现代预测和优化算法在脱硫系统运行中的应用

曹建宗，林宸雨，陈文通，刘琦，周权，要亚坤，樊帅军，马彩妮，马双忱*

（1.深能保定发电有限公司，河北保定072150；2.华北电力大学环境科学与工程系，河北保定071003）

0 引言

燃煤电厂为了减少SO2排放，普遍采用了烟气脱硫（FGD）技术，经过多年的探索实践，该技术已经基本成熟。但是，由于电网需求的间歇性带来的锅炉负荷变化，使得SO2排放量波动幅度较大，在不能定量分析浆液循环泵、增压风机、氧化风机等运行参数变化对脱硫系统运行的影响时，为了保证烟气排放达标，电厂只能维持总体较低的排放水平，防止瞬间超排，最终导致运行成本增加。

利用现代预测算法，结合现场工况数据对SO2排放水平及其变化趋势提前做出预判，提前调整现场运行工况，保证SO2排放量趋于稳定，就能实现SO2排放的经济达标；另一方面，即使在控制排放水平不变的情况下，更优的参数组合也会提升脱硫系统的效率。在预测算法提供的定量分析的基础上，利用现代优化算法，求解满足脱硫效率和安全要求的经济、节能工况运行参数正逐步引起学界和企业的重视。

1 神经网络预测脱硫系统SO2排放量算法

随着人工智能技术的高速发展和不断成熟，神经网络算法以其自组织、自适应、自更新和高速寻优等优点，被广泛应用于烟气脱硫系统SO2排放量预测领域。

表1展示了近年来具有代表性的利用神经网络技术预测脱硫系统SO2排放量的相关论文，列举了算法的建模对象、网络类型、输入参数和学习参数（包含学习速率、阈值和神经元层数等）的确定方法等算法技术细节。

表1 近年来神经网络预测脱硫系统SO2 排放量的算法细节Tab.1 Details of FGD system SO2 emission predicted by neural network algorithm in recent years

1.1 神经网络预测脱硫系统SO2排放量算法的网络选型特点

分析表1 中的算法细节可以发现，在网络选型方面，国内学者早期多采用反向传播（Backpropagation，BP）神经网络进行SO2排放量预测。BP神经网络基于误差的反向传播，调整隐含层链接权值，是比较流行且应用广泛的神经网络模型。但BP 神经网络具有训练结果的随机性和容易陷入局部最小值等劣势，一般引入遗传算法（Genetic Algorithm，GA）或者粒子群优化（Particle Swarm Optimization，PSO）算法，使其避免陷入局部极值并提升预测精度。此外，表1 列举的文献中也有利用支持向量机（Support Vector Machines，SVM）进行参数寻优的算法设计。

由于BP 神经网络的局限性，逐渐有许多基于BP神经网络结构的改进网络被引入到SO2排放预测中。李斌等［7］利用的T-S 神经网络本质是一种模糊神经网络（Fuzzy Neural Network，FNN），利用模糊输入信号和模糊权值，将复杂的脱硫系统各输入量进行模糊处理，提高神经网络的推理能力。苏翔鹏等［8-9］利用的径向基函数（Radical Basis Function，RBF）神经网络，仅在隐含层引入高斯核函数拟合非线性，因而学习速率较BP 神经网络来说提升很多，同时也能避免陷入局部最小。李军红等［12］利用的广义回归神经网络（Generalized Regression Neural Network，GRNN）是一种基于RBF 网络改进的神经网络模型，在样本数据少、数据不稳定时也能具有较好的预测效果。

但上述改进网络都没有引入脱硫系统自身的时序惯性影响，而脱硫系统不仅是一个非线性系统，同时还具有时滞性、大惯性等特点［14］。在神经网络的结构中，循环神经网络（Recurrent Neural Network，RNN）一般用于解决这样的时序问题。RNN 中神经元的输出结果同时也作为下个时间节点的输入，从而实现预测在时序上的连接。但RNN的时间节点感知会随时间轴逐渐消减，最终出现“梯度消失”现象。长短期记忆（Long Short-Term Memory，LSTM）神经网络本质也是一种循环神经网络，不同的是LSTM 通过独特的“门限”结构，很好地解决了“梯度消失”问题。FU Jigao 等［13］使用LSTM网络，利用一台1 000 MW 发电机组的脱硫系统数据进行预测，准确率达到了94.6%。图1、图2 分别为传统BP 神经网络和LSTM 的结构，LSTM 设置了多个门限结构并在时间轴上循环。

图1 传统BP神经网络结构Fig.1 Structure of traditional BP neural network

综上所述，神经网络预测脱硫系统SO2排放量算法最早都是基于BP结构的神经网络，之后一些学者针对BP 算法的局限性，引入了一些基于BP 结构的改善算法，但网络结构上还是传统的反向传播结构。最近，LSTM 神经网络等循环神经网络也被引入到脱硫系统SO2排放量的预测中，由于考虑了脱硫系统在时序上的惯性，取得了较好的效果。事实上，LSTM 神经网络也有不少变体结构，寻找更适合脱硫系统的网络结构并设计改善算法，以提升运算速度和准确度可能是未来神经网络预测脱硫系统SO2排放量算法的发展趋势。

图2 LSTM 结构Fig.2 Structure of LSTM

1.2 神经网络预测脱硫系统SO2排放量算法的输入参数特点

脱硫系统与电力生产的许多过程都有关联，涉及的相关参数众多，而样本数据的高维特点在机器学习过程中往往会导致“维灾难（Curse of Dimensionality）”，这意味着若要保证算法性能，每增加1个维度，样本数据就要翻倍。为保证算法效果，表1中各算法都对输入参数进行了维数约简。

文献［1-4，12］中，采用经验选择的方式直接给出了输入神经网络的参数；文献［5，7-10］对脱硫系统涉及的化学过程进行了分析，依托先前的理论研究或者试验结果选择了相关参数输入网络。上述方法本质上属于机理分析的参数选择。此外，基于数据分析的特征提取或者特征选择技术近年来正在逐渐得到广泛应用。该方法不仅在处理类似脱硫系统这样复杂机理过程中有优势，而且，由于数据是基于特定电厂的，分析结果较一般的机理分析更贴合个体情况。吴林峰［5］基于灰色关联度选择特征参数，FU Jigao 等［11］利用主成分分析法（Principal Component Analysis，PCA）进行特征抽取，正是基于数据分析的特征提取或特征选择技术在脱硫系统中的应用。

表2 是表1 中以石灰石-石膏脱硫系统建模的相关文献的参数选择情况，每种网络各选一篇代表文献。可以发现，由于高维数样本将带来巨大的计算复杂度，一般网络结构的输入参数都控制在10个左右。分析表2可知，不论是经验选取、机理分析或数据关联度分析，烟气流量、烟气温度、浆液pH 值、浆液密度、浆液液位、入口SO2质量浓度等基本都会被选择为神经网络的训练参数，可见这些要素对脱硫系统的影响已比较清晰，经验、数据和理论也能互相印证。而其他参数，如风机风压、机组负荷、粉尘含量等扰动因素对脱硫系统的影响则没有广泛地被考虑。

表2 部分神经网络预测脱硫系统SO2排放量算法的输入参数Tab.2 Input parameters of FGD system SO2 emission partially predicted by neural network algorithm

综上所述，受神经网络预测算法算力要求较高的限制，8～10 个输入参数是比较合适的。而在输入参数不增多的情况下，GUO Yishan 等［11］提出的混合建模思路就能体现出优势，即首先通过机理建模，整合机理明确的输入参数，得到SO2排放量的基础数据，由此节省的参数便可引入更多补充的扰动因素，最后将此数据和其他扰动因素一起输入神经网络训练，使得预测更为准确，算法效率也得到提升。

此外，一些基于神经网络的特征提取技术，如受限玻尔兹曼机（Restricted Boltzmann Machine，RBM）技术，能在降低数据复杂度的情况下保全大部分数据信息，这些技术已经在诸多领域成功应用，未来也有可能被引入到脱硫系统SO2排放量的预测中。

2 预测+优化算法在脱硫系统工况参数优化中的应用

脱硫系统的预测算法实现之后，就为基于预测结果的优化技术在脱硫系统节能降耗中的应用提供了广大空间。表3 为近年来典型脱硫系统预测+优化算法，表中展示了不同算法的设计细节和对脱硫系统的优化目标。分析表3 可以发现，在预测算法的选择上，除了上节讨论的神经网络算法，以SVM 或其改算法为基础的预测算法数量也较大，主要是因为在深度学习技术出现之前，SVM 技术具有泛化性好、样本规模较小时效果较好等优点，是主要流行的机器学习算法。此外，还有一些学者选择了基于历史数据聚类的预测思路，可以增加算法的安全性，但只有在历史数据库具有一定规模时，这种算法才能取得较好效果。

表3 典型脱硫系统预测+工艺参数优化算法细节Tab.3 Details of typical prediction+process parameter optimization algorithm in FGD systems

2.1 脱硫系统预测+优化算法中优化算法的选择

分析表3 中各文献使用的优化算法可以发现，使用数学求解的优化算法的文献较少，而现代优化算法中的2 个主要流派，即GA 算法［15-17，24］和PSO 算法［11，18-19］则被广泛地运用到脱硫系统的工艺参数优化上。相较于传统优化算法而言，GA算法和PSO算法都属于智能优化算法，具有概念简单、实现容易、参数较少等诸多优点，近年来被应用于工程技术问题的文献指数增加。

但由于GA 算法和PSO 算法在广义上都属于随机搜索算法，其依据一般基于马尔科夫链证明的全局收敛性，即当时间趋于无穷时，结果趋于全局最优。正因如此，进化算法在运用时，受运行时间和算力的限制，一般会表现出收敛性差、收敛速度慢等特点，不能很好地适应如脱硫系统这样安全性要求较高、反应过程较快的情况。

基于保障安全性的前提下取得最优运行工况的考虑，文献［21-23］等都先建立历史运行数据库，再通过聚类算法选择最接近的历史情况，最后根据选取的一组接近工况做建模或拟合分析，从而求解最优工况参数。这种方法一般具有运算速度快、安全性较高的优势，且随着查询数据库的历史案例越来越多，优化效果会越来越好。

2.2 脱硫系统预测+优化算法中优化目标的选择

蒸发水量占整个脱硫系统用水量的90%左右，一般工况下由入口烟气的温度、流量决定，常规情况下可调节空间很小，而系统脱硫剂消耗量的调整涉及脱硫效率的变化，一般情况下可调节空间也不大。分析表3 中文献所设定的优化目标，脱硫系统中浆液循环泵、增压风机和氧化风机电耗，喷淋塔的结构和数量等工艺参数运行优化受到了较为集中的关注，此外，在保证脱硫效果达标的情况下，脱硫系统整体运行成本的优化方案也被广泛讨论。

表4 为脱硫系统典型的成本构成情况，表中系统电耗一般包括增压风机、氧化风机、浆液循环泵、球磨机等的电耗，系统水耗一般包括制浆工艺水和设备冲洗水等。分析表4 可以发现，脱硫系统的电耗占系统运行总成本的一半以上，且相较于脱硫剂成本和系统水耗成本有更大的调整空间和潜力。系统电耗中，增压风机电耗占比较高。文献［15］指出，当锅炉负荷较低时，风机往往不能工作于高效率区；文献［28］指出，由于过多安全和裕度上的考虑，增压风机节能优化的空间很大；文献［29-31］通过采取降低转速、改进叶片或变频调节等方法改进增压风机，节能效果较好。文献［16-32］则采取优化算法，选择不同工况下的风机组合方式。

表4 典型脱硫系统各项经济成本占比Tab.4 Proportion of various economic costs in a typical FGD system %

在氧化风机方面，文献［33-34］通过对氧化风机进行变频改造，文献［35］通过对运行情况分析得出最佳运行模式，取得了较好的节能效果。文献［36-37］对氧化风机建立机理、成本模型，使用PSO算法得到了较好的风机运行模式。此外，虽然系统电耗中氧化风机的电耗占比相对较小，但因为其不仅影响脱硫系统的运行性能，氧化风不足时，还会诱发浆液结垢致管道堵塞，影响脱硫系统的安全，因此必须纳入优化系统，考虑潜在风险成本。华北电力大学马双忱团队推导了兼顾SO2吸收过程和CaSO3氧化过程的电位-pH 模型，采用pH 和ORP 联合控制的方案，不仅能有效降低功耗，而且能减少系统结垢，提升石膏品质［38-39］。该项目最终在华电渠东发电有限公司实际应用，效果良好。

浆液循环泵电耗也是脱硫系统运行成本的重要部分。目前，由于现场人员只能根据经验估计启停泵或阀门开度对脱硫效率的影响，为保证系统脱硫率达标，现场人员倾向于开启较多的浆液循环泵，致使系统运行成本提升。在预测算法的支持下，通过合理优化切泵运行，具有较大的优化空间。文献［11，16］等通过优化算法选择泵的组合方式，节能效果较好。

脱硫系统的整体经济运行优化方面，文献［19，21，37］等均建立了自己的经济成本模型，通过GA或PSO 算法求解最佳组合工况。这些经济模型基本设计框架和主要参数大多都接近图3。

图3 典型脱硫系统经济模型的基本框架和考虑因素Fig.3 Basic framework and considerations of an economic model for a typical FGD system

3 应用案例与分析

2015年7月国务院印发的《关于积极推进“互联网+”行动的指导意见》首次明确指出：互联网在促进环保等产业转型升级方面已经取得明显效果，其中，要着力发展资源环境的动态监测、智慧环保、废旧资源回收利用等领域。“智慧环保”作为“数字环保”的拓展，将进一步借助物联网技术高效地捕获和传输数据，再通过超级计算机、云计算等技术整合，实现更加精准、动态的环保系统管理。环保行业向智慧环保转型前景广阔［40-41］。

电力行业从2004年开始进行数字化改革，历史数据充分，具有实现智能环保的基础条件，电力行业争做推动数字化智能升级的排头兵，对产业升级和智能化建设具有重要意义。

2018 年以来，各发电集团开始注重将智能化技术应用于生产过程管理，但在实际应用中，仍以人员定位、现场WiFi、巡检机器人等技术门槛相对较低的技术为主［42-44］。2019 年，以脱硫系统为核心的智能控制、智能工况优化逐渐走向实际应用。

在控制系统优化方面，大唐环境产业集团股份有限公司使用了BP神经网络，实现了对脱硫系统的动态建模和参数预测，神经网络的输出结果基于模糊规则转换后输入模糊控制器，将比例积分（PI）控制器的参数调整到最优状态，具有快速、准确、鲁棒性高等优势［45］。此外，东南大学的YANG Lukuan等［20］推导了适合于非线性预测控制（Nonlinear Model Predictive Contorl，NMPC）结构的烟气脱硫过程的数学模型，采用河南某1 000 MW火电厂的现场数据进行验证，仿真结果表明，在确保排放要求的同时，NMPC策略提高了经济绩效。

在经济运行优化方面，西安热工研究院有限公司与华电莱州发电有限公司合作，借助厂级监控信息系统，建立了脱硫系统历史大数据平台，通过聚类算法自动筛选出运行史中的类似情况，对脱硫系统建立经济评价模型，以进行定量分析并给出优化建议。其研究认为，大部分运行工况优化潜力在100 元∕h 以上，以机组年运行5 000 h 计算，1 年可节约成本约50 万元［21］。

图4为基于节能环保多目标优化的脱硫系统运行控制逻辑图。在具体工业应用中，智能决策、数字化管理和现场运行构成了脱硫系统智慧环保管理的基本框架。

图4 基于节能环保多目标优化的脱硫系统运行控制逻辑Fig.4 Operation control logic of FGD systems based on multi-objective optimization in energy saving and environmental protection

4 结束语

本文主要讨论了各种运用于脱硫系统的神经网络算法的网络结构设计、输入参数选择等算法重要细节，分析了LSTM 等循环神经网络相较于传统的BP神经网络的优势，以及通过机理建模节约输入参数，提高神经网络算法的预测效率和准确度将是未来算法发展方向。此外，还就基于脱硫系统的预测+优化算法进行了讨论，分析这些优化算法的设计细节，对集中的优化方向如氧化风机、增压风机和浆液循环泵进行了分析。