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

doi:10.12096/j.2096-4528.pgt.22160

发电技术 ›› 2023, Vol. 44 ›› Issue (4): 550-556.DOI: 10.12096/j.2096-4528.pgt.22160

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

苏靖程¹, 王志强², 屈江江¹, 张凯²

^1.华电电力科学研究院有限公司, 浙江省杭州市 310030
^2.山东大学能源与动力工程学院, 山东省济南市 250061

收稿日期:2022-09-24 出版日期:2023-08-31 发布日期:2023-08-29
通讯作者: 王志强
作者简介:苏靖程(1982)，男，高级工程师，研究方向为煤炭清洁燃烧及污染物排放控制， jingcheng-su@chder.com；
王志强(1978)，男，博士，教授，研究方向为清洁燃烧及污染物排放控制、碳排放控制及资源化利用，jackywzq@sdu.edu.cn；
屈江江(1989)，女，硕士，工程师，研究方向为煤炭清洁燃烧及污染物排放控制， jiangjiang-qu@chder.com；
张凯(1996)，男，硕士，研究方向为燃煤电厂空气预热器中硫酸氢铵生成温度预警， 2746170471@qq.com。
基金资助:
山东省重点研发计划项目(2019GSF109004);山东省自然科学基金项目(ZR2021ME140)

Pressure Difference Prediction of Air Preheater in Coal-Fired Power Plant Based on BP Neural Network and Support Vector Regression

Jingcheng SU¹, Zhiqiang WANG², Jiangjiang QU¹, Kai ZHANG²

^1.Huadian Electric Power Research Institute Co. , Ltd. , Hangzhou 310030, Zhejiang Province, China
^2.School of Energy and Power Engineering, Shandong University, Jinan 250061, Shandong Province, China

Received:2022-09-24 Published:2023-08-31 Online:2023-08-29
Contact: Zhiqiang WANG
Supported by:
Key Research & Development Program of Shandong Province(2019GSF109004);Natural Science Foundation of Shandong Province(ZR2021ME140)

摘要/Abstract

摘要：

燃煤电厂空气预热器进出口压差过高一直是困扰电厂运行的难题，提前预测空气预热器进出口压差变化并及时调控，将有利于电厂安全运行。基于某660 MW燃煤锅炉运行的分布式控制系统(distributed control system，DCS)大数据，应用BP神经网络和支持向量回归(support vector regression，SVR)对该电厂中空气预热器进出口压差进行建模，通过比较2种模型的预测结果可知，BP神经网络模型更适合大数据背景下空气预热器进出口压差的预测。针对BP神经网络模型固有的局部寻优和收敛速度慢等缺点，基于粒子群优化(particle swarm optimization，PSO)算法，提出PSO-BP神经网络模型，并将其与BP神经网络、SVR模型进行对比，结果表明：PSO-BP神经网络模型综合性能最好，对空气预热器进出口压差变化预测精度最高，泛化能力最强。

关键词: 火力发电, 空气预热器, BP神经网络, 支持向量回归(SVR), 粒子群优化(PSO)

Key words: thermal power generation, air preheater, BP neural network, support vector regression (SVR), particle swarm optimization (PSO)

中图分类号:

TK 01

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.

Jingcheng SU, Zhiqiang WANG, Jiangjiang QU, Kai ZHANG. Pressure Difference Prediction of Air Preheater in Coal-Fired Power Plant Based on BP Neural Network and Support Vector Regression[J]. Power Generation Technology, 2023, 44(4): 550-556.

图/表 10

参考文献 23

1	王艳红，李勇，刘洪宪，等．基于空气预热器漏风率偏差的排烟温度影响研究[J]．锅炉技术， 2015， 46( 5)： 5- 9． doi: 10.3969/j.issn.1672-4763.2015.05.002
	WANG Y H， LI Y， LIU H X， et al ． Influence study exhaust temperature based on the air leakage rate of deviation of air preheater[J]． Boiler Technology， 2015， 46( 5)： 5- 9． doi: 10.3969/j.issn.1672-4763.2015.05.002
2	王秀红，盛伟，刘全山．电站锅炉烟气余热利用技术方案研究[J]．发电技术， 2019， 40( 3)： 276- 280． doi: 10.12096/j.2096-4528.pgt.18240
	WANG X H， SHENG W， LIU Q S ． Study on technical scheme of flue gas waste heat utilization in utility boiler[J]． Power Generation Technology， 2019， 40( 3)： 276- 280． doi: 10.12096/j.2096-4528.pgt.18240
3	LIN Z， GUO C， NI P， et al ． Experimental and numerical investigations into leakage behaviour of a novel prefabricated utility tunnel[J]． Tunnelling and Underground Space Technology， 2020， 104： 103529． doi: 10.1016/j.tust.2020.103529
4	DU X， SHI Y， WANG X ． Coupled characterization and experimental verification of heat transfer and air leakage in a quad-sectional rotary air preheater[J]． Applied Thermal Engineering， 2019， 159： 113923． doi: 10.1016/j.applthermaleng.2019.113923
5	王飞，文贻艳，王志伟，等．回转式空气预热器的积灰在线监测研究[J]．科技风， 2018( 26)： 1- 2．
	WANG F， WEN Y Y， WANG Z W， et al ． Study on on-line monitoring of dust accumulation in rotary air preheater[J]． Technology Wind， 2018( 26)： 1- 2．
6	蓝晓村，高正平，徐治皋．基于烟气差压的回转式空预器积灰实时监测研究[J]．机电信息， 2004( 19)： 4- 5．
	LAN X C， GAO Z P， XU Z G ． Study on real-time monitoring of dust accumulation in rotary air preheater based on flue gas differential pressure[J]． Mechanical and Electrical Information， 2004( 19)： 4- 5．
7	赵明，孙平．基于Elman神经网络空预器积灰监测的研究[J]．节能技术， 2016， 34( 2)： 165- 168． doi: 10.3969/j.issn.1002-6339.2016.02.017
	ZHAO M， SUN P ． Research on air pre-heater fouling monitoring based on the Elman neural network[J]． Energy Conservation Technology， 2016， 34( 2)： 165- 168． doi: 10.3969/j.issn.1002-6339.2016.02.017
8	王海燕，骆小楠，张翔．回转式空气预热器换热性能在线监测[J]．锅炉技术， 2020， 51( 4)： 1- 6．
	WANG H Y， LUO X N， ZHANG X ． Online monitoring of heat transfer performance of rotary air preheaters[J]． Boiler Technology， 2020， 51( 4)： 1- 6．
9	WANG L， BU Y， LI D， et al ． Single and multi-objective optimizations of rotary regenerative air preheater for coal-fired power plant considering the ammonium bisulfate deposition[J]． International Journal of Thermal Sciences， 2019， 136： 52- 59． doi: 10.1016/j.ijthermalsci.2018.10.005
10	张慧娥，刘大贵，朱婷婷，等．基于相似日和动量法优化BP神经网络的光伏短期功率预测研究[J]．智慧电力， 2021， 49( 6)： 46- 52．
	ZHANG H E， LIU D G， ZHU T T， et al ． Short-term PV power prediction based on BP neural network optimized by similar daily and momentum method[J]． Smart Power， 2021， 49( 6)： 46- 52．
11	张凌浩，张明，嵇文路，等．基于灰色关联理论和BP神经网络的分布式光伏电站运维数据虚拟采集方法[J]．电力建设， 2021， 42( 1)： 125- 131． doi: 10.12204/j.issn.1000-7229.2021.01.014
	ZHANG L H， ZHANG M， JI W L， et al ． Virtual acquisition method for operation data of distributed PV applying the mixture of grey relational theory and BP neural work[J]． Electric Power Construction， 2021， 42( 1)： 125- 131． doi: 10.12204/j.issn.1000-7229.2021.01.014
12	熊一，詹智红，柯方超，等．基于改进BP神经网络的变电站检修运维成本预测[J]．电力科学与技术学报， 2021， 36( 4)： 44- 52．
	XIONG Y， ZHAN Z H， KE F C， et al ． Overhaul operation and maintenance cost prediction of substation based on improved BP neural network[J]． Journal of Electric Power Science and Technology， 2021， 36( 4)： 44- 52．
13	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． doi: 10.12096/j.2096-4528.pgt.20003
	SHI H， XIAO H P， LIU Y P ． Prediction and comparison of ash fusion temperatures based on BP neural network and least squares support vector machine[J]． Power Generation Technology， 2022， 43( 1)： 139- 146． doi: 10.12096/j.2096-4528.pgt.20003
14	张晓萍，张建民．基于BP神经网络的复合型挑坎体型参数反演研究[J]．水利水电技术， 2022， 53( 4)： 138- 147．
	ZHANG X P， ZHANG J M ． BP neural network-based study on inversion of shape parameter of composite flip bucket[J]． Water Resources and Hydropower Engineering， 2022， 53( 4)： 138- 147．
15	WU W， WANG J， CHENG M， et al ． Convergence analysis of online gradient method for BP neural networks[J]． Neural Networks， 2011， 24( 1)： 91- 98． doi: 10.1016/j.neunet.2010.09.007
16	孟安波，蔡涌烽，符嘉晋，等．基于CSO-SVR的低压架空线路谐波损耗评估[J]．电力工程技术， 2022， 41( 3)： 202- 208． doi: 10.12158/j.2096-3203.2022.03.024
	MENG A B， CAI Y F， FU J J， et al ． Harmonic loss evaluation of low voltage overhead lines based on CSO-SVR model[J]． Electric Power Engineering Technology， 2022， 41( 3)： 202- 208． doi: 10.12158/j.2096-3203.2022.03.024
17	YU W， GUAN G， LI J， et al ． Claim amount forecasting and pricing of automobile insurance based on the BP neural network[J]． Complexity， 2021， 2021： 1- 17． doi: 10.1155/2021/6616121
18	CHEN B， ZHOU S， LIU H， et al ． A prediction model of online car-hailing demand based on K-means and SVR[J]． Journal of Physics：Conference Series， 2020， 1670( 1)： 12034． doi: 10.1088/1742-6596/1670/1/012034
19	LI X， LUO A， LI J， et al ． Air pollutant concentration forecast based on support vector regression and quantum-behaved particle swarm optimization[J]． Environmental Modeling & Assessment， 2019， 24( 2)： 205- 222． doi: 10.1007/s10666-018-9633-3
20	李鹏辉，刘冉，余廷芳．基于支持向量机和BP神经网络的燃煤锅炉NO _x 排放预测[J]．热能动力工程， 2016， 31( 10)： 104- 108．
	LI P H， LIU R， YU T F ． NO _x emission prediction of coal-fired boiler based on support vector machine and BP neural network[J]． Thermal power engineering 2016， 31( 10)： 104- 108．
21	LI J Y ． BP neural network optimized by PSO and its application in function approximation[J]． Advanced Materials Research， 2014， 945/949： 2413- 2416． doi: 10.4028/www.scientific.net/amr.945-949.2413
22	张冲，荣娜．基于改进粒子群算法的新能源侧储能容量配置[J]．电网与清洁能源， 2022， 38( 10)： 98- 105．
	ZHANG C， RONG N ． Energy storage capacity allocation of renewable energy side based on improved particle swarm optimization[J]． Power System and Clean Energy， 2022， 38( 10)： 98- 105．
23	YIN X， CAO F， WANG J， et al ． Investigations on optimal discharge pressure in CO₂ heat pumps using the GMDH and PSO-BP type neural network：part A：theoretical modeling[J]． International Journal of Refrigeration， 2019， 106： 549- 557． doi: 10.1016/j.ijrefrig.2019.04.027

变量符号	变量名称	变量符号	变量名称
X₁	锅炉机组负荷	X₁₁	吸收塔原烟气SO₂浓度
X₂	SCR反应器入口NO _x 浓度	X₁₂	吸收塔原烟气O₂浓度
X₃	SCR反应器入口O₂浓度	X₁₃	吸收塔净烟气SO₂浓度折算值
X₄	SCR反应器出口NO _x 浓度	X₁₄	SCR反应器入口温度
X₅	SCR反应器出口O₂浓度	X₁₅	SCR反应器出口温度
X₆	SCR反应器出口烟气流量	X₁₆	一次风机入口温度
X₇	尿素溶液流量	X₁₇	空预器出口热一次风温度
X₈	吸收塔净烟气NO _x 浓度折算值	X₁₈	空预器出口热二次风温度
X₉	吸收塔净烟气O₂浓度	Y₁	空预器进出口压差
X₁₀	空预器出口烟气温度

变量符号	变量名称	变量符号	变量名称
X₁	锅炉机组负荷	X₁₁	吸收塔原烟气SO₂浓度
X₂	SCR反应器入口NO _x 浓度	X₁₂	吸收塔原烟气O₂浓度
X₃	SCR反应器入口O₂浓度	X₁₃	吸收塔净烟气SO₂浓度折算值
X₄	SCR反应器出口NO _x 浓度	X₁₄	SCR反应器入口温度
X₅	SCR反应器出口O₂浓度	X₁₅	SCR反应器出口温度
X₆	SCR反应器出口烟气流量	X₁₆	一次风机入口温度
X₇	尿素溶液流量	X₁₇	空预器出口热一次风温度
X₈	吸收塔净烟气NO _x 浓度折算值	X₁₈	空预器出口热二次风温度
X₉	吸收塔净烟气O₂浓度	Y₁	空预器进出口压差
X₁₀	空预器出口烟气温度

评价指标	BP神经网络	SVR	PSO-BP神经网络
均方误差	0.008 7	0.009 2	0.006 3
训练时间/s	26	43 500	15
相关系数	0.988 18	0.923 36	0.987 69
收敛速度	较快	慢	最快
最优值	局部最优	全局最优	全局最优

评价指标	BP神经网络	SVR	PSO-BP神经网络
均方误差	0.008 7	0.009 2	0.006 3
训练时间/s	26	43 500	15
相关系数	0.988 18	0.923 36	0.987 69
收敛速度	较快	慢	最快
最优值	局部最优	全局最优	全局最优

[1]	李延兵, 贾树旺, 张军亮, 符悦, 刘明, 严俊杰. 汽轮机高位布置超超临界燃煤发电系统变工况㶲经济性分析[J]. 发电技术, 2024, 45(1): 69-78.
[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]	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.
[5]	张全斌, 周琼芳. 基于“双碳”目标的中国火力发电技术发展路径研究[J]. 发电技术, 2023, 44(2): 143-154.
[6]	董光德, 李道明, 陈咏涛, 马兴, 付昂, 穆钢, 肖白. 基于粒子群优化与卷积神经网络的电能质量扰动分类方法[J]. 发电技术, 2023, 44(1): 136-142.
[7]	刘福国, 刘科, 王守恩. 基于机会约束的电厂混煤煤质和成本的Pareto前沿[J]. 发电技术, 2022, 43(1): 160-167.
[8]	戴春喜, 梁平, 车德勇, 刘海婷. 蜂窝管湿式电除尘器内部流动特性研究[J]. 发电技术, 2022, 43(1): 155-159.
[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]	赵峰, 孙明兴, 郝哲峰, 车德勇. 基于计算颗粒流体力学的旋风分离器结构优化[J]. 发电技术, 2021, 42(5): 637-642.
[11]	郑开云. 超临界二氧化碳循环发电技术应用[J]. 发电技术, 2020, 41(4): 399-406.
[12]	王秀红,盛伟,刘全山. 电站锅炉烟气余热利用技术方案研究[J]. 发电技术, 2019, 40(3): 276-280.
[13]	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.
[14]	李养俊,何子春,张强,涂伟. 火力发电厂电能质量测试与评估分析[J]. 发电技术, 2018, 39(2): 135-139.
[15]	余小敏, 祝广场, 张锷. 火力发电厂控制系统平衡回路逻辑思路与设计[J]. 发电技术, 2017, 38(2): 26-29,33.

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

Pressure Difference Prediction of Air Preheater in Coal-Fired Power Plant Based on BP Neural Network and Support Vector Regression

RichHTML

PDF (PC)

可视化

摘要/Abstract

引用本文

使用本文

图/表 10

参考文献 23

相关文章 15

编辑推荐

Metrics

本文评价