楊培培,駱嘉輝,姚 心,張瑛華,劉海威

(中國恩菲工程技術(shù)有限公司,北京 100038)

0 引言

隨著我國經(jīng)濟的高速發(fā)展和人民生活水平的顯著提高,垃圾的種類和數(shù)量激增,垃圾處理越來越受到人們的重視,垃圾焚燒因具有最快速度實現(xiàn)垃圾無害化、減量化、資源化等優(yōu)點而成為一般城市垃圾的主要處理方式[1]。其中,垃圾焚燒發(fā)電廠余熱鍋爐主蒸汽參數(shù)對下游汽輪機的發(fā)電效率、焚燒廠的經(jīng)濟效益、運營穩(wěn)定性和安全性起著至關(guān)重要的作用。理論而言,主蒸汽參數(shù)越高,則垃圾焚燒發(fā)電廠的發(fā)電量越多,經(jīng)濟效益也越好。然而隨著主蒸汽參數(shù)的提高,主要承壓受熱面的腐蝕問題也越來越嚴重,極易出現(xiàn)爆管等事故,對企業(yè)的財產(chǎn)和人身安全造成不可挽回的損失[2]。因此,合理的主蒸汽參數(shù)才能保證生產(chǎn)安全、高效、穩(wěn)定的運行。

垃圾焚燒爐內(nèi)的燃燒過程是非常復(fù)雜的物理化學(xué)過程,是一個強耦合的多輸入多輸出非線性系統(tǒng)[3]。垃圾焚燒爐運行過程中,影響主蒸汽流量、主蒸汽壓力、主蒸汽溫度等參數(shù)的因素有很多,如推料器速度、干燥段爐排閥門開度、燃燒段爐排閥門開度、燃燼段爐排閥門開度、一次風(fēng)機頻率、一級減溫器入口調(diào)節(jié)閥閥位、二級減溫器入口調(diào)節(jié)閥閥位等,各個變量對目標參數(shù)的影響很難通過傳統(tǒng)定量關(guān)系式表述。

因此,本文基于垃圾焚燒現(xiàn)場運行參數(shù),建立余熱鍋爐主蒸汽參數(shù)的LSTM(Long-Short Term Memory,長短期記憶人工神經(jīng)網(wǎng)絡(luò))神經(jīng)網(wǎng)絡(luò)預(yù)測模型。通過預(yù)測模型對主蒸汽參數(shù)進行定量定性的物理分析和描述,了解其機理特性,探索各種擾動對發(fā)電效率和運行穩(wěn)定性的影響,為制定、論證、修改垃圾焚燒運行規(guī)程提供理論依據(jù)。

1 LSTM 神經(jīng)網(wǎng)絡(luò)

LSTM 是一種升級改良后的時間遞歸神經(jīng)網(wǎng)絡(luò)(RNN),引入了內(nèi)存單元使隱藏層神經(jīng)元適時地“忘記”歷史信息,且用新信息更新內(nèi)存單元。由于結(jié)構(gòu)設(shè)計獨特,LSTM 適合于處理和預(yù)測時間序列中間隔和延遲較長的問題[4-5]。

LSTM 與RNN 相似,都是具有一種重復(fù)神經(jīng)網(wǎng)絡(luò)模塊的鏈式形式,區(qū)別是重復(fù)模塊擁有不同的結(jié)構(gòu),以一種特殊的方式進行交互,如圖1 所示。

LSTM 的關(guān)鍵在于細胞的狀態(tài),不僅保留了之前的信息,也參與了新狀態(tài)的計算,通過三個“門”結(jié)構(gòu)實現(xiàn)信息的保護和控制,分別為遺忘門、輸入門和輸出門。

1.1 遺忘門

遺忘門決定了從細胞狀態(tài)中丟棄什么信息,該門會讀取ht-1和xt,輸出一個0 到1 之間的數(shù)值給每個在細胞狀態(tài)中的數(shù)字,其中1 表示“完全保留”。0表示“完全舍棄”,計算公式如公式(1)所示。

圖1 LSTM 重復(fù)模塊

1.2 輸入門

輸入門決定了允許多少新的信息加入到細胞狀態(tài)中,實現(xiàn)這個主要包括兩個步驟:利用sigmoid 層決定哪些信息需要更新,計算公式如公式(2)所示;使用tanh 層生成一個向量,也就是候選的用來更新的內(nèi)容Ct,計算公式如公式(3)所示。

1.3 輸出門

輸出門的作用機制是控制本層的細胞狀態(tài)。通過Sigmoid 函數(shù)作用后得到Ot,計算公式如公式(5)所示。再用tanh 函數(shù)對新細胞狀態(tài)Ct進行激活處理后與Ot相乘,即可得到本層最終的輸出結(jié)果ht,計算公式如公式(6)所示。

顯然,LSTM 的狀態(tài)是累加得到,避免了RNN倒數(shù)相乘的結(jié)果,進一步避免梯度消失。

2 神經(jīng)網(wǎng)絡(luò)預(yù)測模型的訓(xùn)練

2.1 激活函數(shù)的選取

選擇合適的算法對神經(jīng)網(wǎng)格的學(xué)習(xí)和訓(xùn)練非常重要,但每種算法針對特定的問題而提出,沒有明確的判斷標準來確定每種算法的優(yōu)劣,因此本文通過試驗來確定合適的算法。圖2 所示為主蒸汽壓力訓(xùn)練樣本的損失函數(shù),顯然,Adam 算法對應(yīng)的收斂速率和收斂精度最高。

2.2 隱含層數(shù)的選取

圖2 訓(xùn)練樣本的損失函數(shù)

通常認為,增加隱含層數(shù)可以降低網(wǎng)絡(luò)誤差,提高精度,但也使網(wǎng)絡(luò)復(fù)雜化,從而增加了網(wǎng)絡(luò)的訓(xùn)練時間和出現(xiàn)“過擬合”的傾向。本章主要對比了包含一個隱含層與兩個隱含層時的網(wǎng)絡(luò)性能(主要以損失函數(shù)的變化情況為指標)。由圖3 可知訓(xùn)練步數(shù)都為20 000 步時,只包含有一個隱含層的神經(jīng)網(wǎng)絡(luò)收斂到了更小的損失函數(shù)。說明對于主蒸汽壓力預(yù)測模型來說,兩個隱含層使預(yù)測結(jié)果出現(xiàn)了過擬合的現(xiàn)象,即增加網(wǎng)絡(luò)復(fù)雜性的同時,降低了網(wǎng)絡(luò)的泛化能力。

圖3 隱含層數(shù)對損失函數(shù)的影響

2.3 隱含層神經(jīng)元個數(shù)的選取

若隱含層節(jié)點數(shù)太少,網(wǎng)絡(luò)可能根本不能訓(xùn)練或網(wǎng)絡(luò)性能很差;若隱含層節(jié)點數(shù)太多,雖然可使網(wǎng)絡(luò)的系統(tǒng)誤差減小,但一方面使網(wǎng)絡(luò)訓(xùn)練時間延長,另一方面,訓(xùn)練容易陷入局部極小點而得不到最優(yōu)點,也是訓(xùn)練時出現(xiàn)“過擬合”的內(nèi)在原因。因此,合理隱含層節(jié)點數(shù)應(yīng)在綜合考慮網(wǎng)絡(luò)結(jié)構(gòu)復(fù)雜程度和誤差大小的情況下用節(jié)點刪除法和擴張法確定。

根據(jù)神經(jīng)網(wǎng)絡(luò)理論知識,隱含層單元數(shù)一般與輸入層特征數(shù)m相匹配,輸入層m+1 時,隱含層km+1 個。本模型輸入層特征數(shù)為21 個,根據(jù)該理論,主要選取了包含21 個、42 個以及位于這兩個數(shù)中間包含31 個節(jié)點的三種隱含層結(jié)構(gòu)來配置網(wǎng)絡(luò)并比較了三種結(jié)構(gòu)之間的網(wǎng)絡(luò)預(yù)測性能(主要以損失函數(shù)的變化情況與網(wǎng)絡(luò)訓(xùn)練耗時為指標),主要指標如表1 所示。綜合考慮損失函數(shù)和訓(xùn)練耗時的影響,隱含層選用31 個節(jié)點。

表1 隱含層節(jié)點與損失函數(shù)的關(guān)系

2.4 模型驗證

選擇推料器速度、燃燒爐排一次風(fēng)擋板位置、燃燼爐排一次風(fēng)擋板位置等21 個值作為輸入變量,主蒸汽參數(shù)作為輸出變量,訓(xùn)練神經(jīng)網(wǎng)絡(luò)模型,隨機選取80%的樣本作為訓(xùn)練樣本,剩余20%作為測試樣本,如圖4～6 所示。顯然,主蒸汽溫度預(yù)測值和實際值吻合的很好,除個別點外,兩者的相對偏差在±4%以內(nèi);主蒸汽壓力預(yù)測值和實際值吻合的極好,兩者的相對偏差在±1%以內(nèi);主蒸汽流量預(yù)測值和實際值吻合的極好,兩者的相對偏差在±2%以內(nèi)。因此可以斷定該神經(jīng)網(wǎng)絡(luò)模型訓(xùn)練良好,具有很強的容錯和泛化能力。

圖4 主蒸汽溫度(℃)的模型計算值與實際值

圖5 主蒸汽壓力(MPa)的模型計算值與實際值

圖6 主蒸汽流量(t/h)的模型計算值與實際值

3 主蒸汽參數(shù)預(yù)測

圖7～9 所示為基于上述訓(xùn)練的神經(jīng)網(wǎng)絡(luò)模型得到的未來250 s 的主蒸汽溫度、主蒸汽壓力、主蒸汽流量的預(yù)測結(jié)果和實際運行值的對比分析。顯然,上述模型總體預(yù)測效果很好,可以精準預(yù)測未來生產(chǎn)工況,為生產(chǎn)決策提供參考依據(jù),提高燃燒物穩(wěn)定性、安全性和經(jīng)濟效益。

圖7 主蒸汽溫度未來250 s 的預(yù)測結(jié)果

4 結(jié)論

本文依據(jù)現(xiàn)場收集的調(diào)控策略,從垃圾焚燒系統(tǒng)的運行數(shù)據(jù)中選取合適的建模變量,建立多輸入多輸出的LSTM 神經(jīng)網(wǎng)絡(luò)模型,對主蒸汽參數(shù)進行建模預(yù)測,為現(xiàn)場人員調(diào)整控制策略提供指導(dǎo),保證焚燒爐高效、清潔、穩(wěn)定的焚燒。主要得到如下結(jié)論:

圖8 主蒸汽壓力未來250 s 的預(yù)測結(jié)果

圖9 主蒸汽流量未來250 s 的預(yù)測結(jié)果

(1)通過不斷調(diào)整、反復(fù)優(yōu)化,最終確定模型包含一層隱含層、優(yōu)化函數(shù)為adam、隱含層神經(jīng)元個數(shù)為31 時模型預(yù)測結(jié)果最優(yōu)。通過對比分析主蒸汽溫度、主蒸汽壓力和主蒸汽流量的模型計算值和實際值發(fā)現(xiàn),模型計算精度高、容錯性好,泛化能力強;

(2)基于上述模型對主蒸汽溫度、主蒸汽壓力、主蒸汽流量等目標變量進行精準預(yù)測,用于智能分析和智能決策,預(yù)判未來生產(chǎn)工況變化,推薦最佳操作方式,推進生產(chǎn)安全、高效、穩(wěn)定的運行。