燃煤电厂SCR烟气脱硝催化剂寿命预测研究

2.4.1残差模型

灰色神经网络中的残差修正模型首先将原始数据通过灰色预测方法预测，随后将灰色预测结果的残差作为BP神经网络的输入输出，从而达到自身修正、降低误差的目的。

2.4.2直接输出模型

灰色神经网络直接输出模型首先将原始数据用灰色预测方法预测，随后把灰色预测的结果与SCR催化剂服役时间同时作为BP神经网络的输入，最后得到网络输出即SCR催化剂活性预测值。

3工程实例分析

3.1曲线拟合

随着运行时间的延长，SCR催化剂活性会逐渐降低，因此使用曲线拟合法预测时，将时间作为自变量，SCR催化剂活性则为因变量。用MATLAB软件中的cftool工具箱直接对样本数据进行曲线拟合。以电厂1为例，在进行数据预处理后共得到51组数据，取1—46组数据作为样本数据，拟合得到SCR催化剂活性变化公式，然后将47—51组数据作为测试数据，代入式(1)得到SCR催化剂活性拟合值，并与SCR催化剂活性真实值进行对比，结果见表1、表2

表1SCR催化剂活性预测

表2曲线拟合法不同模型SCR催化剂活性误差分析

3.2灰色预测

预处理后的电厂1数据满足等时距特性，此时可以使用GM(1,1)模型进行预测，取1—46组数据作为样本数据，将47—51组数据作为测试数据，结果见表3。由表3预测结果显示，曲线拟合和灰色预测模型的预测精度较低，平均误差高达39.1183%。因此，使用单一的曲线拟合或灰色预测模型往往无法反映催化剂活性与各影响因素间复杂的非线性关系。

表3灰色预测SCR催化剂活性结果与误差

3.3BP神经网络

以电厂1为例，经过SPSS软件分析可知，机组负荷、脱硝效率、烟温、烟气量、时间、FGD（烟气脱硫）出口NOx质量浓度、喷氨量、煤中硫、砷质量浓度都与SCR催化剂活性显著相关，因此将这些影响因素作为BP神经网络的输入并进行归一化处理，SCR催化剂活性作为BP神经网络的输出。

经过计算比较后发现，当BP神经网络中隐含层神经元为4时预测误差最小，因此BP神经网络拓扑结构为9-4-1（输入层神经元数-隐含层神经元数-输出层神经元数）。取1—46组数据作为样本数据，将47—51组数据作为测试数据，BP神经网络的预测结果与误差见表4，其平均误差为17.1534%。

表4BP神经网络预测SCR催化剂活性结果与误差

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