基于BP神经网络的燃煤锅炉大气污染物排放模型构建.pdf

摘要提出了一种基于 BP 神经网络的燃煤锅炉大气污染物排放量预测模型构建方法，即通过在 BP 神经网络中训练燃煤锅炉排放样本数据，纠正训练误差后优化权值和阈值，输出燃煤锅炉大气污染物排放数据，以输出结果为基础，得到脱硝反应器、脱硫塔出口的大气污染物氮、硫排放量。结果表明：构建的基于 BP 神经网络的燃煤锅炉大气污染物排放模型具有大气污染物排放量预测误差小、精度高、模型可行性高等优点，对评估和控制燃煤锅炉大气污染物排放具有重要意义。关键词燃煤锅炉；大气污染物；BP 神经网络；脱硫塔；脱硝反应器文章编号：1005-9598(2023)-04-0142-04中图分类号：TK229文献标识码：A基于 BP 神经网络的燃煤锅炉大气污染物排放模型构建奚增辉，王卫斌，洪祎祺，姚嵘，瞿海妮（国网上海市电力公司，上海 200122）收稿日期：2023-04-03第一作者：奚增辉（1974），男，汉族，上海人，正高级工程师，硕士，1996 年本科毕业于上海大学工业自动化专业，现从事电力系统及自动化方面的工作，E-mail：。DOI：10.19889/ki.10059598.2023.04.033火力发电及钢铁等是我国燃煤的主要行业。燃煤时会产生大量氮氧化合物，这些物质会对人体健康和大气环境造成严重危害1。为了及时获取燃煤锅炉大气污染物的实时排放情况，相关学者采用不同的方法计算燃煤锅炉大气污染物排放量。姜志奇等2通过设定大气污染物排放权的配额总量，计算出大气污染物排放量目标函数，建立了跨区域弹性控制模型，然后将其转换成单目标模型，并设定相关约束条件，采用层次分析法计算指标权重，求解大气污染物排放模型最优解，实现燃煤锅炉大气污染物排放量的计算。李晓洋等3根据燃煤锅炉分布的趋势，得出大气污染物的动态演化过程，获得污染物密度、速度及流量等大气污染物排放模型所需的物理量，从而构建大气污染物排放模型，最后在有限体积法的算法下得出排放量结果。由于燃煤锅炉大气污染物种类较多，以上两种方法在计算排放量时都出现了预测精度低的问题。BP 神经网络是人工神经网络的主要代表之一，在运行过程中使用负梯度下降算法运算，目标函数使用网络函数的平方和进行求解，因此该神经网络具有质量较高的数据修正性能，能利用反向传播最大程度地降低计算误差，并通过网络形式输出误差，进而提升误差纠错能力。为了优化燃煤锅炉大气污染物排放量的预测性能，本文提出了一种基于 BP 神经网络的燃煤锅炉大气污染物排放量预测模型构建方法，从大气污染物的预测精度、模型的可行性两个方面入手，验证了本文所提方法的可行性，现介绍如下。1大气污染物排放量预测模型的构建与训练燃煤锅炉大气污染物主要是氮元素和硫元素，还包含其他大颗粒或小颗粒杂质。为了明确氮元素和硫元素的实际排放量，可对燃煤锅炉大气污染物排放量进行预测，缩小排放量数值范围，在预测结果的基础上构建大气污染物排放量模型。1.1大气污染物排放量预测模型构建BP 神经网络由大量信息处理单元互相连接构成，神经元仅接收同层神经元信号，且同层神经元相互无关联。大气污染物排放量 BP 神经网络预测模型的计算步骤是在输入层中输入样本，在隐含层中对数据进行处理，最终通过输出层得出预测结果。构建的大气污染物排放量 BP 神经网络预测模型见图 1。引用格式祎：奚增辉，王卫斌，洪祺，等.基于 BP 神经网络的燃煤锅炉大气污染物排放模型构建J.煤化工，2023，51（4）：142-145.第 51 卷第 4 期2023 年 8 月煤 化 工Coal Chemical IndustryVol.51No.4Aug.2023第 51 卷第 4 期1.2大气污染物排放量预测模型训练以构建的大气污染物排放量预测模型为基础，为了保证其预测性能，从某地区媒体公开信息收集了燃煤锅炉大气污染物中氮元素和硫元素的数据，并将其作为训练样本训练模型，具体训练步骤如下：Step 1：将准备测试的燃煤锅炉数据进行初始化处理。在 MATLAB 软件函数的基础上，对原始数据实施初始化处理，待测数据中包含输入向量、隐含向量的连接权，向量以及隐含层和输出神经元的阈值。Step 2：训练样本数据。将样本数据分为两部分，一部分为 BP 神经网络输入的训练样本，另一部分为 BP 神经网络输出的训练样本，两个训练样本的表达式见式（1）：p=p1,p2,pnt=t1,t2,tn嗓（1）式中：p 为 BP 神经网络的输入训练样本数据；t 为 BP神经网络的输出训练样本数据；n=1,2,n 为样本数量，个。Step 3：求解 BP 神经网络的隐含层以及输出层节点对应的阈值。Step 4：求解 BP 神经网络函数的误差。误差结果直接影响 BP 神经网络输入层训练样本数据最终预测的准确性，并直接反映训练样本的实际结果与理想结果之间的差异，需要尽可能地将误差控制在最小值。Step 5：判别样本数据是否完成训练。BP 神经网络样本训练结果有两种：（1）若 BP 神经网络中的参考值大于目前 BP 神经网络函数中的最大误差，则可以结束训练。（2）若 BP 神经网络整体训练次数大于 BP 神经网络中设定的最大数值，则可以结束训练。若有以上两种情况，则完成训练，输出预测值，否则根据 Step 6 调整 BP 神经网络中的权值和阈值，继续训练。Step 6：权值和阈值调整。因为 BP 神经网络的初始值以及函数阈值均为随机出现，这会直接影响输出结果的稳定性，为了保证最终结果的准确性，采用遗传算法对全局进行搜索，选取全局最优的 BP 神经网络中的初始值以及阈值，可以保证最终预测结果更加高效和科学，具体调整步骤为：（1）初始化数据种群：对 BP 神经网络输入层、隐含层、输出层的权重以及阈值实时编码处理，并在随机梯度法的帮助下完成种群的初始化处理。（2）求解适应度值。（3）操作的选取：在轮盘赌法的帮助下实时操作选取，并求解后代的繁殖能力。（4）交叉操作。Step7：纠正BP神经网络的输出层以及隐含层的误差。Step 8：若训练次数不符合训练终止条件，需要返回 Step 3，直至训练次数符合条件，得到大气污染物排放量的预测结果。2燃煤锅炉大气污染物排放量预测将获取的大气污染物排放量预测结果划分为氮元素和硫元素两种，分别构建氮元素和硫元素排放模型。本文对脱硝反应器出口处氮元素的排放浓度进行预测。煤炭燃烧后会生成 NO，根据 NO 第一次生成量 m 以及还原量 m(NO)，即可得到脱硝反应器出口NO 的排放量 mr，其表达式见式（2）：mr=m-m(NO)（2）式中：mr为脱硝反应器出口 NO 的排放量，mg；m 为 NO第一次生成量，mg；m(NO)为 NO 第一次还原量，mg。由于本文在脱硝过程中采用的是选择性催化还原技术，因此，可以将 NO 与 NH3中的氮元素摩尔比近似为 1:1。同时，考虑到煤炭中的部分 NH3不会发生反应，在质量守恒定律的基础上，基于摩尔比推导得到未参与反应的 NH3的质量，由此得到最终的脱硝反应器出口处氮元素排放浓度模型，其表达式见式（3）：籽N=106mrV（3）式中：籽N为氮元素排放质量浓度，mg/m3；V 为大气污染物烟气量，m3。本文对脱硫塔出口处的 SO2浓度进行预测。同理，可得到锅炉内 SO2的生成量为 mSO2，考虑到锅炉中的石灰石不能完全脱硫，根据煤炭的脱硫量，得到脱硫塔出口 SO2排放浓度模型，其表达式见式（4）：籽SO2=106mSO2-mtSO2V（4）式中：籽SO2为 SO2的排放质量浓度，mg/m3；mSO2为锅炉内SO2的生成量，mg；mtSO2为煤炭的脱硫量，mg。根据式p1p2t1p3t2t3输入：包含氮元素和硫元素的数据输出：硫元素和氮元素的排放量隐含层节点图 1大气污染物排放量 BP 神经网络预测模型奚增辉等：基于 BP 神经网络的燃煤锅炉大气污染物排放模型构建143-2023 年煤 化 工5500450035002500150050080020014002000取样时间/s2201801401006020图 4采用本文所提方法氮元素的排放结果实际值所提方法负荷量（3）和式（4）的计算结果，可实现基于 BP 神经网络的燃煤锅炉大气污染物排放量预测。3结果与讨论为了验证基于 BP 神经网络的燃煤锅炉大气污染物排放模型构建方法的整体有效性，针对本文方法进行了一系列测试，并与文献2排污权弹性管控模型构建方法和文献3污染物排放估计方法进行比较。3.1实验对象选取和模型训练实验测试燃煤锅炉为 DZL 系列燃煤蒸汽锅炉，容量为 2 t/h10 t/h，工作压力为 1 MPa25 MPa，热效率为 82%。该锅炉为快装锅炉，结构为卧式三回程水火管链条炉排锅炉，燃用中质烟煤。锅炉本体为单锅筒纵向布置，锅筒内布置螺纹烟火管组成对流受热面，锅筒与两侧水冷壁组成炉膛辐射受热面。燃烧设备采用轻型链条炉排，以整体快装形式出厂。电气控制实现炉排无级调速、极限参数报警及联锁保护。根据上述收集的燃煤锅炉排放的氮元素和二氧化硫数据，利用 1.2 节步骤对构建的 BP 神经网络模型进行训练。设置学习率为 0.007，权值的衰减系数为 0.000 1，迭代次数为 3 000 次，每迭代一次保存一次模型，最终选取精度最高的模型。模型的训练精度损失曲线如图 2 所示。由图 2 可知：随着迭代次数的不断增加，训练集产生的精度损失逐渐降低，说明模型训练效果良好，训练损失基本收敛到稳定值，表明达到预期训练效果。3.2大气污染物的预测精度燃煤锅炉大气污染物在排放过程中，预测量的准确性直接关乎模型的性能，所以污染物排放量的预测结果可以视为模型优劣的指标之一。随机选取一个燃煤锅炉，将其中一个机组视为实验对象，并优化该机组的历史数据，每隔 10 min 选取一组数据作为训练样本，共选取 10 组样本数据，为了详细比较三种方法的预测精度，以误差百分比为指标进行测试，比较三种方法的预测误差情况，结果如图3 所示。由图 3 可知：本文所提方法的预测误差最小，整体波动幅度较小，最大误差在 5%以下，最小误差仅0.5%；其余两种方法预测误差波动幅度较大，最大误差为 20%，最小误差也为 8%。对比发现，本文所提方法的结果最可取，其余两种方法的稳定性较差，影响大气污染物排放预测精度，因此本文所提方法的排放模型较佳。这是因为本文所提方法在对大气污染物排放预测模型进行构建的过程中，对其中的阈值以及权值进行了优化和调整，保证了预测模型结果的高效性，从而优化了大气污染物排放模型的性能。3.3大气污染物排放模型可行性验证对大气污染物排放模型的效果进行验证，也就是对比氮元素和 SO2实际值和计算值之间的差异。在上述实验环境下，选取稳定负荷的运行参数，取样总时间为2 000 s，将其分成 10 组，通过参数辨识，获取脱硝反应器出口处氮元素的真实值和实际值，结果如图 4 所示。由图 4 可知：当锅炉负荷较为稳定时，氮元素浓度也较为稳定，模型的实际值和计算值之间的拟合度也较好，由此证明本文所提方法的大气污染物排放模型较佳。实践发现：一旦模型计算值向后延迟，大气污染物浓度的最终计算测量值也会有所延迟，即利用模型计算得出的大气污染物浓度的估计值存在一定的延迟。为了进一步证明模型的可行性，将计算测量值后移 200 s 生成，得出这种情况下 SO2的计算值和真实值，并将结果进行比较，结果如图 5 所示。600 1200 1800 2400 3000100806040200迭代次数/次图 2模型的训练精度损失曲线23456789 101样本编号3024181260荫荫荫荫荫荫荫荫荫荫荫荫荫荫荫荫荫荫荫荫荫荫荫荫荫荫荫荫荫荫所提方法污染物排放估计方法排污权弹性管控模型构建方法图 3三种方法的预测精度荫荫荫144-第 51 卷第 4 期Water-saving optimization for coal chemical project in water-scarce areaZhang Kunya(Beijing University of Technology,Beijing 100124,China)AbstractWater consumption of coal chemical project is generally large,and the controlling of coal chemical waterconsumption has become more and more strict from the relevant national policies and standards.The functional division of coalchemical water system was introduced.Based on the actual situation of one project,the reason of the water consumptionexceeding the limit was analyzed.To reduce the water consumption,the water-saving optimization scheme was proposed,including air cooler replacing water cooler and using water-saving antifogging cooling tower.This scheme could be used as areference for similar projects in coal chemical industry to control and optimize the water consumption.Key wordscoal chemical industry;water consumption;optimization;air cooler;water-saving antifogging cooling tower（上接第 129 页）由图 5 可知：在计算测量值后移 200 s 后，锅炉负荷呈现下降趋势，其原因可能是在计算测量值后移200 s 后，燃煤锅炉供应管道堵塞，无法正常给锅炉供应燃料，致使锅炉无法维持正常的燃烧过程、负荷下降。同时，由图 5 可知：在计算测量值后移 200 s 后，脱硫塔出口处的 SO2浓度也呈下降趋势。其原因是此时锅炉燃烧过程中的燃料供应不足，燃烧效率下降，生成的 SO2减少，从而导致 SO2浓度呈下降趋势。整体来看，SO2浓度的变化趋势与实际值差距较小，即在允许范围内，模型最终呈现的效果较佳，这也说明了本文所提方法的可行性较高。4结语燃煤锅炉排放的大气污染物对环境影响很大，因此需要评估大气污染物的排放量。本文提出的基于 BP神经网络的燃煤锅炉大气污染物排放模型解决了大气污染物预测精度低、模型可行性低的问题，对评估、控制燃煤锅炉的大气污染物排放及增强环境保护效果具有重要意义，可为相关研究和实际应用提供参考和借鉴。参考文献：1 娄素华，杨印浩，吴耀武，等.考虑大气污染物扩散时空特性的煤电机群发电调度及配煤协调优化J.中国电机工程学报，2020，40（21）：6956-6964.2 姜志奇，王习东.跨区域大气污染协同治理中排污权弹性管控模型构建J.科技管理研究，2021，41（4）：211-216.3 李晓洋，林志阳，吕瑜佩，等.考虑城市住房分布的二维连续型动态交通分配模型及其污染物排放估计J.应用数学和力学，2020，41（1）：27-41.1400图 5采用本文所提方法 SO2的排放结果实际值所提方法负荷量550045003500250015005008002002000取样时间/s2201801401006020Establishment of air pollutants emission model of coal-fired boiler based on BP neural networkXi Zenghui,Wang Weibin,Hong Yiqi,Yao Rong,Qu Haini(State Grid Shanghai Electric Power Company,Shanghai 200122,China)AbstractThe method for constructing a prediction model for air pollutants emission from the coal-fired boiler wasproposed based on the BP neural network.By training the emission sample data of the coal-fired boiler in the BP neuralnetwork,correcting the training errors,optimizing the weights and thresholds,and outputting the air pollutants emission data ofthe coal-fired boiler,and based on the output results,the emissions of air pollutants nitrogen and sulfur were obtained at theoutlet of the denitrification reactor and desulfurization tower.The results showed that such a constructed model had smallerror,high accuracy,and high feasibility in predicting the air pollutants emission,which was of great significance forevaluating and controlling the air pollutants emission from the coal-fired boiler.Key wordscoal-fired boiler;air pollutants;BP neural network;desulfurization tower;denitrification reactor奚增辉等：基于 BP 神经网络的燃煤锅炉大气污染物排放模型构建145-