[发明专利]基于神经网络的SCR智能喷氨优化方法及装置

权利要求书

1.一种基于神经网络的SCR智能喷氨优化方法，其特征在于，包括：

在系统负荷不变时，将电厂的喷氨管栅根据区域不同划分为n个模块，调整n个喷氨模块的开度阀门，采集一段时间内n个喷氨模块的喷氨量作为训练输入数据，采集SCR脱硝系统的脱硝效率和氨逃逸率作为训练输出数据；其中，n为自然数；

利用所述训练输入数据和所述训练输出数据，对BP神经网络模型进行训练；

构建各个喷氨模块的喷氨量作为测试输入数据，利用训练得到的BP神经网络模型预测得到脱硝效率和氨逃逸率作为测试输出数据；

将测试输入数据作为种群个体，利用遗传算法在多个测试输入数据中寻找到具有最小选择适应度函数值的个体为最优值，根据最优值调整各个喷氨模块的实际喷氨量，得到各个喷氨模块的最优喷氨量；其中，所述适应度函数为F＝k₁y₁+k₂(1-y₂)，约束条件x_min≤x_i≤x_max，式中y₁为氨逃逸率，y₂为脱硝效率，k₁、k₂为[0,1]的实数，所述k₁和k₂可根据电厂对所述氨逃逸率和脱硝效率的侧重不同选择不同值；其中x_min为所述训练输入数据中输入变量的最小值，x_max为所述训练输入数据中输入变量的最大值，x_i为测试输入数据中第i个喷氨模块的喷氨量。

2.根据权利要求1所述的方法，其特征在于，设t时刻n个喷氨模块的喷氨量为{x₁(t),x₂(t),…,x_n(t)}；

在所述利用所述训练输入数据和所述训练输出数据，对BP神经网络模型进行训练之前，所述方法还包括：

对所述训练输入数据进行归一化处理，所述训练输入数据中第k个输入变量的归一化处理结果为x_k＝(x_k-x_min)/(x_max-x_min)。

3.根据权利要求1所述的方法，其特征在于，所述利用所述训练输入数据和所述训练输出数据，对BP神经网络模型进行训练进一步包括：

确定所述BP神经网络模型的隐含层节点数，l＜n-1,l＝log₂n，公式中l为所述隐含层节点数，n为所述BP神经网络模型的输入层节点数，m为所述BP神经网络模型的输出层节点数，a为[0,10]之间的整数；

计算所述BP神经网络模型的隐含层输出，所述BP神经网络模型的隐含层节点j的输出结果为式中w_ij为所述BP神经网络模型的输入层与隐含层的连接权值，a_j为所述隐含层的阈值，f为所述隐含层的激励函数，所述激励函数为

计算所述BP神经网络模型的输出层输出，所述BP神经网络模型的输出层节点k的输出为式中H_j为所述隐含层输出，l为所述隐含层节点数，w_jk为所述BP神经网络模型的隐含层与输出层的连接权值，b_k为所述输出层阈值；

根据所述输出层输出与期望输出计算训练误差，所述训练误差为e_k＝Y_k-Q_k,k＝1,2，式中Y_k为所述期望输出，Q_k为所述输出层输出；

根据所述训练误差不断更新所述连接权值，所述输入层与隐含层的连接权值为所述隐含层与输出层的连接权值为w_jk＝w_jk+ηH_je_k,i＝1,2,...,n；j＝1,2,...,l，式中，e_k为训练误差，η为学习速率。