基于雙向深度學習的電站鍋爐SCR脫硝系統入口NOx濃度預測

王祖林，韓 碩，康俊杰，李云飛，藕泉江

（1.河北國華定州發電有限責任公司，定州073000；2.華北電力大學 控制與計算機學院，北京102206；3.北京達華潔能工程技術有限公司，北京100029）

我國主要的發電形式是燃煤發電，煤炭燃燒產生的主要污染物為氮氧化合物，因此控制污染物的排放對生態環境以及人民的健康尤為重要。NOx排放預測是鍋爐燃燒和選擇性催化還原（SCR）、煙氣脫硫（FGD）等排放控制設備運行中的一項重要技術，近年來一直受到研究者的關注[1-4]。由于SCR 脫硝系統入口NOx濃度測量具有一定的滯后特性，如果能夠提前準確預測NOx排放的入口濃度，建立精確的預測模型，就能夠為實現燃燒優化與噴氨量的超前調節打下基礎[5]，進而保證NOx排放濃度始終保持在較低的水平，提高運行系統的穩定性。

目前，國內外燃煤電站都采用選擇性催化還原脫硝技術， 但由于SCR 系統具有很強的非線性，在負荷頻繁變動時，難以精確控制NOx的排放。機理建模由于過程復雜，模型精度較低。隨著人工智能大數據技術的發展，數據驅動模型越來越受到工業界的關注[6-7]。模型的建立包括數據的處理、變量的選擇和學習網絡的建立，文獻[8]將可能性模糊C 均值聚類算法應用于電力負荷數據檢測與修正過程中，對數據中的異常數據進行檢測和修正；文獻[9]結合SRCKF 和移動窗口法提出了一種自適應容積卡爾曼濾波方法，針對參數數據存在不同噪聲統計特性的特點， 移動窗口法實時估計噪聲的協方差陣，校正參數的濾波結果；文獻[10]采用遺傳算法對SCR 系統運行數據進行主元分析選出主要獨立變量，建立廣義回歸神經網絡，得到SCR 系統的GAGRNN 模型， 但是該模型沒有考慮歷史時序對當前時刻的影響。

為此，本文首先利用滑動平均法對原始數據進行去噪，然后基于隨機森林算法分析變量間的相互關系，從37 個輸入變量中選出20 個相關度高的變量，去除冗余變量，最后利用深度學習Bi-LSTM 建立了某電廠660 MW 電站鍋爐燃燒系統SCR 入口動態的NOx濃度預測模型。該模型充分利用歷史信息，并能夠實現動態建模，結果表明相較于傳統數據模型該模型擬合效果好、預測精度高，并與其他幾種模型進行對比分析，驗證了模型的有效性。

1 基于Bi-LSTM 深度神經網絡算法結構

1.1 滑動窗口平均法數據預處理

本文采用某660 MW 電廠的歷史數據，為了提高預測模型的預測精度，需要對數據進行降噪預處理。采用滑動窗口平均法對原始數據進行預處理，滑動平均相當于低通濾波，在數據展開圖中選定某一尺寸的窗口，將窗口內的所有異常值做算術平均，將所求的平均值作為窗口中心點的異常值。按照點距或線距移動窗口，重復此平均方法，直到對全部數據完成上述過程。

滑動窗口平均方法是沿全長度為N 的數據，不斷地逐個滑動地取m 個相鄰數據作加權平均來表示平滑數據，其一般算式為

式中：m=p-q；Wi為權系數，且其和為1。

處理結果如圖1～圖4 所示，列舉了發電機有功功率、預熱器煙道入口處后墻壓力、給煤機給煤量、鍋爐氧量這4 個主要因變量的原始數據以及處理后的數據。

圖1 發電機有功功率數據處理前后對比Fig.1 Comparison before and after processing of generator active power data

圖2 空預器入口壓力數據處理前后對比Fig.2 Comparison of air preheater inlet pressure data before and after processing

圖3 給煤機給煤量數據處理前后對比Fig.3 Comparison of coal feeder data before and after processing

圖4 鍋爐氧量數據處理前后對比Fig.4 Comparison of boiler oxygen data before and after processing

1.2 變量評估和選擇

根據燃燒機理分析，SCR 入口NOx的生成主要受風量、煤量及配風方式等的影響。數據建模的輸出是SCR 反應器A 進口NOx濃度，與輸出的相關的自變量包括發電機有功功率、總煤量、各層二次風門擋板開度閥門指令、給煤機給煤量及磨煤機一次風流量等37 個變量。

隨機森林在模型輸入變量選擇方面應用廣泛，本文使用基尼指數衡量每個變量對目標變量的貢獻大小，變量重要性評分用VIM 表示，基尼指數用GI 表示。假設有c 個特征b1，b2，b3，…，bc，則每個特征bn的基尼指數，即第n 個特征在隨機森林所有決策樹中節點不純度的平均改變量表示為

式中：k 為類別個數；Pnk表示類別k 在節點n 中所占的比例大小。

特征bn在節點c 分支前后的基尼指數變化量用下式表示：

式中：GIl和GIr分別為分枝后生成的兩個新節點的基尼指數。

假設特征bn在決策樹i 中出現的節點屬于集合M，則特征bn在第i 棵樹的重要程度表示為

如果隨機森林中共有L 棵樹，則：

通過保持變量個數不變，改變生成樹數量的方法， 使用隨機森林算法對37 個相關變量進行重要性評分，進而選出合適的輸入變量。

1.3 Bi-LSTM 算法簡介

LSTM 神經網絡由Hochreiter 等提出，在RNN的基礎上考慮數據的時序特性， 其引入了門控單元，解決了網絡訓練過程中梯度消亡的問題。LSTM單元結構如圖5 所示。

圖5 LSTM 結構圖Fig.5 Architecture of LSTM

每個單元結構中都包含有輸入門、 輸出門、遺忘門，這三個結構通過非線性活函數對輸入的信息選擇性通過或者遺忘，同時確定新輸入有多少通過或遺忘，這取決于信息的價值含量。這些確保了有效信息的傳遞。遺忘門控制前一時刻單元結構狀態信息ct-1的保留程度， 輸入門決定了當前時刻單元結構的輸入ht-1有多少保留到當前單元狀態c1，輸出門控制當前單元狀態ct有多少輸出到單元結構的當前輸出ht。LSTM 單元結構三個門的公式如下：

遺忘門對應的函數式：

輸入門對應的函數式：

輸出門對應的函數式：

式中： ft、it、ot分別為遺忘門、輸入門、輸出門的輸出；w 和b 分別為權重矩陣和偏置項。

單元結構的當前狀態為

單元結構的當前輸出為

Bi-LSTM 網絡是由2 層LSTM 網絡通過反向連接構成的，可以充分提取各個輸入數據序列間的關聯關系及序列自身的前向以及反向關聯關系，最終得到輸入時間序列與SCR 入口NOx濃度的映射關系，其結構如圖6 所示。

圖6 Bi-LSTM 結構圖Fig.6 Architecture of Bi-LSTM

構建一個如圖7 所示的4 層神經網絡，包括輸入層、Bi-LSTM 層、全連接層、輸出層。將序列輸入圖層的大小指定為輸入數據的特征數量。將全連接層的大小指定為響應數。指定Bi-LSTM 層有200 個隱含單元。將求解器設置為adam，并進行300 輪訓練。為了防止梯度爆炸，將梯度閾值設置為1。

圖7 Bi-LSTM 網絡結構圖Fig.7 Bi-LSTM network structure diagram

2 研究對象描述及數據整理

本文研究對象為某電廠超臨界660 MW 燃煤機組，鍋爐為超臨界參數變壓運行的直流爐，四角切向燃燒方式、一次中間再熱、單爐膛平衡通風、固態排渣、半露天布置、爐前低封、全鋼構架，配用中速磨煤機正壓直吹式制粉系統。

為了使訓練數據具有廣泛的表示性，為了體現深度神經網路的優勢，從所研究電廠的分散控制系統（distributed control system，DCS）中采集了46800個大數據樣本，對基于Bi-LSTM 的NOx排放模型進行了訓練和測試。采樣間隔為15 s，采樣時間覆蓋了所研究鍋爐8 天的運行歷史數據。為了保證訓練集和測試集都包含不同的運行工況，避免不同樣本分布對模型精度和通用性的影響。樣本數據分為兩部分，將前70%的數據設置為訓練數據集，剩余30%設置為測試數據集。結合現場測點的具體情況，總共確定了37 個操作變量作為基于Bi-LSTM 的NOx排放模型的原始輸入變量。利用隨機森林算法得到這些變量的重要性柱狀圖，如圖8 所示。

將基于隨機森林的變量重要性評估的評分閾值設為2，分數高于2 的變量可作為模型訓練網絡的輸入變量。經過分析，選擇其中20 個變量，如表1所示。

圖8 原始變量重要性柱狀圖Fig.8 Histogram of importance of original variables

表1 輸入變量及其變化范圍Tab.1 Input variables and their range of variation

基于Bi-LSTM 方法模型預測SCR 入口NOx濃度的框架結構如圖9 所示。

圖9 基于Bi-LSTM 的NOx 排放預測框架圖Fig.9 Block diagram of NOx emission prediction based on Bi-LSTM

3 模型建立及分析

電站鍋爐煤粉燃燒過程中生成的NOx大多以燃料型和熱力型為主，并且NOx的生成不僅僅由當前時刻的運行輸入量單獨決定的，而是受之前一段時間內運行輸入量的累積影響。穩態模型通常只考慮當前時刻的系統輸入和輸出關系， 不能描述NOx生成的動態特性。電站鍋爐負荷頻繁變動，長期處于變工況運行狀態，穩態模型的預測精度將大大下降。相比之下，動態模型考慮了系統輸入和輸出的時間序列影響，對真實對象的動態特性具有更好的解釋能力，更能反映系統的動態變化特性。根據NOx機理和現場測量的遲滯情況，本文利用X（t）、X（t-1）、X（t-2）、X（t-3）等時序輸入建立SCR 脫硝系統入口NOx質量濃度的動態模型。為了驗證數據動態模型的準確性，本文分別采用BPNN 建立NOx排放的動態模型和核偏最小二乘（kernel partial least squares，KPLS）方法建立的靜態模型作為對比。圖10 為基于動態的Bi-LSTM 的SCR 反應器入口NOx質量濃度的模型的訓練結果及與其他模型的對比圖， 圖11為測試結果的對比圖。

圖10 Bi-LSTM、BPNN 及KPLS 的NOx 模型訓練結果對比圖Fig.10 Comparison diagram of NOx model training results of BI-LSTM，BPNN and KPLS

圖11 Bi-LSTM、BPNN 及KPLS 的NOx 模型測試結果對比圖Fig.11 Comparison diagram of NOx model training results of BI-LSTM，BPNN and KPLS

由圖10、圖11 可知，基于Bi-LSTM 和BPNN 的動態模型要比KPLS 建立的靜態模型預測的效果要好，深度神經網絡要比淺層的神經網絡建立的模型準確性高。值得一提的是，當樣本量不充足或者樣本覆蓋工況不完整時， 會影響數據模型的準確度。為了說明本文所提方法的泛化能力，所選測試數據的范圍要大于訓練數據的范圍。這時KPLS 靜態模型存在著嚴重的模型失效問題，動態的BPNN 模型表現的好于靜態KPLS，而動態Bi-LSTM 泛化能力明顯高于前兩者。因此，基于動態深度神經網路建立的預測模型也具有較好的泛化能力。模型的評價指標采用均方誤差平方根（rooted mean squared error，RMSE）和平均絕對百分比誤差（mean absolute percentage，MAPE）。RMSE 和MAPE 的計算公式如下：

式中：yi為實際SCR 入口NOx濃度；模型預測值；n 為序列的總樣本數。

具體的對比數值如圖12、圖13 所示。比較三種模型的擬合和預測效果，KPLS 靜態模型對于訓練樣本的擬合效果很好RMSET=4.88 mg/m3，但是對于測試樣本的預測精度較低RMSEP=22.3 mg/m3，模型泛化能力有限。動態BPNN 模型雖然預測精度比KPLS 效果要好，但是擬合誤差和預測誤差還是比較大。基于動態的Bi-LSTM 模型的擬合和預測效果都較好，訓練樣本RMSET=5.21 mg/m3，測試樣本RMSEP=6.08 mg/m3， 模型反映了NOx排放模型隨負荷波動的動態過程。

圖12 不同模型的RMSE 對比Fig.12 RMSE comparison of different models

圖13 不同模型的MAPE 對比Fig.13 MAPE comparison of different models

4 現場實施效果

為了測試本文提出方法的有效性，在該電廠實際安裝調試本文提出的預測方法。經過一段時間的平穩運行后， 從DCS 中截取某時刻SCR 脫硝系統A、B 兩側預測的NOx質量濃度與實際運行測試曲線的對比圖，如圖14、圖15 所示。

圖14 A 側預測NOx 濃度與實際運行曲線對比Fig.14 Comparison of predicted NOx concentration and actual operation curve on A side

圖15 B 側預測NOx 濃度與實際運行曲線對比Fig.15 Comparison of predicted NOx concentration and actual operation curve on B side

從實際投運該方法后的曲線對比圖可知，本文提出的方法可以較準確的跟蹤實際運行曲線，在現場可以很好地預測NOx趨勢，為提前預測及進一步噴氨優化的實施提供了平臺。

5 結語

為了提高SCR 脫硝系統入口NOx排放濃度模型的精度，為進一步實施精準噴氨控制打下基礎。本文在利用滑動窗口平均濾波法對原始數據進行濾波去噪，并采用隨機森林算法對輸入變量進行特征選擇，進而提出了一種基于Bi-LSTM 網絡的動態NOx排放的建模方法。在該模型下對某電廠660 MW 超臨界燃煤電站鍋爐實際運行數據進行處理仿真，并與動態淺層神經網絡BPNN 模型和靜態KPLS 模型進行對比，結果表明本文進行的數據處理和隨機森林變量選擇可以降低模型的復雜度，提出的Bi-LSTM動態模型精度較高，并有效地提高了模型的泛化能力。