基于RF-LSTM混合神经网络的固废焚烧烟气排放浓度预测研究

摘要：固废焚烧会产生有毒有害烟气，烟气排放浓度预测可以辅助固废焚烧工艺参数的高效调整。自编码器（Autoencoder，AE）、卷积神经网络（Convolutional Neural Networks，CNN）和长短期记忆（Long Short-Term Memory，LSTM）网络是3种常见的人工神经网络，而随机森林（Random Forest，RF）是一种高度灵活的机器学习算法。基于RF和LSTM网络，构建混合神经网络模型，结合成都市某固废焚烧发电厂运行工况数据，开展氮氧化物（NOx）浓度预测与分析。结果表明，RF-LSTM模型的均方根误差、平均绝对误差较AE-LSTM模型分别减少38.58%、46.56%，较CNN-LSTM模型分别减少23.77%、31.96%；RF-LSTM模型的决定系数较AE-LSTM模型增加22.54%，较CNN-LSTM模型增加16.00%。原始样本进行插值补缺时，步长为3 h的RF-LSTM模型预测精度最高，能够有效预测NOx排放浓度。

关键词：固废焚烧；烟气排放浓度；预测；混合神经网络模型

中图分类号：X512 文献标识码：A 文章编号：1008-9500（2024）08-00-03

DOI：10.3969/j.issn.1008-9500.2024.08.016

Study on Prediction of Flue Gas Emission Concentration of Solid Waste Incineration Based on RF-LSTM Hybrid Neural Network

HAO Qinzheng， CUI Lizhang， LI Xinzhou

（Chengdu Xingrong Renewable Energy Co.， Ltd.， Chengdu 610063， China）

Abstract： The incineration of solid waste produces toxic and harmful flue gas， and predicting the concentration of flue gas emissions can assist in the efficient adjustment of process parameters for solid waste incineration. Autoencoder （AE）， Convolutional Neural Networks （CNN）， and Long Short Term Memory （LSTM） networks are three common artificial neural networks， while Random Forest （RF） is a highly flexible machine learning algorithm. Based on RF and LSTM networks， a hybrid neural network model is constructed， combined with operational data from a solid waste incineration power plant in Chengdu city， to predict and analyze nitrogen oxide （NOx） concentration. The results show that the root mean squared error and mean absolute error of the RF-LSTM model are reduced by 38.58% and 46.56% respectively compared to the AE-LSTM model， and by 23.77% and 31.96% respectively compared to the CNN-LSTM model; the coefficient of determination of the RF-LSTM model increases by 22.54% compared to the AE-LSTM model and 16.00% compared to the CNN-LSTM model. When interpolating and filling in gaps in the original samples， the RF-LSTM model with a step size of 3 h has the highest prediction accuracy and can effectively predict NOx emission concentrations.

Keywords： solid waste incineration; flue gas emission concentration; prediction; hybrid neural network model

随着我国经济的发展，城市固废产生量逐年增长。焚烧发电是处理城市固废的高效方式，有助于保护环境[1]。环保指标检测结果相对于生产运行参数调整有一定的滞后性，因此要建立模型，反映焚烧、净化工艺参数与烟气排放浓度的关系，用以辅助生产运行参数的快速调整来控制烟气排放浓度，从而实现安全环保生产。近年来，环保政策对固废焚烧烟气排放管控愈加严格，研究视角逐渐从典型的现场工艺控制转向环保指标建模与预测。张瑛华等[2]采用Copula函数分析固废焚烧运行控制参数与酸性气体排放浓度的相关性，建立反向传播（Back Propagation，BP）神经网络模型，预测某固废焚烧电厂酸性气体排放浓度，但长时间序列预测需要频繁调整模型参数，实用性有待提升。

目前，常见的人工神经网络有自编码器（Autoencoder，AE）、卷积神经网络（Convolutional Neural Networks，CNN）和长短期记忆（Long Short-Term Memory，LSTM）网络等类型，而随机森林（Random Forest，RF）是一种高度灵活的机器学习算法。苏盈盈等[3]提出AE-LSTM混合神经网络模型，蔡庙辉等[4]提出CNN-LSTM混合神经网络模型，二者均利用LSTM神经网络模型的特点来优化固废焚烧烟气排放浓度预测模型，如长期记忆能力、低梯度消失能力、长序列处理能力和较少的训练数据需求，相比传统BP神经网络模型，预测精度明显提升。参考相关模型，建立RF-LSTM混合神经网络模型，从特征工程优化角度进一步提升固废焚烧烟气中氮氧化物（NOx）排放浓度的预测精度。

1 数据与方法

1.1 数据来源

研究数据来源于成都市某固废焚烧发电厂。该厂配置4座垃圾焚烧炉和2台发电机组，采用往复式炉排炉，日处置规模为3 000 t，烟气净化采用选择性非催化还原脱硝+半干法脱酸+活性炭吸附+选择性催化还原补充脱硝+布袋除尘的组合工艺。根据烟气排放连续监测系统和分散控制系统的数据质量，选择2023年10月1日至2024年4月30日的垃圾焚烧炉平均温度、压力、出口温度、出口烟气流量、出口烟气含氧量等工况数据以及NOx小时浓度数据作为原始样本集。

1.2 数据处理

原始样本集进行预处理时，首先需要对数据进行清洗和补缺。原始样本集受采集传感器故障影响，数据缺失存在随机性，因此可以通过已采集的数据进行相关性分析和插值。采用多重插补法进行插值补缺，通过计算5组步长（1 h、2 h、3 h、4 h和5 h）的邻近域均值来估计缺失值，并按照5组数据集与原始样本集的相关性，择优插值补缺。垃圾成分与发酵时间的测定困难，而且入炉垃圾的热值历年来基本恒定，故将焚烧炉温度（℃）、焚烧炉负压（kPa）、氨水喷射流量（L/h）、催化格栅层压强（kPa）等89个剩余特征参数作为原始特征样本进行归一化处理，并作为特征输入RF模型，借助训练结果的特征重要性（Feature Importance，FI）来评估需要保留的特征集，最终选择保留FI大于0.2的6个特征，结果如表1所示。

1.3 建模方法

作为一种分类器，RF算法可以利用多棵决策树对样本进行训练和分类。LSTM网络是一种基于时间序列的循环神经网络，可以预防梯度爆炸、梯度消失等问题，已被广泛运用于预测回归研究。构建RF-LSTM混合神经网络模型，预测流程如图1所示。首先，利用特征工程对原始样本集进行处理，完成数据清洗、缺失值插补以及特征选择；其次，将预处理数据按照7∶3的比例划分为训练集和测试集；接着，将训练集输入RF模型，用RF模型训练后的输出特征作为LSTM模型的输入，并开始训练；最后，使用测试集对训练好的RF-LSTM模型进行评估，完成评估优化后即可得到RF-LSTM混合神经网络模型，用以预测NOx排放浓度。

1.4 评价方法

NOx浓度预测本质是预测回归问题，所以按照预测回归类型的评价指标，选择均方根误差、平均绝对误差以及决定系数对模型进行评价。其中，均方根误差采用式（1）进行计算，平均绝对误差采用式（2）进行计算，决定系数采用式（3）进行计算。均方根误差可以衡量样本预测值与真实值的偏差，平均绝对误差可以衡量样本预测值与真实值的平均绝对差异，决定系数可以衡量样本预测值与真实值的拟合程度。

（1）

（2）

（3）

式中：e1为均方根误差；e2为平均绝对误差；r为决定系数；n为样本个数；yi为第i个样本的真实值；为第i个样本的预测值；y0为所有样本的平均值。

2 结果与分析

为了更好地评价RF-LSTM混合神经网络模型，在使用该模型对原始样本集进行处理的同时，采用AE-LSTM混合神经网络模型和CNN-LSTM混合神经网络模型对原始样本集进行处理。

2.1 预测结果评价

根据RF-LSTM模型、AE-LSTM模型和CNN-LSTM模型对NOx排放浓度的预测结果，通过计算确定评估指标值，如表2所示。其中，相较AE-LSTM模型，RF-LSTM模型的均方根误差减少38.58%，平均绝对误差减少46.56%，决定系数增加22.54%；相较CNN-LSTM模型，RF-LSTM模型的均方根误差减少23.77%，平均绝对误差减少31.96%，决定系数增加16.00%。由此可见，与其他两种模型相比，RF-LSTM模型对NOx排放浓度的预测效果更佳。

2.2 影响因素分析

为了确定不同插值补缺步长对NOx浓度预测的影响，计算5组步长（1 h、2 h、3 h、4 h和5 h）的邻近域均值来估计缺失值，择优插值补缺，然后对比RF-LSTM模型NOx浓度预测效果。结果表明，当插补步长小于3 h时，均方根误差、平均绝对误差和决定系数均稳步提升，最大值分别达到8.86、8.03和0.87。当插补步长超过3 h时，均方根误差、平均绝对误差和决定系数的变化率均加快，逐渐偏离理想预测结果。因此，为了确保RF-LSTM模型NOx浓度预测效果最佳，插补步长取3 h。

3 结论

烟气排放浓度预测模型的建立可以有效促进固废焚烧发电厂提前准备工艺参数控制与调整策略，减少NOx排放量。RF-LSTM混合神经网络模型将RF算法与LSTM网络相结合，具有处理时间序列数据的优势，可以解决过拟合、梯度消失、梯度爆炸和非平稳性突出等问题。与AE-LSTM模型和CNN-LSTM模型相比，RF-LSTM模型在时间序列数据处理和特征提取上表现出更好的预测精度和泛化能力，插补步长为3 h时，预测精度最高。

参考文献

1 汤 健，夏 恒，余 文，等.城市固废焚烧过程智能优化控制研究现状与展望[J].自动化学报，2023（10）：2019-2059.

2 张瑛华，王明峰，刘博洋，等.基于输入参数优化选择的BP神经网络预测垃圾焚烧酸性气体原始排放浓度研究[J].有色设备，2022（5）：1-4.

3 苏盈盈，张气皓，罗 妤，等.基于AE-LSTM混合神经网络模型的NOx排放预测[J].西南师范大学学报（自然科学版），2023（4）：23-31.

4 蔡庙辉，吴昌子，郇洪江，等.基于CNN-LSTM的垃圾焚烧炉烟气浓度预测方法[J].化学工业与工程，2024（2）：43-47.