基于EMD-SVR的火电厂选择性催化还原脱硝系统出口NOx浓度预测研究

王 博,赵 亮,赵长春,党 宁

(西安建筑科技大学 信息与控制工程学院，西安 710055)

0 引言

随着经济的快速发展,电力工业发展迅速,火力发电过程中排放的烟气中含有大量污染空气的物质，其中NOx是主要污染物之一[1]。环境空气质量指标(PM2.5、PM10、SO2、NO2、O3和CO)中多数指标与NOx有关。目前应用最多的控制氮氧化合物(NOx)的技术为SCR脱硝法[2-6]。针对SCR烟气脱硝系统喷氨量的大迟延特性，通过建立模型与控制器紧密联系的完整脱硝控制体系是未来的发展目标。准确的NOx浓度预测模型可以作为脱硝喷氨系统的前馈。

国内外学者对SCR脱硝系统进行了大量研究：主要分为两大类:对影响脱硝效率的多因素进行研究和对SCR反应器内的催化反应进行研究。对影响脱硝效率的多因素进行研究：利用机器学习算法对数据集进行训练测试，构建基于最优参数的NOx浓度预测模型[7-13]。对SCR反应器内的催化反应进行研究：从物理化学角度定量分析了NOx浓度的变化规律[14-18]。从国内外研究现状来看，对影响脱硝效率的多因素进行研究，分析了更多的影响因素，实用性较强；对SCR反应器内的催化反应进行研究，催化作用已充分利用，效率很难得到更大的提升。而且，火电厂工况复杂，出口NOx浓度的影响因素较多。当前国内外学者利用多影响因素的方法进行出口NOx浓度预测的研究不多，而且现有的基于多影响因素的出口NOx浓度模型预测精度也需要提升。为了提升火电厂脱硝系统出口NOx浓度的预测精度，提出一种基于EMD-SVR的火电厂脱硝系统出口NOx浓度预测模型。首先，利用经验模态分解(EMD)算法把出口NOx浓度数据信号分解成不同时间尺度的特征信号;然后利用SVR算法对影响出口NOx浓度的数据和分解后出口NOx浓度的数据进行建立模型并进行回归预测。最后，将不同时间尺度的特征信号的预测结果求和作为脱硝系统出口NOx浓度的最终预测值。采用火电厂厂级监控信息系统中实时运行数据进行实验，并与其他预测模型进行了比较，实验结果表明EMD-SVR模型对出口NOx浓度具有较高的预测精度。

1 基本原理

1.1 经验模态分解

经验模态分解(EMD)方法由黄锷等[19]提出:将原始数据序列分解成有限个本征模函数(IMF)和一个代表原始信号总体趋势的趋势项(Res)，所分解出来的各个IMF分量包含了原始数据的不同时间尺度的局部特征信号。非平稳的原始数据序列经过EMD分解成多个平稳信号，这些经过EMD分解后得到的各个平稳信号能够表示出EMD算法分解前的原始数据信号的动态特性，所以经过EMD分解后，使非平稳的原始信号数据能够得到平稳化处理。通过EMD分解得到本征模函数(IMF)需要满足以下两个约束条件[20]：(1)在整个序列数据段内，极值点的个数和过零点的个数必须保持一致或者至多相差一个；(2)在任何一个数据点，由极大值确定的上包络线和极小值确定的下包络线的平均值必须为零。

取原始数据信号为x(t)，EMD分解步骤[21]如下。

步骤一：标记出x(t)的所有局部极大值点和极小值点，然后使用3次样条插值法分别拟合得到原始数据信号的上包络线E1(t)和下包络线E2(t),通过计算可以得出上下包络线的平均值曲线m1(t)：

(1)

步骤二：原始数据信号x(t)减去上下包络线的平均值m1(t)得到一个新的数据信号h1(t)：

h1(t)=x(t)-m1(t)

(2)

步骤三：判断新的数据信号h1(t)是否满足本征模函数(IMF)的条件，若h1(t)不是一个本征模函数(IMF)，则将h1(t)的上下包络线的平均值曲线定义为：m11(t)，将h1(t)减去m11(t)，得到h11(t)：

h11(t)=h1(t)-m11(t)

(3)

重复公式(3)k次，有:

h1k(t)=h1(k-1)(t)-m1k(t)

(4)

式(4)中，h1k(t)为第k次分解得到的信号，h1(k-1)(t)为第k-1次分解得到的信号，m1k(t)为h1k(t)的平均包络线。当满足IMF条件时，h1k(t)变为第一个IMF分量，记为f1(t)。

步骤四：用原始数据信号x(t)减去f1(t)得到一个残余量信号r1(t)：

r1(t)=x(t)-f1(t)

(5)

将残余量信号r1(t)看作是新的数据信号x(t)，重复上述步骤，可依次得到f2(t),f3(t),…。当rn(t)变成常量或者单调函数时，EMD分解结束，此时rn(t)称为趋势项，它表示原始数据信号的总体趋势。即原始数据信号x(t)可表示为一组IMF分量和一个趋势项的和：

(6)

数据h1(k-1)(t)，h1k(t)之间的标差SD停止定义是：

(7)

SD的取值范围一般设为[0.2,0.3]。

1.2 支持向量机回归

支持向量机(SVM)是一种基于统计学习理论的机器学习方法，它是由Corinna 和Vapnik于1995年提出的[22]。与传统神经网络相比，SVM在样本少、非线性、高维特征空间及局部最优问题上具有优势。支持向量机回归(SVR)是在SVM分类的基础上产生的，它对非线性时间序列存在稳定的预测能力[23]。设含有n个训练样本的训练集样本对为{(xi,yi),i=1,2,3…,n}，其中，xi(xi∈Rd)是第i个训练样本的输入列向量，xi= [xi1,xi2,xi3,…,xid]T,yi∈R是相应的输出值。SVR函数为：

f(x)=wφ(x)+b

(8)

式(8)中，φ(x)为非线性映射函数，w为权重向量，b为常数。

SVM的基本思想是为了把两类样本分开寻找一个最优分类面，而SVR的基本思想是为了得到一个距离所有训练样本误差最小的最优分类面。在统计学习原理中运用结构风险最小化原理，优化问题的目标函数即为：

(9)

(10)

1.3 EMD-SVR预测模型

火电厂SCR脱硝系统出口NOx浓度数据序列是非平稳信号，它受多种运行因素影响。通过将经验模态分解和支持向量机回归(EMD-SVR)结合，构建基于EMD-SVR的火电厂SCR脱硝系统出口NOx浓度预测模型。EMD-SVR预测模型结构图如图1所示。EMD-SVR预测模型结构图的过程可以归纳为以下四个步骤。

图1 EMD-SVR预测模型结构图

步骤一：从某火电厂厂级监控信息系统得到脱硝入口烟气温度、脱硝进出口压差、脱硝氨气流量、脱硝入口NOx浓度、脱硝稀释风流量、机组负荷，脱硝出口NOx浓度数据，并对得到的数据进行预处理分析。

步骤二：利用EMD分解算法对脱硝系统出口NOx浓度数据序列进行分解，得到一组IMF分量和一个趋势项Res。

步骤三：确定输入变量和输出变量，并利用SVR算法进行训练。其中脱硝入口烟气温度、脱硝进出口压差、脱硝氨气流量、脱硝入口NOx浓度、脱硝稀释风流量、机组负荷作为输入变量，输出值为未来1 h的脱硝系统出口NOx浓度数据。

步骤四：把IMF分量和趋势项Res的预测结果求和，作为基于EMD-SVR的火电厂SCR脱硝系统出口NOx浓度的最终预测结果。

2 实验分析

2.1 评价指标

为验证模型的预测性能，利用方向变化统计量(Dstat)、平均绝对百分比误差(MAPE)和均方根误差(RMSE)3个指标来衡量各模型的预测结果，三个评价指标的计算公式如下：

(11)

(12)

(13)

2.2 数据选取和对比模型表述

从2019年5月1日至2019年5月8日的前180 h采集到的脱硝系统运行参数数据作为实验数据(选取实验数据的前80%作为训练数据，剩下的20%为测试数据)，其中实验数据的采样周期为2 min/次，所采集的项目包括脱硝入口烟气温度、脱硝进出口压差、脱硝氨气流量、脱硝入口NOx浓度、脱硝稀释风流量、机组负荷和脱硝出口NOx浓度数据，所采集的项目数据都来自于火电厂厂级监控信息系统提供的实时运行信息。采样周期内参数范围、部分参数数据分别如表1和表2所示。

表1 采样周期内参数范围

脱硝系统运行参数数据的预处理分为2个步骤。

1)小时数据平均：

由于1 h内脱硝系统运行参数数据的数值变化较小，因此将脱硝系统运行参数数据按小时平均进行平滑处理，因为采集周期为每2 min采集一次数据，所以脱硝系统运行参数数据每小时数据值Xh即每30个采样点进行一次平均：

(14)

2)归一化处理：

由于脱硝系统运行参数的量纲差别较大，为提高预测的准确性，对脱硝系统运行参数数据进行归一化处理，计算式为：

(15)

式中,Ymax=1，Ymin=-1，Xmax-最大值，Xmin-最小值，Y*-归一化值。

表2 采样周期内部分参数数据

为验证EMD-SVR预测模型的性能，EMD-SVR预测模型除了与标准SVR模型、BP模型、ELM模型进行实验对比外，还选择了与EMD-BP模型、EMD-ELM模型进行实验对比。

2.3 预测结果及分析

利用EMD-SVR预测模型对未来1 h的脱硝系统出口NOx浓度预测，基于EMD的出口NOx浓度序列分解结果如图2所示。

图2 基于EMD的出口NOx浓度序列分解结果

实验流程如图1所示，利用SVR模型对EMD分解所得的各IMF分量和趋势项Res进行训练和预测，利用遗传算法不断优化调整预测模型参数c和g，然后对各IMF分量和趋势项Res的预测结果相加得到脱硝系统出口NOx浓度最终预测结果。

提出的EMD-SVR预测模型分别与标准SVR模型、BP模型、ELM模型、EMD-BP模型和EMD-ELM模型进行对比分析，各预测模型的预测结果如图3所示。

图3 不同模型的预测结果对比

通过对比图3中真实值与各预测值曲线，直观上看，SVR、BP和ELM的预测结果都不理想，部分时间点预测值出现严重误差；相比于SVR模型、BP模型和ELM模型，EMD-SVR模型、EMD-BP模型和EMD-ELM模型的预测精度大幅度提高；在这些混合模型中，将EMD的数据处理能力和SVR的非线性拟合能力相结合的EMD-SVR模型的预测结果最好，与NOx浓度真实值基本一致。表3为不同模型的评价指标比较。

表3 不同模型的评价指标比较

由表3可知，EMD-SVR模型的预测精度最高，Dstat，MAPE和RMSE分别为0.914、1.51%和0.346 mg/Nm3，与SVR模型相比，Dstat提高了68.3%，MAPE和RMSE分别降低了69.6%和68.6%;与BP模型相比Dstat提高了100%，MAPE和RMSE分别降低了73.6%和72.8%;与ELM模型相比，Dstat提高了77.8%，MAPE和RMSE分别降低了73.7%和74.2%;与EMD-BP模型相比，Dstat提高了6.65%，MAPE和RMSE分别降低了25.6%和17.6%;与EMD-ELM模型相比，Dstat提高了10.30%，MAPE和RMSE分别降低了18.4%和10.1%。综合来看，EMD-SVR模型与其他全部对比模型相比，Dstat平均提高了52.61%，MAPE和RMSE分别平均降低了52.18%和48.66%。由此，基于EMD-SVR的NOx浓度预测模型比其他混合模型预测精度更高，预测结果明显优于单一NOx预测模型，该模型在提高火电厂SCR脱硝系统NOx浓度预测准确率方面具有显著优势。

3 结束语

通过实验对比研究，得出以下两个结论：(1)EMD-SVR模型与SVR、BP、EMD-BP和EMD-ELM模型相比，出口NOx浓度预测效果最好，最接近现场真实值；(2)由于经验模态分解技术可以有效地消除与出口NOx浓度数据序列相关的非平稳特性，因此，基于经验模态分解技术的混合预测模型比单一预测模型表现更好。