燃煤电厂SCR烟气脱硝催化剂寿命预测研究

数据预处理步骤如下：

1）从每天不同时刻的K中选出最大值；

2）算出每5天K最大值的平均值；

3）找到5天中与K最大值的平均值最接近的实际数据，并去掉明显不符合催化剂活性变化规律的数据，最后得到预测样本。

对电厂1的数据进行上述预处理后得到催化剂活性变化如图2所示。

图2电厂1预处理后催化剂活性变化示意

对比图1、图2可见，预处理后的数据更便于观察，也更符合电厂SCR催化剂活性变化规律，可直接用于催化剂活性预测研究。因此，对电厂2—电厂5的数据也进行同样的预处理。

2预测模型一

对于与SCR催化剂失活相关的多因素耦合、繁复的数据信息，从数据驱动的角度可以避免建立复杂物理模型。本文分别使用曲线拟合、灰色预测、BP神经网络、灰色神经网络4类方法进行预测，从而筛选出可以提高催化剂寿命预测准确度的预测模型。

2.1曲线拟合

曲线拟合以离散的观测数据点为基础，用连续曲线近似地拟合观测数据，并分析变量之间的关系。工程中常用的曲线拟合方法有多项式法、指数法和高斯拟合法，下面是几种典型曲线拟合方法的趋势模型（模型中an、bn、cn均为模型参数）。

2.2灰色预测模型

灰色系统理论是我国学者邓聚龙教授提出的针对不确定性问题的研究方法[17]。对于同时含有已知信息和未知不确定信息的灰色系统，其数据可能是杂乱无章的，但是灰色预测可以通过鉴别各因素之间发展趋势的相异程度，对原始数据进行处理，建立微分方程寻找灰色系统数据变动的规律，从而预测系统未来的发展趋势。灰色模型对实测数据没有严格要求，所需数据量较少。本文采用单一变量GM(1,1)灰色预测模型，使用此模型的前提是建模序列必须满足等时距的要求。

2.3BP神经网络

2.3.1简介

BP（backpropagation）人工神经网络是模仿生物神经系统功能和结构发展起来的信息处理系统[20]。人工神经网络由大量简单的处理单元以某种方式彼此互联而成的复杂网络系统，具有学习、记忆、联想、归纳和自适应学习能力。在众多人工神经网络模型中，按误差逆传播算法训练的BP神经网络，因其运算能力强、建模过程简单，已经成为目前应用最广泛的神经网络模型。BP神经网络具备大规模并行处理数据的特点，可以存储和学习大量输入-输出模式的映射关系，非常适合应用于需要同时考虑诸多因素和条件的不精确或者模糊的信息处理问题。

延伸阅读：

燃煤机组SCR脱硝催化剂性能评价与寿命管理系统

延长蜂窝式脱硝催化剂的使用寿命