基于灰色關聯度和BP網絡的SO2濃度軟測量模型

吳林峰

（浙能樂清發電有限公司，浙江樂清325600）

基于灰色關聯度和BP網絡的SO2濃度軟測量模型

吳林峰

（浙能樂清發電有限公司，浙江樂清325600）

燃煤發電廠SO2排放量的監測是進行大氣污染源控制的基礎性工作。但監測煙氣環境惡劣，安裝監測設備費用高、維護困難。為此，提出了一種SO2濃度預測的方法。SO2的產生受很多因素影響，利用灰色關聯度分析法提取影響大的因素，然后利用選優后的參數建立BP神經網絡預測模型。試驗結果表明預測模型具有較高的準確性。

灰色關聯度；SO2排放量；BP神經網絡；預測

0 引言

SO2是大氣污染物中危害較大的污染源，是形成酸雨的主要原因。燃煤發電廠是SO2排放的主要來源，對SO2濃度實行有效的監測才能控制SO2的排放量。當前，主要利用CEMS（煙氣在線連續監測系統）監測煙氣中的固體污染物含量和氣體污染物濃度，控制脫硫脫硝處理過程，同時上級環保部門通過CEMS對煙氣排放進行監控。燃煤發電廠煙道煙氣環境惡劣，風速大、顆粒物多，容易對CEMS設備形成沖刷磨損，存在安裝費用過高、維護困難等問題。因此，有必要研究一種煙氣SO2軟測量方法，實現對原煙氣進行準確測量。

目前研究較多的是利用灰色系統理論建立預測模型。灰度理論主要應用于小樣本、貧信息問題的研究[1-2]，它認為任何雜亂無章的數據，必然存在某種內在的聯系。SO2的生成是一個復雜的化學反應，影響SO2生成量的因素很多，沒有嚴格的數學模型，表現出信息不完全性。把隨時間變化的SO2看成灰色量，利用SO2歷史數據建立灰色模型，預測下一時刻的生成量。支持向量機學習算法也能較好地解決小樣本、非線性等問題，有研究人員將支持向量機應用于大氣污染物濃度預測，利用大氣污染物濃度的時間序列建立預測模型。雖然以上方法都能夠實現預測，但是預測的基礎是建立在待測量的歷史數據上，再結合數據處理方法進行擬合、逼近，預測的準確性和穩定性有待提高。

從影響SO2的因素入手，建立軟測量模型。通過易測變量，實現對待測變量的預測分析。煙氣中SO2的濃度受機組運行工況影響，利用灰色關聯度分析法提取對SO2濃度影響較大的參數作為易測變量，建立基于辨識建模的軟測量模型。利用易測變量作為BP神經網絡的輸入端，待測變量作為系統的輸出端。試驗數據采用浙能樂清發電廠3號機組的實際數據。試驗結果表明：該模型具有較高的穩定性和準確性。

1 灰色關聯度分析法

灰色關聯度分析是灰色系統理論的重要組成部分，它能挖掘出數據之間的內在聯系[3]。簡言之，如果2個因素變化的趨勢一樣，則認為兩者關聯度大；反之，則兩者關聯度小。灰色關聯度分析為灰色動態系統提供了量化指標。

設參考序列為X0，被比較序列為Xi，則第k個時刻的數分別為x0（k）與xi（k），即：

X0與Xi在k時刻的關聯系數為

分別為兩級最小差和兩級最大差；ρ為分辨系數，一般在0與1之間選取，這里取0.5。

關聯系數反映2個被比較序列在某一時刻的緊密程度。關聯系數的值比較多，信息分散不便比較，有必要將它們集中在1個點上，因此關聯度的一般表達式為：

通過ri值的大小就能分辨出待測量與參考量關聯度的大小。ri越大，X0與Xi的關聯度越大。

2 BP神經網絡

人工神經網絡具有自學習、自適應特點，通過訓練能夠任意地逼近非線性函數[4]，適合用于具有多因素性、不確定性動態系統的研究[5-6]。三層神經網絡結構如圖1所示。

輸入向量為x，隱含層輸出向量為y，輸出層向量為o，期望輸出向量為d。用v和w來表示神經網絡各層的權值向量，其中v代表輸入層與隱含層之間的權值系數，而ω代表輸出層與隱含層之間的權值系數。

第k個神經元的輸出為：

圖1 三層BP網絡模型

對于隱層第j個神經元：

在訓練過程中，當網絡輸出信號與期望值不一樣時，系統的誤差為：

將隱層輸出代入式（5）得：

為了使輸出與期望值一致，必須不斷調整權值使誤差不斷減小。在梯度下降法中，權值變化量與誤差變化量的梯度成正比：

式中：η為常數，代表網絡訓練時的學習速度，負號代表梯度下降。

根據輸出層的變換公式，則式（7）可寫為：

進一步推導得：

綜合以上公式得出輸出層各權值調整量為：

同理通過迭代計算可得到輸入層與隱含層之間的權值系數調整量為：

可以看出BP學習算法是利用誤差不斷調整權值來減小誤差的一個過程，其中學習速度、誤差大小和輸入信號決定了該算法的迭代速度。

3 煙氣SO2軟測量模型的建立

3.1 輸入參數的確定

煙氣中SO2的濃度很大程度上受鍋爐的運行工況影響。當鍋爐處于良好的燃燒空氣動力場時，燃燒產生SO2濃度就低。影響鍋爐燃燒工況的參數很多，這里選取瞬時給煤量、一次風溫度、一次風風量、煙氣含氧量、爐膛溫度、排煙溫度、二次風溫度、二次風風量、鍋爐負荷和煤質含硫質量分數10個參數進行分析，分析數據采用浙能樂清發電廠3號機組實際運行數據。

圖2給出了鍋爐負荷與SO2濃度之間的關系，總體發展趨勢相似。從曲線中可以看出加負荷過程中煙氣中SO2濃度與負荷變化相對應，負荷增大，相應的給煤量增大，因此燃燒產生的SO2濃度就相應增多。當機組滿負荷運行時即660 MW時，機組運行在最優工況條件下，燃燒完全，因此SO2濃度略微下降。降負荷時，由于慣性作用，SO2濃度略微波動。

圖2 負荷與SO2濃度變化關系

為了更好的體現各參數與SO2之間關系的緊密程度，用灰色關聯度分析方法定量分析，從而區分出主導變量。

通過關聯度分析得出的關聯度數據見表1，其中煤質含硫質量分數的關聯度只有0.221 4，主要因為發電廠燃用的煤質在一定時期內是比較穩定的，不會有較大的變化，因此在關聯度分析中關聯度小。而其他幾個因素如給煤量、一次風、二次風、含氧量等關聯度都很大，因此在以下分析中，將利用關聯度大的因素作為BP網絡的輸入，對預測模型進行訓練。

表1 各影響因素與SO2濃度的關聯度

3.2 BP軟測量模型

根據以上的分析，將瞬時給煤量、一次風溫度、一次風風量、煙氣含氧量、爐膛溫度、排煙溫度、二次風溫度、二次風風量和鍋爐負荷9個參數作為BP神經網絡的輸入，輸出為待測量SO2濃度。數據采樣間隔為2 min，總共150組數據，前100組數據作為訓練樣本，后50組數據作為測試樣本，部分數據見表2和表3。

BP預測模型的結構為4層，9輸入1輸出，其中隱含層設計為2層，隱含層神經元個數根據多次試驗得到，第1層和第2層隱含層神經元個數分別為30，35；隱含層傳遞函數和輸出層傳遞函數采用S型正切函數tansig。學習速率設置為0.01，目標誤差為0.00 1，訓練步數為2 000。網絡訓練算法，采用的是自適應學習速率動量梯度下降反向傳播算法traingdx。

利用訓練好的網絡進行測試，結果如圖3所示。前100組數據是用訓練樣本仿真的結果，可以看出預測結果與實際值相差很小，幾乎吻合。后50組數據是測試數據，利用測試數據得到的預測結果整體變化趨勢與實際值變化一致，誤差在0.01數量級范圍內，對于預測控制來說，這種誤差完全在允許范圍內。

圖3 預測值與實際值

為了驗證該模型的預測精度，用灰色預測模型對樣本數據進行預測，將預測結果進行對比。

圖4為選優后的BP網絡預測模型的預測結果誤差分析，該預測模型相對誤差明顯比灰色預測模型小，預測精度達到0.01，預測值與實際值的平均相對誤差為0.24%，對于預測控制來說誤差范圍在允許范圍之內。

表2 部分訓練樣本數據

圖4 選優BP網絡預測模型誤差分析

圖5為灰色預測模型的預測結果，從該誤差分析圖可以看出灰色預測模型預測的準確性不高，平均相對誤差達到4.52%。

4 結語

火力發電廠煙氣SO2濃度受多因素影響，采用灰色關聯度分析方法有效地提取出了關聯度大的因素。根據選優得到的輸入參數，建立的BP神經網絡預測模型，能夠及時準確地預測出數據。與單純的灰色理論預測方法對比，該算法具有較強的泛化能力和更高的預測精度、穩定性，能夠滿足對煙氣SO2濃度預測的要求。

圖5 灰色預測

[1]劉文穎，王維洲．基于灰色關聯度與LSSVM組合的月度負荷預測[J]．電網技術，2012，36（8）∶228-232．

[2]劉慶龍，魏夕合，史俊偉．基于灰關聯和神經網絡的通風系統評價模型[J]．礦業研究與開發，2012，32（2）∶63-66．[3]田建艷，張鵬飛，劉思峰．基于灰色關聯分析的神經網絡軋制力預報模型的研究[J]．應用力學學報，2009，26（1）∶164-168．

[4]盧建昌，王柳．基于時序分析的神經網絡短期負荷預測模型研究[J]．環境科學學報，2006，26（9）∶1553-1558．

[5]楊國棟，趙琛瑜．環境規劃中大氣SO2預測的神經網絡模型[J]．干旱區資源與環境，2007，21（9）∶85-88．

[6]郎君，蘇小紅，周秀杰．基于有機灰色神經網絡模型的空氣污染指數預測[J]．哈爾濱工業大學學報，2004，36（12）∶1598-1601．

（本文編輯：陸瑩）

Soft Measurement Model of SO2Concentration Based on Gray Relation Degree and BP Networks

WU Linfeng
（Zhejiang Energy Yueqing Power Generation Co.，Ltd.，Yueqin Zhejiang 325600，China）

The monitoring of SO2emissions from coal-fired power plant is the basic work to control atmospheric pollution sources.However，the environment of flue gas monitoring is harsh and the monitoring devices are costly and difficult in maintenance.Therefore，the paper brings forward a method of SO2concentration prediction.The generation of SO2is influenced by multiple factors.Therefore，factors that owns the most influence is picked up by gray relational analysis；then，the selected parameters are used to establish BP neural network prediction model.The test result shows that the prediction model owns higher accuracy.

gray relation degree；SO2emission；BP neural network；prediction

X773

：A

：1007-1881（2015）03-0044-04

2014-09-12

吳林峰（1988），男，碩士，助理工程師，從事發電廠熱工控制工作。