一种节能型消除烟羽的气候反馈动态调控装置及方法

摘要

本发明公开了一种节能型消除烟羽的气候反馈动态调控装置及方法，在输入大气温度、湿度、风速的条件下，通过改变烟气冷凝换热器的出口烟温，预测在消除烟羽条件下烟气再热器的最低出口烟温；采用此发明可以实现在任意的气象条件下，准确快速对烟气冷凝换热器的出口烟温和烟气再热器的出口烟温动态预测和调控，使实时运行费用最低；通过构建MySQL消除烟羽参数数据库，建立系统评价体系，选择全生命周期费用最低的一组烟气冷凝换热器和烟气再热器的出口烟温作为换热器目标设计温度，确定烟气冷凝换热器温度和烟气再热器的设计参数，并利用调控装置进行动态调控，降低换热器初投资费用和运行维护费用。

说明书

技术领域

本发明涉及烟气冷凝加热消除烟羽(俗称消白)动态控制领域，具体涉及一种节能型消除烟羽的气候反馈动态调控装置及方法。

背景技术

随着我国经济持续高速发展，化石能源的消耗量逐年增加，空气质量日益恶化。

为了实现超低排放要求，绝大部分火电厂采用石灰石/石膏湿法脱硫方式脱除SO₂。采用此方法可以将排放SO₂浓度控制在20mg/m³以内，但是采用此法脱硫，排出的烟气中含有大量饱和水蒸气、粒径小于5m的可溶盐气溶胶、SO₃/H₂SO₄、HF、HCl等酸性气体。SO₃及粒径小于5μm的可溶盐气溶胶是导致雾霾产生的一个因素；SO₃/H₂SO₄、HF、HCl等酸性气体在尾部烟道及烟囱中冷凝析出，具有极强的腐蚀性，给锅炉的安全运行带来了隐患。由于大气温度、大气相对湿度、风速等因素影响，含有大量饱和水蒸气的烟气从烟囱中排出后不断扩散降温，冷凝析出大量小液滴，折射散射太阳光线，出现白色烟羽。为了脱除大部分的可溶盐气溶胶和SO₃/H₂SO₄、HF、HCl等酸性气体，在大多数天气条件下消除白色烟羽，在冷凝过程中，烟气沿着饱和湿度曲线降温，烟气达到过饱和状态，大量水蒸气冷凝析出，该过程烟气的绝对含湿量大幅下降。通过冷凝换热器的冷凝过程，不但能通过相变凝并脱除可溶盐气溶胶和SO₃/H₂SO₄、HF、HCl等酸性气体，而且可以通过静电吸附和热涌效应将可溶盐气溶胶和SO₃/H₂SO₄、HF、HCl等PM级的污染物捕集在换热器表面，具有更好的污染物脱除效果。而烟气再热的主要目的是升高烟温，降低烟囱出口湿烟气的相对含湿量，再热过程还可以增加烟气的抬升高度，减少局部污染。为减轻“白烟”现象，一些发达国家将湿烟气升温后排放作为硬性规定，如德国规定排烟温度需高于72℃，英国规定排烟温度需高于80℃，日本规定排烟温度在90～100℃。但是，排烟温度过高，会使得在再热过程中将投入更多的热耗，使得整个企业的成本增加。并且是否产生“白烟”，不仅与排烟温度有关，还与大气的温度、相对湿度和风速有很大关系。

发明内容

为了克服上述现有技术存在的问题，本发明的目的在于提供一种节能型消除烟羽的气候反馈动态调控装置及方法，采用BP神经网络作为气候反馈消除烟羽的控制方法可以准确快速获得在任意气候条件下的多个烟气冷凝换热器温度和烟气再热器温度组合，采用MySQL数据库从多个烟气冷凝换热器温度和烟气再热器温度组合选择全生命费用最低的一组温度作为目标温度，采用动态调控装置将烟气冷凝换热器温度和烟气再热器温度调控到目标温度，采用此发明可以实现在任意的气候条件下，准确快速对烟气冷凝换热器的出口烟温和烟气再热器的出口烟温动态预测和调控，确定烟气冷凝换热器温度和烟气再热器的设计参数，降低换热器初投资费用和运行维护费用。

为了实现上述目的，本发明采用如下技术方案：

一种节能型消除烟羽的气候反馈动态调控装置，按照烟气流向，包括通过烟道依次连接的烟气冷凝换热器1、除雾器2、烟气再热器3和烟囱4；所述烟气冷凝换热器1的第1级换热器通过管路连接在真空泵6与轴封加热器7之间，管路上设置调节阀门12，通过凝汽器5、真空泵6到轴封加热器7之间取出的凝结水作为第一集换热器的冷却工质；所述烟气冷凝换热器1的第2级换热器通过管路连接冷却塔8，管路上设置调节阀门12，冷却塔8的循环水作为第2级换热器的冷却工质将烟气冷却，所述烟气再热器3通过管路连接在除氧器10与主给水泵11之间，通过低压加热器9、除氧器10到主给水泵11之间取出的部分锅炉给水将烟气加热；通过调节阀门12调节凝结水、循环水以及锅炉给水的流量，进而调控烟气冷凝换热器1和烟气再热器3出口烟气温度。

一种节能型消除烟羽的气候反馈动态调控方法，首先在节能型消除烟羽的气候反馈动态调控装置中基于BP神经网络，实现实时大气条件下，通过设置烟气冷凝换热器1出口烟温，预测烟气再热器3再热温度；并利用关系型数据库管理系统MySQL选择全生命周期费用最低的一组烟气冷凝换热器1和烟气再热器3的出口烟温作为最终目标温度，从而确定烟气冷凝换热器1温度和烟气再热器3的设计参数；最后，基于冷凝再热技术路线的动态调控装置，实现烟气冷凝换热器1和烟气再热器3出口烟气温度的动态调控，降低换热器初投资费用和运行维护费用，包括以下步骤：

S1、搭建基于节能型消除烟羽的气候反馈动态调控装置：

S2、通过BP神经网络预测烟气冷凝换热器1和烟气再热器2的出口烟温组合：

S2-1、数据处理：获取在不同的大气温度、大气相对湿度、风速和烟气冷凝换热器1出口烟温条件下的烟气再热器3的出口温度，由此得到实验样本的已标定的消除烟羽数据集R，其中一共包含M组实验数据及其对应的实验结果，并对消除烟羽数据集R进行归一化处理；.

S2-2、数据分组：将所述已归一化处理的消除烟羽数据集R分为训练集D、变量集V和测试集T三类数据；

S2-3、寻找最优的BP神经网络并初始化：初始化BP神经网络，创建一个含有两个隐含层的BP神经网络，找到隐含层最佳神经元个数，按照实际需要设定学习率、神经元激活函数、传递函数、训练最小均方误差目标、速度和最大训练次数；

S2-4、预测烟气冷凝换热器和烟气再热器出口烟温组合：在给定大气条件下，通过改变烟气冷凝换热器1出口烟温，预测烟气再热器3的出口烟温，训练出泛化能力满足工厂实际需求的BP神经网络所有权值和阈值，直接用于在实时大气条件下预测烟气冷凝换热器1和烟气再热器3的出口烟温组合；

S2-5、提高BP神经网络的泛化能力：将步骤S2-1实时获得的消除烟羽数据集R，输入到BP神经网络中得到BP神经网络仿真结果并与实际结果作对比，不断缩小仿真结果和实际结果之间的误差，优化整个BP神经网络；

S3、通过S2，在不同大气条件下，可以预测一系列不同的烟气冷凝器1和烟气再热器3的出口烟温组合，为了动态选择全生命周期费用最低的一组作为实际调控目标，利用关系型数据库管理系统MySQL建立系统评价体系：

S3-1、消除烟羽过程的参数包括：单位流量的45℃～70℃饱和湿烟气冷凝到30℃～48℃时不同烟气流速、冷却水温和换热器材料条件下烟气冷凝换热器1的重量、烟风阻力、水侧阻力、换热器功率和冷凝水量；单位流量的30℃～48℃饱和湿烟气加热到54℃～90℃时不同烟气流速、加热工质温度和换热器材料条件下烟气再热器的重量、烟风阻力、工质侧阻力和换热器功率；单位流量的烟气冷凝换热器1循环冷却水在不同大气温度、相对湿度、风速和循环温度条件下的运行电耗；

S3-2、建立评价体系：根据消除烟羽过程的参数，在MySQL中计算不同烟气冷凝换热器1和烟气再热器3出口烟温组合的初投资费用以及运行维护费用，实现在给定消除烟羽温度点、设备运行年数的条件下，选择全生命周期费用最低的一组烟气冷凝换热器1和烟气再热器3的出口烟温作为目标温度，确定烟气冷凝换热器1温度和烟气再热器3的设计参数；

S3-3、所述的初投资费用包括：

烟气冷凝换热器1和烟气再热器3的价格＝8*1.4*换热器重量；式中烟气冷凝换热器1和烟气再热器3的价格单位是万元，换热器重量单位是吨；

冷却塔造价＝250*循环水重量；其中冷却塔造价单位是元，循环水重量单位是吨；

S3-4、所述的运行维护费用包括：

每100t冷却水电耗设置为27.5kW；

引风机功耗＝Pa*Q/(1000*3600*0.8)，式中引风机功耗单位是kw，Pa是风机的全风压，Q为风量，单位是m³/h；

每MW湿饱和蒸汽需要2t，130℃蒸汽加热；

系统补水：2t；

电费：0.5元/千瓦时；蒸汽：130元/t，水费3元/t；

S4、动态调控装置根据实时气象条件，将烟气冷凝换热器和烟气再热器3的出口烟温动态调控到目标温度，使运行过程费用达到最低：

S4-1、烟气冷凝换热器1利用凝结水和冷却塔循环水回收烟气中的高品位热能，通过调整凝结水和冷却塔循环水的流量以及变频风机的功率以及关闭部分烟气冷凝换热器改变传热面积实现动态调节烟气冷凝换热器1出口温度的目的；

S4-2、烟气再热器3利用汽轮机抽汽或从除氧器10出口到主给水泵11之间取出的部分锅炉给水将烟气加热，通过调整抽汽或给水的流量、温度以及关闭部分烟气再热器改变传热面积实现动态调节烟气再热器3出口烟温的目的。

所述步骤S2-1中进行归一化处理的计算公式为：

p_n＝2*(p-p_min)/(p_max-p_min)-1

式中，p_n，p，p_min和p_max分别为归一化后的样本数据，原始样本数据，原始样本数据的最小值和原始样本数据的最大值。

所述步骤S2-2中数据分组包括：

将已归一化处理的M组消除烟羽数据集中60％的组数作为正常训练数据，20％的组数作为变量数据，20％的组数作为测试数据；其中，在网络训练中设置变量数据，用以防止过拟合状态；在网络训练中输入测试数据用以检验训练后网络的预测能力。

所述步骤S2-3中寻找最优的BP神经网络并初始化包括：

创建一个四层BP神经网络，分别为输入层、两层隐含层和输出层，输入层神经元个数为4，输出层神经元个数为1；隐含层的神经元个数由公式确定，其中n₁为隐含层节点数；n为输入层节点数；m为输出层节点数；α为0～10之间的常数；隐含层神经元个数为所述隐含层神经元个数设定范围内的所有整数，按遍历搜索的方式寻找隐藏层最佳神经元个数；

利用高斯分布随机数初始化BP神经网络的所有权值和阈值；所有神经元激活函数均采用Sigmoid函数；分别设置训练最小均方误差、训练最小性能梯度、最大训练次数和训练函数；

所述步骤S2-4中预测烟气冷凝换热器1和烟气再热器3出口烟温组合包括：

根据步骤S2-3，选择最优的BP神经网络，在实时大气条件下将获得的大气温度，大气相对湿度，风速以及烟气冷凝换热器1的出口烟温归一化并输入到BP神经网络中，将得到的结果反归一化即能够预测烟气再热器3的再热温度，与相对应的烟气冷凝换热器1的出口烟温组成一个烟气冷凝换热器1和烟气再热器3出口烟温组合。

所述步骤S4-1中的烟气冷凝换热器1的目的是将45℃～70℃饱和湿烟气冷凝到30℃～48℃，因为工质进出温差小而烟气中水蒸气潜热量巨大、工质流量巨大，所以为了减小烟气冷凝换热器1中的工质流速，降低工质流动阻力，沿烟气流向将烟气冷凝换热器1分为并联的2～6级，每一级均设置独立的进出水集箱；第一级烟气冷凝换热器的进口烟温最高，工质选用凝结水，回收烟气中的高品位热能，凝结水升温至42℃以上；对于没有凝结水的机组，第一级及以后的烟气冷凝换热器的工质选择冷却塔循环水，冷却塔选用双曲线自然通风冷却塔、机械通风冷却塔和闭式空冷塔。

所述步骤S4-2中的烟气再热器3利用110℃～400℃的汽轮机抽汽或从除氧器10出口到主给水泵11之间取出的温度为100℃～140℃的部分锅炉给水将烟气加热至54℃～85℃，抽汽使用后生成的疏水送入除氧器10，锅炉给水送回主给水泵前的管路；烟气再热器3入口设置除雾器2，除去烟气中携带的小液滴，减轻烟气再热器3的腐蚀与结垢问题，降低再热能耗；烟气再热降低排烟的相对湿度，避免水蒸气在扩散降温过程中凝结生成小液滴，从视觉上消除白烟。

和现有技术相比较，本发明创新点、优点和积极效果是：

1)采用BP神经网络作为气候反馈消除烟羽的控制方法可以准确快速获得在任意气候条件下的最低烟气再热器温度，降低试验成本，减少运行费用，使系统更加灵活。

2)BP神经网络具有非线性映射能力、自学习和自适应能力、泛化能力和容错能力。采用BP神经网络进行系统的优化及预测，相对于传统方法具有创新优势。

3)相比较于基于Logistic回归的模型算法，BP神经网络是二层以上的前馈神经网络，相较于Logistic回归的单层神经网络，可以将误差反向传播，及时修正各层单元的权值和偏置，具有较高准确度的优势。

4)本发明方法考虑了大气的温度、相对湿度以及风速等外在因素参数对消除烟羽系统的影响，扩大了数据集的维度。

5)本发明通过实际生产中反馈的数据，不断优化网络，提高网络的泛化能力。

6)本发明通过基于MySQL数据库建立的消除烟羽系统的评价体系，实现在给定的大气条件下，选取总运行费用最低的消除烟羽温度组合的目的。通过控制系统的优化，降低消除烟羽费用，兼顾环保效益与经济效益。

7)本发明的系统评价体系，既包括烟气冷凝换热器、烟气再热器和冷却塔造价等初投资费用，同时也考虑了电耗、引风机功耗、水费、电费等运行维护费用的因素，考虑影响系统的因素更加全面，实现了烟气消除烟羽全生命周期费用最低的目标。

8)本发明的动态调控装置，不仅可以实现对烟气冷凝换热器和烟气再热器的温度动态调控，消除烟羽，还可以在烟气消除烟羽的同时加热凝结水，回收烟气余热，降低了烟气消除烟羽系统的运行费用。

附图说明

图1是本发明提供的一种节能型消除烟羽的气候反馈动态调控装置中烟气侧的连接示意图。

图2是本发明一种节能型消除烟羽的气候反馈动态调控方法流程图。

图3是BP神经网络模型的预测结果与试验结果对比图。

图4是BP神经网络训练过程的误差图。

具体实施方式

为使本发明要解决的技术问题、技术方案和优点更加清楚，下面将结合附图及具体实施例进行详细描述。

对于冷凝再热的消除烟羽技术路线，影响消除烟羽效果和系统的全生命周期费用的因素有很多，其中最主要的因素是烟气冷凝换热器以及烟气再热器的出口烟温。冷凝出口烟温降低，烟气再热器出口烟温提高都会实现消除烟羽的目的，但是同时会增加大量的电耗以及热耗投入，造成企业的投资和运行维护费用过高。而烟气冷凝换热器、烟气再热器的出口烟温又与大气的温度、相对湿度、风速有关。因此，在设计消白系统的时候，根据当地的气候条件，需要确定生命周期费用最低的冷凝换热器与再热换热器的出口烟温，从而确定换热器的设计参数。

本发明的目的在于提供一种节能型消除烟羽的气候反馈动态调控装置及方法。

其中动态预测的主要途径是基于BP神经网络，通过实时的大气温度、湿度、风速和烟气冷凝换热器出口烟温动态预测烟气再热器的出口烟温，实现消除烟羽；

作为本发明进一步的方案，由于不同再热温度影响着该温度下再热过程的热耗和再热换热器造价，不同冷凝温度影响着该温度下冷凝过程的泵功损耗和冷凝换热器造价，因此本发明基于MySQL数据库，通过构建模型和设计函数，实现在给定大气温度、相对湿度、风速以及运行时间的条件下，选择全生命周期费用最低的一组烟气冷凝换热器和烟气再热器的出口烟温作为最终目标温度。

为了实现最终的目标温度组合，本发明设计了一个动态调控的装置，在冷凝过程中，选用凝结水或冷却塔循环水回收烟气中的高品位热能；在再热过程中，利用汽轮机抽汽或从除氧器出口到主给水泵之间取出的部分锅炉给水将烟气加热。

如图1所示，一种节能型消除烟羽的气候反馈动态调控装置，按照烟气流向，包括通过烟道依次连接的烟气冷凝换热器1、除雾器2、烟气再热器3和烟囱4；所述烟气冷凝换热器1的第1级换热器通过管路连接在真空泵6与轴封加热器7之间，管路上设置调节阀门12，通过凝汽器5、真空泵6到轴封加热器7之间取出的凝结水作为第1级换热器的冷却工质；所述烟气冷凝换热器1的第2级换热器通过管路连接冷却塔8，管路上设置调节阀门12，冷却塔8的循环水作为第2级换热器的冷却工质将烟气冷却，所述烟气再热器3通过管路连接在除氧器10与主给水泵11之间，通过低压加热器9、除氧器10到主给水泵11之间取出的部分锅炉给水将烟气加热；通过调节阀门12调节凝结水、循环水以及锅炉给水的流量，进而调控烟气冷凝换热器1和烟气再热器3出口烟气温度。

如图2所示，一种节能型消除烟羽的气候反馈动态调控方法，首先在节能型消除烟羽的气候反馈动态调控装置中基于BP神经网络，实现实时大气条件下，通过设置烟气冷凝换热器1出口烟温，预测烟气再热器3再热温度；并利用关系型数据库管理系统MySQL选择全生命周期费用最低的一组烟气冷凝换热器和烟气再热器的出口烟温作为最终调控温度，从而确定烟气冷凝换热器1温度和烟气再热器3的设计参数；最后，基于冷凝再热技术路线的动态调控装置，实现烟气冷凝换热器1和烟气再热器3出口烟气温度的动态调控，降低换热器初投资费用和运行维护费用；包括以下步骤：

S1、搭建基于节能型消除烟羽的气候反馈动态调控装置：

S2、通过BP神经网络预测烟气冷凝换热器1和烟气再热器3出口烟温组合：

S2-1、数据处理：获取在不同的大气温度、大气相对湿度、风速和烟气冷凝换热器1出口烟温条件下的烟气再热器3的出口温度，由此得到实验样本的已标定的消除烟羽数据集R，其中一共包含N组实验数据及其对应的实验结果，并对消除烟羽数据集R进行归一化处理；.

S2-2、数据分组：将所述已归一化处理的消除烟羽数据集R分为训练集D、变量集V和测试集T三类数据；

S2-3、寻找最优的BP神经网络并初始化：初始化BP神经网络，创建一个含有两个隐含层的BP神经网络，找到隐含层最佳神经元个数，按照实际需要设定学习率、神经元激活函数、传递函数、训练最小均方误差目标、速度和最大训练次数；

S2-4、预测烟气冷凝换热器和烟气再热器出口烟温组合：在给定大气条件下，通过改变烟气冷凝换热器1出口烟温，预测烟气再热器3的出口烟温，训练出泛化能力满足工厂实际需求的BP神经网络所有权值和阈值，直接用于在实时大气条件下预测烟气冷凝换热器1和烟气再热器3出口烟温组合；

S2-5、提高BP神经网络的泛化能力：将步骤S2-1实时获得的消除烟羽数据集R，输入到BP神经网络中得到BP神经网络仿真结果并与实际结果作对比，不断缩小仿真结果和实际结果之间的误差，优化整个BP神经网络；

S3、通过S2，在不同大气条件下，可以预测一系列不同的烟气冷凝器1和烟气再热器3的出口烟温组合，为了动态选择全生命周期费用最低的一组作为实际调控目标，利用关系型数据库管理系统MySQL建立系统评价体系：

S3-1、消除烟羽过程的参数包括：单位流量的45℃～70℃饱和湿烟气冷凝到30℃～48℃时不同烟气流速、冷却水温和换热器材料条件下烟气冷凝换热器1的重量、烟风阻力、水侧阻力、换热器功率和冷凝水量；单位流量的30℃～48℃饱和湿烟气加热到54℃～90℃时不同烟气流速、加热工质温度和换热器材料条件下烟气再热器的重量、烟风阻力、工质侧阻力和换热器功率；单位流量的烟气冷凝换热器1循环冷却水在不同大气温度、相对湿度、风速和循环温度条件下的运行电耗；

S3-2、建立评价体系：根据消除烟羽过程的参数，在MySQL中计算不同烟气冷凝换热器1和烟气再热器3出口烟温组合的初投资费用以及运行维护费用，实现在给定消除烟羽温度点、设备运行年数的条件下，选择全生命周期费用最低的一组烟气冷凝换热器1和烟气再热器3的出口烟温作为目标温度，确定烟气冷凝换热器1温度和烟气再热器3的设计参数；

S3-3、所述的初投资费用包括：

烟气冷凝换热器1和烟气再热器3的价格＝8*1.4*换热器重量；式中烟气冷凝换热器1和烟气再热器3的价格单位是万元，换热器重量单位是吨；

冷却塔造价＝250*循环水重量；其中冷却塔造价单位是元，循环水重量单位是吨；

S3-4、所述的运行维护费用包括：

每100t冷却水电耗设置为27.5kW；

引风机功耗＝Pa*Q/(1000*3600*0.8)，式中引风机功耗单位是kw，Pa是风机的全风压，Q为风量，单位是m³/h；

每MW湿饱和蒸汽需要2t，130℃蒸汽加热；

系统补水：2t；

电费：0.5元/千瓦时；蒸汽：130元/t，水费3元/t；

S4、动态调控装置根据实时气象条件，将烟气冷凝换热器和烟气再热器3的出口烟温动态调控到目标温度，使运行过程费用达到最低：

S4-1、烟气冷凝换热器利用凝结水和冷却塔循环水回收烟气中的高品位热能，通过调整凝结水和冷却塔循环水的流量、冷却塔变频风机的功率以及关闭部分烟气冷凝换热器改变传热面积实现动态调节烟气冷凝换热器出口温度的目的；

S4-2、烟气再热换热器1利用汽轮机抽汽或从除氧器10出口到主给水泵11之间取出的部分锅炉给水将烟气加热，通过调整抽汽或给水的流量、温度以及关闭部分烟气再热器改变传热面积实现动态调节烟气再热器3出口烟温的目的。

作为本发明的优选实施方式，所述步骤S2-1中进行归一化处理的计算公式为：

p_n＝Z*(p-p_min)/(p_max-p_min)-1

式中，p_n，p，p_min和p_max分别为归一化后的样本数据，原始样本数据，原始样本数据的最小值和原始样本数据的最大值。

作为本发明的优选实施方式，所述步骤S2-2中数据分组包括：

将已归一化处理的N组消除烟羽数据集中60％的组数作为正常训练数据，20％的组数作为变量数据，20％的组数作为测试数据；其中，在网络训练中设置变量数据，用以防止过拟合状态；在网络训练中输入测试数据用以检验训练后网络的预测能力。

作为本发明的优选实施方式，所述步骤S2-3中寻找最优的BP神经网络并初始化包括：

创建一个四层BP神经网络，分别为输入层、两层隐含层和输出层，输入层神经元个数为4，输出层神经元个数为1；隐含层的神经元个数由公式确定，其中n₁为隐含层节点数；n为输入层节点数；m为输出层节点数；α为0～10之间的常数；隐含层神经元个数为所述隐含层神经元个数设定范围内的所有整数，按遍历搜索的方式寻找隐藏层最佳神经元个数；

利用高斯分布随机数初始化BP神经网络的所有权值和阈值；所有神经元激活函数均采用Sigmoid函数，其计算公式为

分别设置训练最小均方误差、训练最小性能梯度、最大训练次数和训练函数；

BP神经网络拓扑模型进行训练学习的步骤如下：

(1)，输入数据：步骤S2，步骤S3中对收集到的消除烟羽的数据进行预处理后，不同的工况可用N个变量表示，则训练组有L对输入输出组成{X_N，A_N}(N＝1,2,3,训练)，其中X_N为输入，A_N为真实值；

(2)，计算标准差：X_N经过神经网络传播后得到的预测输出为Y_N，则Y_N与真实值之间存在误差，用标准差来衡量预测值与真实值之间的误差；

(3)，逆向反馈：调整w和b值使误差函数的值最小；

(4)，重复执行逆向反馈更新神经网络中每条连接线的权重和每层的偏置，在没有到达停止条件情况下重复上述过程；其中停止条件可以有以下两种：

a)预测的错误率e低于0.01的阈值；

b)达到200次的迭代次数。

通过BP神经网络预测烟气冷凝换热器和烟气再热器出口烟温组合的方法：

根据步骤S2-3，选择最优的BP神经网络，在实时大气条件下将获得的大气温度，大气相对湿度以及风速，设置烟气冷凝换热器1的出口烟温归一化并输入到BP神经网络中，将得到的结果反归一化即预测烟气再热器3的再热温度，与相对应的烟气冷凝换热器1的出口烟温组成一个烟气冷凝换热器1和烟气再热器3出口烟温组合。并通过动态调控装置进行调控。

所述步骤S4-1中的烟气冷凝换热器1的目的是将45℃～70℃饱和湿烟气冷凝到30℃～48℃，因为工质进出温差小而烟气中水蒸气潜热量巨大、工质流量巨大，所以为了减小烟气冷凝换热器1中的工质流速，降低工质流动阻力，沿烟气流向将烟气冷凝换热器1分为并联的2～6级，每一级均设置独立的进出水集箱；第一级烟气冷凝换热器的进口烟温最高，工质选用凝结水，回收烟气中的高品位热能，凝结水升温至42℃以上；对于没有凝结水的机组，第一级及以后的烟气冷凝换热器的工质选择冷却塔循环水，冷却塔选用双曲线自然通风冷却塔、机械通风冷却塔和闭式空冷塔。

所述机械通风冷却塔主要由变频风机、塔体、填料、收水器、百叶窗等组成。

所述步骤S4-2中的烟气再热器3利用110℃～400℃的汽轮机抽汽或从除氧器10出口到主给水泵11之间取出的温度为100℃～140℃的部分锅炉给水将烟气加热至54℃～85℃，抽汽使用后生成的疏水送入除氧器10，锅炉给水送回主给水泵前的管路；烟气再热器3入口设置除雾器2，除去烟气中携带的小液滴，减轻烟气再热器3的腐蚀与结垢问题，降低再热能耗；烟气再热降低排烟的相对湿度，避免水蒸气在扩散降温过程中凝结生成小液滴，从视觉上消除白烟。

图3是测试中最优的BP神经网络模型的预测结果与试验结果对比图；从图中可以看出：通过训练，本网络可以实现较高精度的预测。

图4是测试中最优的BP神经网络训练过程的误差图；从图中可以看出：当迭代6次时，验证性能为0.0010442，达到最优。