0 引言

我國以煤為主的資源稟賦形成了煤電為主體的電力生產(chǎn)和消費結(jié)構(gòu)。在“雙碳”目標的背景下，我國大力發(fā)展以光伏發(fā)電、風電等有波動特點的新能源的同時，也不能忽視煤電在能源轉(zhuǎn)型的過程中作為電源供應(yīng)和電網(wǎng)安全保障壓艙石的重要作用。在提高煤電靈活性和穩(wěn)定性的同時，SO2的排放能否得到有效的控制，已成為燃煤電站面臨的重要問題[1]。目前，燃煤電站常用的煙氣脫硫系統(tǒng)為石灰石-石膏濕法煙氣脫硫系統(tǒng)[2]，雖然該系統(tǒng)比較成熟，運行成本及脫硫效率都比較理想，但同時也存 在慣性大和實時性差等缺點。當負荷變化時，可能因運行人員操作的不及時，致使出口SO2濃度超標[3]。同時，當取樣管路進行吹掃作業(yè)、取樣泵損壞等情況發(fā)生時，脫硫系統(tǒng)出口SO2濃度將不能得到及時檢測，同樣會造成電廠經(jīng)濟成本的增加。傳統(tǒng)的預(yù)測方法大都是以機理建模的方式構(gòu)造機理模型，該模型計算過程復(fù)雜、準確率較低且泛化能力較差，且不能有效利用DCS歷史數(shù)據(jù)庫。基于電廠DCS建立的數(shù)據(jù)庫，通過機器學習等方法搭建預(yù)測模型，對各種線性和非線性序列進行高精度擬合，是一類新興起的基于數(shù)據(jù)挖掘和模型優(yōu)化的方法。利用機器學習算法建立脫硫系統(tǒng)出口SO2排放濃度的預(yù)測模型，不僅能夠精準預(yù)測SO2排放濃度，對電廠實際運行參數(shù)的調(diào)整起到指導(dǎo)作用，同時也對降低發(fā)電過程中的污染排放和運行成本具有重要的實際意義和應(yīng)用價值。

近年來，隨著機器學習等算法的深入研究[4]，其被普遍使用在各種預(yù)測模型的建立。當前，對燃煤電廠進行建模的方法有：人工神經(jīng)網(wǎng)絡(luò)(Artificial  Neural Networks，ANN)、最小二乘支持向量機(Least Squares  Support Vector Machine，LSSVM)、長短期記憶網(wǎng)絡(luò)(Long Short-Term Memory，LSTM)等，利用這些算法建立的模型都取得了較好的預(yù)測效果。Tang等人[5]利用LSSVM建立了電站爐膛溫度預(yù)測模型；Liu等人[6]利用LSTM對非線性船舶航行行為進行了建模。雖然LSSVM處理時序數(shù)據(jù)時有一定的優(yōu)勢，但是當處理大樣本數(shù)據(jù)時，會導(dǎo)致過擬合，并且計算時間過長，不利于實際應(yīng)用[7]。而LSTM雖具有能夠?qū)v史數(shù)據(jù)進行長期記憶的神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)，并在建立時序預(yù)測模型時具有很大優(yōu)勢[8]，但是其網(wǎng)絡(luò)結(jié)構(gòu)較為復(fù)雜，在處理大量高維數(shù)據(jù)時收斂速度緩慢。門控循環(huán)單元GRU[9]在LSTM的基礎(chǔ)上簡化了門控結(jié)構(gòu)，減少了可訓練參數(shù)總量進而使得訓練速度加快，同時預(yù)測精度也有一定的提升。

GRU模型的超參數(shù)采取傳統(tǒng)經(jīng)驗、試錯法來確定較為困難，因此其模型超參數(shù)通常采用PSO粒子群算法訓練得到。但PSO算法同樣存在精度不高、易陷入局部極值的缺點，故對其算法中的權(quán)重ω進行改造并引入突變機制。改進的粒子群算法(IPSO)在克服傳統(tǒng)PSO算法缺點的同時粒子尋優(yōu)能力得到進一步提升。

綜上所述，本文提出一種基于特征選擇的IPSO-GRU的脫硫系統(tǒng)出口SO2濃度預(yù)測模型。首先，通過mRMR對原始數(shù)據(jù)進行選擇，得到與出口SO2相關(guān)性較大而冗余度較小的6個代表變量。然后對篩選后的數(shù)據(jù)進行滑動平均處理，減少因設(shè)備等問題而產(chǎn)生的數(shù)據(jù)擾動，并將其作為模型的輸入。隨后通過IPSO確定GRU模型的關(guān)鍵超參數(shù)，最終實現(xiàn)對脫硫系統(tǒng)出口二氧化硫濃度的預(yù)測。利用陜西某600 MW電廠現(xiàn)場運行數(shù)據(jù)進行實驗，通過與其他模型比對，驗證所提模型的效果。

本文詳細內(nèi)容請下載：http://m.jysgc.com/resource/share/2000005215

作者信息：

楊兆祥，金秀章

(華北電力大學 控制與計算機工程學院，河北 保定071003)