利用RBF网络的火电厂氮氧化物浓度检测方法

第31卷第1期2017年1月电子测量与仪器学报JOURNALOFELECTRONICMEASUREMENTANDINSTRUMENTATION％f．31No．1·45·DOI：10．13382／j．jemi．2017．01．007利用RBF网络的火电厂氮氧化物浓度检测方法严明江赘严实(1．重庆工商大学检测控制集成系统重庆市市级工程实验室重庆400067；2．重庆川仪分析仪器有限公司重庆400060)摘要：火电厂排放气体中的氮氧化物(NO：、NO、NO等)浓度一直是环保检测的重要指标。针对基于光谱分析的氮氧化物浓度检测精度受到多种因素制约和干扰(如温度、粉尘、水分、电器噪音、光学镜片老化、多组分气体吸收峰值交叉干扰等)，很难采用单一方法进行改进的问题。首先设计硬件预处理装置用于气体组分的过滤和提纯，然后利用构建的径向基函数(RBF)网络对传感器测试值进行校正。RBF神经网络的自学习自训练能力省去了传统的对干扰因素进行补偿的研究建模，使得检测中数据处理工作效率更高。随机抽取国内某大型火电厂2015年实际数据进行仿真实验以及预测、分析，综合平均相对误差为0．841％，表明方法的有效性。关键词：氮氧化物；浓度检测；干扰；神经网络中图分类号：TP212．2；TN911．72文献标识码：A国家标准学科分类代码：51O．40DetectionmethodofNOconcentrationincoalfiredpowerplantusingRBFnetworkYanYueJiangYunYanShi(1．ChongqingEngineeringLaboratoryforDetection，ControlandIntegratedSystem，ChongqingTechnologyandBusinessUniversity，Chongqing400067，China；2．ChongqingChuanyiAnalyzerCo．Ltd．，Chongqing400060，China)Abstract：Theconcentrationofnitrogenoxides(NO2，NO，N2O，etc．)inpowerplantisanimportantindexofenvironmentalprotection．Aimingattheproblemthatthedetectionaccuracyofnitrogenoxidesconcentrationbasedonspectralanalysiscouldbeinterferedbyallkindsoffactors，suchastemperature，moisturecontent，tar，naphthalene，noiseofelectricdevices，opticallensaging，interferenceatspectralabsorptioncharacteristicsofpollutinggasesete，itisdificulttoimproveinasingleway．Atfirst，thehardwaremodificationisfavorableforgaspurificationandfilter．Andthen，theself-learningandself-trainingabilityofRBFneuralnetworkcarlsavethetraditionalmodelforthestudyofinterferencefactors，andmakethedataprocessingmoreeficient．Onthebasisofalargethermalpowerplant’Srealdatain2015，thecomputersimulationandanalysisshowthatthismethodcanimprovetheaccuracyefectively．Theoverall—averagedeviationis0．841％．Keywords：nitrogenoxides；concentrationdetection；interferes；neuralnetwork1引言工业废气排放检测中多组分气体分析一直以来是气体浓度检测仪的主要发展方向。以火电厂排放尾气为例，需要检测的气体主要有氮氧化物(NO，NO，N。O)、SO。以及CO、CO等，目前基于多通道光谱分析技术和积分吸收光谱算法，能够同时测量多组分气体的浓度，被广泛应用于烟气排放连续监测系统、工业过程气体分析系统。而现实环境中基于光谱分析的微量气体浓度检测受到很多不确定因素的影响：多组分气体吸收峰值交叉干扰、光源衰减、光学镜片污染、电子元器件敏感范围、收稿日期：2016~6ReceivedDate