燃煤電廠SCR煙氣脫硝催化劑壽命預測研究
摘要：為保證燃煤電廠煙氣脫硝系統的(de)(de)安全、穩定運行，需要制定科(ke)學(xue)合理的(de)(de)選(xuan)擇性催化還(huan)原（SCR）催化劑(ji)壽命預測(ce)(ce)方案(an)。SCR催化劑(ji)失效是多(duo)個物理和化學(xue)因(yin)素共同作用的(de)(de)結果(guo)，難以(yi)(yi)用傳(chuan)統的(de)(de)物理模型或數(shu)(shu)學(xue)公式對(dui)其(qi)失活程度(du)(du)進行預測(ce)(ce)。本研究(jiu)針對(dui)電廠大數(shu)(shu)據(ju)特性，對(dui)原始數(shu)(shu)據(ju)進行預處理，建(jian)立了曲線擬合、灰色(se)預測(ce)(ce)、BP神(shen)經(jing)網(wang)(wang)絡(luo)、灰色(se)神(shen)經(jing)網(wang)(wang)絡(luo)4種預測(ce)(ce)模型。實例對(dui)比分析發現：數(shu)(shu)據(ju)預處理可以(yi)(yi)提(ti)高預測(ce)(ce)精度(du)(du)；當(dang)數(shu)(shu)據(ju)滿(man)(man)足等(deng)(deng)時距特性時，灰色(se)神(shen)經(jing)網(wang)(wang)絡(luo)優化后的(de)(de)直(zhi)接輸出模型預測(ce)(ce)精度(du)(du)較高；當(dang)數(shu)(shu)據(ju)不(bu)滿(man)(man)足等(deng)(deng)時距特性時，使用BP神(shen)經(jing)網(wang)(wang)絡(luo)模型預測(ce)(ce)效果(guo)更好。
選擇性催(cui)(cui)化(hua)(hua)還(huan)原（SCR）法已成為(wei)國際(ji)上火(huo)電(dian)廠應(ying)用(yong)最(zui)廣(guang)、最(zui)為(wei)成熟的(de)NOx排放(fang)控制技(ji)術。催(cui)(cui)化(hua)(hua)劑(ji)(ji)是SCR脫(tuo)(tuo)硝(xiao)工(gong)藝的(de)核心，SCR脫(tuo)(tuo)硝(xiao)催(cui)(cui)化(hua)(hua)劑(ji)(ji)（簡稱SCR催(cui)(cui)化(hua)(hua)劑(ji)(ji)）長(chang)期在高(gao)溫、復雜的(de)煙氣(qi)環(huan)境中工(gong)作，會受到物理和(he)化(hua)(hua)學(xue)因(yin)素的(de)影響而逐漸失活。SCR催(cui)(cui)化(hua)(hua)劑(ji)(ji)服役時(shi)間即使(shi)用(yong)壽命(ming)決定著SCR脫(tuo)(tuo)硝(xiao)系統(tong)的(de)運(yun)行成本。因(yin)此，正確預估SCR催(cui)(cui)化(hua)(hua)劑(ji)(ji)的(de)使(shi)用(yong)壽命(ming)并及(ji)時(shi)更換催(cui)(cui)化(hua)(hua)劑(ji)(ji)，對減小電(dian)廠運(yun)行成本和(he)節約資(zi)源(yuan)具有重要意義。
目前，國內(nei)外學者(zhe)已對SCR催化劑(ji)失(shi)活的(de)過程和原因進(jin)行了(le)探索，并針對催化劑(ji)的(de)失(shi)活原因建立(li)了(le)多(duo)種(zhong)催化劑(ji)失(shi)活動力學模型。
Lei等人(ren)研(yan)究(jiu)了(le)(le)SCR催化劑(ji)不同(tong)中(zhong)(zhong)毒過程(cheng)中(zhong)(zhong)催化劑(ji)堿金屬中(zhong)(zhong)毒的失(shi)活速率。姜燁等研(yan)究(jiu)了(le)(le)不同(tong)形態鉀(jia)和鉛導致SCR脫硝(xiao)催化劑(ji)失(shi)活的機理(li)，并在漸進(jin)殼模(mo)型(xing)的基礎上建(jian)立了(le)(le)鉀(jia)和鉛中(zhong)(zhong)毒失(shi)活動力(li)學方程(cheng)。吳(wu)俊升等采用流化磨損測試方法分析研(yan)究(jiu)了(le)(le)不同(tong)粒徑催化劑(ji)的磨損行(xing)為(wei)，建(jian)立了(le)(le)相應(ying)的失(shi)活動力(li)學模(mo)型(xing)。
孫克勤等研(yan)究了煤燃燒過程中(zhong)砷的(de)遷移規律以(yi)及SCR催化劑砷中(zhong)毒對SCR脫硝系統影響(xiang)的(de)失活動力(li)學(xue)。
Upadhyay等(deng)人以表面反(fan)應(ying)動態模(mo)型(xing)為基礎(chu)，引入時間因(yin)素對脫硝(xiao)反(fan)應(ying)動態過(guo)程進行了(le)實(shi)驗(yan)研(yan)究(jiu)。此外，也有(you)學(xue)者從催(cui)(cui)化(hua)劑整(zheng)體(ti)失活(huo)的(de)(de)角度出發(fa)，建立(li)了(le)不同(tong)的(de)(de)催(cui)(cui)化(hua)劑活(huo)性(xing)預(yu)測模(mo)型(xing)。對于早期(qi)的(de)(de)催(cui)(cui)化(hua)劑失活(huo)程度預(yu)測可以使用Gauss和Logistic回歸(gui)模(mo)型(xing)，根據實(shi)驗(yan)曲線擬合(he)得(de)到(dao)失活(huo)公式(shi)，但精度較差。
董(dong)長青等在SCR催(cui)(cui)化劑失(shi)活動(dong)力學(xue)模(mo)型(xing)的基(ji)礎(chu)上(shang)，分別(bie)從(cong)物理和(he)數學(xue)角(jiao)度進(jin)行了(le)修正。傅玉(yu)等按照數據是否滿足等時距要求，分別(bie)建(jian)立(li)了(le)灰色預(yu)測模(mo)型(xing)和(he)多(duo)種曲線擬(ni)合(he)模(mo)型(xing)，對催(cui)(cui)化劑的相對活性(xing)進(jin)行預(yu)測。
SCR催(cui)(cui)(cui)化劑(ji)(ji)失(shi)活(huo)(huo)機理復雜，通過傳統的(de)物理模型或建立數(shu)(shu)學公式對(dui)其活(huo)(huo)性進行預(yu)測(ce)的(de)難度較大且準確(que)度不高。此(ci)外(wai)，在電(dian)廠(chang)實際運(yun)行過程(cheng)中，很(hen)難通過隨(sui)時停機來采集催(cui)(cui)(cui)化劑(ji)(ji)的(de)活(huo)(huo)性數(shu)(shu)據和運(yun)行參(can)數(shu)(shu)；且隨(sui)著(zhu)負荷的(de)變(bian)化，流經催(cui)(cui)(cui)化劑(ji)(ji)的(de)煙氣參(can)數(shu)(shu)也會時刻變(bian)化，SCR催(cui)(cui)(cui)化劑(ji)(ji)活(huo)(huo)性波動性較大。因此(ci)，本(ben)文以(yi)5個(ge)電(dian)廠(chang)的(de)實際運(yun)行數(shu)(shu)據為例，將(jiang)實際運(yun)行數(shu)(shu)據預(yu)處理后用(yong)于曲線擬合、灰(hui)色(se)預(yu)測(ce)、BP神經網(wang)絡(luo)、灰(hui)色(se)神經網(wang)絡(luo)4類模型的(de)SCR催(cui)(cui)(cui)化劑(ji)(ji)壽(shou)命(ming)(ming)預(yu)測(ce)模擬，探索預(yu)測(ce)SCR催(cui)(cui)(cui)化劑(ji)(ji)壽(shou)命(ming)(ming)的(de)最(zui)佳方法。
1數據預處理
1.1催化劑活(huo)性計算
催(cui)化(hua)(hua)(hua)劑(ji)活性K可用于衡量其催(cui)化(hua)(hua)(hua)氨與(yu)氮氧化(hua)(hua)(hua)物(wu)反應的綜(zong)合(he)能力(li)，主要由催(cui)化(hua)(hua)(hua)劑(ji)自身性能、煙氣條件、操作情(qing)況及機組運(yun)行狀(zhuang)態決定。準(zhun)確了解并計(ji)(ji)算(suan)催(cui)化(hua)(hua)(hua)劑(ji)活性是(shi)預測催(cui)化(hua)(hua)(hua)劑(ji)壽命的基礎。電廠實際運(yun)行條件下的催(cui)化(hua)(hua)(hua)劑(ji)活性K計(ji)(ji)算(suan)公式為
.jpg)
1.2運行數據預處理(li)
本(ben)文以5個在役(yi)電(dian)廠的實際運(yun)行(xing)(xing)數(shu)據(ju)為基礎，進行(xing)(xing)數(shu)據(ju)預(yu)處(chu)理。以電(dian)廠1為例(li)，該電(dian)廠給出了2016年1月(yue)10日到2017年1月(yue)3日期間的運(yun)行(xing)(xing)數(shu)據(ju)，包括機組(zu)負荷、煙氣量、SCR脫(tuo)硝(xiao)反應(ying)器(qi)入(ru)口(kou)和出口(kou)NOx質量濃度等。通過(guo)式(1)得到不同運(yun)行(xing)(xing)時(shi)間對(dui)應(ying)的SCR催化劑活(huo)性如(ru)圖(tu)1所示。
圖1電廠(chang)1催化(hua)(hua)劑活(huo)性變化(hua)(hua)示(shi)意
由圖1可以(yi)發現，電廠(chang)的(de)催化劑活性數(shu)據十分繁雜，難以(yi)觀(guan)察(cha)其(qi)變化規(gui)律。如果直接使用(yong)這些數(shu)據進(jin)行模擬預測而不(bu)考(kao)慮數(shu)據的(de)內(nei)在特征，會導致最(zui)終預測結果誤差較大，因此需進(jin)行相(xiang)應的(de)數(shu)據預處(chu)理。
數據預處理步驟(zou)如下：
1）從每天不(bu)同時刻的K中選出最大(da)值；
2）算出每5天(tian)K最大值的平均(jun)值；
3）找到5天中與(yu)K最(zui)大(da)值的平均(jun)值最(zui)接近的實際數據(ju)，并去掉明顯不(bu)符合催化劑活(huo)性(xing)變(bian)化規律的數據(ju)，最(zui)后得到預(yu)測樣本(ben)。
對(dui)電廠(chang)1的(de)數據進行上述(shu)預處理后(hou)得到(dao)催化劑活性變化如圖2所(suo)示。
圖2電廠1預(yu)處(chu)理后催化劑活性變(bian)化示意(yi)
對(dui)(dui)比圖(tu)1、圖(tu)2可(ke)見，預(yu)處理后的(de)數據更(geng)便于觀察(cha)，也(ye)更(geng)符合電廠(chang)SCR催化(hua)(hua)劑活性變化(hua)(hua)規(gui)律，可(ke)直接用于催化(hua)(hua)劑活性預(yu)測研究。因此，對(dui)(dui)電廠(chang)2—電廠(chang)5的(de)數據也(ye)進行(xing)同樣(yang)的(de)預(yu)處理。
2預測模型
對于與SCR催(cui)化劑(ji)失(shi)活相關(guan)的多因素耦(ou)合(he)、繁復的數據信息，從數據驅動(dong)的角度(du)可以避免(mian)建立復雜物理(li)模型(xing)。本文分別使(shi)用曲線擬合(he)、灰(hui)色預測(ce)、BP神(shen)經(jing)網絡、灰(hui)色神(shen)經(jing)網絡4類方法(fa)進行預測(ce)，從而篩選出可以提高(gao)催(cui)化劑(ji)壽命(ming)預測(ce)準確度(du)的預測(ce)模型(xing)。
2.1曲線(xian)擬(ni)合
曲線(xian)擬(ni)(ni)合以離散的(de)觀(guan)測(ce)數(shu)據(ju)點(dian)為基礎，用連續曲線(xian)近似地(di)擬(ni)(ni)合觀(guan)測(ce)數(shu)據(ju)，并分析變量之(zhi)間的(de)關系。工程中常(chang)用的(de)曲線(xian)擬(ni)(ni)合方法(fa)有多項式法(fa)、指數(shu)法(fa)和高斯擬(ni)(ni)合法(fa)，下面(mian)是(shi)幾(ji)種典型(xing)曲線(xian)擬(ni)(ni)合方法(fa)的(de)趨勢(shi)模型(xing)（模型(xing)中an、bn、cn均為模型(xing)參(can)數(shu)）。
2.2灰(hui)色預測(ce)模型
灰(hui)色(se)系統(tong)理(li)論是(shi)(shi)我國(guo)學者鄧聚龍教(jiao)授提出(chu)的(de)針(zhen)對不確(que)定性問題的(de)研究方(fang)法(fa)[17]。對于同時含有已知信(xin)息(xi)和未(wei)(wei)知不確(que)定信(xin)息(xi)的(de)灰(hui)色(se)系統(tong)，其(qi)數(shu)據(ju)(ju)(ju)(ju)可(ke)能是(shi)(shi)雜亂無章(zhang)的(de)，但是(shi)(shi)灰(hui)色(se)預(yu)測可(ke)以(yi)通過鑒別(bie)各因素(su)之間發展趨(qu)勢(shi)的(de)相異程度，對原始數(shu)據(ju)(ju)(ju)(ju)進行處理(li)，建(jian)立(li)微分(fen)方(fang)程尋找(zhao)灰(hui)色(se)系統(tong)數(shu)據(ju)(ju)(ju)(ju)變(bian)動的(de)規律(lv)，從而預(yu)測系統(tong)未(wei)(wei)來的(de)發展趨(qu)勢(shi)。灰(hui)色(se)模(mo)型對實測數(shu)據(ju)(ju)(ju)(ju)沒有嚴格要求(qiu)，所需數(shu)據(ju)(ju)(ju)(ju)量(liang)較少。本文采用單(dan)一變(bian)量(liang)GM(1,1)灰(hui)色(se)預(yu)測模(mo)型，使用此模(mo)型的(de)前提是(shi)(shi)建(jian)模(mo)序列必須滿(man)足等時距的(de)要求(qiu)。
2.3BP神經網絡
2.3.1簡(jian)介(jie)
BP（backpropagation）人工(gong)神(shen)(shen)經(jing)(jing)網(wang)(wang)絡(luo)(luo)是模(mo)(mo)仿(fang)生物神(shen)(shen)經(jing)(jing)系統(tong)功(gong)能和結構發展起來(lai)的(de)(de)(de)信息處理系統(tong)[20]。人工(gong)神(shen)(shen)經(jing)(jing)網(wang)(wang)絡(luo)(luo)由大量簡(jian)單(dan)的(de)(de)(de)處理單(dan)元以(yi)(yi)某(mou)種方式彼此互聯而成的(de)(de)(de)復雜網(wang)(wang)絡(luo)(luo)系統(tong)，具有學(xue)習、記憶、聯想、歸納和自適應(ying)學(xue)習能力(li)。在眾多(duo)人工(gong)神(shen)(shen)經(jing)(jing)網(wang)(wang)絡(luo)(luo)模(mo)(mo)型(xing)中，按誤差逆傳播算法訓練的(de)(de)(de)BP神(shen)(shen)經(jing)(jing)網(wang)(wang)絡(luo)(luo)，因其(qi)運算能力(li)強、建模(mo)(mo)過程簡(jian)單(dan)，已經(jing)(jing)成為目前應(ying)用最(zui)廣泛的(de)(de)(de)神(shen)(shen)經(jing)(jing)網(wang)(wang)絡(luo)(luo)模(mo)(mo)型(xing)。BP神(shen)(shen)經(jing)(jing)網(wang)(wang)絡(luo)(luo)具備大規(gui)模(mo)(mo)并(bing)行處理數據(ju)的(de)(de)(de)特點，可(ke)以(yi)(yi)存儲和學(xue)習大量輸入-輸出模(mo)(mo)式的(de)(de)(de)映射關系，非(fei)常(chang)適合應(ying)用于需(xu)要同(tong)時考(kao)慮諸多(duo)因素和條件(jian)的(de)(de)(de)不精確或者模(mo)(mo)糊的(de)(de)(de)信息處理問題(ti)。
BP神經網(wang)(wang)絡通常(chang)由(you)單層(ceng)(ceng)的(de)(de)輸入層(ceng)(ceng)、輸出(chu)層(ceng)(ceng)和層(ceng)(ceng)數(shu)不等的(de)(de)隱含層(ceng)(ceng)構(gou)成，而每層(ceng)(ceng)都由(you)若干(gan)個神經元組成。圖3為典型多層(ceng)(ceng)前饋型BP神經網(wang)(wang)絡結(jie)構(gou)。圖3中，x表示(shi)輸入數(shu)據，a、c表示(shi)閾值，y表示(shi)網(wang)(wang)絡輸出(chu)結(jie)果，f表示(shi)激勵函(han)數(shu)。
圖3BP神經網絡結構
2.3.2原理
BP神經網絡需要通過(guo)輸(shu)(shu)入和(he)輸(shu)(shu)出(chu)樣本對網絡進行訓練，即通過(guo)學習和(he)修正(zheng)網絡的(de)(de)閾(yu)值和(he)權值，并不斷(duan)重復該過(guo)程(cheng)，最終得到符合條件的(de)(de)輸(shu)(shu)入或輸(shu)(shu)出(chu)。BP神經網絡算法由信號(hao)的(de)(de)正(zheng)向傳(chuan)播（前向計算過(guo)程(cheng)）和(he)誤差的(de)(de)反向傳(chuan)播兩個階(jie)段組(zu)成。兩個過(guo)程(cheng)反復交替，不斷(duan)調整權值和(he)閾(yu)值，直至網絡達到收斂為(wei)止，具體過(guo)程(cheng)如下。
1）信號(hao)的正向(xiang)傳播過程
輸入量由輸入層(ceng)經過(guo)隱含層(ceng)逐層(ceng)計算，并傳(chuan)向網(wang)(wang)絡的(de)(de)輸出(chu)層(ceng)。計算中每層(ceng)的(de)(de)神經元(yuan)狀態只會影響下一(yi)層(ceng)的(de)(de)神經元(yuan)狀態。網(wang)(wang)絡的(de)(de)權值在信號(hao)正向傳(chuan)播過(guo)程(cheng)中固定不(bu)變。如(ru)果(guo)輸出(chu)層(ceng)不(bu)能得到符合其期望的(de)(de)輸出(chu)，則轉入誤差反向傳(chuan)播過(guo)程(cheng)。
2）誤差的反向傳播(bo)
由(you)前向計算過程得出的(de)(de)(de)網絡輸(shu)出與(yu)期望輸(shu)出之前的(de)(de)(de)差(cha)值(zhi)即為誤(wu)差(cha)。誤(wu)差(cha)信(xin)號由(you)網絡的(de)(de)(de)輸(shu)出端開始，沿(yan)網絡的(de)(de)(de)連接路線返回(hui)并計算各權(quan)(quan)值(zhi)和閾值(zhi)對(dui)總誤(wu)差(cha)的(de)(de)(de)影響。最(zui)后根據誤(wu)差(cha)梯度(du)下(xia)降法(fa)對(dui)權(quan)(quan)值(zhi)和閾值(zhi)進(jin)行調整。
2.3.3結(jie)構(gou)設計
對于(yu)大多(duo)數(shu)復(fu)雜的(de)數(shu)學問題，單隱(yin)含(han)層(ceng)BP神經網絡即可(ke)滿足要求(qiu)，本(ben)研究(jiu)也采用圖(tu)3所示的(de)輸入層(ceng)-單隱(yin)含(han)層(ceng)-輸出層(ceng)的(de)3層(ceng)BP神經網絡結(jie)構。
1）確定(ding)輸(shu)入(ru)及輸(shu)出變量
電廠SCR催(cui)化劑在多因素耦合且(qie)復雜的煙氣環境(jing)中工(gong)作，煙氣量(liang)、噴氨量(liang)、運(yun)行(xing)時間、運(yun)行(xing)溫度及煤種等(deng)都會影響(xiang)SCR催(cui)化劑的活(huo)性(xing)(xing)。為了建(jian)立簡潔、有效的BP神經(jing)(jing)網(wang)絡模(mo)型，首先要對(dui)預處理(li)后的數(shu)據進行(xing)相(xiang)關性(xing)(xing)分析(xi)，找(zhao)到對(dui)SCR催(cui)化劑活(huo)性(xing)(xing)有顯著影響(xiang)的參數(shu)作為BP神經(jing)(jing)網(wang)絡的輸入變量(liang)。本文利用統(tong)計分析(xi)軟(ruan)件(jian)SPSS進行(xing)相(xiang)關性(xing)(xing)分析(xi)。此外(wai)，由(you)于各輸入量(liang)單(dan)位不(bu)同，需(xu)對(dui)輸入變量(liang)進行(xing)歸(gui)一化處理(li)，以均衡對(dui)BP神經(jing)(jing)網(wang)絡的影響(xiang)，降低誤差。本文BP神經(jing)(jing)網(wang)絡輸出(chu)變量(liang)為SCR催(cui)化劑活(huo)性(xing)(xing)K。
2）確定隱含層神(shen)經元個數
確定BP神(shen)經(jing)(jing)(jing)(jing)網(wang)絡(luo)各(ge)層神(shen)經(jing)(jing)(jing)(jing)元(yuan)的數量是(shi)構(gou)建BP神(shen)經(jing)(jing)(jing)(jing)網(wang)絡(luo)的重要環(huan)節。隱含層神(shen)經(jing)(jing)(jing)(jing)元(yuan)數n需要先通過經(jing)(jing)(jing)(jing)驗公式(shi)(5)確定大致范圍后，再對(dui)不同(tong)網(wang)絡(luo)結(jie)構(gou)的訓練結(jie)果進(jin)行對(dui)比(bi)，選擇預測誤差最小時的隱含層神(shen)經(jing)(jing)(jing)(jing)元(yuan)個數。
3）確(que)定訓練和(he)測試樣(yang)本
選(xuan)擇一(yi)部分(fen)預處理(li)后(hou)(hou)的數(shu)(shu)據(ju)(ju)作(zuo)為訓練樣(yang)本(ben)對(dui)網(wang)絡(luo)進行訓練，其(qi)余數(shu)(shu)據(ju)(ju)作(zuo)為測試樣(yang)本(ben)。將(jiang)測試樣(yang)本(ben)的輸入變(bian)量代入訓練好的BP神經網(wang)絡(luo)中，然后(hou)(hou)將(jiang)SCR催化(hua)劑活性預測結果與真實值(zhi)進行對(dui)比，分(fen)析其(qi)誤差(cha)。
2.4灰色神經網(wang)絡(luo)
灰色(se)預(yu)測(ce)模(mo)型(xing)的對象系統中(zhong)允許存在未知項，所需數據(ju)少，并且不要求數據(ju)具有一致性，但它缺乏自(zi)學習、自(zi)適應能力，對非線性信息的處理(li)能力較弱，而BP神(shen)(shen)經(jing)網(wang)絡(luo)算法恰好可以彌補灰色(se)預(yu)測(ce)模(mo)型(xing)的這些(xie)不足。本(ben)文將灰色(se)預(yu)測(ce)模(mo)型(xing)與BP神(shen)(shen)經(jing)網(wang)絡(luo)結合在一起(qi)，形成灰色(se)神(shen)(shen)經(jing)網(wang)絡(luo)，尤其適合處理(li)SCR催(cui)化(hua)劑失(shi)效這種多因素耦合、繁(fan)復的問題。按照神(shen)(shen)經(jing)網(wang)絡(luo)的輸出數據(ju)類(lei)別，可將灰色(se)神(shen)(shen)經(jing)網(wang)絡(luo)模(mo)型(xing)分為(wei)殘差輸出和直接(jie)輸出2類(lei)。
2.4.1殘差模(mo)型
灰(hui)色神經(jing)網絡中的(de)(de)殘(can)差(cha)修正(zheng)模型(xing)首先將原始數據通(tong)過灰(hui)色預測方法(fa)預測，隨后將灰(hui)色預測結(jie)果(guo)的(de)(de)殘(can)差(cha)作為(wei)BP神經(jing)網絡的(de)(de)輸入輸出，從而達到自身修正(zheng)、降低(di)誤(wu)差(cha)的(de)(de)目的(de)(de)。
2.4.2直接輸出(chu)模型
灰色(se)神(shen)經網絡(luo)(luo)直接輸(shu)(shu)(shu)出模型首(shou)先將原始數(shu)據用灰色(se)預(yu)(yu)測方法預(yu)(yu)測，隨后把灰色(se)預(yu)(yu)測的結果(guo)與SCR催化劑(ji)服役時間(jian)同時作為BP神(shen)經網絡(luo)(luo)的輸(shu)(shu)(shu)入，最后得(de)到網絡(luo)(luo)輸(shu)(shu)(shu)出即SCR催化劑(ji)活(huo)性預(yu)(yu)測值。
3工程實例分析
3.1曲(qu)線擬(ni)合
隨(sui)著運(yun)行(xing)(xing)時(shi)間的延長，SCR催(cui)(cui)化(hua)(hua)劑(ji)活性會逐漸降(jiang)低，因(yin)此使用曲(qu)(qu)線擬(ni)合法預測時(shi)，將時(shi)間作為(wei)(wei)自變量，SCR催(cui)(cui)化(hua)(hua)劑(ji)活性則為(wei)(wei)因(yin)變量。用MATLAB軟(ruan)件中的cftool工(gong)具箱(xiang)直接對樣(yang)本(ben)(ben)數(shu)據(ju)(ju)(ju)進行(xing)(xing)曲(qu)(qu)線擬(ni)合。以(yi)電廠1為(wei)(wei)例，在進行(xing)(xing)數(shu)據(ju)(ju)(ju)預處理后共得到(dao)(dao)51組(zu)數(shu)據(ju)(ju)(ju)，取1—46組(zu)數(shu)據(ju)(ju)(ju)作為(wei)(wei)樣(yang)本(ben)(ben)數(shu)據(ju)(ju)(ju)，擬(ni)合得到(dao)(dao)SCR催(cui)(cui)化(hua)(hua)劑(ji)活性變化(hua)(hua)公式(shi)，然(ran)后將47—51組(zu)數(shu)據(ju)(ju)(ju)作為(wei)(wei)測試數(shu)據(ju)(ju)(ju)，代入式(shi)(1)得到(dao)(dao)SCR催(cui)(cui)化(hua)(hua)劑(ji)活性擬(ni)合值，并與SCR催(cui)(cui)化(hua)(hua)劑(ji)活性真實值進行(xing)(xing)對比，結(jie)果見(jian)表(biao)1、表(biao)2
3.2灰色預測
預(yu)(yu)處理后的電廠1數據(ju)滿足等時距特性(xing)，此時可以(yi)使用GM(1,1)模型(xing)(xing)進行預(yu)(yu)測(ce)，取1—46組(zu)數據(ju)作為樣本數據(ju)，將(jiang)47—51組(zu)數據(ju)作為測(ce)試數據(ju)，結果見表3。由表3預(yu)(yu)測(ce)結果顯示，曲(qu)線(xian)擬(ni)合和(he)灰(hui)色預(yu)(yu)測(ce)模型(xing)(xing)的預(yu)(yu)測(ce)精度較(jiao)低，平均(jun)誤差高達39.1183%。因此，使用單一(yi)的曲(qu)線(xian)擬(ni)合或(huo)灰(hui)色預(yu)(yu)測(ce)模型(xing)(xing)往往無法反映(ying)催化劑活(huo)性(xing)與各影響(xiang)因素間復雜(za)的非線(xian)性(xing)關系。
3.3BP神經網絡
以(yi)電廠1為(wei)例，經過(guo)SPSS軟件分析可(ke)知(zhi)，機組負荷、脫硝效率、煙溫、煙氣量(liang)(liang)、時間、FGD（煙氣脫硫(liu)）出(chu)口NOx質量(liang)(liang)濃度、噴氨量(liang)(liang)、煤中(zhong)硫(liu)、砷質量(liang)(liang)濃度都與SCR催(cui)化(hua)劑活性顯著(zhu)相(xiang)關，因(yin)此將這些影響因(yin)素作為(wei)BP神(shen)經網(wang)絡(luo)的(de)輸入并進行歸一化(hua)處(chu)理，SCR催(cui)化(hua)劑活性作為(wei)BP神(shen)經網(wang)絡(luo)的(de)輸出(chu)。
經(jing)(jing)(jing)(jing)過計算比(bi)較后發現(xian)，當BP神(shen)(shen)(shen)經(jing)(jing)(jing)(jing)網絡(luo)(luo)中隱(yin)含(han)(han)層神(shen)(shen)(shen)經(jing)(jing)(jing)(jing)元(yuan)為(wei)4時預測(ce)誤(wu)差(cha)最小，因此(ci)BP神(shen)(shen)(shen)經(jing)(jing)(jing)(jing)網絡(luo)(luo)拓(tuo)撲結構為(wei)9-4-1（輸(shu)入層神(shen)(shen)(shen)經(jing)(jing)(jing)(jing)元(yuan)數-隱(yin)含(han)(han)層神(shen)(shen)(shen)經(jing)(jing)(jing)(jing)元(yuan)數-輸(shu)出層神(shen)(shen)(shen)經(jing)(jing)(jing)(jing)元(yuan)數）。取1—46組(zu)數據(ju)(ju)作為(wei)樣本數據(ju)(ju)，將47—51組(zu)數據(ju)(ju)作為(wei)測(ce)試數據(ju)(ju)，BP神(shen)(shen)(shen)經(jing)(jing)(jing)(jing)網絡(luo)(luo)的預測(ce)結果與誤(wu)差(cha)見(jian)表4，其平均(jun)誤(wu)差(cha)為(wei)17.1534%。
3.4灰色(se)神經網絡
3.4.1殘差模型
經(jing)過計(ji)算比較后發現，當灰(hui)色神經(jing)網(wang)絡殘差模型拓撲結(jie)構(gou)為(wei)3-6-1時預測(ce)誤(wu)差最(zui)小。取1—46組數(shu)據作為(wei)樣本數(shu)據，將47—51組數(shu)據作為(wei)測(ce)試數(shu)據，灰(hui)色神經(jing)網(wang)絡殘差模型3-6-1結(jie)構(gou)SCR催化(hua)劑活性預測(ce)結(jie)果(guo)與誤(wu)差見表5，其平(ping)均誤(wu)差為(wei)30.3738%。
3.4.2直接輸出模型
計算(suan)比較(jiao)后(hou)發現當灰(hui)色神經網(wang)絡直接(jie)輸(shu)出模(mo)型(xing)拓撲(pu)結構為(wei)(wei)2-5-1時(shi)誤(wu)差(cha)(cha)最小。取(qu)1—46組(zu)數(shu)據作(zuo)為(wei)(wei)樣本數(shu)據，將(jiang)47—51組(zu)數(shu)據作(zuo)為(wei)(wei)測(ce)試數(shu)據，灰(hui)色神經網(wang)絡直接(jie)輸(shu)出模(mo)型(xing)2-5-1結構預測(ce)結果與誤(wu)差(cha)(cha)見表(biao)6，其平均誤(wu)差(cha)(cha)為(wei)(wei)32.6349%。
為了進(jin)一步降低誤(wu)差(cha)，將SCR催化劑活性影響(xiang)因(yin)素也作為灰(hui)色(se)神經網(wang)絡直(zhi)接輸(shu)(shu)出模(mo)型(xing)的輸(shu)(shu)入(ru)變(bian)量(liang)(liang)對模(mo)型(xing)進(jin)行(xing)優(you)化。即輸(shu)(shu)入(ru)變(bian)量(liang)(liang)包括灰(hui)色(se)預測殘差(cha)和機組(zu)負(fu)荷、脫硝效(xiao)率、煙(yan)溫、煙(yan)氣量(liang)(liang)、時(shi)間、FGD出口NOx質(zhi)量(liang)(liang)濃(nong)度、噴(pen)氨量(liang)(liang)、煤中硫質(zhi)量(liang)(liang)濃(nong)度、砷質(zhi)量(liang)(liang)濃(nong)度。經過(guo)計算比(bi)較后發(fa)現當灰(hui)色(se)神經網(wang)絡直(zhi)接輸(shu)(shu)出模(mo)型(xing)拓撲(pu)結(jie)構為10-2-1時(shi)誤(wu)差(cha)最小。取1—46組(zu)數(shu)據作為樣(yang)本(ben)數(shu)據，將47—51組(zu)數(shu)據作為測試數(shu)據，預測結(jie)果(guo)與誤(wu)差(cha)見表7，其平均誤(wu)差(cha)為15.3916%。
3.5不同預測方法分(fen)析比較
上述預(yu)(yu)(yu)測模(mo)型計算結(jie)(jie)果(guo)見表(biao)8，對比可(ke)知灰(hui)色(se)神經網絡(luo)中(zhong)優化(hua)后的(de)直(zhi)(zhi)接輸(shu)出(chu)模(mo)型預(yu)(yu)(yu)測誤(wu)差最小(xiao)。為了進(jin)一步(bu)驗證(zheng)該結(jie)(jie)論，本文(wen)對在役電廠2、3、4、5的(de)數據進(jin)行預(yu)(yu)(yu)處理后用同樣的(de)方(fang)法進(jin)行預(yu)(yu)(yu)測，比較其預(yu)(yu)(yu)測誤(wu)差，結(jie)(jie)果(guo)見表(biao)9。分析表(biao)9發現，灰(hui)色(se)神經網絡(luo)中(zhong)優化(hua)后直(zhi)(zhi)接輸(shu)出(chu)模(mo)型的(de)SCR催化(hua)劑(ji)活性(xing)誤(wu)差最小(xiao)。因(yin)此，在燃煤(mei)電廠實際(ji)運行過程中(zhong)，當數據滿足等時距特性(xing)時，可(ke)將(jiang)灰(hui)色(se)神經網絡(luo)中(zhong)的(de)直(zhi)(zhi)接輸(shu)出(chu)模(mo)型（優化(hua)后）作為SCR催化(hua)劑(ji)的(de)壽命預(yu)(yu)(yu)測模(mo)型。
3.6預測方法(fa)優化(hua)
在采用上述(shu)幾種(zhong)同(tong)樣(yang)(yang)的模(mo)型(xing)進行SCR催(cui)化(hua)(hua)(hua)劑活(huo)性預(yu)測(ce)時(shi)，電廠1的預(yu)測(ce)誤差(cha)最(zui)大(da)。為了降低其(qi)預(yu)測(ce)誤差(cha)，將數(shu)據(ju)預(yu)處(chu)理(li)改為由(you)煙(yan)氣量作(zuo)(zuo)為標(biao)準(zhun)對數(shu)據(ju)進行篩選的方法。電廠1的原始數(shu)據(ju)中(zhong)煙(yan)氣量變化(hua)(hua)(hua)范圍為527.8~1564.5km3/h（標(biao)準(zhun)狀態(tai)，下同(tong)），以煙(yan)氣量在1000~1021km3/h范圍內為標(biao)準(zhun)，篩選后共得到70組數(shu)據(ju)。這些(xie)數(shu)據(ju)樣(yang)(yang)本不(bu)再具有等時(shi)距特性，不(bu)滿足灰色神經網(wang)絡預(yu)測(ce)模(mo)型(xing)的使用條件，故使用BP神經網(wang)絡進行預(yu)測(ce)。將1—65組數(shu)據(ju)作(zuo)(zuo)為訓練樣(yang)(yang)本，66—70組作(zuo)(zuo)為預(yu)測(ce)樣(yang)(yang)本，BP神經網(wang)絡SCR催(cui)化(hua)(hua)(hua)劑活(huo)性預(yu)測(ce)結果與誤差(cha)見(jian)表10。
比(bi)較表(biao)8和表(biao)10，以煙氣量為(wei)標準進(jin)行篩選后使用(yong)BP神經網絡預測的(de)誤差顯著降低，改進(jin)后的(de)平(ping)均誤差僅為(wei)2.1819%。
4結論
1）針對燃煤電(dian)廠(chang)實(shi)際運行數(shu)據十分繁雜的特(te)點，首先對數(shu)據進行預(yu)處理，然后使(shi)用(yong)曲線(xian)擬(ni)合(he)、灰色預(yu)測、BP神經網(wang)絡、灰色神經網(wang)絡4種模型進行SCR催化劑活(huo)性預(yu)測。比較發現(xian)，當(dang)數(shu)據滿足等(deng)時距特(te)性時，灰色神經網(wang)絡直接輸出模型（優化后）的預(yu)測誤差最小(xiao)，準確度更高。
2）對于煙(yan)氣參數尤其是煙(yan)氣量波動較大的在(zai)役電廠(chang)，先以煙(yan)氣量為標準(zhun)對數據進(jin)(jin)行篩選，再使用BP神經網絡預測方(fang)法，這樣可進(jin)(jin)一(yi)步降低SCR催(cui)化劑活性預測誤差(cha)，提高預測精(jing)度。
使用微信“掃一掃”功能添加“谷騰環保網”
