SCR脱硝系统NOx浓度预测模型与应用

孙安良,武利斌,湛 戌,陈 宇,高 艳,李 力

(1.深能保定发电有限公司,河北 保定 072150;2.中国科学院声学研究所,北京 100190;3.中科汇能(苏州)电子科技有限公司,江苏 苏州 215163)

0 引言

中国经济发展的需要推动了火电厂发电量的迅速增长,同时,排放的NOx也随之增加,导致大气污染严重。为了控制火电厂NOx的排放,大型发电企业对NOx排放采取了一系列措施。常用的措施包括燃烧前脱硝(燃料脱氮及低氮燃料掺烧、低氮燃烧、富氧燃烧)和燃烧后脱硝(烟气脱硝技术)[1-3]。烟气脱硝技术的系统目标与调节手段明确,具备闭环运行条件,已成为火电行业的主要脱硝手段。选择性催化还原(selective catalytic reduction,SCR)烟气脱硝方法因其完善高效的技术特点在火电厂中得到了普遍的应用[4-5]。

SCR系统是一个复杂控制系统,影响因素众多,涉及到流动、脱硝反应机理、系统参数匹配与耦合等多方面,单一控制手段难以达到较好的控制效果。而依托现场数据应用不同方法所建立的脱硝子系统模型与整体SCR脱硝系统模型共同构成的反应脱硝特性模型体系,可以较为完整准确地描述系统行为,取得了很多成果[6-9]。

在掌握SCR系统特性的基础上建立预测模型,使智能电厂的烟气处理得到优化控制[10-11]具有重要的研究意义。搭建精确的NOx出口浓度预测模型是优化控制的基础,研究者们纷纷在SCR脱硝系统氮氧化物预测上展开研究。

崔超等[12]将BP与LSSVM融合,BP可以筛选关联性强的输入特征参数作为LSSVM输入量,同改进前的LSSVM对比提高了其适用性。王桂林等[13]利用SVM构建脱硝系统进口NOx浓度的预测模型,继而获取所需喷氨的相关性模型。王博等[14]在SVM模型上做出改进,提出了支持向量回归(SVR)模型,预测准确率大大提高。周洪煜等[15]将部分递归动态神经网络添加在径向基网络的隐藏层,设计混合RBF模型学习控制算法,预测准确性提升的同时计算量也增加了,实时性差。在大量的时序数据驱动下,人工神经网络预测容易陷入局部收敛问题。近年新兴的长短期记忆(long short term memory,LSTM)神经网络可以很好地解决这个问题,有利于SCR脱硝系统氮氧化物出口浓度预测。杨国田等[16]利用LSTM网络搭建了NOx排放浓度的预测模型;钱虹等[17]利用深度循环网络,结合LSTM长短期记忆能力,构建出稳定性高的模型。文献[18]提出基于深度双向LSTM的SCR系统NOx出口浓度预测模型,在国内某325 MW发电机组的运行数据支撑下进行仿真实验,体现了预测快、精度高的优势。

针对传统数据模型在SCR脱硝系统NOx出口浓度预测中精度低、拟合性差等问题,建立了利用注意力机制(attentional mechanism,AM)优化LSTM神经网络算法的氮氧化物出口浓度实时预测模型。以深能保定某350 MW锅炉为例,选择从电厂分散控制(DCS)系统中获得的SCR脱硝系统相关的热工数据进行分析,将其中的有效数据提取出来,为后续的NOx出口浓度预测建模提供样本基础。再根据训练好的模型预测其他工况下的NOx出口浓度,实现对SCR脱硝系统氮氧化物出口浓度的精确预测,为电站锅炉实现喷氨优化控制提供有效参考。

1 SCR脱硝系统

以深能保定某350 MW机组氨法SCR脱硝系统为例,SCR 脱硝装置主要分成2大分系统:布置于锅炉尾部的SCR系统和远离锅炉房布置的尿素水解制氨系统。水解器后氨气的温度为140～180 ℃,压力为0.3～0.6 MPa,经过暖风器加热后的稀释空气(160 ℃左右)通过氨/空气混合器与氨充分混合均匀,最后接入氨注射系统的氨喷射格栅,进入脱硝反应区,锅炉烟气和稀释后的氨气在SCR反应容器内发生细化还原反应,转化为无污染的氮和水化合物,从而实现了锅炉烟气脱硝。

2 基于AM-LSTM的NOx出口浓度预测模型

2.1 LSTM神经网络

SCR脱硝反应过程得到的历史数据具有动态特性和时序性,NOx排放浓度不仅取决于当前工况的载荷、喷氨量、进口NOx浓度等,还与历史工况的相关因素相关性密切。故NOx排放浓度预测是一个经典的时间序列预测问题。而传统神经网络在长期大量的时间序列数据输入情况下,会产生梯度爆炸和梯度消失,无法获取长期高准确率的预测模型。为了解决这一问题,LSTM神经网络应运而生[19]。LSTM神经网络结构如图1所示。

图1 LSTM神经网络结构

LSTM网络的单元更新过程如下:

首先,单元中第一个σ对应LSTM神经网络中的遗忘门,它决定了从单元状态中丢弃的信息,遗忘门的计算公式为:

ft=σ(wf[xt,ht-1]+bf)

(1)

然后,第二个σ对应LSTM神经网络的输入门,其对应单元状态中更新的信息,输入门计算公式为:

it=σ(Wi[ht-1,xt]+bi)

(2)

ct-1=tanh(Wc[ht-1,xt]+bc)

(3)

ct=ft*ct-1+it*ct-1

(4)

最后,输出门输出单元状态值,其计算公式为:

ot=σ(Wo[ht-1,xt]+bo)

(5)

ht=ot*tanh(ct)

(6)

式中:ft、it、ot分别代表t时刻的遗忘门、输入门、输出门的LSTM单元状态;ht表示t时刻LSTM输出,W为权重矩阵,b为偏置值,tanh和σ为激活函数。

2.2 AM

所研究的SCR脱硝系统出口氮氧化物浓度预测计算量大,关联性强,LSTM易出现信息过载,计算复杂度高,记忆力差的问题。为了解决这一问题,引入AM来优化LSTM网络结构,将有限的信息处理资源分配给重要部分,以提高网络自适应能力。AM起源于人类视觉信息接收与处理机制,在大环境多信息状态下,主动接收重要信息,同时减少对无用信息的关注度。

AM的核心是对同一组事物分配不同的权重,根据相互关联性程度进行排序,经过AM引入神经网络模型中这一操作,能够减少对其他信息的关注度进而处理了信息过载的问题。

将输入为时间序列的SCR脱硝系统的参数信息作为向量x1,x2,…,xt送入LSTM单元,AM将得到的LSTM层输出向量h1,h2,…,ht进行加权变换,通过学习更新不同信息的权重,计算公式如下:

et=tanh(w·ht+b)

(7)

(8)

式中:αt为各时间输入信息的注意力权重,et是ht与最终隐藏状态的相似度,w表示网络的权重矩阵,b表示偏置量,M表示时间窗口长度。

(9)

AM优化后的LSTM神经网络结构如图2所示。

图2 AM优化后的LSTM神经网络结构

AM-LSTM使用SCR脱硝系统得到的窗口Sizew的历史数据,预测未来时间段M的SCR脱硝系统出口NOx浓度,通过LSTM提取历史数据中的特征作为隐藏状态hw,AM重新分配权重,更新后的隐藏层状态为h′w,最后经过维度变换通过全连接层输出M时间段的NOx出口浓度。

2.3 基于AM-LSTM的NOx出口浓度预测模型的构建

构建基于AM-LSTM的NOx出口浓度预测模型的整体结构,如图3所示。

图3 AM-LSTM脱硝系统NOx出口浓度预测模型整体结构

在SCR脱硝系统中,烟气出口NOx浓度是具有非线性、时变性的时间序列数据,故若要对其实现精确预测,不仅需要考虑输入输出参数之间的联系,还需考虑这些参数在时间维度的变化。

LSTM神经网络能有效地解决传统神经网络中阶梯消失和阶梯爆炸的难题,实现长时间的存储。同时LSTM的泛化能力强大,在解决非线性问题过程中,也具有很大的优越性。AM通过与LSTM隐藏层输出相结合,丰富了LSTM网络的深度,通过分配权重使神经网络训练预测计算得到最大化利用,提高了预测模型的性能。

3 模型验证及分析

3.1 数据来源

使用的数据来源于深能保定某350 MW机组的历史运行记录。选取该机组SCR脱硝反应器正常运行下的1周数据,采样间隔为5 s,共有20 000多组初始数据样本。

根据SCR脱硝过程机理先验知识[20],基于历史数据分析,结合工程经验和机理模型,选择入口NOx浓度、入口氧量、反应器温度、喷氨量的时间序列数据为输入辅助变量集,选择出口NOx浓度为预测输出。模型参数见表1。

表1 模型参数

3.2 模型评价指标

为了评估预测模型精度,采用平均相对误差(mean relative error,MRE)、平均绝对百分比误差(mean absolute percentage error,MAPE)、均方根误差(root mean square error,RMSE)作为预测模型的评价指标。计算公式如下:

(10)

(11)

(12)

3.3 数据处理

3.3.1小波阈值去噪

受环境、仪器等因素影响,数据信号采集过程伴有噪声。采样数据采用小波阈值去噪法,对从电厂DCS中获取的20 000多组数据样本进行降噪处理。

小波阈值去噪法工作原理是首先设置一个值作为小波系数阈值,区分数据信号噪声的大小,提取和保留大于该阈值的有用信号,摒弃小于该阈值的噪声。含噪声的一维信号模型如下:

f(t)=s(t)+n(t)

(13)

式中:s(t)为原始信号;n(t)为方差是σ2的高斯白噪声,服从N(0,σ2)分布。

以部分参数为例,原始信号与去噪后信号如图4所示。

图4 原始信号与去噪信号

通过工况选择、数据清洗等数据挖掘过程,得到包含机组典型工况的2 000组数据,其中,预测模型性能对比测试的训练集和测试集比例设为 8∶2。

3.3.2数据归一化

为了避免部分较大的数据影响预测精度的最终结果,各数量级采用最大最小归一化(min-max归一化)处理。最大最小归一化是对原始数据进行线性变换,使其值映射到[0,1]区间。归一化处理函数如下:

(14)

式中:xmax、xmin分别为数据集的最大值、最小值。

3.4 模型参数设置

在对数据归一化处理后,对AM-LSTM网络模型的损失函数、优化器、传递函数及模型参数进行选择和设置。

损失函数选择:在AM-LSTM网络模型训练过程中,通过损失函数计算得到模型误差。采用均方根误差作为模型的损失函数,公式如下:

(15)

优化器选择:用优化器寻找误差最小值,更新模型权重,最终获得收敛的LSTM模型。采用的自适应动量估计( adaptive moment estimation,Adam) 优化器可以根据过滤震荡后的真实历史梯度(一阶矩加权均值)和历史梯度的震荡情况(二阶矩加权均值)对变量进行更新,计算高效且所需内存小。

传递函数选择:选择收敛速度快、输出范围广的tan-sigmoid函数作为输入层与隐含层的传递函数。AM-LSTM网络模型参数设置包括输入层节点数、输出层节点数、隐含层数、隐含层节点数、步长、迭代次数、随机失活、学习率。模型的具体参数如表2所示。

表2 网络模型参数

3.5 模型结果与分析

为验证AM-LSTM算法的有效性,将该算法与RNN和LSTM算法进行对比实验。基于Pycharm平台,使用Python语言,分别构建了基于RNN、LSTM、AM-LSTM网络的SCR脱硝出口NOx浓度预测模型。将处理后的样本数据集输入预测模型,得到基于3种算法的SCR脱硝系统出口氮氧化物浓度预测结果,如图5—图7所示。

图5 RNN模型预测结果

图6 LSTM模型预测结果

图7 AM-LSTM网络模型预测结果

基于预测实验,可得3个预测模型的性能评价指标,如表3所示。

表3 3种预测模型评价指标

由图5—图7和表3可知:

1) MRE用于描述模型预测值和真实值的误差值。相对于RNN和LSTM,AM-LSTM网络预测模型的MRE值由9.89%和7.34%降低到5.76%,误差明显降低,说明加入AM能够提高LSTM的预测精度。

2) MAPE表示预测结果较实际值平均偏离程度。相对于RNN和LSTM,AM-LSTM网络预测模型的MAPE值分别降低了35.75%和12.53%,说明加入AM后,AM-LSTM网络预测模型能更准确描述SCR脱硝NOx系统的动态特性。

3)RMSE值越大,泛化能力越差。RNN网络RMSE值为4.011%,LSTM网络RMSE值为2.562%,AM-LSTM网络RMSE值最小,为1.758%,说明加入AM后,大大提升了预测模型的泛化能力。

结果表明,AM-LSTM预测模型预测精度更高,泛化能力更强,能够准确描述SCR脱硝系统NOx出口浓度的动态特性。

4 结论

针对SCR脱硝系统预测模型精度低、稳定性差的问题,引入AM优化LSTM网络结构,合理分配有限的信息处理资源。基于深能保定某350 MW 机组的历史运行数据,进行去噪和标准化处理,实验验证表明,提出的基于AM-LSTM网络的出口NOx浓度预测模型预测精度更高,泛化能力更为优秀。通过对影响SCR反应的相关因素进行筛选和分析,优化模型输入参数,AM-LSTM模型有望应用到更多参数的大系统脱硝场景。