SCR脫硝系統(tǒng)PCA-HPSO-SVR大數(shù)據(jù)建模研究

高學(xué)偉，付忠廣，劉柄含，張連升

(1.華北電力大學(xué)電站設(shè)備狀態(tài)監(jiān)測(cè)與控制教育部重點(diǎn)實(shí)驗(yàn)室，北京 102206;2.沈陽(yáng)工程學(xué)院仿真中心，遼寧 沈陽(yáng) 110136;3.國(guó)電康平發(fā)電有限公司運(yùn)行部,遼寧 沈陽(yáng) 110500)

SCR脫硝系統(tǒng)PCA-HPSO-SVR大數(shù)據(jù)建模研究

高學(xué)偉1,2，付忠廣1，劉柄含1，張連升3

(1.華北電力大學(xué)電站設(shè)備狀態(tài)監(jiān)測(cè)與控制教育部重點(diǎn)實(shí)驗(yàn)室，北京 102206;
2.沈陽(yáng)工程學(xué)院仿真中心，遼寧 沈陽(yáng) 110136;3.國(guó)電康平發(fā)電有限公司運(yùn)行部,遼寧 沈陽(yáng) 110500)

燃煤火電廠中的選擇性催化還原(SCR)脫硝系統(tǒng)無法實(shí)現(xiàn)噴氨量的精確控制，SCR脫硝系統(tǒng)模型的可靠性直接關(guān)系到脫硝系統(tǒng)控制和運(yùn)行的可靠性。通過挖掘現(xiàn)場(chǎng)海量的實(shí)際運(yùn)行數(shù)據(jù)，對(duì)采用大數(shù)據(jù)建模理論建立的脫硝系統(tǒng)模型、SCR脫硝反應(yīng)系統(tǒng)及現(xiàn)階段存在的問題進(jìn)行了研究。通過理論和實(shí)際運(yùn)行情況分析，確定模型輸入、輸出需采集的變量。采用滑動(dòng)窗口法提取穩(wěn)態(tài)工況數(shù)據(jù)，利用主成分支持向量機(jī)回歸(PCA-SVR)方法進(jìn)行建模。對(duì)標(biāo)準(zhǔn)粒子群算法進(jìn)行改進(jìn)，采用混合粒子群算法(HPSO)對(duì)模型參數(shù)進(jìn)行優(yōu)化。結(jié)果表明，利用HPSO優(yōu)化的脫硝系統(tǒng)PCA-SVR模型具有較高的預(yù)測(cè)精度和泛化能力。所建模型為下一步脫硝系統(tǒng)的優(yōu)化運(yùn)行以及噴氨量的精確控制奠定了基礎(chǔ)。

選擇性催化還原； 大數(shù)據(jù)； 主成分分析； 混合粒子群算法； 支持向量機(jī)回歸； 滑動(dòng)窗口法

0 引言

我國(guó)燃煤發(fā)電廠普遍采用選擇性催化還原(selective catalytic reduction,SCR)脫硝技術(shù)。傳統(tǒng)的PID控制手段很難實(shí)現(xiàn)噴氨量的精確控制[1]。噴氨量過少，會(huì)造成脫硝效果下降，導(dǎo)致NOX排放超標(biāo)，造成環(huán)境污染；噴氨量過多，會(huì)造成脫硝成本增加，氨逃逸還會(huì)造成空預(yù)器堵塞[2]，同時(shí)還將造成PM2.5污染[3]。要實(shí)現(xiàn)SCR控制過程的優(yōu)化運(yùn)行，首先要建立準(zhǔn)確的脫硝系統(tǒng)數(shù)學(xué)模型，文獻(xiàn)[4]采用機(jī)理建模法和試驗(yàn)建模法對(duì)脫硝系統(tǒng)進(jìn)行建模，文獻(xiàn)[5]～文獻(xiàn)[7]利用偏互信息及其改進(jìn)算法進(jìn)行變量選擇并作為模型的輸入，利用自適應(yīng)多尺度核偏最小二乘方法建立并更新模型。以上研究所建立的脫硝系統(tǒng)模型能夠正確地反映脫硝系統(tǒng)的動(dòng)靜態(tài)特性，并得到較高預(yù)測(cè)精度。

我國(guó)燃煤電廠現(xiàn)已配備分布式控制系統(tǒng)(distributed control system,DCS)、監(jiān)控信息系統(tǒng)(supervisory information system,SIS)等系統(tǒng)[8]，大量的實(shí)際運(yùn)行數(shù)據(jù)以及設(shè)備狀態(tài)參數(shù)儲(chǔ)存在數(shù)據(jù)庫(kù)中。本文通過挖掘海量的SCR脫硝系統(tǒng)運(yùn)行數(shù)據(jù)，對(duì)大數(shù)據(jù)挖掘建模技術(shù)進(jìn)行了研究。首先對(duì)某600 MW燃煤鍋爐SCR脫硝系統(tǒng)進(jìn)行理論和實(shí)際運(yùn)行情況分析，利用滑動(dòng)窗口法對(duì)所選數(shù)據(jù)進(jìn)行穩(wěn)態(tài)監(jiān)測(cè)。利用主成分分析(principal component analysis，PCA)進(jìn)行數(shù)據(jù)降維；然后利用降維后的數(shù)據(jù)進(jìn)行支持向量機(jī)回歸(support vector machine for regression,SVR)建模；最后利用混合粒子群算法(hybrid particle swarm optimization,HPSO)對(duì)模型參數(shù)進(jìn)行優(yōu)化，并與粒子群算法(particle swarm optimization,PSO)和遺傳算法(genetic algorithm，GA)進(jìn)行對(duì)比，驗(yàn)證混合粒子群算法(HPSO)的優(yōu)越性。

1 SCR脫硝反應(yīng)器系統(tǒng)

本文以某600 MW超臨界燃煤電站鍋爐為研究對(duì)象，其采用的是技術(shù)相對(duì)成熟且在國(guó)內(nèi)廣泛應(yīng)用的SCR煙氣脫硝技術(shù)。SCR脫硝反應(yīng)系統(tǒng)示意圖如圖1所示。

圖1 SCR 脫硝反應(yīng)系統(tǒng)示意圖

煤粉在爐膛燃燒后形成的煙氣，包含了NOX、SO2等污染物，經(jīng)過過熱器、再熱器和省煤器等換熱器的冷卻之后進(jìn)入SCR脫硝反應(yīng)器。反應(yīng)器入口處設(shè)置有噴氨柵格，來自液氨蒸發(fā)系統(tǒng)的氨氣經(jīng)過一個(gè)供氨調(diào)整門，與來自稀釋風(fēng)機(jī)稀釋后的空氣混合后經(jīng)噴嘴噴出，再與煙氣中的NOX在催化劑的作用下發(fā)生選擇性催化還原反應(yīng)，生成水和氮?dú)狻，F(xiàn)階段絕大多數(shù)燃煤電廠很難實(shí)現(xiàn)噴氨量的精確控制，有些電廠甚至無法實(shí)現(xiàn)自動(dòng)控制，需要運(yùn)行人員手動(dòng)調(diào)整。噴氨量不足會(huì)導(dǎo)致NOX排放不能達(dá)到國(guó)家要求的環(huán)保標(biāo)準(zhǔn)。為保證排放不超標(biāo)，現(xiàn)場(chǎng)普遍存在過量噴氨的問題，造成二次污染。過量的氨逃逸后仍會(huì)與煙氣中的O2發(fā)生反應(yīng)，重新生成NOX，影響脫硝效率；同時(shí)，過量的NH3與SO2反應(yīng)生成硫酸氫氨等有害副產(chǎn)物。這些副產(chǎn)物會(huì)導(dǎo)致催化劑失活或者堵塞催化劑孔板，從而降低脫硝效率、造成引風(fēng)機(jī)葉片表面硫酸鹽沉積[9]以及空氣預(yù)熱器硫酸氫銨堵塞等問題，使引風(fēng)機(jī)的出力降低，影響鍋爐負(fù)荷以及機(jī)組的安全經(jīng)濟(jì)運(yùn)行。

2 變量選擇與數(shù)據(jù)預(yù)處理

選取機(jī)組負(fù)荷、噴氨量、SCR入口煙溫、入口NOX濃度、入口煙氣含氧量、出口煙氣含氧量以及脫硝效率等7個(gè)變量作為模型的輸入，選取SCR出口NOX濃度作為模型的輸出。從SIS系統(tǒng)歷史數(shù)據(jù)庫(kù)中讀取連續(xù)運(yùn)行1個(gè)月的數(shù)據(jù)，時(shí)間間隔為1 min，共計(jì)記錄44 642條。

2.1 穩(wěn)態(tài)檢測(cè)

從歷史數(shù)據(jù)庫(kù)中采集的數(shù)據(jù)既包含相對(duì)穩(wěn)定工況下的穩(wěn)態(tài)數(shù)據(jù)，也包含機(jī)組在變負(fù)荷過程中的大量非穩(wěn)態(tài)運(yùn)行數(shù)據(jù)。周期內(nèi)負(fù)荷變化趨勢(shì)如圖2所示。

圖2 周期內(nèi)負(fù)荷變化趨勢(shì)圖

當(dāng)負(fù)荷發(fā)生改變時(shí)，鍋爐的動(dòng)態(tài)特性隨之發(fā)生變化，此時(shí)的運(yùn)行數(shù)據(jù)并不能真實(shí)地反映系統(tǒng)輸入、輸出之間的關(guān)系，會(huì)影響所建立模型的精度，因此要先進(jìn)行穩(wěn)態(tài)檢測(cè)，提取穩(wěn)定工況下的運(yùn)行數(shù)據(jù)[10]。

本文采用滑動(dòng)窗口法對(duì)機(jī)組負(fù)荷數(shù)據(jù)進(jìn)行穩(wěn)態(tài)監(jiān)測(cè)。根據(jù)鍋爐的運(yùn)行特性和建模要求選擇窗口的大小n和均方差閾值，對(duì)窗口內(nèi)的數(shù)據(jù)進(jìn)行批處理。處于穩(wěn)定工況和非穩(wěn)定工況數(shù)據(jù)的均值有可能相同，但是數(shù)據(jù)的均方差s會(huì)相差很大，因此可以根據(jù)式(1)和式(2)計(jì)算窗口內(nèi)數(shù)據(jù)的均值和均方差s，判斷所得的均方差是否小于設(shè)定的閾值。如果成立，表明窗口內(nèi)的數(shù)據(jù)工況是穩(wěn)定工況，然后將窗口后移一格繼續(xù)判斷，直到所有的數(shù)據(jù)處理完畢，提取出穩(wěn)態(tài)數(shù)據(jù)。

(1)

(2)

2.2 PCA數(shù)據(jù)降維

主成分分析法(pricipal component analysis,PCA) 是一種基于多元統(tǒng)計(jì)分析的特征提取和數(shù)據(jù)約簡(jiǎn)方法。通過主成分分析，可以降低數(shù)據(jù)的復(fù)雜性。主成分分析通過一個(gè)正交變換把原始的多維數(shù)據(jù)轉(zhuǎn)化成少數(shù)幾維不相關(guān)的綜合參數(shù)，這幾個(gè)綜合參數(shù)能夠反映原始參數(shù)所代表的絕大部分信息。其過程如下:首先將原始數(shù)據(jù)矩陣進(jìn)行零均值化；然后求其協(xié)方差矩陣及其特征值和對(duì)應(yīng)的特征向量；最后乘上最大的幾個(gè)主成分的特征向量，將原始數(shù)據(jù)轉(zhuǎn)換到新的特征空間，得到新的數(shù)據(jù)集。

本文采用PCA對(duì)穩(wěn)態(tài)檢測(cè)之后的數(shù)據(jù)進(jìn)行數(shù)據(jù)降維，顯示方差貢獻(xiàn)率和累計(jì)貢獻(xiàn)率分析結(jié)果的主成分分析帕累托圖如圖3所示。

圖3 主成分分析帕累托圖

圖3中，第一主成分的貢獻(xiàn)率達(dá)到71.66%，當(dāng)選取前3個(gè)主成分時(shí)，累積貢獻(xiàn)率已經(jīng)達(dá)到96.05%，此時(shí)原始數(shù)據(jù)從7維降至3維。通過上述數(shù)據(jù)預(yù)處理可以提高建模數(shù)據(jù)質(zhì)量，有效保證模型精度，降低模型復(fù)雜度，大幅縮減數(shù)據(jù)挖掘所需時(shí)間。

3 HPSO-SVR算法

3.1 SVR簡(jiǎn)介

支持向量機(jī)(support vector machine,SVM)是近年來迅速發(fā)展起來的一種機(jī)器學(xué)習(xí)建模方法，它是以結(jié)構(gòu)風(fēng)險(xiǎn)最小化作為基礎(chǔ)，通過一個(gè)非線性變化將原始數(shù)據(jù)映射到高維特征空間[11]。Vapnik等將不敏感損失系數(shù)ε引入SVM，使其可用于回歸擬合，從而得到回歸型支持向量機(jī)(support vector regression,SVR),可用于大規(guī)模數(shù)據(jù)挖掘建模。算法基本原理如下:假設(shè)含有i個(gè)訓(xùn)練樣本的訓(xùn)練集為{(xi,yi),i=1,2,…,l},其中xi為第i個(gè)訓(xùn)練樣本的輸入列向量，yi為xi對(duì)應(yīng)的輸出值。

(3)

式中:f(x)為SVR返回的預(yù)測(cè)值；y為對(duì)應(yīng)的真實(shí)值。

(4)

本文核函數(shù)選取徑向基函數(shù)(radial basis function,RBF)，其表達(dá)式為:

(5)

在實(shí)際建模過程中，懲罰因子C和RBF核函數(shù)中δ的選擇將決定模型性能的好壞，因此需要尋找最優(yōu)的C和δ。本文提出一種混合粒子群算法，用于SVR的懲罰因子C和RBF核函數(shù)中δ的尋優(yōu)操作。

3.2 HPSO

粒子群優(yōu)化(PSO)算法模仿鳥類的覓食行為，將每只鳥抽象成一個(gè)粒子，用以表示問題的一個(gè)潛在解，每個(gè)粒子對(duì)應(yīng)一個(gè)由適應(yīng)度函數(shù)決定的適應(yīng)度值。粒子的速度決定移動(dòng)的方向和距離，速度隨自身及其他粒子的移動(dòng)經(jīng)驗(yàn)進(jìn)行動(dòng)態(tài)調(diào)整，從而實(shí)現(xiàn)個(gè)體在可解空間中的尋優(yōu)[12]。粒子速度更新公式為:

(6)

接著更新粒子位置:

(7)

由于標(biāo)準(zhǔn)的粒子群優(yōu)化算法對(duì)于位置與速度的更新具有很好的導(dǎo)向性，形成粒子種群的快速趨同效應(yīng)，容易陷入局部最優(yōu)解、早熟收斂或出現(xiàn)停滯現(xiàn)象[13]。而遺傳算法中的交叉和變異操作能擴(kuò)大搜索空間，對(duì)空間最優(yōu)解的搜索能力相對(duì)較強(qiáng)，不容易陷入局部最優(yōu)。混合粒子群算法(HPSO)將遺傳算法的交差和變異機(jī)制引入到標(biāo)準(zhǔn)粒子群優(yōu)化算法[14]，在粒子每次迭代更新后通過交叉和變異操作產(chǎn)生新的個(gè)體，計(jì)算新個(gè)體的適應(yīng)度值，替換當(dāng)前適應(yīng)度較低的個(gè)體，使粒子在更大的空間搜索更優(yōu)值。利用混合粒子群優(yōu)化算法，優(yōu)化SVR參數(shù)懲罰因子C和核函數(shù)δ。算法流程圖如圖4所示。

圖4 算法流程圖

4 PCA-HPSO-SVR模型建立及結(jié)果分析

本文的目的是利用支持向量機(jī)回歸建立SCR脫硝系統(tǒng)模型。模型建立流程如圖5所示。

圖5 模型建立流程圖

本文采集的原始數(shù)據(jù)經(jīng)過穩(wěn)態(tài)檢測(cè)和PCA降維之后，共提取9 279個(gè)樣本、3維數(shù)據(jù)，隨機(jī)選取其中的8 000個(gè)樣本作為訓(xùn)練集，剩余的1 279樣本作為測(cè)試集。首先對(duì)訓(xùn)練集和測(cè)試集的所有數(shù)據(jù)進(jìn)行歸一化處理；然后利用HPSO對(duì)支持向量機(jī)的懲罰因子C和核函數(shù)參數(shù)進(jìn)行尋優(yōu),找到2個(gè)參數(shù)的最優(yōu)值，即CBest為1、gBest為45.2，利用這2個(gè)最優(yōu)參數(shù)對(duì)SVR模型進(jìn)行訓(xùn)練；再對(duì)原始數(shù)據(jù)進(jìn)行擬合預(yù)測(cè)；最后返回訓(xùn)練集和測(cè)試集的均方誤差MSE和決定系數(shù)R，用于對(duì)所建立的SVR模型進(jìn)行性能評(píng)價(jià)。訓(xùn)練集和測(cè)試集的運(yùn)行結(jié)果如圖6所示。訓(xùn)練集和測(cè)試集的均方誤差分別為0.006 68和0.007 93。

圖6 運(yùn)行結(jié)果圖

從圖6可以看出，該模型能夠準(zhǔn)確地對(duì)NOX的排放進(jìn)行預(yù)測(cè)，預(yù)測(cè)精度相對(duì)較高，而決定系數(shù)分別為0.84和0.83，這表明所建立的SVR回歸模型同樣具有很好的泛化能力。

針對(duì)上述選定的訓(xùn)練集和測(cè)試集，本文采用標(biāo)準(zhǔn)的PSO和遺傳算法(GA)進(jìn)行參數(shù)尋優(yōu)，與混合粒子群算法進(jìn)行比較。3種尋優(yōu)算法結(jié)果對(duì)比如表1所示。

表1 3種尋優(yōu)算法結(jié)果對(duì)比

從表1可以看出，混合粒子群算法的優(yōu)化結(jié)果無論從預(yù)測(cè)精度，還是泛化能力，均優(yōu)于標(biāo)準(zhǔn)的PSO和GA算法，再次證明了HPSO-SVR算法的優(yōu)越性。

5 結(jié)束語

采用大數(shù)據(jù)挖掘建模方法建立的SCR脫硝系統(tǒng)模型，避免了建立機(jī)理模型中存在的弊端，易于試驗(yàn)建模，節(jié)約成本，且更貼近實(shí)際運(yùn)行情況。采用移動(dòng)窗格方法，對(duì)提取的原始運(yùn)行數(shù)據(jù)進(jìn)行穩(wěn)態(tài)監(jiān)測(cè)。利用PCA方法進(jìn)行數(shù)據(jù)降維，提高了數(shù)據(jù)質(zhì)量，保證了模型精度，且大幅縮減了建模所需要時(shí)間。與粒子群算法和遺傳算法優(yōu)化結(jié)果相比，利用混合粒子群算法所建立的支持向量機(jī)模型具有較高的預(yù)測(cè)精度和泛化能力。該脫硝系統(tǒng)模型為下一步脫硝系統(tǒng)優(yōu)化運(yùn)行以及噴氨量的精確控制奠定了基礎(chǔ)。

[1] 王樂樂,孔凡海,何金亮,等.超低排放形勢(shì)下SCR脫硝系統(tǒng)運(yùn)行存在問題與對(duì)策[J].熱力發(fā)電,2016,45(12):19-24.

[2] 劉建民,陳國(guó)慶,黃啟龍,等.燃煤脫硝機(jī)組空氣預(yù)熱器蓄熱片表面飛灰沉積板結(jié)機(jī)理研究[J].中國(guó)電機(jī)工程學(xué)報(bào),2016,36(S1):132-139.

[3] 薛文博,許艷玲,唐曉龍,等.中國(guó)氨排放對(duì)PM2.5污染的影響[J].中國(guó)環(huán)境科學(xué),2016,36(12):3531- 3539.

[4] 張志超.電廠SCR脫硝系統(tǒng)建模與優(yōu)化控制[D].北京:華北電力大學(xué),2015.

[5] 劉吉臻,秦天牧,楊婷婷,等.基于自適應(yīng)多尺度核偏最小二乘的SCR煙氣脫硝系統(tǒng)建模[J].中國(guó)電機(jī)工程學(xué)報(bào),2015,35(23):127-132.

[6] 劉吉臻,秦天牧,楊婷婷,等.基于偏互信息的變量選擇方法及其在火電廠SCR系統(tǒng)建模中的應(yīng)用[J].中國(guó)電機(jī)工程學(xué)報(bào),2016,36 (9):126-131.

[7] 秦天牧,劉吉臻,方連航,等.基于改進(jìn)偏互信息的火電廠SCR脫硝系統(tǒng)建模[J].動(dòng)力工程學(xué)報(bào),2016,36 (9):57-62,69.

[8] 洪來根,張祖輝.淺談數(shù)字化電廠的設(shè)計(jì)及應(yīng)用[J].自動(dòng)化儀表,2015,36(10):56-62.

[9] 王毅斌,譚厚章,蕭嘉繁,等.超低排放燃煤電廠引風(fēng)機(jī)葉片硫酸鹽沉積分析[J].熱力發(fā)電,2016,45(12):9-13.

[10]王東風(fēng),劉千,韓璞,等.基于大數(shù)據(jù)驅(qū)動(dòng)案例匹配的電站鍋爐燃燒優(yōu)化[J].儀器儀表學(xué)報(bào),2016,37(2):420-428.

[11]郁磊,史峰,王輝,等.MATLAB智能算法30個(gè)案例分析 [M].2版.北京:北京航空航天大學(xué)出版社，2015:144-148.

[12]仲亞飛,韋紅旗,姚衛(wèi)剛,等.基于粒子群算法和支持向量機(jī)的鍋爐排煙溫度建模[J].熱力發(fā)電,2016,45(1):32-36.

[13]錢景輝,劉小月,楊小健,等.自適應(yīng)粒子群算法在電力經(jīng)濟(jì)調(diào)度中的應(yīng)用[J].自動(dòng)化儀表,2015,36(3):17-20.

[14]張進(jìn),丁勝,李波.改進(jìn)的基于粒子群優(yōu)化的支持向量機(jī)特征選擇和參數(shù)聯(lián)合優(yōu)化算法[J].計(jì)算機(jī)應(yīng)用,2016,36(5) :1330-1335.

Research on the Big Data Modeling of SCR Denitration System Based on PCA-HPSO-SVR

GAO Xuewei1,2,FU Zhongguang1,LIU Binghan1,ZHANG Liansheng3
(1.Key Laboratory of State Monitoring and Control of Power Plant Equipment,Ministry of Education, North China Electric Power University,Beijing 102206,China; 2.Simulation Center,Shenyang Institute of Engineering,Shenyang 110136,China; 3.Operation Department of Guodian Kangping Power Generation Co.,Ltd.，Shenyang 110500,China)

In coal-fired power plant,the spray ammonia amount of the selective catalytic reduction (SCR) denitration system cannot be precisely controlled,and the reliability of the model built for SCR denitration system is directly related to the reliability of control and operation of the denitration system. Through the excavation of the massive actual operation data in the field,the denitration system model which is established by big data modeling theory is studied.The SCR denitration reaction system and the problems existing at the present stage are studied,and through analyzing theoretical and actual operation situation,the variables needed to be collected for input and output of the model are determined.The data of steady-state condition are extracted by sliding window method,and the principal component analysis support vector machine for regression (PCA- SVR) method is used for modeling.The standard particle swarm optimization algorithm (PSO) is improved,and the model parameters are optimized by hybrid particle swarm algorithm (HPSO).The results show that the PCA-SVR model optimized by HPSO offers higher prediction accuracy and better generalization ability.The model established laid the foundation for the optimal operation of the denitration system and the precise control of the spray ammonia amount.

Selective catalytic reduction; Big data; Principal component analysis; Hybrid particle swarm optimization; Support vector machine for regression; Sliding window algorithm

遼寧省教育廳創(chuàng)新團(tuán)隊(duì)基金資助項(xiàng)目( LT2015018)

高學(xué)偉(1982—)，男，在讀博士研究生，工程師，主要從事電站機(jī)組運(yùn)行優(yōu)化、復(fù)雜熱力系統(tǒng)建模與仿真以及電站大數(shù)據(jù)的研究和應(yīng)用工作。E-mail:gxw82425@163.com。 付忠廣(通信作者)，博士，教授，主要從事電站機(jī)組運(yùn)行優(yōu)化、熱力設(shè)備及系統(tǒng)狀態(tài)監(jiān)測(cè)與故障診斷、復(fù)雜熱力系統(tǒng)建模以及電站大數(shù)據(jù)的研究和應(yīng)用工作。E-mail:fuzhongguang@163.com。

TH-3;TP39

A

10.16086/j.cnki.issn1000-0380.201707005

修改稿收到日期:2017-03-18