基于多層感知器神經網(wǎng)絡的燃煤電站SCR脫硝系統(tǒng)建模

黃鎮(zhèn)柯，金志遠，朱恒毅，劉宇濃，譚 鵬

（1.廣東省能源集團有限公司沙角C電廠，廣東 東莞 523900；2.華中科技大學能源與動力工程學院煤燃燒國家重點實驗室，湖北 武漢 430074）

0 引言

為控制氮氧化物（NOx）排放，選擇性催化還原（SCR）技術在燃煤電站獲得廣泛應用［1，2］。電站SCR脫硝系統(tǒng)通過控制噴氨閥門開度來調節(jié)出口NOx的排放濃度，是一個典型的大慣性延遲系統(tǒng)。過量噴氨會造成氨逃逸量增加，與煙氣中的硫發(fā)生反應產生硫酸氫銨，導致下游空預器堵塞，威脅電廠安全生產；噴氨不足會造成SCR 脫硝系統(tǒng)脫硝效率降低，影響電廠運行環(huán)保性［3，4］。然而隨著可再生能源入網(wǎng)比例的升高［5］，燃煤機組的調峰定位越來越清晰［6-8］，頻繁的機組負荷大范圍變化使得采用傳統(tǒng)PID 控制不能滿足SCR脫硝系統(tǒng)的高效安全運行［9，10］，因此，研究開發(fā)更精確、更快速的噴氨控制方法具有重要意義［11-13］。

建立準確可靠的SCR 模型是控制的基礎，為實現(xiàn)SCR脫硝系統(tǒng)的精確噴氨控制必須掌握系統(tǒng)的動態(tài)特性，建立合適的動態(tài)模型。目前，SCR脫硝建模方法可分為基于催化化學反應機理的機理建模［14］和基于運行數(shù)據(jù)的黑箱建模［15］，其中黑箱建模方法主要是利用統(tǒng)計方法或機器學習，如神經網(wǎng)絡［16，17］、支持向量機［18，19］等方法，采用大量運行數(shù)據(jù)進行模型訓練，由于其相對機理建模具有模型精度高、建模周期短的優(yōu)勢，得到了較多的關注。

劉吉臻等［20］將多尺度核函數(shù)、滑動窗口法和偏最小二乘法結合起來，提出了自適應多尺度核偏最小二乘法，并將其利用在SCR 脫硝系統(tǒng)穩(wěn)態(tài)建模上。秦天牧等［21］分別使用機理建模、支持向量機、反向傳播（back propagation，BP）神經網(wǎng)絡和偏最小二乘法對SCR 脫硝系統(tǒng)進行動態(tài)建模，并比較了4 種模型的性能差別。周洪煜等［22］引入動態(tài)結構的RBF 神經網(wǎng)絡在SCR 脫硝建模問題上，并提出了相應的噴氨控制系統(tǒng)。

本文以某660 MW亞臨界燃煤機組SCR脫硝系統(tǒng)為研究對象，利用歷史運行數(shù)據(jù)，建立基于多層感知器神經網(wǎng)絡（MLP）的SCR 脫硝系統(tǒng)預測模型，旨在為SCR噴氨控制器設計與優(yōu)化提供依據(jù)。

1 研究對象與方法

1.1 研究對象

本文研究對象為某660 MW 亞臨界燃煤機組，由美國ABB-CE公司設計生產，類型為亞臨界參數(shù)、單汽包中間再熱、控制循環(huán)鍋爐，鍋爐最大連續(xù)蒸發(fā)量為2 100 t/h，膜式水冷壁，單爐膛四角雙切圓燃燒。SCR系統(tǒng)采用液氨作為還原劑，液氨氣化后經稀釋風機稀釋，由噴氨格柵送入SCR脫硝反應器入口，與煙氣混合后，在催化劑作用下與煙氣中的NOx發(fā)生選擇性催化還原反應。該脫硝系統(tǒng)采用V2O5-WO3/TiO2型的蜂窩式催化劑，催化劑分3層布置反應器內。

SCR 脫硝系統(tǒng)出口NOx值受很多因素影響，主要因素有負荷、煙氣流量、給煤量、SCR 脫硝系統(tǒng)入口NOx值、噴氨閥門開度、SCR 脫硝系統(tǒng)溫度、煙氣含氧量等［23，24］，其中控制變量為噴氨閥門開度，最主要的外部擾動包括SCR 脫硝系統(tǒng)入口NOx值以及煙氣流量、SCR 脫硝系統(tǒng)溫度、催化劑活性等。催化劑活性是一個長周期衰變過程，難以監(jiān)測；煙氣流量、SCR 脫硝系統(tǒng)溫度與負荷密切相關。綜合考慮以上因素，本文所建立的SCR 脫硝系統(tǒng)預測模型輸入為：當前及過去時刻的①負荷，②SCR 脫硝系統(tǒng)入口NOx值，③噴氨閥門開度，④SCR 脫硝系統(tǒng)出口NOx值；模型輸出為：下一時刻的①SCR脫硝系統(tǒng)出口NOx值。本文共采集了1個月的運行數(shù)據(jù)，前一周數(shù)據(jù)用于訓練，后三周數(shù)據(jù)用于驗證模型穩(wěn)定性。數(shù)據(jù)采樣周期為10 s，訓練數(shù)據(jù)集總長度為69 121，各參數(shù)變化范圍如表1所示。

表1 各參數(shù)單位及變化范圍Table 1 Each parameter unit and variation range

1.2 多層感知器神經網(wǎng)絡

多層感知器神經網(wǎng)絡［25，26］（MLP）的概念最先由Rosenblatt 于1952 年提出。多層感知器神經網(wǎng)絡是人工神經網(wǎng)絡的一種，一般由一個輸入層、幾個隱藏層和一個輸出層組成。人工神經網(wǎng)絡［27，28］由一組突觸連接構成，每個連接都有對應的權重，所有輸入經過加權之后與偏置相加，通過激活函數(shù)來轉化輸出，使得其幅度范圍縮小到有限值。其數(shù)學表達式為：

式（1）中，x為輸入值，和為第1層的權值，σ1為第1層的激活函數(shù)，神經網(wǎng)絡的輸出是最后一層的值zm。

1.3 基于多層感知機的SCR脫硝系統(tǒng)預測建模

為了避免各輸入?yún)?shù)由于數(shù)量級和變化范圍不同所導致的建模效果不佳，對輸入?yún)?shù)進行歸一化處理。引入EarlyStopping［29］方法避免過擬合，該方法可根據(jù)指定的評價標準及時停止模型的訓練，當連續(xù)n代訓練模型的評價低于之前訓練的最好結果時，立即停止模型的訓練，這樣就可以避免繼續(xù)訓練導致誤差繼續(xù)增大，激活函數(shù)選用線性整流函數(shù)（ReLU），采用Adam 優(yōu)化器對MLP 神經網(wǎng)絡模型進行訓練［30-34］。Adam 是一種基于低階矩自適應估計的一階梯度隨機目標函數(shù)優(yōu)化算法，該方法易于實現(xiàn)，計算效率高，內存需求少，非常適合于數(shù)據(jù)或參數(shù)較大的問題，同時也適用于非平穩(wěn)目標和非常嘈雜或稀疏梯度的問題。

使用均方誤差（MSE）評價標準對模型進行評價，其公式為：

2 結果與討論

2.1 基于多層感知機的SCR脫硝系統(tǒng)預測建模

采用基于多層感知機對SCR脫硝系統(tǒng)預測建模需對時間步長、網(wǎng)絡層數(shù)、隱藏層節(jié)點數(shù)及訓練批次數(shù)據(jù)量大小進行優(yōu)化。

時間步長調參結果如圖1所示，計算時模型采用2個隱藏層，每個隱藏層節(jié)點數(shù)為5。

由圖1 可以看出，時間步長設置太小或太大都會導致MSE較大，當時間步長為3時，訓練集和測試集的MSE 較小。在保證模型精度的情況下，考慮計算所需時間和資源，最終選擇模型的時間步長為3。

圖1 時間步長調參結果Fig.1 Parameter adjustment results of time step-length

神經網(wǎng)絡隱藏層數(shù)量優(yōu)化如圖2 所示，模型的隱藏層節(jié)點數(shù)為5，時間步長為3。

圖2 隱藏層個數(shù)調參結果Fig.2 Parameter adjustment results of the number of hidden layers

由圖2 可以看出，隱藏層個數(shù)除了1 層之外，其他2至5層MSE誤差均相差不大，在保證模型精度的情況下，考慮計算所需時間和資源，最終選擇隱藏層個數(shù)為2。

神經網(wǎng)絡每個隱藏層節(jié)點數(shù)優(yōu)化如圖3所示，隱藏層個數(shù)為2個，時間步長為3。由圖3可以看出，每個隱藏層個數(shù)為1個和2個時，模型效果很差，驗證集MSE誤差分別為31和29，當隱藏層節(jié)點數(shù)在3個至5個時，模型的效果提升明顯，驗證集MSE 誤差分別為0.189、0.191和0.193，因此確定最終每個隱藏層節(jié)點數(shù)為3個。

圖3 不同節(jié)點數(shù)調參結果Fig.3 Parameter adjustment results of the number of different nodes

經過對模型參數(shù)的調整，最終確定多層感知器結構為：時間步長為3，隱藏層數(shù)為2，隱藏層節(jié)點數(shù)為3，激活函數(shù)選用ReLU，其訓練過程如圖4 所示，可以看出，在第12 代-15 代的評價指標已不下降，并在50 代時停止了訓練。

圖4 MLP訓練過程Fig.4 Training process of MLP

圖5顯示了模型在測試集上的預測效果和誤差分布，可以看出，預測值與實際值基本吻合，相關系數(shù)達到了0.99，絕對誤差在0 附近波動，波動范圍不大，說明訓練出來的模型有很好的預測能力。

圖5 SCR出口NOx值預測效果Fig.5 Prediction effect of NOx concentration at SCR outlet

圖6為測試集的預測值與實際值之間誤差的頻率分布圖，可以很明顯地看出測試集的誤差呈期望值為0 的正態(tài)分布，約有78.78%測試集樣本的誤差絕對值位于±0.5 mg/Nm3之間，有18.5%測試集樣本的誤差絕對值位于±0.5 mg/Nm3至±1 mg/Nm3之間。

圖6 MLP模型訓練誤差頻率Fig.6 Training error frequency of MLP model

2.2 基于多層感知機的SCR脫硝系統(tǒng)模型階躍測試

為進一步驗證模型的效果，針對多層感知機模型還做了階躍測試，以驗證不同特征變化下，SCR 出口NOx值的響應情況，具體階躍效果如圖7所示。

圖7 展示了SCR 噴氨閥門開度特征階躍效果，針對不同的SCR 噴氨閥門開度階躍幅度，模型均做出合理且平滑的響應。SCR噴氨閥門開度階躍+0.5%，SCR出口NOx值降低-0.36 mg/Nm3，SCR 噴氨閥門開度階躍+1%，SCR 出口NOx值降低0.72 mg/Nm3，SCR 噴氨閥門開度階躍+1.5%，SCR 出口NOx值降低0.36 mg/Nm3，SCR 噴氨閥門開度階躍+0.5%，SCR 出口NOx值降低1.09 mg/Nm3，SCR 噴氨閥門開度階躍-0.5%，SCR 出口NOx值升高0.37 mg/Nm3，SCR 噴氨閥門開度階躍-1%，SCR 出口NOx值升高0.74 mg/Nm3，SCR 噴氨閥門開度階躍-1.5%，SCR出口NOx值升高1.1 mg/Nm3。

圖7 MLP模型特征階躍響應Fig.7 Features step response of MLP model

3 結論

本文以某660 MW 亞臨界燃煤鍋爐為研究對象，建立了基于多層感知器神經網(wǎng)絡的SCR脫硝系統(tǒng)預測模型。結果表明，MLP 訓練模型在測試集上的均方誤差為0.189，相關系數(shù)達到了0.99，同時針對SCR 噴氨閥門開度特征的階躍變化也作出了合理的響應，所建立的模型可用于SCR噴氨控制器設計與優(yōu)化。