基于GA-ELM的SCR脱硝系统动态建模

程 琳，赵文杰



基于GA-ELM的SCR脱硝系统动态建模

程 琳，赵文杰

（华北电力大学控制与计算机工程学院，河北 保定 071003）

针对燃煤机组SCR脱硝出口NOx质量浓度的预测问题，本文提出了一种将极限学习机（ELM）与遗传算法（GA）相结合的SCR脱硝系统动态建模方法。为避免ELM受输入权值矩阵和隐含层偏差随机性的影响，采用GA对ELM的输入层权值和隐含层偏差进行优化，建立了基于GA-ELM的SCR脱硝系统模型。采用某燃煤机组SCR脱硝系统的实际运行数据对GA-ELM模型进行验证，并与最小二乘支持向量机（LSSVM）模型和ELM模型的预测结果进行对比。结果表明，GA-ELM模型的预测精度和泛化能力最佳，可以有效预估SCR脱硝出口NOx质量浓度。

燃煤机组；SCR脱硝系统；极限学习机；遗传算法；动态模型；预测控制

火电厂燃煤产生的烟气是大气NO污染的重要来源之一。为了降低NO的排放量，大多火电厂采用了选择性催化还原（SCR）烟气脱硝系统。为满足国家规定的排放标准，同时节约运行成本，SCR脱硝系统的精确控制和运行优化尤为重要。

建立良好的SCR脱硝系统预测模型是后续优化控制的基础。国内外学者在脱硝反应器出口NO预测方面做了大量深入的研究。常用的建模方法可分为两类[1]：一类方法是机理建模法，根据脱硝过程中选择性催化还原反应的反应机理建立SCR脱硝系统模型，该方法需要对反应机理具有较深入的了解，建模过程复杂，且利用实验室数据建立，难以对现场情况准确评估；另一类方法是数据建模法，运用历史数据建模，模拟出SCR脱硝系统的变化规律，然后预测脱硝反应器出口NO质量浓度。

人工智能方法如BP神经网络[2]、支持向量机（SVM）[3]等已在脱硝反应器出口NO预测中广泛应用。此类方法虽然适应性强，但是训练速度较慢，容易造成局部最优解。BP神经网络结构和参数的选择依赖于经验，容易造成过学习和局部最小点；SVM参数选择复杂，导致其预测效率不高。

黄广斌等[4]在单隐含层前向神经网络(single- hidden layer feedforward neural networks，SLFNS)学习算法的基础上，提出了极限学习机(extreme learning machine，ELM)。ELM随机产生输入层权值以及隐含层节点偏置等网络参数，相对传统的神经网络，其结构简单，学习效率高，泛化能力强。但其输入层至隐含层的偏置随机产生，在给定时可能某些数值为0，造成隐含层节点失效。隐含层节点数目与预计精度密切相关，但是过多的隐含层节点数会导致模型的泛化能力下降，影响SCR脱硝系统出口NO的预测精度。

对此，本文提出采用遗传算法（GA）对ELM的参数进行优化，建立了基于GA-ELM的脱硝反应器出口NO质量浓度的预测模型。

1 GA-ELM模型结构原理

1.1 ELM基本原理

ELM是一种单隐层前向神经网络算法，该算法不仅可以克服传统神经网络存在局部极值、运行速度较慢的缺点，而且输入层与隐含层之间的权值及隐含层偏置都随机给定，无需人为调整。此外，ELM学习过程无须反复迭代，仅需一步即可计算输出权值，学习效率高，泛化能力强[5-6]。其网络结构如图1所示。

图1 极限学习机网络结构

1.2 GA-ELM模型

与传统算法相比，ELM学习速度快、泛化性能强、不易陷入局部极值，但仍有一些问题，如该算法中参数机选取导致隐含层神经元几乎不存在调节能力，这也对输入权值和隐含层的偏置值的优化有较高要求。同时ELM可能存在网络稳定性差、结构复杂等问题，所以合适的隐含层神经元个数和激活函数的挑选十分重要[7]。

GA是由Holland[8]提出，经DeJong、Goldberg等人[9-10]总结而成的一种以物种进化形式为依据的随机搜索优化算法，具有并行处理效率高、搜索策略随机高效、编码转换易处理等特点，可以采用GA优化选择ELM的输入权值和隐层节点阈值参数来提高模型的准确度和稳定性[11]。

本文采用遗传算法对极限学习机的参数进行优化，提出GA-ELM模型。图2为GA-ELM模型计算流程，具体训练步骤如下。

图2 GA-ELM模型计算流程

1）确定神经网络的拓扑结构，调用GA对ELM网络的权值和阈值编码初始化。ELM网络训练得到的误差作为适应度值。个体的适应度值为

式中，predicted是输出层第个节点的期望输出，observed为输出层第个节点的实际输出。

2）通过计算选择、交叉、变异操作产生新个体对应的适应度值，选择适应度最高的个体为最佳个体，进化终止，并由此得出优化后的输入权值和隐含层阈值。反之，进化代数加1。

3）将优化后的输入层权值和隐含层偏置用于ELM网络训练，计算出隐含层的输出权值，利用训练好的网络进行测试检验。

2 基于GA-ELM的SCR脱硝系统模型

2.1 SCR脱硝系统

某电厂超超临界1 000 MW机组燃煤锅炉的SCR烟气脱硝反应器结构如图3所示。来自氨气站的氨气与来自稀释风机的空气充分混合经过喷氨装置喷出，通过TiO2的催化作用，与省煤器出口来的烟气发生催化还原反应。NH3与烟气中的NO反应生成N2和H2O，不会形成二次污染，从而达到烟气脱硝的目的[12]。

图3 SCR烟气脱硝反应器结构

2.2 输入变量选择

准确的模型是工业过程优化控制的基础[13-14]，输入变量的选择是建立模型前的重要步骤。在脱硝系统中，影响SCR脱硝反应器出口NO的变量众多，但变量维数的增加并不意味着建模效果的改善。过多的变量不但会增大建模的复杂程度，浪费不必要的时间，还会增加引入噪声的可能性。在SCR脱硝系统中，存在氨气流动带来的容积时延、传感器信号传输滞后等，影响模型的预测精度[15]。因此，基于GA-ELM所建立的SCR脱硝系统模型，需要选择输入变量和估计输入变量的延时时间。

文献[16]选取负荷、总燃料量、入口NO质量浓度、喷氨阀的开度、入口O2体积分数、入口烟气温度和入口烟气体积流量共7个参数作为SCR脱硝系统模型的输入变量，文献[17]则选取入口NO质量浓度、氨流量、出口烟气含氧量、机组负荷和入口烟气温度作为输入变量。在分析已建立的SCR脱硝系统模型输入输出变量的基础上，本文采用文献[18]中提出的互信息变量选择的方法，确定SCR脱硝系统的输入变量及其延迟时间。所选输入变量及其时延见表1。

表1 所选输入变量及其时延

Tab.1 The selected input variables and their time delays

2.3 模型结构

根据选择输入变量，基于GA-ELM的脱硝系统模型结构如图4所示，采用Sigmoidal函数作为ELM模型的激励函数，设置隐层神经元个数为12个。

图4 基于GA-ELM的脱硝系统模型结构

图4中，()为模型输入变量，-d为时间延迟，()为模型输出变量。其中，1()为总风量，1=13；2()为脱硝反应器入口NO质量浓度，2=2；3()为氨气流量，3=7；4()为入口烟气温度，4=4；()为反应器出口NO质量浓度；(-1)为前一时刻的反应器出口NO质量浓度。

3 模型预测性能

选取某电厂燃煤机组SCR脱硝系统8 000组数据，采样周期为10 s，其中前6 000组作为训练数据，其余2 000组作为测试数据。

采用均方根误差（RMSE）和平均百分比误差（MAPE）作为判断建模效果的依据，

以总风量、脱硝反应器入口NO质量浓度、氨气流量、入口烟气温度以及前一时刻的反应器出口NO质量浓度为输入变量，采用GA-ELM对SCR脱硝反应器出口NO质量浓度进行建模，其训练样本拟合曲线和预测样本预测曲线分别如图5和图6所示。由图5和图6可得，GA-ELM模型对训练样本的拟合曲线与实际曲线基本一致，测试样本的预测误差相对训练样本而言稍大。其中，训练样本RMSE=0.445 mg/m3，MAPE=0.44%；测试样本RMSE= 1.178 mg/m3，MAPE=2.03%。说明该模型具有较强的学习能力和泛化能力。

图5 GA-ELM模型训练样本拟合曲线

图6 GA-ELM模型测试样本预测曲线

本文采用相同的数据集，将选择的最优输入集作为模型输入，分别采用GA-ELM、ELM和LSSVM对SCR脱硝系统进行建模，评判指标仍为RMSE和MAPE。ELM和LSSVM训练和测试曲线分别如图7和图8所示，3种不同建模方法结果对比见表2。

表2 不同建模方法结果对比

Tab.2 The prediction results of different modeling methods

由图7和图8可以看出：在模型稳定性方面，LSSVM模型因有固定的核函数，故具有很好的稳定性；而ELM模型由于初始权值、隐含层偏置随机产生，稳定性不佳；GA-ELM模型通过引入遗传算法对原ELM参数进行优化，使其稳定性得到有效提高。

由表2可见：在模型精度方面，ELM模型训练误差最大，LSSVM和GA-ELM模型相对较好；LSSVM模型测试误差最大，这表明LSSVM模型比ELM模型和GA-ELM模型泛化能力差；而GA-ELM模型具有更高的预测精度，表明该模型具有较强的学习能力和泛化能力；在训练和测试时间方面，ELM模型和GA-ELM模型远小于LSSVM模型。

4 结 论

1）本文提出了一种基于GA-ELM模型的SCR脱硝系统动态模型，利用GA对ELM输入权值矩阵和隐含层偏差进行优化，避免了参数选择的随机性对ELM模型精度的削弱，提高了模型的预测精度。

2）选取SCR脱硝系统的实际运行数据对GA-ELM模型进行训练和测试，将测试结果与ELM模型和LSSVM模型测试结果进行对比分析。由分析结果可知，无论是模型的稳定性、快速性还是模型的学习能力、泛化能力等方面，GA-ELM模型均优于其他模型。该模型能够更加准确地反映SCR烟气脱硝系统的动态特性，对提高SCR脱硝系统的脱硝效率、降低NO排放具有指导意义。

［1］ 秦天牧, 林道鸿, 杨婷婷, 等. SCR烟气脱硝系统动态建模方法比较[J]. 中国电机工程学报, 2017, 37(10): 2913-2919. QIN Tianmu, LIN Daohong, YANG Tingting, et al. Comparative study on dynamic modeling methods of SCR denitration system[J]. Proceedings of the CSEE, 2017, 37(10): 2913-2919.

［2］ 翟永杰, 张志超. 基于现场数据的SCR脱硝反应器建模[J]. 计算机仿真, 2014, 31(10): 141-144. ZHAI Yongjie, ZHANG Zhichao. Modeling for SCR denitration reactor based on field data[J]. Computer Simulation, 2014, 31(10): 141-144.

［3］ YANG T, CUI C, LV Y, et al. Modeling on SCR process of a coal-fired boiler using LSSVM method[C] //Proceedings of the Control and Decision Conference. Qingdao: IEEE, 2015: 4025-4028.

［4］ HUANG G, ZHU Q, SIEW C K. Extreme learning machine: a new learning scheme of feedforward neural networks[C]//Proceedings of International Joint Confer- ence on Neural Networks. Beijing: IEEE, 2004: 985-990.

［5］ HUANG G, WANG D, LAN Y. Extreme learning machines: a survey[J]. International Journal of Machine Learning and Cybernetics, 2011, 2(2): 107-122.

［6］ HUANG G, ZHOU H, DING X, et al. Extreme learning machine for regression and multiclass classification[J]. IEEE Transactions on Systems, Man & Cybernetics, Part B (Cybernetics), 2012, 42(2): 513-529.

［7］ LI M, ZHANG X. A modified more rapid sequential extreme learning machine[C]//Proceedings of Interna- tional Conference on Computational Intelligence and Commu- nication Networks. Tehri: IEEE, 2016: 336-340.

［8］ HOLLAND J H. Adaptation in natural and artificial systems[M]. Ann Arbor: University of Michigan Press, 1975: 47-62.

［9］ DEJONG K A. The analysis of the behavior of a class of genetic adaptive systems[D]. Ann Arbor: University of Michigan, 1975: 7-12.

［10］ GOLDBERG D E. Genetic algorithms in search, optimization and machine learning[M]. Boston: Addison Wesley Longman Press, 1989: 4-6.

［11］ 玄光男. 遗传算法与工程优化[M]. 北京: 清华大学出版社, 2004: 24-30. XUAN Guangnan. Genetic algorithms and engineering optimization[M]. Beijing: Tsinghua University Press, 2004: 24-30.

［12］ 周洪煜, 张振华, 张军, 等. 超临界锅炉烟气脱硝喷氨量混结构–径向基函数神经网络最优控制[J]. 中国电机工程学报, 2011, 31(5): 108-113. ZHOU Hongyu, ZHANG Zhenhua, ZHANG Jun, et al. Mixed structure-radial basis function neural network optimal control on spraying ammonia flow for supercritical boiler flue gas denitrification[J]. Proceedings of the CSEE, 2011, 31(5): 108-113.

［13］ 沈伯雄, 赵宁, 刘亭. 烟气脱硝选择性催化还原催化剂反应模拟研究[J]. 中国电机工程学报, 2011, 31(8): 31-37. SHEN Boxiong, ZHAO Ning, LIU Ting. Mathematical simulation of flue gas denitration based on selective catalytic reduction catalyst[J]. Proceedings of the CSEE, 2011, 31(8): 31-37.

［14］ 梁志宏. 基于我国新大气污染排放标准下的燃煤锅炉高效低NO协调优化系统研究及工程应用[J]. 中国电机工程学报, 2014, 34(增刊1): 122-129. LIANG Zhihong. Study and engineering application of high efficiency and low NOcoordinated optimization control system for coal-fired boilers based on new air pollutant emission standard[J]. Proceedings of the CSEE, 2014, 34(Suppl.1): 122-129.

［15］ 李刚, 贾晓静, 武宝会, 等. 基于主导因素分析的SCR烟气脱硝系统喷氨量控制[J]. 热力发电, 2016, 45(8): 99-103. LI Gang, JIA Xiaojing, WU Baohui, et al. Spraying ammonia flow control system of SCR denitration system based on leading factor analysis[J]. Thermal Power Generation, 2016, 45(8): 99-103.

［16］ 董泽, 闫来清. 基于互信息和多尺度小波核偏最小二乘的SCR脱硝系统预测模型[J]. 动力工程学报, 2019, 39(1): 50-58.DONG Ze, YAN Laiqing. Prediction model for SCR denitrification system based on mutual information and multiscale wavelet kernel partial least squares[J]. Journal of Chinese Society of Power Engineering, 2019, 39(1): 50-58.

［17］ 秦天牧, 林道鸿, 杨婷婷, 等. 基于偏互信息的变量选择方法及其在火电厂SCR系统建模中的应用[J]. 中国电机工程学报, 2016, 36(09): 2438-2443. QIN Tianmu, LIN Daohong, YANG Tingting, et al. Variable selection method based on partial mutual information and its application in power plant SCR system modeling[J]. Proceedings of the CSEE, 2016, 36(9): 2438-2443.

［18］ 赵文杰, 张楷. 基于互信息变量选择的SCR烟气脱硝系统非线性自回归神经网络建模[J]. 热力发电, 2018, 47(9): 22-26. ZHAO Wenjie, ZHANG Kai. NARX neural network modeling of SCR denitration system based on mutual information variables selection[J]. Thermal Power Generation, 2018, 47(9): 22-26.

Dynamic modeling of SCR denitrification system based on GA-ELM

CHENG Lin, ZHAO Wenjie

(School of Control and Computer Engineering, North China Electric Power University, Baoding 071003, China)

In order to predict the mass concentration of NOxat outlet of the SCR denitrification system of coal-fired units, a dynamic modeling method for SCR denitrification system combining the extreme learning machine (ELM) with genetic algorithm (GA) is proposed in this paper. To avoid the influence of input weight matrix and random deviation of hidden layer on the ELM, the GA was adopted to optimize the input weight and hidden layer deviation of the ELM, and the SCR denitrification system model based on GA-ELM was established. Moreover, the GA-ELM model was verified by actual operation data of the SCR denitrification system of a coal-fired power plant, and the results were compared with that predicted by least squares support vector machine (LSSVM) model and the ELM model. The results show that, the GA-ELM model has the highest prediction accuracy and the stronges generalization ability, which can effectively predict the mass concentration of NOxat the SCR denitrification system outlet.

coal-fired unit, SCR denitrification system, extreme learning machine, genetic algorithm, dynamic model, predictive control

National Key Research and Development Program(2016YFB0600701)

程琳(1994—)，女，硕士研究生，主要研究方向为燃煤电站SCR烟气脱硝系统建模及应用，845544900@qq.com。

TK323

A

10.19666/j.rlfd.201901016

程琳, 赵文杰. 基于GA-ELM的SCR脱硝系统动态建模[J]. 热力发电, 2019, 48(6): 29-33. CHENG Lin, ZHAO Wenjie. Dynamic modeling of SCR denitrification system based on GA-ELM[J]. Thermal Power Generation, 2019, 48(6): 29-33.

2019-01-17

国家重点研发计划项目(2016YFB0600701)

赵文杰(1968—)，男，博士，副教授，主要研究方向为数据驱动建模方法及应用，zwj12342234@126.com。

（责任编辑 杜亚勤）