基于極端隨機(jī)樹和聲波測溫的電站鍋爐NO x 排放預(yù)測方法

陳建均，陳婷婷

（深圳東方鍋爐控制有限公司 技術(shù)部，四川 成都611731）

0 引 言

在我國，火力發(fā)電仍然占據(jù)發(fā)電體系的核心地位，NOx排放是燃煤鍋爐的主要污染物之一。為保證其達(dá)標(biāo)排放，目前燃煤電站一方面采用低氮燃燒技術(shù)來減少NOx的生成量，另一方面采用選擇性催化還原（SCR）技術(shù)對(duì)燃燒后的煙氣做進(jìn)一步脫硝處理，保證電站環(huán)保運(yùn)行。 及時(shí)、準(zhǔn)確地預(yù)測爐膛出口，即脫硝系統(tǒng)入口處的NOx濃度變化，一方面可以據(jù)此合理安排和調(diào)整爐內(nèi)燃燒過程，減少NOx的生成量；另一方面也可以為具有大遲延特性的SCR脫硝系統(tǒng)提供更為有效的前饋控制信號(hào)，以及時(shí)調(diào)整噴氨量，有效提升脫硝系統(tǒng)的控制效果。 因此，及時(shí)、準(zhǔn)確地預(yù)測爐膛出口NOx含量，對(duì)實(shí)現(xiàn)NOx從生成到脫除的全流程優(yōu)化都具有重要意義。

隨著人工智能技術(shù)的迭代發(fā)展，基于智能算法的數(shù)據(jù)驅(qū)動(dòng)建模在脫硝系統(tǒng)中得到了廣泛應(yīng)用，其中主要有人工神經(jīng)網(wǎng)絡(luò)（ANN）、支持向量機(jī)（SVM）、深度學(xué)習(xí)等。 于靜［1］基于結(jié)構(gòu)改進(jìn)徑向基函數(shù)（RBF）神經(jīng)網(wǎng)絡(luò)（IRBFNN）建立了電廠SCR入口氮氧化物濃度預(yù)測模型。 張媛媛［2］等針對(duì)大型機(jī)組在超低負(fù)荷下實(shí)現(xiàn)NOx超低排放的需求，利用BP神經(jīng)網(wǎng)絡(luò)構(gòu)建了NOx排放質(zhì)量濃度預(yù)測模型，并采用遺傳算法（GA）優(yōu)化網(wǎng)絡(luò)權(quán)值閾值。 周慎學(xué)［3］等利用改進(jìn)最小二乘支持向量機(jī)訓(xùn)練時(shí)間短、泛化能力高等特點(diǎn)，建立了電站鍋爐燃燒模型，實(shí)現(xiàn)了NOx排放量的軟測量和預(yù)測。 周昊［4］等應(yīng)用核心向量機(jī)（CVM）建立了超超臨界鍋爐的高維大數(shù)據(jù)NOx排放特性模型，克服了傳統(tǒng)燃燒優(yōu)化算法受制于小樣本建模的缺點(diǎn)。 劉菡［5］等通過計(jì)算影響NOx排放的特征變量之間的互信息設(shè)計(jì)特征變量間的鄰接關(guān)系，構(gòu)建了基于圖卷積神經(jīng)網(wǎng)絡(luò)的NOx排放MI-GCN預(yù)測模型。 雖然ANN算法在NOx預(yù)測建模中有其獨(dú)特的優(yōu)勢，但其容易陷入局部優(yōu)化和過擬合。而SVM算法一般為離線學(xué)習(xí)，對(duì)訓(xùn)練數(shù)據(jù)的質(zhì)量和全面性要求比較高，如果訓(xùn)練數(shù)據(jù)不能遍歷則存在不穩(wěn)定性［6］。 機(jī)器學(xué)習(xí)算法對(duì)大批量高維時(shí)序數(shù)據(jù)具有很好的處理能力，近年來被廣泛應(yīng)用于集成學(xué)習(xí)、模型預(yù)測中。 邢紅濤［7］等提出一種基于偏最小二乘（PLS）變量選擇和XGBoost組合模型的NOx排放預(yù)測模型，對(duì)燃煤機(jī)組實(shí)際運(yùn)行提 供了 有 益指 導(dǎo)。 李 陽［8］等提 出 一 種 基 于Stacking算法集成模型的NOx排放預(yù)測方法，將門控循環(huán)單元、XGBoost和隨機(jī)森林等多個(gè)學(xué)習(xí)能力強(qiáng)、差異度大的模型進(jìn)行融合，讓每一種單一模型發(fā)揮出各自的優(yōu)勢，實(shí)現(xiàn)鍋爐NOx排放精準(zhǔn)預(yù)測。

以上大數(shù)據(jù)驅(qū)動(dòng)的建模方法并未對(duì)NOx生成機(jī)理進(jìn)行深入研究，而是通過挖掘影響NOx排放的特征參數(shù)的歷史運(yùn)行數(shù)據(jù)來構(gòu)建模型，因此，輔助參數(shù)的選擇對(duì)預(yù)測性能起重要作用。 在鍋爐實(shí)際運(yùn)行中，爐膛溫度是影響NOx排放的一個(gè)重要因素，但受限于測溫條件及技術(shù)，研究人員一般很難直接獲取和利用這一重要信息，只能通過其它變量間接代替爐溫的作用效果，這一定程度上增加了模型復(fù)雜度，影響了模型預(yù)測精度。 馬平［9］等將爐膛聲波測溫信息加入建模過程中，有效提高了煤粉鍋爐SCR入口NOx濃度的預(yù)測精度。 故本文結(jié)合聲波測溫技術(shù)，提出一種基于極端隨機(jī)樹（extremely randomized trees，ET）的NOx預(yù)測模型，為實(shí)現(xiàn)鍋爐在線燃燒優(yōu)化與NOx低排放提供基礎(chǔ)。

1 聲波測溫系統(tǒng)

本文采用所開發(fā)的ATMB聲波測溫系統(tǒng)，利用聲波信號(hào)在氣體介質(zhì)中傳播速度與溫度的關(guān)系來求解爐膛溫度及其溫度場。 氣體介質(zhì)中兩者關(guān)系式為：

式中：c為聲波速度，m/s；γ為氣體比熱指數(shù)；R為氣體常數(shù)，J/（mol·K）；M 為氣體摩爾重量，kg/mol；T為介質(zhì)溫度，K；L 為聲波傳播距離，m；t為聲波傳播時(shí)間，s；Z為煙氣相關(guān)系數(shù)。

聲波收發(fā)器布置完成后可確定每條聲波傳播路徑長度L，然后實(shí)時(shí)測定聲波穿越路徑所需的飛度時(shí)間t，根據(jù)式（2）計(jì)算聲波傳播通道上的平均線溫度T。 若干條測溫線相互交叉構(gòu)建一個(gè)線溫度網(wǎng)，再根據(jù)溫度場重建算法即可復(fù)原爐膛斷面溫度［10］，聲波測溫系統(tǒng)測點(diǎn)布置及爐膛斷面溫度劃分矩陣如圖1 所示。

圖1 聲波測溫系統(tǒng)測點(diǎn)布置

2 極端隨機(jī)樹

本文采用極端隨機(jī)樹（ET）模型作為回歸預(yù)測模型。 極端隨機(jī)樹是Geurt等針對(duì)隨機(jī)森林自舉取樣方式造成樣本不能保證充分被利用，導(dǎo)致決策樹之間相似性高而提出的一種集成學(xué)習(xí)算法，也屬于Bagging學(xué)習(xí)機(jī)制。 極端隨機(jī)樹每棵樹都由全部原始數(shù)據(jù)進(jìn)行獨(dú)立訓(xùn)練，提高了訓(xùn)練樣本的利用率，并且在節(jié)點(diǎn)分裂時(shí)隨機(jī)選擇分叉值，并沒有遵循選取最佳分裂閾值或特征的劃分準(zhǔn)則，增加了決策樹間的差異性和隨機(jī)性。 因此，極端隨機(jī)樹既具備了隨機(jī)森林善于處理多維數(shù)據(jù)集、自動(dòng)選擇特征的能力，又降低了算法對(duì)噪聲的敏感性，增強(qiáng)了泛化能力。

Bagging學(xué)習(xí)機(jī)制通過對(duì)原始訓(xùn)練集多次隨機(jī)采樣得到多個(gè)采樣集，再利用這些采樣集訓(xùn)練出多個(gè)弱學(xué)習(xí)器，最后通過集成策略將弱學(xué)習(xí)器組成一個(gè)強(qiáng)學(xué)習(xí)器進(jìn)行預(yù)測。 極端隨機(jī)樹以全部樣本作訓(xùn)練集，以CART決策樹作基礎(chǔ)弱學(xué)習(xí)器模型，以弱學(xué)習(xí)器結(jié)果的均值為最后輸出結(jié)果。ET算法具體流程主要如下：

步驟1：建立初始節(jié)點(diǎn)。 準(zhǔn)備樣本集Cx（x=1…T），T為基分類器數(shù)量，對(duì)于每個(gè)樣本Cx，隨機(jī)無放回從M個(gè)特征屬性中抽取m（m?M）個(gè)特征屬性，構(gòu)造T個(gè)決策樹初始模型。

步驟2：獲取隨機(jī)特征下的最佳分裂值。 對(duì)于單個(gè)決策樹模型，使用數(shù)據(jù)集Cx獨(dú)立進(jìn)行訓(xùn)練，分裂節(jié)點(diǎn)時(shí)，決策樹模型中每個(gè)特征屬性都隨機(jī)生成一個(gè)分裂閾值，然后計(jì)算分叉值。 針對(duì)模型數(shù)值特性，以均方誤差最小作為分叉值，對(duì)比所有特征分叉值后選出最優(yōu)值，并以此最優(yōu)值對(duì)應(yīng)的特征實(shí)現(xiàn)節(jié)點(diǎn)分叉。

步驟3：重復(fù)執(zhí)行步驟2，進(jìn)一步對(duì)節(jié)點(diǎn)進(jìn)行劃分，直至不可再分，此時(shí)獲得一棵ET模型，重復(fù)T次，生成所有ET。

步驟4：集成所有ET模型并采用均值法獲得回歸模型的預(yù)測結(jié)果

其中，fx為第x棵決策樹的預(yù)測結(jié)果。

3 基于聲波測溫和ET的NO x 排放建模

本節(jié)首先建立以極端隨機(jī)樹模型為基礎(chǔ)的NOx排放預(yù)測模型，并與隨機(jī)森林（RF）算法模型進(jìn)行比較體現(xiàn)其優(yōu)越性；然后引入爐膛聲波測溫?cái)?shù)據(jù)，以進(jìn)一步提升NOx排放的預(yù)測效果。 為了衡量模型精度，量化其訓(xùn)練和測試效果，選用典型的平均絕對(duì)誤差（MAE）、均方根誤差（RMSE）和決定系數(shù)（R2）作為評(píng)價(jià)指標(biāo)。 如式（4） -式（6）所示：

式中：yi為實(shí)際輸出；為預(yù)測輸出；n 為樣本個(gè)數(shù)。

3.1 研究對(duì)象與數(shù)據(jù)獲取

本文借助某電廠1 號(hào)鍋爐上進(jìn)行熱態(tài)試驗(yàn)得到的數(shù)據(jù)，基于聲波測溫和ET算法建立鍋爐NOx排放預(yù)測模型。 試驗(yàn)對(duì)象為330 MW 亞臨界自然循環(huán)燃煤鍋爐，單爐膛∏型露天島式布置，燃燒器布置于下爐膛前后拱上，W 型火焰燃燒方式，尾部雙煙道結(jié)構(gòu)，固態(tài)排渣，全鋼結(jié)構(gòu)，全懸吊結(jié)構(gòu)，平衡通風(fēng)，中間一次再熱，使用擋板調(diào)節(jié)再熱汽溫。

影響NOx形成的主要因素為燃燒溫度、燃料特性、煙氣在高溫區(qū)停留的時(shí)間等，爐膛穩(wěn)態(tài)運(yùn)行工況下不考慮燃煤特性的變化，燃料特性、燃料熱值、煤質(zhì)數(shù)據(jù)等影響。 基于NOx生成機(jī)理與該電廠鍋爐特征分析，選取的建模參數(shù)包括：與給煤機(jī)有關(guān)A/B/C/D四個(gè)給煤機(jī)共計(jì)8 維參數(shù)，描述一次風(fēng)粉量的分配方式對(duì)NOx排放的影響；二次風(fēng)量共8 維參數(shù)，描述二次風(fēng)配方方式對(duì)NOx排放特性的影響；反映燃燒器擺角的C/F擋板開度共計(jì)24 維參數(shù)，用以描述燃燒器配風(fēng)方式對(duì)NOx排放特性的影響；A/B兩側(cè)燃盡風(fēng)共4 維參數(shù)，描述燃燼風(fēng)對(duì)NOx排放特性的影響；其余包括省煤器出口的煙氣和給水溫度、負(fù)荷、主汽壓力和溫度、爐膛出口煙氣溫度、總風(fēng)量、總煤量等參數(shù)，模型輸入?yún)?shù)共計(jì)52 維。 模型輸出參數(shù)為對(duì)應(yīng)工況的A/B側(cè)的NOx排放。

試驗(yàn)數(shù)據(jù)經(jīng)剔除異常波動(dòng)與冗余數(shù)據(jù)后篩選出運(yùn)行數(shù)據(jù)共4700 組，取4200 組為訓(xùn)練集，500組為測試集。 部分試驗(yàn)數(shù)據(jù)分布范圍如表1 所示。

表1 部分試驗(yàn)數(shù)據(jù)分布范圍

3.2 ET建模

基于ET算法所建模型的結(jié)果如圖2 和圖3所示。 圖2 為訓(xùn)練集樣本測試效果，可以看到預(yù)測值與實(shí)際值擬合程度較高，曲線基本重合，且在SCR入口NOx濃度動(dòng)態(tài)變化時(shí)，ET預(yù)測模型也表現(xiàn)出較強(qiáng)的跟蹤能力，可以完全預(yù)測其變化趨勢，表明ET算法模型對(duì)訓(xùn)練數(shù)據(jù)具有較強(qiáng)的學(xué)習(xí)能力。

圖2 ET模型訓(xùn)練結(jié)果

圖3 為ET模型測試集預(yù)測效果，可以看到，部分預(yù)測值與實(shí)際值略有偏差，但整體預(yù)測精度較高，且在SCR入口NOx濃度隨時(shí)間動(dòng)態(tài)變化時(shí)，模型預(yù)測性能表現(xiàn)良好，這證明ET算法模型具有較好的表達(dá)和泛化能力，基本能準(zhǔn)確地反應(yīng)模型輸出實(shí)時(shí)變化趨勢，適用于爐膛NOx排放的預(yù)測。

圖3 ET模型測試結(jié)果

為進(jìn)一步驗(yàn)證ET模型的預(yù)測能力，采用同一組數(shù)據(jù)集對(duì)RF模型進(jìn)行訓(xùn)練和測試，并與ET作對(duì)比。 兩種模型測試集預(yù)測結(jié)果如圖4 和圖5所示。 由圖可知，在一定時(shí)間范圍內(nèi)，ET和RF模型都可以有效構(gòu)建NOx生成相關(guān)變量與SCR入口NOx未來趨勢之間的映射關(guān)系，但隨機(jī)森林模型誤差波動(dòng)范圍較大，表明該模型預(yù)測結(jié)果較差。 相對(duì)來說，ET模型預(yù)測精度更高，主要分布在［ -3，3］mg/m3之間，這說明ET在處理大規(guī)模建模數(shù)據(jù)時(shí)，能隨機(jī)劃分出更代表模型回歸特征的決策樹，大幅提升了ET模型的泛化能力。

圖4 不同模型測試集預(yù)測結(jié)果

圖5 不同模型測試集誤差分布

不同預(yù)測模型的精度指標(biāo)如表2 所示。

表2 不同模型精度指標(biāo)

對(duì)比各項(xiàng)誤差指標(biāo)可知，基于ET算法的NOx排放預(yù)測模型因其較RF算法具有更強(qiáng)的泛化能力和抗干擾能力使其預(yù)測精度更高，在對(duì)NOx排放預(yù)測問題上比RF算法更具穩(wěn)定性和優(yōu)越性。

3.3 結(jié)合爐膛聲波測溫信號(hào)的ET建模

煙氣中的NOx主要分為燃料型、熱力型和快速型三種。 其中，熱力型NOx是空氣中的氮?dú)庠跔t膛高溫的環(huán)境中氧化產(chǎn)生的，低溫時(shí)熱力型NOx幾乎不會(huì)產(chǎn)生，當(dāng)爐膛中的溫度升至某一值時(shí)，熱力型NOx的生成速率和生成量將呈指數(shù)級(jí)快速增長，由此可見，爐膛溫度對(duì)熱力型NOx的產(chǎn)生起著關(guān)鍵性的作用。 三種NOx的生成量和鍋爐溫度的趨勢如圖6 所示，從圖中可以看出，爐膛溫度與三者的生成量呈正相關(guān)，熱力型NOx尤為明顯。 因此，爐膛溫度與NOx的生成有著密不可分的聯(lián)系，但是在已有NOx預(yù)測模型的研究中，由于測量技術(shù)局限難以實(shí)時(shí)獲取爐膛溫度，研究人員無法有效利用這一重要信息，而只能用其他相關(guān)變量擬合爐溫的作用，這增加了輸入?yún)?shù)的復(fù)雜度進(jìn)而導(dǎo)致預(yù)測模型建立不夠準(zhǔn)確。 本研究基于開發(fā)的爐膛聲波測溫系統(tǒng)，能夠?qū)崿F(xiàn)對(duì)爐膛溫度數(shù)據(jù)的實(shí)時(shí)測量與采集。 以下通過將這一重要信息引入NOx預(yù)測模型，以進(jìn)一步預(yù)測準(zhǔn)確性。

圖6 NO x的生成量和鍋爐溫度的關(guān)系

圖7 和圖8 為引入爐膛溫度信息前后ET模型預(yù)測誤差分布圖，可以看到未加入聲波測溫?cái)?shù)據(jù)前的測試集中僅有約53%的誤差絕對(duì)值小于4，91.8%的誤差值小于2，而引入爐膛溫度的ET模型測試集絕對(duì)誤差值更加集中，主要在0附近波動(dòng)且相對(duì)穩(wěn)定，其中絕對(duì)值小于4 的占80%，絕對(duì)值小于2 為96.4%，模型預(yù)測精度有明顯提高。

圖7 引入爐膛溫度信息前后模型誤差分布

圖8 引入爐膛溫度信息前后模型誤差分布

表3 為引入爐膛溫度信息后的模型優(yōu)化結(jié)果。 可以看到，加入聲波測溫?cái)?shù)據(jù)后，模型誤差指標(biāo)均有所下降，決定系數(shù)略有增大，表示模型整體預(yù)測性能得到進(jìn)一步提升。

表3 引入爐膛溫度信息前后的模型優(yōu)化結(jié)果

4 結(jié) 論

基于聲波測溫系統(tǒng)檢測爐膛溫度信息建立了鍋爐NOx排放的極端隨機(jī)樹預(yù)測模型，并利用歷史運(yùn)行數(shù)據(jù)進(jìn)行驗(yàn)證，結(jié)果表明該模型能夠準(zhǔn)確地預(yù)測出NOx排放的變化趨勢。 相比于隨機(jī)森林模型，極端隨機(jī)樹隨機(jī)選擇分裂節(jié)點(diǎn)，增加了決策樹間的差異性和隨機(jī)性以增強(qiáng)模型泛化能力；引入爐膛溫度這一影響NOx生成的重要信息，有助于進(jìn)一步提升模型的預(yù)測精度，從而為在線優(yōu)化鍋爐燃燒系統(tǒng)與改善脫硝系統(tǒng)的調(diào)節(jié)品質(zhì)打下基礎(chǔ)。