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和消費結構。在“雙碳”目標的背景下，我國大力發展以光伏發電、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型的過程中作為電源供應和電網安全保障壓艙石的重要作用。在提高煤電靈活性和穩定性的同時，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為石灰石-石膏濕法煙氣脫硫系統[2]，雖然該系統比較成熟，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、取樣泵損壞等情況發生時，脫硫系統出口SO2濃度將不能得到及時檢測，同樣會造成電廠經濟成本的增加。傳統的預測方法大都是以機理建模的方式構造機理模型，該模型計算過程復雜、準確率較低且泛化能力較差，且不能有效利用DCS歷史數據庫。基于電廠DCS建立的數據庫，通過機器學習等方法搭建預測模型，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據挖掘和模型優化的方法。利用機器學習算法建立脫硫系統出口SO2排放濃度的預測模型，不僅能夠精準預測SO2排放濃度，對電廠實際運行參數的調整起到指導作用，同時也對降低發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：人工神經網絡(Artificial  Neural Networks，ANN)、最小二乘支持向量機(Least Squares  Support Vector Machine，LSSVM)、長短期記憶網絡(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測效果。Tang等人[5]利用LSSVM建立了電站爐膛溫度預測模型；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處理時序數據時有一定的優勢，但是當處理大樣本數據時，會導致過擬合，并且計算時間過長，不利于實際應用[7]。而LSTM雖具有能夠對歷史數據進行長期記憶的神經網絡結構，并在建立時序預測模型時具有很大優勢[8]，但是其網絡結構較為復雜，在處理大量高維數據時收斂速度緩慢。門控循環單元GRU[9]在LSTM的基礎上簡化了門控結構，減少了可訓練參數總量進而使得訓練速度加快，同時預測精度也有一定的提升。

GRU模型的超參數采取傳統經驗、試錯法來確定較為困難，因此其模型超參數通常采用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PSO算法缺點的同時粒子尋優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的脫硫系統出口SO2濃度預測模型。首先，通過mRMR對原始數據進行選擇，得到與出口SO2相關性較大而冗余度較小的6個代表變量。然后對篩選后的數據進行滑動平均處理，減少因設備等問題而產生的數據擾動，并將其作為模型的輸入。隨后通過IPSO確定GRU模型的關鍵超參數，最終實現對脫硫系統出口二氧化硫濃度的預測。利用陜西某600 MW電廠現場運行數據進行實驗，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)