劉文慧，嚴(yán)博文*，吳江，任一君，孔維政，諶際宇

（1.內(nèi)蒙古蒙泰不連溝煤業(yè)有限責(zé)任公司煤矸石熱電廠，內(nèi)蒙古準(zhǔn)格爾 010321；2.華北電力大學(xué)控制與計(jì)算機(jī)工程學(xué)院，北京 102206）

0 引言

隨著可再生能源的發(fā)展和社會環(huán)保意識的增強(qiáng)，火電機(jī)組在靈活性和污染物排放方面受到了嚴(yán)格的限制。由于在燃料適應(yīng)性、污染物控制和負(fù)荷調(diào)節(jié)方面的優(yōu)勢，循環(huán)流化床（CFB）燃燒技術(shù)在過去50年取得了重大進(jìn)展［1］。到2017年，中國有超過4 000臺CFB 鍋爐機(jī)組，總?cè)萘砍^100 GW［2］。CFB燃燒技術(shù)正朝著更高參數(shù)、更大容量的方向發(fā)展。到2020 年，已經(jīng)有46 臺超臨界CFB 鍋爐投入使用，總?cè)萘拷咏?7 GW［3］。

隨著我國能源革命的發(fā)展，碳中和背景下以新能源為主體的新型電力系統(tǒng)加速構(gòu)建，越來越多的間歇性可再生能源，如風(fēng)能、太陽能以及分布式發(fā)電系統(tǒng)接入電網(wǎng)，火電機(jī)組面臨著快速變負(fù)荷、超低負(fù)荷的運(yùn)行要求，為火電機(jī)組的安全穩(wěn)定運(yùn)行帶來了挑戰(zhàn)。CFB鍋爐機(jī)組運(yùn)行參數(shù)的精準(zhǔn)預(yù)測模型可以為現(xiàn)場運(yùn)行提供指導(dǎo)和幫助，從而提高機(jī)組運(yùn)行的安全性與穩(wěn)定性。許多研究發(fā)現(xiàn)，維持正常床溫是CFB 鍋爐穩(wěn)定運(yùn)行的關(guān)鍵［4］，機(jī)組運(yùn)行過程中，幾乎所有的控制和調(diào)節(jié)都是圍繞維持穩(wěn)定的床溫進(jìn)行的。床溫預(yù)測可以通過研究鍋爐燃燒過程，求解質(zhì)量和能量守恒方程，建立基于力學(xué)的模型［5-6］。然而，床溫的影響因素有很多，如各因素之間的耦合、大延遲效應(yīng)以及爐內(nèi)氣固兩相流特性都會導(dǎo)致機(jī)理模型較為復(fù)雜，不適合現(xiàn)場控制系統(tǒng)的設(shè)計(jì)和優(yōu)化［7］。在實(shí)踐中，力學(xué)模型所需要的變量有時難以獲得，因此，大多數(shù)基于力學(xué)的床溫預(yù)測模型存在精度不足的問題。平行控制系統(tǒng)的理念最早于2004年由王飛躍提出［8］，基于平行系統(tǒng)的理念，利用智能算法構(gòu)建虛擬系統(tǒng)，實(shí)際系統(tǒng)不斷向虛擬系統(tǒng)提供數(shù)據(jù)和支撐，虛擬系統(tǒng)則利用尋優(yōu)、預(yù)測等手段為實(shí)際系統(tǒng)的運(yùn)行提供指導(dǎo)和幫助，為機(jī)理模型的不足提供了解決辦法。

隨著計(jì)算機(jī)技術(shù)的發(fā)展，機(jī)器學(xué)習(xí)越來越多地應(yīng)用在工業(yè)領(lǐng)域。文獻(xiàn)［9］分析了近年來利用神經(jīng)網(wǎng)絡(luò)算法預(yù)測脫硫系統(tǒng)SO2排放量的算法網(wǎng)絡(luò)結(jié)構(gòu)、輸入?yún)?shù)等算法細(xì)節(jié)，討論了神經(jīng)網(wǎng)絡(luò)算法應(yīng)用于脫硫系統(tǒng)的特點(diǎn)。倪紹佑［10］利用反向傳播（BP）神經(jīng)網(wǎng)絡(luò)對CFB 鍋爐的SO2排放進(jìn)行了建模，發(fā)現(xiàn)以鍋爐蒸發(fā)量、一次風(fēng)量、煙氣含氧量等作為模型輸入時的建模效果最佳。張媛媛等［11］利用BP神經(jīng)網(wǎng)絡(luò)算法構(gòu)建了NOx排放質(zhì)量濃度預(yù)測模型，并采用遺傳算法優(yōu)化了BP神經(jīng)網(wǎng)絡(luò)的權(quán)值和閾值，通過建模確定了機(jī)組在100 MW 超低負(fù)荷下的主要優(yōu)化參數(shù)。韓義等［12］利用BP 神經(jīng)網(wǎng)絡(luò)對某300 MW 循環(huán)流化床機(jī)組進(jìn)行建模以預(yù)測機(jī)組出力，通過數(shù)據(jù)預(yù)處理減少異常數(shù)據(jù)對模型精確度的影響，通過主成分分析法（PCA）降維減少輸入變量個數(shù),預(yù)測結(jié)果具有較好的精確性與穩(wěn)定性。崔博洋等［13］將提取的電廠廠級信息監(jiān)測系統(tǒng)（SIS）數(shù)據(jù)庫數(shù)據(jù)特征作為長短期記憶（LSTM）神經(jīng)網(wǎng)絡(luò)的輸入，得到脫硫吸收塔pH 值預(yù)測模型。受這些研究的啟發(fā)，本文采用基于時序注意力機(jī)制的長短期記憶（TPA-LSTM）神經(jīng)網(wǎng)絡(luò)模型對床溫進(jìn)行建模，以“時序片段關(guān)注模式”替代傳統(tǒng)注意力機(jī)制的“點(diǎn)關(guān)注模式”。機(jī)組試驗(yàn)數(shù)據(jù)表明，TPA-LSTM 模型取得了更好的預(yù)測效果。本文的預(yù)測模型能夠根據(jù)現(xiàn)有測點(diǎn)數(shù)據(jù)預(yù)測出未來20 s 的床溫值，可為進(jìn)一步的機(jī)組運(yùn)行提供參考。

1 理論背景

1.1 CFB鍋爐運(yùn)行簡介

CFB 鍋爐運(yùn)行過程中，煤矸石經(jīng)干燥粉碎后與石灰石混合進(jìn)入鍋爐，在一次風(fēng)的作用下以“流化”狀態(tài)進(jìn)行燃燒發(fā)熱。為保證煤粉完全燃燒，通常在爐壁的不同高度安裝二次風(fēng)噴嘴，為燃燒提供充足的氧氣。一次風(fēng)由爐膛底部的布風(fēng)板吹出，以保證床料的流動性，二次風(fēng)出口通常布置于爐壁周圍，為燃燒提供足夠的氧氣。燃燒產(chǎn)生的煙氣經(jīng)由水平煙道進(jìn)入旋風(fēng)分離器。在旋風(fēng)分離器中，較重的顆粒被分離并返回爐膛進(jìn)行再循環(huán)，未燃盡的煤和石灰石被循環(huán)回收，提高了燃料的燃燒效率以及石灰石的利用率。

雙支腿型CFB 鍋爐部分結(jié)構(gòu)如圖1所示。床層中的混合顆粒由部分燃燒的煤、石灰石及灰分組成，床層物料會因直徑和密度的不同而發(fā)生分離，大顆粒大多停留在爐底，定期排出爐外，只有細(xì)顆粒才能被通過爐膛的煙氣攜帶。

圖1 雙支腿型CFB鍋爐部分結(jié)構(gòu)Fig.1 Partial structure of a pant-leg circulating fluidized bed boiler

床溫通常指物料在密相區(qū)的溫度，它對CFB 鍋爐的安全運(yùn)行起著重要的作用。床溫是燃燒過程中關(guān)鍵的受控變量，具體來說，床溫越高，焦炭的揮發(fā)和反應(yīng)速度越快，鍋爐的燃燒效率也就越高。床溫受鍋爐負(fù)荷、給煤量、煤質(zhì)、一次風(fēng)量、二次風(fēng)量、灰渣排放等因素的影響；同時，床溫表征了爐內(nèi)燃燒情況，較高的床溫往往會有較快的變負(fù)荷速率，但會導(dǎo)致更多的污染物生成。在超低負(fù)荷運(yùn)行、快速變負(fù)荷以及超低排放三大要求下，床溫成為平衡這些要求的重要參數(shù)。在動態(tài)運(yùn)行過程中，床溫不可能保持在一定的溫度范圍內(nèi)，因此，若能對床溫進(jìn)行提前預(yù)測，則可為現(xiàn)場運(yùn)行策略調(diào)整帶來新的思路。本文研究了床溫的單點(diǎn)預(yù)測，提供了床溫未來的變化信息，對床溫的控制和預(yù)警具有重要意義。

1.2 平行控制系統(tǒng)理論

平行控制系統(tǒng)旨在指導(dǎo)實(shí)際系統(tǒng)與虛擬系統(tǒng)的交互，促進(jìn)兩者的協(xié)同發(fā)展。平行系統(tǒng)指由實(shí)際系統(tǒng)和對應(yīng)的虛擬系統(tǒng)所組成的共同系統(tǒng)，如圖2所示。通過構(gòu)造與實(shí)際系統(tǒng)對應(yīng)的虛擬系統(tǒng)，采取在線學(xué)習(xí)、離線計(jì)算、虛實(shí)互動等技術(shù)，使得虛擬系統(tǒng)成為運(yùn)行實(shí)驗(yàn)室，以計(jì)算試驗(yàn)的方式為實(shí)際系統(tǒng)的運(yùn)行提供借鑒、預(yù)估和引導(dǎo)，從而為企業(yè)管理運(yùn)行提供高效、可靠、適用的科學(xué)決策和指導(dǎo)。

圖2 平行系統(tǒng)理論結(jié)構(gòu)關(guān)系Fig.2 Structural relations of parallel control theory

CFB 鍋爐內(nèi)部反應(yīng)十分復(fù)雜，傳統(tǒng)的機(jī)理建模很難實(shí)現(xiàn)對床溫的精準(zhǔn)預(yù)測，因此很難構(gòu)建基于床溫參數(shù)的虛擬系統(tǒng)。通過深度學(xué)習(xí)對床溫參數(shù)進(jìn)行建模，從而實(shí)現(xiàn)從實(shí)際系統(tǒng)到虛擬系統(tǒng)的跨越。本文主要研究平行控制的虛擬系統(tǒng)構(gòu)建及計(jì)算試驗(yàn)。虛擬系統(tǒng)通過采集實(shí)際系統(tǒng)的數(shù)據(jù)構(gòu)建出精準(zhǔn)的預(yù)測模型，為進(jìn)一步的優(yōu)化控制及虛擬量構(gòu)建奠定基礎(chǔ)。

2 模型算法概述

2.1 TPA-LSTM 模型

虛擬系統(tǒng)的構(gòu)建采用TPA-LSTM 模型，TPALSTM 模型由2部分組成：前一部分為長短期記憶神經(jīng)網(wǎng)絡(luò)（LSTM）模型，后一部分為時序關(guān)注層。模型輸入首先通過LSTM 模型進(jìn)行計(jì)算，接著進(jìn)入時序關(guān)注層，時序關(guān)注層的輸出為最終的模型輸出。

LSTM 模型由Hochreiter 與Schmidhuber 在1997年提出［14］。圖3展示了LSTM 模型的細(xì)胞結(jié)構(gòu)，模型的核心為細(xì)胞狀態(tài)ct。

圖3 LSTM 細(xì)胞結(jié)構(gòu)Fig.3 LSTM cell structure

LSTM模型的計(jì)算過程為：當(dāng)前時刻的輸入xt與上一時刻的細(xì)胞輸出ht-1進(jìn)行結(jié)合，形成LSTM 模型的細(xì)胞輸入；細(xì)胞輸入經(jīng)過權(quán)重變換形成遺忘門ft、輸入門it、輸出門ot及細(xì)胞候選狀態(tài)c～t［15］。

在LSTM 模型中，ht-1的不斷傳遞形成了循環(huán)神經(jīng)網(wǎng)絡(luò)的一大重要特征——記憶功能。LSTM 神經(jīng)網(wǎng)絡(luò)通過遺忘門對細(xì)胞中存儲的記憶進(jìn)行選擇，實(shí)現(xiàn)了LSTM 神經(jīng)網(wǎng)絡(luò)的遺忘機(jī)制，大大提高了模型效率，由此避免了循環(huán)神經(jīng)網(wǎng)絡(luò)的“長期依賴”問題。

除了LSTM 神經(jīng)網(wǎng)絡(luò)，注意力機(jī)制也引起了研究者們的興趣［16］。注意力機(jī)制是在模型中構(gòu)建關(guān)鍵向量、值向量以及查詢向量，通過關(guān)鍵向量與查詢向量之間的相似度得分對值向量進(jìn)行選擇，由此提高模型的計(jì)算效率和預(yù)測精度。TPA-LSTM 最早由Shih 等于2019 年提出［17］。Shih 等使用一組濾波器來提取數(shù)據(jù)的時序信息，類似于將時間序列數(shù)據(jù)轉(zhuǎn)換為“頻域”，然后提出采用一種新的注意力機(jī)制來選擇相關(guān)時間序列并利用其“頻域”信息進(jìn)行預(yù)測。TPA-LSTM 模型注意力機(jī)制計(jì)算過程如圖4 所示（圖中：hi為不同特征變量在i時刻的值）。時序關(guān)注層的輸入為LSTM 神經(jīng)網(wǎng)絡(luò)的輸出。利用一維卷積對時間序列進(jìn)行過濾，類似提取“頻域”信息。將同一個特征變量的不同卷積核提取出的“頻域”信息作為注意力機(jī)制中的關(guān)鍵向量及值向量，將最后一個時刻的LSTM 模型輸出ht作為查詢向量進(jìn)行注意力機(jī)制的計(jì)算。最終的結(jié)果vt同ht一起形成模型最終的輸出。

圖4 TPA-LSTM 模型注意力機(jī)制計(jì)算過程Fig.4 Calculation results of TPA-LSTM model attention mechanism

TPA-LSTM 神經(jīng)網(wǎng)絡(luò)是在傳統(tǒng)的LSTM 神經(jīng)網(wǎng)絡(luò)層之后加入了時序注意力機(jī)制。為了便于陳述，本文定義以下變量：H為LSTM 層的輸出，H的行向量代表同一個特征在不同時間步上的時序，列向量表示在同一時間步上的m個特征值。

首先對H矩陣進(jìn)行一維卷積操作，得到HC矩陣，其中卷積核的尺度為1×d（d為任務(wù)所需關(guān)注時序段的最大長度）；卷積操作之后將數(shù)據(jù)在時序方向進(jìn)行加權(quán)和操作，由于卷積操作的卷積核數(shù)量為k，因此每個特征會生成k個不同的卷積結(jié)果；單一特征變量利用生成的不同卷積核濾波結(jié)果進(jìn)行關(guān)注度計(jì)算，最終根據(jù)關(guān)注度對濾波結(jié)果進(jìn)行加權(quán)求和，計(jì)算過程如下。

通過以上計(jì)算，利用卷積濾波提取時序數(shù)據(jù)中的時序信息，再根據(jù)計(jì)算所得的關(guān)注度選擇與時序部分最后時刻的狀態(tài)ht類似的數(shù)據(jù)信息，從而提高模型的預(yù)測精度。

2.2 灰色關(guān)聯(lián)度分析法

在虛擬系統(tǒng)構(gòu)建過程中，需要對實(shí)際系統(tǒng)的數(shù)據(jù)進(jìn)行篩選，避免冗余變量對模型預(yù)測產(chǎn)生影響，從而提高虛擬系統(tǒng)計(jì)算試驗(yàn)的準(zhǔn)確性。床溫受多個參數(shù)的影響，這些參數(shù)之間存在不同的時滯和相互作用，床溫與所有相互作用參數(shù)之間的關(guān)系就像一個灰色系統(tǒng)。灰色關(guān)聯(lián)分析法（GRA）是由Deng［18］提出的一種根據(jù)數(shù)據(jù)曲線的相似度來度量多個性能之間相互關(guān)聯(lián)度的有效統(tǒng)計(jì)方法，本文采取GRA 法來選擇模型的輸入，其中灰色關(guān)聯(lián)度（GRG）表示參考序列與可比性序列之間相關(guān)性的數(shù)值度量，該值越接近1，說明2 個序列之間的重合程度越高。灰色關(guān)聯(lián)度分析的主要步驟如下。

（1）首先，將目標(biāo)序列和比較序列進(jìn)行標(biāo)準(zhǔn)化處理，本文采用最大最小歸一化方式。

2.3 性能評價(jià)指標(biāo)

為了評估不同試驗(yàn)場景下的預(yù)測性能，選擇多種科學(xué)性能指標(biāo)進(jìn)行時間序列預(yù)測。本文用平均絕對誤差EMA、平均絕對百分比誤差EMAP評估不同模型的性能。

平均絕對誤差

平均絕對百分比誤差

式中：y′i為預(yù)測模型的預(yù)測值；n為預(yù)測數(shù)據(jù)的數(shù)量；yˉ為實(shí)際值的平均值。

通常情況下，EMA和EMAP值越低，表示預(yù)測精度越高。

3 實(shí)例分析

3.1 數(shù)據(jù)集劃分

以某330 MW 循環(huán)流化床機(jī)組的生產(chǎn)數(shù)據(jù)為例，說明預(yù)測建模步驟。本文的預(yù)測方法以20 s 后左側(cè)床溫為預(yù)測目標(biāo)，以歷史采樣數(shù)據(jù)作為模型的輸入數(shù)據(jù)。數(shù)據(jù)均來自現(xiàn)場分散控制系統(tǒng)（DCS），數(shù)據(jù)采樣間隔為5 s，數(shù)據(jù)數(shù)量為42 000。數(shù)據(jù)集按照37 800，1 600，2 600 的數(shù)據(jù)段依次分為訓(xùn)練集、驗(yàn)證集、測試集。以負(fù)荷為例，圖5展示了數(shù)據(jù)集劃分的結(jié)果。其中，數(shù)據(jù)集1，2，3分別表示訓(xùn)練集、驗(yàn)證集和測試集。由圖5 可知，機(jī)組大部分時間處于變負(fù)荷階段，因此采用傳統(tǒng)的建模方法很難實(shí)現(xiàn)對床溫的精準(zhǔn)預(yù)測，因此本文采用深度神經(jīng)網(wǎng)絡(luò)模型對床溫進(jìn)行預(yù)測。需要注意的是，整個采樣期間，煤質(zhì)并未發(fā)生明顯變化，因此本文的模型并未考慮煤質(zhì)對床溫的影響。

圖5 數(shù)據(jù)集劃分Fig.5 Data set partitioning

3.2 變量篩選及模型超參數(shù)選擇

在虛擬系統(tǒng)構(gòu)建過程中，本文對輸入變量進(jìn)行了灰色關(guān)聯(lián)度分析。為了便于展示結(jié)果，本文將輸入變量進(jìn)行編號，見表1（表中，AGC 為自動發(fā)電控制）?；疑P(guān)聯(lián)度分析結(jié)果如圖6所示。

圖6 灰色關(guān)聯(lián)度分析結(jié)果Fig.6 Results of grey correlation degree analysis

表1 輸入變量編號Table 1 Numbering for the input variants

以左側(cè)床溫為例進(jìn)行預(yù)測。設(shè)置灰色關(guān)聯(lián)度閾值為0.7，根據(jù)灰色關(guān)聯(lián)度分析結(jié)果選擇模型的輸入變量為#4 給煤機(jī)轉(zhuǎn)速、#3 給煤機(jī)轉(zhuǎn)速、#2 給煤機(jī)轉(zhuǎn)速、#1 給煤機(jī)轉(zhuǎn)速、左側(cè)一次風(fēng)風(fēng)量、右側(cè)床溫及右側(cè)床壓。需要注意的是，為了減少目標(biāo)變量自相關(guān)性的影響，本文采用床溫的一階差分預(yù)測法，計(jì)算方法如下

式中：y(t+k)為預(yù)測目標(biāo)在t+k時刻的值；y(t)為預(yù)測目標(biāo)在t時刻的值；Δy為2個時刻的差值。

本文采用TPA-LSTM 模型對爐膛左側(cè)床溫進(jìn)行預(yù)測。通過訓(xùn)練集對模型參數(shù)進(jìn)行訓(xùn)練，并采用驗(yàn)證集進(jìn)行模型超參數(shù)選擇。模型訓(xùn)練的損失函數(shù)采用MAE，采用Adam［19］優(yōu)化器進(jìn)行訓(xùn)練。模型的超參數(shù)選擇結(jié)果見表2。

表2 模型超參數(shù)選擇結(jié)果Table 2 Hyperparameter selection for the models

3.3 模型預(yù)測結(jié)果

利用訓(xùn)練好的模型對測試集數(shù)據(jù)進(jìn)行預(yù)測，預(yù)測結(jié)果如圖7所示（圖7a為測試集的全部預(yù)測結(jié)果，圖7b—圖7h 為局部放大后的細(xì)節(jié)圖）。采用EMA，EMAP對預(yù)測結(jié)果進(jìn)行評價(jià)，其中，預(yù)測性能的真實(shí)值采用20 s 后的床溫測量值，評價(jià)結(jié)果顯示：EMA=0.131 7 ℃，EMAP=0.014 29%。從評價(jià)結(jié)果可見，本文構(gòu)建的預(yù)測模型能夠很好地對床溫進(jìn)行建模并提前預(yù)測床溫。這種精準(zhǔn)的預(yù)測結(jié)果可為平行控制系統(tǒng)中的平行執(zhí)行及關(guān)鍵虛擬量構(gòu)建奠定研究基礎(chǔ)，實(shí)現(xiàn)虛擬系統(tǒng)對實(shí)際系統(tǒng)的優(yōu)化和指導(dǎo)。

圖7 TPA-LSTM 模型預(yù)測結(jié)果Fig.7 Prediction results of the TPA-LSTM model

3.4 模型預(yù)測性能對比

為了驗(yàn)證本文所提出預(yù)測算法的優(yōu)勢，將TPA-LSTM 模型與傳統(tǒng)的LSTM 模型進(jìn)行對比。2個模型均采用相同的輸入變量。為了更好地展示對比效果，采用20 s后的床溫值作為真實(shí)值，對比結(jié)果如圖8 所示（圖8a 為測試集的全部預(yù)測結(jié)果，圖8b—圖8h為局部放大后的細(xì)節(jié)圖）。

圖8 不同模型預(yù)測結(jié)果對比Fig.8 Prediction results of different models

采用EMA，EMAP指標(biāo)對2 種模型的預(yù)測結(jié)果進(jìn)行評價(jià)，預(yù)測性能對比見表3。從對比結(jié)果可以看出，本文提出的TPA-LSTM 預(yù)測模型能夠更準(zhǔn)確地對床溫進(jìn)行預(yù)測，預(yù)測性能相較于LSTM 神經(jīng)網(wǎng)絡(luò)模型有一定提升。實(shí)際工業(yè)過程中，系統(tǒng)運(yùn)行數(shù)據(jù)通常存在不同程度的滯后，傳統(tǒng)的LSTM 模型僅考慮了時序數(shù)據(jù)的前后關(guān)聯(lián)；同時，LSTM 模型的遺忘機(jī)制并不能很好地選擇最佳的時序段，本文通過加入時序關(guān)注模式，使得模型能夠選取最有效的時序段對目標(biāo)變量進(jìn)行建模和預(yù)測。

表3 模型預(yù)測性能對比Table 3 Performance comparison of the forecast models

3.5 平行控制應(yīng)用展望

本文的主要研究針對平行控制的虛擬系統(tǒng)構(gòu)建及計(jì)算試驗(yàn)。利用歷史數(shù)據(jù)結(jié)合預(yù)測模型構(gòu)建床溫參數(shù)的虛擬系統(tǒng)，以實(shí)現(xiàn)對床溫的預(yù)測；將預(yù)測值實(shí)時反饋給現(xiàn)場運(yùn)行人員，現(xiàn)場運(yùn)行人員通過判斷對機(jī)組運(yùn)行進(jìn)行適當(dāng)調(diào)整，實(shí)現(xiàn)虛擬系統(tǒng)對實(shí)際系統(tǒng)的指導(dǎo)作用；虛擬系統(tǒng)源源不斷地從實(shí)際系統(tǒng)獲取數(shù)據(jù)，對模型結(jié)構(gòu)、參數(shù)進(jìn)行調(diào)整；虛擬系統(tǒng)的預(yù)測結(jié)果將為實(shí)際系統(tǒng)的運(yùn)行提供指導(dǎo)和優(yōu)化，從而實(shí)現(xiàn)虛擬系統(tǒng)與實(shí)際系統(tǒng)之間的交互。

后續(xù)的平行控制應(yīng)用研究將結(jié)合預(yù)測模型實(shí)現(xiàn)對機(jī)組運(yùn)行參數(shù)的優(yōu)化，以最佳床溫運(yùn)行范圍為主要優(yōu)化目標(biāo)，以控制量（如#4 給煤機(jī)轉(zhuǎn)速、#3 給煤機(jī)轉(zhuǎn)速、#2給煤機(jī)轉(zhuǎn)速、#1給煤機(jī)轉(zhuǎn)速以及左側(cè)一次風(fēng)風(fēng)量）為優(yōu)化對象，中間量（如右側(cè)床溫和右側(cè)床壓）需要保持與當(dāng)前時刻測點(diǎn)數(shù)據(jù)一致。通過優(yōu)化結(jié)果對機(jī)組的運(yùn)行策略進(jìn)行調(diào)整，采用啟發(fā)式優(yōu)化算法對控制量進(jìn)行尋優(yōu)，實(shí)現(xiàn)虛擬系統(tǒng)對實(shí)際系統(tǒng)的優(yōu)化。

盡管給出了具體的實(shí)施方法，但在目前的運(yùn)行中仍存在以下問題。（1）程序計(jì)算時間過長，無法對機(jī)組進(jìn)行實(shí)時控制調(diào)整。盡管通過優(yōu)化計(jì)算機(jī)硬件可以適當(dāng)縮短計(jì)算時間，但其根源在于優(yōu)化算法的計(jì)算量過大。（2）模型輸入中非控制量的約束問題，如將右側(cè)床溫及右側(cè)床壓固定為當(dāng)前時刻的測量值，如何針對非控制量進(jìn)行約束是一個亟須解決的問題，希望后續(xù)的研究能在這些方面有所突破，實(shí)現(xiàn)由虛擬系統(tǒng)到實(shí)際系統(tǒng)的優(yōu)化。

4 結(jié)束語

在平行控制的理論背景下，本文針對循環(huán)流化床的床溫參數(shù)進(jìn)行了虛擬系統(tǒng)構(gòu)建和計(jì)算試驗(yàn)，實(shí)現(xiàn)了對床溫的精準(zhǔn)預(yù)測。通過灰色關(guān)聯(lián)度對模型輸入進(jìn)行了篩選，利用TPA-LSTM 模型對床溫值進(jìn)行預(yù)測，取得了精準(zhǔn)的預(yù)測結(jié)果。本文的預(yù)測模型可為變負(fù)荷工況下的機(jī)組控制策略提供參考。與LSTM 模型進(jìn)行對比，本文的預(yù)測模型的預(yù)測性能有一定提升。盡管本文的模型取得了非常好的預(yù)測效果，但本文的研究并未考慮煤質(zhì)變化對模型預(yù)測效果的影響，今后會在這一方面進(jìn)行深入研究。

后續(xù)將對計(jì)算試驗(yàn)與平行執(zhí)行、關(guān)鍵虛擬量構(gòu)建之間的互動關(guān)系展開研究，為發(fā)電機(jī)組智能平行控制理論的應(yīng)用奠定基礎(chǔ)。