王 濤， 任少君， 司風(fēng)琪， 馬利君， 王力光

(1. 東南大學(xué) 能源熱轉(zhuǎn)換及其過程測(cè)控教育部重點(diǎn)實(shí)驗(yàn)室， 南京 210096； 2. 大唐環(huán)境產(chǎn)業(yè)集團(tuán)股份有限公司特許經(jīng)營分公司， 南京 210096)

近年來，隨著國家對(duì)環(huán)保要求的不斷提高，燃煤機(jī)組進(jìn)行了超低排放改造?！笆濉币?guī)劃中將SO2排放質(zhì)量濃度限值從200 mg/m3降低至35 mg/m3。由于環(huán)?？己艘髧?yán)格，為降低超標(biāo)排放的風(fēng)險(xiǎn)，運(yùn)行人員通常會(huì)選擇多臺(tái)漿液循環(huán)泵同時(shí)運(yùn)行的方式，將SO2排放質(zhì)量濃度控制在低于排放限值的安全區(qū)域內(nèi)。這種運(yùn)行方式使脫硫系統(tǒng)出口SO2質(zhì)量濃度遠(yuǎn)低于國家規(guī)定的排放限值，大大增加了電廠脫硫系統(tǒng)的運(yùn)行成本，降低了脫硫系統(tǒng)運(yùn)行經(jīng)濟(jì)性，因此存在著很大的優(yōu)化空間來節(jié)約電廠脫硫系統(tǒng)運(yùn)行成本。

楊勇平等[1-3]通過機(jī)理分析方法對(duì)脫硫系統(tǒng)進(jìn)行優(yōu)化。然而，脫硫系統(tǒng)的實(shí)際運(yùn)行狀態(tài)受到多種因素(如機(jī)組負(fù)荷、煤質(zhì)、鍋爐燃燒方式等)的影響，難以通過一般的機(jī)理模型進(jìn)行表化，因此數(shù)據(jù)驅(qū)動(dòng)方法被廣泛應(yīng)用于脫硫系統(tǒng)的優(yōu)化運(yùn)行。QIAO Z L等[4-6]通過在穩(wěn)定工況下對(duì)數(shù)據(jù)模型進(jìn)行分析研究以優(yōu)化脫硫系統(tǒng)的運(yùn)行方式。

由于運(yùn)行時(shí)外部條件在不斷變化，脫硫系統(tǒng)很難長期處在穩(wěn)定的運(yùn)行狀態(tài)，造成系統(tǒng)實(shí)際運(yùn)行數(shù)據(jù)波動(dòng)大，基于穩(wěn)定的目標(biāo)工況也很難給出可靠的優(yōu)化方案[7]。在保證SO2排放質(zhì)量濃度達(dá)標(biāo)的前提下，筆者提出了一種灰狼優(yōu)化(GWO)-BP神經(jīng)網(wǎng)絡(luò)建模方法，以漿液循環(huán)泵的運(yùn)行情況作為工況劃分條件，分別建立不同模態(tài)下的調(diào)度模型，構(gòu)成針對(duì)石灰石-石膏濕法煙氣脫硫(WFGD)系統(tǒng)的多模態(tài)在線優(yōu)化模型組。通過該模型組預(yù)測(cè)運(yùn)行漿液循環(huán)泵數(shù)量(即循環(huán)漿液量)對(duì)WFGD系統(tǒng)出口SO2質(zhì)量濃度變化量的影響，從而實(shí)現(xiàn)對(duì)漿液循環(huán)泵的在線調(diào)度，達(dá)到降低脫硫系統(tǒng)運(yùn)行成本的目的。此外，筆者對(duì)建模結(jié)果進(jìn)一步進(jìn)行分析，得到了機(jī)組負(fù)荷、入口SO2質(zhì)量濃度對(duì)出口SO2質(zhì)量濃度變化量的影響，并利用現(xiàn)場試驗(yàn)數(shù)據(jù)對(duì)該模型組的準(zhǔn)確性進(jìn)行了驗(yàn)證。

1 WFGD系統(tǒng)

WFGD技術(shù)是電站中應(yīng)用最廣泛的煙氣脫硫技術(shù)，占總量的85%左右[8-9]。圖1為WFGD系統(tǒng)工藝流程。鍋爐排放的煙氣經(jīng)電除塵器和增壓風(fēng)機(jī)后，從吸收塔底部進(jìn)入塔內(nèi)。煙氣在塔內(nèi)自下而上流動(dòng)，石灰石漿液從噴淋層噴出，從上往下滴落，兩者逆向流動(dòng)，在相互接觸時(shí)，煙氣中的SO2與石灰石漿液中的CaCO3發(fā)生化學(xué)反應(yīng)生成CaSO3。生成的CaSO3落入塔底漿液池中，與H2O、O2反應(yīng)生成CaSO4·2H2O[10-11]。而脫除SO2的凈煙氣經(jīng)吸收塔頂部的除霧器除去煙氣中的液滴后，通過煙囪排入大氣。

圖1 WFGD系統(tǒng)工藝流程

由圖1可得：WFGD系統(tǒng)以機(jī)組負(fù)荷、煙氣流量、入口SO2質(zhì)量濃度、出口SO2質(zhì)量濃度(即SO2排放質(zhì)量濃度)等參數(shù)為依據(jù)，通過控制運(yùn)行漿液循環(huán)泵的數(shù)量來控制石灰石漿液供漿量。漿液循環(huán)泵作為WFGD系統(tǒng)核心設(shè)備，也是WFGD系統(tǒng)的耗電大戶，其廠用電耗占比為0.7%～1.0%，耗電成本占WFGD系統(tǒng)總成本的60%～70%[12]。因此，采用合理的漿液循環(huán)泵運(yùn)行策略可以大大降低電站脫硫成本。目前，燃煤機(jī)組WFGD系統(tǒng)還缺乏超低排放下漿液循環(huán)泵的運(yùn)行規(guī)范，無法獲得啟停泵前后WFGD系統(tǒng)出口SO2質(zhì)量濃度的變化情況，因此需要建立相應(yīng)的出口SO2質(zhì)量濃度變化量預(yù)測(cè)模型。

2 GWO-BP神經(jīng)網(wǎng)絡(luò)算法

2.1 BP神經(jīng)網(wǎng)絡(luò)

BP神經(jīng)網(wǎng)絡(luò)因具有簡單的結(jié)構(gòu)，可實(shí)現(xiàn)從輸入到輸出的任意非線性映射等特點(diǎn)[13]，成為目前應(yīng)用最廣泛的人工神經(jīng)網(wǎng)絡(luò)算法之一。BP神經(jīng)網(wǎng)絡(luò)是一種誤差逆?zhèn)鞑サ亩鄬忧梆伾窠?jīng)網(wǎng)絡(luò)，其結(jié)構(gòu)見圖2，包括輸入層、隱含層和輸出層[14]。

BP神經(jīng)網(wǎng)絡(luò)具體計(jì)算步驟為：

(1) 隨機(jī)初始化網(wǎng)絡(luò)權(quán)重和偏置在0～1。

(2) 神經(jīng)網(wǎng)絡(luò)前向傳播。

xi—輸入層輸入值(i=1,2，…，m，m為輸入層個(gè)數(shù))；Oj—隱藏層輸出值(j=1,2，…，l，l為隱藏層個(gè)數(shù))；yk—輸出層輸出值(k=1,2，…，n，n為輸入層個(gè)數(shù))。

圖2 三層BP神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)示意圖

隱藏層和輸出層輸出計(jì)算公式為：

(1)

式中：f為Sigmoid激活函數(shù)[15]，f=1/(1+e-x)；wij為輸入層輸出側(cè)各節(jié)點(diǎn)權(quán)重；θj為隱藏層輸入側(cè)各節(jié)點(diǎn)偏置；wjk為隱藏層輸出側(cè)各節(jié)點(diǎn)權(quán)重；θk為輸出層輸入側(cè)各節(jié)點(diǎn)偏置。

(3) 神經(jīng)網(wǎng)絡(luò)反向傳播。

定義神經(jīng)網(wǎng)絡(luò)的誤差函數(shù)為：

(2)

誤差函數(shù)對(duì)權(quán)重及偏置求偏微商可得：

(3)

式中：Δwjk、Δwij分別為wjk、wij的變化量；Δθk、Δθj分別為θk、θj的變化量。

對(duì)權(quán)值、偏置進(jìn)行更新可得：

(4)

式中：ρ為學(xué)習(xí)率，0<ρ≤1。

(4) 若誤差滿足要求，則結(jié)束訓(xùn)練；若不滿足，則重復(fù)步驟(2)和步驟(3)直至達(dá)到最大循環(huán)次數(shù)。

2.2 GWO算法

GWO算法[16]以自然界中灰狼的社會(huì)等級(jí)制度和狩獵行為為靈感，通過模擬狼群跟蹤、追捕、包圍、攻擊獵物的過程，實(shí)現(xiàn)優(yōu)化目標(biāo)的目的。整個(gè)狼群按照適應(yīng)度分為最優(yōu)灰狼α(簡稱α狼)、次優(yōu)灰狼β(簡稱β狼)、第三優(yōu)灰狼δ(簡稱δ狼)和其他灰狼(簡稱ω狼)四個(gè)等級(jí)。通過計(jì)算灰狼個(gè)體與獵物間的距離，實(shí)現(xiàn)灰狼位置的更新，具體計(jì)算公式為：

(5)

式中：t為當(dāng)前迭代次數(shù)；D為灰狼個(gè)體與獵物間的距離；XP為獵物的位置；X為灰狼個(gè)體的位置；A、C為系數(shù)向量，r1、r2為0～1的隨機(jī)數(shù)組成的向量[17]；tmax為最大迭代次數(shù)；a為收斂因子[18]，隨著迭代次數(shù)的增加，a從2線性減小到0。

種群內(nèi)的其他個(gè)體依據(jù)α狼、β狼和δ狼的位置不斷更新自己的位置，其計(jì)算公式為：

(6)

式中：Xα、Xβ、Xδ分別為α狼、β狼和δ狼的位置；Dα、Dβ、Dδ分別為灰狼個(gè)體與α狼、β狼和δ狼間的距離；X1、X2、X3分別為第t次灰狼個(gè)體向α狼、β狼和δ狼移動(dòng)步長和方向的向量；A1、A2、A3和C1、C2、C3為α狼、β狼和δ狼移動(dòng)的系數(shù)向量。

2.3 GWO-BP神經(jīng)網(wǎng)絡(luò)算法流程

BP神經(jīng)網(wǎng)絡(luò)在訓(xùn)練之前通常需要對(duì)訓(xùn)練樣本進(jìn)行歸一化處理，將不同變量映射到相同的量級(jí)空間內(nèi)。然而，在輸入輸出關(guān)系未知的情況下，盲目地對(duì)數(shù)據(jù)進(jìn)行歸一化處理，實(shí)際上就是認(rèn)定不同輸入變量對(duì)輸出變量具有類似的影響程度，這顯然是不合理的。因此，筆者提出了一種基于GWO-BP神經(jīng)網(wǎng)絡(luò)的建模方法，通過優(yōu)化參數(shù)訓(xùn)練權(quán)重，區(qū)分輸入變量對(duì)輸出變量影響程度的差異性，進(jìn)一步提高BP神經(jīng)網(wǎng)絡(luò)的預(yù)測(cè)精度，并找出對(duì)輸出變量影響最大的關(guān)系變量。

GWO-BP神經(jīng)網(wǎng)絡(luò)算法流程見圖3(R2為衡量預(yù)測(cè)結(jié)果精度的指標(biāo))。

圖3 GWO-BP神經(jīng)網(wǎng)絡(luò)算法流程圖

GWO-BP神經(jīng)網(wǎng)絡(luò)算法的具體步驟如下：

(1) 確定BP神經(jīng)網(wǎng)絡(luò)的輸入和輸出參數(shù)，并對(duì)輸入和輸出數(shù)據(jù)進(jìn)行歸一化處理。

(2) GWO算法種群初始化。隨機(jī)初始化灰狼種群位置Xz(z=1，2，…，Z，Z為灰狼種群數(shù))，每個(gè)灰狼個(gè)體包含一組權(quán)重αi(α1+α2+…+αm=m)，初始化參數(shù)a、A、C。

(3) 構(gòu)造適應(yīng)度函數(shù)。歸一化后的每個(gè)輸入變量乘上對(duì)應(yīng)的權(quán)重作為新的輸入?yún)?shù)，并對(duì)BP神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練，利用模型預(yù)測(cè)輸出數(shù)據(jù)與期望輸出數(shù)據(jù)計(jì)算所得的R2構(gòu)造適應(yīng)度函數(shù)，R2的計(jì)算公式為：

(7)

(4) 對(duì)種群中的每個(gè)灰狼個(gè)體執(zhí)行BP神經(jīng)網(wǎng)絡(luò)訓(xùn)練，并通過式(7)計(jì)算每個(gè)灰狼個(gè)體的適應(yīng)度，從中選出適應(yīng)度最高的3個(gè)灰狼，作為當(dāng)前的最優(yōu)解Xα、次優(yōu)解Xβ和第三優(yōu)解Xδ。

(5) 根據(jù)式(6)和式(7)更新ω狼個(gè)體的位置，更新參數(shù)a、A、C。根據(jù)步驟(3)所述重新構(gòu)造新的BP神經(jīng)網(wǎng)絡(luò)，并對(duì)網(wǎng)絡(luò)進(jìn)行訓(xùn)練，重新計(jì)算每個(gè)灰狼個(gè)體的適應(yīng)度，更新Xα、Xβ和Xδ。

(6) 判斷GWO算法是否達(dá)到最大迭代次數(shù)。若是，則停止迭代，并輸出最優(yōu)結(jié)果Xα；反之，則重復(fù)執(zhí)行步驟(3)～步驟(5)，直至達(dá)到最大迭代次數(shù)。

(7) 利用GWO算法得到的最優(yōu)輸入變量的權(quán)重再次訓(xùn)練BP神經(jīng)網(wǎng)絡(luò)，可得到訓(xùn)練精度最高的BP神經(jīng)網(wǎng)絡(luò)模型，并將其作為最終模型。

3 WFGD系統(tǒng)在線優(yōu)化

為了實(shí)現(xiàn)對(duì)漿液循環(huán)泵的在線調(diào)度，從而達(dá)到降低WFGD系統(tǒng)運(yùn)行成本的目的，筆者以運(yùn)行漿液循環(huán)泵臺(tái)數(shù)劃分工況，建立基于GWO-BP神經(jīng)網(wǎng)絡(luò)的WFGD系統(tǒng)在線優(yōu)化調(diào)度模型組合，圖4為基于GWO-BP神經(jīng)網(wǎng)絡(luò)的WFGD系統(tǒng)在線優(yōu)化調(diào)度方法流程。

圖4 基于GWO-BP神經(jīng)網(wǎng)絡(luò)的WFGD系統(tǒng)在線優(yōu)化調(diào)度方法流程

該方法具體步驟如下：

(1) 依據(jù)漿液循環(huán)泵電流參數(shù)，判斷漿液循環(huán)泵的運(yùn)行狀態(tài)。記錄只有單臺(tái)漿液循環(huán)泵啟停的時(shí)刻，并記錄該時(shí)刻前后各1 h內(nèi)相關(guān)參數(shù)的歷史運(yùn)行數(shù)據(jù)。

(2) 由于機(jī)組負(fù)荷多變及配煤摻燒等因素影響，WFGD系統(tǒng)常在不同工況下運(yùn)行。除此之外，由于筆者研究漿液循環(huán)泵運(yùn)行臺(tái)數(shù)與出口SO2質(zhì)量濃度變化量的關(guān)系，在選擇建模樣本時(shí)，需要保證漿液循環(huán)泵啟停前后機(jī)組負(fù)荷和入口SO2質(zhì)量濃度基本保持穩(wěn)定，排除其他因素對(duì)建模結(jié)果造成干擾，從而提高模型的準(zhǔn)確度與精度。因此，需要對(duì)獲得的數(shù)據(jù)樣本進(jìn)行穩(wěn)態(tài)篩選。穩(wěn)態(tài)篩選條件為：漿液循環(huán)泵啟停前后機(jī)組平均負(fù)荷變化量不超過15 MW、入口SO2質(zhì)量濃度變化量不超過50 mg/m3，最終獲得漿液循環(huán)泵啟停數(shù)據(jù)樣本集。

(3) 按照漿液循環(huán)泵運(yùn)行情況，將數(shù)據(jù)樣本劃分到相應(yīng)的樣本庫中，并采用GWO-BP神經(jīng)網(wǎng)絡(luò)建模方法，分別建立WFGD系統(tǒng)在線優(yōu)化調(diào)度模型，其輸入輸出參數(shù)的模型結(jié)構(gòu)見圖5。采用出口SO2質(zhì)量濃度變化量代替實(shí)際出口SO2質(zhì)量濃度作為模型的輸出參數(shù)，該方法能夠有效提高模型的可靠性和應(yīng)用性，更能直觀地反映出切換漿液循環(huán)泵后對(duì)出口SO2質(zhì)量濃度變化的影響。

圖5 WFGD系統(tǒng)的GWO-BP神經(jīng)網(wǎng)絡(luò)模型結(jié)構(gòu)

(4) 通過切換漿液循環(huán)泵的運(yùn)行臺(tái)數(shù)，判斷機(jī)組實(shí)時(shí)運(yùn)行數(shù)據(jù)所屬的模型類別。通過建立的模型組進(jìn)行預(yù)測(cè)，可得到當(dāng)前時(shí)刻切換單臺(tái)漿液循環(huán)泵后出口SO2質(zhì)量濃度的變化量。若變化后的出口SO2質(zhì)量濃度符合國家排放標(biāo)準(zhǔn)，則可達(dá)到對(duì)WFGD系統(tǒng)漿液循環(huán)泵進(jìn)行在線優(yōu)化調(diào)度的目的，并為電站漿液循環(huán)泵的運(yùn)行提供參考。

4 應(yīng)用分析

筆者選取某660 MW燃煤機(jī)組WFGD系統(tǒng)作為建模對(duì)象，該系統(tǒng)按一爐一塔方式布置，配備4臺(tái)漿液循環(huán)泵。

表1為該電站超低排放改造后SO2排放質(zhì)量濃度在不同區(qū)間內(nèi)機(jī)組的運(yùn)行時(shí)間占比。

表1 機(jī)組的運(yùn)行時(shí)間占比

由表1可得：SO2排放質(zhì)量濃度在0～<20 mg/m3的機(jī)組運(yùn)行時(shí)間約占總運(yùn)行時(shí)間的70%，在大部分運(yùn)行時(shí)間內(nèi)，SO2排放質(zhì)量濃度遠(yuǎn)低于國家規(guī)定的排放限值，存在很大的優(yōu)化空間來節(jié)約電廠脫硫系統(tǒng)運(yùn)行成本。因此，筆者利用提出的GWO-BP神經(jīng)網(wǎng)絡(luò)建模方法，針對(duì)該機(jī)組建立WFGD系統(tǒng)在線優(yōu)化調(diào)度模型組。

4.1 數(shù)據(jù)準(zhǔn)備

通過電廠廠級(jí)監(jiān)控信息系統(tǒng)(SIS)，獲取該機(jī)組5個(gè)月的WFGD系統(tǒng)運(yùn)行數(shù)據(jù)，采樣間隔為1 min。依據(jù)漿液循環(huán)泵電流參數(shù)，獲取啟停單臺(tái)漿液循環(huán)泵時(shí)的各時(shí)間節(jié)點(diǎn)，以及啟停前后各1 h的運(yùn)行數(shù)據(jù)。去除機(jī)組啟停機(jī)、SIS測(cè)點(diǎn)失效參數(shù)等數(shù)據(jù)，共獲得236個(gè)樣本。

從獲得的數(shù)據(jù)中，依據(jù)漿液循環(huán)泵啟停前后的運(yùn)行數(shù)量，篩選出4臺(tái)泵切換到3臺(tái)泵及3臺(tái)泵切換到2臺(tái)泵的數(shù)據(jù)樣本。由于2臺(tái)泵切換到1臺(tái)泵的樣本較少，且1臺(tái)泵的額定體積流量為9 880 m3/h，在機(jī)組正常運(yùn)行和超低排放前提下，出口SO2質(zhì)量濃度無法滿足國家規(guī)定的環(huán)保排放標(biāo)準(zhǔn)，故不考慮該情況。對(duì)建模所需的數(shù)據(jù)樣本進(jìn)行穩(wěn)態(tài)篩選，切換前后的運(yùn)行數(shù)據(jù)見圖6、圖7。

圖6 4臺(tái)泵切換到3臺(tái)泵前后機(jī)組的運(yùn)行數(shù)據(jù)

圖7 3臺(tái)泵切換到2臺(tái)泵前后機(jī)組的運(yùn)行數(shù)據(jù)

最終獲得4臺(tái)泵切換到3臺(tái)泵的運(yùn)行數(shù)據(jù)共60組，以及3臺(tái)泵切換到2臺(tái)泵的運(yùn)行數(shù)據(jù)共55組。計(jì)算每組樣本切換前后機(jī)組負(fù)荷、入口SO2質(zhì)量濃度、切換前出口SO2質(zhì)量濃度及切換后出口SO2質(zhì)量濃度的變化量(正值表明SO2質(zhì)量濃度升高)，部分運(yùn)行數(shù)據(jù)見表2。

表2 切換前后機(jī)組的部分運(yùn)行數(shù)據(jù)

由于輸入變量和輸出變量的量綱不同，直接對(duì)模型進(jìn)行訓(xùn)練會(huì)大大降低模型收斂速度和精度，影響模型的預(yù)測(cè)效果。因此，在訓(xùn)練模型前，采用Min-Max歸一化方法對(duì)樣本數(shù)據(jù)進(jìn)行歸一化處理，使輸入輸出數(shù)據(jù)規(guī)范在0～1。

4.2 模型建立

分別利用GWO-BP神經(jīng)網(wǎng)絡(luò)建模方法和傳統(tǒng)BP算法，建立4臺(tái)泵切換到3臺(tái)泵、3臺(tái)泵切換到2臺(tái)泵的模型。選取70%樣本作為模型的訓(xùn)練樣本，剩下數(shù)據(jù)作為模型的測(cè)試樣本。通過試驗(yàn)調(diào)整，最終確定BP神經(jīng)網(wǎng)絡(luò)隱含層數(shù)為8，學(xué)習(xí)率為0.001，最大迭代次數(shù)為3 000，訓(xùn)練精度為10-7。設(shè)置GWO算法初始種群規(guī)模為30，迭代次數(shù)為200。通過GWO算法尋優(yōu)所得的輸入?yún)?shù)權(quán)重分別為1.18、1.24、0.58，同時(shí)也說明機(jī)組負(fù)荷與入口SO2質(zhì)量濃度對(duì)輸出參數(shù)的影響較大。

基于GWO-BP神經(jīng)網(wǎng)絡(luò)模型和傳統(tǒng)BP神經(jīng)網(wǎng)絡(luò)模型的訓(xùn)練結(jié)果和測(cè)試結(jié)果見圖8(4臺(tái)泵切換到3臺(tái)泵)和圖9(3臺(tái)泵切換到2臺(tái)泵)。由圖8和圖9可得：基于GWO-BP神經(jīng)網(wǎng)絡(luò)模型的擬合效果明顯優(yōu)于傳統(tǒng)BP神經(jīng)網(wǎng)絡(luò)模型，說明筆者提出的基于GWO-BP神經(jīng)網(wǎng)絡(luò)模型具有更好的預(yù)測(cè)效果。

圖8 4臺(tái)泵切換到3臺(tái)泵的模型訓(xùn)練和測(cè)試結(jié)果

圖9 3臺(tái)泵切換到2臺(tái)泵的模型訓(xùn)練和測(cè)試結(jié)果

同時(shí)，為了定量評(píng)價(jià)模型性能，采用均方根誤差和平均相對(duì)誤差對(duì)模型的精度進(jìn)行評(píng)價(jià)。均方根誤差和平均相對(duì)誤差越小，表明預(yù)測(cè)越準(zhǔn)確，模型擬合效果越好。

(8)

(9)

式中：ERMSE為均方根誤差；EMRE為平均相對(duì)誤差。

兩種建模方法針對(duì)出口SO2質(zhì)量濃度變化量的結(jié)果對(duì)比見表3。由表3可得：基于GWO-BP神經(jīng)網(wǎng)絡(luò)模型比傳統(tǒng)BP神經(jīng)網(wǎng)絡(luò)模型有更好的擬合效果。

表3 兩種建模方法的結(jié)果對(duì)比

4.3 結(jié)果分析

通過建立的基于GWO-BP神經(jīng)網(wǎng)絡(luò)的WFGD系統(tǒng)在線優(yōu)化調(diào)度模型組，研究在其他輸入條件不變的情況下，單獨(dú)改變某個(gè)輸入?yún)?shù)，出口SO2質(zhì)量濃度變化量的變化情況。同時(shí)，為了驗(yàn)證該模型組的預(yù)測(cè)性能，將其運(yùn)用于該機(jī)組WFGD系統(tǒng)，研究模型預(yù)測(cè)結(jié)果與實(shí)際運(yùn)行結(jié)果的吻合情況。

4.3.1 機(jī)組負(fù)荷的影響

保持WFGD系統(tǒng)出口SO2質(zhì)量濃度不變(5 mg/m3)，改變機(jī)組負(fù)荷，負(fù)荷間隔為25 MW，通過模型預(yù)測(cè)得到的結(jié)果見圖10。

圖10 機(jī)組負(fù)荷對(duì)出口SO2質(zhì)量濃度變化量的影響

由圖10可得：關(guān)閉1臺(tái)漿液循環(huán)泵后，隨著機(jī)組負(fù)荷增大，出口SO2質(zhì)量濃度變化量逐漸增大；并且入口SO2質(zhì)量濃度越大，出口SO2質(zhì)量濃度變化量越大。

實(shí)際脫硫過程中，在入口SO2質(zhì)量濃度不變的前提下，隨著機(jī)組負(fù)荷的增大，煙氣量也隨之增加，直接體現(xiàn)在液氣比nLG的變化，其計(jì)算公式為：

nLG=qm,L/qm,G

(10)

式中：qm,L為循環(huán)漿液的質(zhì)量流量；qm,G為吸收塔通過煙氣的質(zhì)量流量。

脫硫效率隨液氣比增大而增大，并且當(dāng)液氣比較小時(shí)，增加液氣比能更有效地提高脫硫效率[19]。此外，從式(10)可看出：在循環(huán)漿液質(zhì)量流量一定時(shí)，隨著機(jī)組負(fù)荷增大，吸收塔通過煙氣的質(zhì)量流量增加，因此液氣比逐漸減小。在高負(fù)荷時(shí)液氣比較小，所以在高負(fù)荷段，切換泵引起的脫硫效率變化更大，因此出口SO2質(zhì)量濃度變化量隨負(fù)荷增大而增大，模型所得結(jié)果與實(shí)際情況基本吻合。

4.3.2 入口SO2質(zhì)量濃度的影響

保持出口SO2質(zhì)量濃度一定(5 mg/m3)，改變?nèi)肟赟O2質(zhì)量濃度，入口SO2質(zhì)量濃度間隔為50 mg/m3，通過模型預(yù)測(cè)得到的結(jié)果見圖11。

圖11 入口SO2質(zhì)量濃度對(duì)出口SO2質(zhì)量濃度變化量的影響

由圖11可得：關(guān)閉1臺(tái)漿液循環(huán)泵后，隨著入口SO2質(zhì)量濃度的增大，出口SO2質(zhì)量濃度變化量呈現(xiàn)出增大的趨勢(shì)；并且隨著機(jī)組負(fù)荷增大，出口SO2質(zhì)量濃度變化量減小。這是因?yàn)槿肟赟O2質(zhì)量濃度增大時(shí)，為了保持出口SO2質(zhì)量濃度不變，每臺(tái)泵需要脫除SO2的量增加。關(guān)閉1臺(tái)漿液循環(huán)泵后，出口SO2質(zhì)量濃度的增加量即為關(guān)閉的該臺(tái)漿液循環(huán)泵SO2的脫除量。因此，當(dāng)關(guān)閉1臺(tái)漿液循環(huán)泵后，系統(tǒng)出口SO2質(zhì)量濃度變化量隨著入口SO2質(zhì)量濃度的增大而增大，模型預(yù)測(cè)結(jié)果與實(shí)際運(yùn)行情況基本吻合。

4.4 現(xiàn)場試驗(yàn)驗(yàn)證

為了驗(yàn)證模型組的預(yù)測(cè)性能，對(duì)該機(jī)組進(jìn)行了相關(guān)漿液循環(huán)泵切換試驗(yàn)，并將試驗(yàn)驗(yàn)證結(jié)果與模型結(jié)果進(jìn)行對(duì)比，得到結(jié)果見表4。由表4可得：試驗(yàn)驗(yàn)證結(jié)果與模型預(yù)測(cè)結(jié)果的絕對(duì)誤差不超過1.5 mg/m3。這說明該模型的預(yù)測(cè)精度較高，能夠較好地預(yù)測(cè)切換后WFGD系統(tǒng)出口SO2質(zhì)量濃度的變化情況，滿足實(shí)際工程中對(duì)出口SO2質(zhì)量濃度變化情況的預(yù)測(cè)需求。

表4 切換前后試驗(yàn)結(jié)果與模型預(yù)測(cè)結(jié)果對(duì)比

5 結(jié)語

筆者提出了一種針對(duì)WFGD系統(tǒng)的在線優(yōu)化調(diào)度方法，通過獲取某機(jī)組漿液循環(huán)泵切換數(shù)據(jù)，建立了基于GWO-BP神經(jīng)網(wǎng)絡(luò)算法的脫硫系統(tǒng)出口SO2質(zhì)量濃度變化量預(yù)測(cè)模型組，并對(duì)預(yù)測(cè)結(jié)果進(jìn)行了分析，得出以下結(jié)論：

(1) 筆者提出的基于GWO-BP神經(jīng)網(wǎng)絡(luò)模型比傳統(tǒng)BP神經(jīng)網(wǎng)絡(luò)模型具有更好的預(yù)測(cè)效果。

(2) 在模型其他輸入?yún)?shù)不變的條件下，切換漿液循環(huán)泵后WFGD系統(tǒng)出口SO2質(zhì)量濃度的變化量隨著機(jī)組負(fù)荷的增大而逐漸增大，且隨著入口SO2質(zhì)量濃度的增大而逐漸增大。

(3) 基于GWO-BP神經(jīng)網(wǎng)絡(luò)模型組的預(yù)測(cè)結(jié)果與實(shí)際情況基本吻合，預(yù)測(cè)精度較高，因此該模型可為WFGD系統(tǒng)在線優(yōu)化調(diào)度提供參考。