基于IGWO-BP的SCR脫硝效率軟測量模型

章文濤,張東平

(1.南京工程學院 電力工程學院，南京 211167； 2.南京工程學院 環境工程學院，南京 211167)

0 引言

隨著我國經濟高速發展，工業用電需求日益增長?，F階段煤炭仍是我國的主體能源[1]，而火力發電過程中排放的煙氣含有多種有害物質，因此針對燃煤電廠排放物進行的脫硫、脫硝等措施尤為重要。選擇性催化還原(SCR)方法作為燃煤電廠煙氣脫硝的主流選擇，通過催化劑催化，煙氣中氮氧化物(NOx)與還原劑反應后產生氮氣與水，可高效控制排放煙氣中氮氧化物含量[2-3]?；痣姀S對SCR系統脫硝效果有實時監測的客觀需求的同時，由于SCR系統脫硝效率影響因素較多且相互間存在強耦合性與非線性關系，使得難以通過反應機理建立有效模型對其進行準確的預測。

隨著機器學習的研究與應用，智能算法在火電廠SCR脫硝系統中應用廣泛[4]。工程上有利用長短時記憶循環網絡對脫硝效率進行預測，如溫鑫等[5]將深度循環神經網絡與LSTM結合，把時間因素納入考慮，構建出擬合效果好的預測模型。支持向量機在該領域也有所應用[6-7]，文獻[8]利用PSO算法對雙支持向量機的參數進行尋優，從而構建PSO-TWSVM模型，在提高預測精度的的同時降低計算時間。楊碧源[9]等人針對蜂窩型催化劑，利用BP網絡建立SCR脫硝預測模型。

針對BP算法存在過擬合、易陷入局部最優解等問題[10-11]，本文提出一種基于改進GWO-BP的SCR脫硝系統效率預測模型對大唐洛河發電廠6號機組脫硝裝置進行效率預測。該算法主要創新點在于：在傳統BP算法基礎上，通過主成分分析進行降維,調整灰狼算法中的收斂因子與指導權重，再于算法前期加入隨機引導狼進行改進，而后用改進后的灰狼算法優化BP初始網絡結構，避免算法陷入“局部最優陷阱”，提高該算法非線性學習能力。

1 IGWO-BP算法結構設計

1.1 BP神經網絡

BP神經網絡[12]是一種多層前饋神經網絡，其通過輸入層、隱含層及輸出層的拓撲結構進行信號的正向傳播與誤差逆向傳播，在訓練過程中使用最速下降法調整網絡的權值與閾值，從而使輸出結果逐漸接近樣本期望值。BP神經網絡作為應用最為廣泛的模型之一，具有較強的非線性映射能力、自學習與自適應能力。但同時也存在易陷入“局部最小陷阱”等缺點。

1.2 灰狼優化算法

灰狼優化算法(GWO,grey wolf optimizer)由Mirjalili等人[13]于2014年提出，它受啟發于自然界灰狼捕食，模擬灰狼族群的社會等級制度與捕食策略，具有優異的全局搜索能力與收斂性能，也可以與其他算法結合進行優化[14]。

灰狼算法的基礎是將種群按嚴格等級制度進行排序(見圖1)，其中上三層分別為α層、β層與δ層，底層為ω層，分別對應自然界灰狼族群中的頭狼、副手、小頭目與底層灰狼。在尋優過程中，頭狼始終是最接近獵物的，低級狼群的行動受到高級狼群的指引，隨著算法不斷迭代狼群位置也不斷更新，直至狼群找到最優解，尋優結束。

圖1 灰狼算法等級制度

1)包圍獵物?；依撬惴▽炦^程首先需要對最優解進行包圍，公式如下：

(1)

(2)

(3)

(4)

a=2-t/tmax

(5)

2)跟蹤與獵殺獵物。在尋找潛在最優解的過程中，β與δ在α的引導下對獵物進行包圍，在優化過程中模擬自然界狼群捕獵行為，先假設α、β與δ更了解獵物所在位置，并在尋優過程中利用最佳的3個解引導灰狼ω進行位置更新。引導過程如式(6)～(8)所示:

(6)

(7)

(8)

1.3 改進GWO算法

灰狼算法種群位置更新依賴于α狼、β狼與δ狼的引導，若初始位置不理想，容易陷入局部最優陷阱，在算法后期搜索能力變弱，導致最終結果早熟[16]。為解決這一問題，本文首先調整灰狼算法中的收斂因子與指導權重，再于算法前期加入隨機引導狼，以達到擴大搜索范圍，提升搜索效率的目的。

1.3.1 GWO算法收斂系數調整

(9)

式中，k為根據迭代次數設置的非線性調整參數，t為當前迭代次數，T為最高迭代次數。

1.3.2 優化指導權重

傳統灰狼算法中，考慮到α狼、β狼與δ狼本身適應值間存在差異的實際情況，而3者在位置更新中對于ω狼的指導權重完全相同，這不能很好地表現實際中狼群搜尋獵物的情況。因此需要進行權重優化。改進后權重應有助于適應值更高的狼對于狼群有更好的指導權，從而增加狼群逼近最優解的速率。

本文使用一種基于適應度比值的指導權重，表達式如下：

(10)

(11)

(12)

X(t+1)=X1·W1+X2·W2+X3·W3

(13)

式中,W1、W2、W3分別為α狼、β狼與δ狼對于指導ω狼前進所占權重，fα、fβ、fδ分別為前三頭狼的適應值。

1.3.3 隨機引導狼

圖2 IGWO算法示意圖

位置更新公式如下：

(14)

(15)

(16)

(17)

利用Ackley函數對改進灰狼算法進行測試，發現IGWO算法在第48代收斂于3.98×10-15，而傳統的GWO算法于第412代才收斂于2.12×10-13。由此可見，改進后的灰狼算法具有更高的精度與收斂速度。

1.4 IGWO-BP神經網絡的構建

BP網絡信號在層與層之間前向傳遞，誤差通過函數反向傳遞。為了獲得更好的預測效果，IGWO-BP網絡需在上述結構基礎上引入改進灰狼算法，BP網絡原本隨機產生的初始權值與閾值易使算法早熟，而IGWO算法的加入可以在保留BP神經網絡自學習能力強等優點的前提下，對BP網絡的初始權值與閾值進行優化，使得算法有更好的全局尋優能力。

IGWO-BP網絡建模流程如圖3所示。

圖3 IGWO-BP網絡建模流程

2 模型預測實例及分析

2.1 輸入變量的選擇

圖4為傳統火電機組SCR煙氣脫硝系統，電廠SCR系統一般由氨注入系統、SCR反應系統及氨儲存處理系統組成[18]。其主要工作流程為：將原先儲存于氨罐中的液態氨(還原劑)通過蒸發器氣化后注入SCR系統，經由氨緩沖槽與管道輸入鍋爐區，與空氣混合后噴入煙氣中與NOx進行反應。SCR系統參數龐雜，合理且完善的指標選擇既是進行脫硝效率預測的前提，也是保證預測結果準確有效的關鍵。

圖4 SCR系統示意圖

本模型的唯一輸出變量為SCR系統的脫硝效率，通過SCR工作機理分析及燃煤電廠現實運行與監測狀況對輸入變量進行選擇如下。

1)機組負荷率；給煤率與機組負荷率正相關，隨著給煤率增大，燃燒室內煙氣溫度隨之提高，生成的氮氧化物也相應增加[19]。

2)尿素溶液流量；作為還原劑，尿素溶液流量對于整個SCR系統脫硝效率影響起關鍵作用。

3)反應器入口溫度；爐內溫度越高，反應器入口溫度越高，NOx排放量也越大。另一方面，煙氣溫度對于催化劑活性存在影響，過低的煙氣溫度會降低脫硝效率，而溫度過高也可能會使催化劑產生燒結現象[20]。

4)鍋爐總風量與鍋爐總煤量；總風量與總煤量代表了鍋爐送煤效率。

5)反應器入口Nox濃度；入口氮氧化物濃度越高，對SCR系統脫硝帶來的壓力越大；

6)反應器催化劑床層壓力；反應器內部壓力影響系統內反應速率，同時脫硝系統壓力損失與催化劑抗腐蝕與抗磨損性能有關。

2.2 基于主成分分析的數據預處理

模型基礎數據來源于2020年大唐洛河發電廠6號機組脫硝運行數據參數，采樣時間為10月15日至11月1日，采樣間隔為5分鐘，共4 468組數據。在本次IGWO-BP神經網絡預測模型中，采用交叉驗證法進行模型訓練與檢驗，具體實施方法為隨機取其中4 368組數據進行模型訓練，取剩余100組數據進行模型檢驗。

在基礎數據中，包含了機組負荷率X1，尿素溶液流量X2，A、B、C側反應器入口壓力X3、X4、X5，A、B、C側反應器入口溫度X6、X7、X8，上、中、下催化劑床層壓力X9、X10、X11，鍋爐總風量X12，鍋爐總煤量X13，共13項指標。由于各參數量值存在差異，首先需要對脫硫系統參數進行預處理。其公式如下：

(18)

由于原始數據中13個指標之間具有較強的耦合性，且較多的變量不僅會影響灰狼算法與BP神經網絡算法的訓練成本。為了降低不同變量間的相關性并減少輸入變量，使最終的輸入參數為互不相關的獨立變量，本文對數據進行預處理后，采用主成分分析法(PCA)，對13個脫硝系統參數進行降維處理，得到參數如表1所示。

表1 主成分特征值及貢獻率

由表1可知，前6個主成分理論上就占據原先13個指標百分之95以上的信息量，能較好地代表原始元素。故提取前6個由脫硝效率影響因素組成的主成分作為神經網絡的輸入元素，其特征向量如表2所示。

表2 主成分對應的特征向量

表2中,y1,y2,y3,y4,y5,y6代表在PCA處理后得到的6個主成分，每列a1，a2，…，a13為所對應yi的特征向量，代表13個原始變量X1，X2，…，X13在該主成分中所占的比重。

每個新變量yi是由原始13個參數線性組合而成，系數為對應特征向量值。如表2所示，第1個主成分主要反映了B側反應器入口溫度和鍋爐總煤量，第2個主成分主要反映了C側反應器入口溫度和鍋爐總風量，第3個主成分主要代表了上催化劑床層壓力與中催化劑床層壓力，第4個主成分主要代表了C側反應器入口溫度與鍋爐總風量，第5個主成分主要代表了中下兩層催化劑床層壓力，第6個主成分主要代表了A、B兩側反應器入口壓力。

所以，通過PCA降維處理后的6個主成分既可以較為全面反映原始數據的信息，又消除了數據間的相關性，還通過減少參數種類節約后續網絡訓練成本。

2.3 脫硝效率預測結果分析

在本模型實際訓練的中，將前文提取的6個主成分y1,y2,y3,y4,y5,y6作為輸入層元素，預測的脫硝效率值作為單一輸出。

在Matlab中，相關參數設置如下：BP網絡結構為6-4-1(6個輸出層節點，4個隱含層節點，1個輸出層節點)，隱含層函數使用tansig函數，輸出層函數選用purelin函數。迭代次數為1 000，學習率為0.1，學習目標為0.000 1，灰狼種群數為40，個體編碼長度為33，最大進化次數為10 000，初始位置范圍為[-1,1]，式(9)中的k值為2。

為了驗證IGWO-BP算法效果，在MatlabR2016a仿真平臺下建立3種脫硝效率預測模型。分別為：1)傳統BP神經網絡模型；2)傳統GWO-BP神經網絡模型；3)IGWO-BP神經網絡模型。3種模型共用一套由4 000組原始脫硝數據隨機抽取后的訓練與檢驗數據。并采用平均絕對誤差MAE、平均絕對百分比誤差MAPE與擬合優度R2作為評價標準比較3種模型，3種評價標準計算公式為式(19)～(21):

(19)

(20)

(21)

按照前述方法建立的IGWO-BP模型對訓練樣本脫硝效率預測訓練效果如圖5所示，3種模型間評價參數如表3所示。IGWO-BP模型預測誤差絕對值與BP模型及GWO-BP模型對比如圖6、圖7所示。

圖5 IGWO-BP神經網絡預測結果

表3 3種模型預測效果對比

由表3分析可知，IGWO-BP預測模型下平均絕對誤差MAE相較傳統BP模型減小62.62%，平均絕對百分比誤差MAPE降低48.92%，擬合優度R2增加28.83%；IGWO-BP預測模型相較傳統GWO-BP模型MAE減小43.06%，MAPE降低21.69%，R2增加15.99%。由圖6、圖7可以看出，IGWO-BP、傳統GWO-BP與BP模型預測結果最大誤差絕對值分別為3.61%、4.13%與6.67%，IGWO-BP模型下的預測效果明顯優于傳統BP模型，與GWO-BP模型相比，雖然個別點預測精度不如GWO-BP，但整體上預測效果優于GWO-BP模型。

圖6 傳統BP與IGWO-BP預測誤差對比

圖7 GWO-BP與IGWO-BP預測誤差對比

3 結束語

提出一種將改進灰狼算法與BP算法相結合，應用于燃煤電廠脫硝效率軟測量的方法。將影響脫硝效率的因素通過主成分分析法降維成少數幾個有代表性且互相獨立的因素。再利用改進灰狼算法的優勢，對傳統BP算法進行優化，得到大唐洛河發電廠6號機脫硝裝置預測模型。通過結果可知，本方法一定程度上提高了預測精度，改善了傳統BP網絡可能陷入“局部最優解”的缺陷，可用于電廠脫硝效率的預測。