基于LSTM的CFB機組SO2濃度模型

百嘎利 李彩霞 劉文慧 吳江 王偉 孔維政

摘?要：循環流化床機組（Circulating Fluidized Bed）脫硫塔SO2濃度與當前運行狀況息息相關，但CFB機組是一個大慣性，大延遲，強耦合的對象，靠傳統建模很難精確地對其生濃度進行建模。但脫硫塔入口SO2濃度不會產生突變，故在分析SO2濃度影響因素的條件下，利用對時間序列處理能力較強的LSTM算法，對SO2濃度進行建模，有望對運行人員提供科學參考，改善脫硫效率及成本。

關鍵詞：CFB機組;SO2濃度;建模;LSTM算法

截至2018年，我國火力發電裝機容量達到110495萬千瓦，煤電裝機占總裝機容量的55%，達到98130萬千瓦[1]。如此巨大的裝機占比預示著未來很長一段時間內，我國發電的主力軍依然是燃煤發電。

近年來，國家對環保要求愈發嚴格，導致許多火電機組污染物排放不能達標，因此大部分機組都在煙氣尾部安裝脫硫裝置，以滿足國家制定的污染物排放標準。最初我國循環流化床機組主要方式是爐內脫硫，但已很難達到排放標準。為了節省建設成本，循環流化床尾部脫硫裝置往往容量有限，因此沿用了“爐內脫硫+爐外干濕法脫硫”的方式進行脫硫[2]，即在爐內通過石灰石脫硫將煙氣SO2濃度控制在一定范圍內，上限一般在1500mg/m3～3000mg/m3范圍，再通過脫硫塔將SO2排放控制在超低排放的標準內。

但此方式存在諸多問題，最直觀的問題之一就是脫硫塔入口SO2濃度測點常常存在誤差，并偶爾會出現濃度計堵塞導致一定時間內SO2濃度不變的情況，影響運行人員操作石灰石給料機，最終可能引起短時間內SO2排放超標或者石灰石投入過量進而提高脫硫成本。若能建立起脫硫塔入口SO2生產模型，在測點出現問題時可以通過模型計算出脫硫塔入口SO2濃度大概范圍，則可以避免這一現象。但循環流化床鍋爐是一個大慣性，大延遲，強耦合的對象[3，4]，尋常機理建模較為困難。亟需一種新的方法來對此對象進行建模。

隨著計算機發展，機器學習越來越多地運用在工業領域。本文通過RNN神經網絡改進算法之一的LSTM（長短期記憶）算法對SO2生成模型進行建模，能大致計算出當前SO2濃度值，可為運行人員提供指導。

一、CFB機組爐側SO2影響因素

這里以某330MW亞臨界CFB機組為例。該機組主要通過爐外濕法脫硫，脫硫塔設計值在3000mg/m3，當脫硫塔入口在2500mg/m3以下時，爐內不噴石灰石且在脫硫塔入口SO2濃度3000mg/m3以上較短一段時間內，爐外脫硫的設計仍能將SO2排放值控制在超低排放標準內。

為簡化SO2生產模型，在較短一段時間內，將煤質視為穩定，其含硫量變化不大，另外，由于爐內脫硫用的很少，截取的數據均為未用爐內脫硫的情況。

首先，SO2生成量與實際給煤量有關：

Vso2=kB-Vg

其中：VSO2——二氧化硫生成量;

B——燃燒的煤量;

k——煤中硫的質量分數;

Vg——未燃燒的固體硫。

這里存在的問題在于燃燒的煤量無法測算，但可以簡化為瞬時給煤量的一階延遲：

B=TBe-τs

其中：TB——瞬時給煤量;

τ——煤從給煤機到燃燒需要的時間。

圖1為SO2濃度與給煤量之間的關系，采樣時間為5s，時間長度為50min：

可以看到，雖然給煤越多，SO2生成量越多，但是生成的SO2濃度與給煤并無直接關系，這是因為SO2濃度是生成量與煙氣流量的比值。但SO2生成與一二次風比值有關，在作為LSTM算法的輸入量時為一次風量與二次風量。同時，一二次風量，給煤決定了氧量多少，氧量決定了爐膛內氧化還原性氣氛，也是二氧化硫生成的關鍵。下圖2為氧量與SO2濃度之間的關系，時間段與上圖1相同。

這里可以很明顯注意到，氧量變化趨勢與SO2濃度變化趨勢相反，且波峰波谷都超前SO2波谷波峰一段時間，因此，在LSTM算法輸入量中，氧量是很重要的一部分。

最后，SO2濃度雖然與上述幾個因素關系很大，但負荷是機組運行的基礎，此外，根據SO2生成原理[5]，床溫、床壓[6]同樣也不可忽視。

二、基于LSTM的CFB機組SO2濃度模型

（一）模型輸入與輸出

基于上述分析，將機組負荷，給煤量，一次風量，二次風量，氧量，床溫，床壓作為輸入量，脫硫塔入口SO2濃度作為輸出量，模型如下：

為保證模型精度，所有輸入輸出均在matlab中做歸一化處理。

模型指標采用常用的均方根誤差（RMSE）與平均百分比誤差（MAPE）：

RMSE=1m∑mi=1（yi-yi）∧2

MAPE=∑mi=1yi-y∧yi×100m

（二）模型訓練

訓練集中含20000組輸入輸出數據，采樣間隔為5S，時間長度約為28小時。LSTM模型中BATCH_SIZE為125，TIME_STEPS為160，兩者相乘要與訓練集的組數相同。輸入量為7維，輸出為1維，一層含10個神經元，學習速率為0.01，訓練步長為1200。訓練后，隨機選取600個連續時間采樣點（時間長度為50min）進行驗證，算法運行環境為Spyder（Python 3.6）得到如下圖形：

反歸一化后，得到訓練輸出的SO2濃度值與實際值的圖形如下：

模型值和實際值之間的均方根誤差RMSE為143.34mg/m3，這對動輒3000mg/m3左右的脫硫塔入口來說，在接受范圍之內。平均百分比誤差MAPE為4.06，未超過5%。兩個模型評價指標均證明了訓練模型的正確性。

（三）模型泛化

為了證明模型的泛化能力，在訓練集之外，需要另找數據進行模型運算，選取這些數據之前，需要用到之前一段時間的數據。比如，20000組數據的訓練集，當我們對600組數據進行測試時，需要采20600組數據，前20000組作為訓練，測試時，對第601組數據開始直到20600組數據均需要作為測試，但只有最后600組數據是在訓練集之外的測試集。這是因為訓練數據與測試數據維數需要保持一致，也是因為SO2濃度實際值跟前一時刻關系很大，其濃度不可能產生突變，這也是使用LSTM能夠較好的利用好前一時刻的數據進行下一時刻數據建模的原因，此做法也能較好地提升模型正確性。在訓練集之外，另外600點測試集的圖形如下：