基于深度神經網絡的脫硫系統預測模型及應用

馬雙忱，林宸雨，周權，吳忠勝，劉琦，陳文通，樊帥軍，要亞坤，馬采妮

（1 華北電力大學(保定)環境科學與工程系，河北保定071003；2 深能保定發電有限公司，河北保定072150）

當前，國家正加快推進以5G、人工智能、工業互聯網、物聯網為代表的新型基礎設施建設（新基建），電力行業的智能化建設也蓬勃發展。國內大型火力發電廠很早就實現了廠級DCS 數據監控，歷史運行數據豐富，為實現數據驅動的神經網絡建模提供了有利條件。

由于脫硫系統受各種復雜工況的影響，且具有大慣性、非線性等特點[1]，化學機理建模只能較粗略地對脫硫系統重要指標進行預測。當前化學機理建模的手段主要是通過傳質理論、化學動力學建立系列微分方程求解[2-4]，或通過離子平衡規律、電中性原理建立守恒方程求解[5]。化學機理建模的優勢在于可以計算和判斷各主要化學物質的濃度和存在形式，并可以對物質的空間分布進行分析。但是，化學機理建模也面臨因計算代價大從而過度簡化、無法考慮復雜工況等問題，導致預測效果較差，模型遷移能力不強。

隨著人工智能技術的高速發展，神經網絡技術逐漸被應用于對脫硫系統進行建模預測[6]。早期技術主要是基于簡單的反向傳播（back propagation,BP）設計神經網絡[7-10]，但因BP網絡結構簡單，存在一些問題。蘇翔鵬等[11-12]采用了基于徑向基函數（radical basis function，RBF）的改進模型，改善了BP 網絡易陷入局部最小值的缺陷；李軍紅等[13]利用的廣義回歸神經網絡（generalized regression neural network，GRNN）是基于RBF 網絡改進的神經網絡模型，針對樣本較少的情況，預測效果有所改善。但上述改進仍未考慮脫硫系統大慣性的特點，Fu等[14]使用的LSTM網絡，能實現信息在時序上傳遞。不過因其設計的網絡只使用了LSTM一種結構，神經網絡在結構設計上還有改進空間。

基于上述分析，本文采用多種網絡結構和數據處理技術設計深度神經網絡模型，模型預測誤差水平和訓練代價顯著下降。

1 神經網絡輸入數據預處理

1.1 輸入數據降噪預處理

本文采用華北某2×350MW 電廠2019 年7 月1日到27 日按分鐘記錄的脫硫環保數據集（共計40000條）進行網絡參數訓練，模型選取的14個分析指標和DCS監測值基本變動范圍如表1所示。

本文對DCS 提供的原始數據采用指數滑動平均技術（exponential moving average, EMA）進行降噪。因為電廠監測系統測量值易受溫度、濕度等影響而漂移[15]，EMA可以使得數據輸入更重視變化趨勢而不是瞬時振蕩，對神經網絡模型訓練過程、防止過擬合有積極作用。

本文采用的EMA公式如式(1)、式(2)所示。

式中，vt為t 時刻指數滑動平均值；rt為t 時刻的原始值；β為遞減系數；l為窗口長度，min。

為更好地平衡降噪和趨勢保留，對不同變量，本文采用不同的l值，使得測量噪聲得以消去，而變化趨勢得以保留。圖1 中，展示了入口煙氣流量、SO2含量經過滑動平均的分析結果（l 分別取7min 和5min）和監測值的對比。對其他變量，模型采用的l值基本為5～15min。

1.2 最小分析時間周期劃分

目前基于神經網絡的脫硫系統相關預測模型，大都是基于前1min 的DCS 監測值預測后1min 的監測值。這樣模型的預測誤差雖然較小，但由于控制系統的響應很難達到如此小的時間精度，實際應用中仍需要對一個時間段（一般為控制系統最小響應時間）取平均，再帶入網絡計算，而由于網絡是針對1min設計和訓練的，容易造成較大誤差。所以，本文在建模初始就進行了最小分析時間周期的劃分，在數據預處理、網絡架構上都適當考慮了適應較長預測時間的需求，只需要對模型參數調整即可改變最小預測周期。

圖2展示了本文所建立模型的預測誤差隨最小分析周期變動的箱線圖。箱體下端為25%分位數的位置，箱體上端為75%分位數的位置，這表明箱體包含了50%誤差值分布。除了箱體的上下邊緣外，箱線圖還展示了幾個偏離程度較大的異常點。

表1 神經網絡的輸入指標和其波動范圍

圖1 數據EMA降噪結果展示

顯然，最小分析周期增大，誤差邊緣范圍擴大、異常點增多，這是做長時段預測必然面對的情況，電廠可以根據容忍的誤差限和最短工況反應時間選定網絡參數。本文模型采用最小分析周期為3min，且預測效果達到預期后選擇盡可能簡單的深度神經網絡結構加速運算過程。當前情況下，模型的訓練時長為1分17秒，計算輸出結果僅需數秒，小于最小分析周期，可以滿足工業實際需求。

為了體現輸入工況的時滯性并減少異常值輸入對模型影響，模型在處理輸入時還采用了加權周期處理，周期設置一般取3～5個最小分析單元。之后的預測結果表明，此做法增加了模型的魯棒性，模型對異常輸入的響應不敏感。圖3展示了本文所建立模型的數據預處理過程。

2 神經網絡結構及訓練方法

2.1 神經網絡模型結構

本文所建立的深度神經網絡模型結構如圖4所示，除了常規的輸入層、輸出層和全連接層外，還引入了LSTM 層、ReLU 層和dropout 模塊，增強了網絡的預測能力和泛化性能。

在神經網絡結構中，循環神經網絡（recurrent neural network，RNN）一般用于解決時序問題。但RNN 在訓練過程中容易發生“梯度消失”現象[16]。LSTM本質也是一種RNN，但由于其巧妙設計了門限結構[17-18]，可將之前的工況影響選擇性地記憶或遺忘，并能解決RNN的“梯度消失”問題。近年，LSTM已在電廠NOx排放量預測[19-21]和電力市場及負荷預測[22-24]中應用。本文模型使用的LSTM 層的基本運算流程如圖5 所示，模型中架設設1 個LSTM層，含如圖5 所示節點神經元128 個，梯度閾值設置為1，并采用L2 正則化方法，正則化系數為0.0001。

模型在LSTM 層和全連接層后都架設了ReLU層。相較于LSTM 層、全連接層使用的sigmoid 或tanh 激活函數，使用ReLU 激活函數計算神經元響應，計算復雜度顯著下降。另對深度神經網絡而言，ReLU激活函數可顯著降低因sigmoid激活函數接近飽和區時導數趨于0帶來的梯度消失現象。此外，在輸入小于0時，ReLU層的輸出也為0，減少了網絡間相互依賴過程，對防止模型過擬合有積極作用[25]。

圖2 最小分析周期變化對模型性能的影響

圖3 模型數據預處理過程

圖4 深度神經網絡的設計結構

圖5 LSTM網絡結構的運算流程

2.2 模型訓練過程

網絡參數訓練采用自適應矩估計（adaptive moment estimation, ADAM）方法控制梯度下降過程[26]。設置初始學習速率0.013，最小學習批次為256，為防止梯度爆炸，設置梯度閾值為1。模型最大訓練輪數為60 輪，每20 輪后，學習速率降低到原先的0.6。

在模型訓練過程中，采用dropout 技術防止模型過擬合，該技術由人工智能領域著名學者Hinton等[27]在2014 受自然選擇和有性生殖過程啟發而提出。如圖6所示，dropout技術在深度神經網絡的訓練過程中，按照一定的概率將部分神經網絡單元暫時隱藏，此時相當于從原始的網絡中選取一個更簡潔的網絡進行訓練。在本文提出的深度神經網絡模型訓練中，在第二個ReLU層后使用了一個dropout模塊，丟棄率取0.2。

圖6 Hinton展示的dropout示意圖［27］

3 模型的輸出結果分析

根據前文神經網絡結構和計算方法，模型輸出值為下個最小分析周期的pH 和出口SO2濃度。但在電廠實際運行中，脫硫率是運行人員判斷吸收塔實時脫硫能力、對控制策略做出調整的重要參考指標。目前主流的脫硫系統神經網絡模型也大多以脫硫率預測結果來評價模型的性能。故本模型將預測的出口SO2濃度轉化，增加脫硫率指標，一則貼近現場需求，二則方便與其他模型預測性能進行比較。脫硫效率計算公式如式(3)所示。

式中，η 為脫硫率，%；Cout為出口SO2濃度，mg/m3；Cin為入口SO2濃度，mg/m3。

按工業習慣，入口SO2濃度使用上一最小分析周期中入口SO2濃度計算脫硫率。

3.1 關于脫硫率和pH的預測結果分析

圖7、圖8 展示了訓練后神經網絡模型在測試集上的預測結果與實際值對比。測試數據集采用華北某2×350MW電廠2019年7月28日到30日中按分鐘記錄的一段DCS監控數據（共4000條）。從圖中展示的系統出口SO2含量、脫硫率的DCS降噪處理后的實際值（藍線）和神經網絡預測輸出結果（紅線）的對比可以看出，預測出口SO2含量和脫硫率變化趨勢和實際值對應，模型預測效果良好。

圖7 出口SO2濃度降噪后實際值和預測值的對比

圖8 出口脫硫率降噪后實際值和預測值的對比分析

此外，圖9 展示了DCS 降噪前的實際監測值（藍線）和降噪后的實際值（綠線）以及神經網絡的預測值（紅線）在測試集2400～4000min的一段局部 對 比。圖 中3100～3200min、3400～3500min 及3700～3900min內，DCS監測值振蕩嚴重，而神經網絡預測值平滑變動。可以看出，神經網絡的預測結果能跟隨出口SO2含量的變化趨勢，但不會跟隨監測噪聲振蕩，表明模型的預處理手段和系數選取合適。

圖9 出口SO2濃度降噪后實際值和預測值的對比（局部放大）

DCS 對pH 監測時，也會發生同樣的隨機波動誤差，但除此之外，由于pH 計管每隔2h 沖洗一次，會導致測定點pH 瞬間升高，所以此時DCS 測量的pH數據不能很好地反應吸收塔漿液真實情況。不過，鑒于本文的數據預處理技術，神經網絡模型對此刻的突變并不敏感。這表明在DCS 監測值因某種原因失真的情況下，模型預測值可以實現一定程度上的“軟測量”功能，輔助運行人員決策。圖10 就展示了這種情形，圖中藍線為DCS 實時反應的pH，綠線為預處理降噪后的pH，紅線為神經網絡的預測輸出結果。

3.2 關于脫硫率和pH的預測結果指標評價

由前文3.1 節所討論的，為降低DCS 監測數據中振蕩噪聲帶來的影響，在模型評價中使用經過降噪處理，并以3min 為最小分析周期取平均值合并的實際值作為真實值標準評價模型的預測誤差。本節采用了3 個指標：均方根誤差（root mean square error,RMSE）用于反映泛化誤差水平、平均百分誤差（mean absolute percentage error, MAPE）用于直觀體現預測值的偏差水平、誤差值的方差用于直觀反應模型的泛化能力。上述指標計算公式如式(4)、式(5)所示。

表2集中展示了漿液pH、出口SO2濃度和系統脫硫率的預測結果主要評價分析指標RMSE、MAPE和誤差的方差。結果表明，模型預測能力很強，預測誤差很小。

表2 神經網絡輸出指標和其波動范圍

圖11 預測pH和脫硫率誤差的頻次分布直方圖

圖11(a)、(b)為模型預測pH和脫硫率的誤差頻次分布圖，可以看出，預測結果的誤差分布接近均值為0的正態分布，說明模型的預測效果較好。

3.3 本模型與其他主流神經網絡預測性能對比

圖10 漿液pH實際值和預測值的對比分析

神經網絡的結構種類有很多，為驗證本文使用深度神經網絡模型預測脫硫率和pH具有良好效果，本節采用目前主要流行的深度BP神經網絡、LSTM神經網絡模型與本文提出的人工深度神經網絡的預測效果進行對比。對比指標選擇漿液pH 和系統脫硫率，最小分析時間周期均取5min，對比的參數是RMSE 和MAPE。對不同的模型，輸入參數采用同樣的數據處理和降噪手段。

本文對比采用的深度BP 神經網絡參照文獻設計[7-10]，為提高網絡性能，BP隱含層數量增至10層，LSTM 神經網絡參照Fu等[14]文獻模型的參數和架構設計，因Fu等在文獻中已經對比LSTM神經網絡相對RNN網絡的優勢，本文不再設計RNN對比。

如圖12 所示，本文提出的深度神經網絡模型對于pH 的預測值RMSE=0.0947，優于深度BP 的0.116、僅使用LSTM 層模型的0.1095；脫硫率方面，本文模型脫硫率預測值的RMSR=0.1066，而深度BP 的預測值RMSE=0.2781，幾乎是本文深度神經網絡模型預測泛化誤差的兩倍，而僅使用LSTM 的預測值RMSE=0.2351（Fu 等[14]文獻中所求RMSE=0.2909，可能因其數據未經本文預處理手段，噪聲較大，降低模型性能），僅僅略優于深度BP 的預測效果。上述結果說明，本文提出的深度神經網絡模型在5min 尺度上的預測結果要明顯優于主流的BP神經網絡和僅使用LSTM神經網絡。

圖12 不同網絡預測pH和脫硫率誤差主要指標對比

4 模型應用案例

4.1 模型的石灰石供漿密度對出口SO2和脫硫率影響仿真

脫硫系統出于自身安全性的考慮，往往不能進行大范圍、多狀態試驗，導致探究脫硫系統內各變化因素對系統的影響一般通過建立中試平臺實驗完成，但這種做法往往存在較大的誤差，不能很好反應脫硫系統真實情況。本文神經網絡模型建立完成后，事實上提供了一種基于計算機仿真的工況診斷與優化分析方法，并且因模型在訓練時使用的是特定電廠的數據，相對于一般的中小試實驗更有針對性。

本節案例選取石灰石供漿密度對系統脫硫性能的影響，測試值位點選擇為系統各工況參數均值附近最大概率分布區間內的中位數值。測試范圍為監測情況下該工況參數變動范圍的95%，測試因素變化時，其他工況參數條件不變。

圖13 為本文深度神經網絡的仿真結果。圖中可見，石灰石供漿密度在達到1260kg/m3左右時，對系統脫硫率的貢獻就非常有限，而增大到1270kg/m3以上時，過高的石灰石漿液密度甚至抑制了塔內反應，導致脫硫率下降，出口SO2濃度上升。

圖13 吸收塔石灰石漿液密度對出口脫硫率和出口SO2濃度的影響

從化學傳質和反應的角度可以解釋上述模型的仿真結果：一般情況下，石灰石漿液密度升高，脫硫率增大，是因密度較低時，CaCO3含量不足，化學反應不充分導致脫硫率低，同時CaSO4密度小，也使石膏晶體不易生成長大。但是當漿液密度過大時，漿液中CaCO3的濃度趨于飽和，增加的石灰石溶解并不充分，不能進一步提升脫硫率，并且因為生成的CaSO4溶解度小，過飽和的CaSO4可能覆蓋在碳酸鈣表面，阻滯反應。此外，由于吸收塔漿液密度和石灰石漿液密度具有關聯性，長期輸入過高密度的石灰石漿液可能間接提升吸收塔漿液密度，觸發石膏排出泵工作，導致未反應的CaCO3也一并排出，造成脫硫劑浪費，并降低石膏品質。

4.2 結合仿真結果對電廠實際工況的分析

圖14 為該廠脫硫系統2019 年7 月1 日到31 日（共44640條）按分鐘記錄的吸收塔石灰石漿液密度頻次分布圖。2019年7月工況下，超過1260kg/m3的時間段占比為6.45%，其中超過1270kg/m3的時間段占比為1.91%。該廠部分時間段存在石灰石供漿密度過大而對脫硫反應不利的情況。電廠應盡量減少供漿密度超過這一限值的情況。

圖14 監測時段吸收塔石灰石漿液密度頻次分布圖

由于神經網絡模型屬于端對端模型，對于輸入和輸出之間容易測試影響，而對于其他中間過程則屬于“黑箱”，故本文作者課題組同時也設計了基于化學機理的過程模型[4]補充探討中間過程，使得診斷過程更加全面。通過該機理模型推理反應線索，認為過高的石灰石供漿漿液密度除了影響吸收塔內的化學反應，還會導致吸收塔漿液密度過高、結垢傾向大。結合工程經驗，還可能導致漿液循環泵葉輪磨損，在吸收塔壁、吸收塔底部和循環泵入口濾網結垢[28]。綜上，應對電廠脫硫系統相關位置做結垢分析。

圖15 是2020 年3 月該電廠脫硫系統垢樣分析，包括電廠吸收塔塔壁、吸收塔底部和循環泵入口濾網垢樣的SEM 圖。觀察到吸收塔壁垢樣[圖15(a)]顆粒直徑主要在20μm 以上，晶體生長痕跡明顯，且以片狀形式堆疊生長，結構緊湊、晶體間空隙較小，表面附著直徑2～3μm 雜質顆粒。與健康生長石膏[圖15(b)]相比，晶體結構存在差異，健康生長石膏多為六棱柱結構、晶體間有明顯空隙、表面無細小雜質[29-31]，推測造成差異的原因是漿液中CaSO4過飽和，結晶在吸收塔塔壁可以生長的物質表面。此外，吸收塔底部與循環泵入口濾網結垢樣品晶體[圖15(c)]整體偏小，一般在5～10μm，且存在較多細碎顆粒。結合XRD 結果，結垢樣品的主要存在物質為CaSO4·2H2O。綜上所述，可以判斷該廠部分時段吸收塔漿液密度過大，CaSO4過飽和，在吸收塔壁、吸收塔底部和循環泵入口結垢。

綜上，本節先通過神經網絡的仿真結果，得到了該電廠石灰石漿液密度過高、影響脫硫系統主要化學反應的參考邊界，再經對該廠7月工況下石灰石漿液密度的分布情況分析，判斷有6.45%的時間段該廠石灰石漿液密度偏離了最適范圍。隨后通過化學機理模型，判斷吸收塔內存在結垢風險，之后進行SEM、XRD 等化學分析也印證了這一結論。該診斷過程體現了基于數據建模、機理建模與實驗分析相互協調補充的脫硫系統智慧環保體系基本工作流程。

圖15 吸收塔壁垢樣、健康石膏和循環泵濾網入口垢樣的SEM圖

5 結論

本文設計了一種基于LSTM 層、ReLU 層和全連接層按單元組合的深度神經網絡模型，能夠實現對脫硫塔出口SO2濃度、漿液pH 和脫硫率進行預測。由于考慮了脫硫系統重要指標在時序上的慣性以及采用了合適的網絡架構和數據處理技術，模型對系統pH、SO2排放量和脫硫率有很好的預測效果，可實現對未來數分鐘的SO2排放濃度趨勢預判，為運行人員提前優化運行，保證SO2的排放處于合理范圍內，降低其波動性。

另外，由于模型預測結果對監測噪聲和異常突變并不敏感，在某些情況下DCS 監測數據失真時，模型的預測結果能起到一定的“軟測量”補充作用。

該模型還可以用于對脫硫系統進行計算機仿真實驗，探究各個重要參數變化對脫硫系統脫硫率、出口SO2濃度或pH 的影響，與化學機理分析相配合，對脫硫系統進行工況診斷和運行優化。