燃煤電廠二氧化硫排放質量濃度的軟測量技術

鄭海明， 楊 志

（1．華北電力大學 能源動力與機械工程學院，保定071003；2．邢臺技師學院，邢臺054001）

為了有效控制燃煤電廠SO2排放量，必須及時準確地獲取實時數據．現階段，主要使用的監測設備是煙氣連續排放監測系統（Continuous Emission Monitoring System，簡稱CEMS），該系統對固態污染源顆粒物濃度、氣態污染物質量濃度等進行連續監測，并將監測數據信息傳送到當地環保局，確保排污企業污染物濃度和排放總量達到國家要求水平［1－2］．同時，脫硫裝置也需要依靠 CEMS的數據進行監控和管理，以提高環保設施的效率．在我國大部分坑口電廠，燃燒用煤成分比較穩定，但CEMS設備安裝費用比較高，工作環境比較惡劣，并且耗材零件的更換、保養、故障維修和定期的設備檢修需要耗費大量的人力、物力和財力．

臺灣成功大學曾針對興達發電廠燃氣機組NOx和CO氣體的排放建立了預測模型［3］，臺灣國立云林科技大學利用倒傳遞類神經和適應性模糊神經兩種方法建立了垃圾焚燒污染物煙氣排放質量濃度的軟測量模型，測試內容也主要針對NOx排放質量濃度［4］．美國某電廠針對8組往復式引擎設計了一個連續排放監控軟測量軟件，將近30個變量記錄下來并利用硬件的連續排放監測儀器每隔2min取樣一次，經過4個多月共取得超過70 000組數據，而最終的連續排放監控軟測量系統只使用了7個輸入變量，即可計算出NOx及CO的質量濃度［5］．煙氣排放的軟測量技術（Soft－sensing Technique）研究有著很大的發展空間［6－7］．

1 軟測量模型的建立

軟測量技術主要依據易測過程變量（稱輔助過程變量或二次變量）與待測過程變量之間的數學關系，實現對待測變量的預測分析．軟測量模型根據建模方法的不同可以分為2類：基于機理分析的軟測量模型和基于辨識建模的軟測量模型．

基于機理分析的軟測量方法是指運用化學反應動力學和能量平衡等原理，通過對過程對象進行機理分析，找出可測輔助變量與不可測主導變量之間的關系，從而實現對不可測變量的軟測量．對于工藝機理比較簡單的過程，基于機理建?？梢詷嬙斐龊芎玫能洔y量模型．對于復雜的工業過程，完全依賴機理分析建立軟測量模型比較困難．

基于辨識建模的軟測量方法是把輔助變量和主導變量組成的系統看做一個整體，以輔助變量作為輸入端，以主導變量作為輸出端，通過現場采集或試驗測試，獲得過程的輸入輸出數據，并以此作為依據建立軟測量模型．

筆者采用在線辨識建模方法，將燃料狀況、鍋爐的燃燒狀況等作為輸入端，二氧化硫排放質量濃度作為輸出端，采用神經網絡和遺傳算法建立軟測量模型．下面將具體分析影響SO2排放質量濃度的主要因素和闡述建模過程．

2 SO2排放質量濃度的主要影響因素

以山西大同某坑口電廠的2號機組作為研究對象．圖1為該機組鍋爐SO2排放質量濃度的CEMS實時監測圖．從84h處，鍋爐開始停機準備檢修，至252h處檢修完畢開始發電，由于在鍋爐停機狀態下，SO2排放質量濃度接近零，所以在前期數據處理過程中，將停機狀態的168h部分去除，以剩余328 h工作狀況下的數據作為學習樣本和測試樣本，建立軟測量模型．

圖1 SO2排放質量濃度的實時監測圖Fig．1 Real－time monitoring of mass concentration of SO2emission

電廠中影響SO2排放質量濃度的主要因素包括煤中硫質量分數、鍋爐負荷、燃燒溫度、含氧量、過量空氣系數、送風量和給風溫度等狀態參數［8］．由于該坑口電廠燃燒用煤較穩定，煤的成分含量變化較小，電廠化學檢驗科室每天采取一定數量的煤樣，僅測量一次煤中硫質量分數．為了進行試驗數據分析，現對電廠用煤每天進行2次硫質量分數分析，滿足建立軟測量模型所需要的數據量．圖2給出了煤中硫質量分數與SO2排放質量濃度的關系．

圖2 煤中硫質量分數與SO2排放質量濃度的關系Fig．2 Mass fraction of sulfur in coal vs．mass concentration of SO2emission

由圖2可知，SO2排放質量濃度的變化基本與煤中硫質量分數的變化相對應，煤中硫質量分數的大小是影響SO2排放質量濃度高低的主要因素之一．在100h時，鍋爐開始點火啟動，當天監測煤中硫質量分數為最高值0．63%．

燃料量變動是鍋爐運行中經常遇到的情況．當送入爐膛的煤粉量發生變化時，爐膛內的溫度和煤粉在爐內的停留時間都將發生變化，并對燃燒效率產生影響，尤其是負荷很高或很低時，燃燒效率會降低，如果燃用的是低揮發分煤，燃燒損失將會更大，SO2排放質量濃度也會受到很大影響．燃煤鍋爐機組的燃燒過程是一個十分復雜的過程，其中風量的大小與含氧量、過量空氣系數、燃燒溫度和燃燒狀況都有直接關聯．

從鍋爐運行狀態到停機過程中，先關閉一次風，停止供給燃料，繼續通入二次風，使鍋爐內燃料充分燃燒．同理，啟機過程中，先通入一次風，后通入二次風．由于這2個狀態下燃燒更加充分，SO2排放質量濃度會比平常狀態下高．圖3給出了SO2排放質量濃度與一次風量和一次風溫的對應關系．由圖3可知，SO2排放質量濃度的變化基本與一次風量和一次風溫的變化相對應．

圖3 SO2排放質量濃度與一次風溫和一次風量的對應關系Fig．3 Mass concentration of SO2emission vs．flow rate and temperature of primary air

3 利用BP網絡建立軟測量模型

通過上面的簡要分析，在燃煤鍋爐運行狀態下，影響SO2排放質量濃度的主要因素有硫質量分數、鍋爐負荷、給煤量、含氧量、過量空氣系數、二次風量、二次風溫、一次風溫、一次風量和排煙溫度．筆者選用此10組數據作為BP網絡所建立模型的輸入變量，以SO2排放質量濃度作為模型的輸出變量．

由于輸入樣本為10維輸入向量，而輸出變量只有1個，因此輸入層共有10個神經元，輸出層只有1個神經元．隱含層可以從輸入數據中提取特征信息，增加隱含層層數可以提高神經網絡的處理能力，但同時也會使神經網絡的訓練更加復雜化，延長網絡的訓練時間，本模型使用含有1個隱含層的神經網絡．

隱含層節點數對網絡模型的精度和訓練時間有很大影響．隱含層節點數越多，網絡模型的逼近能力越強，但節點數過多會增大模型的訓練誤差，而且在樣本數目有限的情況下，很容易造成過度擬合現象．如果隱含層節點數過少，會使得網絡的學習能力變差，無法概括和體現訓練中的樣本規律．

隱含層節點數大多通過試湊法確定，即先設置較少的節點數，若學習后網絡輸出誤差不符合設定要求，則逐漸增加節點數，直至網絡誤差不再有明顯減少為止．筆者采用如下經驗公式確定隱含層節點數：

式中：m為隱含層節點數；n為輸入層節點數；l為輸出層節點數；a為1～10的常數．

經過實踐計算得到，當a取10時，即隱含層節點數為14時，訓練效果最佳．

由于神經元激活函數的特性，即神經元的輸出被限制在（0，1）之間，而期望輸出值通常不在這一區間，所以直接用原始數據對根據BP網絡建立的軟測量模型進行訓練將會出現神經元飽和現象，而且數據遠離零時，學習速度很慢，誤差比較大［9－10］．為了消除上述現象，對輸入層的輸入樣本和輸出層的輸出樣本進行歸一化處理，采用式（2）將數據歸一化至［0，1］區間內．

式中：xn為歸一化后的數據；x0為原始數據；xmax為樣本中的最大值；xmin為樣本中的最小值．

由于輸入層由10維輸入向量組成，所以在數據歸一化時，各向量需要單獨進行歸一化處理，然后重新組成輸入矩陣．

建立一個10－14－1的3層BP網絡軟測量模型，然后將歸一化后的所有輸入輸出數據樣本的前250組作為訓練樣本，后78組作為測試樣本．圖4給出了BP網絡預測值與期望輸出樣本的比較．經過計算得出，預測結果與期望輸出樣本之間的相對誤差率為0．012 7，均方根誤差ERMS＝242．246 7．

圖4 BP網絡預測值與期望樣本的對比Fig．4 BP network predicted results vs．expected value of sample information

由圖4可以看出，在開始階段的45h內，預測結果基本與期望值接近，完全滿足工程生產的需要，但是在50h、60h和70h附近，預測結果出現了較大幅度的波動，與期望值的偏差增大．綜合相對誤差率、均方根誤差等可以得出以下結論：依據BP神經網絡建立的軟測量模型基本滿足生產需要，但在預測瞬時數據變化激劇時有可能出現一定量的偏差．

通過對51h與50h處樣本數據的比較發現，鍋爐負荷上升了22．48MW，燃煤量增加了36．49 t／h，其他數據沒有大幅度變化，但SO2排放質量濃度卻下降了198．36mg／m3，不符合常規情況．經分析，51～55h過程中，燃煤量沒有大幅度變化，而SO2排放質量濃度卻維持在650～700mg／m3，由此可以推斷，在50h處燃料成分出現了一定的波動，如使用硫分較低的煤．

在57～61h和70h附近，輸入向量中僅燃煤量的波動與SO2排放質量濃度的波動不相對應，有可能是該時間段中啟停某個磨煤機引起給煤量相應變動，從而引起BP網絡學習過程中陷入局部極小值，導致預測出錯誤的數據．

4 遺傳算法－BP網絡軟測量模型

為了提高BP網絡軟測量模型所遇到誤差偏大的問題，引入遺傳算法優化網絡中的連接權值，搜索一個最優的網絡設計方案．本文所建立的軟測量模型是根據上一代各層神經元的連接權值的適應性，利用遺傳算法的選擇、交叉和變異等功能尋求各層神經元之間新的連接權值，反復循環，直至找到最優權值，最終找到輸入向量與輸出向量之間比較合理的映射關系．

4．1 目標函數的確定

設學習樣本xi的網絡輸出值為yij，期望值為Eij，則可以建立目標函數：

用遺傳算法求上述目標函數的極小值，可以得到相對應神經元之間的連接權值．對于一組給定的學習樣本，式（3）中yij的大小與神經元之間的連接權值有關，Eij是一個常數．用遺傳算法對式（3）進行優化是為了使整個網絡中所有權值都對應F的最小值．如果最小值接近零，則表示已經確定了正確的神經網絡輸入輸出關系．

4．2 編碼方式

采用實數編碼方式，將網絡連接權值按照一定的順序排列成串，串上的每個位置都對應網絡的1個連接權值或閾值．L個權值的m個染色體的集合就可以用m行L列數組矩陣A表示，其元素aij是第i個染色體的第j個變量．

編碼個體串為（w11，w12，…，b1，w21，w22，…，wij，bi，…），其中wij是神經元j到神經元i的連接權值，bi是神經元i的閾值．選取10－14－1的3層神經網絡結構，神經網絡的連接權值為10×14＋14＝154個，閾值為14×1＋1＝15個，個體串長度L＝154＋15＝169，初始種群取10．

4．3 適應度函數

遺傳算法的適應度函數是遺傳算法指導搜索的唯一信息，其選取是算法好壞的關鍵．適應度函數要指導搜索沿著優化參數組合的方向逐步逼近最佳參數組合，而不會導致搜索不收斂或者陷入局部最優解．函數也要易于計算，適應度函數值在［0，1］區間內，越接近1的個體，其輸出信號的正確率就越高．適應度函數的設計應滿足下列條件：合理、一致性；單值、連續、非負、最大化；通用性強；計算量?。?/p>

fi為個體i的適應度，用誤差平方和E衡量．

式中：k為學習樣本數；l為輸出層節點數；dl為網絡的實際輸出；ol為期望輸出．

4．4 遺傳操作的設定

選擇操作：采用輪盤選擇法，基于適應度比例的選擇策略．對個體i的選擇概率Pi為

交叉操作：交叉率Pc的自適應調整函數為

式中：fc為交叉父代2個個體中適應度大的個體的適應度；f－為種群的平均適應度；fmax為最大適應度．變異操作：變異率Pm的自適應調整函數為

式中：f為需變異個體的適應度．

通過對遺傳算法和BP神經網絡耦合模型進行訓練，蟻群算法經過50次迭代運算后，適應度滿足需求．圖5為遺傳算法－BP神經網絡預測結果的擬合曲線．由圖5可知，基于遺傳算法－BP神經網絡建立的軟測量回歸模型的預測值和真實值的效果點主要分布在對角線兩側，并向對角線逼近，表明訓練的測試樣本有較好的回歸預測性能．

圖5 遺傳算法－BP神經網絡預測結果的擬合曲線Fig．5 Fitting curve of BP network predicted results based on genetic algorithm

圖6給出改進后的軟測量模型SO2排放質量濃度的預測值與期望樣本數據之間的對比．經過遺傳算法優化連接權值后的神經網絡軟測量模型的預測精度非常高，預測值與期望樣本之間的偏差較小，而且在50～51h、57～61h和67～75h時間段，預測得到的SO2排放質量濃度并沒有出現較大波動．

圖6 遺傳算法－BP網絡預測值與期望樣本的比較Fig．6 BP network predicted results based on genetic algorithm vs．expected value of sample information

改進后的軟測量模型預測結果與期望輸出樣本之間的相對誤差率為0．006 1，減小了近一半，均方根誤差ERMS＝160．014 3，與單純的BP神經網絡軟測量模型相比也有了大幅度的下降．

5 結 論

（1）經過遺傳算法優化連接權值的BP神經網絡模型能夠滿足在線監測要求，可以及時、準確地將數據反饋給電廠工作人員．

（2）與單純的BP神經網絡模型相比，改進的軟測量模型在收斂速度和精度方面都有很大的提升，證明了算法的高效性和較強的泛化能力．

（3）實現了在燃料煤粉成分比較穩定的坑口火電廠中SO2排放量的預測．

［1］環境保護部科技標準司．煙塵煙氣連續自動監測系統運行管理［M］．北京：化學工業出版社，2008．

［2］鄭海明，蔡小舒．煙氣連續排放監測系統計量相對準確度測試評估［J］．計量學報，2007，28（1）：85－88．ZHENG Haiming，CAI Xiaoshu．Relative accuracy test evaluation for flue gas continuous emission monitoring systems［J］．ACTA Metrologica Sinica，2007，28（1）：85－88．

［3］CHIEN T W，CHU H，HSU W C，et al．A performance study of PEMS applied to the Hsinta power station of Taipower［J］．Atmos Environ，2005，39（2）：211－222．

［4］陳建谷．應用倒轉類神經及適應性模糊類神經網絡模式預測垃圾焚化廠煙道氣之比較研究［D］．臺灣：臺灣國立云林科技大學，2003．

［5］GOODWIN G C．Predicting the performance of soft sensors as a route to low cost automation［J］．Annual Reviews in Control，2000，23（4）：55－66．

［6］梁森，李凌．電站鍋爐低NOx排放的參數辨識［J］．動力工程，2006，26（5）：68－73．LIANG Sen，LI Ling．Parametric identification of low NOxemitted by power station boilers［J］．Journal of Power Engineering，2006，26（5）：68－73．

［7］丁艷君，吳占松．鍋爐煙氣排放檢測軟件傳感器 ［J］．清華大學學報：自然科學版，2002，42（12）：1636－1638．DING YanJun，WU Zhansong．Software sensors for boiler emission monitoring ［J］．Journal of Tsinghua University：Science and Technology，2002，42（12）：1636－1638．

［8］羅隕飛，陳亞飛，姜英．燃煤過程硫排放與煤質特征的關系研究［J］．煤炭科學技術，2005，33（3）：61－63．LUO Yunfei，CHEN Yafei，JIANG Ying．Study on relationship between sulfur emission during coal combustion and coal characteristics［J］．Coal Science and Technology，2005，33（3）：61－63．

［9］趙珊珊，白焰．神經網絡模糊多模型軟測量在磨煤機存煤量測量方面的應用［J］．動力工程學報，2011，31（10）：745－750．ZHAO Shanshan，BAI Yan．Application of fuzzy multi－model soft sensor in mill load measurement based on neural network［J］．Journal of Chinese Society of Power Engineering，2011，31（10）：745－750．

［10］陳鴻偉，劉煥志，李曉偉．雙循環流化床顆粒循環流率試驗與BP神經網絡預測［J］．中國電機工程學報，2010，30（32）：25－29．CHEN Hongwei，LIU Huanzhi，LI Xiaowei．Experimental research on solids circulation rate in a double fluidized bed and BP neural network prediction［J］．Proceedings of the CSEE，2010，30（32）：25－29．