文獻(xiàn)標(biāo)識碼: A
DOI: 10.19358/j.issn.2097-1788.2023.02.010
引用格式: 楊兆祥,,金秀章. 基于特征選擇的IPSO-GRU脫硫系統(tǒng)出口SO2濃度預(yù)測模型[J].網(wǎng)絡(luò)安全與數(shù)據(jù)治理,2023,,42(2):62-69.
0 引言
我國以煤為主的資源稟賦形成了煤電為主體的電力生產(chǎn)和消費(fèi)結(jié)構(gòu)。在“雙碳”目標(biāo)的背景下,,我國大力發(fā)展以光伏發(fā)電,、風(fēng)電等有波動(dòng)特點(diǎn)的新能源的同時(shí),,也不能忽視煤電在能源轉(zhuǎn)型的過程中作為電源供應(yīng)和電網(wǎng)安全保障壓艙石的重要作用,。在提高煤電靈活性和穩(wěn)定性的同時(shí),SO2的排放能否得到有效的控制,,已成為燃煤電站面臨的重要問題[1],。目前,燃煤電站常用的煙氣脫硫系統(tǒng)為石灰石-石膏濕法煙氣脫硫系統(tǒng)[2],,雖然該系統(tǒng)比較成熟,,運(yùn)行成本及脫硫效率都比較理想,但同時(shí)也存 在慣性大和實(shí)時(shí)性差等缺點(diǎn),。當(dāng)負(fù)荷變化時(shí),,可能因運(yùn)行人員操作的不及時(shí),致使出口SO2濃度超標(biāo)[3],。同時(shí),,當(dāng)取樣管路進(jìn)行吹掃作業(yè)、取樣泵損壞等情況發(fā)生時(shí),,脫硫系統(tǒng)出口SO2濃度將不能得到及時(shí)檢測,,同樣會(huì)造成電廠經(jīng)濟(jì)成本的增加。傳統(tǒng)的預(yù)測方法大都是以機(jī)理建模的方式構(gòu)造機(jī)理模型,,該模型計(jì)算過程復(fù)雜,、準(zhǔn)確率較低且泛化能力較差,且不能有效利用DCS歷史數(shù)據(jù)庫,?;陔姀SDCS建立的數(shù)據(jù)庫,通過機(jī)器學(xué)習(xí)等方法搭建預(yù)測模型,,對各種線性和非線性序列進(jìn)行高精度擬合,,是一類新興起的基于數(shù)據(jù)挖掘和模型優(yōu)化的方法。利用機(jī)器學(xué)習(xí)算法建立脫硫系統(tǒng)出口SO2排放濃度的預(yù)測模型,,不僅能夠精準(zhǔn)預(yù)測SO2排放濃度,,對電廠實(shí)際運(yùn)行參數(shù)的調(diào)整起到指導(dǎo)作用,,同時(shí)也對降低發(fā)電過程中的污染排放和運(yùn)行成本具有重要的實(shí)際意義和應(yīng)用價(jià)值。
近年來,,隨著機(jī)器學(xué)習(xí)等算法的深入研究[4],,其被普遍使用在各種預(yù)測模型的建立。當(dāng)前,,對燃煤電廠進(jìn)行建模的方法有:人工神經(jīng)網(wǎng)絡(luò)(Artificial Neural Networks,,ANN)、最小二乘支持向量機(jī)(Least Squares Support Vector Machine,,LSSVM),、長短期記憶網(wǎng)絡(luò)(Long Short-Term Memory,LSTM)等,,利用這些算法建立的模型都取得了較好的預(yù)測效果,。Tang等人[5]利用LSSVM建立了電站爐膛溫度預(yù)測模型;Liu等人[6]利用LSTM對非線性船舶航行行為進(jìn)行了建模,。雖然LSSVM處理時(shí)序數(shù)據(jù)時(shí)有一定的優(yōu)勢,,但是當(dāng)處理大樣本數(shù)據(jù)時(shí),會(huì)導(dǎo)致過擬合,,并且計(jì)算時(shí)間過長,,不利于實(shí)際應(yīng)用[7]。而LSTM雖具有能夠?qū)v史數(shù)據(jù)進(jìn)行長期記憶的神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu),,并在建立時(shí)序預(yù)測模型時(shí)具有很大優(yōu)勢[8],,但是其網(wǎng)絡(luò)結(jié)構(gòu)較為復(fù)雜,在處理大量高維數(shù)據(jù)時(shí)收斂速度緩慢,。門控循環(huán)單元GRU[9]在LSTM的基礎(chǔ)上簡化了門控結(jié)構(gòu),,減少了可訓(xùn)練參數(shù)總量進(jìn)而使得訓(xùn)練速度加快,同時(shí)預(yù)測精度也有一定的提升,。
GRU模型的超參數(shù)采取傳統(tǒng)經(jīng)驗(yàn),、試錯(cuò)法來確定較為困難,因此其模型超參數(shù)通常采用PSO粒子群算法訓(xùn)練得到,。但PSO算法同樣存在精度不高,、易陷入局部極值的缺點(diǎn),故對其算法中的權(quán)重ω進(jìn)行改造并引入突變機(jī)制,。改進(jìn)的粒子群算法(IPSO)在克服傳統(tǒng)PSO算法缺點(diǎn)的同時(shí)粒子尋優(yōu)能力得到進(jìn)一步提升,。
綜上所述,本文提出一種基于特征選擇的IPSO-GRU的脫硫系統(tǒng)出口SO2濃度預(yù)測模型,。首先,,通過mRMR對原始數(shù)據(jù)進(jìn)行選擇,得到與出口SO2相關(guān)性較大而冗余度較小的6個(gè)代表變量,。然后對篩選后的數(shù)據(jù)進(jìn)行滑動(dòng)平均處理,,減少因設(shè)備等問題而產(chǎn)生的數(shù)據(jù)擾動(dòng),,并將其作為模型的輸入。隨后通過IPSO確定GRU模型的關(guān)鍵超參數(shù),,最終實(shí)現(xiàn)對脫硫系統(tǒng)出口二氧化硫濃度的預(yù)測,。利用陜西某600 MW電廠現(xiàn)場運(yùn)行數(shù)據(jù)進(jìn)行實(shí)驗(yàn),通過與其他模型比對,,驗(yàn)證所提模型的效果,。
本文詳細(xì)內(nèi)容請下載:http://forexkbc.com/resource/share/2000005215
作者信息:
楊兆祥,金秀章
(華北電力大學(xué) 控制與計(jì)算機(jī)工程學(xué)院,,河北 保定071003)