基于多层感知器神经网络的燃煤电站SCR脱硝系统建模

2022-07-06黄镇柯金志远朱恒毅刘宇浓

湖北电力 2022年3期

黄镇柯，金志远，朱恒毅，刘宇浓，谭鹏

（1.广东省能源集团有限公司沙角C电厂，广东东莞 523900；2.华中科技大学能源与动力工程学院煤燃烧国家重点实验室，湖北武汉 430074）

0 引言

为控制氮氧化物（NOx）排放，选择性催化还原（SCR）技术在燃煤电站获得广泛应用［1，2］。电站SCR脱硝系统通过控制喷氨阀门开度来调节出口NOx的排放浓度，是一个典型的大惯性延迟系统。过量喷氨会造成氨逃逸量增加，与烟气中的硫发生反应产生硫酸氢铵，导致下游空预器堵塞，威胁电厂安全生产；喷氨不足会造成SCR 脱硝系统脱硝效率降低，影响电厂运行环保性［3，4］。然而随着可再生能源入网比例的升高［5］，燃煤机组的调峰定位越来越清晰［6-8］，频繁的机组负荷大范围变化使得采用传统PID 控制不能满足SCR脱硝系统的高效安全运行［9，10］，因此，研究开发更精确、更快速的喷氨控制方法具有重要意义［11-13］。

建立准确可靠的SCR 模型是控制的基础，为实现SCR脱硝系统的精确喷氨控制必须掌握系统的动态特性，建立合适的动态模型。目前，SCR脱硝建模方法可分为基于催化化学反应机理的机理建模［14］和基于运行数据的黑箱建模［15］，其中黑箱建模方法主要是利用统计方法或机器学习，如神经网络［16，17］、支持向量机［18，19］等方法，采用大量运行数据进行模型训练，由于其相对机理建模具有模型精度高、建模周期短的优势，得到了较多的关注。

刘吉臻等［20］将多尺度核函数、滑动窗口法和偏最小二乘法结合起来，提出了自适应多尺度核偏最小二乘法，并将其利用在SCR 脱硝系统稳态建模上。秦天牧等［21］分别使用机理建模、支持向量机、反向传播（back propagation，BP）神经网络和偏最小二乘法对SCR 脱硝系统进行动态建模，并比较了4 种模型的性能差别。周洪煜等［22］引入动态结构的RBF 神经网络在SCR 脱硝建模问题上，并提出了相应的喷氨控制系统。

本文以某660 MW亚临界燃煤机组SCR脱硝系统为研究对象，利用历史运行数据，建立基于多层感知器神经网络（MLP）的SCR 脱硝系统预测模型，旨在为SCR喷氨控制器设计与优化提供依据。

1 研究对象与方法

1.1 研究对象

本文研究对象为某660 MW 亚临界燃煤机组，由美国ABB-CE公司设计生产，类型为亚临界参数、单汽包中间再热、控制循环锅炉，锅炉最大连续蒸发量为2 100 t/h，膜式水冷壁，单炉膛四角双切圆燃烧。SCR系统采用液氨作为还原剂，液氨气化后经稀释风机稀释，由喷氨格栅送入SCR脱硝反应器入口，与烟气混合后，在催化剂作用下与烟气中的NOx发生选择性催化还原反应。该脱硝系统采用V2O5-WO3/TiO2型的蜂窝式催化剂，催化剂分3层布置反应器内。

SCR 脱硝系统出口NOx值受很多因素影响，主要因素有负荷、烟气流量、给煤量、SCR 脱硝系统入口NOx值、喷氨阀门开度、SCR 脱硝系统温度、烟气含氧量等［23，24］，其中控制变量为喷氨阀门开度，最主要的外部扰动包括SCR 脱硝系统入口NOx值以及烟气流量、SCR 脱硝系统温度、催化剂活性等。催化剂活性是一个长周期衰变过程，难以监测；烟气流量、SCR 脱硝系统温度与负荷密切相关。综合考虑以上因素，本文所建立的SCR 脱硝系统预测模型输入为：当前及过去时刻的①负荷，②SCR 脱硝系统入口NOx值，③喷氨阀门开度，④SCR 脱硝系统出口NOx值；模型输出为：下一时刻的①SCR脱硝系统出口NOx值。本文共采集了1个月的运行数据，前一周数据用于训练，后三周数据用于验证模型稳定性。数据采样周期为10 s，训练数据集总长度为69 121，各参数变化范围如表1所示。

表1 各参数单位及变化范围Table 1 Each parameter unit and variation range

1.2 多层感知器神经网络

多层感知器神经网络［25，26］（MLP）的概念最先由Rosenblatt 于1952 年提出。多层感知器神经网络是人工神经网络的一种，一般由一个输入层、几个隐藏层和一个输出层组成。人工神经网络［27，28］由一组突触连接构成，每个连接都有对应的权重，所有输入经过加权之后与偏置相加，通过激活函数来转化输出，使得其幅度范围缩小到有限值。其数学表达式为：

式（1）中，x为输入值，和为第1层的权值，σ1为第1层的激活函数，神经网络的输出是最后一层的值zm。

1.3 基于多层感知机的SCR脱硝系统预测建模

为了避免各输入参数由于数量级和变化范围不同所导致的建模效果不佳，对输入参数进行归一化处理。引入EarlyStopping［29］方法避免过拟合，该方法可根据指定的评价标准及时停止模型的训练，当连续n代训练模型的评价低于之前训练的最好结果时，立即停止模型的训练，这样就可以避免继续训练导致误差继续增大，激活函数选用线性整流函数（ReLU），采用Adam 优化器对MLP 神经网络模型进行训练［30-34］。Adam 是一种基于低阶矩自适应估计的一阶梯度随机目标函数优化算法，该方法易于实现，计算效率高，内存需求少，非常适合于数据或参数较大的问题，同时也适用于非平稳目标和非常嘈杂或稀疏梯度的问题。

使用均方误差（MSE）评价标准对模型进行评价，其公式为：

2 结果与讨论

2.1 基于多层感知机的SCR脱硝系统预测建模

采用基于多层感知机对SCR脱硝系统预测建模需对时间步长、网络层数、隐藏层节点数及训练批次数据量大小进行优化。

时间步长调参结果如图1所示，计算时模型采用2个隐藏层，每个隐藏层节点数为5。

由图1 可以看出，时间步长设置太小或太大都会导致MSE较大，当时间步长为3时，训练集和测试集的MSE 较小。在保证模型精度的情况下，考虑计算所需时间和资源，最终选择模型的时间步长为3。

图1 时间步长调参结果Fig.1 Parameter adjustment results of time step-length

神经网络隐藏层数量优化如图2 所示，模型的隐藏层节点数为5，时间步长为3。

图2 隐藏层个数调参结果Fig.2 Parameter adjustment results of the number of hidden layers

由图2 可以看出，隐藏层个数除了1 层之外，其他2至5层MSE误差均相差不大，在保证模型精度的情况下，考虑计算所需时间和资源，最终选择隐藏层个数为2。

神经网络每个隐藏层节点数优化如图3所示，隐藏层个数为2个，时间步长为3。由图3可以看出，每个隐藏层个数为1个和2个时，模型效果很差，验证集MSE误差分别为31和29，当隐藏层节点数在3个至5个时，模型的效果提升明显，验证集MSE 误差分别为0.189、0.191和0.193，因此确定最终每个隐藏层节点数为3个。

图3 不同节点数调参结果Fig.3 Parameter adjustment results of the number of different nodes

经过对模型参数的调整，最终确定多层感知器结构为：时间步长为3，隐藏层数为2，隐藏层节点数为3，激活函数选用ReLU，其训练过程如图4 所示，可以看出，在第12 代-15 代的评价指标已不下降，并在50 代时停止了训练。

图4 MLP训练过程Fig.4 Training process of MLP

图5显示了模型在测试集上的预测效果和误差分布，可以看出，预测值与实际值基本吻合，相关系数达到了0.99，绝对误差在0 附近波动，波动范围不大，说明训练出来的模型有很好的预测能力。

图5 SCR出口NOx值预测效果Fig.5 Prediction effect of NOx concentration at SCR outlet

图6为测试集的预测值与实际值之间误差的频率分布图，可以很明显地看出测试集的误差呈期望值为0 的正态分布，约有78.78%测试集样本的误差绝对值位于±0.5 mg/Nm3之间，有18.5%测试集样本的误差绝对值位于±0.5 mg/Nm3至±1 mg/Nm3之间。

图6 MLP模型训练误差频率Fig.6 Training error frequency of MLP model

2.2 基于多层感知机的SCR脱硝系统模型阶跃测试

为进一步验证模型的效果，针对多层感知机模型还做了阶跃测试，以验证不同特征变化下，SCR 出口NOx值的响应情况，具体阶跃效果如图7所示。

图7 展示了SCR 喷氨阀门开度特征阶跃效果，针对不同的SCR 喷氨阀门开度阶跃幅度，模型均做出合理且平滑的响应。SCR喷氨阀门开度阶跃+0.5%，SCR出口NOx值降低-0.36 mg/Nm3，SCR 喷氨阀门开度阶跃+1%，SCR 出口NOx值降低0.72 mg/Nm3，SCR 喷氨阀门开度阶跃+1.5%，SCR 出口NOx值降低0.36 mg/Nm3，SCR 喷氨阀门开度阶跃+0.5%，SCR 出口NOx值降低1.09 mg/Nm3，SCR 喷氨阀门开度阶跃-0.5%，SCR 出口NOx值升高0.37 mg/Nm3，SCR 喷氨阀门开度阶跃-1%，SCR 出口NOx值升高0.74 mg/Nm3，SCR 喷氨阀门开度阶跃-1.5%，SCR出口NOx值升高1.1 mg/Nm3。