基于LSTM 的濕法煙氣脫硫漿液pH 值建模

金秀章，景 昊

(華北電力大學(xué) 控制與計算機(jī)工程學(xué)院，河北 保定 071003)

0 引言

目前燃煤電廠的SO2排放量已經(jīng)超過了 SO2排放總量的一半，并且呈現(xiàn)逐年遞增的趨勢。我國先后頒布的《火電廠大氣污染物排放標(biāo)準(zhǔn)》和《煤電節(jié)能減排升級與改造行動計劃 （2014—2020 年）》等一系列政策法規(guī)，明確指出火電廠的SO2排放濃度必須控制在 35 mg/m3以下[1]。石灰石-石膏濕法煙氣脫硫技術(shù)(WFGD)是目前最有效的燃煤機(jī)組SO2控 制 技 術(shù) 之 一[2]。WFGD 工 藝 中 漿 液 pH 值 是決定煙氣脫硫效率的關(guān)鍵參數(shù)，因此pH 值的測量需要迅速、準(zhǔn)確。

在 WFGD 現(xiàn)場測量時由于環(huán)境惡劣，且 pH 值變化具有較大的慣性，導(dǎo)致測量時長較大，無法及時得到漿液 pH 值的準(zhǔn)確值，對于脫硫作業(yè)十分不利。因此需要對漿液 pH 值進(jìn)行預(yù)測。

pH 值測量作為非線性系統(tǒng)一直是研究熱點(diǎn)[3]。利用燃煤機(jī)組的運(yùn)行數(shù)據(jù)，再結(jié)合機(jī)理分析，采用實(shí)驗(yàn)建模的方法可以辨識出精確合理的系統(tǒng)模型[4]。文獻(xiàn)[5]和文獻(xiàn)[6]把神經(jīng)網(wǎng)絡(luò)等自適應(yīng)模糊系統(tǒng)用于 pH 中和過程。BP 神經(jīng)網(wǎng)絡(luò)、RBF 神經(jīng)網(wǎng)絡(luò)、Elman 神經(jīng)網(wǎng)絡(luò)等方法是 pH 值建模的典型方法,但上述算法本身在時間序列的處理上并沒有突出的優(yōu)勢。

隨著技術(shù)的進(jìn)步，深度學(xué)習(xí)、遞歸神經(jīng)網(wǎng)絡(luò)、卷積神經(jīng)網(wǎng)絡(luò)等也在 pH 值建模得到應(yīng)用[7-10]。LSTM神經(jīng)網(wǎng)絡(luò)，注重數(shù)據(jù)間的時間特性，在大遲延時間序列預(yù)測中具有突出優(yōu)勢[11]。LSTM 神經(jīng)網(wǎng)絡(luò)的特點(diǎn)在于發(fā)現(xiàn)當(dāng)前時刻數(shù)據(jù)與之前數(shù)據(jù)間的聯(lián)系，利用本身具有的記憶能力，將之前數(shù)據(jù)的狀態(tài)進(jìn)行保存[12]，同時根據(jù)保存的信息影響后續(xù)的預(yù)測值及變化趨勢。

因此，本文提出一種基于LSTM 神經(jīng)網(wǎng)絡(luò)的pH值預(yù)測模型。以某 600 MW 機(jī)組為研究對象，使用機(jī)組實(shí)際運(yùn)行數(shù)據(jù)，經(jīng)過機(jī)理和相關(guān)性分析，確定pH值模型的輔助變量，建立高精度的pH 值預(yù)測模型。

1 LSTM 網(wǎng)絡(luò)

作為循環(huán)神經(jīng)網(wǎng)絡(luò)(Recurrent Neural Network，RNN)中的一個特殊情況，LSTM 與前饋神經(jīng)網(wǎng)絡(luò)不同，屬于反饋神經(jīng)網(wǎng)絡(luò)的一種。RNN 中神經(jīng)元的輸出可以在下一個時刻作用于自身，且共享從樣本序列中不同位置學(xué)習(xí)到的特征，以此減少模型中的參數(shù)數(shù)量，這一點(diǎn)在數(shù)據(jù)規(guī)模龐大時具有重要意義。與傳統(tǒng)RNN 網(wǎng)絡(luò)的區(qū)別在于，LSTM 網(wǎng)絡(luò)結(jié)構(gòu)加入了控制門的機(jī)制，結(jié)構(gòu)包括記憶細(xì)胞、輸入門、輸出門、遺忘門四部分。LSTM 原理圖如圖1 所示。

圖1 中，三個框分別為不同時序下的細(xì)胞狀態(tài)，δ表示激活函數(shù)為sig-moid 的前饋網(wǎng)絡(luò)層，tanh 表示激活函數(shù)為 tanh 的前饋網(wǎng)絡(luò)層。Xt表示 t 時刻的輸入，S(t)表示 t 時刻細(xì)胞的狀態(tài)值，前饋網(wǎng)絡(luò)層中的隱藏神經(jīng)元個數(shù)經(jīng)多次調(diào)試后，確定一個最佳值。

輸入門 it的值和在t 時刻輸入細(xì)胞的候選狀態(tài)值，計 算 如 下 ：

其中，Wi為輸入門的權(quán)重矩陣，bi為輸入門的偏置項；Wc為細(xì)胞當(dāng)前狀態(tài)的權(quán)重矩陣；bc為細(xì)胞當(dāng)前狀態(tài)的偏置項。

其次，計算在 t 時刻遺忘門的激活值 ft，公式如下：

式中，Wf為遺忘門的權(quán)重矩陣，bf為遺忘門的偏置項。

由以上公式可計算出t 時刻的細(xì)胞狀態(tài)更新值 S(t)，公式如下：

計算出細(xì)胞狀態(tài)更新值后，可計算輸出門的值ht，公式如下：

式中，Wo為輸出門的權(quán)重矩陣，bo為輸出門的偏置項。

通過以上計算，LSTM 可以有效利用輸入數(shù)據(jù)使LSTM 神經(jīng)網(wǎng)絡(luò)具有長時期記憶功能。

2 模型的建立

2.1 輔助變量的選擇

根據(jù) WFGD 的生產(chǎn)機(jī)理，pH 值的影響因素來源于兩個方面，分別是燃燒側(cè)產(chǎn)生的SO2總量和新鮮石灰石漿液的供應(yīng)量。如果SO2總量不變，新鮮石灰石漿液供應(yīng)量增加可以增大pH 值；如果新鮮石灰石漿液供應(yīng)量不變，SO2總量增大可以降低pH值。因此模型輔助變量應(yīng)選取與SO2總量和新鮮石灰石漿液變化有關(guān)的物理量。之后使用互信息計算漿液pH 值與生產(chǎn)中所涉及的物理量的相關(guān)性。選取與漿液pH 值相關(guān)性大的變量為輔助變量。因?yàn)闈{液 pH 值變化慣性大，所以當(dāng)前時刻漿液 pH 值受前時刻漿液pH 值的影響。最后確定總風(fēng)量、總煤量、凈煙氣 SO2濃度、原煙氣 SO2濃度、原煙氣流量、空預(yù)器入口煙氣氧量、空預(yù)器出口煙氣氧量、爐漿液密度、新鮮石灰石漿液流量、吸收塔液位、兩臺氧化風(fēng)機(jī)電流及5 s 前的漿液pH 值為輔助變量。

圖1 LSTM 結(jié)構(gòu)圖

2.2 數(shù)據(jù)預(yù)處理

本文所用數(shù)據(jù)源于某燃煤電廠的歷史數(shù)據(jù)。預(yù)處理包括剔除粗大值、數(shù)據(jù)中值濾波兩部分。

2.2.1 粗大值處理

數(shù)據(jù)規(guī)模足夠，且趨于正態(tài)分布，因此使用 3σ準(zhǔn)則對數(shù)據(jù)進(jìn)行粗大值處理。步驟如下：

(1)計算標(biāo)準(zhǔn)差 σ

式中，xn為數(shù)據(jù)值；n 為數(shù)據(jù)個數(shù)；為數(shù)據(jù)平均值。

(2)比較數(shù)據(jù)是否滿足下式要求，如果不滿足則將數(shù)據(jù)剔除。

(3)重復(fù)步驟(2)，直到數(shù)據(jù)全部滿足式(8)的要求。

2.2.2 數(shù)據(jù)濾波

對數(shù)據(jù)曲線中帶有“毛刺”的數(shù)據(jù)濾波，可以消除噪聲的影響，使數(shù)據(jù)變化更加平滑，更加接近真實(shí)數(shù)據(jù)。其中輔助變量總風(fēng)量的濾波圖如圖2 所示。

2.2.3 時序調(diào)整

pH 值變化是一個復(fù)雜的過程，存在多變量、多耦合及遲延的問題。因此采用互信息法求輔助變量與主導(dǎo)變量間的時間遲延，對變量進(jìn)行時序調(diào)整，進(jìn)一步提高模型預(yù)測精度。

2.3 構(gòu) 建 LSTM 模 型

模型以漿液 pH 值作為輸出，采用三層 LSTM 神經(jīng)網(wǎng)絡(luò)建立，每層21 個神經(jīng)元，優(yōu)化算法為 Adam，最大迭代次數(shù)為 280，初始學(xué)習(xí)率為 0.005，在 125輪訓(xùn)練后乘以 0.1 來降低學(xué)習(xí)率。選用 8 700 組預(yù)處理后的數(shù)據(jù)進(jìn)行仿真實(shí)驗(yàn)，其中6 700 組用于模型訓(xùn)練，2 000 組用于模型測試，數(shù)據(jù)采樣時間間隔為1 s。

基于 LSTM 神經(jīng)網(wǎng)絡(luò)的 pH 值預(yù)測模型 LSTM模型結(jié)構(gòu)如圖3 所示。

圖3 LSTM 模型結(jié)構(gòu)

圖2 數(shù)據(jù)濾波

3 結(jié)果分析

為了便于驗(yàn)證模型的性能，使用LSTM 模型與BP 神經(jīng)網(wǎng)絡(luò)模型和 LSSVM 模型進(jìn)行對比。模型預(yù)測值與實(shí)際值如圖4 所示。LSTM 模型與 LSSVM 模型和BP 神經(jīng)網(wǎng)絡(luò)模型相比在預(yù)測趨勢、預(yù)測精度方面更加具有優(yōu)勢。LSSVM 模型測試結(jié)果顯示，在漿液 pH 值增大時，預(yù)測值下降；pH 值不變時，預(yù)測趨勢反復(fù)波動。BP 神經(jīng)網(wǎng)絡(luò)模型測試結(jié)果顯示，漿液 pH 值不變時，預(yù)測值反復(fù)波動；pH 值增大時，預(yù)測值沒有明顯的趨勢變化。同時LSSVM 模型和BP 神經(jīng)網(wǎng)絡(luò)模型的預(yù)測值一直在頻繁、劇烈波動，使預(yù)測精度更低。而LSTM 網(wǎng)絡(luò)模型測試結(jié)果顯示，漿液pH 值穩(wěn)定時，預(yù)測值也比較穩(wěn)定；在漿液 pH值急劇增加時，預(yù)測值也在急劇增加，預(yù)測值與實(shí)際值緊密跟隨，且增加后迅速保持穩(wěn)定。對比三個不同模型測試結(jié)果，LSTM 模型在預(yù)測精度、趨勢跟隨上均優(yōu)于LSSVM 模型和 BP 神經(jīng)網(wǎng)絡(luò)模型，驗(yàn)證了LSTM 模型在數(shù)據(jù)挖掘和時間序列處理上的優(yōu)勢。

模型的預(yù)測誤差如圖5 所示。LSSVM 模型、BP神經(jīng)網(wǎng)絡(luò)模型誤差較大，多次出現(xiàn)誤差比較嚴(yán)重的值，且誤差曲線一直存在頻繁、劇烈的波動，因此LSSVM 模型、BP 神經(jīng)網(wǎng)絡(luò)模型預(yù)測不理想。LSTM模型誤差最小，誤差穩(wěn)定在0 刻度左右，沒有出現(xiàn)較大誤差。因此 LSTM 模型測試結(jié)果最好。

為了進(jìn)一步分析模型的性能，采用平均絕對誤差(MAE)和均方根誤差(RMSE)兩個指標(biāo)對各個模型進(jìn)行分析，如式(9)、式(10)所示：

式中，ypi為預(yù)測值，yai為實(shí)際值。

如表1 所示，LSTM 模型與 BP 神經(jīng)網(wǎng)絡(luò)模型、LSSVM 模型相比測試結(jié)果最好。LSTM 模型與LSSVM 模型相比平均絕對誤差降低了0.014 0，均方根誤差降低0.016 6。本文建立的LSTM 神經(jīng)網(wǎng)絡(luò)模型與BP 神經(jīng)網(wǎng)絡(luò)模型、LSSVM 模型相比在趨勢、精度、平均絕對誤差及均方根誤差方面均有非常大的提升，驗(yàn)證了LSTM神經(jīng)網(wǎng)絡(luò)在時間序列處理上的優(yōu)越性，也驗(yàn)證了LSTM 模型在漿液pH 值預(yù)測的有效性及通用性。

表1 模型測試結(jié)果

圖4 模型預(yù)測值與實(shí)際值

圖5 模型預(yù)測誤差

4 結(jié)論

針對燃煤電廠 WFGD 過程中石灰石漿液pH 值的變化受多個變量的影響，且變量之間具有相關(guān)性和現(xiàn)場數(shù)據(jù)具有時序特性，本文提出了一種基于長短期記憶網(wǎng)絡(luò)的 pH 值預(yù)測模型。首先，通過機(jī)理分析初步篩選輔助變量后進(jìn)一步使用互信息確定輔助變量；然后，建立LSTM 神經(jīng)網(wǎng)絡(luò)模型；最后，使用燃煤電廠數(shù)據(jù)對模型進(jìn)行測試。模型測試結(jié)果表明本文所提出的 LSTM 模型相對 BP 神經(jīng)網(wǎng)絡(luò)模型、LSSVM 模型預(yù)測精度高、泛化能力強(qiáng)。

需要說明的是，由于數(shù)據(jù)量有限，本研究只能歸納出高負(fù)荷狀態(tài)下的漿液pH 值預(yù)測模型。然而隨著燃煤電廠智能化水平的提高，電廠數(shù)據(jù)海量化和高維化已經(jīng)成為必然趨勢。合理使用這些數(shù)據(jù)可以進(jìn)一步建立全工況的漿液 pH 值預(yù)測模型，這也是后續(xù)的研究重點(diǎn)。本文結(jié)果對LSTM 算法在燃煤電廠的實(shí)際應(yīng)用具有一定借鑒意義。