SCR脱硝系统PCA-HPSO-SVR大数据建模研究

高学伟，付忠广，刘柄含，张连升

(1.华北电力大学电站设备状态监测与控制教育部重点实验室，北京 102206;2.沈阳工程学院仿真中心，辽宁 沈阳 110136;3.国电康平发电有限公司运行部,辽宁 沈阳 110500)

SCR脱硝系统PCA-HPSO-SVR大数据建模研究

高学伟1,2，付忠广1，刘柄含1，张连升3

(1.华北电力大学电站设备状态监测与控制教育部重点实验室，北京 102206;
2.沈阳工程学院仿真中心，辽宁 沈阳 110136;3.国电康平发电有限公司运行部,辽宁 沈阳 110500)

燃煤火电厂中的选择性催化还原(SCR)脱硝系统无法实现喷氨量的精确控制，SCR脱硝系统模型的可靠性直接关系到脱硝系统控制和运行的可靠性。通过挖掘现场海量的实际运行数据，对采用大数据建模理论建立的脱硝系统模型、SCR脱硝反应系统及现阶段存在的问题进行了研究。通过理论和实际运行情况分析，确定模型输入、输出需采集的变量。采用滑动窗口法提取稳态工况数据，利用主成分支持向量机回归(PCA-SVR)方法进行建模。对标准粒子群算法进行改进，采用混合粒子群算法(HPSO)对模型参数进行优化。结果表明，利用HPSO优化的脱硝系统PCA-SVR模型具有较高的预测精度和泛化能力。所建模型为下一步脱硝系统的优化运行以及喷氨量的精确控制奠定了基础。

选择性催化还原； 大数据； 主成分分析； 混合粒子群算法； 支持向量机回归； 滑动窗口法

0 引言

我国燃煤发电厂普遍采用选择性催化还原(selective catalytic reduction,SCR)脱硝技术。传统的PID控制手段很难实现喷氨量的精确控制[1]。喷氨量过少，会造成脱硝效果下降，导致NOX排放超标，造成环境污染；喷氨量过多，会造成脱硝成本增加，氨逃逸还会造成空预器堵塞[2]，同时还将造成PM2.5污染[3]。要实现SCR控制过程的优化运行，首先要建立准确的脱硝系统数学模型，文献[4]采用机理建模法和试验建模法对脱硝系统进行建模，文献[5]～文献[7]利用偏互信息及其改进算法进行变量选择并作为模型的输入，利用自适应多尺度核偏最小二乘方法建立并更新模型。以上研究所建立的脱硝系统模型能够正确地反映脱硝系统的动静态特性，并得到较高预测精度。

我国燃煤电厂现已配备分布式控制系统(distributed control system,DCS)、监控信息系统(supervisory information system,SIS)等系统[8]，大量的实际运行数据以及设备状态参数储存在数据库中。本文通过挖掘海量的SCR脱硝系统运行数据，对大数据挖掘建模技术进行了研究。首先对某600 MW燃煤锅炉SCR脱硝系统进行理论和实际运行情况分析，利用滑动窗口法对所选数据进行稳态监测。利用主成分分析(principal component analysis，PCA)进行数据降维；然后利用降维后的数据进行支持向量机回归(support vector machine for regression,SVR)建模；最后利用混合粒子群算法(hybrid particle swarm optimization,HPSO)对模型参数进行优化，并与粒子群算法(particle swarm optimization,PSO)和遗传算法(genetic algorithm，GA)进行对比，验证混合粒子群算法(HPSO)的优越性。

1 SCR脱硝反应器系统

本文以某600 MW超临界燃煤电站锅炉为研究对象，其采用的是技术相对成熟且在国内广泛应用的SCR烟气脱硝技术。SCR脱硝反应系统示意图如图1所示。

图1 SCR 脱硝反应系统示意图

煤粉在炉膛燃烧后形成的烟气，包含了NOX、SO2等污染物，经过过热器、再热器和省煤器等换热器的冷却之后进入SCR脱硝反应器。反应器入口处设置有喷氨栅格，来自液氨蒸发系统的氨气经过一个供氨调整门，与来自稀释风机稀释后的空气混合后经喷嘴喷出，再与烟气中的NOX在催化剂的作用下发生选择性催化还原反应，生成水和氮气。现阶段绝大多数燃煤电厂很难实现喷氨量的精确控制，有些电厂甚至无法实现自动控制，需要运行人员手动调整。喷氨量不足会导致NOX排放不能达到国家要求的环保标准。为保证排放不超标，现场普遍存在过量喷氨的问题，造成二次污染。过量的氨逃逸后仍会与烟气中的O2发生反应，重新生成NOX，影响脱硝效率；同时，过量的NH3与SO2反应生成硫酸氢氨等有害副产物。这些副产物会导致催化剂失活或者堵塞催化剂孔板，从而降低脱硝效率、造成引风机叶片表面硫酸盐沉积[9]以及空气预热器硫酸氢铵堵塞等问题，使引风机的出力降低，影响锅炉负荷以及机组的安全经济运行。

2 变量选择与数据预处理

选取机组负荷、喷氨量、SCR入口烟温、入口NOX浓度、入口烟气含氧量、出口烟气含氧量以及脱硝效率等7个变量作为模型的输入，选取SCR出口NOX浓度作为模型的输出。从SIS系统历史数据库中读取连续运行1个月的数据，时间间隔为1 min，共计记录44 642条。

2.1 稳态检测

从历史数据库中采集的数据既包含相对稳定工况下的稳态数据，也包含机组在变负荷过程中的大量非稳态运行数据。周期内负荷变化趋势如图2所示。

图2 周期内负荷变化趋势图

当负荷发生改变时，锅炉的动态特性随之发生变化，此时的运行数据并不能真实地反映系统输入、输出之间的关系，会影响所建立模型的精度，因此要先进行稳态检测，提取稳定工况下的运行数据[10]。

本文采用滑动窗口法对机组负荷数据进行稳态监测。根据锅炉的运行特性和建模要求选择窗口的大小n和均方差阈值，对窗口内的数据进行批处理。处于稳定工况和非稳定工况数据的均值有可能相同，但是数据的均方差s会相差很大，因此可以根据式(1)和式(2)计算窗口内数据的均值和均方差s，判断所得的均方差是否小于设定的阈值。如果成立，表明窗口内的数据工况是稳定工况，然后将窗口后移一格继续判断，直到所有的数据处理完毕，提取出稳态数据。

(1)

(2)

2.2 PCA数据降维

主成分分析法(pricipal component analysis,PCA) 是一种基于多元统计分析的特征提取和数据约简方法。通过主成分分析，可以降低数据的复杂性。主成分分析通过一个正交变换把原始的多维数据转化成少数几维不相关的综合参数，这几个综合参数能够反映原始参数所代表的绝大部分信息。其过程如下:首先将原始数据矩阵进行零均值化；然后求其协方差矩阵及其特征值和对应的特征向量；最后乘上最大的几个主成分的特征向量，将原始数据转换到新的特征空间，得到新的数据集。

本文采用PCA对稳态检测之后的数据进行数据降维，显示方差贡献率和累计贡献率分析结果的主成分分析帕累托图如图3所示。

图3 主成分分析帕累托图

图3中，第一主成分的贡献率达到71.66%，当选取前3个主成分时，累积贡献率已经达到96.05%，此时原始数据从7维降至3维。通过上述数据预处理可以提高建模数据质量，有效保证模型精度，降低模型复杂度，大幅缩减数据挖掘所需时间。

3 HPSO-SVR算法

3.1 SVR简介

支持向量机(support vector machine,SVM)是近年来迅速发展起来的一种机器学习建模方法，它是以结构风险最小化作为基础，通过一个非线性变化将原始数据映射到高维特征空间[11]。Vapnik等将不敏感损失系数ε引入SVM，使其可用于回归拟合，从而得到回归型支持向量机(support vector regression,SVR),可用于大规模数据挖掘建模。算法基本原理如下:假设含有i个训练样本的训练集为{(xi,yi),i=1,2,…,l},其中xi为第i个训练样本的输入列向量，yi为xi对应的输出值。

(3)

式中:f(x)为SVR返回的预测值；y为对应的真实值。

(4)

本文核函数选取径向基函数(radial basis function,RBF)，其表达式为:

(5)

在实际建模过程中，惩罚因子C和RBF核函数中δ的选择将决定模型性能的好坏，因此需要寻找最优的C和δ。本文提出一种混合粒子群算法，用于SVR的惩罚因子C和RBF核函数中δ的寻优操作。

3.2 HPSO

粒子群优化(PSO)算法模仿鸟类的觅食行为，将每只鸟抽象成一个粒子，用以表示问题的一个潜在解，每个粒子对应一个由适应度函数决定的适应度值。粒子的速度决定移动的方向和距离，速度随自身及其他粒子的移动经验进行动态调整，从而实现个体在可解空间中的寻优[12]。粒子速度更新公式为:

(6)

接着更新粒子位置:

(7)

由于标准的粒子群优化算法对于位置与速度的更新具有很好的导向性，形成粒子种群的快速趋同效应，容易陷入局部最优解、早熟收敛或出现停滞现象[13]。而遗传算法中的交叉和变异操作能扩大搜索空间，对空间最优解的搜索能力相对较强，不容易陷入局部最优。混合粒子群算法(HPSO)将遗传算法的交差和变异机制引入到标准粒子群优化算法[14]，在粒子每次迭代更新后通过交叉和变异操作产生新的个体，计算新个体的适应度值，替换当前适应度较低的个体，使粒子在更大的空间搜索更优值。利用混合粒子群优化算法，优化SVR参数惩罚因子C和核函数δ。算法流程图如图4所示。

图4 算法流程图

4 PCA-HPSO-SVR模型建立及结果分析

本文的目的是利用支持向量机回归建立SCR脱硝系统模型。模型建立流程如图5所示。

图5 模型建立流程图

本文采集的原始数据经过稳态检测和PCA降维之后，共提取9 279个样本、3维数据，随机选取其中的8 000个样本作为训练集，剩余的1 279样本作为测试集。首先对训练集和测试集的所有数据进行归一化处理；然后利用HPSO对支持向量机的惩罚因子C和核函数参数进行寻优,找到2个参数的最优值，即CBest为1、gBest为45.2，利用这2个最优参数对SVR模型进行训练；再对原始数据进行拟合预测；最后返回训练集和测试集的均方误差MSE和决定系数R，用于对所建立的SVR模型进行性能评价。训练集和测试集的运行结果如图6所示。训练集和测试集的均方误差分别为0.006 68和0.007 93。

图6 运行结果图

从图6可以看出，该模型能够准确地对NOX的排放进行预测，预测精度相对较高，而决定系数分别为0.84和0.83，这表明所建立的SVR回归模型同样具有很好的泛化能力。

针对上述选定的训练集和测试集，本文采用标准的PSO和遗传算法(GA)进行参数寻优，与混合粒子群算法进行比较。3种寻优算法结果对比如表1所示。

表1 3种寻优算法结果对比

从表1可以看出，混合粒子群算法的优化结果无论从预测精度，还是泛化能力，均优于标准的PSO和GA算法，再次证明了HPSO-SVR算法的优越性。

5 结束语

采用大数据挖掘建模方法建立的SCR脱硝系统模型，避免了建立机理模型中存在的弊端，易于试验建模，节约成本，且更贴近实际运行情况。采用移动窗格方法，对提取的原始运行数据进行稳态监测。利用PCA方法进行数据降维，提高了数据质量，保证了模型精度，且大幅缩减了建模所需要时间。与粒子群算法和遗传算法优化结果相比，利用混合粒子群算法所建立的支持向量机模型具有较高的预测精度和泛化能力。该脱硝系统模型为下一步脱硝系统优化运行以及喷氨量的精确控制奠定了基础。

[1] 王乐乐,孔凡海,何金亮,等.超低排放形势下SCR脱硝系统运行存在问题与对策[J].热力发电,2016,45(12):19-24.

[2] 刘建民,陈国庆,黄启龙,等.燃煤脱硝机组空气预热器蓄热片表面飞灰沉积板结机理研究[J].中国电机工程学报,2016,36(S1):132-139.

[3] 薛文博,许艳玲,唐晓龙,等.中国氨排放对PM2.5污染的影响[J].中国环境科学,2016,36(12):3531- 3539.

[4] 张志超.电厂SCR脱硝系统建模与优化控制[D].北京:华北电力大学,2015.

[5] 刘吉臻,秦天牧,杨婷婷,等.基于自适应多尺度核偏最小二乘的SCR烟气脱硝系统建模[J].中国电机工程学报,2015,35(23):127-132.

[6] 刘吉臻,秦天牧,杨婷婷,等.基于偏互信息的变量选择方法及其在火电厂SCR系统建模中的应用[J].中国电机工程学报,2016,36 (9):126-131.

[7] 秦天牧,刘吉臻,方连航,等.基于改进偏互信息的火电厂SCR脱硝系统建模[J].动力工程学报,2016,36 (9):57-62,69.

[8] 洪来根,张祖辉.浅谈数字化电厂的设计及应用[J].自动化仪表,2015,36(10):56-62.

[9] 王毅斌,谭厚章,萧嘉繁,等.超低排放燃煤电厂引风机叶片硫酸盐沉积分析[J].热力发电,2016,45(12):9-13.

[10]王东风,刘千,韩璞,等.基于大数据驱动案例匹配的电站锅炉燃烧优化[J].仪器仪表学报,2016,37(2):420-428.

[11]郁磊,史峰,王辉,等.MATLAB智能算法30个案例分析 [M].2版.北京:北京航空航天大学出版社，2015:144-148.

[12]仲亚飞,韦红旗,姚卫刚,等.基于粒子群算法和支持向量机的锅炉排烟温度建模[J].热力发电,2016,45(1):32-36.

[13]钱景辉,刘小月,杨小健,等.自适应粒子群算法在电力经济调度中的应用[J].自动化仪表,2015,36(3):17-20.

[14]张进,丁胜,李波.改进的基于粒子群优化的支持向量机特征选择和参数联合优化算法[J].计算机应用,2016,36(5) :1330-1335.

Research on the Big Data Modeling of SCR Denitration System Based on PCA-HPSO-SVR

GAO Xuewei1,2,FU Zhongguang1,LIU Binghan1,ZHANG Liansheng3
(1.Key Laboratory of State Monitoring and Control of Power Plant Equipment,Ministry of Education, North China Electric Power University,Beijing 102206,China; 2.Simulation Center,Shenyang Institute of Engineering,Shenyang 110136,China; 3.Operation Department of Guodian Kangping Power Generation Co.,Ltd.，Shenyang 110500,China)

In coal-fired power plant,the spray ammonia amount of the selective catalytic reduction (SCR) denitration system cannot be precisely controlled,and the reliability of the model built for SCR denitration system is directly related to the reliability of control and operation of the denitration system. Through the excavation of the massive actual operation data in the field,the denitration system model which is established by big data modeling theory is studied.The SCR denitration reaction system and the problems existing at the present stage are studied,and through analyzing theoretical and actual operation situation,the variables needed to be collected for input and output of the model are determined.The data of steady-state condition are extracted by sliding window method,and the principal component analysis support vector machine for regression (PCA- SVR) method is used for modeling.The standard particle swarm optimization algorithm (PSO) is improved,and the model parameters are optimized by hybrid particle swarm algorithm (HPSO).The results show that the PCA-SVR model optimized by HPSO offers higher prediction accuracy and better generalization ability.The model established laid the foundation for the optimal operation of the denitration system and the precise control of the spray ammonia amount.

Selective catalytic reduction; Big data; Principal component analysis; Hybrid particle swarm optimization; Support vector machine for regression; Sliding window algorithm

辽宁省教育厅创新团队基金资助项目( LT2015018)

高学伟(1982—)，男，在读博士研究生，工程师，主要从事电站机组运行优化、复杂热力系统建模与仿真以及电站大数据的研究和应用工作。E-mail:gxw82425@163.com。 付忠广(通信作者)，博士，教授，主要从事电站机组运行优化、热力设备及系统状态监测与故障诊断、复杂热力系统建模以及电站大数据的研究和应用工作。E-mail:fuzhongguang@163.com。

TH-3;TP39

A

10.16086/j.cnki.issn1000-0380.201707005

修改稿收到日期:2017-03-18