基于LSTM 的濕法煙氣脫硫漿液pH 值建模

金秀章，景 昊

(華北電力大學 控制與計算機工程學院，河北 保定 071003)

0 引言

目前燃煤電廠的SO2排放量已經超過了 SO2排放總量的一半，并且呈現逐年遞增的趨勢。我國先后頒布的《火電廠大氣污染物排放標準》和《煤電節能減排升級與改造行動計劃 （2014—2020 年）》等一系列政策法規，明確指出火電廠的SO2排放濃度必須控制在 35 mg/m3以下[1]。石灰石-石膏濕法煙氣脫硫技術(WFGD)是目前最有效的燃煤機組SO2控 制 技 術 之 一[2]。WFGD 工 藝 中 漿 液 pH 值 是決定煙氣脫硫效率的關鍵參數，因此pH 值的測量需要迅速、準確。

在 WFGD 現場測量時由于環境惡劣，且 pH 值變化具有較大的慣性，導致測量時長較大，無法及時得到漿液 pH 值的準確值，對于脫硫作業十分不利。因此需要對漿液 pH 值進行預測。

pH 值測量作為非線性系統一直是研究熱點[3]。利用燃煤機組的運行數據，再結合機理分析，采用實驗建模的方法可以辨識出精確合理的系統模型[4]。文獻[5]和文獻[6]把神經網絡等自適應模糊系統用于 pH 中和過程。BP 神經網絡、RBF 神經網絡、Elman 神經網絡等方法是 pH 值建模的典型方法,但上述算法本身在時間序列的處理上并沒有突出的優勢。

隨著技術的進步，深度學習、遞歸神經網絡、卷積神經網絡等也在 pH 值建模得到應用[7-10]。LSTM神經網絡，注重數據間的時間特性，在大遲延時間序列預測中具有突出優勢[11]。LSTM 神經網絡的特點在于發現當前時刻數據與之前數據間的聯系，利用本身具有的記憶能力，將之前數據的狀態進行保存[12]，同時根據保存的信息影響后續的預測值及變化趨勢。

因此，本文提出一種基于LSTM 神經網絡的pH值預測模型。以某 600 MW 機組為研究對象，使用機組實際運行數據，經過機理和相關性分析，確定pH值模型的輔助變量，建立高精度的pH 值預測模型。

1 LSTM 網絡

作為循環神經網絡(Recurrent Neural Network，RNN)中的一個特殊情況，LSTM 與前饋神經網絡不同，屬于反饋神經網絡的一種。RNN 中神經元的輸出可以在下一個時刻作用于自身，且共享從樣本序列中不同位置學習到的特征，以此減少模型中的參數數量，這一點在數據規模龐大時具有重要意義。與傳統RNN 網絡的區別在于，LSTM 網絡結構加入了控制門的機制，結構包括記憶細胞、輸入門、輸出門、遺忘門四部分。LSTM 原理圖如圖1 所示。

圖1 中，三個框分別為不同時序下的細胞狀態，δ表示激活函數為sig-moid 的前饋網絡層，tanh 表示激活函數為 tanh 的前饋網絡層。Xt表示 t 時刻的輸入，S(t)表示 t 時刻細胞的狀態值，前饋網絡層中的隱藏神經元個數經多次調試后，確定一個最佳值。

輸入門 it的值和在t 時刻輸入細胞的候選狀態值，計 算 如 下 ：

其中，Wi為輸入門的權重矩陣，bi為輸入門的偏置項；Wc為細胞當前狀態的權重矩陣；bc為細胞當前狀態的偏置項。

其次，計算在 t 時刻遺忘門的激活值 ft，公式如下：

式中，Wf為遺忘門的權重矩陣，bf為遺忘門的偏置項。

由以上公式可計算出t 時刻的細胞狀態更新值 S(t)，公式如下：

計算出細胞狀態更新值后，可計算輸出門的值ht，公式如下：

式中，Wo為輸出門的權重矩陣，bo為輸出門的偏置項。

通過以上計算，LSTM 可以有效利用輸入數據使LSTM 神經網絡具有長時期記憶功能。

2 模型的建立

2.1 輔助變量的選擇

根據 WFGD 的生產機理，pH 值的影響因素來源于兩個方面，分別是燃燒側產生的SO2總量和新鮮石灰石漿液的供應量。如果SO2總量不變，新鮮石灰石漿液供應量增加可以增大pH 值；如果新鮮石灰石漿液供應量不變，SO2總量增大可以降低pH值。因此模型輔助變量應選取與SO2總量和新鮮石灰石漿液變化有關的物理量。之后使用互信息計算漿液pH 值與生產中所涉及的物理量的相關性。選取與漿液pH 值相關性大的變量為輔助變量。因為漿液 pH 值變化慣性大，所以當前時刻漿液 pH 值受前時刻漿液pH 值的影響。最后確定總風量、總煤量、凈煙氣 SO2濃度、原煙氣 SO2濃度、原煙氣流量、空預器入口煙氣氧量、空預器出口煙氣氧量、爐漿液密度、新鮮石灰石漿液流量、吸收塔液位、兩臺氧化風機電流及5 s 前的漿液pH 值為輔助變量。

圖1 LSTM 結構圖

2.2 數據預處理

本文所用數據源于某燃煤電廠的歷史數據。預處理包括剔除粗大值、數據中值濾波兩部分。

2.2.1 粗大值處理

數據規模足夠，且趨于正態分布，因此使用 3σ準則對數據進行粗大值處理。步驟如下：

(1)計算標準差 σ

式中，xn為數據值；n 為數據個數；為數據平均值。

(2)比較數據是否滿足下式要求，如果不滿足則將數據剔除。

(3)重復步驟(2)，直到數據全部滿足式(8)的要求。

2.2.2 數據濾波

對數據曲線中帶有“毛刺”的數據濾波，可以消除噪聲的影響，使數據變化更加平滑，更加接近真實數據。其中輔助變量總風量的濾波圖如圖2 所示。

2.2.3 時序調整

pH 值變化是一個復雜的過程，存在多變量、多耦合及遲延的問題。因此采用互信息法求輔助變量與主導變量間的時間遲延，對變量進行時序調整，進一步提高模型預測精度。

2.3 構 建 LSTM 模 型

模型以漿液 pH 值作為輸出，采用三層 LSTM 神經網絡建立，每層21 個神經元，優化算法為 Adam，最大迭代次數為 280，初始學習率為 0.005，在 125輪訓練后乘以 0.1 來降低學習率。選用 8 700 組預處理后的數據進行仿真實驗，其中6 700 組用于模型訓練，2 000 組用于模型測試，數據采樣時間間隔為1 s。

基于 LSTM 神經網絡的 pH 值預測模型 LSTM模型結構如圖3 所示。

圖3 LSTM 模型結構

圖2 數據濾波

3 結果分析

為了便于驗證模型的性能，使用LSTM 模型與BP 神經網絡模型和 LSSVM 模型進行對比。模型預測值與實際值如圖4 所示。LSTM 模型與 LSSVM 模型和BP 神經網絡模型相比在預測趨勢、預測精度方面更加具有優勢。LSSVM 模型測試結果顯示，在漿液 pH 值增大時，預測值下降；pH 值不變時，預測趨勢反復波動。BP 神經網絡模型測試結果顯示，漿液 pH 值不變時，預測值反復波動；pH 值增大時，預測值沒有明顯的趨勢變化。同時LSSVM 模型和BP 神經網絡模型的預測值一直在頻繁、劇烈波動，使預測精度更低。而LSTM 網絡模型測試結果顯示，漿液pH 值穩定時，預測值也比較穩定；在漿液 pH值急劇增加時，預測值也在急劇增加，預測值與實際值緊密跟隨，且增加后迅速保持穩定。對比三個不同模型測試結果，LSTM 模型在預測精度、趨勢跟隨上均優于LSSVM 模型和 BP 神經網絡模型，驗證了LSTM 模型在數據挖掘和時間序列處理上的優勢。

模型的預測誤差如圖5 所示。LSSVM 模型、BP神經網絡模型誤差較大，多次出現誤差比較嚴重的值，且誤差曲線一直存在頻繁、劇烈的波動，因此LSSVM 模型、BP 神經網絡模型預測不理想。LSTM模型誤差最小，誤差穩定在0 刻度左右，沒有出現較大誤差。因此 LSTM 模型測試結果最好。

為了進一步分析模型的性能，采用平均絕對誤差(MAE)和均方根誤差(RMSE)兩個指標對各個模型進行分析，如式(9)、式(10)所示：

式中，ypi為預測值，yai為實際值。

如表1 所示，LSTM 模型與 BP 神經網絡模型、LSSVM 模型相比測試結果最好。LSTM 模型與LSSVM 模型相比平均絕對誤差降低了0.014 0，均方根誤差降低0.016 6。本文建立的LSTM 神經網絡模型與BP 神經網絡模型、LSSVM 模型相比在趨勢、精度、平均絕對誤差及均方根誤差方面均有非常大的提升，驗證了LSTM神經網絡在時間序列處理上的優越性，也驗證了LSTM 模型在漿液pH 值預測的有效性及通用性。

表1 模型測試結果

圖4 模型預測值與實際值

圖5 模型預測誤差

4 結論

針對燃煤電廠 WFGD 過程中石灰石漿液pH 值的變化受多個變量的影響，且變量之間具有相關性和現場數據具有時序特性，本文提出了一種基于長短期記憶網絡的 pH 值預測模型。首先，通過機理分析初步篩選輔助變量后進一步使用互信息確定輔助變量；然后，建立LSTM 神經網絡模型；最后，使用燃煤電廠數據對模型進行測試。模型測試結果表明本文所提出的 LSTM 模型相對 BP 神經網絡模型、LSSVM 模型預測精度高、泛化能力強。

需要說明的是，由于數據量有限，本研究只能歸納出高負荷狀態下的漿液pH 值預測模型。然而隨著燃煤電廠智能化水平的提高，電廠數據海量化和高維化已經成為必然趨勢。合理使用這些數據可以進一步建立全工況的漿液 pH 值預測模型，這也是后續的研究重點。本文結果對LSTM 算法在燃煤電廠的實際應用具有一定借鑒意義。