孫安良,武利斌,湛 戌,陳 宇,高 艷,李 力

(1.深能保定發(fā)電有限公司,河北 保定 072150;2.中國科學院聲學研究所,北京 100190;3.中科匯能(蘇州)電子科技有限公司,江蘇 蘇州 215163)

0 引言

中國經濟發(fā)展的需要推動了火電廠發(fā)電量的迅速增長,同時,排放的NOx也隨之增加,導致大氣污染嚴重。為了控制火電廠NOx的排放,大型發(fā)電企業(yè)對NOx排放采取了一系列措施。常用的措施包括燃燒前脫硝(燃料脫氮及低氮燃料摻燒、低氮燃燒、富氧燃燒)和燃燒后脫硝(煙氣脫硝技術)[1-3]。煙氣脫硝技術的系統(tǒng)目標與調節(jié)手段明確,具備閉環(huán)運行條件,已成為火電行業(yè)的主要脫硝手段。選擇性催化還原(selective catalytic reduction,SCR)煙氣脫硝方法因其完善高效的技術特點在火電廠中得到了普遍的應用[4-5]。

SCR系統(tǒng)是一個復雜控制系統(tǒng),影響因素眾多,涉及到流動、脫硝反應機理、系統(tǒng)參數(shù)匹配與耦合等多方面,單一控制手段難以達到較好的控制效果。而依托現(xiàn)場數(shù)據應用不同方法所建立的脫硝子系統(tǒng)模型與整體SCR脫硝系統(tǒng)模型共同構成的反應脫硝特性模型體系,可以較為完整準確地描述系統(tǒng)行為,取得了很多成果[6-9]。

在掌握SCR系統(tǒng)特性的基礎上建立預測模型,使智能電廠的煙氣處理得到優(yōu)化控制[10-11]具有重要的研究意義。搭建精確的NOx出口濃度預測模型是優(yōu)化控制的基礎,研究者們紛紛在SCR脫硝系統(tǒng)氮氧化物預測上展開研究。

崔超等[12]將BP與LSSVM融合,BP可以篩選關聯(lián)性強的輸入特征參數(shù)作為LSSVM輸入量,同改進前的LSSVM對比提高了其適用性。王桂林等[13]利用SVM構建脫硝系統(tǒng)進口NOx濃度的預測模型,繼而獲取所需噴氨的相關性模型。王博等[14]在SVM模型上做出改進,提出了支持向量回歸(SVR)模型,預測準確率大大提高。周洪煜等[15]將部分遞歸動態(tài)神經網絡添加在徑向基網絡的隱藏層,設計混合RBF模型學習控制算法,預測準確性提升的同時計算量也增加了,實時性差。在大量的時序數(shù)據驅動下,人工神經網絡預測容易陷入局部收斂問題。近年新興的長短期記憶(long short term memory,LSTM)神經網絡可以很好地解決這個問題,有利于SCR脫硝系統(tǒng)氮氧化物出口濃度預測。楊國田等[16]利用LSTM網絡搭建了NOx排放濃度的預測模型;錢虹等[17]利用深度循環(huán)網絡,結合LSTM長短期記憶能力,構建出穩(wěn)定性高的模型。文獻[18]提出基于深度雙向LSTM的SCR系統(tǒng)NOx出口濃度預測模型,在國內某325 MW發(fā)電機組的運行數(shù)據支撐下進行仿真實驗,體現(xiàn)了預測快、精度高的優(yōu)勢。

針對傳統(tǒng)數(shù)據模型在SCR脫硝系統(tǒng)NOx出口濃度預測中精度低、擬合性差等問題,建立了利用注意力機制(attentional mechanism,AM)優(yōu)化LSTM神經網絡算法的氮氧化物出口濃度實時預測模型。以深能保定某350 MW鍋爐為例,選擇從電廠分散控制(DCS)系統(tǒng)中獲得的SCR脫硝系統(tǒng)相關的熱工數(shù)據進行分析,將其中的有效數(shù)據提取出來,為后續(xù)的NOx出口濃度預測建模提供樣本基礎。再根據訓練好的模型預測其他工況下的NOx出口濃度,實現(xiàn)對SCR脫硝系統(tǒng)氮氧化物出口濃度的精確預測,為電站鍋爐實現(xiàn)噴氨優(yōu)化控制提供有效參考。

1 SCR脫硝系統(tǒng)

以深能保定某350 MW機組氨法SCR脫硝系統(tǒng)為例,SCR 脫硝裝置主要分成2大分系統(tǒng):布置于鍋爐尾部的SCR系統(tǒng)和遠離鍋爐房布置的尿素水解制氨系統(tǒng)。水解器后氨氣的溫度為140～180 ℃,壓力為0.3～0.6 MPa,經過暖風器加熱后的稀釋空氣(160 ℃左右)通過氨/空氣混合器與氨充分混合均勻,最后接入氨注射系統(tǒng)的氨噴射格柵,進入脫硝反應區(qū),鍋爐煙氣和稀釋后的氨氣在SCR反應容器內發(fā)生細化還原反應,轉化為無污染的氮和水化合物,從而實現(xiàn)了鍋爐煙氣脫硝。

2 基于AM-LSTM的NOx出口濃度預測模型

2.1 LSTM神經網絡

SCR脫硝反應過程得到的歷史數(shù)據具有動態(tài)特性和時序性,NOx排放濃度不僅取決于當前工況的載荷、噴氨量、進口NOx濃度等,還與歷史工況的相關因素相關性密切。故NOx排放濃度預測是一個經典的時間序列預測問題。而傳統(tǒng)神經網絡在長期大量的時間序列數(shù)據輸入情況下,會產生梯度爆炸和梯度消失,無法獲取長期高準確率的預測模型。為了解決這一問題,LSTM神經網絡應運而生[19]。LSTM神經網絡結構如圖1所示。

圖1 LSTM神經網絡結構

LSTM網絡的單元更新過程如下:

首先,單元中第一個σ對應LSTM神經網絡中的遺忘門,它決定了從單元狀態(tài)中丟棄的信息,遺忘門的計算公式為:

ft=σ(wf[xt,ht-1]+bf)

(1)

然后,第二個σ對應LSTM神經網絡的輸入門,其對應單元狀態(tài)中更新的信息,輸入門計算公式為:

it=σ(Wi[ht-1,xt]+bi)

(2)

ct-1=tanh(Wc[ht-1,xt]+bc)

(3)

ct=ft*ct-1+it*ct-1

(4)

最后,輸出門輸出單元狀態(tài)值,其計算公式為:

ot=σ(Wo[ht-1,xt]+bo)

(5)

ht=ot*tanh(ct)

(6)

式中:ft、it、ot分別代表t時刻的遺忘門、輸入門、輸出門的LSTM單元狀態(tài);ht表示t時刻LSTM輸出,W為權重矩陣,b為偏置值,tanh和σ為激活函數(shù)。

2.2 AM

所研究的SCR脫硝系統(tǒng)出口氮氧化物濃度預測計算量大,關聯(lián)性強,LSTM易出現(xiàn)信息過載,計算復雜度高,記憶力差的問題。為了解決這一問題,引入AM來優(yōu)化LSTM網絡結構,將有限的信息處理資源分配給重要部分,以提高網絡自適應能力。AM起源于人類視覺信息接收與處理機制,在大環(huán)境多信息狀態(tài)下,主動接收重要信息,同時減少對無用信息的關注度。

AM的核心是對同一組事物分配不同的權重,根據相互關聯(lián)性程度進行排序,經過AM引入神經網絡模型中這一操作,能夠減少對其他信息的關注度進而處理了信息過載的問題。

將輸入為時間序列的SCR脫硝系統(tǒng)的參數(shù)信息作為向量x1,x2,…,xt送入LSTM單元,AM將得到的LSTM層輸出向量h1,h2,…,ht進行加權變換,通過學習更新不同信息的權重,計算公式如下:

et=tanh(w·ht+b)

(7)

(8)

式中:αt為各時間輸入信息的注意力權重,et是ht與最終隱藏狀態(tài)的相似度,w表示網絡的權重矩陣,b表示偏置量,M表示時間窗口長度。

(9)

AM優(yōu)化后的LSTM神經網絡結構如圖2所示。

圖2 AM優(yōu)化后的LSTM神經網絡結構

AM-LSTM使用SCR脫硝系統(tǒng)得到的窗口Sizew的歷史數(shù)據,預測未來時間段M的SCR脫硝系統(tǒng)出口NOx濃度,通過LSTM提取歷史數(shù)據中的特征作為隱藏狀態(tài)hw,AM重新分配權重,更新后的隱藏層狀態(tài)為h′w,最后經過維度變換通過全連接層輸出M時間段的NOx出口濃度。

2.3 基于AM-LSTM的NOx出口濃度預測模型的構建

構建基于AM-LSTM的NOx出口濃度預測模型的整體結構,如圖3所示。

圖3 AM-LSTM脫硝系統(tǒng)NOx出口濃度預測模型整體結構

在SCR脫硝系統(tǒng)中,煙氣出口NOx濃度是具有非線性、時變性的時間序列數(shù)據,故若要對其實現(xiàn)精確預測,不僅需要考慮輸入輸出參數(shù)之間的聯(lián)系,還需考慮這些參數(shù)在時間維度的變化。

LSTM神經網絡能有效地解決傳統(tǒng)神經網絡中階梯消失和階梯爆炸的難題,實現(xiàn)長時間的存儲。同時LSTM的泛化能力強大,在解決非線性問題過程中,也具有很大的優(yōu)越性。AM通過與LSTM隱藏層輸出相結合,豐富了LSTM網絡的深度,通過分配權重使神經網絡訓練預測計算得到最大化利用,提高了預測模型的性能。

3 模型驗證及分析

3.1 數(shù)據來源

使用的數(shù)據來源于深能保定某350 MW機組的歷史運行記錄。選取該機組SCR脫硝反應器正常運行下的1周數(shù)據,采樣間隔為5 s,共有20 000多組初始數(shù)據樣本。

根據SCR脫硝過程機理先驗知識[20],基于歷史數(shù)據分析,結合工程經驗和機理模型,選擇入口NOx濃度、入口氧量、反應器溫度、噴氨量的時間序列數(shù)據為輸入輔助變量集,選擇出口NOx濃度為預測輸出。模型參數(shù)見表1。

表1 模型參數(shù)

3.2 模型評價指標

為了評估預測模型精度,采用平均相對誤差(mean relative error,MRE)、平均絕對百分比誤差(mean absolute percentage error,MAPE)、均方根誤差(root mean square error,RMSE)作為預測模型的評價指標。計算公式如下:

(10)

(11)

(12)

3.3 數(shù)據處理

3.3.1小波閾值去噪

受環(huán)境、儀器等因素影響,數(shù)據信號采集過程伴有噪聲。采樣數(shù)據采用小波閾值去噪法,對從電廠DCS中獲取的20 000多組數(shù)據樣本進行降噪處理。

小波閾值去噪法工作原理是首先設置一個值作為小波系數(shù)閾值,區(qū)分數(shù)據信號噪聲的大小,提取和保留大于該閾值的有用信號,摒棄小于該閾值的噪聲。含噪聲的一維信號模型如下:

f(t)=s(t)+n(t)

(13)

式中:s(t)為原始信號;n(t)為方差是σ2的高斯白噪聲,服從N(0,σ2)分布。

以部分參數(shù)為例,原始信號與去噪后信號如圖4所示。

圖4 原始信號與去噪信號

通過工況選擇、數(shù)據清洗等數(shù)據挖掘過程,得到包含機組典型工況的2 000組數(shù)據,其中,預測模型性能對比測試的訓練集和測試集比例設為 8∶2。

3.3.2數(shù)據歸一化

為了避免部分較大的數(shù)據影響預測精度的最終結果,各數(shù)量級采用最大最小歸一化(min-max歸一化)處理。最大最小歸一化是對原始數(shù)據進行線性變換,使其值映射到[0,1]區(qū)間。歸一化處理函數(shù)如下:

(14)

式中:xmax、xmin分別為數(shù)據集的最大值、最小值。

3.4 模型參數(shù)設置

在對數(shù)據歸一化處理后,對AM-LSTM網絡模型的損失函數(shù)、優(yōu)化器、傳遞函數(shù)及模型參數(shù)進行選擇和設置。

損失函數(shù)選擇:在AM-LSTM網絡模型訓練過程中,通過損失函數(shù)計算得到模型誤差。采用均方根誤差作為模型的損失函數(shù),公式如下:

(15)

優(yōu)化器選擇:用優(yōu)化器尋找誤差最小值,更新模型權重,最終獲得收斂的LSTM模型。采用的自適應動量估計( adaptive moment estimation,Adam) 優(yōu)化器可以根據過濾震蕩后的真實歷史梯度(一階矩加權均值)和歷史梯度的震蕩情況(二階矩加權均值)對變量進行更新,計算高效且所需內存小。

傳遞函數(shù)選擇:選擇收斂速度快、輸出范圍廣的tan-sigmoid函數(shù)作為輸入層與隱含層的傳遞函數(shù)。AM-LSTM網絡模型參數(shù)設置包括輸入層節(jié)點數(shù)、輸出層節(jié)點數(shù)、隱含層數(shù)、隱含層節(jié)點數(shù)、步長、迭代次數(shù)、隨機失活、學習率。模型的具體參數(shù)如表2所示。

表2 網絡模型參數(shù)

3.5 模型結果與分析

為驗證AM-LSTM算法的有效性,將該算法與RNN和LSTM算法進行對比實驗。基于Pycharm平臺,使用Python語言,分別構建了基于RNN、LSTM、AM-LSTM網絡的SCR脫硝出口NOx濃度預測模型。將處理后的樣本數(shù)據集輸入預測模型,得到基于3種算法的SCR脫硝系統(tǒng)出口氮氧化物濃度預測結果,如圖5—圖7所示。

圖5 RNN模型預測結果

圖6 LSTM模型預測結果

圖7 AM-LSTM網絡模型預測結果

基于預測實驗,可得3個預測模型的性能評價指標,如表3所示。

表3 3種預測模型評價指標

由圖5—圖7和表3可知:

1) MRE用于描述模型預測值和真實值的誤差值。相對于RNN和LSTM,AM-LSTM網絡預測模型的MRE值由9.89%和7.34%降低到5.76%,誤差明顯降低,說明加入AM能夠提高LSTM的預測精度。

2) MAPE表示預測結果較實際值平均偏離程度。相對于RNN和LSTM,AM-LSTM網絡預測模型的MAPE值分別降低了35.75%和12.53%,說明加入AM后,AM-LSTM網絡預測模型能更準確描述SCR脫硝NOx系統(tǒng)的動態(tài)特性。

3)RMSE值越大,泛化能力越差。RNN網絡RMSE值為4.011%,LSTM網絡RMSE值為2.562%,AM-LSTM網絡RMSE值最小,為1.758%,說明加入AM后,大大提升了預測模型的泛化能力。

結果表明,AM-LSTM預測模型預測精度更高,泛化能力更強,能夠準確描述SCR脫硝系統(tǒng)NOx出口濃度的動態(tài)特性。

4 結論

針對SCR脫硝系統(tǒng)預測模型精度低、穩(wěn)定性差的問題,引入AM優(yōu)化LSTM網絡結構,合理分配有限的信息處理資源。基于深能保定某350 MW 機組的歷史運行數(shù)據,進行去噪和標準化處理,實驗驗證表明,提出的基于AM-LSTM網絡的出口NOx濃度預測模型預測精度更高,泛化能力更為優(yōu)秀。通過對影響SCR反應的相關因素進行篩選和分析,優(yōu)化模型輸入參數(shù),AM-LSTM模型有望應用到更多參數(shù)的大系統(tǒng)脫硝場景。