[发明专利]一种WFGD自适应在线优化调度方法

权利要求书

1.一种WFGD自适应在线优化调度方法，其特征在于，包括如下步骤：

第一步，从机组采集测点历史数据，数据信息包括机组负荷、脱硫系统入口/出口SO2的浓度和浆液循环泵电流参数；

第二步，依据浆液循环泵电流参数，获取浆液循环泵启/停时的各时间节点，并获取其启/停前1小时和启/停后1小时各参数的历史运行数据；

第三步，对获得的数据样本进行稳态筛选，得到浆液循环泵启/停数据样本集，按照浆液循环泵运行情况，将数据样本划分到相应的样本库中；

第四步，以启/停前后机组平均负荷、平均入口SO₂浓度、启/停前平均出口SO₂的浓度作为模型的输入参数和启/停后出口SO2的浓度变化量作为模型的输出参数，分别建立单独的基于GWO-BP神经网络的WFGD在线优化调度模型，形成预测模型组；

第五步，将机组实时运行数据通过浆液循环泵的运行台数进行划分，进入相对应的模型中，计算启/停泵后出口SO₂的浓度的变化情况，即可得到启/停泵后出口SO₂的浓度，并指导电站对浆液循环泵进行优化调度；

第六步，从实时数据中获取浆液循环泵启/停数据，按照浆液循环泵运行情况进行划分后，存入相应的模型样本库中，达到模型自适应更新的目的。

2.根据权利要求1所述的一种WFGD自适应在线优化调度方法，其特征在于：所述第一步具体为：从机组的SIS数据源采集各个测点所需时间跨度的历史数据，间隔1min采取包括机组负荷、脱硫系统入口/出口SO₂浓度、浆液循环泵电流等数据。将采取的数据按时间顺序排列，其中数据的时间跨度和采取间隔可自定义。

3.根据权利要求1或2所述的一种WFGD自适应在线优化调度方法，其特征在于：所述第二步中，记录有且只有单台浆液循环泵的电流从0开始变化或降低为0的时刻，并且该时刻前后1小时内有且只有一次变化，并记录该时刻前后各一小时内相关参数的历史运行数据。

4.根据权利要求3所述的一种WFGD自适应在线优化调度方法，其特征在于：所述第三步中稳态筛选的条件为：浆液循环泵启停前后机组平均负荷变化为13-15MW、平均入口SO₂浓度变化为30-50mg/m³。

5.根据权利要求4所述的一种WFGD自适应在线优化调度方法，其特征在于：所述第四步中GWO-BP神经网络模型的构建具体步骤为：

步骤一，确定BP神经网络的输入和输出参数，并对输入和输出数据进行归一化处理；

步骤二，GWO算法种群初始化，随机初始化灰狼种群位置X_j(j＝1，2，…，n)，每个灰狼个体包含一组权重α_i，其中α₁+α₂+…+α_i＝i，式中i为对应输入参数的个数，初始化参数a、A、C；

步骤三，构造适应度函数，为归一化后的每个输入参数乘上对应的权重α_i，作为新的输入参数，并对BP神经网络进行训练，利用训练好的模型预测输出y_k与期望输出的R²构造适应度函数；

步骤四，对种群中的每只灰狼个体执行步骤步骤三所述BP神经网络训练，并通过适应度函数计算每只灰狼个体的适应度值，从中选出适应度值最高的3只灰狼，作为当前的最优解X_α、次优解X_β和第三优解X_δ；

步骤五，更新其他ω狼个体的位置，更新参数a、A、C。根据步骤步骤三所述重新构造新的BP神经网络，并对网络进行训练，重新计算每只灰狼个体的适应度值，更新X_α、X_β和X_δ；

步骤六，判断GWO算法是否达到最大迭代初三，若是，则停止迭代，并输出最优结果X_α；反之，则重复执行步骤三至步骤五，直至达到最大迭代次数；

步骤七，利用GWO算法得到的最优输入参数的权重α_i再次训练BP神经网络，即可得到训练精度最高的最终BP神经网络模型。

6.根据权利要求5所述的一种WFGD自适应在线优化调度方法，其特征在于：所述第六步具体为：从第二步和第三步的实时数据中获取液循环泵启停数据，并按照浆液循环泵运行情况进行划分，存入相应的模型样本库中，按照第四步中的GWO-BP神经网络模型的构建重新对GWO-BP模型进行训练更新。