文摘

燃烧煤炭的发电厂产生过度的氮氧化物(NO_x)排放,危及人们的健康。证明和有效的方法是减少没有所需的高度_x排放。本文构造一个回声状态网络(ESN)模型之间的交互_x排放和操作参数的实际历史数据。灰狼优化(拥有)算法是用来提高ESN模型精度。随后的操作参数优化算法通过拥有最终减少_x排放。实验结果表明,ESN的模型没有_x排放比这两个更准确LSTM和榆树模型。仿真结果显示没有_x减排三个所选病例16.5%,15.6%,和10.2%,分别。

1。介绍

中国能源统计数据显示,有59.2%的电能来自热发电。这个数字只是比一年前低了百分之一。如果能源的比例(如风电、光电、核电)最近,增加会计现在近41%的总能量。事实上,新能源的快速发展极大地影响火力发电厂的操作模式。由于风能和太阳能的能源供应的不确定性的来源,热电厂必须在满足电网需求弥补任何失败。然而,恒定负载变化造成节能和减排的一个巨大挑战。根据新的环境标准在中国,氮氧化物(NO的排放_x)从锅炉由于燃煤污染物必须低于50毫克(mg)标准或正常立方米(Nm³氧(O)和一个参考₂)内容的6%。因此,减少没有的一种新的操作模式_x排放应该提出。大部分的资金发电厂已经配备了选择性催化还原(SCR)模块。催化剂的帮助下,这些模块没有转_x成双原子氮(N₂)和水(H₂O)。然而,催化材料太少不足以减少排放,而太多的催化材料会增加氨逃逸甚至阻止空气预热器(1]。另外,燃烧优化通常是作为一个关键过程,保证不低_x排放没有额外的修改。一般来说,一个优化方法包括两个部分:构建预测模型和优化操作参数。然而,没有_x排放与许多操作参数是相互关联的,因为燃烧过程的复杂性。精确建模的_x排放可以用传统的方法很难建立。幸运的是,机器学习技术的出现带来了另一种有效的方法来构建_x排放模型。几个没有_x最近提出的建模方法。例如,周et al。2)创建了一个没有_x排放模型,利用人工神经网络(ann)和遗传算法(GA)粉大容量的燃煤锅炉。Ilamathi et al。3)结合安和GA优化技术和操作参数_x燃煤锅炉排放预测和减少粉210兆瓦的容量。楚et al。4)建立了一个ANN模型,减少没有启用_x生产。不幸的是,一个理想的ANN模型应与高度多样化的训练例子,和安是容易过度拟合和可怜的泛化。三十年前,支持向量回归(SVR)方法开始与安的建模。特别是,最小二乘支持向量机(LSSVM)成为一个更有效的标准支持向量机(SVM)的变体。近年来,介绍了支持向量机和LSSVM方法作为建模的有效工具_x排放。吴et al。5)利用SVR建模的氮氧化物排放以及碳倦怠的300 MW燃煤锅炉的容量。唐et al。6)使用的LSSVM建模氮氧化物的排放和利用粒子群优化(PSO)来提高模型精度。Lv et al。7,8]介绍了一个新颖的LSSVM模型没有_x排放预测和这个LSSVM模型结果显示,维护良好的预测精度。李等人。9应用支持向量机建立一个没有_x排放预测模型,其参数由一个增强的PSO优化算法。王等人。10)采用LSSVM模型的氮氧化物排放1000 mw直流锅炉。风扇等。11融合一个连续限制玻耳兹曼机(CRBM)与SVR模型没有_x排放。甄et al。12)解决这个建模问题,整合与鲸鱼LSSVM优化算法(WOA)。WOA是用来优化LSSVM的核函数宽度和惩罚因子。仿真结果表明,该方法具有稳定、高精度的模拟性能。除了人工神经网络和支持向量机,极端的学习机器(榆树)也被用于建模的氮氧化物排放。李等人。13]介绍了榆树作为一种工具来构建一个模型对氮氧化物的排放,他们提出了一个改进算法teaching-learning-based优化(I-TLBO),为了调整榆树参数和提高建模精度。董et al。14]提出的结合偏最小二乘法(PLS)和榆树来评估_x1000 mw直流锅炉的排放。最近,深度学习已经应用在图像诊断(15人类活动,识别(16),和5 g网络(17]。深度学习的出现导致了长期的使用短期记忆(LSTM)体系结构建模_x排放。杨et al。18)采用LSTM神经网络来预测_x排放。与递归神经网络(RNN)模型,LSTM模型通常表现出更高的精度。谭et al。1)应用LSTM动态建模的方法_x660 mw燃煤锅炉的排放。他们断言,LSTM模型优于支持向量机方法。谢et al。19]介绍了小说LSTM方法与一个新的注意机制模型_x排放,结果显示出优越的预测的准确性_x排放。

此外,任何理想的燃烧优化算法应具有快速收敛和高质量的解决方案。事实上,过去二十年目睹了显著增加metaheuristic优化技术的普及,特别是在燃烧优化的应用这些技术。例如,周et al。20.)采用PSO算法优化的SVR模型的参数_x排放。排放量可以减少32.67%和16.3%,分别利用模型时,没有优化。魏et al。21]利用量子遗传算法(相)与模拟退火遗传算法(传奇)的优化操作参数,从而减少氮氧化物的排放。一种改进的花授粉算法(IFPA) (22)被用来优化hyper-parameters。一个人工蜂群(ABC)算法(23,24)也用于燃煤锅炉的建模和优化。

尽管迄今取得的巨大成功通过燃烧优化方法在降低氮氧化物的排放,更多的还需改善。候选人实现这样的改进是一种新型的变体复发性网络,即回声状态网络(esn)。这些网络享受简单和精度高的优点,这使他们能够找到不同的应用,如剩余使用寿命的预测(原则)25)、能源预测(26),和异常检测27]。然而,切入已经很难申请建模的氮氧化物排放。此外,灰太狼优化(拥有)方法引入了和随后用于解决实际的优化问题28- - - - - -30.]。在这部作品中,拥有方法用于优化ESN模型参数和操作参数,降低氮氧化物的排放的目标。

总之,我们引入一个燃烧优化方法降低氮氧化物的排放的燃煤锅炉有1000千瓦的太阳能发电装机容量。我们介绍了ESN的建模_x排放和切入模型对榆树和LSTM相比的。与此同时,我们拥有算法用于优化操作参数,降低氮氧化物的排放基于早前没有_x排放模型。为了验证该方法,我们选择三个典型值的锅炉最大连续功率(BMCR),也就是说,100%,90%,和80%,拥有的优化算法。

2。方法

2.1。回声状态网络

一个回声状态网络(ESN)是一个递归神经网络(RNN)的变体,基本上通过动态储层(博士)在其杰出的稀疏隐藏层。这个水库的目的是允许输入序列非线性扩张。ESN基本上有一个RNN架构,输入和输出层由经常性联系单位相互脱离。网络通过一个初始训练随机选择的输入和储层权重,其次是修复这些权重通过整个训练过程。任何反馈信号从输出到水库最初设置随机,然后保持固定在类似的方式。网络的监督培训更新只读出权重。一个ESN的基本架构是描绘在图1。

我们使用的符号 , ,和表示逆向权重矩阵的输入,水库,和ESN的输出。我们也使用符号和指读出矩阵和雇佣 , ,和指定ESN的输入,水库,分别和输出。培训模式是用的数量 。以下两个方程定义一个标准的回声状态网络的通用动力公司。

这两个函数,和 ,的激活函数,可以是双曲正切(双曲正切)或线性类型。曾经断言,落后的权重和随机输入和初步制定水库,然后保持固定。为了定义这些权重矩阵,我们应该考虑某些指标。特别是,我们应该仔细定义输入扩展和连通率从一开始。在这里,“输入扩展”一词指的是重量值范围内,而“连接”一词表示我们需要定义多少连接每个矩阵。我们能保证网络不受内部或储层动态,提供上述因素集。

2.2。灰太狼优化器

灰太狼优化器(拥有)是一个表面算法,模拟的层次领导和狩猎在灰狼的机制31日]。这些狼是顶级食肉动物,生活在包的四种可能的类型:α,β,δ,或ω。包(称为α)的领导人决定日常活动对整个包。α或占主导地位的狼的特点是最好的管理技能而不是最强壮的身体。●包层次结构中的狼,αβ狼提供反馈和帮助决策。一个ω狼排名最低的包,但它有一个关键的角色在维护统治结构。δ狼不如α和β的但优于ω狼在上述层次结构。三角洲狼可能是侦察兵,哨兵,长老,猎人,或管理者。集团在狼群狩猎有三个主要阶段:跟踪或搜索猎物包围和攻击猎物。GWO算法设计基于此狩猎的领导层次结构和机制。 The prey encirclement behavior can be mathematically expressed as

符号表示当前迭代,指示猎物位置向量,狼指定位置向量,和站了两个系数,通过计算的值

的价值是迭代以线性方式从2降低为0,然后呢和是数字的随机生成的单元区间[0,1]。方程(3)和(4)描述灰狼更新他们的位置,而仍然搂着他们的猎物。

狼群狩猎模式由阿尔法狼和通常也由β,δ的。这些模式可以数学建模如下:

2.3。一种混合优化技术集成切入和拥有

申请ESN的模型,我们必须正确地指定网络参数和名称,如水库的基础设施和网络权重和连接。然而,即使我们推荐的应用设置Jaeger (32储层初始化阶段,我们不能保证ESN模型适合目标应用程序。我们应该意识到ESN性能基本上是与水库的设计有关,如果我们设想这个好了,然后我们可以渴望获得令人满意的结果。我们可能会重复测试希望获得好的设计方案。但是,我们永远不能确定实现最佳的场景。总之,设计过程应该包括一些参数,包括网络中神经元的数量(NN),网络的连接速度(RR),反馈速度(FR),和输入的连接率(IR)。与此同时,因为并不是所有的权重被更新为培训过程的一部分,需要pretraining适合目标任务。GWO算法应该用这样一种方式,它作为一种优化算法。图2显示了该模型的流程图对氮氧化物的排放。下面的步骤描述了具体的建模过程:

步骤1。输入输入数据。

步骤2。初始化 , ,和GWO算法的参数。

步骤3。设置初始结构参数包括神经网络、RR, FR和IR。

步骤4。使用体系结构参数建立ESN模型。

第5步。计算不同的架构的氮氧化物排放参数和使用平均绝对误差作为相应的适应性措施。

步骤6。所有建筑获得最低的健身值参数。

步骤7。如果获得最低的健身值满足模型精度的要求,然后跳转到第9步。否则,继续。

步骤8。使用方程(9)更新位置,增量迭代次数的计数器,然后返回到步骤4。

第9步。输出参数的最优结构。

第10步。初始化 , ,和在拥有和ESN权重参数。

步骤11。选择优化权重。

步骤12。训练ESN模型。

步骤13。计算错误。

步骤14。如果误差满足模型精度要求,则跳转到步骤16。别的,继续。

步骤15。使用方程(9)更新位置,增量迭代次数的计数器,然后回到步骤12。

步骤16。输出ESN模型。

2.4。使用拥有优化操作参数

我们寻求建立一个模型,氮氧化物的排放,通过它我们可以评估这些排放的相关操作参数。作为奖励,减排可以通过微调上述模型的操作参数。我们选择最敏感的两个集的操作参数在此的潜在变化的候选人。这些参数分离过热空气(SOFA)流量(四个参数)和二次节气门打开百分比(六个参数)。我们仔细地确定可能调整这些改变的参数范围。我们将选择范围基于标准的操作习惯和积累的经验的操作人员和工程师。下面的步骤将详细地描述我们的过程:

步骤1。输入输入数据。

步骤2。获得的初始值 , ,和GWO算法参数。

步骤3。生成初始操作参数。

步骤4。计算不同的氮氧化物排放操作参数和相应的错误。

第5步。如果最小误差值满足生产要求,然后跳转到步骤7,否则继续。

步骤6。使用方程(9)更新位置,增量迭代次数的计数器,然后返回到步骤4。

步骤7。产生最优操作参数作为最终输出。

3所示。实验装置、结果和讨论

我们获得5000多模式的分布式控制系统(DCS)的资金锅炉(电厂)和使用的采样间隔1分钟。表1列出了煤炭燃料发电厂的属性。

模型采用20个变量,可以详细如下:单位负载,总煤流量,气流速度,给水流量、主汽压力、主汽温度、水煤比,锅炉尾部烟道温度、过热空气分离(SOFA)流量(四个变量),二次风挡板开百分比(六个变量),烟气氧含量,没有_x排放。输入变量的选择根据锅炉基础知识和工程师们的建议。在这项工作中,所有数据的氮氧化物排放的基础上,提出了在6%干气O₂。数据预处理是建模过程之前进行的。首先,噪声和离群值删除操作进行了提高粗或原始采样数据的质量。然后,我们删除了所有操作变量抽样期间未出现任何变化。我们也计算了平均变量与多个测量值。

3.1。性能指标

评估氮氧化物排放的开发模型,我们利用四个标准指标:平均绝对误差(MAE)、(日军),平均绝对百分比误差均方根误差(RMSE),和确定系数(R²)。这些指标定义如下:

3.2。建模的_x排放

图3说明了预测和测量训练数据样本的排放氮氧化物根据切入建立模型。直线是完美的红色虚线行这表明预测和测量值的等价性。蓝色的点ESN的预测结果表明,与测量。所有数据点几乎是分布式或分散在完美的线。根据我们的计算,为训练数据集日军只有4%,而确定系数( )是0.91。这表明ESN非常适合建模的氮氧化物排放。

在我们训练_x模型的数据集的一部分,我们使用的剩余部分数据集来评估模型的性能。图4介绍了1000个测试用例的预测结果。像图的情况3点在图4也几乎与完美的线。这意味着预测与测量结果有很好的一致性。图5显示了ESN-based分布的相对测试错误。在1000个测试样本中,74%的相对误差低于5%。RMSE和还计算并被发现是10.527和0.86,分别。这些结果使我们得出结论,提出ESN模型不准确_x排放预测。

3.3。性能比较LSTM和榆树

进一步证明ESN模型的性能的优越性,我们比较了ESN模型结果与广泛使用的榆树模型和LSTM模型。

榆树模型是一种有效的机器学习方法,通常表明优越的精度和泛化性能与传统的支持向量机相比,生物方法。实现实际建模过程中,我们采用榆树算法的Matlab实现s形的传递函数。一套试错方案后神经元的数量。LSTM架构是一个RNN变体,其中包括一个输入层、一个隐藏层和一个输出层,这样辍学后设置隐藏LSTM层。

数据5和6和表2提供一个简要概述的上述三个不同的模型的性能。图6断言三种预测曲线遵循真实数据的方向,每个成功的三个算法可以用来预测的氮氧化物排放。然而,结果在表2表明LSTM或ESN的预测精度超过榆树。这表明RNN强烈超过传统模型的预测精度。图5说明了测试相对误差分布,表明大多数的ESN误差在5%以内。表2列出了日军,美、RMSE和与不同的模型指标的测试数据集。榆树模型,代表传统的机器学习方法,显然是表现不佳的切入和LSTM模型。事实上,榆树产生最不准确的结果在三四个标准。日军,美,LSTM比那些的榆树,但RMSE LSTM略差的RMSE榆树。美,日军RMSE,切入模型的标准比其他两个模型的性能指标。这表明ESN模型是一个有前途的替代实现所需的精度在处理氮氧化物排放量的模型。

3.4。燃烧优化算法与拥有

在本文中,我们选择三个标准优化情况下根据锅炉最大连续功率(BMCR)。这个等级的值是100% BMCR(例1),90% BMCR(案例2),和80% BMCR(例3)。最初的氮氧化物排放这三个选择的病例,分别为303、270和216毫克/海里³。我们也选择两组参数(即二次风挡板打开百分比( , , , , , )和沙发流量( , , , )拥有设计变量进行优化的算法。我们确定这些变量及其范围是符合常规的操作习惯和运营商所积累的经验和工程师。图7说明了搜索过程在案例1。这个搜索过程是一个收敛收敛速度极快。仿真结果表明,预测的氮氧化物排放降至约253,228和194毫克/海里³从他们的原始值303、270和216毫克/海里³,分别。因此,达到减少百分比的比率为16.5%,15.6%,和10.2%,分别。表3列出原始和优化参数。为了验证GWO性能,我们比较了广泛使用的PSO算法和目前拥有算法。为了实现这一比较,我们重复两种算法30次着眼于优化案例1。图7表明PSO和拥有算法可以大大降低氮氧化物的排放污染物。平均而言,拥有优化结果优于PSO。这意味着拥有算法可以提供解决方案的高质量和更好的稳定性。简而言之,拥有燃烧优化算法可能会提供一个更好的选择。

4所示。结论

我们考虑两个重要步骤优化燃烧过程实现低排放的氮氧化物。这些步骤是没有的建模_x排放和相关操作参数的优化。在这项工作中,我们引入一个新颖的方法,结合切入和拥有算法模型的氮氧化物排放和优化相关的操作参数在一个资金1000 MW锅炉的容量。我们利用ESN算法模型_x排放的锅炉,并进一步利用这个模型来优化相关操作参数通过拥有的应用算法。我们终于设法降低氮氧化物排放的调整相关参数的最优值。我们发现ESN模型预测的值_x排放与测量值一致。我们获得了平均绝对误差(MAE)的测试数据,低至3.5%。LSTM和榆树算法相比,切入算法建模更成功的氮氧化物排放由于其泛化能力强。我们选择第二个开放比例和过热空气分离(SOFA)流量从三个典型案例供GWO优化算法。我们三个选定的情况下的仿真结果表明,氧化氮排放降低了16.5%,15.6%,和10.2%,分别。与广泛使用的算法相比,我们的方法降低了氮氧化物排放在任何指定的时间,增加解决方案的稳定性。总之,我们提出的组合切入和拥有算法模型和降低燃煤锅炉的氮氧化物的排放。我们的方法比其他更强大的和有效的建模方法如LSTM和榆树算法和PSO算法等其他优化方法。

数据可用性

数据用于创建我们的模型与变量的1000 MW超超临界直流锅炉压力和octagonal-inverse双切圆燃烧。

的利益冲突

作者宣称没有利益冲突。

作者的贡献

x j .陈设计研究和本文结构和修订后的手稿。h . y . Zhang进行实验和修订后的手稿。h·w·秦修订后的手稿。所有作者阅读和批准了期末论文。