基于门控循环单元神经网络的浆液pH的预测建模

吸收塔内浆液的pH是影响燃煤电厂湿法脱硫系统效率的重要参数。燃煤电厂的湿法脱硫系统具有大滞后、非线性、强耦合等特征,因而其吸收塔浆液的pH很难实现精准控制。利用门控循环单元(gated recurrent unit,GRU)神经网络在处理时间序列数据的优越性,对吸收塔内的浆液pH进行预测建模,通过将燃煤电厂采集的影响浆液pH的变量数据作为模型的输入,对模型进行训练处理,获得吸收塔内浆液pH的预测模型。将预测模型应用于辽宁省华能营口电厂600 MW机组湿法脱硫智能控制系统中吸收塔内浆液pH的预测。结果表明相比于反向传播(back propagation,BP)神经网络模型、径向基函数(radial basis function,RBF)神经网络、循环神经网络(recurrent neural network,RNN)和长短期记忆(long and short term memory,LSTM)神经网络,该模型精确度更高,实用性更强。

基于元素反应速率权值的转炉实时碳温模型

转炉炼钢是一个多变量耦合的复杂工业过程,为了提高转炉炼钢过程中碳和温度测试的命中率,提出一种在静态模型基础上加入反应速率权值的计算模型。模型根据铁水中各元素的氧化物分解压和浓度,制定了不同吹炼时期各元素反应权值作为氧气分配的系数,并根据热平衡与物料平衡原理,计算铁水实时碳含量与温度。仿真结果表明,在碳含量允许误差为0.15%、温度允许误差为12°C的条件下,模型的碳含量命中率为94.68%,温度命中率为92.77%,碳温双命中率为88.7%,对实际生产有一定的指导作用。