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。

基于深度信念网络的循环流化床SO_(2)排放浓度预测

我国火电机组超低排放要求二氧化硫排放时,其质量浓度小于35 mg/m3,精准预测SO_(2)排放浓度并加以控制对于火电机组环保运行具有重要意义。针对循环流化床SO_(2)排放浓度预测问题,引入深度机器学习方法建立了基于深度信念网络的SO_(2)排放浓度预测模型。首先,通过机理分析确定影响SO_(2)排放浓度的操作变量,并作为模型输入;其次,利用DBN网络提取模型输入的深度特征,以ELM作为回归器建立预测模型;最后,将DBN-ELM模型与目前常用的3种SO_(2)排放浓度预测模型进行了对比,结果表明,该模型均方根误差、平均绝对误差分别为175.3 mg/m^(3)、117.6 mg/m^(3),预测精度远高于其他3种对比模型,在实际工程中更具有应用价值。

基于VMD-IASO-ELM的吸收塔出口SO_(2)浓度组合预测模型

为提高火电厂SO_(2)污染物排放控制水平,提出一种基于变分模态分解(VMD)改进原子搜索算法(IASO)极限学习机(ELM)的吸收塔出口SO_(2)浓度组合预测模型。首先,利用机理和相关性分析确定吸收塔出口SO_(2)浓度的初始相关变量,并采用VMD算法对其分解,保留分解结果与输出互信息中大的低频分量;然后,采用结构简单、学习速度快的ELM建立预测模型,并利用基于混合策略改进的IASO优化网络参数,提高预测精度;最后,利用模糊规则推理出误差修正项以校正ELM模型预测结果。应用历史数据仿真建模,结果表明该模型具有较高的预测精度和学习能力,能够准确跟踪吸收塔出口SO_(2)浓度变化趋势。

基于MIC和MPA-KELM的脱硫出口SO_(2)浓度预测

建立脱硫出口SO_(2)浓度预测模型是实现脱硫系统经济运行的基础。针对这一问题,提出了基于最大信息系数(MIC)的变量选择方法和基于海洋捕食算法(MPA)优化核极限学习机(KELM)的脱硫出口SO_(2)浓度预测模型。首先,采用机理分析法筛选影响出口SO2浓度的变量,提出循环浆液综合流量表达方法,便于描述浆液循环泵组合的影响特性;在此基础上,通过基于最大信息系数的变量选择算法确定模型输入变量;运用MPA对KELM的正则系数C和核参数S进行寻优,建立MPA-KELM的出口SO_(2)浓度预测模型;最后,利用电厂运行数据进行仿真实验。实验结果表明,所建立出口SO_(2)浓度预测模型的均方误差、平均绝对百分比误差分别为1.23666 mg/m^(3)和4.9876%,预测精度高,能够为脱硫系统出口SO_(2)的现场优化控制提供技术支持。

低浓度SO_(2)烟气处理技术集成及创新思路

二氧化硫(SO_(2))是一种主要的空气污染物,主要来源于火力发电、钢铁、建材、化工等工业部门。随着工业的发展,SO_(2)排放问题越来越受到重视。低浓度SO_(2)烟气一直是广大排污企业容易忽略的痛点,低浓度SO_(2)烟气处理技术的推广应用是减少SO_(2)排放的有效手段之一。常见的低浓度SO_(2)烟气处理技术有湿式脱硫、干式脱硫、半干式脱硫等,通过选择适宜的脱硫技术,优化工艺参数,集成多种脱硫技术,充分发挥各种脱硫技术的优势。同时,随着新型脱硫剂的研究与应用,脱硫工艺的改进,智能化控制系统的设计,节能减排的优化等创新技术的发展,使脱硫效率提高,运行成本降低,从而满足高效、低耗、环保等多方面的要求。

催化反应角度的非衡态高浓度SO_(2)转化工艺分析

非衡态高浓度SO_(2)转化工艺为了满足工艺要求的转化率,对催化剂的选型和装填量设计提出了较高要求。从催化反应和转化角度,研究了转化一段的催化剂装填量、进气量、进口烟气温度对出口烟气温度与转化率的影响,认为进口烟气温度对出口烟气温度的影响非常显著,并对催化剂选型和装填方案、进口烟气条件和温度分布提出了相应的建议。

基于特征选择的IPSO-GRU脱硫系统出口SO_(2)浓度预测模型

针对燃煤电厂在吹扫等过程中脱硫系统出口SO_(2)浓度的不能及时检测的问题,提出了一种基于特征选择的改进粒子群优化算法优化门控循环单元神经网络(IPSO-GRU)的脱硫系统出口SO_(2)浓度预测模型。通过最大相关最小冗余(minimum Redundancy and Maximum Relevance,mRMR)算法对采集的目标数据进行预处理,挑选出合适的变量,随后将选定的变量作为IPSO-GRU预测模型的输入。针对门控循环单元(Gated Recurrent Unit,GRU)模型关键超参数难以确定的问题,使用改进粒子群(Improved Particle Swarm Optimization,IPSO)算法对模型参数进行训练,以降低GRU的训练成本。最终实现对脱硫系统出口二氧化硫浓度的预测。实验结果表明,所提模型与传统循环神经网络相比预测精度更高,在工程实际中更具应用价值。

基于互信息PSO-LSSVM的SO_(2)浓度预测

针对火电厂SO_(2)污染物排放问题,提出了一种基于互信息的粒子群寻优(PSO)最小二乘支持向量机(LSSVM)模型预测方法,通过筛选出与SO_(2)实测入口浓度相关性较高的辅助变量,将其作为模型的输入,实现对主导变量SO_(2)浓度的预测。利用互信息筛选出的辅助变量相比于机理分析、皮尔逊相关性筛选出的辅助变量具有更高的相关性。利用互信息筛选出的辅助变量作为LSSVM模型的输入以及粒子群法确定LSSVM的参数,不仅缩短了计算时间,还提高了预测精度。将该方法应用到某火电厂的SO_(2)浓度软测量中,利用现场数据进行仿真,结果表明预测精度较高,相对误差较低,预测趋势更贴近实际值,减小了实际值与预测值的误差(均方根误差为2.485,平均相对误差为0.2603%),为现场的SO_(2)浓度提前控制提供了软件技术支持。

基于互信息PSO-LSTM的SO_(2)浓度预测

针对电厂燃煤机组的SO_(2)污染物排放问题,提出一种基于互信息(MI)和粒子群优化算法(PSO_(2))的长短期记忆网络(LSTM)预测模型。利用MI筛选出与SO_(2)入口浓度相关性较高的辅助变量,以实现辅助变量的降维。其次,通过PSO_(2)确定LSTM的最优参数组合,降低LSTM训练成本。最终,将选定的辅助变量作为PSO_(2)-LSTM的输入,实现对主导变量SO_(2)浓度的预测。选取火电厂现场DCS数据作为测试数据,以检验模型在真实状况下的应用表现。实验结果显示,所建模型的均方根误差为1.114 3、平均相对误差为0.028 3,表明其预测精度远高于传统预测模型。

大气中SO_2浓度的小波分析及神经网络预测

应用小波分解和重构对SO2浓度年变化趋势进行分析,在此基础上,建立了一种分段BP神经网络预测模型,并对各段有针对性地设计了神经网络预测模型.采用主成分分析进行输入变量降维.在BP网络训练过程中,往往会出现过拟合的现象,为此,在训练过程中,将样本等间距地分离为训练集和验证集来防止这个问题.为了消除网络的权值初始化对学习系统复杂性的影响,采用了5个子网络输出取算术平均的神经网络集成的方法.预测结果表明,该模型应用于SO2浓度预测具有较高的预测精度和良好的推广能力,而且明显优于一般的神经网络模型.

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。

GA-ELM在硫铁矿制酸尾气SO_2浓度预测的应用

基于对整个生产流程的管控,使硫铁矿生产硫酸尾气的SO_2浓度达标排放,提出运用GA-ELM对制酸尾气SO_2浓度进行建模预测.在硫铁矿制酸的生产过程中采集对尾气SO_2浓度影响较大的关键点参数,运用GAELM神经网络对烟气制酸尾气SO_2浓度进行预测.该方法在某厂实际检验,其预测结果与实际数据吻合度较高,对于调整和优化工艺指标和尾气达标排放起到很好的指导作用.

基于PSO-Lasso算法的电站湿法脱硫出口SO_(2)浓度预测

为了能够简便地研究机组运行中的过程参数与脱硫效率的关系,提出了一种基于套索(Lasso,Least absolute shrinkage and selection operator)算法的预测方法。结合脱硫系统现场的实际数据,通过相关性分析筛选影响脱硫出口的主要因素。相比于传统的回归算法,创新性的使用粒子群算法(PSO)确定提取出的主要参数的函数形式,最后使用Lasso算法确定最终的预测模型,该模型在简化运算复杂度的同时保证了预测精度。训练数据的选取使用正交化法则,保证训练数据的丰富性与有效性。测试结果表明,模型预测误差为2.23 mg/m^(3),能够反映在工况变化下脱硫出口浓度的对应关系也有助于脱硫系统的优化控制,具有一定的研究与应用价值。

双向门控循环神经网络的SO_(2)排放浓度预测模型

火力发电站脱硫系统数据具有大惯性和延时性等特点,且影响SO_(2)排放浓度的因素众多。为此,建立了基于双向门控循环神经网络(biGRU)的SO_(2)排放浓度预测模型。以分析得到的主成分为输入变量,SO_(2)排放浓度为输出变量,通过训练对脱硫系统SO_(2)排放浓度数据进行预测,并进行比较。结果表明,与传统的RNN以及LSTM模型相比,biGRU模型能够获得较高的预测精度,其对称平均绝对百分比误差相较于RNN和LSTM分别下降了4.235%,0.718%,其均方根误差分别下降了1.942,0.443 mg/Nm^(3)。该模型预测误差较低,泛化能力较好,具有较高的实际应用价值,有利于实现排放控制和节能减排。

高炉煤气燃烧后SO_(2)排放浓度降低途径的探讨

随着国家对环境保护的重视,环保政策更加严格,对大气污染物排放标准的要求也逐渐提高。文章对现阶段新兴铸管高炉煤气燃烧废气中SO_(2)的排放现状进行研究,通过分析高炉生产过程中硫的转化路径以及SO_(2)的生成机理,关注相关重要参数的动态,跟踪SO_(2)的生成和排放,探索有效降低高炉煤气燃烧后SO_(2)排放的措施。

关于降低硫磺回收装置尾气SO_(2)排放浓度的探讨

首先介绍了硫磺回收装置尾气SO_(2)的来源;其次,重点介绍了降低硫磺回收装置排放的尾气中SO_(2)浓度的技术特点;最后,对于降低硫磺回收装置尾气SO_(2)排放浓度提出了相关建议。

基于BP-RBF组合神经网络的废气监测盲区SO_2浓度预测

工业园区大气管理中,监测盲区的废气浓度分析是现有监测系统需要解决的难点问题.本文提出一种组合神经网络,利用已知监测点信息对监测盲区的废气浓度进行预测.首先,根据BP与RBF神经网络的特点,提出二者组合的神经网络结构;其次,分析监测盲区废气浓度预测问题,并提出基于BP-RBF组合网络的预测模型算法;最后,运用工业园区SO_2实际监测数据对所提组合网络预测方法进行实验验证.实验结果表明:本文所提BP-RBF组合网络预测方法具有良好的性能,适用于监测盲区废气浓度预测问题.

P值法在城市SO_2浓度预测中的应用

1 问题的提出 SO_2在某区域(可以是城区或郊区,也可以是城区的某个区域)中某点的地面浓度,是由一定数目的高架点源及面源造成的浓度贡献之和。而用于单点源的高斯(Gaussian)烟羽模型从时空分布上都不适应区域性(如城市规模)宏观预测的需要,而且计算量大,要求参数多。

基于特征向量的最小二乘支持向量机PM2.5浓度预测模型

针对大气中细颗粒物(PM2.5)浓度预测的问题,提出一种预测模型。首先,通过引入综合气象指数综合考虑风力、湿度、温度等因素;然后,结合实际二氧化硫(SO2)浓度、二氧化氮(NO2)浓度、一氧化碳(CO)浓度和PM10浓度等,构成特征向量;最后,利用特征向量和PM2.5浓度数据来建立最小二乘支持向量机(LS-SVM)预测模型。经2013年城市A和城市B环境监测中心的数据预测分析表明,引入综合气象指数后预测的准确性提高,误差降低近30%。说明该模型能够较为准确地预测PM2.5浓度,并具有较高的泛化能力。此外还分析了PM2.5浓度与住院率、医院门诊量的关系,发现了它们的高度相关性。

通风条件下CO_2浓度的测量与预测模型的建立

以CO2为示踪气体,采用干冰和人体呼吸产生CO2两种方法,在不同换气次数条件下测定了CO2浓度变化规律,建立了室内CO2浓度预测模型。由此得到存在门窗缝隙渗风时,室内人员处在正常工作状态下的室内外CO2浓度差与换气次数的函数关系,从而可算出最小换气次数。由实验可知,自然渗风时无人房间CO2浓度呈指数衰减;满足室内空气质量要求与节能要求的最小新风量为35m3/(人.h)。