馬靖寧，薛文雅，梁偉平，陳聯(lián)宏，王 潤

（1.華北電力大學 自動化系，河北 保定 071003；2.深圳能源環(huán)保股份有限公司，廣東 深圳 518048）

0 引言

目前，垃圾焚燒發(fā)電廠較多采用的爐型為爐排爐。為了衡量垃圾在爐排上方的分布狀態(tài)，垃圾料層厚度的計算具有重要的意義。

在爐排爐運行過程中，一般采用爐排上下方壓差來衡量爐排上方的垃圾厚度。受到爐排下方一次風機轉速變化的影響，采用這種方法得到的料層厚度計算值容易發(fā)生的嚴重波動，難以準確反映實際垃圾的分布——這不利于爐排控制系統(tǒng)的穩(wěn)定。

針對料層厚度的計算問題，文獻[1]結合運行數(shù)據(jù)，提出了一種垃圾料層厚度參考值計算方法；但在工況變化時，該方法計算結果會產(chǎn)生較大波動。文獻[2]提出了垃圾焚燒爐在實際運行過程中垃圾料層厚度控制的方法；該方法提高了垃圾厚度的控制效果。文獻[3]通過搭建冷態(tài)實驗臺，測量了不同厚度的垃圾在不同一次風流量下的料層厚度阻力，得出垃圾與爐排總阻力在正常風量下小于1 MPa的結論。文獻[4]進行了醫(yī)療垃圾循環(huán)流化床燃燒爐料層厚度阻力特性測試，結果顯示：只要厚度一致，其臨界流化風量不會相差太大。文獻[5]給出了一次風量與垃圾阻力、爐排阻力的關系，并指出：一次風壓與爐排阻力、垃圾阻力呈線性關系，與一次風量呈非線性關系；因此，考量料層厚度狀態(tài)時必須引入一次風量。文獻[6]通過一次風流量、風室壓力、爐膛壓力，計算出實際爐排上垃圾料層厚度的透風系數(shù)；雖然該系數(shù)可反映出實際爐排上方的垃圾厚度，但工況變化依舊會導致計算結果波動嚴重。

針對上述問題，本文利用現(xiàn)有料層厚度計算方法結合現(xiàn)場運行人員經(jīng)驗，對料層厚度劃分出模糊等級；然后，建立基于布谷鳥搜索（cuckoo search，CS）優(yōu)化長短期記憶（long short term memory，LSTM）的爐排爐干燥段垃圾料層厚度模型；最后，對比現(xiàn)有計算公式以及 LSTM等模型，驗證布谷鳥搜索優(yōu)化長短期記憶（cuckoo search algorithm optimized along short term memory，CS-LSTM）模型在垃圾厚度預測的準確性。

1 干燥段料層厚度特性分析

爐排表面的垃圾在干燥段僅被干燥，不參與燃燒[7]。與爐排其他段相比，在鍋爐燃燒穩(wěn)定的前提下，干燥段爐排上下差壓較為穩(wěn)定，故更適合作為料層厚度測量段。

垃圾進入爐膛時需保證料層分布均勻。干燥段爐排的垃圾分布會直接影響后面幾段爐排的垃圾厚度，因此干燥段爐排垃圾厚度的控制尤為重要。

目前，料層厚度多根據(jù)爐排上下差壓與一次風流量通過計算的方法得到。計算原理如圖1所示。

圖1 爐排爐料層厚度計算原理Fig.1 Calculation principle of grate furnace layer thickness

本文研究對象：某垃圾焚燒發(fā)電廠往復式機械爐排垃圾焚燒爐；垃圾日處理量為400 t；干燥段共分為2段，每段左右側各有1個風室；每個風室未裝獨立的流量測量設備。

爐排干燥段結構如圖2所示。

圖2 400 t/d垃圾焚燒爐排爐干燥段示意圖Fig.2 Schematic diagram of drying section of 400 t/d waste incineration grate

該電廠使用干燥段垃圾厚度阻力來表示料層厚度，計算公式為[8]：

式中：R為料層厚度；C、n為常數(shù)，需根據(jù)垃圾發(fā)熱值設置；Pav為干燥段爐排上下方差壓平均值；P0為正常運行時干燥段一次風差壓平均值；Q為干燥風流量；P1,L、P1,R、P2,L、P2,R分別為一段左風室壓力、一段右風室壓力、二段左風室壓力、二段右風室壓力；Q0為正常運行時干燥風流量。

利用該公式對料層厚度進行計算前，假設該段時間內垃圾熱值不變，則可認為C、n值保持不變。根據(jù)現(xiàn)場運行經(jīng)驗，取C=10、n=1、P0=345.634 Pa、Q0=13 999.865 m3/h（標態(tài)下）時，垃圾料層厚度計算值波動較小，效果最好。

具體計算結果如圖3所示。

圖3 料層厚度計算結果Fig.3 The calculation result of the layer thickness

從圖3可以看出，在干燥風機轉速變化不大的情況下，料層厚度在2～10之間波動。在風機轉速突然下降、干燥風流量突然減小情況下，利用差壓加流量計算得到的料層厚度值會突然大幅度增加——這顯然不符合實際情況。因此，在風機突然大幅變化時，通過公式（1）得出的結果并不準確。

2 CS-LSTM模型

2.1 長短期記憶模型

LSTM 網(wǎng)絡是一種時間循環(huán)神經(jīng)網(wǎng)絡，具有良好的序列數(shù)據(jù)處理能力，因此在料層厚度軟測應用方面具有理論優(yōu)勢。

LSTM是一種改進型的循環(huán)神經(jīng)網(wǎng)絡[9]。由于LSTM 能夠更真實地模擬人類行為、邏輯發(fā)展和神經(jīng)組織的認知過程，因此LSTM在分類問題上有著顯著的優(yōu)勢。LSTM的結構如圖4所示。

圖4 LSTM網(wǎng)絡結構模型Fig.4 The LSTM network structure model

圖4中，LSTM網(wǎng)絡的輸入有3個，即內部細胞狀態(tài)Ct-1、隱層狀態(tài)ht-1、t時刻輸入量xt；輸出有2個，即細胞狀態(tài)Ct、隱層狀態(tài)ht。

式中：Wf為遺忘門權重系數(shù)；bf為遺忘門偏置；δ為sigmoid激活函數(shù)。

由于Ct-1與ft逐位相乘，當ft某一位為0，則與Ct-1運算后對應位置也為 0，即認為該信息被“遺忘”了，因此被稱為遺忘門。

式中：it為輸入門，用來控制當前時刻需要保存的信息；tanh為激活函數(shù)；Wi、Wc為更新門權重；bi、bc為偏置；“?”表示叉乘；“·”表示點乘。

式中：ot為輸出門，用來控制內部細胞狀態(tài)Ct需要向ht輸出的信息[10]。

2.2 CS-LSTM模型

CS是一種成熟有效的尋優(yōu)算法算法，且在電力系統(tǒng)優(yōu)化調度、短期電力負荷預測、發(fā)動機故障診斷等方面已有相關應用研究[11]。

CS算法是一種群智能搜索算法，具有魯棒性強、參數(shù)少、通用性較好和全局尋優(yōu)能力突出等多方面優(yōu)勢[12]。

該算法基于3種理想規(guī)則[13]。

（1）每只布谷鳥只能隨機在鳥巢中產(chǎn)一枚卵。

（2）在隨機選擇的一組鳥巢中，最好的寄生巢會被保留到下一代。

（3）鳥巢數(shù)量固定。布谷鳥的卵被發(fā)現(xiàn)的概率為Pa，Pa∈[0,1]。

CS算法主要有2步。

第一步，布谷鳥尋找最優(yōu)解。

布谷鳥尋找宿主鳥巢的位置和路徑公式為：

式中：β通常取1.5；Γ(·)為Gamma函數(shù)。

第二步，宿主鳥新巢穴的位置更新。

用隨機產(chǎn)生的服從0-1分布的數(shù)值R與Pa比較。若R＞Pa，則按下列公式改變位置；否則不變。

式中：r、ε分別為服從均勻分布的隨機數(shù)；分別為其他任意2個鳥巢。

將布谷鳥搜索算法與LSTM結合后，可以通過CS算法對LSTM的最優(yōu)學習率以及神經(jīng)元數(shù)進行求解[14]，其流程如圖5所示。

圖5 CS-LSTM算法流程圖Fig.5 Flow chart of CS-LSTM algorithm

本文利用CS算法對LSTM模型的節(jié)點數(shù)與學習率進行優(yōu)化，可以提高模型精度。

3 基于CS-LSTM的料層厚度軟測量模型

3.1 數(shù)據(jù)預處理

采集某垃圾發(fā)電廠7 d運行數(shù)據(jù)，采樣間隔為1 s。

首先，對數(shù)據(jù)進行濾波，以去除壞點?？紤]料層厚度在短時間內不會發(fā)生劇烈變化，為減少訓練數(shù)據(jù)量，模型的輸入采用30 s內數(shù)據(jù)的均值。然后，對輸入數(shù)據(jù)進行歸一化處理。最后，將數(shù)據(jù)隨機打亂，選取16 146組數(shù)據(jù)作為訓練集，4 180組數(shù)據(jù)作為測試集。

為了便于直觀顯示模型輸出效果，訓練集與測試集均按照輸出等級從小到大排列。

3.2 模型輸入變量選擇

爐排下方風室壓力與爐膛負壓之間存在的延遲，會導致計算得出的差壓變化巨大。在實際生產(chǎn)中，往往采用熱力試驗的方法對其進行確定[15]。本文采用皮爾遜相關系數(shù)分析法[16]，對爐排下方干燥段風室風壓與爐膛負壓之間的時間延遲進行估算。

計算滯后0～300 s內，爐排下方壓力與爐膛負壓的相關系數(shù)，計算結果如圖6所示。

圖6 不同遲延時間的干燥段風室壓力與爐膛負壓相關度Fig.6 Correlation between air chamber pressure and furnace negative pressure in drying section under different delay times

由圖6可知，相關度最高時對應的延時時間為137 s，因此：在計算差壓時，需要消除該延時對計算結果造成的影響。

文獻[17]研究結果顯示，垃圾料層厚度與爐排上下壓差、流速的比值有關。同時，考慮流速可以通過流量計算得出，因此最終確定如下4個變量作為爐排垃圾厚度預測模型輸入?yún)⒘浚?/p>

（1）干燥段一次風機總風量。

（2）消除137 s延時后，干燥段爐排下方風室平均風壓力與爐膛負壓差的平均值。

（3）干燥風機一次風風溫。

（4）干燥段爐排上下方平均差壓與流量之比。

3.3 輸出變量劃分等級

垃圾厚度軟測量計算模型的輸出由劃分等級的形式來表示。在劃分等級時，既要保證厚度等級的合理性，又要避免出現(xiàn)一次風短路現(xiàn)象[18]。垃圾厚度等級根據(jù)已有料層厚度計算結果并結合運行經(jīng)驗給出。厚度等級劃分為1～9。

分類規(guī)則如下：

（1）在干燥風機轉速不發(fā)生大幅度變化時，爐排上下方壓差越大，爐排上方垃圾料層越厚。

（2）在壓力變化不大時，一次風流量越大，說明透過垃圾層的風量越多、漏風越大、料層厚度越薄。

（3）當風機有大幅度波動時，差壓越大，流量越大，料層厚度不發(fā)生大幅度變化；同理，差壓越小，流量越小，料層厚度也不會變化太大。

（4）在其他條件不變的情況下，一次風溫度越高，料層厚度越薄。

部分料層厚度等級劃分如圖7所示。

圖7 料層厚度計算值與實際厚度等級Fig.7 The calculation value of material layer thickness and actual thickness grade

從圖7可以看出，經(jīng)專家經(jīng)驗劃分的料層厚度等級，不但能表明當前時刻料層厚度的變化趨勢，而且可以避免風機波動造成厚度計算結果的大幅度波動。

3.4 建立CS-LSTM模型

設置LSTM結構參數(shù)：輸入變量數(shù)為4，輸出變量數(shù)為1，隱含層數(shù)為1。神經(jīng)元數(shù)量范圍為[10,100]，學習率范圍為[0.001,0.1]，其初始值為該范圍內的隨機數(shù)。

設置CS參數(shù)：鳥巢數(shù)量為10，解的個數(shù)為2，內部最大迭代次數(shù)為20次。β=1.5，α=1，宿主鳥發(fā)現(xiàn)外來蛋的概率Pa=0.25[19]。

尋優(yōu)程序內部采用80%的訓練樣本進行訓練，20%的訓練樣本進行測試。目標函數(shù)為均方誤差：

式中：n為樣本個數(shù)；yi為樣本實際值；為神經(jīng)網(wǎng)絡預測值。

最終，得出最優(yōu)模型的神經(jīng)元個數(shù)為25，學習率為0.005。

3.5 模型預測結果對比

分別利用BP、Elman、LSTM及CS-LSTM模型進行仿真實驗。對各個模型參數(shù)進行設置調優(yōu)后，采用相同訓練集對模型進行訓練。各模型參數(shù)如表1所示。

表1 不同模型的最優(yōu)參數(shù)Tab.1 The optimal parameters of the different models

采用相同測試集對料層厚度等級進行預測。4種垃圾料層厚度預測模型最優(yōu)預測值與實際樣本值對比結果如圖8～11所示。

圖8 BP神經(jīng)網(wǎng)絡模型預測值和實際樣本值Fig.8 The predicted value of BP neural network model and actual sample value

圖9 Elman神經(jīng)網(wǎng)絡模型預測值和實際樣本值Fig.9 The predicted value of Elman neural network model and the actual sample value

圖10 LSTM模型預測值和實際樣本值Fig.10 The predicted value of LSTM model and actual sample value

圖11 CS-LSTM模型預測值和實際樣本值Fig.11 The predicted value of CS-LSTM model and actual sample value

從圖8～11可以看出，CS-LSTM預測準確度最高，但神經(jīng)網(wǎng)絡模型存在隨機性。

統(tǒng)計4種垃圾料層厚度預測模型預測正確率并取平均，結果如表2所示。

表2 各模型平均正確率Tab.2 Average correct rate of each model

從表2結果可以得到以下結論：在4種垃圾厚度軟測量模型中，CS-LSTM模型和其他對比模型相比，正確率最高，達到了98.845 0%。這說明，該模型對垃圾料層厚度的判斷具有良好的能力。

對預測值與實際值誤差等級為 1、2及大于 3的樣本占總樣本數(shù)的百分比進行統(tǒng)計，如表3所示。

表3 各最優(yōu)預測模型誤差等級Tab.3 Error judgment grade of each optimal prediction model

從表3數(shù)據(jù)可以看出，相比其他模型，CS-LSTM模型雖然誤差等級為1的情況最少，但出現(xiàn)了誤差等級大于等于3的情況。

各模型的最優(yōu)預測模型預測值與實際值誤差如圖12所示。

圖12 各最優(yōu)預測模型誤差Fig.12 Error of each optimal prediction model

從圖12可以看出，CS-LSTM與LSTM模型預測準確度遠高于其他模型，CS-LSTM模型預測準確度略高于LSTM。

從圖10和圖11的前幾個測試樣本能夠看出，LSTM 算法在初始階段會存在一定的誤差；但在后面的階段，CS-LSTM準確性要高于LSTM。這說明，隨樣本數(shù)的增加，CS-LSTM模型預測精度有所提高。

為了驗證 CS-LSTM 模型在實際料層厚度預測中的準確性，對圖7對應時間段內的料層厚度進行預測，結果如圖13所示。

圖13 CS-LSTM模型的料層厚度預測效果Fig.13 The prediction effect of layer thickness of CS-LSTM model

從圖13可以看出，CS-LSTM模型料層厚度預測等級誤差波動在一個等級范圍內，預測值能夠較為準確反映出當前料層厚度。同時，模型預測結果具有波動小的特點，能夠在一定程度上克服風機波動造成的料層厚度計算不穩(wěn)定的情況。

4 結論

由于實際生產(chǎn)控制過程并不需要十分準確的垃圾料層厚度參數(shù)值，因此本文劃分等級的方法可以滿足控制要求。

與BP，LSTM，Elman模型相比，CS-LSTM更加適合用于料層厚度的判斷。在輸入變量一定范圍內波動情況下，用該模型仍能夠準確判斷料層厚度。

基于CS-LSTM垃圾料層厚度軟測量模型，打破了傳統(tǒng)定量料層厚度計算的模式。該方法的優(yōu)點在于既結合了現(xiàn)場運行人員積累的經(jīng)驗，又發(fā)揮了神經(jīng)網(wǎng)絡的學習能力。