基于改进粒子群优化长短时记忆神经网络的脱硫系统SO2预测模型

摘要

针对燃煤电厂脱硫系统出口So2质量浓度难以稳定控制的问题,提出了一种基于改进粒子群算法(IPSO)优化长短时记忆(LSTM)神经网络的IPSO-LSTM预测模型.首先利用主成分分析(PCA)计算各个变量的贡献率从而筛选出模型的辅助变量,实现辅助变量的降维.其次,利用改进粒子群算法确定LSTM神经网络的神经元数量、学习率和迭代次数.最后,将选定的辅助变量作为IPSO-LSTM预测模型的输入,预测出口SO2质量浓度,采用国内某电厂2×600MW机组脱硫数据进行仿真,并与相关11种模型进行对比.仿真结果表明,本文模型预测误差最小,其均方根误差为0.98mg/m3,平均相对误差为1.81％;与传统LSTM、LSSVM模型相比,预测精度分别可提高72％和81％;与其他相关模型相比,改进的PSO可以提高PSO的全局寻优能力和收敛速度,当LSTM神经网络具有2层隐含层时,IPSO-LSTM模型预测精确度最高.