基于深度神经网络的脱硫系统预测模型及应用

基于深度神经网络的脱硫系统预测模型及应用摘要本文建立了一个隐含层包含一个长短期记忆层（Long-shortTermMemory,LSTM）、两个线性整流函数层（RectifiedLinearUnit,ReLU）、两个全连接层（FullyConnectedLayer）和输入、输出层组成的深度神经网络用于脱硫系统主要指标猜测。该模型对输入参数采纳了指数滑动平均、合并最小分析周期等数据预处理技术进行降噪，在网络训练过程中采纳out技术防止过拟合。仿真结果对比现场数据表明，模型对浆液pH值、出口SO2浓度和脱硫率均体现出良好的猜测力量。本文还结合某2×350MW

燃煤电厂供应的实际工数据，以石灰石供浆密度对系统脱硫性能的影响为例，具体介绍了利用所建立的深度神经网络模型测试湿法脱硫系统各参数指标对脱硫效果的影响，并结合化学机理和工业实际进行的诊断过程。关键词：燃煤电厂；脱硫系统；计算机模拟；深度学习；神经网络；猜测；模型应用；才智环保；当前，国家正加快推动以5G、人工智能、工业互联网、物联网为代表的新型基础设施建设（新基建），电力行业的智能化建设也蓬勃进展。国内大型火力发电厂很早就实现了厂级DCS数据监控，历史运行数据丰富，为实现数据驱动的神经网络建模供应了有利条件。由于脱硫系统受各种简单工况的影响，且具有大惯性、非线性等特点，化学机理建模只能较粗略地对脱硫系统重要指标进行猜测。当前化学机理建模的手段主要是通过传质理论、化学动力学建立系列微分方程求解，或通过离子平衡规律、电中性原理建立守恒方程求解。化学机理建模的优势在于可以计算和推断各主要化学物质的浓度和存在形式，并可以对物质的空间分布进行分析。但是，化学机理建模也面临因计算代价大从而过度简化、无法考虑简单工况等问题，导致猜测效果较差，模型迁移力量不强。随着人工智能技术的高速进展，神经网络技术渐渐被应用于对脱硫系统进行建模猜测。早期技术主要是基于简洁的反向传播（BackPropagation,BP）设计神经网络，但因BP网络结构简洁，存在一些问题。苏向鹏等采纳了基于径向基函数（RadicalBasisFunction，RBF）的改进模型，改善了BP网络易陷入局部最小值的缺陷；李军红等利用的广义回归神经网络（GeneralizedRegressionNeuralNetwork，GRNN）是基于RBF网络改进的神经网络模型，针对样本较少的状况，猜测效果有所改善。但上述改进仍未考虑脱硫系统大惯性的特点，FUJ等使的用LSTM网络，就能实现信息在时序上传递。不过因其设计的网络只使用了LSTM一种结构，神经网络在结构设计上还有改进空间。基于上述分析，本文采纳多种网络结构和数据处理技术设计深度神经网络模型，模型猜测误差水平和训练代价显著下降。1神经网络输入数据预处理1.1输入数据降噪预处理本文采纳华北某2×350MW电厂2019年7月1日到27日按分钟记录的脱硫环保数据集（共计40000条）进行网络参数训练，模型选取的14个分析指标和DCS监测值基本变动范围如表1所示：表1神经网络的输入指标和其波动范围<imgsrc=“/UploadFiles/2020001/202010/Env/202010251656286991.png”alt=“1.png”width=“688”height=“246”/本文对DCS供应的原始数据采纳指数滑动平均技术(ExponentialMovingAverage,EMA)进行降噪。由于电厂监测系统测量值易受温度、湿度等影响而漂移，EMA可以使得数据输入更重视变化趋势而不是瞬时振荡，对神经网络模型训练过程、防止过拟合有乐观作用。<imgsrc=“/UploadFiles/2020001/202010/Env/202010251656286996.png”alt=“1.png”width=“577”height=“117”/式中：vt为t时刻指数滑动平均值，rt原始值。β为递减系数，l为窗口长度(min)。为更好地平衡降噪和趋势保留，对不同变量，本文采纳不同的l值，使得测量噪声得以消去，而变化趋势得以保留。图1中，展现了入口烟气流量、SO2含量经过滑动平均的分析结果（l分别取7和5）和监测值的对比。对其他变量，模型采纳的l值基本在5~15之间。<imgsrc=“/UploadFiles/2020001/202010/Env/202010251656280186.png”alt=“1.png”width=“636”height=“293”/图1数据EMA降噪结果展现1.2最小分析时间周期划分目前基于神经网络的脱硫系统相关猜测模型，大都是基于前1min的DCS监测值猜测后1min的监测值。这样模型的猜测误差虽然较小，但由于掌握系统的响应很难达到如此小的时间精度，实际应用中仍需要对一个段时间段（一般为掌握系统最小响应时间）取平均，再带入网络计算，而由于网络是针对1min设计和训练的，就简单造成较大误差。所以，本文在建模初始就进行了最小分析时间周期的划分，在数据预处理、网络架构上都适当考虑了适应较长猜测时间的需求，只需要对模型参数调整即可转变最小猜测周期。图2展现了本文所建立模型的猜测误差随最小分析周期变动的箱线图。箱体下端为25%分位数的位置，箱体上端为75%分位数的位置，这表明箱体包含了50%误差值分布。除了箱体的上下边缘外，箱线图还展现了几个偏离程度较大的特别点。<imgsrc=“/UploadFiles/2020001/202010/Env/202010251656286345.png”alt=“1.png”width=“506”height=“264”/图2最小分析周期变化对模型性能的影响明显，最小分析周期增大，误差边缘范围扩大、特别点增多，这是做长时段猜测必定面对的状况，电厂可以依据容忍的误差限和最短工况反应时间选定网络参数。本文模型采纳最小分析周期为3min，且猜测效果达到预期后选择尽可能简洁的深度神经网络结构加速运算过程。当前状况下，模型的训练时长为1分17秒，计算输出结果仅需数秒，小于最小分析周期，可以满意工业实际需求。为了体现输入工况的时滞性并削减特别值输入对模型影响，模型在处理输入时还采纳了加权周期处理，周期设置一般取3~5个最小分析单元。之后的猜测结果表明，此做法增加了模型的鲁棒性，模型对特别输入的响应不敏感。图3展现了本文所建立模型的数据预处理过程。<imgsrc=“/UploadFiles/2020001/202010/Env/202010251656281099.png”alt=“1.png”width=“582”height=“272”/图3模型数据预处理过程2神经网络结构及训练方法2.1神经网络模型结构本文所建立的深度神经网络模型结构如图4所示，除了常规的输入层、输出层和全连接层外，还引入了LSTM层、ReLU层和out模块，增加了网络的猜测力量和泛化性能。<imgsrc=“/UploadFiles/2020001/202010/Env/202010251656281459.png”alt=“1.png”width=“396”height=“232”/图4深度神经网络的设计结构在神经网络结构中，循环神经网络（RecurrentNeuralNetwork，RNN）一般用于解决时序问题。但RNN在训练过程中简单发生“梯度消逝”现象。LSTM本质也是一种RNN，但由于其奇妙设计了门限结构，可将之前的工况影响选择性地记忆或遗忘，并能解决RNN的“梯度消逝”问题。近年，LSTM已在电厂NOx排放量猜测和电力市场及负荷猜测被中应用。本文模型使用的LSTM层的基本运算流程如图5所示，模型中架设设1个LSTM层，含如图示节点神经元128个，梯度阈值设置为1，并采纳L2正则化方法，正则化系数为0.0001。<imgsrc=“/UploadFiles/2020001/202010/Env/202010251656280249.png”alt=“1.png”width=“430”height=“147”/图5LSTM网络结构的运算流程模型在LSTM层和全连接层后都架设了ReLU层。相较于LSTM层、全连接层使用的sigmoid或tanh激活函数，使用ReLU激活函数计算神经元响应，计算简单度显著下降。另对深度神经网络而言，ReLU激活函数可显著降低因sigmoid激活函数接近饱和区时导数趋于0带来的梯度消逝现象。此外，在输入小于0时，ReLU层的输出也为0，削减了网络间相互依靠过程，对防止模型过拟合有乐观作用。2.2模型训练过程网络参数训练采纳自适应矩估量(Adaptivemomentestimation,ADAM)方法掌握梯度下降过程。设置初始学习速率0.013，最学校习批次为256，为防止梯度爆炸，设置梯度阈值为1。模型最大训练轮数为60轮，每20轮后，学习速率降低到原先的0.6。在模型训练过程中，采纳out技术防止模型过拟合，该技术由人工智能领域闻名学者Hinton在2014受自然选择和有性生殖过程启发而提出。如图6，out技术在深度神经网络的训练过程中，根据肯定的概率将部分神经网络单元临时隐蔽，此时相当于从原始的网络中选取一个更简洁的网络进行训练。在本文提出的深度神经网络模型训练中，在其次个ReLU层后使用了一个out模块，丢弃率取0.2。<imgsrc=“/UploadFiles/2020001/202010/Env/202010251656295042.png”alt=“1.png”width=“325”height=“178”/图6Hinton在论文中展现的out示意图3模型的输出结果分析依据第2章中神经网络结构和计算方法，模型输出值为下个最小分析周期的pH和出口SO2浓度。但在电厂实际运行中，脱硫率是运行人员推断汲取塔实时脱硫力量、对掌握策略做出调整的重要参考指标。目前主流的脱硫系统神经网络模型也大都以脱硫率猜测结果来评价模型的性能。故本模型将猜测的出口SO2浓度转化，增加脱硫率指标，一则贴近现场需求，二则便利与其他模型猜测性能进行比较。脱硫效率计算公式如下：<imgsrc=“/UploadFiles/2020001/202010/Env/202010251656297269.png”alt=“1.png”width=“646”height=“97”/3.1关于脱硫率和pH值的猜测结果分析图7，图8展现了训练后神经网络模型在测试集上的猜测结果与实际值对比。测试数据集采纳华北某2×350MW电厂2019年7月28日到30日中按分钟记录的一段DCS监控数据（共4000条）。从图中展现的系统出口SO2含量、脱硫率的DCS降噪处理后的实际值（蓝线）和神经网络猜测输出结果（红线）的对比可以看出，猜测出口SO2含量和脱硫率变化趋势和实际值对应，模型猜测效果良好。<imgsrc=“/UploadFiles/2020001/202010/Env/202010251656292262.png”alt=“1.png”width=“508”height=“271”/图7出口SO2浓度降噪后实际值和猜测值的对比<imgsrc=“/UploadFiles/2020001/202010/Env/202010251656297850.png”alt=“1.png”width=“510”height=“268”/图8出口脱硫率降噪后实际值和猜测值的对比分析此外，图9展现了DCS降噪前的实际监测值（蓝线）和降噪后的实际值（绿线）以及神经网络的猜测值（红线）在测试集2400min到4000min的一段局部对比。图中3100~3200min、3400~3500min及3700min~3900min内，DCS监测值振荡严峻，而神经网络猜测值平滑变动。可以看出，神经网络的猜测结果能跟随出口SO2含量的变化趋势，但不会跟随监测噪声振荡，表明模型的预处理手段和系数选取合适。<imgsrc=“/UploadFiles/2020001/202010/Env/202010251656293440.png”alt=“1.png”width=“506”height=“307”/图9出口SO2浓度降噪后实际值和猜测值的对比（局部放大）DCS对pH监测时，也会发生同样的随机波动误差，但除此之外，由于pH计管每隔2h冲洗一次，会导致测定点pH值瞬间上升，所以此时DCS测量的pH值数据不能很好地反应汲取塔浆液真实状况。不过，由于本文的数据预处理技术，神经网络模型对此刻的突变并不敏感。这表明在DCS监测值因某种缘由失真的状况下，模型猜测值可以实现肯定程度上的“软测量”功能，帮助运行人员决策。图10就展现了这种情形，图中蓝线为DCS实时反应的pH值，绿线为预处理降噪后的pH值，红线为神经网络的猜测输出结果。<imgsrc=“/UploadFiles/2020001/202010/Env/202010251656291827.png”alt=“1.png”width=“502”height=“299”/图10浆液pH实际值和猜测值的对比分析3.2关于脱硫率和pH值的猜测结果指标评价由前文3.1节所争论的，为降低DCS监测数据中振荡噪声带来的影响，在模型评价中使用经过降噪处理，并以3min为最小分析周期取平均值合并的实际值作为真实值标准评价模型的猜测误差。本节采纳了3个指标：均方根误差（RootMeanSquareError,RMSE）用于反映泛化误差水平，平均百分误差（MeanAbsolutePercentageError,MAPE）用于直观体现猜测值的偏差水平，误差值的方差用于直观反应模型的泛化力量，上述指标计算公式如下：<imgsrc=“/UploadFiles/2020001/202010/Env/202010251656290312.png”alt=“1.png”width=“596”height=“82”/表2集中展现了浆液pH值、出口SO2浓度和系统脱硫率的猜测结果主要评价分析指标RMSE、MAPE和误差的方差。结果表明，模型猜测力量很强，猜测误差很小。表2神经网络输出指标和其波动范围<imgsrc=“/UploadFiles/2020001/202010/Env/202010251656293904.png”alt=“1.png”width=“658”height=“121”/图11(a)、(b)为模型猜测pH和脱硫率的误差频次分布图，可以看出，猜测结果的误差分布接近均值为0的正态分布，说明模型的猜测效果较好。<imgsrc=“/UploadFiles/2020001/202010/Env/202010251656304000.png”alt=“1.png”width=“635”height=“269”/图11猜测pH和脱硫率误差的频次分布直方图3.3本模型与其他主流神经网络猜测性能对比神经网络的结构种类有许多，为验证本文使用深度神经网络模型猜测脱硫率和pH具有良好效果，本节采纳目前主要流行的深度BP神经网络、LSTM神经网络模型与本文提出的人工深度神经网络的猜测效果进行对比。对比指标选择浆液pH值和系统脱硫率，最小分析时间周期均取5min，对比的参数是RMSE和MAPE。对不同的模型，输入参数采纳同样的数据处理和降噪手段。本文对比采纳的深度BP神经参照文献设计，为提高网络性能，BP隐含层数量增至10层，LSTM神经网络参照FUJ等文献模型的参数和架构设计，因FUJ在文献中已经对比LSTM神经网络相对RNN网络的优势，本文不再设计RNN对比。<imgsrc=“/UploadFiles/2020001/202010/Env/202010251656307594.png”alt=“1.png”width=“632”height=“276”/图12不同网络猜测pH和脱硫率误差主要指标对比如图12，本文提出的深度神经网络模型对于pH的猜测值RMSE=0.0947,优于深度BP的0.116、仅使用LSTM层模型的0.1095；脱硫率方面，本文模型脱硫率猜测值的RMSR=0.1066，而深度BP的猜测值RMSE=0.2781，几乎是本文深度神经网络模型猜测泛化误差的两倍，而仅使用LSTM的猜测值RMSE=0.2351（FUJ等文献中所求RMSE=0.2909，可能因其数据未经本文预处理手段，噪声较大降低模型性能），仅仅略优于深度BP的猜测效果。上述结果说明，本文提出的深度神经网络模型在5min尺度上的猜测结果要明显优于主流的BP和仅使用LSTM神经网络。4模型应用案例4.1模型对石灰石供浆密度对出口SO2和脱硫率影响仿真脱硫系统出于自身平安性的考虑，往往不能进行大范围、多状态试验，导致探究脱硫系统内各变化因素对系统的影响一般通过建立中试平台试验完成，但这种做法往往存在较大的误差，不能很好反应脱硫系统真实状况。本文神经网络模型建立完成后，事实上供应了一种基于计算机仿真的工况诊断与优化分析方法，并且因模型在训练时使用的是特定电厂的数据，相对于一般的中小试试验更有针对性。本节案例选取石灰石供浆密度对系统脱硫性能的影响，测试值位点选择为系统各工况参数均值四周最也许率分布区间内的中位数值。测试范围为监测状况下该工况参数变动范围的95%，测试因素变化时，其他工况参数条件不变。图13为本文深度神经网络的仿真结果。图中可见，石灰石供浆密度在达到1260kg/m3左右时，对系统脱硫率的贡献就特别有限，而增大到1270kg/m3以上时，过高的石灰石浆液密度甚至抑制了塔内反应，导致脱硫率下降，出口SO2浓度上升。<imgsrc=“/UploadFiles/2020001/202010/Env/202010251656307529.png”alt=“1.png”width=“650”height=“284”/图13汲取塔石灰石浆液密度对出口脱硫率和SO2浓度的影响从化学传质和反应的角度可以解释上述模型的仿真结果：一般状况下，石灰石浆液密度上升，脱硫率增大，是因密度较低时，CaCO3含量不足，化学反应不充分导致脱硫率低，同时CaSO4密度小，也使石膏晶体不易生成长大。但是当浆液密度过大时，浆液中CaCO3的浓度趋于饱和，增加的石灰石溶解并不充分，不能进一步提升脱硫率，并且由于生成的CaSO4溶解度小，过饱和的CaSO4可能掩盖在碳酸钙表面，阻滞反应。此外，由于汲取塔浆液密度和石灰石浆液密度具有关联性，长期输入过高密度的石灰石浆液可能间接提升汲取塔浆液密度，触发石膏排出泵工作，导致未反应的CaCO3也一并排出，造成脱硫剂铺张，并降低石膏品质。4.2结合仿真结果对电厂实际工况的分析图14为该厂脱硫系统2019年7月1日到31日（共44640条）按min记录的汲取塔石灰石浆液密度频次分布图。发觉监测的2019年7月工况下，超过1260kg/m3的时间段占比为6.45%，其中超过1270kg/m3的时间段占比为1.91%。该厂部分时间段存在石灰石供浆密度过大而对脱硫反应不利的状况。电厂应尽量削减供浆密度超过这一限值的状况。<imgsrc=“/UploadFiles/2020001/202010/Env/202010251656304712.png”alt=“1.png”width=“328”height=“187”/图14监测时段汲取塔石灰石浆液密度频次分布图由于神经网络模型属于端对端模型，对于输入和输出之间简单测试影响，而对于其他中间过程则属于“黑箱”，故本团队同时也设计了基于化学机理的过程模型进行补充探讨中间过程、使得诊断过程更加全面。通过该机理模型推理反应线索，认为过高的石灰石供浆浆液密度除了影响汲取塔内的化学反应，还会导致汲取塔浆液密度过高、结垢倾向大。结合工程阅历，还可能导致浆液循环泵叶轮磨损，在汲取塔壁、汲取塔底部和循环泵入口滤网结垢。综上，应对电厂脱硫系统相关位置做结垢分析。<imgsrc=“/UploadFiles/2020001/202010/Env/202010251656308566.png”alt=“1.png”width=“671”height=“217”/图15汲取塔壁垢样、健康石膏和循环泵滤网入口垢样的SEM图图15是