李佳鶴 ，徐 慧 ，張 靜 ，周獻軍

（1.杭州深藍數(shù)智科技有限公司，浙江 杭州 310053；2.浙江大華技術股份有限公司，浙江 杭州310053）

0 引言

工業(yè)鍋爐作為一種高耗能特種設備，主要為工業(yè)生產(chǎn)提供工藝蒸汽，是工業(yè)和社會必需的動力機械，使用面廣、需求量大，每年能耗約合4～5億噸標準煤，每年消耗的能源約占我國能源消耗總量的1/4。2010年國家質量監(jiān)督檢驗檢疫總局頒布了《工業(yè)鍋爐能效測試與評價規(guī)則》《鍋爐節(jié)能技術監(jiān)督管理規(guī)程》，明確規(guī)定對鍋爐等高耗能特種設備進行節(jié)能監(jiān)管，其中，對鍋爐熱效率的監(jiān)管尤為重要。

目前鍋爐熱效率測試方法主要依據(jù)《GB／T 10180-2003》[1]，該標準規(guī)定的鍋爐能效測試方法所需儀器設備較多、測試時間長，加上燃料化驗時間，得到測試結果一般需要15個工作日。一方面，該方法的測試結果具有一定的滯后性，不利于企業(yè)實時調整燃燒狀況；另一方面，該方法測試成本高，不便于企業(yè)監(jiān)測鍋爐使用狀況[2]。通過采集海量的鍋爐運行歷史數(shù)據(jù)，分析各參數(shù)之間的相關性程度，從而尋找一種快速有效的鍋爐熱效率預測方法，對鍋爐使用單位實時掌握并調整燃燒參數(shù)，提高鍋爐燃燒熱效率有著重要的意義[3]。目前熱效率預測建立模型的主要方法有神經(jīng)網(wǎng)絡和支持向量機等[4-8]，李越勝、江政緯[9]提出了基于PSO-LSSVM算法的燃油工業(yè)鍋爐效率軟測量，預測結果表明基于粒子群優(yōu)化的最小二乘支持向量機模型能較為準確地預測鍋爐效率。徐齊勝、羅勝琪[10]提出基于BP神經(jīng)網(wǎng)絡建立鍋爐燃燒預測模型，以排煙溫度和飛灰含碳量作為神經(jīng)網(wǎng)絡的目標值，構建了鍋爐燃燒過程仿真預測模型，具有一定的泛化能力。

鍋爐燃燒過程屬于持續(xù)性工藝流程，當前運行工況會受到前N個周期的工況時間序列疊加影響，現(xiàn)有技術方案從原理上都屬于淺層學習方法，無法深入挖掘鍋爐熱負荷數(shù)據(jù)的隨機性、滯后性和時間序列特征。LSTM（Long Short-Term Memory，長短期記憶網(wǎng)絡），是一種時間循環(huán)神經(jīng)網(wǎng)絡，適合于處理和預測時間序列中間隔和延遲相對較長的重要事件和規(guī)律特性。LSTM通過引入記憶神經(jīng)元，能夠對長周期的持續(xù)性時間序列數(shù)據(jù)進行深入挖掘，可以克服鍋爐持續(xù)性燃燒調整的工況疊加帶來的預測誤差。本文在研究鍋爐熱效率和主要影響參數(shù)相關性的基礎上，提出基于LSTM神經(jīng)網(wǎng)絡模型的燃煤鍋爐熱效率快速預測方法。

1 鍋爐熱效率的影響因素

燃煤鍋爐的熱效率受到多種熱損失的影響，以機械不完全燃燒損失q4受鍋爐燃燒狀況的影響最為復雜。因此，可通過收集鍋爐運行中排出的煤灰和煤渣，檢測其中的含碳量，對比原料煤中含碳量的檢測數(shù)據(jù)，計算鍋爐熱效率，作為樣本的輸出數(shù)據(jù)。根據(jù)《GB／T10180-2003鍋爐反平衡分析法》，影響鍋爐熱效率的主要參數(shù)有：鍋爐負荷、省煤器出口氧量、各二次風擋板開度、燃盡風擋板開度、各磨煤機給煤量、爐膛與風箱差壓、一次風總風壓等。

2 基于LSTM神經(jīng)網(wǎng)絡的鍋爐熱效率模型

構建基于LSTM神經(jīng)網(wǎng)絡的鍋爐熱效率預測模型主要包括以下幾個步驟：

步驟一，選用現(xiàn)場DCS系統(tǒng)采集鍋爐負荷、省煤器出口氧量等參數(shù)，檢測煤灰和煤渣中的含碳量，按時間維度收集相關歷史數(shù)據(jù)，形成燃煤鍋爐熱效率訓練的樣本集時間序列數(shù)據(jù)；

步驟二，對訓練樣本中的影響因子數(shù)據(jù)和輸出數(shù)據(jù)進行標準化處理；

步驟三，將標準化后的樣本數(shù)據(jù)序列輸入LSTM神經(jīng)網(wǎng)絡進行訓練，獲得長短期記憶神經(jīng)網(wǎng)絡預測模型；

步驟四，將鍋爐實時運行數(shù)據(jù)輸入LSTM神經(jīng)網(wǎng)絡預測模型，計算得出鍋爐熱效率預測結果。

2.1 數(shù)據(jù)標準化

建立預測模型之前，需要對訓練數(shù)據(jù)集中的影響因子數(shù)據(jù)和輸出數(shù)據(jù)進行標準化處理。由于鍋爐負荷、省煤器出口氧量等參數(shù)的值域范圍無法限定，不能預設最小值和最大值，因此采用Z-Score標準化方法對訓練樣本進行標準化，根據(jù)每一個特征的值落在均值上下的標準差來重新調整每一個特征值。標準化處理可以消除影響因子數(shù)據(jù)量綱差異對預測結果產(chǎn)生的影響。

Z-Score標準化處理計算公式為：

其中μ為X因子的平均值，σ為X因子的標準差，計算公式為：

其中：μ為X因子的平均值，n為X因子的樣本數(shù)量。

2.2 建立LSTM神經(jīng)網(wǎng)絡預測模型

將標準化后的樣本數(shù)據(jù)序列輸入LSTM神經(jīng)網(wǎng)絡進行處理，獲得LSTM神經(jīng)網(wǎng)絡預測模型。

其中，LSTM神經(jīng)網(wǎng)絡由N個相互聯(lián)系的遞歸子網(wǎng)絡，也就是記憶模塊組成。每個記憶模塊包含了三個門（forget gate、input gate、output gate）與一個記憶單元（cell），它們分別對應著鍋爐主成分特征樣本數(shù)據(jù)序列的寫入、讀取和先前狀態(tài)的重置（reset）操作。

包含記憶單元的LSTM神經(jīng)網(wǎng)絡的記憶模塊如圖1所示。

圖1 LSTM記憶模塊

LSTM神經(jīng)網(wǎng)絡的記憶模塊執(zhí)行步驟具體如下：

樣本數(shù)據(jù)序列輸入“forget gate”層，根據(jù)上一時刻的輸出ht-1和當前輸入xt，通過sigmoid激活函數(shù)，計算出一個0～1之間的ft值，計算結果決定了是否讓上一時刻學到的信息Ct-1完全通過或部分通過。ft的計算公式為：

其中：σ表示 sigmod激活函數(shù)，Wf為“forget gate”層的權值向量，bf為“forget gate”層的偏置參數(shù)。

“input gate”層采用與“forget gate”層耦合的方式對向記憶單元（cell）注入的信息進行控制，共同決定哪些值用來更新?！癷nput gate”層通過sigmoid激活函數(shù)計算更新值it；利用tanh激活函數(shù)計算更

tanh激活函數(shù)為：

it的計算公式為：

其中：Wi、Wc分別為“input gate”層和記憶單元（cell）的權值向量；bi、bc分別為“input gate”層和記憶單元（cell）的偏置參數(shù)。

最后計算該記憶模塊的輸出層 “output gate”，通過sigmoid激活函數(shù)來得到一個初始輸出Ot，然后使用tanh將Ct值歸一化到-1～1之間，再與sigmoid得到的初始輸出相乘，得到記憶模塊的輸出ht。相關計算公式為：

其中Wo為 “output gate”層的權值向量，bo為“output gate”層的偏置參數(shù)。

將鍋爐實時運行數(shù)據(jù)進行Z-Score標準化后，輸入訓練完成的LSTM神經(jīng)網(wǎng)絡預測模型，將輸出結果進行逆向標準化，即為鍋爐熱效率預測結果。

3 實驗結果與分析

本文實驗選取某熱電企業(yè)燃煤鍋爐歷史運行數(shù)據(jù)作為實驗樣本，收集DCS系統(tǒng)中的鍋爐負荷、省煤器出口氧量、各二次風擋板開度、燃盡風擋板開度、各磨煤機給煤量、爐膛與風箱差壓、一次風總風壓等參數(shù)，按時間維度收集相關歷史數(shù)據(jù)，形成影響因子數(shù)據(jù)序列，收集鍋爐運行中排出的煤灰和煤渣的含碳量化驗數(shù)據(jù)作為樣本的輸出數(shù)據(jù)。

在訓練LSTM模型時，利用 Xavier方法對權重初始化，采用Adam優(yōu)化算法對LSTM神經(jīng)網(wǎng)絡進行訓練，可動態(tài)調整針對每個鍋爐樣本輸入?yún)?shù)的學習速率，適用于解決鍋爐訓練樣本中包含高斯噪聲的問題。訓練過程設定損失函數(shù)最小為優(yōu)化目標，給定網(wǎng)絡初始化的隨機種子數(shù)seed、初始學習率以及最大迭代次數(shù)Maxit=100。

本文用BP神經(jīng)網(wǎng)絡算法作為對比實驗，BP神經(jīng)網(wǎng)絡采用3層網(wǎng)絡結構，8個隱藏節(jié)點。實驗對2個模型進行100次迭代訓練，在每輪迭代完成后計算2個模型的loss值，迭代完成后統(tǒng)計模型的預測準確度。圖2反映了2種模型的loss值隨迭代次數(shù)的變化，圖3反映了BP模型預測結果與真實值的對比情況，圖4反映了LSTM模型預測結果與真實值的對比情況，表1反映了2個模型的預測誤差統(tǒng)計分析結果對比。

圖2 算法訓練loss值趨勢對比

圖3 BP模型預測結果

圖4 LSTM模型預測結果

表1 模型預測誤差統(tǒng)計分析結果

從實驗結果可知，BP模型訓練結果均方根誤差為0.0125，LSTM模型訓練結果均方根誤差僅為0.0061。相對于LSTM神經(jīng)網(wǎng)絡模型來說，BP神經(jīng)網(wǎng)絡模型本身就存在對時間序列數(shù)據(jù)的規(guī)律特征學習不充分的先天性不足，這一缺陷導致它無法學得時間維度特征之間的關系，并且隨著迭代次數(shù)的增加，容易出現(xiàn)過擬合或學習能力下降的情況，導致學習不充分。

本文采用的LSTM神經(jīng)網(wǎng)絡模型是由上一時刻神經(jīng)網(wǎng)絡模塊的輸出單元和記憶單元的狀態(tài)信息以及當前時刻的輸入單元，共同決定當前時刻記憶單元狀態(tài)信息的更新，使得學習更加充分，并且有效避免了在學習過程中出現(xiàn)的梯度消失問題。實驗結果表明，利用鍋爐運行參數(shù)時間序列數(shù)據(jù)預測鍋爐熱效率指標方面，本文的LSTM神經(jīng)網(wǎng)絡預測模型要優(yōu)于BP神經(jīng)網(wǎng)絡模型。

4 結語

本文采用LSTM神經(jīng)網(wǎng)絡對燃煤鍋爐熱效率進行建模預測。通過收集有關參數(shù)，形成時間序列樣本集，構建LSTM神經(jīng)網(wǎng)絡模型，用于預測燃煤鍋爐熱效率。和傳統(tǒng)BP神經(jīng)網(wǎng)絡預測模型相比，LSTM神經(jīng)網(wǎng)絡模型能夠挖掘并記憶鍋爐連續(xù)運行過程中參數(shù)自身變化與熱效率影響的客觀規(guī)律，使得學習更加充分，在工程中具有較高的使用價值。