基于IQGA-GRNN模型的SCR脫硝出口NO x質(zhì)量濃度預(yù)測方法

曹喜果，張永濤*，李雅恬

（1.新疆工程學院能源工程學院，烏魯木齊830091；2.河北華電石家莊鹿華熱電有限公司，石家莊050000）

0 引言

NOx是危害人體健康、引起酸雨、誘發(fā)光化學煙霧、導(dǎo)致全球變暖的重要污染物［1］。燃煤電站是NOx排放大戶，建立燃煤電站NOx排放數(shù)學模型是脫硝控制策略設(shè)計的前提，具有較強的理論和現(xiàn)實意義［2-3］。然而，選擇性催化還原（SCR）煙氣脫硝系統(tǒng)工藝復(fù)雜，建立其機理模型較為困難［4-6］。目前，一些先進的控制技術(shù)在SCR脫硝控制方面已得到應(yīng)用，人工神經(jīng)網(wǎng)絡(luò)作為并行計算模型，對建模對象先驗知識要求不多且有很好的非線性映射能力，因此，國內(nèi)一些學者將神經(jīng)網(wǎng)絡(luò)引入SCR脫硝控制系統(tǒng)建模。翟永杰等［7］分析影響出口NOx質(zhì)量濃度的因子，通過神經(jīng)網(wǎng)絡(luò)方式進行SCR脫硝建模。周鑫等［8］將核偏最小二乘算法（KPLS）和遺傳算法（GA）結(jié)合，提出了利用GA-KPLS建模方法建立SCR模型。秦天牧等［9-10］采取多尺度核偏最小二乘法（MKPLS）建立SCR脫硝模型，并用預(yù)測控制方法實現(xiàn)了噴氨優(yōu)化控制。

廣義回歸神經(jīng)網(wǎng)絡(luò)（GRNN）適用于解決非線性問題，在逼近能力及學習速度上具有較大的優(yōu)勢，樣本數(shù)據(jù)較少時預(yù)測效果也較好［11-13］。GRNN結(jié)構(gòu)簡單，計算過程中只需確定一個參數(shù)——光滑因子σ，運算較為簡單。σ的選擇對GRNN的網(wǎng)絡(luò)泛化能力和精度有重要影響［14］。

量子遺傳算法（QGA）基于量子計算原理，將量子的態(tài)矢量引入遺傳編碼，利用量子邏輯門實現(xiàn)染色體演化，比常規(guī)遺傳算法具有更好的局部搜索能力［15-16］。但傳統(tǒng)QGA演化目標較為單一，量子旋轉(zhuǎn)角取值不靈活［17-18］，對此，筆者采用動態(tài)調(diào)整量子門的方法對其進行改進，并利用改進量子遺傳算法（IQGA）實現(xiàn)GRNN網(wǎng)絡(luò)中光滑因子σ的尋優(yōu)，從而建立IQGA-GRNN網(wǎng)絡(luò)模型，提高SCR脫硝控制模型的精確度。

1 GRNN網(wǎng)絡(luò)基本原理

GRNN網(wǎng)絡(luò)結(jié)構(gòu)如圖1所示，它由輸入層、模式層、求和層和輸出層構(gòu)成。網(wǎng)絡(luò)輸入X=［x1，x2，…，xn］，網(wǎng)絡(luò)輸出Y=［y1，y2，…，yk］。

圖1 GRNN網(wǎng)絡(luò)結(jié)構(gòu)Fig.1 GRNN structure

（1）輸入層。該層神經(jīng)元的數(shù)目與訓練樣本中向量維數(shù)相同，該層的作用是輸入學習樣本并將其參數(shù)傳入模式層。

（2）模式層。該層神經(jīng)元數(shù)目與訓練樣本數(shù)目n相等，第i個神經(jīng)元的訓練函數(shù)為

式中：X為網(wǎng)絡(luò)輸入；X i為第i個神經(jīng)元訓練樣本，i=1，2，…，n。

（3）求和層。該層神經(jīng)元為各神經(jīng)元的加權(quán)和，模式層中第i個神經(jīng)元與求和層中第j個神經(jīng)元權(quán)值為輸出樣本中第j個元素值。傳遞函數(shù)為

式中：wij為連接權(quán)重，為各訓練樣本的期望輸出值；j=1，2，…，k。

（4）輸出層。該層神經(jīng)元數(shù)目與樣本輸出維數(shù)k相等，即求和層中2類神經(jīng)元相除

式中：SD為求和層中各神經(jīng)元的代數(shù)和。

2 IQGA原理

2.1 IQGA基本原理

量子遺傳算法是量子計算與進化算法的結(jié)合，為了使該算法能更好地解決所研究問題，本文在此標準算法的基礎(chǔ)上進行改進。在QGA中，量子旋轉(zhuǎn)門的調(diào)整操作定義為

式中：θi為旋轉(zhuǎn)角，取值范圍為［0，π/2］。

染色體第i個量子的更新過程為

式中：［αi，βi］T，［α'i，β'i］T分別為染色體第i個量子通過旋轉(zhuǎn)門前、后的概率幅值。

量子門更新原理如圖2所示，圖中：θ'為當前最佳基因值；θ為目前要更新的基因值。

圖2 量子門更新原理Fig.2 Update of quantum gate

旋轉(zhuǎn)門的目的是朝著有利于進化的方向更新種群，一般情況下量子旋轉(zhuǎn)角度Δθ是固定的，但Δθ太小將導(dǎo)致算法收斂較慢，反之會出現(xiàn)算法早熟，從而給算法造成一定的限制，為此，采用動態(tài)旋轉(zhuǎn)角可解決這一問題。動態(tài)旋轉(zhuǎn)角策略可表示為

式中：fx，fmax分別為當前個體及最優(yōu)個體的適應(yīng)度；θmin，θmax分別為旋轉(zhuǎn)角的最小值及最大值。

Δθ取值區(qū)間一般為［0.01π，0.05π］，fx與fmax的差值越小，旋轉(zhuǎn)角越小，該策略既有利于染色體不斷向最優(yōu)解靠近，又有利于在最優(yōu)解附近精細搜索。基于以上原理，IQGA算法流程如圖3所示。

2.2 IQGA測試

為了驗證IQGA的有效性，本文選取典型非線性函數(shù)進行GA，QGA和IQGA的對比試驗。非線性函數(shù)在給定的范圍內(nèi)存在很多局部極值，常規(guī)的尋優(yōu)算法容易陷入局部極值或在極值間振蕩，式（7）中：-3.0≤x≤12.1，4.1≤y≤5.8。

圖3 IQGA流程Fig.3 IQGA flow

maxf(x，y)=xsin2(4πx)+yxsin2(20πy)。（7）

試驗中對3種算法分別測試100次，對最優(yōu)值、最劣值和平均值進行對比。統(tǒng)計結(jié)果見表1，測試曲線如圖4所示。

表1 3種算法測試結(jié)果對比Tab.1 Test results obtained by three algorithms

圖4 3種算法的進化曲線對比Fig.4 Comparison of evolution curves of three algorithms

從表1可知，3種算法都能獲取最優(yōu)值，但IQGA的成功率達100%。從圖4可以看出，進化代數(shù)不到20時IQGA已達到最優(yōu)值，說明該算法擁有更好的收斂性，故本文采用IQGA算法進行參數(shù)優(yōu)化。

3 SCR脫硝系統(tǒng)模型建立與仿真

3.1 建模背景

火力發(fā)電廠是NOx排放的主要來源之一，目前降低NOx排放主要有2種措施：一種是控制燃燒過程中NOx生成，即NOx優(yōu)化燃燒［3］，但低NOx燃燒技術(shù)的脫硝效率僅有25%～40%，無法滿足日益嚴格的環(huán)保標準；另一種是對生成的NOx進行處理，即煙氣脫硝技術(shù)。本文針對第2種措施，根據(jù)脫硝系統(tǒng)機理，建立基于IQGA-GRNN的脫硝系統(tǒng)數(shù)學模型。

以某300 MW供熱機組為研究對象，該機組脫硝系統(tǒng)采用SCR工藝，根據(jù)脫硝反應(yīng)機理及數(shù)據(jù)庫中實際測點情況，選擇機組負荷、入口NOx質(zhì)量濃度、入口氧量、入口煙氣流量、入口煙氣溫度、噴氨量6個變量作為SCR脫硝系統(tǒng)模型的輸入變量，SCR出口NOx質(zhì)量濃度作為模型輸出。圖5為脫硝系統(tǒng)NOx排放影響因素取值范圍及關(guān)系。

圖5 脫硝系統(tǒng)NO x排放影響因素取值范圍及關(guān)系Fig.5 Valuerangesof theinfluencing factorsof NO x emission from thedenitrification system and their influences

以30 s為采樣周期，選取分散控制系統(tǒng)（DCS）的歷史數(shù)據(jù)，剔除失真或不完整數(shù)據(jù)后，選擇390組數(shù)據(jù)并將其分為2類。針對數(shù)據(jù)特點，取其中350組作為訓練樣本，其余作為測試樣本。圖6為部分現(xiàn)場實測數(shù)據(jù)變化情況。

圖6 部分現(xiàn)場實測數(shù)據(jù)變化趨勢Fig.6 Variation trends of some field data

3.2基于IQGA-GRNN的SCR脫硝系統(tǒng)建模

將選取的6個輸入變量進行歸一化處理后，分別代入IQGA-GRNN預(yù)測模型進行訓練。利用IQGA算法優(yōu)化GRNN模型的光滑因子，以目標函數(shù)值（σ的適應(yīng)度）最小為原則，實現(xiàn)GRNN網(wǎng)絡(luò)中光滑因子σ的尋優(yōu)，σ的適應(yīng)度為IQGA算法最大進化代數(shù)為100，種群大小為40，采用二進制編碼，其最優(yōu)個體適應(yīng)度曲線如圖7所示。IQGA尋優(yōu)結(jié)果為σ=0.2。

圖7 最優(yōu)個體適應(yīng)度曲線Fig.7 Optimal individual fitness curve

將IQGA尋優(yōu)后的σ值賦予GRNN網(wǎng)絡(luò)，根據(jù)輸入輸出變量個數(shù)及維數(shù)，利用350組歷史數(shù)據(jù)訓練模型，從而完成模型建立。訓練數(shù)據(jù)預(yù)測結(jié)果如圖8所示。

圖8 訓練數(shù)據(jù)預(yù)測結(jié)果Fig.8 Training data prediction results

從預(yù)測結(jié)果看，IQGA預(yù)測誤差較小，可用于后續(xù)的研究分析?；谝陨夏Ｐ?，對現(xiàn)場數(shù)據(jù)中的后40個進行預(yù)測，為了充分檢驗該算法的性能，將本文所提出的IQGA-GRNN與GRNN，QGA-GRNN進行對比，其中GRNN尋優(yōu)結(jié)果為σ=0.10，QGAGRNN尋優(yōu)結(jié)果為σ=0.16，測試數(shù)據(jù)預(yù)測結(jié)果對比如圖9所示。模型訓練時間及誤差對比結(jié)果見表2，其中Emax為實測值與訓練模型之間的最大誤差，Eave為平均誤差。

圖9 3種算法測試數(shù)據(jù)預(yù)測結(jié)果對比Fig.9 Comparison of predicted resultson test data by threealgorithms

表2 3種算法測試數(shù)據(jù)預(yù)測誤差對比Tab.2 Prediction errors of thetest data obtained by three algorithms

從圖9可知，IQGA-GRNN訓練模型的最大誤差Emax為2.336 0 mg/m3，實測值與訓練模型的最大誤差控制在8%以內(nèi)，平均誤差只有0.069 5 mg/m3，在0.2%范圍以內(nèi)，且IQGA-GRNN運行時間更短，效率更高。由此證明，本文所提出的QGA-GRNN算法能有效預(yù)測脫硝出口NOx質(zhì)量濃度。

4 結(jié)束語

煙氣脫硝系統(tǒng)的非線性特點導(dǎo)致其機理建模較為困難，為此提出一種新的IQGA-GRNN建模方法，可用于變工況下出口NOx質(zhì)量濃度的預(yù)測。應(yīng)用改進量子遺傳算法對廣義神經(jīng)網(wǎng)絡(luò)中光滑因子進行尋優(yōu)，使該算法逼近能力更強。針對現(xiàn)場實際運行數(shù)據(jù)，采用本文提出的IQGA-GRNN算法進行訓練建模，并將該模型與GRNN模型、QGA-GRNN模型的預(yù)測結(jié)果進行對比，結(jié)果表明：IQGA-GRNN模型的預(yù)測值與實際值最大誤差在8.0%以內(nèi)，平均誤差在0.2%以內(nèi)，模型預(yù)測精度更高，是NOx質(zhì)量濃度預(yù)測的有效方法。