燃煤电厂SCR烟气脱硝催化剂寿命预测研究

3.4灰色神经网络

3.4.1残差模型

经过计算比较后发现，当灰色神经网络残差模型拓扑结构为3-6-1时预测误差最小。取1—46组数据作为样本数据，将47—51组数据作为测试数据，灰色神经网络残差模型3-6-1结构SCR催化剂活性预测结果与误差见表5，其平均误差为30.3738%。

表5灰色神经网络残差模型SCR催化剂活性预测结果与误差

3.4.2直接输出模型

计算比较后发现当灰色神经网络直接输出模型拓扑结构为2-5-1时误差最小。取1—46组数据作为样本数据，将47—51组数据作为测试数据，灰色神经网络直接输出模型2-5-1结构预测结果与误差见表6，其平均误差为32.6349%。

表6灰色神经网络直接输出模型SCR催化剂活性预测结果与误差

为了进一步降低误差，将SCR催化剂活性影响因素也作为灰色神经网络直接输出模型的输入变量对模型进行优化。即输入变量包括灰色预测残差和机组负荷、脱硝效率、烟温、烟气量、时间、FGD出口NOx质量浓度、喷氨量、煤中硫质量浓度、砷质量浓度。经过计算比较后发现当灰色神经网络直接输出模型拓扑结构为10-2-1时误差最小。取1—46组数据作为样本数据，将47—51组数据作为测试数据，预测结果与误差见表7，其平均误差为15.3916%。

表7直接输出模型（优化后）SCR催化剂活性预测结果与误差

3.5不同预测方法分析比较

上述预测模型计算结果见表8，对比可知灰色神经网络中优化后的直接输出模型预测误差最小。为了进一步验证该结论，本文对在役电厂2、3、4、5的数据进行预处理后用同样的方法进行预测，比较其预测误差，结果见表9。分析表9发现，灰色神经网络中优化后直接输出模型的SCR催化剂活性误差最小。因此，在燃煤电厂实际运行过程中，当数据满足等时距特性时，可将灰色神经网络中的直接输出模型（优化后）作为SCR催化剂的寿命预测模型。

表8电厂1各预测模型SCR催化剂活性预测误差 %

表9各电厂不同预测模型SCR催化剂活性预测误差 %

3.6预测方法优化

在采用上述几种同样的模型进行SCR催化剂活性预测时，电厂1的预测误差最大。为了降低其预测误差，将数据预处理改为由烟气量作为标准对数据进行筛选的方法。电厂1的原始数据中烟气量变化范围为527.8~1564.5km3/h（标准状态，下同），以烟气量在1000~1021km3/h范围内为标准，筛选后共得到70组数据。这些数据样本不再具有等时距特性，不满足灰色神经网络预测模型的使用条件，故使用BP神经网络进行预测。将1—65组数据作为训练样本，66—70组作为预测样本，BP神经网络SCR催化剂活性预测结果与误差见表10。

表10数据优化后电厂1SCR催化剂活性BP神经网络预测结果与误差

比较表8和表10，以烟气量为标准进行筛选后使用BP神经网络预测的误差显著降低，改进后的平均误差仅为2.1819%。

4结论

1）针对燃煤电厂实际运行数据十分繁杂的特点，首先对数据进行预处理，然后使用曲线拟合、灰色预测、BP神经网络、灰色神经网络4种模型进行SCR催化剂活性预测。比较发现，当数据满足等时距特性时，灰色神经网络直接输出模型（优化后）的预测误差最小，准确度更高。

2）对于烟气参数尤其是烟气量波动较大的在役电厂，先以烟气量为标准对数据进行筛选，再使用BP神经网络预测方法，这样可进一步降低SCR催化剂活性预测误差，提高预测精度。

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