基于门控循环单元神经网络的燃煤电厂脱硝系统建模研究

倪 煜，李德波，陶 叶

（1. 中国电力工程顾问集团有限公司，北京 100120；2. 南方电网电力科技股份有限公司，广东 广州 510080；3. 电力规划设计总院，北京 100120）

0 引言

近年来研究人员开展了大量的NOX污染治理研究。在实际应用中，效率较高且常用的技术手段是燃烧后的处理，其中选择性催化还原（selective catalytic reduction，SCR）是在国内外电厂实际运行中广泛使用的烟气脱硝技术手段，其技术成熟可靠、便于维护、脱硝效率高且不导致二次污染[1-2]。

准确构建脱硝系统运行参数与SCR出口NOX浓度、脱硝效率之间的关系模型是优化整体脱硝控制系统的重要手段。为了提高燃煤电厂脱硝系统出口NOX浓度与脱硝效率的预测准确率，本文以某1 000 MW火电机组脱硝过程为研究对象，构建基于门控循环单元（gated recurrent unit，GRU）神经网络模型，用来预测SCR出口NOX浓度和脱硝效率，并将该模型与传统的机器学习模型进行对比。结果表明，该模型能够更加准确地反映过程参数时间序列特征对实际脱硝效率的影响，从而提高了预测的准确性[3-7]。

1 研究进展

目前，火电厂脱硝出口NOX排放浓度与SCR脱硝效率的预测方法主要有统计回归法、支持向量机法（support vector machines，SVM）和人工神经网络法。任志玲[8]等基于对影响脱硝喷氨控制因素分析利用混沌粒子群优化算法（combinatorial particle swarm optimization，CPSO）对喷氨量进行求解得出最优喷氨控制，构建基于径向基（radial basis function，RBF）神经网络模型对烟气脱硝系统出口的NOX浓度进行预测。结果表明在控制喷氨量的精度与脱硝效率上优于传统的比例—积分—微分控制器 （proportion integral differential，PID）控制算法。赵志宏[9]等基于主元分析方法，通过实验分析各主要因素对脱硝效率造成的影响，并在特征变量选定后作为模型的输入变量输入到最小二乘支持向量机（least squares support vector machine，LSSVM）模型中，取得了较高的稳定性和预测准确率。王博[10]等基于经验模态分解 （empirical mode decompo-sition，EMD）和支持向量回归（support vector regression，SVR）的火电厂脱硝系统出口NOX浓度预测模型，通过与标准的反向传播（back propagation，BP）、SVR、极限学习机（extreme learning machine，ELM）、EMD-BP和EMDELM模型进行实验比较，EMD-SVR模型的预测准确率较高。上述方法均未考虑脱硝过程参数的时间序列特性。

针对一个时间序列的数据集，采用循环神经网络（recurrent neural network，RNN）进行建模，是较合适的神经网络模型[11]。长短期记忆（long short-term memory，LSTM）神经网络是一种基于RNN递归神经网络的基础上改进形成的网络模型，它是由Schmidhuber[12]等为解决RNN在使用时的梯度消失、梯度爆炸、长期记忆丧失等问题而提出，使RNN可以有效地应用于较长的时序信息[13]。神经网络LSTM模型在蛋白质序列预测、机器翻译、交通流量预测、故障时间序列预测[14-18]等许多不同领域得到了成功推广应用。

Chung[19]等在基于LSTM网络模型的基础上，通过简化的方式，对LSTM网络结构进行重新设计，提出GRU。GRU网络模型在模型结构上比LSTM网络设计更为简化，在模型的训练时间上具有更大的优势。

本文综合考虑到电站锅炉的脱硝过程数据具有时间序列特征和大数据特点，GRU神经网络应用于燃煤电厂脱硝系统出口NOX浓度和脱硝效率的预测，并通过对比的方式来表明GRU模型更具有可靠性。

2 基于GRU神经网络的SCR脱硝过程建模

2.1 数据准备与处理

2.1.1 数据准备

燃煤电厂分散控制系统（distributed control system，DCS）每隔60 s记录一次SCR系统的有效参数，来反馈脱硝系统SCR运行过程的状态。本文从DCS中选取锅炉负荷、出口NOX质量浓度、入口NOX质量浓度、SCR系统脱硝效率、入口烟气O2含量、喷氨质量流量和入口烟气温度共7个主要参数。其中SCR出口NOX浓度预测模型参数如表1所示，针对SCR脱硝效率预测模型的参数如表2所示，构建以锅炉负荷、SCR入口NOX质量浓度、入口烟气温度、入口烟气含氧量、喷氨质量流量和SCR脱硝效率/出口NOX浓度等6个主要参数作为GRU模型观测变量，SCR脱硝效率/SCR出口NOX浓度作为模型输出变量。

表1 SCR出口NOX浓度预测模型参数

表2 SCR脱硝效率预测模型参数

2.1.2 数据标准化处理

数据是从DCS进行采集，但是由于每个维度数据的测定方法不同和各特征数据的测量单位不同，所以导致数据的维度与规模大不相同。针对于此，在进行建立预测模型之前，首先将采集到的全部数据分割为训练集数据与测试集数据，然后在训练集的样本数据上进行标准化预处理。由于SCR入口烟气温度、SCR入口烟气O2含量、锅炉负荷等参数由于每个维度的数据在数量级上不同，导致数据在数值型计算时会带来差距，因此为消除数量级的影响而采用Z-score标准化方法，首先需要对训练集样本进行标准化处理，并根据每个特征变量值的标准平均值的偏差重置每个特征值。通过标准化处理可以消除影响水平差异所导致数据量纲不同，从而对最终的结果造成影响。

score标准化处理计算式如下所示：

式中：μ为X因子的平均值；σ为X因子的标准差。计算式如下所示：

式中：μ为X因子的平均值；n表示为X（所有样本）的数量；xi为第i个样本。

2.2 模型的设计与构建

GRU神经网络是RNN神经网络的一种优化，也是LSTM神经网络的一种变体。如图1所示，GRU神经网络的内部结构与RNN一样具有链式结构，且采用包含更新门（update gate）和重置门（reset gate）等结构的门控循环单元，并将单元状态与输出合并为一个状态，实现了神经元中信息的控制与传递。其中，更新门决定了前一时刻状态对当前时刻状态的影响程度，重置门决定了当前输入与前一时刻状态的结合程度。

图1 GRU隐藏层节点结构

在GRU神经网络模型中，GRU拥有两个重要的门结构,更新门和重置门。其式推导过程如下：

式 中 ：xt，ht-1，zt，ft分 别 为 GRU 隐 藏 层 节点的输入、输出、更新门输出以及重置门输出，输入xt和前一时刻隐藏层输出ht-1共同决定过程量；w和b分别为训练所获得的权重参数和偏置参数，其中wz和bz、wf和bf、wh～和bh～分别为计算更新门输出、重置门输出、过程量所需的权重参数和偏置参数；⊙表示矩阵对应位置元素相乘；σ和tanh分别代表sigmoid函数和双曲正切函数。

本文基于GRU神经网络的SCR出口NOX浓度和脱硝效率预测模型的设计流程如图2所示，包括输入层、隐藏层、模型训练、输出层4个功能模块。输入层主要负责对从DCS采集到的数据集进行数据清洗、数据的标准化处理，并划分训练集与测试集，最后依照时间序列格式来封装数据以满足GRU神经网络模型的输入要求。隐藏层采用如图1所示的内部架构搭建的4层循环神经网络，每层神经元的个数分别是：128、128、64、32。模型训练采用Adam优化算法。输出层对模型的预测值建立模型评估，评估指标分别是：均方根误差、平均绝对误差和决定系数R2。X表示输入层，Y表示输出层。

图2 基于GRU神经网络的SCR脱硝过程建模预测模型

3 实测数据与分析

3.1 实测数据

通过燃煤电厂电站锅炉脱硝过程（工况）的监控系统对某电厂1 000 MW机组运行状态过程进行实时监控，选取该机组2018年4月1～7日时间段内所监测到的数据，采集频率为每60 s采样一次，共10 000组作为模型样本，其中7 000组作为训练集数据，3 000组作为测试集数据，以6个输入变量作为模型的观测变量和1个输出变量作为模型的输出，模型数据各特征参数如表1和表2所示。

3.2 模型评价指标

模型的预测结果通过预测值与真实值之间的误差进行评估，即用均方根误差（root mean squared error，RMSE）和平均绝对误差（mean absolute error，MAE）来表示。RMSE与MAE较小时，表示真实值与预测值越接近模型的预测结果越好；决定系数R2越接近1，表示模型的拟合性能较优，拟合数据能力效果越好，计算式如下：

式中：N为观测值和预测值的比较次数；ŷi为模型的预测值；yi为模型的真实值；为真实值的平均值。

3.3 实测数据分析

本文实测数据采用某1 000 MW机组燃煤锅炉的SCR系统在2018年4月1日00：01～4月7日22：40时段运行工况的10 000组数据。该期间在保证锅炉脱硝过程无明显的外部操作影响下，从DCS采集的数据中进行检查，判断采集的数据中是否存在锅炉非正常运行的数据，通过进行数据异常值排查处理，排查结果表明没有异常的值，则显示了燃烧电厂锅炉机组处于稳定可靠的运行状态。

3.3.1 SCR出口NOX质量浓度预测

基于GRU神经网络的SCR出口NOX质量浓度预测模型，时间步长是网络参数中非常重要的一部分，时间步长反映的是模型的最长记忆时间，在实际应用过程中则表明当前时刻的NOX质量浓度预测值与之前输入参数的关系。GRU的时间步长调参过程如表3所示，随着时间步长的增长，模型的误差先下降，并有波动性，当时间序列长度为30 s时，RMSE和MAE均达到最小，当时间序列再次增长时，误差反而变大。因此，当时间步长设置为30 s时，模型预测效果最好。为了验证GRU神经网络模型在火电厂SCR出口NOX质量浓度预测的性能，本文在保证使用相同的数据集、时间步长和迭代训练周期次的情况下，通过进行对比，得到了3 000组在测试数据集上的GRU神经网络预测结果，并且与传统RBF、LSSVM、RNN、LSTM模型进行对比，5种模型的RMSE、MAE、决定系数如表4所示。

表3 GRU神经网络SCR出口NOX浓度预测模型的时间步长选取对比

表4 5种SCR出口NOX浓度预测模型性能对比

由表4可以看出，传统机器学习模型LSSVM模型的预测结果最不理想，RBF模型的总体性能强于LSSVM、RNN、LSTM模型，而GRU模型的性能表现是最优的，对GRU神经网络模型性能指标及预测结果进行评估，得到的评估结果如下：均方根误差RMSE为1.027 1，平均绝对误差MAE为0.782 9，决定系数R2为0.995 2，均优于RBF模型、LSSVM模型。这表明本文采用GRU模型在SCR出口NOX质量浓度的预测上表现具有更高的准确度。

3.3.2 脱硝效率预测

基于GRU神经网络的SCR脱硝效率预测模型，GRU的时间步长调参方式与NOX质量浓度预测模型一致，调参过程如表5所示，结果表明随着时间序列的增长，GRU模型的误差先下降，并显示波动性，当时间序列长度为30 s时，RMSE和MAE均达到最小，当时间序列再次增长时，误差反而变大，因此当GRU模型参数选时间步长为30 s时，模型预测效果最好。为了验证GRU模型在火电厂SCR脱硝效率的表现性能及预测结果，本文在保证使用相同的数据集、时间步长和迭代训练周期次的情况下，通过进行对比，得到了3 000组在测试数据集上的GRU神经网络预测结果，并且与传统RBF模型、LSSVM、RNN、LSTM模型进行对比，5种模型的平均绝对误差、均方根误差、决定系数如表6所示。

表5 GRU神经网络SCR脱硝效率预测模型的时间步长选取对比

表6 5种SCR脱硝效率预测模型性能对比

由表6可以看出，传统机器学习模型LSSVM模型的预测结果最不理想，RBF模型的总体性能比RNN、LSTM模型好一些，而GRU模型的性能表现是最优的，对GRU神经网络模型性能指标及预测结果进行评估，得到的评估结果如下，分别为均方根误差RMSE为0.322 0，平均绝对误差MAE为0.199 2，决定系数R2为0.996 3，均优于RBF模型、LSSVM模型、RNN模型以及LSTM模型，表明本文采用GRU模型在SCR脱硝效率的预测上表现具有更高的准确度。

4 结语

SCR出口NOX质量浓度和脱硝效率作为衡量SCR脱硝系统稳态运行的关键参数，对脱硝系统乃至整个发电机组都有着重大影响，可以实时精准地预测SCR出口NOX浓度和脱硝效率，能够对机组可靠稳态运行起到关键性的作用。本文综合考虑SCR脱硝系统的特性，首先基于机理的数据分析选取影响SCR脱硝系统出口NOX浓度和脱硝效率关键输入变量，然后构建基于GRU神经网络的脱硝出口氮氧化物质量浓度和脱硝效率预测模型，利用过程数据的时间序列特征，通过某燃煤电厂1 000 MW机组SCR脱硝系统的实际运行数据对GRU模型进行验证，结果表明GRU模型相比传统的机器学习方法，在模型的预测准确率上具有更好的可靠性与准确性。