燃煤锅炉NOx排放建模及优化研究

BP神经网络的sigmod传递函数要求数据区间为[0，1]或[-1，1]，因此在训练之前对数据样本进行归一化处理，在输出的结果中再对输出数据进行返归一化处理。

本研究采用含有1个隐含层的3层BP神经网络结构对锅炉进行排放特性建模，其中输入层网络的神经元节点为14个，输出层节点为1个，隐含层节点16个，各层之间通过log-sigmoid函数连接，学习效率取0.8。对热态试验的每个工况取18个训练样本数据用于网络训练学习，3个校验样本数据用来测试网络的性能，当训练均方误差小于0.001时结束训练。再结合遗传算法优化网络初始权值和阈值，比较网络优化前后的性能差异。

2.2建模结果

由图1可以看出，训练真实值与神经网络仿真值比较吻合，大部分工况都能很好的模拟，仿真平均误差为1.37%，其中最大相对误差出现在训练样本9，最大相对误差为4.61%。

图 1 模型仿真

3个校验样本的相对误差分别为0.46%、0.59%、2.34%，一般省煤器出口NOX排放值大约在400mg/m3，仿真误差完全可以满足电厂运行的需要。NOX排放神经网络模型的3个校验数据相差比较大，但神经网络模型的仿真误差很小，证明神经网络模型的泛化能力很强。

3网络优化

遗传算法是基于环境抉择和生物繁衍行为中演化而成的优化方法，运用仿生技术解决实际问题，借助遗传学中的基因重组、基因变异产生适应度高的新个体，通过多代的遗传，最终得到最优结果。在锅炉NOX排放神经网络模型基础上，结合遗传算法对模型进行优化，优化后网络性能更佳。本研究以网络权值和阈值作为目标函数，初始种群数为35，交叉概率为0.4，变异概率为0.2，设置进化代数为100代，图2为适应度曲线。

图2适应度曲线

优化结果如图3所示。由图3可看出，优化后的模型精确度更高，平均仿真误差为0.18%，训练样本9的误差在优化后降低到了0.85%。3个校验样本的相对误差分别为0.39%、0.51%、0.80%，平均仿真误差为0.57%。

图3优化后的模型仿真

对BP神经网络进行线性回归分析，结果表明训练数据的线性回归分析基本准确，测试数据线性回归稍有偏差，整个网络大部分数据基本能够保持较小误差的仿真模拟，也有部分数据点分布在直线两侧，在可接受范围内。优化结果表明，遗传算法优化BP神经网络是有效的，能够提高网络的精确性，泛化能力。

表2模型性能对比

4结论

（1）对某660MW超临界锅炉的NOX排放特性建立了BP神经网络模型，模型的平均仿真误差为1.37%，校验样本平均相对误差为1.13%，证明网络精确度较高，基本可以满足电站运行需要。

（2）结合遗传算法，对所建立的BP神经网络NOX排放模型进行优化，优化后的平均仿真误差为0.18%，较优化前有所降低，校验样本的数据跨度较大，但仿真误差小，证明模型的泛化能力强。结果表明，遗传算法优化神经网络能够提高其性能。

参考文献略

《环境污染与防治》作者：李鹏辉，何胜，余廷芳

延伸阅读：

烟气SCR脱硝介绍及氨逃逸产生的问题

SNCR-SCR联合脱硝工艺的工程应用

电建学堂带你学习SCR和SNCR脱硝技术

燃煤电厂脱硝技术泛谈之低氮燃烧与SCR SNCR