首页 > 论文范文 > 医药卫生论文 > 基于深度信念网络的循环流化床SO2排放浓度预测

基于深度信念网络的循环流化床SO2排放浓度预测

2024-03-02 103 上传者：管理员

摘要：我国火电机组超低排放要求二氧化硫排放时，其质量浓度小于35 mg/m3，精准预测SO2排放浓度并加以控制对于火电机组环保运行具有重要意义。针对循环流化床SO2排放浓度预测问题，引入深度机器学习方法建立了基于深度信念网络的SO2排放浓度预测模型。首先，通过机理分析确定影响SO2排放浓度的操作变量，并作为模型输入；其次，利用DBN网络提取模型输入的深度特征，以ELM作为回归器建立预测模型；最后，将DBN-ELM模型与目前常用的3种SO2排放浓度预测模型进行了对比，结果表明，该模型均方根误差、平均绝对误差分别为175.3 mg/m3、117.6 mg/m3，预测精度远高于其他3种对比模型，在实际工程中更具有应用价值。

关键词：
SO2排放浓度
极限学习机
深度信念网络
环保监测
预测模型
加入收藏

燃煤机组SO2排放浓度是环保监测的重要指标之一，对其进行精准监测对于机组环保运行具有重要意义。实时获取燃煤机组SO2排放浓度的方法主要有2种。一种是通过CEMS仪表进行检测，由于传感器通常处于高温、高流速和强腐蚀性的测量环境中，损耗和维护成本高。另一种是利用机器学习方法构建SO2排放浓度预测模型。相比于仪表测量方法，该方法成本低廉，模型运行环境稳定，维护方便且不影响机组运行，因此受到了广泛的关注。

目前利用机器学习方法构建SO2排放浓度预测模型存在以下问题：一是在建模方法上，主要集中在利用最小二乘向量机[1,2,3]、极限学习机[4,5]、BP神经网络[6,7]、自适应模糊推理辨识法[8]等浅层机器学习方法，浅层机器学习方法对数据的学习能力有限，模型预测精度有待提高；二是在模型输入方面，直接以影响SO2排放浓度的因素为输入或者利用特征选择方法[9,10,11,12]对影响因素进行筛选。火电厂生产过程是一个多变量、强耦合、非线性的热工过程，影响SO2排放浓度的因素互相耦合，有必要通过特征提取充分挖掘耦合因素中包含的有效信息。

针对以上两方面的问题，本文引入深度机器学习方法提出基于深度信念网络的燃煤电厂SO2排放浓度预测模型。首先，通过机理分析明确影响SO2排放浓度的因素，并作为模型输入特征；其次，利用深度信念网络进行输入特征提取获取各个影响因素包含的深层特征，并构建基于深度信念网络的SO2排放浓度预测模型。最后，通过与3种常用的SO2排放浓度预测模型比较，证明本文使用的模型具有更高的预测精度和学习效率。

1、基于深度信念网络的数学模型

1.1深度信念网络原理

深度信念网络DBN(deep belief network）由多个受限玻尔兹曼机RBM(restricted Boltzmann machine）构成，具有较强的数据特征提取能力和学习能力。单个RBM包含一个可视层和一个隐含层。DBN通常包含一个可视层，若干个隐含层，一个输出层。由3个RBM构成的DBN结构如图1所示。

图1 DBN结构图

其中，θ=[w,a,b]，可见层神经元i的状态为vi，偏置为ai；隐含层神经元j的状态为hj，偏置为bj;wi,j为不同层神经元的连接权重。

RBM各层的联合概率分布可表示为

在梯度下降[13]过程中使用对比散度方法更新RBM参数

其中，<>data代表在训练数据上的期望，<>recon代表对模型的期望。采用式（4）更新深度信念网络各个参数

其中，iter代表当前的迭代次数；ε代表网络的学习速率；m代表动量项；vi'为重构可见层神经元i的状态；hj'表示重构隐含层神经元j的状态。

1.2回归器

原始输入特征经过DBN网络完成特征提取后，需输入到回归器进行回归建模学习。选用极限学习机ELM(extreme learning machine）作为回归器。隐层神经元个数为n的ELM表达式为

其中，g(x）为隐含层激活函数；x'i为训练数据集输入向量；m代表样本个数；β、a为连接权值矩阵，分别由隐含层和输出层神经元之间的连接权值以及隐含层和输入层神经元之间的连接权值构成；d为隐含层偏置向量。

通过训练ELM获取表达式Hβ=Y的最小二乘解，矩阵H表示为

已知H和Y，求解Hβ=Y的极小范数最小二乘解得到权值矩阵β。

1.3 DBN-ELM模型

本文所构建的DBN-ELM模型结构如图2所示。模型主要分为2部分，第1部分由DBN构成，主要功能为提取输入数据的深度特征，并将提取到的特征输入至ELM可见层；第2部分由ELM构成，主要功能为结合DBN提取的深度特征以及模型输出值进行回归学习。实际应用中，可根据具体情况增减DBN网络中隐含层层数。

图2 DBN-ELM结构图

2、SO2排放浓度预测模型

2.1输入变量选择

本文的研究对象为某电厂单炉膛350 MW超临界循环流化床锅炉，气固分离由3台高温冷却式旋风分离器完成，炉膛为膜式水冷壁炉膛，M型布置、平衡通风、一次中间再热。其结构示意图如图3所示。

影响循环流化床SO2排放浓度的因素有：过量空气系数、机组运行负荷、机组配风方式、平均床温、床压、煤种以及炉内石灰石的供给状态。该机组未安装煤种在线测量装置，煤质信息通过离线取样化验分析获得，结果不具有实时性，文献[14,15]对此类情况下煤种作为输入参数的敏感性进行了分析，结论为可以暂时不考虑煤种对建模的影响。

图3锅炉结构示意图

结合影响因素以及机组测点安装情况，确定模型的输入变量为：机组负荷（x1）、给煤量（x2）、床温（x3）、床压（x4）、烟气含氧量（x5）、钙硫质量比（x6）、左右两侧冷和热一次风流量（x7～x10）、左右两侧二次风流量（x11～x12），输出变量为除尘器出口SO2排放浓度。

2.2样本数据获取

建模所需的样本数据来源于电厂PI数据库存储的历史数据。平均每隔3 min采集数据一次，持续时间为半个月，共获得约6 700组原始数据。经过数据预处理操作之后最终得到有效样本数据4 000组，随机抽取其中的3 000组数据构成训练样本数据，剩余1 000组数据构成测试数据。各负荷下SO2原始排放浓度如图4所示。

图4各负荷下SO2原始排放浓度

2.3建模流程

本文SO2排放浓度预测模型建模流程如图5所示，主要分为两步。

a）模型训练。对采集得到的原始运行数据完成数据预处理之后，将训练样本集的输入变量值输入至DBN进行特征提取，DBN的输出作为ELM的输入，同时结合输出变量值对DBN网络以及ELM进行网络参数调整。

b）模型测试。将测试样本集输入至已经训练好的模型中，对比模型的输出值与SO2排放浓度的实测值对模型预测效果进行评价。

图5 SO2排放浓度预测建模流程图

3、模型效果分析

为了观察本文所用模型的预测效果，与目前已有的3种SO2排放浓度预测模型作对比，分别为基于LSSVM、ELM以及BP神经网络的SO2排放浓度预测模型。其中，LSSVM核函数为RBF,BP为单隐层神经网络，其隐含层神经元个数为40个，隐含层激活函数为sigmoid,ELM网络参数设置与BP相同。

本文采用均方根误差（RMSE）、平均绝对误差（MAE）以及拟合优度（R2）评价各个模型预测效果，结果如表1所示。由表1可知，在训练数据集和测试数据集上，本文所用模型的RMSE、MAE均为所有模型中最小，R2为最大，本文所用模型与其他模型对比具有明显的优势，预测误差最小，泛化能力较强。

表1各SO2排放浓度预测模型预测效果

随机取100个测试样本，对比各个模型SO2排放浓度预测值与实测值，结果如图6—图9所示。由图6—图9可知，各个模型均能在一定程度上跟踪实测值的变化趋势，但各个模型的预测误差存在不同。其中，ELM以及BP神经网络的预测结果与实测值之间的误差较大，LSSVM的预测结果与实测值之间的误差略小于ELM以及BP神经网络的预测误差，DBN-ELM模型的SO2排放浓度预测值与实测值之间的误差最小，且二者基本相等的样本最多。

图6 DBN-ELM预测效果

图7 LSSVM预测效果

图8 ELM预测效果

图9 BP神经网络预测效果

为了多角度观察本文所用模型在SO2浓度排放预测方面的有效性，对各个模型在测试集上的预测误差做了统计，统计结果如图10所示。由图10可知，在预测误差小于100 mg/m3的范围内，DBNELM模型占比为56%(32%+24%），远超于其他模型，在预测误差大于500 mg/m3的范围内，DBNELM模型占比仅为1%，远远小于其他模型。

图10各模型预测误差统计

4、结论

本文将深度学习应用于循环流化床SO2排放浓度预测建模，利用某350 MW机组的历史运行数据对模型的有效性进行了验证，研究得到如下结论。

a)DBN具有较强的数据特征提取能力和数据表达能力，可以实现对模型输入变量的深度特征提取。

b)DBN-ELM在循环流化床SO2排放浓度预测方面有明显优势，相较于基于浅层机器学习方法构建的预测模型，该模型的预测精度得到了有效提升。

参考文献:

[1]梁伟灿,周宾,王汗青.基于ls-cso优化mwls-svm的so2排放浓度软测量建模[j].计算机应用与软件,2022,39(5):60-67.

[2]金秀章,李京.基于互信息pso-lssvm的so2浓度预测[j].计量学报,2021,42(5):675-680.

[3]张文广,张越,孙亚洲,等.最小二乘支持向量机俩联合改进果蝇优化算法的cfb锅炉燃烧优化[j].热力发电,2016,45(7):44-49.

[4]闫浩思,赵文杰.基于mic和mpa-kelm的脱硫出口so2浓度预测[j].计量学报,2023,44(2):271-278.

[5]李健,王东,王瑞,等.基于时延分析和ima-elm的出口so2浓度预测[j].电力科技与环保,2022,38(4):279-285.

[6]吴林峰.基于灰色关联度和bp网络的so2浓度软测量模型[j].浙江电力,2015,34(3):44-47,51.