提供可靠参考,有助于提高脱硫系统控制精度,具有一定的工程实用价值。