一种静电除尘器火花跟踪控制方法

摘要

本发明公开了一种静电除尘器火花跟踪控制方法，该方法通过对临近闪络故障电压的分析以及广义回归神经网络预测出当前电场可能的故障电压，并以此为基础，对三线法进行改进，设计出更合理的故障起始电压值设定策略及电压提升速率计算方法，不仅保留了三线法对环境的自我适应能力，更显著提升了电场的平均运行电压，提高除尘效率。

主权项

一种静电除尘器火花跟踪控制方法，其特征在于，包括以下步骤：(1)设静电除尘器电场能够承受的最高电压为U_max，以U_start＝kU_max作为起始电压，并每秒提升电压ΔU＝0.05U_max，直至检测到发生闪络故障，重复前述操作n次，记录每次闪络时的故障电压值，形成数据集Y_f＝{U_f1,U_f2,…,U_fn}；其中，k∈[0.4,0.6]，n∈[6,10]；(2)采用广义回归神经网络GRNN对样本进行学习，令样本输入集为X＝[x₁,x₂,...,x_n]，其中x_i＝i，i＝1,2,…,n，x_i表示Y_f中n个元素的序号，样本目标集为Y_f，则广义回归神经网络GRNN拟合出输入输出间满足的关系式：${Y^{\prime }}_f=G\left(X\right)=\underset{i=1}{\overset{n}{\Sigma }}{w}_i{x}_i-b$ 其中，Y'_f为Y_f的函数逼近值，w_i为权重矢量，b为偏置； (3)计算电压恢复起始值U′_start：$U_{start}^{\prime }=\left\{\begin{array}{cc}min\left(Y_f\right)-std\left(Y_f\right),& min\left(Y_f\right)-std\left(Y_f\right)>{\mathrm{kU}}_{max}\\ {\mathrm{kU}}_{max},& else\end{array}\right.$ 其中，min(*)表示最小值函数，std(*)表示标准差函数；并利用步骤(2)得到的关系式，计算下一次发生闪络时的故障电压预测值U_predict：U_predict＝G(x_n+1)＝G(n+1)；(4)根据步骤(3)计算的参数，对闪络发生后电压做如下处理：当发生闪络时，立刻停止向静电除尘器输送电压，给予静电除尘器电场一定时间熄灭电火花，当电场介质重新恢复后，恢复电压输送，进入第一阶段：从起始电压U′_start开始，令电压由U′_start提升至βU_predict，设每秒提升电压50次，则每次提升电压其中，β∈[0.65,0.75]，t1为第一阶段所需时间；之后进入第二阶段，将电压由βU_predict提升至U_predict，设每秒提升电压50次，则每次提升电压其中，t2为第二阶段所需时间；若在第二阶段发生闪络故障，直接进入步骤(5)；之后进入第三阶段，继续提升电压，每秒提升电压50次，并加大每次提升电压的幅度，每次提升电压直至再次发生闪络故障；(5)记录当前闪络的故障电压U_fnew，对数据集Y_f进行更新，更新方法如下：将Y_f中第1个元素删除，在将U_fnew作为新的第n个元素补充进Y_f；(6)将新的Y_f作为样本目标集，返回步骤(2)。