姚順春,李龍千,盧志民,李崢輝

(1.華南理工大學(xué) 電力學(xué)院,廣東 廣州 510640; 2. 廣東省能源高效清潔利用重點(diǎn)實(shí)驗(yàn)室,廣東 廣州 510640)

0 引 言

為應(yīng)對(duì)氣候變化,實(shí)現(xiàn)雙碳目標(biāo),中國火電裝機(jī)容量增速放緩,新能源裝機(jī)容量不斷攀升。據(jù)統(tǒng)計(jì),截至2023年5月底,全國太陽能、風(fēng)電總裝機(jī)已達(dá)8.3億kW,約占全國發(fā)電機(jī)容量的31.13%[1]。但火電總裝機(jī)量仍高達(dá)50.63%,2022年我國煤電發(fā)電量50 792億kWh,占全口徑發(fā)電量的58.4%。煤炭仍是中國經(jīng)濟(jì)社會(huì)發(fā)展的主體能源,發(fā)揮電力供應(yīng)基礎(chǔ)保障和靈活性調(diào)峰的重要作用[2]。為落實(shí)綠色低碳發(fā)展政策,火電行業(yè)為實(shí)現(xiàn)燃煤電站鍋爐高效率、低污染且安全經(jīng)濟(jì)的運(yùn)行,開展了包括對(duì)燃燒設(shè)備的設(shè)計(jì)和改造、基于參數(shù)調(diào)整的現(xiàn)場試驗(yàn)、基于燃燒理論的數(shù)值模擬技術(shù)、燃燒參數(shù)的檢測技術(shù)優(yōu)化、基于機(jī)器學(xué)習(xí)算法的鍋爐參數(shù)預(yù)測等一系列燃燒優(yōu)化技術(shù)[3]。

隨著人工智能與機(jī)器學(xué)習(xí)算法的快速發(fā)展,機(jī)器學(xué)習(xí)技術(shù)層出不窮,燃燒優(yōu)化技術(shù)中的參數(shù)預(yù)測得到了強(qiáng)有力的技術(shù)支持[4]。在污染物排放濃度預(yù)測的相關(guān)研究中,建模對(duì)象包括垃圾焚燒鍋爐[5]、燃煤鍋爐[6]等,建模算法包括隨機(jī)森林[7]等集成建模方法、結(jié)合卷積層的長短期記憶神經(jīng)網(wǎng)絡(luò)[8]等深度學(xué)習(xí)模型,所建立的鍋爐參數(shù)預(yù)測模型準(zhǔn)確性較高且在相關(guān)應(yīng)用場景中得到驗(yàn)證。但在深度調(diào)峰的過程中鍋爐負(fù)荷快速變化,機(jī)組低負(fù)荷運(yùn)行會(huì)導(dǎo)致鍋爐爐膛流動(dòng)均勻性下降,燃燒穩(wěn)定性變差,爐膛溫度降低,導(dǎo)致污染物生成增加造成排放量超標(biāo)?，F(xiàn)有研究多關(guān)于穩(wěn)態(tài)工況參數(shù)模型建立的理論方法研究,快速變負(fù)荷工況下模型的精度較差且缺乏工程應(yīng)用及驗(yàn)證;同時(shí)模型的多目標(biāo)優(yōu)化效果較差,未能做到低排放與經(jīng)濟(jì)運(yùn)行的協(xié)調(diào)統(tǒng)一。筆者通過對(duì)比分析鍋爐參數(shù)模型的相關(guān)研究,總結(jié)現(xiàn)有關(guān)于污染物排放濃度的機(jī)器學(xué)習(xí)算法,從特征篩選、機(jī)器學(xué)習(xí)算法和應(yīng)用場景3部分展開介紹,為變負(fù)荷工況下的建模方法提供參考,并展望未來鍋爐多目標(biāo)優(yōu)化及結(jié)合預(yù)測模型的污染物復(fù)合控制結(jié)構(gòu)的研究方向。

1 NOx排放濃度背景

1.1 火電脫硝系統(tǒng)介紹

NOx是燃煤機(jī)組排放的主要污染物之一,具有一定毒性,在陽光直射下易與臭氧發(fā)生反應(yīng),從而破壞地球的臭氧層,同時(shí)也是形成酸雨、光化學(xué)煙霧和PM2.5等環(huán)境災(zāi)害的主要物質(zhì)之一,對(duì)生態(tài)系統(tǒng)、生活環(huán)境以及社會(huì)經(jīng)濟(jì)方面均有較大影響。主要NOx排放控制方法包括爐內(nèi)低氮燃燒技術(shù)、選擇性催化還原技術(shù)(Selective Catalytic Reduction,SCR)、選擇性非催化還原技術(shù)(Selective Non-Catalytic Reduction,SNCR)和臭氧脫硝技術(shù)。其中,SCR技術(shù)在大型高污染排放工業(yè)領(lǐng)域中應(yīng)用較成熟,且操作設(shè)備專業(yè),具有運(yùn)行穩(wěn)定﹑脫硝效率高等優(yōu)點(diǎn),廣泛應(yīng)用于火力發(fā)電廠。

SCR脫硝過程通常以尿素或氨水作為還原劑,V2O5/TiO2為催化劑,反應(yīng)溫度在300～400 ℃,發(fā)生的主要反應(yīng)有

(1)

(2)

(3)

(4)

隨機(jī)組負(fù)荷快速變化,NOx排放濃度劇烈波動(dòng),易造成氨逃逸,引發(fā)催化劑中毒、引風(fēng)機(jī)腐蝕等問題。因此,SCR脫硝系統(tǒng)NOx排放濃度和氨逃逸率的有效控制將得到極大考驗(yàn),火電機(jī)組深度調(diào)峰和靈活性能力將得到進(jìn)一步重視。

1.2 NOx排放濃度數(shù)據(jù)特征

由于SCR煙氣脫硝系統(tǒng)較為復(fù)雜,在研究其出口NOx濃度模型前需總結(jié)其特有的大數(shù)據(jù)特征,具體如下:

1)慣性與遲延:SCR煙氣脫硝反應(yīng)過程涉及較多化學(xué)反應(yīng)變化,煙氣中各組分的反應(yīng)過程需要一定時(shí)間;同時(shí)由于煙氣自動(dòng)監(jiān)控系統(tǒng)(Continuous Emission Monitoring System,CEMS)抽取的煙氣需經(jīng)較長的伴熱管線才能到達(dá)分析儀分析,多種傳感器、控制器等設(shè)備也存在一定的響應(yīng)時(shí)間,NOx排放濃度及相關(guān)參數(shù)的測量滯后較嚴(yán)重。

2)強(qiáng)耦合性:SCR煙氣脫硝系統(tǒng)相關(guān)參數(shù)與機(jī)組運(yùn)行參數(shù)間存在強(qiáng)相關(guān)性,如煙氣溫度、飛灰含碳量等均隨機(jī)組負(fù)荷的變化而改變,不同量級(jí)與維度的數(shù)據(jù)互相影響,在深度調(diào)峰背景下對(duì)NOx排放濃度的影響更明顯。

3)非線性:NOx排放濃度不僅受機(jī)組運(yùn)行參數(shù)的影響,煤質(zhì)改變或催化劑活性變化也會(huì)導(dǎo)致NOx排放濃度出現(xiàn)不規(guī)則波動(dòng)。

為更好解決上述典型數(shù)據(jù)特征對(duì)模型建立的影響,有必要對(duì)機(jī)組運(yùn)行數(shù)據(jù)進(jìn)行預(yù)處理并提取關(guān)鍵特征,同時(shí)改進(jìn)現(xiàn)有機(jī)器學(xué)習(xí)算法擬合非線性數(shù)據(jù)來建立更準(zhǔn)確的模型。

2 特征篩選

在建立模型前需從系統(tǒng)復(fù)雜特征中提取有用信息,具體分為數(shù)據(jù)預(yù)處理、特征提取和特征選擇3部分,具體流程如圖1所示。

2.1 數(shù)據(jù)預(yù)處理

鍋爐參數(shù)模型的建模數(shù)據(jù)多來自在線監(jiān)控平臺(tái)和機(jī)組的歷史運(yùn)行數(shù)據(jù),隨深度調(diào)峰的進(jìn)行,機(jī)組負(fù)荷的快速波動(dòng)會(huì)為集散控制系統(tǒng)(Distributed Control System,DCS)平臺(tái)的數(shù)據(jù)收集與存儲(chǔ)帶來一系列不穩(wěn)定因素,易造成數(shù)據(jù)缺失、數(shù)據(jù)異常、數(shù)據(jù)噪聲等問題。

2.1.1 數(shù)據(jù)缺失

收集到的運(yùn)行數(shù)據(jù)有時(shí)會(huì)出現(xiàn)空白值,通過設(shè)置合理的變量取值范圍,審查數(shù)據(jù)是否符合實(shí)際工況要求,提升數(shù)據(jù)質(zhì)量。錢楓等[7]刪除長時(shí)缺失時(shí)間段內(nèi)的所有數(shù)據(jù),對(duì)數(shù)據(jù)中短時(shí)缺失部分使用均值填充。但該處理方法相對(duì)粗糙,不能很好地保持?jǐn)?shù)據(jù)的原始特征。蔡廟輝等[8]采用參數(shù)預(yù)測方法,即設(shè)定時(shí)間窗口大小,利用缺失值前n個(gè)時(shí)刻的數(shù)值進(jìn)行該時(shí)刻數(shù)值的預(yù)測,使用預(yù)測值替代缺失值,填補(bǔ)數(shù)值的科學(xué)解釋性更強(qiáng)。

2.1.2 數(shù)據(jù)異常

由于現(xiàn)場環(huán)境復(fù)雜,電廠運(yùn)行數(shù)據(jù)可能因DCS通訊故障、測量設(shè)備損壞及環(huán)境干擾等原因與實(shí)際值不符或與臨近樣本偏差較大,即異常值。金秀章等[9]利用滑動(dòng)窗口檢測數(shù)據(jù)離群點(diǎn)并進(jìn)行3次樣條插值填充修正離群點(diǎn)。唐振浩等[10]使用異常值前20個(gè)點(diǎn)的平均值替代四分位法篩選出的異常值。戴寧鍇等[11]使用中位數(shù)絕對(duì)偏差方法對(duì)異常數(shù)據(jù)進(jìn)行診斷。金秀章等[12]采用拉依達(dá)準(zhǔn)則,使用中位數(shù)替代不在(μ-3σ,μ+3σ)區(qū)域范圍內(nèi)的數(shù)值,確保不同特征列間的時(shí)序連續(xù)性。但針對(duì)變負(fù)荷工況下復(fù)雜的機(jī)組數(shù)據(jù),上述統(tǒng)計(jì)學(xué)方法適用性較差,通過計(jì)算樣本向量之間距離的聚類方法在處理高維數(shù)據(jù)時(shí)效果更好[13]。李延臣等[14]根據(jù)不同穩(wěn)態(tài)運(yùn)行時(shí)間段的數(shù)據(jù)在全部穩(wěn)態(tài)數(shù)據(jù)集中所占比例進(jìn)行蒙特卡洛采樣,刪除重復(fù)數(shù)據(jù)。余舒等[15]通過密度聚類確定有效的聚類中心,簡化時(shí)間數(shù)據(jù)的相似特征。李悅等[16]采用歐氏距離作為分類標(biāo)準(zhǔn),使用K-Means聚類算法篩選樣本集合并建立典型建模樣本集合。

2.1.3 數(shù)據(jù)降噪

系統(tǒng)在處理現(xiàn)場信號(hào)時(shí)受環(huán)境和系統(tǒng)本身波動(dòng)等隨機(jī)因素影響而存在的誤差,被稱為運(yùn)行數(shù)據(jù)的噪聲。如電磁擾動(dòng)和煙氣濃度波動(dòng)等因素均會(huì)引入較大的不穩(wěn)定性,因此在建模前需對(duì)數(shù)據(jù)進(jìn)行降噪,以此提高模型的準(zhǔn)確性。部分學(xué)者[17]采用S-G濾波器對(duì)原始數(shù)據(jù)進(jìn)行濾波降噪。金秀章等[12]采用卡爾曼濾波算法,通過對(duì)狀態(tài)變量的線性最小方差進(jìn)行遞歸估計(jì)達(dá)到降噪目的。陳延信等[18]通過計(jì)算模態(tài)分解后的IMF分量與原信號(hào)之間的歸一化相關(guān)系數(shù),當(dāng)系數(shù)在局部達(dá)到最小時(shí),對(duì)該分量采用中位值平均濾波進(jìn)行信號(hào)處理。李宇航等[19]使用小波閾值降噪方法,對(duì)包含噪聲的數(shù)據(jù)樣本進(jìn)行小波分解算法的變換處理,得到小波分解系數(shù)和閾值函數(shù)并對(duì)絕對(duì)值低于閾值的小波分解系數(shù)置零處理,以提高原始數(shù)據(jù)的平穩(wěn)性。上述降噪方法均可有效清除系統(tǒng)及外界因素干擾,提升數(shù)據(jù)的準(zhǔn)確性。

2.1.4 數(shù)據(jù)標(biāo)準(zhǔn)化

火電廠中的運(yùn)行數(shù)據(jù)種類繁多且量綱不統(tǒng)一,數(shù)據(jù)標(biāo)準(zhǔn)化可以消除不同特征數(shù)據(jù)間的量級(jí)和量綱不統(tǒng)一對(duì)建模結(jié)果的影響,有效提高模型的收斂速度。蔡廟輝等[8]使用min-max歸一化對(duì)數(shù)據(jù)進(jìn)行標(biāo)準(zhǔn)化處理。馬牧野[13]采用Z-score標(biāo)準(zhǔn)化變換歷史數(shù)據(jù)的均值和標(biāo)準(zhǔn)差,生成滿足標(biāo)準(zhǔn)正態(tài)分布的形式。其中需要注意的是在使用min-max歸一化時(shí),可以根據(jù)后續(xù)建模算法選擇不同的最大值和最小值以避免出現(xiàn)過擬合的情況。

2.2 特征提取

特征提取通過分析特征屬性間的關(guān)系,利用數(shù)據(jù)轉(zhuǎn)換或映射生成新的特征空間,得到新屬性,排除信息量較小的特征,以減少計(jì)算量,實(shí)現(xiàn)降維的目的。目前,常用的數(shù)據(jù)特征提取方法主要包括線性方法、非線性方法以及統(tǒng)計(jì)學(xué)方法等。

作為一種典型的線性降維方法,主成分分析(Principal Component Analysis,PCA)方法在特征提取中的應(yīng)用較為廣泛,通過對(duì)數(shù)據(jù)進(jìn)行正交變換,旋轉(zhuǎn)原坐標(biāo)系并將數(shù)據(jù)在新坐標(biāo)系上表示出來[20]。李延臣等[14]采用與PCA方法等效的奇異值分解(Singular Value Decomposition,SVD)方法對(duì)燃煤鍋爐的穩(wěn)態(tài)數(shù)據(jù)進(jìn)行篩選,但SVD方法在求解新矩陣時(shí)不需計(jì)算原矩陣的協(xié)方差矩陣及其特征值特征向量,可通過高效的迭代求解方法計(jì)算。偏最小二乘法(Partial Least Squares,PLS)也具有將變量從高維空間映射到低維空間的能力,石翠翠等[21]應(yīng)用PLS方法提取燃?xì)廨啓C(jī)原始數(shù)據(jù)集中潛在變量所包含的信息,最大程度地消除變量間的共線性問題同時(shí)排除系統(tǒng)中的噪聲干擾。

伴隨機(jī)器學(xué)習(xí)技術(shù)的發(fā)展,神經(jīng)網(wǎng)絡(luò)方法得到更廣泛的應(yīng)用。卷積神經(jīng)網(wǎng)絡(luò)(Convolutional Neural Network,CNN)具有局部區(qū)域連接和權(quán)值共享等特點(diǎn),能夠有效提取數(shù)據(jù)特征[22]。蔡廟輝等[8]利用CNN卷積層提取垃圾焚燒爐輸入數(shù)據(jù)的特征并減小矩陣規(guī)模,通過池化層進(jìn)一步提煉卷積后的數(shù)據(jù),降低輸入矩陣復(fù)雜性和模型計(jì)算量。鄧明星等[20]為增強(qiáng)卷積層處理數(shù)據(jù)的能力,在CNN通道增加了注意力機(jī)制模塊(SE-Net),通過訓(xùn)練得到的每個(gè)特征通道的重要程度,作為賦權(quán)的依據(jù),使原CNN高效關(guān)注于柴油車相關(guān)數(shù)據(jù)的重要特征,從而改善性能。相似的非線性降維方法還有自動(dòng)編碼器 (Auto Encoder,AE),該方法能有效挖掘海量數(shù)據(jù)中的特征信息,將原始數(shù)據(jù)的深層次多維信息轉(zhuǎn)化為低維數(shù)據(jù)特征,從而保留大部分原始數(shù)據(jù)信息,同時(shí)降低神經(jīng)網(wǎng)絡(luò)的復(fù)雜性。張鑫等[23]采用結(jié)合RMSprop梯度下降優(yōu)化算法的自編碼方法,通過小批量循環(huán)訓(xùn)練對(duì)輸入數(shù)據(jù)進(jìn)行降維重構(gòu)。此外還有基于統(tǒng)計(jì)學(xué)的時(shí)域特征提取方法,通過計(jì)算數(shù)據(jù)的方差、偏度、峭度等統(tǒng)計(jì)學(xué)特征,了解數(shù)據(jù)的分布、變化和關(guān)系,在故障診斷、地震波形信號(hào)分析、目標(biāo)檢測等領(lǐng)域得到了廣泛應(yīng)用。唐振浩等[10]通過完全集合經(jīng)驗(yàn)?zāi)B(tài)分解得到多個(gè)IMF分量,利用統(tǒng)計(jì)學(xué)計(jì)算的方法計(jì)算每個(gè)IMF分量的時(shí)域特征。

2.3 特征選擇

在分析NOx出口濃度數(shù)據(jù)特征時(shí),常選擇盡可能多的特征以獲取更多重要信息。但當(dāng)變量數(shù)據(jù)集過大時(shí),易出現(xiàn)信息冗余現(xiàn)象,導(dǎo)致模型復(fù)雜度增加、計(jì)算效率降低和易過擬合,影響模型的預(yù)測精度和泛化能力。特征選擇是從研究對(duì)象的一組復(fù)雜特征中挑選最具代表性的特征,從而降低特征向量空間的維度并簡化運(yùn)算[24]。與特征提取方法相比,特征選擇方法保留原始數(shù)據(jù)的特征,最終得到的降維數(shù)據(jù)實(shí)際上是原數(shù)據(jù)集的一個(gè)子集,物理上有更強(qiáng)的科學(xué)解釋性。常見的特征選擇方法包括:相關(guān)系數(shù)、互信息、最大信息系數(shù)等方法。

余舒等[15]利用皮爾森相關(guān)系數(shù)和斯皮爾曼相關(guān)系數(shù),分析各輔助變量對(duì)NOx排放濃度的影響,驗(yàn)證了所選輸入輸出變量之間具有較強(qiáng)的相關(guān)性。王永林等[22]使用灰色關(guān)聯(lián)度分析(Grey Relation Analysis,GRA)方法,通過兩序列間發(fā)展過程的相近性或發(fā)展趨勢(shì)的相似性計(jì)算輔助變量間的相關(guān)度。類似的還有線性回歸方法,即通過最小化目標(biāo)函數(shù)來實(shí)現(xiàn)模型的特征選擇和系數(shù)稀疏化。唐振浩等[25]使用Lasso回歸方法構(gòu)造懲罰函數(shù),對(duì)與輸出變量相關(guān)性較弱的輸入變量的系數(shù)置0,實(shí)現(xiàn)變量選擇。

但上述相關(guān)系數(shù)方法只能計(jì)算變量之間的線性相關(guān)程度,在SCR脫硝系統(tǒng)中變量間常存在較大的非線性關(guān)系?；バ畔?Mutual Information,MI)在已知其中一個(gè)特征的情況下,通過計(jì)算2個(gè)特征共同包含的信息,來衡量另一個(gè)特征需包含的信息量,在處理線性與非線性問題時(shí)均有較好的效果[26]。李延臣等[14]將最小冗余最大相關(guān)性(Max Relevance and Min Redundancy,mRMR)作為變量篩選評(píng)價(jià)標(biāo)準(zhǔn),通過計(jì)算變量間的MI篩選出與輸出變量高度相關(guān)且變量之間相關(guān)性較低的特征變量。王瓏憲等[27]引入相關(guān)性判斷改進(jìn)mRMR算法,利用MI方法計(jì)算了輸入變量與鍋爐出口NOx濃度的關(guān)聯(lián)度并進(jìn)行時(shí)延估計(jì),重構(gòu)了輸入變量的時(shí)間序列,有效增強(qiáng)模型的動(dòng)態(tài)特性。伴隨MI技術(shù)的發(fā)展,衍生出最大信息系數(shù)(Maximal Information Coefficient,MIC)方法。MIC方法能夠?qū)Σ煌年P(guān)聯(lián)類型進(jìn)行評(píng)估,進(jìn)而搜索更廣泛的關(guān)系范圍;同時(shí)MIC方法準(zhǔn)確度更高,可以克服MI算法中不便計(jì)算連續(xù)變量的缺點(diǎn)。吳康洛等[28]在MIC的基礎(chǔ)上引入基于關(guān)聯(lián)性的特征選擇算法(Correlation-based Feature Selection,CFS),篩選出特征間平均相關(guān)性最小輸出類別時(shí)平均相關(guān)性最大的特征子集。此外也有學(xué)者采用機(jī)器學(xué)習(xí)算法分析特征間的相關(guān)性,采用特征選擇組合算法選擇最優(yōu)訓(xùn)練特征[29]。

3 關(guān)于鍋爐參數(shù)模型的機(jī)器學(xué)習(xí)算法

3.1 支持向量機(jī)算法

支持向量機(jī)(support vector machine,SVM)算法通過選擇最優(yōu)分類面使得不同特征向量到該平面的距離最大,屬于淺層學(xué)習(xí)系統(tǒng)。王志堅(jiān)等[30]針對(duì)SVM算法在面對(duì)數(shù)量較大的樣本時(shí)特征輸入矩陣計(jì)算復(fù)雜度較大的問題,采用序列最小優(yōu)化的啟發(fā)式算法建立NOx排放故障診斷模型。最小二乘支持向量機(jī) (Least Squares Support Vector Machine,LSSVM)算法將SVM算法中復(fù)雜的二次規(guī)劃問題轉(zhuǎn)化為計(jì)算簡單的線性問題,提高計(jì)算效率。于聞歌等[31]使用LSSVM算法建立NOx排放量預(yù)測模型,通過局部異常因子確定損失函數(shù)的加權(quán)系數(shù),解決了歸一化導(dǎo)致無法區(qū)分鍋爐不同輔助變量對(duì)結(jié)果貢獻(xiàn)度不同的問題。支持向量機(jī)回歸(Support Vector Regression,SVR)是在SVM的基礎(chǔ)上引入不敏感損失函數(shù),尋找一個(gè)最優(yōu)面使樣本距離最優(yōu)面的誤差最小。金鵬[32]通過對(duì)比SVR算法與BP神經(jīng)網(wǎng)絡(luò)的預(yù)測誤差,驗(yàn)證SVR算法在鍋爐NOx排放量濃度預(yù)測上更有優(yōu)勢(shì)。但在確定SVM的核函數(shù)時(shí),由于徑向基核函數(shù)參數(shù)設(shè)置簡單,能降低模型的復(fù)雜度,學(xué)者多采用徑向基核函數(shù)來構(gòu)造預(yù)測模型的代價(jià)函數(shù),如線性核函數(shù)、多項(xiàng)式核函數(shù)等其他核函數(shù)在SVM中的應(yīng)用有待進(jìn)一步研究。

3.2 神經(jīng)網(wǎng)絡(luò)算法

神經(jīng)網(wǎng)絡(luò)算法通過模擬人腦神經(jīng)系統(tǒng)建立數(shù)學(xué)模型,具有自我學(xué)習(xí)能力且訓(xùn)練速度快,可處理復(fù)雜信息,已是多學(xué)科交叉的廣泛應(yīng)用領(lǐng)域。按信息流向可以分為:前饋神經(jīng)網(wǎng)絡(luò)和反饋神經(jīng)網(wǎng)絡(luò)。

3.2.1 前饋神經(jīng)網(wǎng)絡(luò)算法

前饋神經(jīng)網(wǎng)絡(luò)(Feedforward Neural Network,FNN)如圖2所示,是應(yīng)用最廣泛、發(fā)展最迅速的神經(jīng)網(wǎng)絡(luò)之一,主要包括:反向傳播神經(jīng)網(wǎng)絡(luò)、徑向基神經(jīng)網(wǎng)絡(luò)、極限學(xué)習(xí)機(jī)和生成對(duì)抗網(wǎng)絡(luò)等。

圖2 前饋神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)

反向傳播神經(jīng)網(wǎng)絡(luò)(Back Propagation Neural Networks,BPNN),向前傳播信號(hào)向后傳遞誤差,屬于多層前饋神經(jīng)網(wǎng)絡(luò),擁有復(fù)雜模式的分類能力,同時(shí)可以很好地映射非線性信息。BP神經(jīng)網(wǎng)絡(luò)通常會(huì)隨機(jī)生成初始權(quán)值和閾值,不確定性會(huì)對(duì)模型訓(xùn)練和預(yù)測效果產(chǎn)生較大影響。因此通過智能算法對(duì)初始權(quán)值和閾值的最優(yōu)值進(jìn)行搜索有利于進(jìn)一步提高預(yù)測模型的預(yù)測準(zhǔn)確性和穩(wěn)定性。關(guān)于NOx排放濃度的BP神經(jīng)網(wǎng)絡(luò)預(yù)測模型多采用粒子群(PSO)算法和遺傳(GA)算法對(duì)模型參數(shù)進(jìn)行尋優(yōu)[33]。陳暉[34]在粒子群算法的基礎(chǔ)上引入非線性慣性遞減權(quán)重,提出改進(jìn)的PSO算法優(yōu)化NOx排放濃度模型參數(shù)。天牛須搜索 (BAS)算法僅有1個(gè)尋優(yōu)個(gè)體,相較于GA算法和PSO算法,計(jì)算量明顯縮小且尋優(yōu)速度更快。陳延信等[18]使用BAS算法進(jìn)行參數(shù)尋優(yōu),相較于PSO算法效果更好。聞增佳等[35]采用遺傳算法(GA)確定最佳信息素,利用最佳信息素更新蟻群算法(ACO)確定初始信息素,結(jié)合2種算法的優(yōu)勢(shì)搜索NOx排放濃度模型最佳參數(shù)。其他尋優(yōu)算法的優(yōu)缺點(diǎn)見表1,相關(guān)優(yōu)化算法在模型參數(shù)尋優(yōu)和目標(biāo)函數(shù)計(jì)算中應(yīng)用廣泛,通過對(duì)比各尋優(yōu)算法的優(yōu)勢(shì)并結(jié)合相應(yīng)原理改進(jìn)現(xiàn)有算法將成為未來算法研究的主要方向。

表1 部分優(yōu)化算法在SCR脫硝系統(tǒng)預(yù)測模型中應(yīng)用的優(yōu)缺點(diǎn)對(duì)比

盡管BP神經(jīng)網(wǎng)絡(luò)的理論和性能方面均已較為完善,但仍具有不少缺陷:學(xué)習(xí)速度慢、迭代耗時(shí)過長、針對(duì)小樣本建立的關(guān)聯(lián)函數(shù)誤差較大且輸出結(jié)果很難收斂等,上述缺點(diǎn)都影響B(tài)P神經(jīng)網(wǎng)絡(luò)預(yù)測結(jié)果的準(zhǔn)確性。徑向基(Radial Basis Function,RBF)神經(jīng)網(wǎng)絡(luò)模型中網(wǎng)絡(luò)連接權(quán)值與輸出呈線性關(guān)系,在保證計(jì)算結(jié)果準(zhǔn)確度的同時(shí)擁有更快的計(jì)算速度,且具有唯一最佳逼近的特性,可有效避免局部最小的問題。楊文玉等[40]通過對(duì)比分析RBF、BP、AE三種神經(jīng)網(wǎng)絡(luò)模型關(guān)于NOx質(zhì)量濃度的預(yù)測效果,證明RBF神經(jīng)網(wǎng)絡(luò)具有較好的預(yù)測能力。孫繼昊等[41]采用RBF神經(jīng)網(wǎng)絡(luò)預(yù)測NOx與CO的排放濃度,預(yù)測結(jié)果與數(shù)值模擬數(shù)據(jù)吻合程度較好,證明該方法能較準(zhǔn)確地預(yù)測污染物排放濃度。

但由于結(jié)構(gòu)限制,RBF神經(jīng)網(wǎng)絡(luò)模型在處理時(shí)序預(yù)測問題時(shí)并沒有明顯優(yōu)勢(shì),泛化能力較差,易陷入局部極小點(diǎn)。極限學(xué)習(xí)機(jī)(Extreme Learning Machine,ELM)是具有單隱藏層的前饋神經(jīng)網(wǎng)絡(luò),一般通過隨機(jī)生成或人為給定確定隱藏層權(quán)重,只需計(jì)算輸出權(quán)重而無需使用梯度反向傳播。這種特性在減少模型參數(shù)選擇計(jì)算量的同時(shí)保留了模型的泛化能力[42]。葛憲福[43]采用核映射代替隨機(jī)映射節(jié)省優(yōu)化隱層神經(jīng)元個(gè)數(shù)的時(shí)間,建立關(guān)于混合核極限學(xué)習(xí)機(jī)算法的鍋爐NOx排放量預(yù)測模型,改善隱層神經(jīng)元隨機(jī)賦值帶來預(yù)測穩(wěn)定性下降的問題。譚增強(qiáng)等[38]使用深度極限學(xué)習(xí)機(jī)算法預(yù)測脫硝出口NOx濃度,通過堆棧多個(gè)自編碼極限學(xué)習(xí)機(jī)實(shí)現(xiàn)對(duì)數(shù)據(jù)特征的映射。牛培峰等[39]使用并行極限學(xué)習(xí)機(jī)算法,通過并聯(lián)2個(gè)ELM加快NOx排放濃度模型的訓(xùn)練速度大幅提高了神經(jīng)網(wǎng)絡(luò)的性能。

此外,SCR脫硝系統(tǒng)中存在較多類別和數(shù)目的特征,具有較強(qiáng)特征抓取能力的生成對(duì)抗網(wǎng)絡(luò)(Generative Adversarial Network,GAN)有良好的表現(xiàn)。GAN是一種常用于學(xué)習(xí)數(shù)據(jù)類別特征的前饋神經(jīng)網(wǎng)絡(luò),通過判別生成器生成的樣本和真實(shí)樣本之間的真?zhèn)芜M(jìn)行學(xué)習(xí)。張鑫等[23]通過對(duì)比GAN神經(jīng)網(wǎng)絡(luò)和BP神經(jīng)網(wǎng)絡(luò),證明了具有較深層次的GAN神經(jīng)網(wǎng)絡(luò)模型可以充分挖掘火電機(jī)組高維、復(fù)雜的非線性序列數(shù)據(jù)。但GAN對(duì)于生成器沒有任何約束,使得數(shù)據(jù)生成的隨機(jī)性大,導(dǎo)致訓(xùn)練樣本量增加時(shí)模型難以控制;同時(shí)GAN以隨機(jī)噪聲為輸入,真實(shí)數(shù)據(jù)的分布與輸入數(shù)據(jù)的關(guān)聯(lián)不足。張志宇等[44]在GAN的基礎(chǔ)上輸入可控?cái)?shù)據(jù),增加了約束條件,人為規(guī)定了樣本的生成方向,所建立的NOx排放濃度模型具有較高的預(yù)測精度。

3.2.2 反饋神經(jīng)網(wǎng)絡(luò)算法

反饋神經(jīng)網(wǎng)絡(luò)包括循環(huán)神經(jīng)網(wǎng)絡(luò)、長短期記憶網(wǎng)絡(luò)和玻爾茲曼機(jī)等,相比前饋神經(jīng)網(wǎng)絡(luò),數(shù)據(jù)可通過層間神經(jīng)元的連接自由傳遞。同時(shí)反饋神經(jīng)網(wǎng)絡(luò)采用Hebb學(xué)習(xí)規(guī)則使得收斂速度更快,更適合應(yīng)用于聯(lián)想記憶和優(yōu)化計(jì)算等領(lǐng)域。

與循環(huán)神經(jīng)網(wǎng)絡(luò)(Recurrent Netural Network,RNN)相比,長短期記憶(Long Short-Term Memory,LSTM)神經(jīng)網(wǎng)絡(luò)在分析處理時(shí)序數(shù)據(jù)時(shí)有明顯的優(yōu)勢(shì)。RNN雖然考慮了不同時(shí)刻隱藏層之間的關(guān)系,但由于其結(jié)構(gòu)單一,在處理長時(shí)間序列問題時(shí)效果不佳。相較之下LSTM神經(jīng)網(wǎng)絡(luò)如圖3所示(圖中t為時(shí)刻;x為輸入;C為輸出;h為隱藏層參數(shù)),引入了門控循環(huán)單元機(jī)制,具備對(duì)短期記憶敏感的特性,同時(shí)還有專門保存長期信息的單元狀態(tài),有效解決了RNN在處理時(shí)序數(shù)據(jù)時(shí)可能出現(xiàn)的梯度爆炸或消失問題。王永林等[22]利用LSTM算法預(yù)測NOx生成質(zhì)量濃度,同時(shí)加入了正則化(Dropout)方法減少過擬合現(xiàn)象。劉文慧等[45]在LSTM神經(jīng)網(wǎng)絡(luò)層中加入了時(shí)序注意力機(jī)制(TPA),通過構(gòu)建向量間的相似度對(duì)變量進(jìn)行選擇,突出關(guān)鍵信息,提高了鍋爐床溫模型的計(jì)算效率和預(yù)測精度。武松等[46]引入全局注意力機(jī)制(GAM)建立關(guān)于LSTM神經(jīng)網(wǎng)絡(luò)的NOx排放量預(yù)測模型,通過與CNN等典型神經(jīng)網(wǎng)絡(luò)的預(yù)測結(jié)果進(jìn)行對(duì)比,證明本模型具有更高的預(yù)測精度,泛化能力更好。

圖3 LSTM神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)

門控循環(huán)單元(Gated Recurrent Unit, GRU)是LSTM的一種簡化結(jié)構(gòu),在處理時(shí)間序列時(shí)有更大的優(yōu)勢(shì)。GRU將控制單元狀態(tài)的忘記門和輸入門合并,并引入新的門控結(jié)構(gòu),在保持LSTM神經(jīng)網(wǎng)絡(luò)時(shí)序數(shù)據(jù)處理效果的同時(shí)又具有參數(shù)簡化和收斂性更好的優(yōu)勢(shì),更適用于工程應(yīng)用[47]。但是GRU神經(jīng)網(wǎng)絡(luò)只能單向?qū)?shù)據(jù)進(jìn)行學(xué)習(xí),容易丟失反向重要信息,馬永光等[36]采用雙向GRU網(wǎng)絡(luò)(BiGRU)建立SCR脫硝系統(tǒng)出口NOx排放預(yù)測模型,如圖4所示,通過獨(dú)立計(jì)算疊加前向和后向隱藏層狀態(tài)獲得最終輸出結(jié)果。BiGRU對(duì)特征學(xué)習(xí)能力更強(qiáng),更適合處理時(shí)序性明顯的鍋爐參數(shù)數(shù)據(jù)。楊國田等[48]通過疊加多層GRU結(jié)構(gòu)提高了模型挖掘數(shù)據(jù)特征的能力和魯棒性,有效提升關(guān)于火電廠NOx排放量的預(yù)測效果。李宇航等[19]通過對(duì)比LSTM、GRU、BiGRU等算法關(guān)于柴油機(jī)NOx排放濃度的預(yù)測結(jié)果,證明BiGRU模型的預(yù)測精度最高,誤差最小。

圖4 BiGRU神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)

3.3 集成學(xué)習(xí)建模方法

將不同學(xué)習(xí)器組合起來被稱為集成方法(Ensemble Method)或元算法(Meta Algorithm),集成模型同時(shí)具有不同學(xué)習(xí)器的優(yōu)勢(shì),準(zhǔn)確性和泛化能力都有較大程度的提升。集成方法通過對(duì)數(shù)據(jù)進(jìn)行深入分析,一定程度上克服了火電機(jī)組工況多變、負(fù)荷快速變化等因素使得建模效果較差的問題。按照各學(xué)習(xí)器之間的組合方式大致可分為Boosting 與Bagging兩種。

使用Boosting集成學(xué)習(xí)方法時(shí)各學(xué)習(xí)器間存在強(qiáng)依賴關(guān)系,可將弱學(xué)習(xí)器提升為強(qiáng)學(xué)習(xí)器。錢虹等[17]基于注意力機(jī)制對(duì)向量自回歸(Vector Auto Regression,VAR)模型與在線循環(huán)極限學(xué)習(xí)機(jī)的多維混合預(yù)測模型進(jìn)行變權(quán)融合,建立NOx排放量預(yù)測模型。但在賦權(quán)時(shí)主要采用加權(quán)平均的方法,缺少一定的科學(xué)理論依據(jù),模型泛化能力較弱。王亞歐等[49]通過神經(jīng)網(wǎng)絡(luò)方法對(duì)若干LSSVM模型的預(yù)測結(jié)果進(jìn)行非線性融合,同時(shí)結(jié)合通過模糊聚類得到的樣本隸屬度,加權(quán)得到SCR入口溫度的預(yù)測輸出。譚增強(qiáng)等[50]利用SVR模型對(duì)LSTM神經(jīng)網(wǎng)絡(luò)預(yù)測模型的誤差進(jìn)行預(yù)測并修正,得到的脫硝系統(tǒng)入口及出口的NOx預(yù)測濃度效果較好。金秀章等[51]組合使用對(duì)線性序列預(yù)測更加準(zhǔn)確的ARIMA模型和對(duì)非線性部分?jǐn)?shù)據(jù)更加敏感的OSELM模型,對(duì)比最優(yōu)權(quán)重組合預(yù)測方法和殘差優(yōu)化組合預(yù)測方法,結(jié)果表明殘差優(yōu)化組合模型能夠更好地提取NOx排放濃度序列中的非線性信息進(jìn)而提升預(yù)測精度。梯度提升決策樹(Gradient Boosting Decision Tree,GBDT)算法也是一種典型的Boosting集成學(xué)習(xí)方法,該算法同時(shí)結(jié)合決策樹與Gradient Boosting算法的優(yōu)勢(shì),在多元非線性回歸問題方面有較好的應(yīng)用[52]。陳天鍇等[53]利用GBDT算法有效解決包含多特征的柴油機(jī)非線性系統(tǒng)問題,所建模型對(duì)NOx、CO等氣體的預(yù)測具有較高的準(zhǔn)確度和穩(wěn)定性。

使用Bagging集成方法時(shí)個(gè)體學(xué)習(xí)器間依賴關(guān)系較弱,不同學(xué)習(xí)器之間并行化,所建模型泛化性能更好。隨機(jī)森林(Random Forest,RF)算法在決策樹的訓(xùn)練過程中引入Bootstrap自助采樣法隨機(jī)選擇屬性,訓(xùn)練速度快,調(diào)節(jié)參數(shù)少,抗過擬合能力強(qiáng)[54]。孫胡彬等[55]將所建立的NOx質(zhì)量濃度RF模型與BPNN和LSSVM模型相對(duì)比,證明RF模型具有更高的預(yù)測精度和更優(yōu)的泛化性能。極端隨機(jī)樹(Extreme Tree,ET)算法是針對(duì)隨機(jī)森林樣本選擇方式不能保證樣本被充分利用,導(dǎo)致決策樹之間相似性較高,從而提出的一種Bagging集成方法[56]。陳建均等[57]使用ET算法建立NOx排放預(yù)測模型,多個(gè)CART決策樹獨(dú)立訓(xùn)練并隨機(jī)選擇分叉值,提高了基學(xué)習(xí)器間的差異性和隨機(jī)性,通過對(duì)比ET算法與RF算法的預(yù)測結(jié)果,證明ET算法模型具有更強(qiáng)的泛化能力。Stacking集成學(xué)習(xí)方法包括基學(xué)習(xí)器模型訓(xùn)練和元學(xué)習(xí)器模型二次集成預(yù)測兩部分,通過整合多個(gè)模型的優(yōu)點(diǎn),提高整個(gè)集成模型的泛化能力和魯棒性,減少過擬合風(fēng)險(xiǎn),避免單個(gè)模型的局限性和缺陷[58]。唐振浩等[10]采用ELM、DNN、MLP、XGBoost為基學(xué)習(xí)器和ESN為元學(xué)習(xí)器構(gòu)建Stacking集成學(xué)習(xí)模型,通過集合不同強(qiáng)預(yù)測模型充分提取數(shù)據(jù)特征,使得NOx排放濃度的預(yù)測效果最優(yōu)。

綜上所述,機(jī)器學(xué)習(xí)算法在NOx排放濃度預(yù)測模型中應(yīng)用較多,在前饋神經(jīng)網(wǎng)絡(luò)中針對(duì)BP神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)速度慢、易陷入局部最小值等問題,發(fā)展出用于學(xué)習(xí)數(shù)據(jù)類別特征的GAN和計(jì)算速度快泛化能力強(qiáng)的ELM。在反饋神經(jīng)網(wǎng)絡(luò)中LSTM神經(jīng)網(wǎng)絡(luò)擅長處理時(shí)序序列特征,GRU神經(jīng)網(wǎng)絡(luò)則進(jìn)一步優(yōu)化了LSTM神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)。集成學(xué)習(xí)方法通過組合不同學(xué)習(xí)器的優(yōu)勢(shì),提高整個(gè)集成模型的泛化能力和魯棒性,避免單一模型所帶來的局限性。但是有關(guān)動(dòng)態(tài)模型的研究較少,相關(guān)模型所選數(shù)據(jù)多集中在穩(wěn)定負(fù)荷工況,變負(fù)荷工況下的數(shù)據(jù)特征不能得到很好的預(yù)測。通過遞推、滑動(dòng)窗口、即時(shí)學(xué)習(xí)和時(shí)間差分等方式更新模型樣本,在線更新并不斷優(yōu)化模型參數(shù),以及對(duì)模型誤差進(jìn)行動(dòng)態(tài)修正將在NOx動(dòng)態(tài)模型的建立中取得較好效果。

4 應(yīng)用場景

4.1 鍋爐運(yùn)行參數(shù)監(jiān)測與修正

火電機(jī)組深度調(diào)峰已經(jīng)成為常態(tài),但深度調(diào)峰下的負(fù)荷遠(yuǎn)低于鍋爐設(shè)計(jì)的最優(yōu)運(yùn)行工況,機(jī)組低負(fù)荷工況下長期穩(wěn)定運(yùn)行受到較大考驗(yàn),相關(guān)鍋爐參數(shù)將出現(xiàn)較大波動(dòng)。鄧明星等[20]通過建立改進(jìn)的LSTM神經(jīng)網(wǎng)絡(luò)預(yù)測模型,對(duì)缺失嚴(yán)重的NOx濃度數(shù)據(jù)進(jìn)行預(yù)測填補(bǔ),通過不同連續(xù)缺失時(shí)間及不同排量類型條件下的對(duì)比試驗(yàn),得到模型預(yù)測結(jié)果的決定系數(shù)保持在0.86以上,均方根誤差較次優(yōu)模型降低了19.13%且保持在較低水平,有效提升了采集NOx濃度數(shù)據(jù)的完整性。同時(shí)由于測量滯后的問題,在NOx質(zhì)量濃度波動(dòng)較大時(shí)SCR脫硝系統(tǒng)往往不能及時(shí)調(diào)節(jié)噴氨量。余舒等[15]使用軟測量手段,在應(yīng)用開環(huán)、閉環(huán)控制系統(tǒng)中嵌入入口NOx濃度預(yù)測模型替代前NOx傳感器,其中開環(huán)系統(tǒng)傳感器測量的比排放與預(yù)測模型輸出的比排放值絕對(duì)誤差為0.11 g/kWh,相對(duì)誤差為1.16%,在閉環(huán)系統(tǒng)中絕對(duì)誤差為0.06 g/kWh,相對(duì)誤差為0.75%,精簡系統(tǒng),有效降低硬件成本。

此外為達(dá)到較優(yōu)的經(jīng)濟(jì)效益與社會(huì)效益,往往需要對(duì)鍋爐的運(yùn)行參數(shù)進(jìn)行調(diào)節(jié)。張媛媛等[59]通過NOx排放質(zhì)量濃度的BP神經(jīng)網(wǎng)絡(luò)預(yù)測模型得到350 MW機(jī)組低負(fù)荷工況下的最優(yōu)鍋爐運(yùn)行參數(shù),其中尿素溶液的質(zhì)量流量為0.1 t/h,滿足NOx超低排放并符合運(yùn)行經(jīng)濟(jì)性要求。閆睿等[60]通過對(duì)410 t/h循環(huán)流化床鍋爐的燃燒系統(tǒng)進(jìn)行建模,優(yōu)化一組高飛灰含碳量和高NOx排放量的數(shù)據(jù)并進(jìn)行工業(yè)試驗(yàn),結(jié)果顯示飛灰含碳量由8.79%降至7.98%,NOx排放濃度降低了15.4%,實(shí)現(xiàn)了燃煤鍋爐高效清潔燃燒的目標(biāo)。劉建軍等[61]建立的CNN-LSTM混合模型在預(yù)測5 min后SCR入口的NOx濃度時(shí)誤差為7.05%,低于在實(shí)際生產(chǎn)中制訂噴氨策略所要求的15%。將該預(yù)測模型發(fā)布為Web服務(wù)并接入電廠SIS系統(tǒng)的數(shù)據(jù)接口后,運(yùn)行人員可以根據(jù)現(xiàn)場生產(chǎn)數(shù)據(jù)實(shí)時(shí)獲取未來一段時(shí)間出入口NOx濃度,方便運(yùn)行人員及時(shí)調(diào)整排放煙氣中NOx的質(zhì)量濃度,提高生產(chǎn)效率。其中處理時(shí)序數(shù)據(jù)效果更好的LSTM神經(jīng)網(wǎng)絡(luò)模型預(yù)測精度高于BP神經(jīng)網(wǎng)絡(luò)、徑向基神經(jīng)網(wǎng)絡(luò)等淺層神經(jīng)網(wǎng)絡(luò),也較好地印證了火電機(jī)組數(shù)據(jù)時(shí)序性較強(qiáng)的特點(diǎn)。

在煙氣排放指標(biāo)監(jiān)測環(huán)節(jié)中,除出口NOx質(zhì)量濃度外,氨逃逸濃度也是一項(xiàng)重要檢測指標(biāo)。但是有關(guān)氨逃逸的模型相關(guān)研究較少,催化劑孔堵塞與失活、燃燒系統(tǒng)失穩(wěn)及還原劑噴口堵塞等情況都會(huì)引起氨逃逸量的非正常增加。同時(shí)大部分電廠安裝的CEMS無法準(zhǔn)確測量脫硝系統(tǒng)出口氨逃逸量,氨逃逸超標(biāo)無法被CEMS及時(shí)檢測到,易造成空預(yù)器堵塞和降低催化劑壽命,導(dǎo)致鍋爐效率降低,廠用電率增加。陳鴻偉等[62]采用GABP算法的間接模型預(yù)測氨逃逸濃度,相對(duì)誤差為±24.29%,略高于工程要求的±20%以內(nèi),但其預(yù)測值與實(shí)際值的上下限范圍基本一致。譚增強(qiáng)等[63]通過對(duì)比關(guān)于預(yù)測氨逃逸的LSTM模型和SVR模型,其中SVR模型的平均絕對(duì)誤差為0.002 4 μL/L,均方根誤差為0.007 1 μL/L,具有更高的準(zhǔn)確度和泛化能力。

隨著時(shí)間推移,機(jī)組各設(shè)備的運(yùn)行狀態(tài)會(huì)發(fā)生變化,如催化劑活性下降、煤種變化、傳感器漂移等情況。由于機(jī)組運(yùn)行工況與運(yùn)行時(shí)間相關(guān),通過預(yù)測模型對(duì)時(shí)序數(shù)據(jù)進(jìn)行分析可以判斷機(jī)組是否處于正常運(yùn)行狀態(tài),監(jiān)測鍋爐設(shè)備狀態(tài)。王永林等[22]在Hadoop平臺(tái)中對(duì)CNN-LSTM模型運(yùn)行效果進(jìn)行在線評(píng)估,當(dāng)現(xiàn)役模型控制效果偏差超過閾值時(shí)平臺(tái)會(huì)發(fā)出模型失配報(bào)警,采用安全介質(zhì)將新的CNN-LSTM模型從輔安全區(qū)更新到主安全區(qū)中,使用新模型繼續(xù)控制脫硝系統(tǒng)運(yùn)行。

綜上所述,NOx排放濃度模型可在數(shù)值上直觀表示系統(tǒng)的運(yùn)行狀態(tài),及時(shí)準(zhǔn)確的出口NOx濃度對(duì)現(xiàn)場人員監(jiān)測及調(diào)控鍋爐參數(shù)有重要的指導(dǎo)作用,準(zhǔn)確完整的數(shù)據(jù)集一定程度上提高了遠(yuǎn)程監(jiān)控平臺(tái)對(duì)NOx排放的監(jiān)管精度,為煙氣排放大數(shù)據(jù)應(yīng)用研究提供數(shù)據(jù)基礎(chǔ)。建立氨逃逸預(yù)測模型不僅可以及時(shí)顯示SCR脫硝裝置的運(yùn)行狀態(tài),有助于分析鍋爐系統(tǒng)設(shè)備的潛在問題,同時(shí)可作為NOx排放濃度預(yù)測模型的輔助變量,實(shí)現(xiàn)NOx超低排放。此外,通過神經(jīng)網(wǎng)絡(luò)模型計(jì)算得到不易測量的氨逃逸量也可以有效解決CEMS測量不準(zhǔn)和單點(diǎn)測量不具代表性的問題。同時(shí)鍋爐參數(shù)各變量之間有極強(qiáng)的耦合關(guān)系,CEMS無法檢測的系統(tǒng)狀態(tài)如催化劑活性、噴氨格柵老化狀態(tài)等都可以通過NOx濃度的異常情況進(jìn)行判斷。未來結(jié)合總煤量、飛灰含碳量等DCS系統(tǒng)無法直接獲取的燃燒參數(shù)數(shù)據(jù)的預(yù)測模型準(zhǔn)確度將進(jìn)一步提高,同時(shí)模型將包含更多信息并為現(xiàn)場運(yùn)行裝置的狀態(tài)分析提供參考。

4.2 燃燒優(yōu)化控制

國外對(duì)燃燒優(yōu)化控制方面起步較早,將燃燒優(yōu)化技術(shù)與自動(dòng)控制技術(shù)結(jié)合,技術(shù)較成熟。燃燒優(yōu)化技術(shù)包括: Ultramax公司的Ultramax燃燒優(yōu)化技術(shù)和Pegasus公司的Power Pefecter燃燒優(yōu)化技術(shù)、NeuSIGHT燃燒優(yōu)化技術(shù)等[64]。國內(nèi)火電機(jī)組應(yīng)用廣泛,現(xiàn)有燃燒優(yōu)化控制系統(tǒng)包括:西安熱工研究院開發(fā)的鍋爐燃燒優(yōu)化指導(dǎo)系統(tǒng)、清華大學(xué)開發(fā)的OCP3系統(tǒng)和東南大學(xué)開發(fā)的BCOS-2000/2.0系統(tǒng)等[65]。

噴氨量是調(diào)節(jié)SCR系統(tǒng)出口NOx質(zhì)量濃度的最主要手段,基本控制方法包括固定摩爾比控制方式、固定出口NOx含量控制方式等常規(guī)PID串級(jí)結(jié)構(gòu)[66]。嚴(yán)新宇等[67]建立參數(shù)自整定模糊PID控制,通過調(diào)節(jié)主控制器的3個(gè)參數(shù)控制噴氨量,超調(diào)小于20%,到達(dá)穩(wěn)態(tài)的時(shí)間約為1 600 s,系統(tǒng)的穩(wěn)定性和魯棒性得到增強(qiáng)。張洪敏等[68]采用2階線性自抗擾控制,即在PID的基礎(chǔ)上引入2階濾波器的結(jié)構(gòu),響應(yīng)速度更快,上升時(shí)間由13 min降至7 min,同時(shí)標(biāo)稱值在±20%的范圍內(nèi)隨機(jī)攝動(dòng)時(shí)仍具有較強(qiáng)的魯棒性。來長勝等[69]建立基于自校正控制的GPC結(jié)構(gòu)改善SNCR煙氣脫硝系統(tǒng)的控制性能和調(diào)節(jié)品質(zhì),但在負(fù)荷和煙氣含氧量變化幅度劇烈時(shí)其控制效果一般。

SCR脫硝系統(tǒng)具有較大的滯后性和延時(shí)性,傳統(tǒng)控制策略無法完全滿足脫硝噴氨調(diào)節(jié)要求。SCR脫硝系統(tǒng)的準(zhǔn)確建模是對(duì)噴氨量進(jìn)行有效控制的前提,隨著機(jī)器學(xué)習(xí)算法的發(fā)展,結(jié)合NOx預(yù)測模型的前饋控制、模型預(yù)測控制等復(fù)合控制結(jié)構(gòu)得到廣泛關(guān)注。王永林等[22]使用CNN-LSTM神經(jīng)網(wǎng)絡(luò)建立入口NOx質(zhì)量濃度預(yù)測模型,并將其嵌入SCR脫硝優(yōu)化控制系統(tǒng)中的前饋環(huán)節(jié)部分,氨水平均用量由153.6 kg/h降至147.9 kg/h。高明明等[70]將爐膛出口NOx濃度預(yù)測模型作為一次風(fēng)量二次風(fēng)量指令的修正,同時(shí)引入前饋控制提前調(diào)節(jié)噴氨量,該模型在290 MW穩(wěn)定工況下平均誤差為5.76%,可提前3～5 min計(jì)算出爐膛出口NOx濃度。賈曉靜等[71]采用分區(qū)混合動(dòng)態(tài)噴氨控制策略,顯著降低脫硝系統(tǒng)的氨逃逸率,同等入口條件下出口氨逃逸率小于1.1%,同時(shí)提高脫硝系統(tǒng)出口NOx分布均勻性,平均分布偏差小于10%。改善了超低排放改造后脫硝系統(tǒng)的控制特性,提高了SCR脫硝控制系統(tǒng)運(yùn)行水平。李亞寧等[72]根據(jù)不同入口煙氣換向過程最低NOx濃度和出口NOx濃度設(shè)定值關(guān)系設(shè)置前饋控制策略,通過換向過程臭氧發(fā)生機(jī)功率曲線圖計(jì)算得到單日臭氧消耗量節(jié)省0.930 1 kg。上述前饋環(huán)節(jié)通過預(yù)測模型提前獲得入口NOx質(zhì)量濃度改善還原劑投入滯后的問題,此外與預(yù)測模型結(jié)合較好的模型預(yù)測控制結(jié)構(gòu)也有明顯優(yōu)勢(shì),通過反饋校正和滾動(dòng)優(yōu)化不斷修正設(shè)定值與實(shí)際值之間的偏差。姚楚等[73]通過神經(jīng)網(wǎng)絡(luò)構(gòu)建的NOx排放濃度模型預(yù)測值修正機(jī)理模型,該模型預(yù)測控制策略在2個(gè)典型工況下的脫硝效率比PID控制策略高約10%。李佩佩等[74]通過受控自回歸滑動(dòng)平均模型預(yù)測NOx濃度,所建立模型預(yù)測控制結(jié)構(gòu)控制出口NOx濃度與設(shè)定值的最大動(dòng)態(tài)偏差在5 mg/m3內(nèi),平均氨逃逸率低于2.3 μL/L,控制效果較好。

隨著深度調(diào)峰不斷深入,機(jī)組負(fù)荷快速變化,實(shí)現(xiàn)變負(fù)荷工況下煙氣清潔排放的目標(biāo)為控制策略提出更高水平的要求。孟宏君等[75]在電站現(xiàn)場原有單回路PID的控制策略基礎(chǔ)引入AGA-Smith預(yù)估補(bǔ)償控制策略,通過IPSO算法辨識(shí)得到SNCR脫硝控制系統(tǒng)170和260 MW兩種典型工況下的傳遞函數(shù),分別加入20 mg/m3的外來擾動(dòng),超調(diào)量分別為10.52%和11.74%,抵抗外來擾動(dòng)的能力得到增強(qiáng)。李剛等[76]通過Smith預(yù)估控制噴氨量,控制對(duì)象在100%、80%、60%機(jī)組負(fù)荷下保持較小的超調(diào)量,有較好的穩(wěn)態(tài)特性。鄭必君等[77]使用Mean LSTM模型計(jì)算燃煤電廠常見的8個(gè)不同負(fù)荷段工況下的凈煙氣NOx濃度,預(yù)測值與原定值的偏差為3.44%,通過引入NOx濃度的模型預(yù)測值改進(jìn)優(yōu)化PID控制。此外,針對(duì)不同工況建立的多模型預(yù)測控制在應(yīng)對(duì)快速變負(fù)荷問題時(shí)也有較好的效果。李悅等[16]通過Stacking融合模型預(yù)測多變工況下的NOx排放濃度,結(jié)合深度確定性策略梯度強(qiáng)化學(xué)習(xí)模型,實(shí)現(xiàn)SCR脫硝系統(tǒng)的參數(shù)優(yōu)化控制,脫硝效率值穩(wěn)定在86%左右。噴氨質(zhì)量流量穩(wěn)定在35.657 kg/h,脫硝成本總價(jià)格降低了27.56%。尹貴豪等[78]通過對(duì)瞬時(shí)總給煤量進(jìn)行核密度統(tǒng)計(jì)確立3種典型工況,建立多模型預(yù)測控制器,升、降負(fù)荷段出口NOx質(zhì)量濃度波動(dòng)分別為±6和±5 mg/m3。譚暢等[79]通過爐膛出口煙溫確立機(jī)組負(fù)荷,分工況構(gòu)建多模型預(yù)測控制,變負(fù)荷工況時(shí)波動(dòng)在±8.1 mg/m3,標(biāo)準(zhǔn)差分別為2.10和2.89 mg/m3,設(shè)定值跟蹤穩(wěn)定。肖運(yùn)啟等[80]采用多模型動(dòng)態(tài)矩陣控制策略控制噴氨閥門開度,氨逃逸不超過8 mg/m3。 趙征等[81]將入口NOx質(zhì)量濃度預(yù)測值作為前饋,構(gòu)建模糊增益調(diào)度3個(gè)典型工況串級(jí)控制器的多模型預(yù)測控制結(jié)構(gòu),其中300 與400 MW負(fù)荷下系統(tǒng)的上升時(shí)間與調(diào)節(jié)時(shí)間均小于500 s。

綜上所述,隨著機(jī)器學(xué)習(xí)技術(shù)的發(fā)展控制器算法得到優(yōu)化,控制器準(zhǔn)確性、穩(wěn)定性和快速性同時(shí)得到提升。隨著對(duì)精細(xì)控制要求的提升,為保證火電機(jī)組在深度調(diào)峰的過程中實(shí)現(xiàn)NOx的超低排放,建立控制結(jié)構(gòu)時(shí)模型將收集處理更多的歷史數(shù)據(jù),模型復(fù)雜程度將進(jìn)一步升級(jí),控制器運(yùn)算量將指數(shù)上升。而有著深層網(wǎng)絡(luò)的深度學(xué)習(xí)算法不僅可以更好地辨識(shí)模型結(jié)構(gòu)參數(shù),還能提高計(jì)算效率,將成為噴氨優(yōu)化控制的主流發(fā)展方向。在火電機(jī)組中除NOx排放控制外還包含主蒸汽溫度控制、磨煤機(jī)控制、CFB鍋爐解耦控制等,而鍋爐參數(shù)較為統(tǒng)一,各變量間相關(guān)性較強(qiáng),未來結(jié)合前饋、反饋環(huán)節(jié)同時(shí)包含多變量控制的綜合控制方案設(shè)計(jì)將更加合理,鍋爐燃燒優(yōu)化的自動(dòng)化水平將進(jìn)一步提升。

4.3 多目標(biāo)優(yōu)化問題

在燃燒調(diào)整過程中燃燒穩(wěn)定性與污染物排放相互制約,提高燃燒穩(wěn)定性勢(shì)必會(huì)加大NOx排放量,這個(gè)過程需要調(diào)整鍋爐參數(shù)來維持燃燒穩(wěn)定性與低污染物排放的平衡,而鍋爐效率在數(shù)值上直觀反映了燃燒穩(wěn)定性。由于燃煤鍋爐具有燃燒過程復(fù)雜、運(yùn)行變量強(qiáng)耦合等特點(diǎn),加上新能源的入網(wǎng)使鍋爐負(fù)荷波動(dòng)大且變化迅速,有時(shí)需要在確保鍋爐深度調(diào)節(jié)負(fù)荷能力的同時(shí)犧牲鍋爐效率。在低負(fù)荷下燃燒穩(wěn)定性下降可能導(dǎo)致NOx等污染物排放超標(biāo),對(duì)鍋爐穩(wěn)定性提出更高要求。因此,需要優(yōu)化預(yù)測模型,確保在鍋爐負(fù)荷快速變化的過程中,保持較高鍋爐效率的同時(shí)盡可能減少NOx排放,實(shí)現(xiàn)多目標(biāo)優(yōu)化。

在解決多約束、多目標(biāo)優(yōu)化問題時(shí)需要確定模型綜合優(yōu)化的目標(biāo)函數(shù),該目標(biāo)函數(shù)同時(shí)涵蓋NOx排放量和熱效率2項(xiàng)參數(shù),且需要具備在目標(biāo)函數(shù)尋優(yōu)過程中NOx排放量和熱效率2項(xiàng)參數(shù)能向各自最優(yōu)方向上變化。閆睿等[60]在設(shè)計(jì)優(yōu)化函數(shù)時(shí)使用飛灰含碳量代替鍋爐效率,根據(jù)燃燒優(yōu)化過程中對(duì)鍋爐效率和低污染排放的重視程度,人為定義飛灰含碳量與NOx歸一化值的權(quán)重,但該種賦權(quán)方法沒有考慮目標(biāo)間的影響關(guān)系,依靠人工經(jīng)驗(yàn)設(shè)定權(quán)值會(huì)影響最優(yōu)解的分布,難以反映優(yōu)化目標(biāo)的真實(shí)情況。許朵等[82]將燃油消耗率和NOx排放濃度共同作為優(yōu)化目標(biāo),通過非支配排序遺傳算法計(jì)算得到一組最優(yōu)控制參數(shù)組合,經(jīng)驗(yàn)證優(yōu)化后的NOx排放平均下降了76.4%,燃油消耗率平均下降了3.5%。徐文韜等[83]引入快速排序法改進(jìn)非支配排序遺傳算法,降低鍋爐NOx排放質(zhì)量濃度為主提高鍋爐熱效率為輔的優(yōu)化方案效果最優(yōu),得到NOx的排放質(zhì)量濃度平均降低15.42%,鍋爐熱效率平均升高0.105 8%。

此外關(guān)于脫硝控制還涉及脫硝成本的問題,相關(guān)成本包括還原劑消耗成本、NOx排放費(fèi)用、電價(jià)補(bǔ)償以及人工、折舊、維修等費(fèi)用[84]。通過先進(jìn)的機(jī)器學(xué)習(xí)算法可以將NOx超低排放與經(jīng)濟(jì)性相關(guān)聯(lián),建立關(guān)于鍋爐綜合運(yùn)行成本的預(yù)測模型。卞韶帥等[85]建立了鍋爐低氮燃燒與SCR脫硝系統(tǒng)聯(lián)合運(yùn)行的綜合成本模型,經(jīng)試驗(yàn)驗(yàn)證,灰渣平均含碳量減少了32%,鍋爐效率提高約0.28%,氨耗量增加約23 kg/h,綜合節(jié)省費(fèi)用約240元/h。李斌等[86]通過支持向量機(jī)算法建立SCR脫硝系統(tǒng)成本預(yù)測模型,通過混沌粒子群算法優(yōu)化后,中負(fù)低氮組脫硝所需噴氨量降低了0.013 8 t/h,度電脫硝成本減少0.538 8×10-3元/(kW·h)。崔超等[87]使用最小二乘支持向量機(jī)方法建立脫硝經(jīng)濟(jì)性預(yù)測模型,尋優(yōu)后建立離線最優(yōu)專家數(shù)據(jù)庫,采用模糊關(guān)聯(lián)規(guī)則挖掘算法優(yōu)化調(diào)整,成本降低5.75%,模型建立時(shí)間為0.562 s,優(yōu)化時(shí)間為0.079 7 s,適合火電機(jī)組的在線優(yōu)化控制。廖永進(jìn)等[88]通過建立脫硝效率的預(yù)測模型,將SCR脫硝系統(tǒng)運(yùn)行成本與噴氨質(zhì)量流量相關(guān)聯(lián),330.9 MW負(fù)荷下成本最低,噴氨質(zhì)量流量下降6.67%。李偉等[89]通過引入系統(tǒng)供電煤耗和單位負(fù)荷下噴氨量建立聯(lián)合運(yùn)行成本模型,經(jīng)優(yōu)化1 000 MW發(fā)電機(jī)組成本降低3%～5%。

綜上,在多目標(biāo)優(yōu)化中NOx脫除效率通常與鍋爐效率或脫硝成本共同作為優(yōu)化目標(biāo),即建立多目標(biāo)代價(jià)函數(shù),但受限于函數(shù)賦權(quán)問題此類優(yōu)化通常并沒有最優(yōu)結(jié)果。而鍋爐效率與發(fā)電量相對(duì)應(yīng),通過并網(wǎng)電價(jià)可建立鍋爐效率與經(jīng)濟(jì)效益的聯(lián)系;同時(shí)脫硝效率與還原劑氨氣、尿素、臭氧等用量有關(guān),結(jié)合還原劑的投入與人工成本可對(duì)脫硝效率進(jìn)行成本評(píng)估。未來以經(jīng)濟(jì)性為綜合目標(biāo)的優(yōu)化問題將得到統(tǒng)一,同時(shí)在保證經(jīng)濟(jì)性的基礎(chǔ)上控制NOx的排放,實(shí)現(xiàn)經(jīng)濟(jì)效益與社會(huì)效益的統(tǒng)一。

5 結(jié)語及展望

有關(guān)NOx排放濃度的機(jī)器學(xué)習(xí)研究主要包括特征篩選、模型構(gòu)建和應(yīng)用場景3個(gè)方面。

1)在特征篩選方面,相關(guān)研究多采用統(tǒng)計(jì)學(xué)方法篩選數(shù)據(jù),但這種方法的科學(xué)解釋性較差,不能很好地反映原數(shù)據(jù)的特征及趨勢(shì);同時(shí)由于火電機(jī)組DCS數(shù)據(jù)具有較強(qiáng)非線性和耦合性,傳統(tǒng)的線性降維方法往往不能很好地辨識(shí)高維數(shù)據(jù),具有一定的局限性。由于神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)在處理非線性數(shù)據(jù)時(shí)有明顯優(yōu)勢(shì),如卷積神經(jīng)網(wǎng)絡(luò)可通過卷積和池化提煉重要數(shù)據(jù),RF、XGBoost等機(jī)器學(xué)習(xí)算法可對(duì)數(shù)據(jù)特征進(jìn)一步優(yōu)化,注意力機(jī)制可以對(duì)與輸出數(shù)據(jù)關(guān)聯(lián)程度大的部分增加賦權(quán),從而放大并提取重要特征。未來隨著機(jī)組深度調(diào)峰的不斷深入,結(jié)合注意力機(jī)制和神經(jīng)網(wǎng)絡(luò)算法的特征篩選方法將在火電機(jī)組的時(shí)序數(shù)據(jù)中取得更好的效果。

2)在模型構(gòu)建方面,建模方法主要包括支持向量機(jī)、神經(jīng)網(wǎng)絡(luò)和集成建模等淺層學(xué)習(xí)與深度學(xué)習(xí)算法。其中支持向量機(jī)算法可通過核函數(shù)將將模型從高維空間映射到低維,有效降低模型的復(fù)雜程度;神經(jīng)網(wǎng)絡(luò)模型的應(yīng)用最為廣泛,LSTM神經(jīng)網(wǎng)絡(luò)可以充分挖掘數(shù)據(jù)中的長期依賴關(guān)系,在利用時(shí)序性較強(qiáng)的鍋爐燃燒參數(shù)進(jìn)行建模時(shí)有較好的效果;集成模型同時(shí)具有不同學(xué)習(xí)器的優(yōu)勢(shì),準(zhǔn)確性和泛化能力均有較大程度的提升。但多數(shù)模型所選數(shù)據(jù)種類較為單一且多集中在平穩(wěn)負(fù)荷,不能很好地反映深度調(diào)峰過程中機(jī)組的多變特性。為使模型更好應(yīng)對(duì)現(xiàn)場運(yùn)行工況的變化,所選建模數(shù)據(jù)應(yīng)盡可能包含更廣的機(jī)組負(fù)荷分布范圍,即包含低、中、高多個(gè)負(fù)荷段和升負(fù)荷、降負(fù)荷的負(fù)荷變化過程的運(yùn)行數(shù)據(jù),分工況建模,應(yīng)對(duì)未來更復(fù)雜多變的情景。

3)在應(yīng)用場景方面,NOx排放濃度預(yù)測模型多應(yīng)用于鍋爐運(yùn)行參數(shù)監(jiān)測與修正、燃燒優(yōu)化控制、多目標(biāo)優(yōu)化3個(gè)方面。通過對(duì)SCR脫硝系統(tǒng)建立預(yù)測模型可以方便運(yùn)行人員模擬并修正可調(diào)參數(shù),同時(shí)NOx排放模型可作為軟測量手段,監(jiān)測燃燒系統(tǒng)運(yùn)行狀態(tài),在參數(shù)失真時(shí)及時(shí)修正更新模型。但多數(shù)模型并未考慮煤質(zhì)參數(shù)對(duì)預(yù)測效果的影響,不同火電機(jī)組使用的燃煤品質(zhì)也有一定差異,如熱值、飛灰含碳量等能夠反映燃燒效率的煤質(zhì)因素并未得到很好的分析,未來相關(guān)預(yù)測模型有必要考慮上述影響因素。在燃燒優(yōu)化控制中燃煤電廠多采用PID控制且效果較差,在相關(guān)研究中提及的控制手段包括串級(jí)控制、前饋控制和模型預(yù)測控制等,但實(shí)際應(yīng)用較少且研究分散,先進(jìn)控制手段間的控制效果對(duì)比較少同時(shí)未能很好的結(jié)合,結(jié)合多控制方法的復(fù)合控制結(jié)構(gòu)是未來的研究方向之一。在多目標(biāo)優(yōu)化中NOx脫除效率通常與鍋爐效率或脫硝成本共同作為優(yōu)化目標(biāo),但代價(jià)函數(shù)賦權(quán)問題具有較強(qiáng)的主觀性,此類優(yōu)化通常并沒有最優(yōu)結(jié)果。而鍋爐效率與脫硝費(fèi)用均與成本相關(guān),為保證經(jīng)濟(jì)效益與社會(huì)效益的統(tǒng)一,未來以成本為導(dǎo)向的綜合目標(biāo)優(yōu)化將有較大發(fā)展。