基于遗传算法优化BP神经网络的SCR脱硝系统催化剂体积设计

doi:10.12096/j.2096-4528.pgt.19102

发电技术 ›› 2019, Vol. 40 ›› Issue (3): 246-252.DOI: 10.12096/j.2096-4528.pgt.19102

• 燃煤发电系统能源高效清洁利用 • 上一篇下一篇

基于遗传算法优化BP神经网络的SCR脱硝系统催化剂体积设计

唐诗洁¹(),陆强¹(),曲艳超²,任翠涛²,杨勇平¹

¹ 生物质发电成套设备国家工程实验室(华北电力大学), 北京市昌平区 102206
² 北京华电光大环境股份有限公司, 北京市昌平区 102206

收稿日期:2019-01-25 出版日期:2019-06-30 发布日期:2019-07-02
作者简介:唐诗洁(1993),女,硕士研究生,研究方向为火电厂脱硝综合治理, tangsj1120@126.com|陆强(1982),男,教授,博士生导师,主要从事固体燃料高效热利用以及烟气污染物治理方面研究工作, qianglu@mail.ustc
基金资助:
国家重点基础研究发展计划项目(2015CB251501);北京市科技新星(Z171100001117064);中央高校基本科研业务费专项资金(2018ZD08);中央高校基本科研业务费专项资金(2016YQ05)

Catalyst Volume Design in SCR Denitrification System Based on Genetic Algorithm Optimized BP Neural Network

Shijie TANG¹(),Qiang LU¹(),Yanchao QU²,Cuitao REN²,Yongping YANG¹

¹ National Engineering Laboratory for Biomass Power Generation Equipment, North China Electric Power University, Changping District, Beijing 102206, China
² Beijing National Power Group Co., Ltd., Changping District, Beijing 102206, China

Received:2019-01-25 Published:2019-06-30 Online:2019-07-02
Supported by:
National Basic Research Program of China(2015CB251501);Beijing Nova Program(Z171100001117064);Fundamental Research Funds for the Central Universities(2018ZD08);Fundamental Research Funds for the Central Universities(2016YQ05)

摘要/Abstract

摘要：

火电厂SCR脱硝系统的设计需要在满足脱硝效率的同时，尽可能节约成本，因此需要准确预测SCR脱硝所需的催化剂体积。火电厂的烟气条件复杂多变，烟气温度、烟气流量、出入口NO_x浓度等参数都会影响SCR催化剂的体积设计，因此催化剂体积预测是一个多因素耦合的问题。针对这一特点，使用BP神经网络对催化剂体积设计进行了预测，并针对该模型结构上的缺陷，进行基于遗传算法优化的神经网络建模研究。结果表明，遗传算法优化后的BP神经网络模型预测精度和数据拟合能力均有提高，为脱硝系统的催化剂体积设计提供了新思路。

关键词: SCR催化剂, 催化剂体积预测, BP神经网络, 遗传算法

Abstract:

The design of the SCR denitrification system in coal-fired power plants requires the efficient denitrifi-cation efficiency and the low cost. Hence, it is essential to accurately calculate the volume of SCR denitrification catalysts. The flue gas conditions of thermal power plants are complex and changeable. Flue gas temperature, flue gas flow, inlet and outlet NO_x concentrations, and other parameters all affect the volume of the SCR catalyst.Therefore, catalyst volume prediction is a multifactor coupling problem. For this feature, the BP neural network model was used to predict the volume design of the catalyst, and the neural network modeling based on genetic algorithm optimization was investigated for the structural defects of the BP neural network model. The results show that the prediction accuracy of BP neural network model optimized by genetic algorithm is promising, which provides a new way for catalyst volume design of SCR denitrification.

Key words: SCR catalyst, catalyst volume prediction, BP neural network, genetic algorithm

唐诗洁,陆强,曲艳超,任翠涛,杨勇平. 基于遗传算法优化BP神经网络的SCR脱硝系统催化剂体积设计[J]. 发电技术, 2019, 40(3): 246-252.

Shijie TANG,Qiang LU,Yanchao QU,Cuitao REN,Yongping YANG. Catalyst Volume Design in SCR Denitrification System Based on Genetic Algorithm Optimized BP Neural Network[J]. Power Generation Technology, 2019, 40(3): 246-252.

参考文献

1	王雪娇,郭家秀,尹华强.我国火电厂烟气脱硝技术综述[C]//2016燃煤电厂超低排放形势下SCR (SNCR)脱硝系统运行管理及氨逃逸与空预器堵塞技术交流研讨会,杭州, 2016.
2	王学勤, 朱文堃, 徐静静, 等. 楼宇型燃气分布式能源系统SCR脱硝应用研究[J]. 发电技术, 2018, 39 (6): 580- 584.
3	喻小伟, 周瑜, 刘帅, 等. SCR脱硝催化剂失活原因分析及再生处理[J]. 热力发电, 2014, 43 (2): 109- 113.
4	霍秋宝, 田亮, 赵亮宇, 等. 火电机组不同脱硝方式下的运行费用分析[J]. 华北电力大学学报(自然科学版), 2012, 39 (5): 87- 92.
5	王琦, 王树荣, 岑可法, 等. 燃煤电厂SCR脱硝技术催化剂的特性及进展[J]. 电站系统工程, 2005, 21 (5): 4- 6.
6	张帅夫,张珈毓.烟气条件对火电厂SCR催化剂设计的影响[C]//2012中国环境科学学会学术年会,南宁, 2012.
7	李鑫, 宋新刚, 高子朋, 等. 基于AVL BOOST的柴油机SCR催化剂尺寸优化设计[J]. 中国航海, 2015, 38 (3): 18- 22.
8	雷本喜, 尹海滨, 蔺海艳. 玻璃熔窑烟气SCR脱硝蜂窝状催化剂的选型计算[J]. 江苏建材, 2015, (3): 11- 13.
9	胡守仁. 神经网络导论[M]. 长沙: 国防科技大学出版社, 1993: 1- 10.
10	韩力群. 人工神经网络教程[M]. 北京: 北京邮电大学出版社, 2006: 4- 6.
11	朱永利, 尹金良. 人工智能在电力系统中的应用研究与实践综述[J]. 发电技术, 2018, 39 (2): 106- 111.
12	MATLAB技术联盟, 刘冰, 郭海霞. MATLAB神经网络超级学习手册[M]. 北京: 人民邮电出版社, 2014: 160- 161.
13	于航, 刘阳, 连魏魏, 等. 一种基于神经网络的硅基光伏组件运行温度在线软测量方法[J]. 发电技术, 2018, 39 (6): 566- 573.
14	Xu L , Li Y , Xu N , et al. Soy suce cassification by gographic rgion and frmentation bsed on atificial nural ntwork and gnetic agorithm[J]. Journal of Agricultural & Food Chemistry, 2014, 62 (51): 12294.
15	Li S , Liu L J , Zhai M . Shortterm traffic flow prediction with the improved particle swarm optimization BP neural network[J]. Systems Engineering Theory and Practice, 2012, 32 (9): 2045- 2049.
16	Holland J H . Adaptation in natural and artificial systems[M]. Cambridge: MIT Press, 1992: 126- 137.
17	墨蒙, 赵龙章, 龚嫒雯, 等. 基于遗传算法优化的BP神经网络研究应用[J]. 现代电子技术, 2018, 41 (9): 41- 44.
18	柳小桐. BP神经网络输入层数据归一化研究[J]. 机械工程与自动化, 2010, (3): 122- 123, 126.
19	陈明. MATLAB神经网络原理与实例精解[M]. 北京: 清华大学出版社, 2013: 205- 207.

[1]	孙健浩, 初壮. 考虑碳交易和无功补偿的分布式电源优化配置[J]. 发电技术, 2024, 45(1): 142-150.
[2]	贾晓强, 杨永标, 杜姣, 甘海庆, 杨楠. 气候变化条件下基于智能预测模型的虚拟电厂不确定性运行优化研究[J]. 发电技术, 2023, 44(6): 790-799.
[3]	安吉振, 郑福豪, 刘一帆, 陈衡, 徐钢. 基于大数据分析的火电机组引风机故障预警研究[J]. 发电技术, 2023, 44(4): 557-564.
[4]	苏靖程, 王志强, 屈江江, 张凯. 基于BP神经网络和支持向量回归的燃煤电厂空气预热器压差预测[J]. 发电技术, 2023, 44(4): 550-556.
[5]	赵国钦, 蓝茂蔚, 李杨, 周元祥, 江政纬, 甘云华. 基于最小二乘支持向量机的火电厂烟气含氧量预测模型优化研究[J]. 发电技术, 2023, 44(4): 534-542.
[6]	亢猛, 钟祎勍, 石鑫, 温港成, 房方. 计及负荷供给可靠性的园区综合能源系统两阶段优化方法研究[J]. 发电技术, 2023, 44(1): 25-35.
[7]	雷旭, 马鹏飞, 宋智帅, 李卫东. 计及风电预测误差的柔性负荷日内调度模型[J]. 发电技术, 2022, 43(3): 485-491.
[8]	蔡肖, 徐阳, 杨超, 郑章靖. 一种相变储热器内翅片结构的快速优化算法[J]. 发电技术, 2022, 43(1): 92-101.
[9]	时浩, 肖海平, 刘彦鹏. 基于BP神经网络和最小二乘支持向量机的灰熔点预测和对比[J]. 发电技术, 2022, 43(1): 139-146.
[10]	翁麒宇,李端乐,禚玉群. NH₃对SCR催化剂Hg⁰催化氧化性能的影响[J]. 发电技术, 2020, 41(5): 471-479.
[11]	蒋猛,黄宇,廖伟涵,张简炼,张又文,郭创新. 基于改进NSGA-Ⅱ算法的电-气-热综合能源系统多目标优化[J]. 发电技术, 2020, 41(2): 131-136.
[12]	李卫东,贺鸿鹏. 考虑风电消纳的源-荷协同优化调度策略[J]. 发电技术, 2020, 41(2): 126-130.
[13]	孙黎霞,鞠平,白景涛,刘甜甜. 计及蓄电池寿命的冷热电联供型微电网多目标经济优化运行[J]. 发电技术, 2020, 41(1): 64-72.
[14]	刘永前,赖福兴,阎洁,陈子新,李莉,韩爽,王永. 考虑不同截面翼型选取的风电机组叶片优化设计方法[J]. 发电技术, 2019, 40(4): 382-388.
[15]	邢涛, 李志军, 曹玲燕, 丁立华. 基于自适应免疫算法的变压器故障诊断[J]. 发电技术, 2017, 38(6): 42-45.

基于遗传算法优化BP神经网络的SCR脱硝系统催化剂体积设计

Catalyst Volume Design in SCR Denitrification System Based on Genetic Algorithm Optimized BP Neural Network

RichHTML

PDF (PC)

可视化

摘要/Abstract

引用本文

使用本文

参考文献

相关文章 15

编辑推荐

Metrics

本文评价