基于極端隨機樹和聲波測溫的電站鍋爐NO x 排放預測方法

陳建均，陳婷婷

（深圳東方鍋爐控制有限公司 技術部，四川 成都611731）

0 引 言

在我國，火力發電仍然占據發電體系的核心地位，NOx排放是燃煤鍋爐的主要污染物之一。為保證其達標排放，目前燃煤電站一方面采用低氮燃燒技術來減少NOx的生成量，另一方面采用選擇性催化還原（SCR）技術對燃燒后的煙氣做進一步脫硝處理，保證電站環保運行。 及時、準確地預測爐膛出口，即脫硝系統入口處的NOx濃度變化，一方面可以據此合理安排和調整爐內燃燒過程，減少NOx的生成量；另一方面也可以為具有大遲延特性的SCR脫硝系統提供更為有效的前饋控制信號，以及時調整噴氨量，有效提升脫硝系統的控制效果。 因此，及時、準確地預測爐膛出口NOx含量，對實現NOx從生成到脫除的全流程優化都具有重要意義。

隨著人工智能技術的迭代發展，基于智能算法的數據驅動建模在脫硝系統中得到了廣泛應用，其中主要有人工神經網絡（ANN）、支持向量機（SVM）、深度學習等。 于靜［1］基于結構改進徑向基函數（RBF）神經網絡（IRBFNN）建立了電廠SCR入口氮氧化物濃度預測模型。 張媛媛［2］等針對大型機組在超低負荷下實現NOx超低排放的需求，利用BP神經網絡構建了NOx排放質量濃度預測模型，并采用遺傳算法（GA）優化網絡權值閾值。 周慎學［3］等利用改進最小二乘支持向量機訓練時間短、泛化能力高等特點，建立了電站鍋爐燃燒模型，實現了NOx排放量的軟測量和預測。 周昊［4］等應用核心向量機（CVM）建立了超超臨界鍋爐的高維大數據NOx排放特性模型，克服了傳統燃燒優化算法受制于小樣本建模的缺點。 劉菡［5］等通過計算影響NOx排放的特征變量之間的互信息設計特征變量間的鄰接關系，構建了基于圖卷積神經網絡的NOx排放MI-GCN預測模型。 雖然ANN算法在NOx預測建模中有其獨特的優勢，但其容易陷入局部優化和過擬合。而SVM算法一般為離線學習，對訓練數據的質量和全面性要求比較高，如果訓練數據不能遍歷則存在不穩定性［6］。 機器學習算法對大批量高維時序數據具有很好的處理能力，近年來被廣泛應用于集成學習、模型預測中。 邢紅濤［7］等提出一種基于偏最小二乘（PLS）變量選擇和XGBoost組合模型的NOx排放預測模型，對燃煤機組實際運行提 供了 有 益指 導。 李 陽［8］等提 出 一 種 基 于Stacking算法集成模型的NOx排放預測方法，將門控循環單元、XGBoost和隨機森林等多個學習能力強、差異度大的模型進行融合，讓每一種單一模型發揮出各自的優勢，實現鍋爐NOx排放精準預測。

以上大數據驅動的建模方法并未對NOx生成機理進行深入研究，而是通過挖掘影響NOx排放的特征參數的歷史運行數據來構建模型，因此，輔助參數的選擇對預測性能起重要作用。 在鍋爐實際運行中，爐膛溫度是影響NOx排放的一個重要因素，但受限于測溫條件及技術，研究人員一般很難直接獲取和利用這一重要信息，只能通過其它變量間接代替爐溫的作用效果，這一定程度上增加了模型復雜度，影響了模型預測精度。 馬平［9］等將爐膛聲波測溫信息加入建模過程中，有效提高了煤粉鍋爐SCR入口NOx濃度的預測精度。 故本文結合聲波測溫技術，提出一種基于極端隨機樹（extremely randomized trees，ET）的NOx預測模型，為實現鍋爐在線燃燒優化與NOx低排放提供基礎。

1 聲波測溫系統

本文采用所開發的ATMB聲波測溫系統，利用聲波信號在氣體介質中傳播速度與溫度的關系來求解爐膛溫度及其溫度場。 氣體介質中兩者關系式為：

式中：c為聲波速度，m/s；γ為氣體比熱指數；R為氣體常數，J/（mol·K）；M 為氣體摩爾重量，kg/mol；T為介質溫度，K；L 為聲波傳播距離，m；t為聲波傳播時間，s；Z為煙氣相關系數。

聲波收發器布置完成后可確定每條聲波傳播路徑長度L，然后實時測定聲波穿越路徑所需的飛度時間t，根據式（2）計算聲波傳播通道上的平均線溫度T。 若干條測溫線相互交叉構建一個線溫度網，再根據溫度場重建算法即可復原爐膛斷面溫度［10］，聲波測溫系統測點布置及爐膛斷面溫度劃分矩陣如圖1 所示。

圖1 聲波測溫系統測點布置

2 極端隨機樹

本文采用極端隨機樹（ET）模型作為回歸預測模型。 極端隨機樹是Geurt等針對隨機森林自舉取樣方式造成樣本不能保證充分被利用，導致決策樹之間相似性高而提出的一種集成學習算法，也屬于Bagging學習機制。 極端隨機樹每棵樹都由全部原始數據進行獨立訓練，提高了訓練樣本的利用率，并且在節點分裂時隨機選擇分叉值，并沒有遵循選取最佳分裂閾值或特征的劃分準則，增加了決策樹間的差異性和隨機性。 因此，極端隨機樹既具備了隨機森林善于處理多維數據集、自動選擇特征的能力，又降低了算法對噪聲的敏感性，增強了泛化能力。

Bagging學習機制通過對原始訓練集多次隨機采樣得到多個采樣集，再利用這些采樣集訓練出多個弱學習器，最后通過集成策略將弱學習器組成一個強學習器進行預測。 極端隨機樹以全部樣本作訓練集，以CART決策樹作基礎弱學習器模型，以弱學習器結果的均值為最后輸出結果。ET算法具體流程主要如下：

步驟1：建立初始節點。 準備樣本集Cx（x=1…T），T為基分類器數量，對于每個樣本Cx，隨機無放回從M個特征屬性中抽取m（m?M）個特征屬性，構造T個決策樹初始模型。

步驟2：獲取隨機特征下的最佳分裂值。 對于單個決策樹模型，使用數據集Cx獨立進行訓練，分裂節點時，決策樹模型中每個特征屬性都隨機生成一個分裂閾值，然后計算分叉值。 針對模型數值特性，以均方誤差最小作為分叉值，對比所有特征分叉值后選出最優值，并以此最優值對應的特征實現節點分叉。

步驟3：重復執行步驟2，進一步對節點進行劃分，直至不可再分，此時獲得一棵ET模型，重復T次，生成所有ET。

步驟4：集成所有ET模型并采用均值法獲得回歸模型的預測結果

其中，fx為第x棵決策樹的預測結果。

3 基于聲波測溫和ET的NO x 排放建模

本節首先建立以極端隨機樹模型為基礎的NOx排放預測模型，并與隨機森林（RF）算法模型進行比較體現其優越性；然后引入爐膛聲波測溫數據，以進一步提升NOx排放的預測效果。 為了衡量模型精度，量化其訓練和測試效果，選用典型的平均絕對誤差（MAE）、均方根誤差（RMSE）和決定系數（R2）作為評價指標。 如式（4） -式（6）所示：

式中：yi為實際輸出；為預測輸出；n 為樣本個數。

3.1 研究對象與數據獲取

本文借助某電廠1 號鍋爐上進行熱態試驗得到的數據，基于聲波測溫和ET算法建立鍋爐NOx排放預測模型。 試驗對象為330 MW 亞臨界自然循環燃煤鍋爐，單爐膛∏型露天島式布置，燃燒器布置于下爐膛前后拱上，W 型火焰燃燒方式，尾部雙煙道結構，固態排渣，全鋼結構，全懸吊結構，平衡通風，中間一次再熱，使用擋板調節再熱汽溫。

影響NOx形成的主要因素為燃燒溫度、燃料特性、煙氣在高溫區停留的時間等，爐膛穩態運行工況下不考慮燃煤特性的變化，燃料特性、燃料熱值、煤質數據等影響。 基于NOx生成機理與該電廠鍋爐特征分析，選取的建模參數包括：與給煤機有關A/B/C/D四個給煤機共計8 維參數，描述一次風粉量的分配方式對NOx排放的影響；二次風量共8 維參數，描述二次風配方方式對NOx排放特性的影響；反映燃燒器擺角的C/F擋板開度共計24 維參數，用以描述燃燒器配風方式對NOx排放特性的影響；A/B兩側燃盡風共4 維參數，描述燃燼風對NOx排放特性的影響；其余包括省煤器出口的煙氣和給水溫度、負荷、主汽壓力和溫度、爐膛出口煙氣溫度、總風量、總煤量等參數，模型輸入參數共計52 維。 模型輸出參數為對應工況的A/B側的NOx排放。

試驗數據經剔除異常波動與冗余數據后篩選出運行數據共4700 組，取4200 組為訓練集，500組為測試集。 部分試驗數據分布范圍如表1 所示。

表1 部分試驗數據分布范圍

3.2 ET建模

基于ET算法所建模型的結果如圖2 和圖3所示。 圖2 為訓練集樣本測試效果，可以看到預測值與實際值擬合程度較高，曲線基本重合，且在SCR入口NOx濃度動態變化時，ET預測模型也表現出較強的跟蹤能力，可以完全預測其變化趨勢，表明ET算法模型對訓練數據具有較強的學習能力。

圖2 ET模型訓練結果

圖3 為ET模型測試集預測效果，可以看到，部分預測值與實際值略有偏差，但整體預測精度較高，且在SCR入口NOx濃度隨時間動態變化時，模型預測性能表現良好，這證明ET算法模型具有較好的表達和泛化能力，基本能準確地反應模型輸出實時變化趨勢，適用于爐膛NOx排放的預測。

圖3 ET模型測試結果

為進一步驗證ET模型的預測能力，采用同一組數據集對RF模型進行訓練和測試，并與ET作對比。 兩種模型測試集預測結果如圖4 和圖5所示。 由圖可知，在一定時間范圍內，ET和RF模型都可以有效構建NOx生成相關變量與SCR入口NOx未來趨勢之間的映射關系，但隨機森林模型誤差波動范圍較大，表明該模型預測結果較差。 相對來說，ET模型預測精度更高，主要分布在［ -3，3］mg/m3之間，這說明ET在處理大規模建模數據時，能隨機劃分出更代表模型回歸特征的決策樹，大幅提升了ET模型的泛化能力。

圖4 不同模型測試集預測結果

圖5 不同模型測試集誤差分布

不同預測模型的精度指標如表2 所示。

表2 不同模型精度指標

對比各項誤差指標可知，基于ET算法的NOx排放預測模型因其較RF算法具有更強的泛化能力和抗干擾能力使其預測精度更高，在對NOx排放預測問題上比RF算法更具穩定性和優越性。

3.3 結合爐膛聲波測溫信號的ET建模

煙氣中的NOx主要分為燃料型、熱力型和快速型三種。 其中，熱力型NOx是空氣中的氮氣在爐膛高溫的環境中氧化產生的，低溫時熱力型NOx幾乎不會產生，當爐膛中的溫度升至某一值時，熱力型NOx的生成速率和生成量將呈指數級快速增長，由此可見，爐膛溫度對熱力型NOx的產生起著關鍵性的作用。 三種NOx的生成量和鍋爐溫度的趨勢如圖6 所示，從圖中可以看出，爐膛溫度與三者的生成量呈正相關，熱力型NOx尤為明顯。 因此，爐膛溫度與NOx的生成有著密不可分的聯系，但是在已有NOx預測模型的研究中，由于測量技術局限難以實時獲取爐膛溫度，研究人員無法有效利用這一重要信息，而只能用其他相關變量擬合爐溫的作用，這增加了輸入參數的復雜度進而導致預測模型建立不夠準確。 本研究基于開發的爐膛聲波測溫系統，能夠實現對爐膛溫度數據的實時測量與采集。 以下通過將這一重要信息引入NOx預測模型，以進一步預測準確性。

圖6 NO x的生成量和鍋爐溫度的關系

圖7 和圖8 為引入爐膛溫度信息前后ET模型預測誤差分布圖，可以看到未加入聲波測溫數據前的測試集中僅有約53%的誤差絕對值小于4，91.8%的誤差值小于2，而引入爐膛溫度的ET模型測試集絕對誤差值更加集中，主要在0附近波動且相對穩定，其中絕對值小于4 的占80%，絕對值小于2 為96.4%，模型預測精度有明顯提高。

圖7 引入爐膛溫度信息前后模型誤差分布

圖8 引入爐膛溫度信息前后模型誤差分布

表3 為引入爐膛溫度信息后的模型優化結果。 可以看到，加入聲波測溫數據后，模型誤差指標均有所下降，決定系數略有增大，表示模型整體預測性能得到進一步提升。

表3 引入爐膛溫度信息前后的模型優化結果

4 結 論

基于聲波測溫系統檢測爐膛溫度信息建立了鍋爐NOx排放的極端隨機樹預測模型，并利用歷史運行數據進行驗證，結果表明該模型能夠準確地預測出NOx排放的變化趨勢。 相比于隨機森林模型，極端隨機樹隨機選擇分裂節點，增加了決策樹間的差異性和隨機性以增強模型泛化能力；引入爐膛溫度這一影響NOx生成的重要信息，有助于進一步提升模型的預測精度，從而為在線優化鍋爐燃燒系統與改善脫硝系統的調節品質打下基礎。