基于RBF神经网络的生物质电站高温气体CO2浓度测量方法

盛伟岸， 张立权， 黄 帅， 韩晓娟， 张文彪

(1.大唐长山热电厂，吉林 松原 131109；2.华北电力大学 控制科学与计算机工程学院，北京 102206)

1 引 言

随着科技进步和绿色可持续发展观念的树立，燃煤生物质耦合发电技术越来越受到重视[1]。由于该技术物质气化过程中需要检测包括CO、H2和CH4等可燃气体的浓度，所以对可燃气体进行准确测量在燃煤生物质耦合发电技术中尤为重要[2]。

在电厂锅炉高温高压的环境下非接触测量法有很大的优势，非接触测量法主流的方法是光学分析法[3]。光学分析法主要是根据Beer-Lambert定律，与吸收光谱学理论相结合，实现对炉内气体的精确测量。光学分析法主要有差分吸收光谱技术、傅里叶变换红外光谱技术、可调谐激光二极管吸收光谱技术、激光雷达技术、激光诱导荧光光谱技术和激光光声光谱技术等[4]。可调谐二极管激光吸收光谱(tunable diode laser absorption spectroscopy, TDLAS)技术具有适应性强、高灵敏度、非侵入性、实时动态以及多组分测量等特点，能够适应电站锅炉高温、高压、多粉尘等环境[5,6]，为燃煤生物质耦合发电技术燃气浓度检测提供了新的解决思路。文献[7]搭建了基于TDALS技术的长光程光路大气CO监测系统，并且验证了该系统的可行性；文献[8]提出了一种基于多次反射直接吸收测量CO2浓度的方法；文献[9]采用多次反射吸收光谱技术建立CO2浓度测量装置；文献[10]提出一种BP神经网络对TDLAS气体吸收光谱吸光度进行实时提取的方法，并在实际应用中得到验证；文献[11]提出了基于TDALS技术的BP神经网络补偿模型用来测量痕量CO浓度，对测得的气体浓度进行了温度/压力补偿，提高了测量精度；文献[12]基于TDLAS技术模拟发动机排气环境对NH3进行测量，结果表明高温环境对气体浓度测量影响较大。

本文研究了一种基于可调谐半导体激光器、运用RBF神经网络的CO2气体浓度检测方法。比较穿过待测气体的激光信号与拟合后得到的原始激光信号之间的差异，从中提取激光被吸收部分与原始激光信号之间的均值、标准差、偏差平方和、变异系数和最大偏差等5个特征参数作为RBF神经网络的输入，CO2浓度作为输出，实现CO2气体浓度检测。仿真实例表明，该方法受温度、压力等外界环境影响较小。

2 CO2浓度计量原理

可调谐二极管激光吸收光谱技术主要是根据Beer-Lambert定律，利用分布反馈半导体激光器(DFB激光器)的可调谐性和线宽窄的特点，通过改变激光器的调制电流来调制激光器的输出激光，让激光波长连续扫描待测气体的选定吸收峰，测量并搜集被吸收峰和吸收峰外的信号，将两种信号进行对比从而获得被测气体的浓度。该技术的主要优点是灵敏度高，只要测量波段选取正确，就可以得到痕量气体的浓度，通过时分复用或波分复用技术实现对多种气体成分的测量[13]。

2.1 可调谐半导体激光器检测原理

根据双线直接吸收测温方法，一定温度下分别独立测量特征气体不同吸收谱(中心吸收波数σ1、σ2，cm-1)处的积分吸收率R，R只与温度有关：

(1)

激光路径上的平均温度为：

(2)

激光路径上的平均气体浓度可以由式(3)表示[4]：

(3)

式中:L为激光束穿过被测气体区域长度;B为吸收线型曲线下方面积。

2.2 基于TDLAS的CO2气体浓度测量系统

图1中给出了基于TDLAS的高温气体CO2浓度测量系统[4]，该系统由函数信号发生器、激光控制器、准直器、气体吸收池、凸透镜、探测器、前置放大器和信号采集卡构成。其工作过程为：将纯氮气通过气路通入气体吸收池一段时间，以排尽吸收池内的杂气，然后将配置浓度的待测气体通过气路通入气体吸收池，实验前连续通气20 min以上，保证吸收池充满待测气以备测量；激光控制器通过激光器底座为激光器提供工作所需的温度和电流，通过改变输入激光器的调制电流大小，驱动DFB激光器对气体吸收谱线在频域上进行扫描；激光器输出光束通过光纤准直器经过气体吸收池内的待测介质，被特定浓度的CO2气体介质吸收透射后，透射光被光电探测器接收，经前置放大电路转化并放大处理，最后通过数据采集卡采集至计算机；对透射光强信号进行分析，根据未被吸收激光的光谱信号拟合得到原始激光光谱信号，计算吸收部分的激光光谱信号与原始信号之间的差值，得到在特定气体浓度下的光谱被吸收的成分，由此计算被测气体浓度值。

图1 基于TDLAS的CO2浓度测量系统

2.3 谱线的选取

谱线选择数据在HITRAN(high-resolution transmission)数据库进行查询，主要用途是用于预测和模拟光线在大气环境或实验空间中的气体介质内吸收、透射和辐射等情况，并提供相关光谱数据。在该数据库通过输入温度、压力、线型函数类型等参数，查询满足条件的光谱数据。高温情况数据在HITEMP(high temperature molecular spectroscopic database)数据库中查询，高温分子光谱数据库HITEMP相当于HITRAN数据库在高温段的数据查询平台，能够为高温工况下提供更加准确的光谱数据。本文在室温下进行实验，所以只需在HITRAN数据库中查询进行谱线选取。

2.4 数据的预处理

利用可调谐半导体激光器产生的一定波长范围的激光,可透射不同浓度的CO2气体，在实验中CO2的浓度分别取8%，20%，40%，60%，80%和100%。图2为激光透射不同浓度下的CO2气体所接收到的激光信号的电压随采样点数的变化曲线。

图2 不同浓度下的CO2气体电压输出曲线

从图2中可以看出，随着采样点数的变化，在扫描波长变化范围内，CO2气体对对应波长激光信号定量吸收，激光信号强度变化很大。在接收原始信号过程中会产生一定的波动，所以在分析所接收到的激光信号与CO2浓度关系之前，应对采集到的激光光谱信号进行滤波处理，以消除或减小因测量过程或其它原因所造成的影响。采用移动平均法实现激光光谱信号的平滑处理，其平滑原理为：以当前元素及其前一个元素为中心，求取相邻元素移动窗口(窗口长度L=100)内各元素的平均值。由于移动窗口长度L是偶数，所以窗口以当前元素及其前一个元素为中心。平滑后的第n个点的激光光谱信号电压值计算式为：

(4)

式中：x(n)/V为第n个点的激光光谱信号电压值；t的取值区间为[n-49，n+50]。

经过移动平均滤波平滑处理后的激光光谱信号曲线如图3所示。

图3 不同浓度下的激光光谱信号平滑曲线

从图3中可以看出，经过移动平均滤波处理后的激光光谱曲线与图2中的原始光谱曲线相比，波动明显减少，曲线更加平滑。

2.5 CO2气体浓度的统计特征提取

对CO2吸收光谱的特性分析可知，CO2浓度越低，所包含的信息越不明显，对浓度测量准确性的要求也就越高。因此，要从接收到的激光信号与原始信号的差异中提取出多个特征参数进行计算，才能最大限度地提高预测的精确度。

(1) 均值(Pk,mean)：表示CO2浓度为k时接收到的激光信号与原始信号差值的均值。

(5)

式中:N代表了接收到的激光信号与原始激光偏差的总点数；Pi表示各采样点下接收到的激光信号与原始激光的偏差数值。

(2) 标准差(Pk,std)：表示CO2浓度为k时接收到的激光信号与原始信号差值下的标准差统计量。

(6)

(3) 偏差平方和(Pk,sse)：表示CO2浓度为k时接收到的激光信号与原始信号差值的离散程度的一个指标，其值越接近于0，说明CO2吸收的光信号越少。

(7)

(4) 变异系数(Pk,cσ)：表示CO2浓度为k时接收到的激光信号与原始信号差值的变异系数。

(8)

(5) 最大偏差(Pk,dev)：表示CO2浓度为k时接收到的激光信号与原始信号差值的最大值。

Pk,dev=max(Pi)

(9)

根据式(5)～式(9)计算得到的5个统计特征指标，如表1所示。

表1 不同浓度下统计量的值

从表1中可以看出，CO2浓度越高，接收到的激光光谱信号被CO2吸收的越多；均值、偏差平方、标准差和最大偏差随着CO2浓度的增加而增大；变异系数随着CO2浓度的增加而减小。标准差体现其离散程度，最大偏差体现特定频率的谐波被不同浓度CO2吸收的程度。

3 基于RBF神经网络的CO2浓度测量

RBF神经网络是一种性能优良的前馈型神经网络，具有很强的生物学背景。主要由输入、隐含和输出层构成的3层网络结构[14,15]，如图4所示。

图4 CO2浓度测量的RBF神经网络结构

其中，输入层由一些源点组成，外界与神经网络连接起来，其作用就是针对外界的不同输入做出响应；第二层是隐含层，它的作用是将由输入层进入的信号进行非线性变换，本文采用高斯函数作为将输入信号变换非线性的激活函数，计算公式如(10)所示；第三层是输出层。

(10)

式中：x是表示的输入量K和中心Ci的距离；f(x)在Ci中有唯一最大值，且会随着x的增大而衰减到零；δ决定了向基围绕中心的宽度，并且δ与隐含层神经元的个数具有一定的关系，通常情况下δ的计算式为：

(11)

式中：dm是所选中的最大距离；m为隐含层神经元的个数。

基于RBF神经网络的CO2浓度检测流程如图5所示。

图5 基于RBF神经网络的CO2浓度检测流程图

4 仿真实例

在CO2浓度测量实验中，通过查阅HITRAN数据库得到CO2气体在波长为1 600 nm附近吸收比较明显，而且在该波长下受其它气体影响较小，所以本实验选择EP-2000-DM型号激光发射器，波长范围900～1 700 nm。在环境温度26 ℃和大气压强101 kPa条件下，分别用激光透射浓度为8%,20%,40%,60%,80%和100%的CO2气体进行测量。RBF神经网络的输入量选取不同浓度下CO2吸收谱线与原始谱线偏差的均值、标准差、平方和、变异系数和最大偏差等5个统计量特征，根据MATLAB中的newrbe( )函数创建径向基神经网络基本函数：

Net=newrbe(P，T，SPREAD)

(12)

式中：P为数据处理之后得到的输入样本；T为输出目标；SPREAD为RBF神经网络的扩展速度。

首先，需对RBF神经网络的输入数据进行归一化到标准化区间[0,1]。数据的归一化处理可以避免神经元出现饱和，能够使各输入分量有同等重要地位，防止数值大的输出分量绝对误差大，数值小的输出分量绝对误差小，从而有利于依据总误差对权值进行调整的作用。归一化处理公式如下：

(13)

式中：ymax和ymin分别为1和0，因为本文需要将数据归一到标准化区间[0,1]中；xmax，xmin分别是需要归一化处理的数据中的最大值和最小值；x是当前的数据；y是x归一化处理后的结果。

计算相对平均误差式如下：

(14)

式中：Φm为测试值；Φr为实际值。

为了对比分析，分别采用RBF和GRNN两种方法实现不同浓度下的CO2浓度测量，测量结果及相对平均误差如表2所示。

从表2中可以看出，利用RBF神经网络对CO2气体浓度测试精度明显高于GRNN神经网络的预测结果。当CO2气体浓度为40%时，RBF神经网络的相对误差为2.592%，是6种浓度下误差的最大值；而GRNN神经网络测试误差随着CO2浓度增加而逐渐减小。从绝对误差角度来看，当CO2浓度为40%和60%时，RBF神经网络的绝对误差为1.036 6%和0.985 5%，是6种浓度下误差的最大值；通过分析，造成上述现象的原因可能是N2未能充分将CO2排出和激光控制器及信号采集装置电压不稳定等因素引起。同时可以看出，由于GRNN神经网络具有局部逼近能力，所以在算例中出现过拟合，导致预测效果不好。

表2 不同浓度下的预测结果

5 结 论

本文基于TDLAS技术和RBF神经网络算法对CO2的浓度进行预测，该方法具有很高的准确性和可靠性。根据可调谐激光被CO2吸收部分和拟合出的原始激光信号之间的差异提取特征值对CO2浓度进行解析，通过RBF神经网络对特征参数进行训练并预测浓度。主要研究结果如下：

(1) 均值、标准差、偏差平方和、变异系数和最大偏差等5个特征参数能够清晰地描述激光被CO2气体吸收的程度；

(2) 基于RBF神经网络的高温气体CO2浓度预测方法可以准确地预测CO2浓度，最大预测误差低于2.592%；

(3) 与GRNN神经网络预测结果相比，RBF神经网络的预测精度远远高于GRNN，更适用于高温气体CO2浓度的测量。