[发明专利]一种基于随机森林和LSTM神经网络的SCR脱硝喷氨量预测方法

说明书

本发明涉及一种基于随机森林和LSTM神经网络的SCR脱硝喷氨量预测方法，包括：步骤1、基于历史数据（训练数据）；步骤2、基于历史数据（训练数据）；步骤3、对于实测数据（测试数据）。本发明的有益效果是：本发明通过双模型验证的方式，建立了可靠的氨气流量预测模型，建立了随机森林模型对喷氨量预测LSTM神经网络预测模型进行实时验证，可实现准确的喷氨量控制，有效避免因模型准确性不佳而导致的控制效果差的问题，对于SCR脱硝系统喷氨量控制具有重要意义。同时本发明所提出喷氨量预测方法采用LSTM神经网络预测模型，可解决SCR脱硝控制系统滞后问题，实现预测控制。

技术领域

本发明属于燃煤电厂脱硝领域，涉及一种燃煤电厂脱硝系统过程参数软测量方法，尤其涉及一种基于随机森林和LSTM神经网络的SCR脱硝喷氨量预测方法。

背景技术

SCR（选择性催化还原方法）脱硝系统基于其较高的脱硝效率，是大型火电机组脱硝系统改造首选类塑。SCR脱硝系统反应机理复杂，脱硝效率受到喷氨量、反应温度、烟气速度、催化剂活性等因素影响，其中喷氨量对脱硝效果影响最大，是关键的可调因素。喷氨量过少会导致烟气NO_x含量超标；喷氨量过多，不仅会提高氨逃逸率而造成二次污染，同时也会增加脱硝成本。

长期以来，对SCR脱硝系统的研究主要针对于其物理原理、设备结构和运行方式方面。近年来，随着预测控制、核偏最小二乘、神经网络以及支持向量机等技术和机器学习算法的发展并在工业上获得成功应用，可以充分利用燃煤电厂充足的历史运行数据建立SCR烟气脱硝系统模型，同时采用先进控制算法，实现喷氨量的最优控制，在降低NO_x排放的同时减少脱硝成本。然而，此类技术获得的模型准确性在实际使用中需要得到验证。

目前，国内SCR脱硝闭环控制策略基本设计为固定摩尔比控制方式。该控制方式下设定值为氨氮摩尔比或者脱硝效率，控制系统根据当前的烟气流量、SCR入口NO_x和设定氨氮摩尔比计算出NH₃流量需求，通过流量PID调节器改变氨气阀开度调节NH₃实际流量，此控制方式近似于开环控制，脱硝系统阳需求量仅根据静态物理特性计算得出；部分电厂总结固定摩尔比控制方式不足，采取固定SCR出口NO_x浓度控制方式，此时系统设定值SCR出口NO_x浓度，并根据其与实际出口NO_x浓度的偏差来动态修正氢氮摩尔比，达到闭环控制SCR出口浓度的效果。然而，上述方式都存在一系列问题，如控制策略简单，目前脱硝控制策略普遍采用简单PID+前馈方案等，无法获得满意控制品质；控制系统仅考虑受控对象静态机理，目前国内脱硝拉制策略考虑了机组负荷、烟气量前馈作用，但仅仅是基于静态物理特性，导致机组负荷频繁变化时脱硝控制品质差，同时静态机理控制方式无随机组工况、燃煤品质变化做出实时调整。另外，SCR脱硝控制系统存在大滞后特性，若忽略其滞后问题进行控制，将无法得到满意的控制品质。

为实现高效和准确的脱硝控制，必须建立适用的喷氨量软测量模型，针对实际工况得到准确可靠的喷氨量，从而实现喷氨量最优控制。

发明内容

本发明的目的是克服现有技术中的不足，提供一种基于随机森林和LSTM神经网络的SCR脱硝喷氨量预测方法。

这种基于随机森林和LSTM神经网络的SCR脱硝喷氨量预测方法，包括以下步骤：

步骤1、基于历史数据（训练数据），利用SCR出口烟气NO_x浓度和其他氨气流量相关参数作为LSTM神经网络预测模型的输入，氨气流量作为LSTM神经网络预测模型的输出，训练用于氨气流量软测量的LSTM神经网络预测模型；

步骤2、基于历史数据（训练数据），利用氨气流量和其他氨气流量相关参数作为随机森林模型的输入，SCR出口烟气NO_x浓度测量值作为随机森林模型的输出，训练用于SCR出口烟气NO_x浓度预测的随机森林模型；