基于长短期记忆神经网络的吸收塔pH值预测模型

发布时间：2024-05-21 05:04

　　火电厂石灰石-石膏湿法脱硫系统中,吸收塔循环浆液的pH值是影响脱硫系统性能的重要参数。因此建立有效的吸收塔pH值预测模型是提高脱硫效率的基础。针对吸收塔系统具有变量多、数据量庞大和变量相关性强的特点,首先对电厂厂级信息监测系统(SIS)数据库数据进行特征提取,进行皮尔逊系数相关性分析;然后将提取的特征作为长短期记忆(LSTM)神经网络的输入,得到脱硫吸收塔pH值预测模型。将该模型应用于某超临界330MW机组燃煤电厂脱硫系统进行吸收塔pH值预测。结果表明提出的LSTM神经网络模型预测均方根误差(RMSE)为0.004,平均绝对误差(MAE)为0.003;测试显示LSTM神经网络模型数据跟踪效果预测结果波动较小,误差较低且模型稳定性较高。

【文章页数】：5 页

【部分图文】：

图1RNN结构

循环神经网络（RecurrentNeuralNetwork,RNN）是一种功能强大且稳定的神经网络，其主要用于时序数据的数据建模。RNN是唯一具有内部存储器的神经网络算法，使其非常适合涉及顺序数据的机器学习问题。RNN结构由输入层、隐藏层和输出层组成，如图1所示。图1中，x,....

图2皮尔逊r变量相关性矩阵（‘负’表示负相关）

脱硫吸收塔pH值受到多种因素的影响，电厂SIS实时记录脱硫系统中入口烟气SO2质量浓度、吸收塔密度、循泵电流等82个参数变量来反映脱硫吸收塔内状态。缺失数据清洗后，对82个变量参数进行皮尔逊系数相关性分析，发现脱硫系统中吸收塔石灰石浆液密度、入口烟气SO2质量浓度、入口烟尘质量....

图3LSTM预测模型结构

LSTM模型使用1000个连续时间点测试数据预测结果同真实值的对比如图5所示，图像结果显示预测值与真实值吻合程度很高。通过计算可得均方根误差为0.0040，平均绝对误差为0.0030。图4训练集、验证集损失函数变化

图4训练集、验证集损失函数变化

图3LSTM预测模型结构图5LSTM预测pH值与实际值曲线

本文编号：3979646