为了准确控制燃煤机组湿法脱硫系统稳定运行,提出了一种基于时延分析和改进蜉蝣算法优化极限学习机的出口 SO2浓度预测模型.模型建立步骤:确定模型的初始输入变量,并利用改进后的时延分析方法对输入变量进行时延补偿.利用反向学习对蜉蝣算法(MA-ELM)进行改进,防止算法陷入局部收敛.提出基于改进蜉螃算法的变量选择方法(IMA-ELM),将变量选择与优化算法和预测模型相结合.以山西某600MW燃煤机组为例,选取2500组代表性历史数据,建立了 IMA-ELM模型并进行了仿真实验,结果表明:(1)对ELM隐含层权值和偏差进行优化后,模型的均方根误差(RMSE)从1.477 5降低到1.3014,模型误差下降了 12％;(2)利用互信息算法对输入变量进行时延分析并补偿,使模型精度提升了 5％;(3)采用误差评价指标分析,IMA-ELM算法的均方根误差和平均相对误差(MAPE)均小于粒子群算法(PSO-ELM)与蜉蝣算法(MA-ELM).(4)利用IMA算法对模型参数进行优化,相比于PSO-ELM和MA-ELM模型,IMA-ELM模型的预测精度更高.基于实际运行数据的仿真实验表明,提出的IMA-ELM预测模型可以对出口 SO2浓度变化趋势进行准确预测,进而为运行人员控制脱硫系统平稳运行提供参考,对于提高脱硫效率和节约脱硫成本具有重要意义.

湿法脱硫;极限学习机;蜉蝣算法;时延分析;浓度预测

李健;王东;王瑞;尚星宇

国家能源集团科学技术研究院有限公司银川分公司,宁夏 银川 75001

电力科技与环保

[1]李健;王东;王瑞;尚星宇-.基于时延分析和IMA-ELM的出口 SO2浓度预测)[J].电力科技与环保,2022(04):279-285

时延分析,IMA,ELM,SO2,浓度预测,准确控制,燃煤机组,湿法脱硫系统,系统稳定,改进蜉蝣算法,算法优化,化极,极限学习机,定模,时延补偿,反向学习,局部收敛,变量选择,选择方法,选择与优化,600MW,历史数据,隐含层,权值,RMSE,模型误差,差下,互信息,信息算法,模型精度,精度提升,指标分析,平均相对误差,MAPE,粒子群算法,PSO,实际运行,运行数据,浓度变化,准确预测,运行人员,脱硫效率,脱硫成本

0.313399