《電子技術(shù)應(yīng)用》
您所在的位置：首頁(yè) > 其他 > 設(shè)計(jì)應(yīng)用 > 基于特征選擇的IPSO-GRU脫硫系統(tǒng)出口SO2濃度預(yù)測(cè)模型
基于特征選擇的IPSO-GRU脫硫系統(tǒng)出口SO2濃度預(yù)測(cè)模型
網(wǎng)絡(luò)安全與數(shù)據(jù)治理 2期
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)
摘要： 針對(duì)燃煤電廠在吹掃等過(guò)程中脫硫系統(tǒng)出口 SO2濃度的不能及時(shí)檢測(cè)的問(wèn)題，提出了一種基于特征選擇的改進(jìn)粒子群優(yōu)化算法優(yōu)化門(mén)控循環(huán)單元神經(jīng)網(wǎng)絡(luò)(IPSO-GRU)的脫硫系統(tǒng)出口 SO2濃度預(yù)測(cè)模型,。通過(guò)最大相關(guān)最小冗余(minimum Redundancy and Maximum Relevance,，mRMR)算法對(duì)采集的目標(biāo)數(shù)據(jù)進(jìn)行預(yù)處理，挑選出合適的變量,，隨后將選定的變量作為 IPSO-GRU預(yù)測(cè)模型的輸入,。針對(duì)門(mén)控循環(huán)單元(Gated Recurrent Unit，GRU)模型關(guān)鍵超參數(shù)難以確定的問(wèn)題,，使用改進(jìn)粒子群(Improved Particle Swarm Optimization,，IPSO)算法對(duì)模型參數(shù)進(jìn)行訓(xùn)練，以降低 GRU的訓(xùn)練成本,。最終實(shí)現(xiàn)對(duì)脫硫系統(tǒng)出口二氧化硫濃度的預(yù)測(cè),。實(shí)驗(yàn)結(jié)果表明，所提模型與傳統(tǒng)循環(huán)神經(jīng)網(wǎng)絡(luò)相比預(yù)測(cè)精度更高,，在工程實(shí)際中更具應(yīng)用價(jià)值,。
中圖分類號(hào)： TK39
文獻(xiàn)標(biāo)識(shí)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(cè)模型[J].網(wǎng)絡(luò)安全與數(shù)據(jù)治理,，2023,，42(2)：62-69.
Prediction model of SO2 concentration at outlet of IPSO-GRU desulfurization system based on feature selection
Yang Zhaoxiang，Jin Xiuzhang
(School of Control and Computer Engineering,，North China Electric Power University,，Baoding 071003，China)
Abstract： Aiming at the problem that the SO2 concentration at the outlet of desulfurization system cann′t be detected in time during the purging process of coal-fired power plant, an improved particle swarm optimization algorithm based on feature selection is proposed to optimize the neural network of gated recurrent unit(IPSO-GRU) to predict the SO2 concentration at the outlet of desulfurization system. The collected target data is preprocessed through mRMR to select appropriate variables, and then the selected variables are used as the input of IPSO-GRU prediction model.Aiming at the problem that the key super parameters of GRU model are difficult to determine, IPSO is used to train the model parameters to reduce the training cost of GRU. Finally, the prediction of the sulfur dioxide concentration at the outlet of the desulfurization system is realized.The experimental results show that the proposed model has higher prediction accuracy and more application value in engineering practice than the traditional cyclic neural network.
Key words : prediction model,；mRMR,；improved particle swarm optimization；GRU,；SO2 concentration at outlet

0 引言

我國(guó)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(guó)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(guò)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(wèn)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(cè),，同樣會(huì)造成電廠經(jīng)濟(jì)成本的增加。傳統(tǒng)的預(yù)測(cè)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(guò)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(kù),?；陔姀SDCS建立的數(shù)據(jù)庫(kù)，通過(guò)機(jī)器學(xué)習(xí)等方法搭建預(yù)測(cè)模型,，對(duì)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(cè)模型,，不僅能夠精準(zhǔn)預(yù)測(cè)SO2排放濃度,，對(duì)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(duì)降低發(fā)電過(guò)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(lái),，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(cè)模型的建立,。當(dāng)前,，對(duì)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(zhǎng)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(cè)效果,。Tang等人[5]利用LSSVM建立了電站爐膛溫度預(yù)測(cè)模型,；Liu等人[6]利用LSTM對(duì)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(shì),，但是當(dāng)處理大樣本數(shù)據(jù)時(shí),，會(huì)導(dǎo)致過(guò)擬合，并且計(jì)算時(shí)間過(guò)長(zhǎng)，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(zhǎng)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(cè)模型時(shí)具有很大優(yōu)勢(shì)[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(mén)控循環(huán)單元GRU[9]在LSTM的基礎(chǔ)上簡(jiǎn)化了門(mén)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(cè)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(lái)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(duì)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(cè)模型,。首先，通過(guò)mRMR對(duì)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(duì)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(wèn)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(guò)IPSO確定GRU模型的關(guān)鍵超參數(shù)，最終實(shí)現(xiàn)對(duì)脫硫系統(tǒng)出口二氧化硫濃度的預(yù)測(cè),。利用陜西某600 MW電廠現(xiàn)場(chǎng)運(yùn)行數(shù)據(jù)進(jìn)行實(shí)驗(yàn),，通過(guò)與其他模型比對(duì)，驗(yàn)證所提模型的效果,。




本文詳細(xì)內(nèi)容請(qǐng)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)


此內(nèi)容為AET網(wǎng)站原創(chuàng),，未經(jīng)授權(quán)禁止轉(zhuǎn)載,。