基于門控循環(huán)單元神經(jīng)網(wǎng)絡(luò)的燃煤電廠脫硝系統(tǒng)建模研究

倪 煜，李德波，陶 葉

（1. 中國(guó)電力工程顧問(wèn)集團(tuán)有限公司，北京 100120；2. 南方電網(wǎng)電力科技股份有限公司，廣東 廣州 510080；3. 電力規(guī)劃設(shè)計(jì)總院，北京 100120）

0 引言

近年來(lái)研究人員開(kāi)展了大量的NOX污染治理研究。在實(shí)際應(yīng)用中，效率較高且常用的技術(shù)手段是燃燒后的處理，其中選擇性催化還原（selective catalytic reduction，SCR）是在國(guó)內(nèi)外電廠實(shí)際運(yùn)行中廣泛使用的煙氣脫硝技術(shù)手段，其技術(shù)成熟可靠、便于維護(hù)、脫硝效率高且不導(dǎo)致二次污染[1-2]。

準(zhǔn)確構(gòu)建脫硝系統(tǒng)運(yùn)行參數(shù)與SCR出口NOX濃度、脫硝效率之間的關(guān)系模型是優(yōu)化整體脫硝控制系統(tǒng)的重要手段。為了提高燃煤電廠脫硝系統(tǒng)出口NOX濃度與脫硝效率的預(yù)測(cè)準(zhǔn)確率，本文以某1 000 MW火電機(jī)組脫硝過(guò)程為研究對(duì)象，構(gòu)建基于門控循環(huán)單元（gated recurrent unit，GRU）神經(jīng)網(wǎng)絡(luò)模型，用來(lái)預(yù)測(cè)SCR出口NOX濃度和脫硝效率，并將該模型與傳統(tǒng)的機(jī)器學(xué)習(xí)模型進(jìn)行對(duì)比。結(jié)果表明，該模型能夠更加準(zhǔn)確地反映過(guò)程參數(shù)時(shí)間序列特征對(duì)實(shí)際脫硝效率的影響，從而提高了預(yù)測(cè)的準(zhǔn)確性[3-7]。

1 研究進(jìn)展

目前，火電廠脫硝出口NOX排放濃度與SCR脫硝效率的預(yù)測(cè)方法主要有統(tǒng)計(jì)回歸法、支持向量機(jī)法（support vector machines，SVM）和人工神經(jīng)網(wǎng)絡(luò)法。任志玲[8]等基于對(duì)影響脫硝噴氨控制因素分析利用混沌粒子群優(yōu)化算法（combinatorial particle swarm optimization，CPSO）對(duì)噴氨量進(jìn)行求解得出最優(yōu)噴氨控制，構(gòu)建基于徑向基（radial basis function，RBF）神經(jīng)網(wǎng)絡(luò)模型對(duì)煙氣脫硝系統(tǒng)出口的NOX濃度進(jìn)行預(yù)測(cè)。結(jié)果表明在控制噴氨量的精度與脫硝效率上優(yōu)于傳統(tǒng)的比例—積分—微分控制器 （proportion integral differential，PID）控制算法。趙志宏[9]等基于主元分析方法，通過(guò)實(shí)驗(yàn)分析各主要因素對(duì)脫硝效率造成的影響，并在特征變量選定后作為模型的輸入變量輸入到最小二乘支持向量機(jī)（least squares support vector machine，LSSVM）模型中，取得了較高的穩(wěn)定性和預(yù)測(cè)準(zhǔn)確率。王博[10]等基于經(jīng)驗(yàn)?zāi)B(tài)分解 （empirical mode decompo-sition，EMD）和支持向量回歸（support vector regression，SVR）的火電廠脫硝系統(tǒng)出口NOX濃度預(yù)測(cè)模型，通過(guò)與標(biāo)準(zhǔn)的反向傳播（back propagation，BP）、SVR、極限學(xué)習(xí)機(jī)（extreme learning machine，ELM）、EMD-BP和EMDELM模型進(jìn)行實(shí)驗(yàn)比較，EMD-SVR模型的預(yù)測(cè)準(zhǔn)確率較高。上述方法均未考慮脫硝過(guò)程參數(shù)的時(shí)間序列特性。

針對(duì)一個(gè)時(shí)間序列的數(shù)據(jù)集，采用循環(huán)神經(jīng)網(wǎng)絡(luò)（recurrent neural network，RNN）進(jìn)行建模，是較合適的神經(jīng)網(wǎng)絡(luò)模型[11]。長(zhǎng)短期記憶（long short-term memory，LSTM）神經(jīng)網(wǎng)絡(luò)是一種基于RNN遞歸神經(jīng)網(wǎng)絡(luò)的基礎(chǔ)上改進(jìn)形成的網(wǎng)絡(luò)模型，它是由Schmidhuber[12]等為解決RNN在使用時(shí)的梯度消失、梯度爆炸、長(zhǎng)期記憶喪失等問(wèn)題而提出，使RNN可以有效地應(yīng)用于較長(zhǎng)的時(shí)序信息[13]。神經(jīng)網(wǎng)絡(luò)LSTM模型在蛋白質(zhì)序列預(yù)測(cè)、機(jī)器翻譯、交通流量預(yù)測(cè)、故障時(shí)間序列預(yù)測(cè)[14-18]等許多不同領(lǐng)域得到了成功推廣應(yīng)用。

Chung[19]等在基于LSTM網(wǎng)絡(luò)模型的基礎(chǔ)上，通過(guò)簡(jiǎn)化的方式，對(duì)LSTM網(wǎng)絡(luò)結(jié)構(gòu)進(jìn)行重新設(shè)計(jì)，提出GRU。GRU網(wǎng)絡(luò)模型在模型結(jié)構(gòu)上比LSTM網(wǎng)絡(luò)設(shè)計(jì)更為簡(jiǎn)化，在模型的訓(xùn)練時(shí)間上具有更大的優(yōu)勢(shì)。

本文綜合考慮到電站鍋爐的脫硝過(guò)程數(shù)據(jù)具有時(shí)間序列特征和大數(shù)據(jù)特點(diǎn)，GRU神經(jīng)網(wǎng)絡(luò)應(yīng)用于燃煤電廠脫硝系統(tǒng)出口NOX濃度和脫硝效率的預(yù)測(cè)，并通過(guò)對(duì)比的方式來(lái)表明GRU模型更具有可靠性。

2 基于GRU神經(jīng)網(wǎng)絡(luò)的SCR脫硝過(guò)程建模

2.1 數(shù)據(jù)準(zhǔn)備與處理

2.1.1 數(shù)據(jù)準(zhǔn)備

燃煤電廠分散控制系統(tǒng)（distributed control system，DCS）每隔60 s記錄一次SCR系統(tǒng)的有效參數(shù)，來(lái)反饋脫硝系統(tǒng)SCR運(yùn)行過(guò)程的狀態(tài)。本文從DCS中選取鍋爐負(fù)荷、出口NOX質(zhì)量濃度、入口NOX質(zhì)量濃度、SCR系統(tǒng)脫硝效率、入口煙氣O2含量、噴氨質(zhì)量流量和入口煙氣溫度共7個(gè)主要參數(shù)。其中SCR出口NOX濃度預(yù)測(cè)模型參數(shù)如表1所示，針對(duì)SCR脫硝效率預(yù)測(cè)模型的參數(shù)如表2所示，構(gòu)建以鍋爐負(fù)荷、SCR入口NOX質(zhì)量濃度、入口煙氣溫度、入口煙氣含氧量、噴氨質(zhì)量流量和SCR脫硝效率/出口NOX濃度等6個(gè)主要參數(shù)作為GRU模型觀測(cè)變量，SCR脫硝效率/SCR出口NOX濃度作為模型輸出變量。

表1 SCR出口NOX濃度預(yù)測(cè)模型參數(shù)

表2 SCR脫硝效率預(yù)測(cè)模型參數(shù)

2.1.2 數(shù)據(jù)標(biāo)準(zhǔn)化處理

數(shù)據(jù)是從DCS進(jìn)行采集，但是由于每個(gè)維度數(shù)據(jù)的測(cè)定方法不同和各特征數(shù)據(jù)的測(cè)量單位不同，所以導(dǎo)致數(shù)據(jù)的維度與規(guī)模大不相同。針對(duì)于此，在進(jìn)行建立預(yù)測(cè)模型之前，首先將采集到的全部數(shù)據(jù)分割為訓(xùn)練集數(shù)據(jù)與測(cè)試集數(shù)據(jù)，然后在訓(xùn)練集的樣本數(shù)據(jù)上進(jìn)行標(biāo)準(zhǔn)化預(yù)處理。由于SCR入口煙氣溫度、SCR入口煙氣O2含量、鍋爐負(fù)荷等參數(shù)由于每個(gè)維度的數(shù)據(jù)在數(shù)量級(jí)上不同，導(dǎo)致數(shù)據(jù)在數(shù)值型計(jì)算時(shí)會(huì)帶來(lái)差距，因此為消除數(shù)量級(jí)的影響而采用Z-score標(biāo)準(zhǔn)化方法，首先需要對(duì)訓(xùn)練集樣本進(jìn)行標(biāo)準(zhǔn)化處理，并根據(jù)每個(gè)特征變量值的標(biāo)準(zhǔn)平均值的偏差重置每個(gè)特征值。通過(guò)標(biāo)準(zhǔn)化處理可以消除影響水平差異所導(dǎo)致數(shù)據(jù)量綱不同，從而對(duì)最終的結(jié)果造成影響。

score標(biāo)準(zhǔn)化處理計(jì)算式如下所示：

式中：μ為X因子的平均值；σ為X因子的標(biāo)準(zhǔn)差。計(jì)算式如下所示：

式中：μ為X因子的平均值；n表示為X（所有樣本）的數(shù)量；xi為第i個(gè)樣本。

2.2 模型的設(shè)計(jì)與構(gòu)建

GRU神經(jīng)網(wǎng)絡(luò)是RNN神經(jīng)網(wǎng)絡(luò)的一種優(yōu)化，也是LSTM神經(jīng)網(wǎng)絡(luò)的一種變體。如圖1所示，GRU神經(jīng)網(wǎng)絡(luò)的內(nèi)部結(jié)構(gòu)與RNN一樣具有鏈?zhǔn)浇Y(jié)構(gòu)，且采用包含更新門（update gate）和重置門（reset gate）等結(jié)構(gòu)的門控循環(huán)單元，并將單元狀態(tài)與輸出合并為一個(gè)狀態(tài)，實(shí)現(xiàn)了神經(jīng)元中信息的控制與傳遞。其中，更新門決定了前一時(shí)刻狀態(tài)對(duì)當(dāng)前時(shí)刻狀態(tài)的影響程度，重置門決定了當(dāng)前輸入與前一時(shí)刻狀態(tài)的結(jié)合程度。

圖1 GRU隱藏層節(jié)點(diǎn)結(jié)構(gòu)

在GRU神經(jīng)網(wǎng)絡(luò)模型中，GRU擁有兩個(gè)重要的門結(jié)構(gòu),更新門和重置門。其式推導(dǎo)過(guò)程如下：

式 中 ：xt，ht-1，zt，ft分 別 為 GRU 隱 藏 層 節(jié)點(diǎn)的輸入、輸出、更新門輸出以及重置門輸出，輸入xt和前一時(shí)刻隱藏層輸出ht-1共同決定過(guò)程量；w和b分別為訓(xùn)練所獲得的權(quán)重參數(shù)和偏置參數(shù)，其中wz和bz、wf和bf、wh～和bh～分別為計(jì)算更新門輸出、重置門輸出、過(guò)程量所需的權(quán)重參數(shù)和偏置參數(shù)；⊙表示矩陣對(duì)應(yīng)位置元素相乘；σ和tanh分別代表sigmoid函數(shù)和雙曲正切函數(shù)。

本文基于GRU神經(jīng)網(wǎng)絡(luò)的SCR出口NOX濃度和脫硝效率預(yù)測(cè)模型的設(shè)計(jì)流程如圖2所示，包括輸入層、隱藏層、模型訓(xùn)練、輸出層4個(gè)功能模塊。輸入層主要負(fù)責(zé)對(duì)從DCS采集到的數(shù)據(jù)集進(jìn)行數(shù)據(jù)清洗、數(shù)據(jù)的標(biāo)準(zhǔn)化處理，并劃分訓(xùn)練集與測(cè)試集，最后依照時(shí)間序列格式來(lái)封裝數(shù)據(jù)以滿足GRU神經(jīng)網(wǎng)絡(luò)模型的輸入要求。隱藏層采用如圖1所示的內(nèi)部架構(gòu)搭建的4層循環(huán)神經(jīng)網(wǎng)絡(luò)，每層神經(jīng)元的個(gè)數(shù)分別是：128、128、64、32。模型訓(xùn)練采用Adam優(yōu)化算法。輸出層對(duì)模型的預(yù)測(cè)值建立模型評(píng)估，評(píng)估指標(biāo)分別是：均方根誤差、平均絕對(duì)誤差和決定系數(shù)R2。X表示輸入層，Y表示輸出層。

圖2 基于GRU神經(jīng)網(wǎng)絡(luò)的SCR脫硝過(guò)程建模預(yù)測(cè)模型

3 實(shí)測(cè)數(shù)據(jù)與分析

3.1 實(shí)測(cè)數(shù)據(jù)

通過(guò)燃煤電廠電站鍋爐脫硝過(guò)程（工況）的監(jiān)控系統(tǒng)對(duì)某電廠1 000 MW機(jī)組運(yùn)行狀態(tài)過(guò)程進(jìn)行實(shí)時(shí)監(jiān)控，選取該機(jī)組2018年4月1～7日時(shí)間段內(nèi)所監(jiān)測(cè)到的數(shù)據(jù)，采集頻率為每60 s采樣一次，共10 000組作為模型樣本，其中7 000組作為訓(xùn)練集數(shù)據(jù)，3 000組作為測(cè)試集數(shù)據(jù)，以6個(gè)輸入變量作為模型的觀測(cè)變量和1個(gè)輸出變量作為模型的輸出，模型數(shù)據(jù)各特征參數(shù)如表1和表2所示。

3.2 模型評(píng)價(jià)指標(biāo)

模型的預(yù)測(cè)結(jié)果通過(guò)預(yù)測(cè)值與真實(shí)值之間的誤差進(jìn)行評(píng)估，即用均方根誤差（root mean squared error，RMSE）和平均絕對(duì)誤差（mean absolute error，MAE）來(lái)表示。RMSE與MAE較小時(shí)，表示真實(shí)值與預(yù)測(cè)值越接近模型的預(yù)測(cè)結(jié)果越好；決定系數(shù)R2越接近1，表示模型的擬合性能較優(yōu)，擬合數(shù)據(jù)能力效果越好，計(jì)算式如下：

式中：N為觀測(cè)值和預(yù)測(cè)值的比較次數(shù)；?i為模型的預(yù)測(cè)值；yi為模型的真實(shí)值；為真實(shí)值的平均值。

3.3 實(shí)測(cè)數(shù)據(jù)分析

本文實(shí)測(cè)數(shù)據(jù)采用某1 000 MW機(jī)組燃煤鍋爐的SCR系統(tǒng)在2018年4月1日00：01～4月7日22：40時(shí)段運(yùn)行工況的10 000組數(shù)據(jù)。該期間在保證鍋爐脫硝過(guò)程無(wú)明顯的外部操作影響下，從DCS采集的數(shù)據(jù)中進(jìn)行檢查，判斷采集的數(shù)據(jù)中是否存在鍋爐非正常運(yùn)行的數(shù)據(jù)，通過(guò)進(jìn)行數(shù)據(jù)異常值排查處理，排查結(jié)果表明沒(méi)有異常的值，則顯示了燃燒電廠鍋爐機(jī)組處于穩(wěn)定可靠的運(yùn)行狀態(tài)。

3.3.1 SCR出口NOX質(zhì)量濃度預(yù)測(cè)

基于GRU神經(jīng)網(wǎng)絡(luò)的SCR出口NOX質(zhì)量濃度預(yù)測(cè)模型，時(shí)間步長(zhǎng)是網(wǎng)絡(luò)參數(shù)中非常重要的一部分，時(shí)間步長(zhǎng)反映的是模型的最長(zhǎng)記憶時(shí)間，在實(shí)際應(yīng)用過(guò)程中則表明當(dāng)前時(shí)刻的NOX質(zhì)量濃度預(yù)測(cè)值與之前輸入?yún)?shù)的關(guān)系。GRU的時(shí)間步長(zhǎng)調(diào)參過(guò)程如表3所示，隨著時(shí)間步長(zhǎng)的增長(zhǎng)，模型的誤差先下降，并有波動(dòng)性，當(dāng)時(shí)間序列長(zhǎng)度為30 s時(shí)，RMSE和MAE均達(dá)到最小，當(dāng)時(shí)間序列再次增長(zhǎng)時(shí)，誤差反而變大。因此，當(dāng)時(shí)間步長(zhǎng)設(shè)置為30 s時(shí)，模型預(yù)測(cè)效果最好。為了驗(yàn)證GRU神經(jīng)網(wǎng)絡(luò)模型在火電廠SCR出口NOX質(zhì)量濃度預(yù)測(cè)的性能，本文在保證使用相同的數(shù)據(jù)集、時(shí)間步長(zhǎng)和迭代訓(xùn)練周期次的情況下，通過(guò)進(jìn)行對(duì)比，得到了3 000組在測(cè)試數(shù)據(jù)集上的GRU神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)結(jié)果，并且與傳統(tǒng)RBF、LSSVM、RNN、LSTM模型進(jìn)行對(duì)比，5種模型的RMSE、MAE、決定系數(shù)如表4所示。

表3 GRU神經(jīng)網(wǎng)絡(luò)SCR出口NOX濃度預(yù)測(cè)模型的時(shí)間步長(zhǎng)選取對(duì)比

表4 5種SCR出口NOX濃度預(yù)測(cè)模型性能對(duì)比

由表4可以看出，傳統(tǒng)機(jī)器學(xué)習(xí)模型LSSVM模型的預(yù)測(cè)結(jié)果最不理想，RBF模型的總體性能強(qiáng)于LSSVM、RNN、LSTM模型，而GRU模型的性能表現(xiàn)是最優(yōu)的，對(duì)GRU神經(jīng)網(wǎng)絡(luò)模型性能指標(biāo)及預(yù)測(cè)結(jié)果進(jìn)行評(píng)估，得到的評(píng)估結(jié)果如下：均方根誤差RMSE為1.027 1，平均絕對(duì)誤差MAE為0.782 9，決定系數(shù)R2為0.995 2，均優(yōu)于RBF模型、LSSVM模型。這表明本文采用GRU模型在SCR出口NOX質(zhì)量濃度的預(yù)測(cè)上表現(xiàn)具有更高的準(zhǔn)確度。

3.3.2 脫硝效率預(yù)測(cè)

基于GRU神經(jīng)網(wǎng)絡(luò)的SCR脫硝效率預(yù)測(cè)模型，GRU的時(shí)間步長(zhǎng)調(diào)參方式與NOX質(zhì)量濃度預(yù)測(cè)模型一致，調(diào)參過(guò)程如表5所示，結(jié)果表明隨著時(shí)間序列的增長(zhǎng)，GRU模型的誤差先下降，并顯示波動(dòng)性，當(dāng)時(shí)間序列長(zhǎng)度為30 s時(shí)，RMSE和MAE均達(dá)到最小，當(dāng)時(shí)間序列再次增長(zhǎng)時(shí)，誤差反而變大，因此當(dāng)GRU模型參數(shù)選時(shí)間步長(zhǎng)為30 s時(shí)，模型預(yù)測(cè)效果最好。為了驗(yàn)證GRU模型在火電廠SCR脫硝效率的表現(xiàn)性能及預(yù)測(cè)結(jié)果，本文在保證使用相同的數(shù)據(jù)集、時(shí)間步長(zhǎng)和迭代訓(xùn)練周期次的情況下，通過(guò)進(jìn)行對(duì)比，得到了3 000組在測(cè)試數(shù)據(jù)集上的GRU神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)結(jié)果，并且與傳統(tǒng)RBF模型、LSSVM、RNN、LSTM模型進(jìn)行對(duì)比，5種模型的平均絕對(duì)誤差、均方根誤差、決定系數(shù)如表6所示。

表5 GRU神經(jīng)網(wǎng)絡(luò)SCR脫硝效率預(yù)測(cè)模型的時(shí)間步長(zhǎng)選取對(duì)比

表6 5種SCR脫硝效率預(yù)測(cè)模型性能對(duì)比

由表6可以看出，傳統(tǒng)機(jī)器學(xué)習(xí)模型LSSVM模型的預(yù)測(cè)結(jié)果最不理想，RBF模型的總體性能比RNN、LSTM模型好一些，而GRU模型的性能表現(xiàn)是最優(yōu)的，對(duì)GRU神經(jīng)網(wǎng)絡(luò)模型性能指標(biāo)及預(yù)測(cè)結(jié)果進(jìn)行評(píng)估，得到的評(píng)估結(jié)果如下，分別為均方根誤差RMSE為0.322 0，平均絕對(duì)誤差MAE為0.199 2，決定系數(shù)R2為0.996 3，均優(yōu)于RBF模型、LSSVM模型、RNN模型以及LSTM模型，表明本文采用GRU模型在SCR脫硝效率的預(yù)測(cè)上表現(xiàn)具有更高的準(zhǔn)確度。

4 結(jié)語(yǔ)

SCR出口NOX質(zhì)量濃度和脫硝效率作為衡量SCR脫硝系統(tǒng)穩(wěn)態(tài)運(yùn)行的關(guān)鍵參數(shù)，對(duì)脫硝系統(tǒng)乃至整個(gè)發(fā)電機(jī)組都有著重大影響，可以實(shí)時(shí)精準(zhǔn)地預(yù)測(cè)SCR出口NOX濃度和脫硝效率，能夠?qū)C(jī)組可靠穩(wěn)態(tài)運(yùn)行起到關(guān)鍵性的作用。本文綜合考慮SCR脫硝系統(tǒng)的特性，首先基于機(jī)理的數(shù)據(jù)分析選取影響SCR脫硝系統(tǒng)出口NOX濃度和脫硝效率關(guān)鍵輸入變量，然后構(gòu)建基于GRU神經(jīng)網(wǎng)絡(luò)的脫硝出口氮氧化物質(zhì)量濃度和脫硝效率預(yù)測(cè)模型，利用過(guò)程數(shù)據(jù)的時(shí)間序列特征，通過(guò)某燃煤電廠1 000 MW機(jī)組SCR脫硝系統(tǒng)的實(shí)際運(yùn)行數(shù)據(jù)對(duì)GRU模型進(jìn)行驗(yàn)證，結(jié)果表明GRU模型相比傳統(tǒng)的機(jī)器學(xué)習(xí)方法，在模型的預(yù)測(cè)準(zhǔn)確率上具有更好的可靠性與準(zhǔn)確性。