基于长短时记忆-反向传播级联模型的湿法脱硫系统性能预测

摘要：

为利用深度强化学习实现石灰石/石膏湿法烟气脱硫(wet flue gas desulfurization,WFGD)过程中脱硫成本的运行优化,需要建立WFGD系统与强化学习的环境模型.考虑到传统WFGD系统机理建模较为复杂以及脱硫数据具有时序性特征,构建长短时记忆(long short-term memory,LSTM)网络和反向传播(back propagation,BP)神经网络结合的LSTM-BP级联模型算法,采用数据预处理技术确定模型的输入量,并以给浆密度和给浆流量作为预测量验证模型的可靠性.以国内某2×600 MW电厂WFGD系统为例,验证模型在实际工况下的应用表现.基于Python语言和TensorFlow框架下的仿真结果表明,级联模型中LSTM具有2层隐含层时相比其他传统模型具有更高的预测精确度,均方根误差(root mean squared error,RMSE)和平均绝对百分比误差(mean absolute percentage error,MAPE)分别为3.47 kg/m3、0.28％和0.97 m3/h、6.4％,为进一步实现脱硫成本运行优化建立了良好的前提.

关键词：湿法烟气脱硫(WFGD);计算机模拟;深度学习;长短时记忆神经网络(LSTM);预测模型

所属期刊栏目：21

分类号：TP183;TM621(自动化基础理论)

资助基金：国家自然科学基金;上海市科学技术委员会工程技术研究中心资助项目

在线出版日期：2021-11-12（万方平台首次上网日期，不代表论文的发表时间）

页数：共7页

页码：12616-12622