基于LSTM神經(jīng)網(wǎng)絡(luò)的燃煤鍋爐熱效率預(yù)測(cè)方法

李佳鶴 ，徐 慧 ，張 靜 ，周獻(xiàn)軍

（1.杭州深藍(lán)數(shù)智科技有限公司，浙江 杭州 310053；2.浙江大華技術(shù)股份有限公司，浙江 杭州310053）

0 引言

工業(yè)鍋爐作為一種高耗能特種設(shè)備，主要為工業(yè)生產(chǎn)提供工藝蒸汽，是工業(yè)和社會(huì)必需的動(dòng)力機(jī)械，使用面廣、需求量大，每年能耗約合4～5億噸標(biāo)準(zhǔn)煤，每年消耗的能源約占我國(guó)能源消耗總量的1/4。2010年國(guó)家質(zhì)量監(jiān)督檢驗(yàn)檢疫總局頒布了《工業(yè)鍋爐能效測(cè)試與評(píng)價(jià)規(guī)則》《鍋爐節(jié)能技術(shù)監(jiān)督管理規(guī)程》，明確規(guī)定對(duì)鍋爐等高耗能特種設(shè)備進(jìn)行節(jié)能監(jiān)管，其中，對(duì)鍋爐熱效率的監(jiān)管尤為重要。

目前鍋爐熱效率測(cè)試方法主要依據(jù)《GB／T 10180-2003》[1]，該標(biāo)準(zhǔn)規(guī)定的鍋爐能效測(cè)試方法所需儀器設(shè)備較多、測(cè)試時(shí)間長(zhǎng)，加上燃料化驗(yàn)時(shí)間，得到測(cè)試結(jié)果一般需要15個(gè)工作日。一方面，該方法的測(cè)試結(jié)果具有一定的滯后性，不利于企業(yè)實(shí)時(shí)調(diào)整燃燒狀況；另一方面，該方法測(cè)試成本高，不便于企業(yè)監(jiān)測(cè)鍋爐使用狀況[2]。通過采集海量的鍋爐運(yùn)行歷史數(shù)據(jù)，分析各參數(shù)之間的相關(guān)性程度，從而尋找一種快速有效的鍋爐熱效率預(yù)測(cè)方法，對(duì)鍋爐使用單位實(shí)時(shí)掌握并調(diào)整燃燒參數(shù)，提高鍋爐燃燒熱效率有著重要的意義[3]。目前熱效率預(yù)測(cè)建立模型的主要方法有神經(jīng)網(wǎng)絡(luò)和支持向量機(jī)等[4-8]，李越勝、江政緯[9]提出了基于PSO-LSSVM算法的燃油工業(yè)鍋爐效率軟測(cè)量，預(yù)測(cè)結(jié)果表明基于粒子群優(yōu)化的最小二乘支持向量機(jī)模型能較為準(zhǔn)確地預(yù)測(cè)鍋爐效率。徐齊勝、羅勝琪[10]提出基于BP神經(jīng)網(wǎng)絡(luò)建立鍋爐燃燒預(yù)測(cè)模型，以排煙溫度和飛灰含碳量作為神經(jīng)網(wǎng)絡(luò)的目標(biāo)值，構(gòu)建了鍋爐燃燒過程仿真預(yù)測(cè)模型，具有一定的泛化能力。

鍋爐燃燒過程屬于持續(xù)性工藝流程，當(dāng)前運(yùn)行工況會(huì)受到前N個(gè)周期的工況時(shí)間序列疊加影響，現(xiàn)有技術(shù)方案從原理上都屬于淺層學(xué)習(xí)方法，無法深入挖掘鍋爐熱負(fù)荷數(shù)據(jù)的隨機(jī)性、滯后性和時(shí)間序列特征。LSTM（Long Short-Term Memory，長(zhǎng)短期記憶網(wǎng)絡(luò)），是一種時(shí)間循環(huán)神經(jīng)網(wǎng)絡(luò)，適合于處理和預(yù)測(cè)時(shí)間序列中間隔和延遲相對(duì)較長(zhǎng)的重要事件和規(guī)律特性。LSTM通過引入記憶神經(jīng)元，能夠?qū)﹂L(zhǎng)周期的持續(xù)性時(shí)間序列數(shù)據(jù)進(jìn)行深入挖掘，可以克服鍋爐持續(xù)性燃燒調(diào)整的工況疊加帶來的預(yù)測(cè)誤差。本文在研究鍋爐熱效率和主要影響參數(shù)相關(guān)性的基礎(chǔ)上，提出基于LSTM神經(jīng)網(wǎng)絡(luò)模型的燃煤鍋爐熱效率快速預(yù)測(cè)方法。

1 鍋爐熱效率的影響因素

燃煤鍋爐的熱效率受到多種熱損失的影響，以機(jī)械不完全燃燒損失q4受鍋爐燃燒狀況的影響最為復(fù)雜。因此，可通過收集鍋爐運(yùn)行中排出的煤灰和煤渣，檢測(cè)其中的含碳量，對(duì)比原料煤中含碳量的檢測(cè)數(shù)據(jù)，計(jì)算鍋爐熱效率，作為樣本的輸出數(shù)據(jù)。根據(jù)《GB／T10180-2003鍋爐反平衡分析法》，影響鍋爐熱效率的主要參數(shù)有：鍋爐負(fù)荷、省煤器出口氧量、各二次風(fēng)擋板開度、燃盡風(fēng)擋板開度、各磨煤機(jī)給煤量、爐膛與風(fēng)箱差壓、一次風(fēng)總風(fēng)壓等。

2 基于LSTM神經(jīng)網(wǎng)絡(luò)的鍋爐熱效率模型

構(gòu)建基于LSTM神經(jīng)網(wǎng)絡(luò)的鍋爐熱效率預(yù)測(cè)模型主要包括以下幾個(gè)步驟：

步驟一，選用現(xiàn)場(chǎng)DCS系統(tǒng)采集鍋爐負(fù)荷、省煤器出口氧量等參數(shù)，檢測(cè)煤灰和煤渣中的含碳量，按時(shí)間維度收集相關(guān)歷史數(shù)據(jù)，形成燃煤鍋爐熱效率訓(xùn)練的樣本集時(shí)間序列數(shù)據(jù)；

步驟二，對(duì)訓(xùn)練樣本中的影響因子數(shù)據(jù)和輸出數(shù)據(jù)進(jìn)行標(biāo)準(zhǔn)化處理；

步驟三，將標(biāo)準(zhǔn)化后的樣本數(shù)據(jù)序列輸入LSTM神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練，獲得長(zhǎng)短期記憶神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型；

步驟四，將鍋爐實(shí)時(shí)運(yùn)行數(shù)據(jù)輸入LSTM神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型，計(jì)算得出鍋爐熱效率預(yù)測(cè)結(jié)果。

2.1 數(shù)據(jù)標(biāo)準(zhǔn)化

建立預(yù)測(cè)模型之前，需要對(duì)訓(xùn)練數(shù)據(jù)集中的影響因子數(shù)據(jù)和輸出數(shù)據(jù)進(jìn)行標(biāo)準(zhǔn)化處理。由于鍋爐負(fù)荷、省煤器出口氧量等參數(shù)的值域范圍無法限定，不能預(yù)設(shè)最小值和最大值，因此采用Z-Score標(biāo)準(zhǔn)化方法對(duì)訓(xùn)練樣本進(jìn)行標(biāo)準(zhǔn)化，根據(jù)每一個(gè)特征的值落在均值上下的標(biāo)準(zhǔn)差來重新調(diào)整每一個(gè)特征值。標(biāo)準(zhǔn)化處理可以消除影響因子數(shù)據(jù)量綱差異對(duì)預(yù)測(cè)結(jié)果產(chǎn)生的影響。

Z-Score標(biāo)準(zhǔn)化處理計(jì)算公式為：

其中μ為X因子的平均值，σ為X因子的標(biāo)準(zhǔn)差，計(jì)算公式為：

其中：μ為X因子的平均值，n為X因子的樣本數(shù)量。

2.2 建立LSTM神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型

將標(biāo)準(zhǔn)化后的樣本數(shù)據(jù)序列輸入LSTM神經(jīng)網(wǎng)絡(luò)進(jìn)行處理，獲得LSTM神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型。

其中，LSTM神經(jīng)網(wǎng)絡(luò)由N個(gè)相互聯(lián)系的遞歸子網(wǎng)絡(luò)，也就是記憶模塊組成。每個(gè)記憶模塊包含了三個(gè)門（forget gate、input gate、output gate）與一個(gè)記憶單元（cell），它們分別對(duì)應(yīng)著鍋爐主成分特征樣本數(shù)據(jù)序列的寫入、讀取和先前狀態(tài)的重置（reset）操作。

包含記憶單元的LSTM神經(jīng)網(wǎng)絡(luò)的記憶模塊如圖1所示。

圖1 LSTM記憶模塊

LSTM神經(jīng)網(wǎng)絡(luò)的記憶模塊執(zhí)行步驟具體如下：

樣本數(shù)據(jù)序列輸入“forget gate”層，根據(jù)上一時(shí)刻的輸出ht-1和當(dāng)前輸入xt，通過sigmoid激活函數(shù)，計(jì)算出一個(gè)0～1之間的ft值，計(jì)算結(jié)果決定了是否讓上一時(shí)刻學(xué)到的信息Ct-1完全通過或部分通過。ft的計(jì)算公式為：

其中：σ表示 sigmod激活函數(shù)，Wf為“forget gate”層的權(quán)值向量，bf為“forget gate”層的偏置參數(shù)。

“input gate”層采用與“forget gate”層耦合的方式對(duì)向記憶單元（cell）注入的信息進(jìn)行控制，共同決定哪些值用來更新?！癷nput gate”層通過sigmoid激活函數(shù)計(jì)算更新值it；利用tanh激活函數(shù)計(jì)算更

tanh激活函數(shù)為：

it的計(jì)算公式為：

其中：Wi、Wc分別為“input gate”層和記憶單元（cell）的權(quán)值向量；bi、bc分別為“input gate”層和記憶單元（cell）的偏置參數(shù)。

最后計(jì)算該記憶模塊的輸出層 “output gate”，通過sigmoid激活函數(shù)來得到一個(gè)初始輸出Ot，然后使用tanh將Ct值歸一化到-1～1之間，再與sigmoid得到的初始輸出相乘，得到記憶模塊的輸出ht。相關(guān)計(jì)算公式為：

其中Wo為 “output gate”層的權(quán)值向量，bo為“output gate”層的偏置參數(shù)。

將鍋爐實(shí)時(shí)運(yùn)行數(shù)據(jù)進(jìn)行Z-Score標(biāo)準(zhǔn)化后，輸入訓(xùn)練完成的LSTM神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型，將輸出結(jié)果進(jìn)行逆向標(biāo)準(zhǔn)化，即為鍋爐熱效率預(yù)測(cè)結(jié)果。

3 實(shí)驗(yàn)結(jié)果與分析

本文實(shí)驗(yàn)選取某熱電企業(yè)燃煤鍋爐歷史運(yùn)行數(shù)據(jù)作為實(shí)驗(yàn)樣本，收集DCS系統(tǒng)中的鍋爐負(fù)荷、省煤器出口氧量、各二次風(fēng)擋板開度、燃盡風(fēng)擋板開度、各磨煤機(jī)給煤量、爐膛與風(fēng)箱差壓、一次風(fēng)總風(fēng)壓等參數(shù)，按時(shí)間維度收集相關(guān)歷史數(shù)據(jù)，形成影響因子數(shù)據(jù)序列，收集鍋爐運(yùn)行中排出的煤灰和煤渣的含碳量化驗(yàn)數(shù)據(jù)作為樣本的輸出數(shù)據(jù)。

在訓(xùn)練LSTM模型時(shí)，利用 Xavier方法對(duì)權(quán)重初始化，采用Adam優(yōu)化算法對(duì)LSTM神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練，可動(dòng)態(tài)調(diào)整針對(duì)每個(gè)鍋爐樣本輸入?yún)?shù)的學(xué)習(xí)速率，適用于解決鍋爐訓(xùn)練樣本中包含高斯噪聲的問題。訓(xùn)練過程設(shè)定損失函數(shù)最小為優(yōu)化目標(biāo)，給定網(wǎng)絡(luò)初始化的隨機(jī)種子數(shù)seed、初始學(xué)習(xí)率以及最大迭代次數(shù)Maxit=100。

本文用BP神經(jīng)網(wǎng)絡(luò)算法作為對(duì)比實(shí)驗(yàn)，BP神經(jīng)網(wǎng)絡(luò)采用3層網(wǎng)絡(luò)結(jié)構(gòu)，8個(gè)隱藏節(jié)點(diǎn)。實(shí)驗(yàn)對(duì)2個(gè)模型進(jìn)行100次迭代訓(xùn)練，在每輪迭代完成后計(jì)算2個(gè)模型的loss值，迭代完成后統(tǒng)計(jì)模型的預(yù)測(cè)準(zhǔn)確度。圖2反映了2種模型的loss值隨迭代次數(shù)的變化，圖3反映了BP模型預(yù)測(cè)結(jié)果與真實(shí)值的對(duì)比情況，圖4反映了LSTM模型預(yù)測(cè)結(jié)果與真實(shí)值的對(duì)比情況，表1反映了2個(gè)模型的預(yù)測(cè)誤差統(tǒng)計(jì)分析結(jié)果對(duì)比。

圖2 算法訓(xùn)練loss值趨勢(shì)對(duì)比

圖3 BP模型預(yù)測(cè)結(jié)果

圖4 LSTM模型預(yù)測(cè)結(jié)果

表1 模型預(yù)測(cè)誤差統(tǒng)計(jì)分析結(jié)果

從實(shí)驗(yàn)結(jié)果可知，BP模型訓(xùn)練結(jié)果均方根誤差為0.0125，LSTM模型訓(xùn)練結(jié)果均方根誤差僅為0.0061。相對(duì)于LSTM神經(jīng)網(wǎng)絡(luò)模型來說，BP神經(jīng)網(wǎng)絡(luò)模型本身就存在對(duì)時(shí)間序列數(shù)據(jù)的規(guī)律特征學(xué)習(xí)不充分的先天性不足，這一缺陷導(dǎo)致它無法學(xué)得時(shí)間維度特征之間的關(guān)系，并且隨著迭代次數(shù)的增加，容易出現(xiàn)過擬合或?qū)W習(xí)能力下降的情況，導(dǎo)致學(xué)習(xí)不充分。

本文采用的LSTM神經(jīng)網(wǎng)絡(luò)模型是由上一時(shí)刻神經(jīng)網(wǎng)絡(luò)模塊的輸出單元和記憶單元的狀態(tài)信息以及當(dāng)前時(shí)刻的輸入單元，共同決定當(dāng)前時(shí)刻記憶單元狀態(tài)信息的更新，使得學(xué)習(xí)更加充分，并且有效避免了在學(xué)習(xí)過程中出現(xiàn)的梯度消失問題。實(shí)驗(yàn)結(jié)果表明，利用鍋爐運(yùn)行參數(shù)時(shí)間序列數(shù)據(jù)預(yù)測(cè)鍋爐熱效率指標(biāo)方面，本文的LSTM神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型要優(yōu)于BP神經(jīng)網(wǎng)絡(luò)模型。

4 結(jié)語(yǔ)

本文采用LSTM神經(jīng)網(wǎng)絡(luò)對(duì)燃煤鍋爐熱效率進(jìn)行建模預(yù)測(cè)。通過收集有關(guān)參數(shù)，形成時(shí)間序列樣本集，構(gòu)建LSTM神經(jīng)網(wǎng)絡(luò)模型，用于預(yù)測(cè)燃煤鍋爐熱效率。和傳統(tǒng)BP神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型相比，LSTM神經(jīng)網(wǎng)絡(luò)模型能夠挖掘并記憶鍋爐連續(xù)運(yùn)行過程中參數(shù)自身變化與熱效率影響的客觀規(guī)律，使得學(xué)習(xí)更加充分，在工程中具有較高的使用價(jià)值。