基于模糊神经网络的SCR脱硝效率预测模型研究

针对火电厂选择性催化还原(SCR)系统存在变量多、耦合性强等特点,造成脱硝效率难以准确实时监测的问题,提出利用Takagi-Sugno(T-S)模糊神经网络算法,建立多输入单输出预测模型,以研究未来时间脱硝效率的变化。将模糊C均值(FCM)聚类算法用于结构辨识、模糊神经网络的混合学习算法用于参数辨识,构造T-S模糊预测模型。在分布式控制系统(DSC)上采集连续48 h实时数据,并利用MATLAB进行模型训练与检验。试验结果显示:训练集98%点的相对误差在±1.5%之间,最大误差小于2%,检测集99%点的相对误差在±0.5%之间,最大误差小于2.5%。该模型能够较好地反映SCR烟气脱硝效率,可以为脱硝效率的控制优化提供依据。

基于T-S模糊神经网络的热负荷预测模型

为了解决火电厂供热和供电的矛盾、增强机组的调峰范围,需要建立精确的热负荷预测模型。针对热电联供系统热负荷影响因素多、耦合性非线性强等特点,利用T-S模糊神经网络算法建立热负荷预测模型,用于预测未来时间热负荷的变化。通过基于减法聚类的模糊C均值聚类算法进行结构辨识,再利用模糊神经网络的混合学习算法进行参数辨识。为了建立热负荷的精确模型,选取热负荷的主要影响因素作为变量。其中,将室外温度、供水温度、回水温度、供水流量作为输入变量,热负荷作为输出变量,并从热电厂DCS上采集连续两天24 h的历史数据,将前一天的数据作为训练集和后一天的数据作为检测集。在MATLAB上进行试验。仿真结果显示:98%的训练样本的相对误差在±0.4%之间,且98%的检测样本的相对误差在±0.6%之间。这表明预测模型的拟合度精确度较好,可以为供热机组调峰研究提供依据。

基于T-S模糊算法的冷热联供制冷预测模型

山西瑞光热电厂设计投产的冷热联供系统具有大迟延、多变量、非线性、强耦合性等特点,针对制冷系统被控温度难以快速准确达到期望值的问题,该文建立了一种基于T-S模糊神经网络(TSFNN)的预测模型,用于系统的分析及控制优化。在分析冷热联供系统工艺流程的基础上,采集电厂DCS中冷热联供系统的运行数据,利用TSFNN建立了冷冻水温度的预测模型。在Matlab软件上进行训练与检测,通过比较模型的预测输出与实际输出的拟合程度,并分析相对误差的分布,表明预测模型能够较好地反映制冷温度的变化,且拟合程度较好,可以为基于电厂的冷热联供系统的控制优化提供依据。

基于BP神经网络的直接空冷凝汽器出口风温预测

由于直接空冷系统的动态参数监测技术比较单一,为了便于对出口风温测点的研究,提出一种基于BP神经网络的空冷凝汽器出口风温预测模型。以某矸石电厂2×300 MW直接空冷凝汽器为对象进行研究,分别从锅炉侧与凝汽器侧分析影响空冷凝汽器出口风温的因素,从现场DCS系统分别采集各因素历史数据,对数据进行预处理后,运用BP神经网络建立空冷凝汽器出口风温预测模型。用现场实际运行数据验证模型的有效性。该模型可以预测不同工况下的空冷凝汽器的出口风温,为下一步制定动态参数监测技术提供依据,合理安排空冷凝汽器温度测点的位置和数量,也可以为空冷凝汽器的清洗周期做一个参考。