基于极端随机树和声波测温的电站锅炉NO x 排放预测方法

陈建均，陈婷婷

（深圳东方锅炉控制有限公司 技术部，四川 成都611731）

0 引 言

在我国，火力发电仍然占据发电体系的核心地位，NOx排放是燃煤锅炉的主要污染物之一。为保证其达标排放，目前燃煤电站一方面采用低氮燃烧技术来减少NOx的生成量，另一方面采用选择性催化还原（SCR）技术对燃烧后的烟气做进一步脱硝处理，保证电站环保运行。 及时、准确地预测炉膛出口，即脱硝系统入口处的NOx浓度变化，一方面可以据此合理安排和调整炉内燃烧过程，减少NOx的生成量；另一方面也可以为具有大迟延特性的SCR脱硝系统提供更为有效的前馈控制信号，以及时调整喷氨量，有效提升脱硝系统的控制效果。 因此，及时、准确地预测炉膛出口NOx含量，对实现NOx从生成到脱除的全流程优化都具有重要意义。

随着人工智能技术的迭代发展，基于智能算法的数据驱动建模在脱硝系统中得到了广泛应用，其中主要有人工神经网络（ANN）、支持向量机（SVM）、深度学习等。 于静［1］基于结构改进径向基函数（RBF）神经网络（IRBFNN）建立了电厂SCR入口氮氧化物浓度预测模型。 张媛媛［2］等针对大型机组在超低负荷下实现NOx超低排放的需求，利用BP神经网络构建了NOx排放质量浓度预测模型，并采用遗传算法（GA）优化网络权值阈值。 周慎学［3］等利用改进最小二乘支持向量机训练时间短、泛化能力高等特点，建立了电站锅炉燃烧模型，实现了NOx排放量的软测量和预测。 周昊［4］等应用核心向量机（CVM）建立了超超临界锅炉的高维大数据NOx排放特性模型，克服了传统燃烧优化算法受制于小样本建模的缺点。 刘菡［5］等通过计算影响NOx排放的特征变量之间的互信息设计特征变量间的邻接关系，构建了基于图卷积神经网络的NOx排放MI-GCN预测模型。 虽然ANN算法在NOx预测建模中有其独特的优势，但其容易陷入局部优化和过拟合。而SVM算法一般为离线学习，对训练数据的质量和全面性要求比较高，如果训练数据不能遍历则存在不稳定性［6］。 机器学习算法对大批量高维时序数据具有很好的处理能力，近年来被广泛应用于集成学习、模型预测中。 邢红涛［7］等提出一种基于偏最小二乘（PLS）变量选择和XGBoost组合模型的NOx排放预测模型，对燃煤机组实际运行提 供了 有 益指 导。 李 阳［8］等提 出 一 种 基 于Stacking算法集成模型的NOx排放预测方法，将门控循环单元、XGBoost和随机森林等多个学习能力强、差异度大的模型进行融合，让每一种单一模型发挥出各自的优势，实现锅炉NOx排放精准预测。

以上大数据驱动的建模方法并未对NOx生成机理进行深入研究，而是通过挖掘影响NOx排放的特征参数的历史运行数据来构建模型，因此，辅助参数的选择对预测性能起重要作用。 在锅炉实际运行中，炉膛温度是影响NOx排放的一个重要因素，但受限于测温条件及技术，研究人员一般很难直接获取和利用这一重要信息，只能通过其它变量间接代替炉温的作用效果，这一定程度上增加了模型复杂度，影响了模型预测精度。 马平［9］等将炉膛声波测温信息加入建模过程中，有效提高了煤粉锅炉SCR入口NOx浓度的预测精度。 故本文结合声波测温技术，提出一种基于极端随机树（extremely randomized trees，ET）的NOx预测模型，为实现锅炉在线燃烧优化与NOx低排放提供基础。

1 声波测温系统

本文采用所开发的ATMB声波测温系统，利用声波信号在气体介质中传播速度与温度的关系来求解炉膛温度及其温度场。 气体介质中两者关系式为：

式中：c为声波速度，m/s；γ为气体比热指数；R为气体常数，J/（mol·K）；M 为气体摩尔重量，kg/mol；T为介质温度，K；L 为声波传播距离，m；t为声波传播时间，s；Z为烟气相关系数。

声波收发器布置完成后可确定每条声波传播路径长度L，然后实时测定声波穿越路径所需的飞度时间t，根据式（2）计算声波传播通道上的平均线温度T。 若干条测温线相互交叉构建一个线温度网，再根据温度场重建算法即可复原炉膛断面温度［10］，声波测温系统测点布置及炉膛断面温度划分矩阵如图1 所示。

图1 声波测温系统测点布置

2 极端随机树

本文采用极端随机树（ET）模型作为回归预测模型。 极端随机树是Geurt等针对随机森林自举取样方式造成样本不能保证充分被利用，导致决策树之间相似性高而提出的一种集成学习算法，也属于Bagging学习机制。 极端随机树每棵树都由全部原始数据进行独立训练，提高了训练样本的利用率，并且在节点分裂时随机选择分叉值，并没有遵循选取最佳分裂阈值或特征的划分准则，增加了决策树间的差异性和随机性。 因此，极端随机树既具备了随机森林善于处理多维数据集、自动选择特征的能力，又降低了算法对噪声的敏感性，增强了泛化能力。

Bagging学习机制通过对原始训练集多次随机采样得到多个采样集，再利用这些采样集训练出多个弱学习器，最后通过集成策略将弱学习器组成一个强学习器进行预测。 极端随机树以全部样本作训练集，以CART决策树作基础弱学习器模型，以弱学习器结果的均值为最后输出结果。ET算法具体流程主要如下：

步骤1：建立初始节点。 准备样本集Cx（x=1…T），T为基分类器数量，对于每个样本Cx，随机无放回从M个特征属性中抽取m（m≪M）个特征属性，构造T个决策树初始模型。

步骤2：获取随机特征下的最佳分裂值。 对于单个决策树模型，使用数据集Cx独立进行训练，分裂节点时，决策树模型中每个特征属性都随机生成一个分裂阈值，然后计算分叉值。 针对模型数值特性，以均方误差最小作为分叉值，对比所有特征分叉值后选出最优值，并以此最优值对应的特征实现节点分叉。

步骤3：重复执行步骤2，进一步对节点进行划分，直至不可再分，此时获得一棵ET模型，重复T次，生成所有ET。

步骤4：集成所有ET模型并采用均值法获得回归模型的预测结果

其中，fx为第x棵决策树的预测结果。

3 基于声波测温和ET的NO x 排放建模

本节首先建立以极端随机树模型为基础的NOx排放预测模型，并与随机森林（RF）算法模型进行比较体现其优越性；然后引入炉膛声波测温数据，以进一步提升NOx排放的预测效果。 为了衡量模型精度，量化其训练和测试效果，选用典型的平均绝对误差（MAE）、均方根误差（RMSE）和决定系数（R2）作为评价指标。 如式（4） -式（6）所示：

式中：yi为实际输出；为预测输出；n 为样本个数。

3.1 研究对象与数据获取

本文借助某电厂1 号锅炉上进行热态试验得到的数据，基于声波测温和ET算法建立锅炉NOx排放预测模型。 试验对象为330 MW 亚临界自然循环燃煤锅炉，单炉膛∏型露天岛式布置，燃烧器布置于下炉膛前后拱上，W 型火焰燃烧方式，尾部双烟道结构，固态排渣，全钢结构，全悬吊结构，平衡通风，中间一次再热，使用挡板调节再热汽温。

影响NOx形成的主要因素为燃烧温度、燃料特性、烟气在高温区停留的时间等，炉膛稳态运行工况下不考虑燃煤特性的变化，燃料特性、燃料热值、煤质数据等影响。 基于NOx生成机理与该电厂锅炉特征分析，选取的建模参数包括：与给煤机有关A/B/C/D四个给煤机共计8 维参数，描述一次风粉量的分配方式对NOx排放的影响；二次风量共8 维参数，描述二次风配方方式对NOx排放特性的影响；反映燃烧器摆角的C/F挡板开度共计24 维参数，用以描述燃烧器配风方式对NOx排放特性的影响；A/B两侧燃尽风共4 维参数，描述燃烬风对NOx排放特性的影响；其余包括省煤器出口的烟气和给水温度、负荷、主汽压力和温度、炉膛出口烟气温度、总风量、总煤量等参数，模型输入参数共计52 维。 模型输出参数为对应工况的A/B侧的NOx排放。

试验数据经剔除异常波动与冗余数据后筛选出运行数据共4700 组，取4200 组为训练集，500组为测试集。 部分试验数据分布范围如表1 所示。

表1 部分试验数据分布范围

3.2 ET建模

基于ET算法所建模型的结果如图2 和图3所示。 图2 为训练集样本测试效果，可以看到预测值与实际值拟合程度较高，曲线基本重合，且在SCR入口NOx浓度动态变化时，ET预测模型也表现出较强的跟踪能力，可以完全预测其变化趋势，表明ET算法模型对训练数据具有较强的学习能力。

图2 ET模型训练结果

图3 为ET模型测试集预测效果，可以看到，部分预测值与实际值略有偏差，但整体预测精度较高，且在SCR入口NOx浓度随时间动态变化时，模型预测性能表现良好，这证明ET算法模型具有较好的表达和泛化能力，基本能准确地反应模型输出实时变化趋势，适用于炉膛NOx排放的预测。

图3 ET模型测试结果

为进一步验证ET模型的预测能力，采用同一组数据集对RF模型进行训练和测试，并与ET作对比。 两种模型测试集预测结果如图4 和图5所示。 由图可知，在一定时间范围内，ET和RF模型都可以有效构建NOx生成相关变量与SCR入口NOx未来趋势之间的映射关系，但随机森林模型误差波动范围较大，表明该模型预测结果较差。 相对来说，ET模型预测精度更高，主要分布在［ -3，3］mg/m3之间，这说明ET在处理大规模建模数据时，能随机划分出更代表模型回归特征的决策树，大幅提升了ET模型的泛化能力。

图4 不同模型测试集预测结果

图5 不同模型测试集误差分布

不同预测模型的精度指标如表2 所示。

表2 不同模型精度指标

对比各项误差指标可知，基于ET算法的NOx排放预测模型因其较RF算法具有更强的泛化能力和抗干扰能力使其预测精度更高，在对NOx排放预测问题上比RF算法更具稳定性和优越性。

3.3 结合炉膛声波测温信号的ET建模

烟气中的NOx主要分为燃料型、热力型和快速型三种。 其中，热力型NOx是空气中的氮气在炉膛高温的环境中氧化产生的，低温时热力型NOx几乎不会产生，当炉膛中的温度升至某一值时，热力型NOx的生成速率和生成量将呈指数级快速增长，由此可见，炉膛温度对热力型NOx的产生起着关键性的作用。 三种NOx的生成量和锅炉温度的趋势如图6 所示，从图中可以看出，炉膛温度与三者的生成量呈正相关，热力型NOx尤为明显。 因此，炉膛温度与NOx的生成有着密不可分的联系，但是在已有NOx预测模型的研究中，由于测量技术局限难以实时获取炉膛温度，研究人员无法有效利用这一重要信息，而只能用其他相关变量拟合炉温的作用，这增加了输入参数的复杂度进而导致预测模型建立不够准确。 本研究基于开发的炉膛声波测温系统，能够实现对炉膛温度数据的实时测量与采集。 以下通过将这一重要信息引入NOx预测模型，以进一步预测准确性。

图6 NO x的生成量和锅炉温度的关系

图7 和图8 为引入炉膛温度信息前后ET模型预测误差分布图，可以看到未加入声波测温数据前的测试集中仅有约53%的误差绝对值小于4，91.8%的误差值小于2，而引入炉膛温度的ET模型测试集绝对误差值更加集中，主要在0附近波动且相对稳定，其中绝对值小于4 的占80%，绝对值小于2 为96.4%，模型预测精度有明显提高。

图7 引入炉膛温度信息前后模型误差分布

图8 引入炉膛温度信息前后模型误差分布

表3 为引入炉膛温度信息后的模型优化结果。 可以看到，加入声波测温数据后，模型误差指标均有所下降，决定系数略有增大，表示模型整体预测性能得到进一步提升。

表3 引入炉膛温度信息前后的模型优化结果

4 结 论

基于声波测温系统检测炉膛温度信息建立了锅炉NOx排放的极端随机树预测模型，并利用历史运行数据进行验证，结果表明该模型能够准确地预测出NOx排放的变化趋势。 相比于随机森林模型，极端随机树随机选择分裂节点，增加了决策树间的差异性和随机性以增强模型泛化能力；引入炉膛温度这一影响NOx生成的重要信息，有助于进一步提升模型的预测精度，从而为在线优化锅炉燃烧系统与改善脱硝系统的调节品质打下基础。