基于垃圾焚燒運行參數的主蒸汽參數預測研究

楊培培,駱嘉輝,姚 心,張瑛華,劉海威

(中國恩菲工程技術有限公司,北京 100038)

0 引言

隨著我國經濟的高速發展和人民生活水平的顯著提高,垃圾的種類和數量激增,垃圾處理越來越受到人們的重視,垃圾焚燒因具有最快速度實現垃圾無害化、減量化、資源化等優點而成為一般城市垃圾的主要處理方式[1]。其中,垃圾焚燒發電廠余熱鍋爐主蒸汽參數對下游汽輪機的發電效率、焚燒廠的經濟效益、運營穩定性和安全性起著至關重要的作用。理論而言,主蒸汽參數越高,則垃圾焚燒發電廠的發電量越多,經濟效益也越好。然而隨著主蒸汽參數的提高,主要承壓受熱面的腐蝕問題也越來越嚴重,極易出現爆管等事故,對企業的財產和人身安全造成不可挽回的損失[2]。因此,合理的主蒸汽參數才能保證生產安全、高效、穩定的運行。

垃圾焚燒爐內的燃燒過程是非常復雜的物理化學過程,是一個強耦合的多輸入多輸出非線性系統[3]。垃圾焚燒爐運行過程中,影響主蒸汽流量、主蒸汽壓力、主蒸汽溫度等參數的因素有很多,如推料器速度、干燥段爐排閥門開度、燃燒段爐排閥門開度、燃燼段爐排閥門開度、一次風機頻率、一級減溫器入口調節閥閥位、二級減溫器入口調節閥閥位等,各個變量對目標參數的影響很難通過傳統定量關系式表述。

因此,本文基于垃圾焚燒現場運行參數,建立余熱鍋爐主蒸汽參數的LSTM(Long-Short Term Memory,長短期記憶人工神經網絡)神經網絡預測模型。通過預測模型對主蒸汽參數進行定量定性的物理分析和描述,了解其機理特性,探索各種擾動對發電效率和運行穩定性的影響,為制定、論證、修改垃圾焚燒運行規程提供理論依據。

1 LSTM 神經網絡

LSTM 是一種升級改良后的時間遞歸神經網絡(RNN),引入了內存單元使隱藏層神經元適時地“忘記”歷史信息,且用新信息更新內存單元。由于結構設計獨特,LSTM 適合于處理和預測時間序列中間隔和延遲較長的問題[4-5]。

LSTM 與RNN 相似,都是具有一種重復神經網絡模塊的鏈式形式,區別是重復模塊擁有不同的結構,以一種特殊的方式進行交互,如圖1 所示。

LSTM 的關鍵在于細胞的狀態,不僅保留了之前的信息,也參與了新狀態的計算,通過三個“門”結構實現信息的保護和控制,分別為遺忘門、輸入門和輸出門。

1.1 遺忘門

遺忘門決定了從細胞狀態中丟棄什么信息,該門會讀取ht-1和xt,輸出一個0 到1 之間的數值給每個在細胞狀態中的數字,其中1 表示“完全保留”。0表示“完全舍棄”,計算公式如公式(1)所示。

圖1 LSTM 重復模塊

1.2 輸入門

輸入門決定了允許多少新的信息加入到細胞狀態中,實現這個主要包括兩個步驟:利用sigmoid 層決定哪些信息需要更新,計算公式如公式(2)所示;使用tanh 層生成一個向量,也就是候選的用來更新的內容Ct,計算公式如公式(3)所示。

1.3 輸出門

輸出門的作用機制是控制本層的細胞狀態。通過Sigmoid 函數作用后得到Ot,計算公式如公式(5)所示。再用tanh 函數對新細胞狀態Ct進行激活處理后與Ot相乘,即可得到本層最終的輸出結果ht,計算公式如公式(6)所示。

顯然,LSTM 的狀態是累加得到,避免了RNN倒數相乘的結果,進一步避免梯度消失。

2 神經網絡預測模型的訓練

2.1 激活函數的選取

選擇合適的算法對神經網格的學習和訓練非常重要,但每種算法針對特定的問題而提出,沒有明確的判斷標準來確定每種算法的優劣,因此本文通過試驗來確定合適的算法。圖2 所示為主蒸汽壓力訓練樣本的損失函數,顯然,Adam 算法對應的收斂速率和收斂精度最高。

2.2 隱含層數的選取

圖2 訓練樣本的損失函數

通常認為,增加隱含層數可以降低網絡誤差,提高精度,但也使網絡復雜化,從而增加了網絡的訓練時間和出現“過擬合”的傾向。本章主要對比了包含一個隱含層與兩個隱含層時的網絡性能(主要以損失函數的變化情況為指標)。由圖3 可知訓練步數都為20 000 步時,只包含有一個隱含層的神經網絡收斂到了更小的損失函數。說明對于主蒸汽壓力預測模型來說,兩個隱含層使預測結果出現了過擬合的現象,即增加網絡復雜性的同時,降低了網絡的泛化能力。

圖3 隱含層數對損失函數的影響

2.3 隱含層神經元個數的選取

若隱含層節點數太少,網絡可能根本不能訓練或網絡性能很差;若隱含層節點數太多,雖然可使網絡的系統誤差減小,但一方面使網絡訓練時間延長,另一方面,訓練容易陷入局部極小點而得不到最優點,也是訓練時出現“過擬合”的內在原因。因此,合理隱含層節點數應在綜合考慮網絡結構復雜程度和誤差大小的情況下用節點刪除法和擴張法確定。

根據神經網絡理論知識,隱含層單元數一般與輸入層特征數m相匹配,輸入層m+1 時,隱含層km+1 個。本模型輸入層特征數為21 個,根據該理論,主要選取了包含21 個、42 個以及位于這兩個數中間包含31 個節點的三種隱含層結構來配置網絡并比較了三種結構之間的網絡預測性能(主要以損失函數的變化情況與網絡訓練耗時為指標),主要指標如表1 所示。綜合考慮損失函數和訓練耗時的影響,隱含層選用31 個節點。

表1 隱含層節點與損失函數的關系

2.4 模型驗證

選擇推料器速度、燃燒爐排一次風擋板位置、燃燼爐排一次風擋板位置等21 個值作為輸入變量,主蒸汽參數作為輸出變量,訓練神經網絡模型,隨機選取80%的樣本作為訓練樣本,剩余20%作為測試樣本,如圖4～6 所示。顯然,主蒸汽溫度預測值和實際值吻合的很好,除個別點外,兩者的相對偏差在±4%以內;主蒸汽壓力預測值和實際值吻合的極好,兩者的相對偏差在±1%以內;主蒸汽流量預測值和實際值吻合的極好,兩者的相對偏差在±2%以內。因此可以斷定該神經網絡模型訓練良好,具有很強的容錯和泛化能力。

圖4 主蒸汽溫度(℃)的模型計算值與實際值

圖5 主蒸汽壓力(MPa)的模型計算值與實際值

圖6 主蒸汽流量(t/h)的模型計算值與實際值

3 主蒸汽參數預測

圖7～9 所示為基于上述訓練的神經網絡模型得到的未來250 s 的主蒸汽溫度、主蒸汽壓力、主蒸汽流量的預測結果和實際運行值的對比分析。顯然,上述模型總體預測效果很好,可以精準預測未來生產工況,為生產決策提供參考依據,提高燃燒物穩定性、安全性和經濟效益。

圖7 主蒸汽溫度未來250 s 的預測結果

4 結論

本文依據現場收集的調控策略,從垃圾焚燒系統的運行數據中選取合適的建模變量,建立多輸入多輸出的LSTM 神經網絡模型,對主蒸汽參數進行建模預測,為現場人員調整控制策略提供指導,保證焚燒爐高效、清潔、穩定的焚燒。主要得到如下結論:

圖8 主蒸汽壓力未來250 s 的預測結果

圖9 主蒸汽流量未來250 s 的預測結果

(1)通過不斷調整、反復優化,最終確定模型包含一層隱含層、優化函數為adam、隱含層神經元個數為31 時模型預測結果最優。通過對比分析主蒸汽溫度、主蒸汽壓力和主蒸汽流量的模型計算值和實際值發現,模型計算精度高、容錯性好,泛化能力強;

(2)基于上述模型對主蒸汽溫度、主蒸汽壓力、主蒸汽流量等目標變量進行精準預測,用于智能分析和智能決策,預判未來生產工況變化,推薦最佳操作方式,推進生產安全、高效、穩定的運行。