基于深度神經(jīng)網(wǎng)絡(luò)的脫硫系統(tǒng)預(yù)測模型及應(yīng)用

馬雙忱，林宸雨，周權(quán)，吳忠勝，劉琦，陳文通，樊帥軍，要亞坤，馬采妮

（1 華北電力大學(xué)(保定)環(huán)境科學(xué)與工程系，河北保定071003；2 深能保定發(fā)電有限公司，河北保定072150）

當(dāng)前，國家正加快推進(jìn)以5G、人工智能、工業(yè)互聯(lián)網(wǎng)、物聯(lián)網(wǎng)為代表的新型基礎(chǔ)設(shè)施建設(shè)（新基建），電力行業(yè)的智能化建設(shè)也蓬勃發(fā)展。國內(nèi)大型火力發(fā)電廠很早就實(shí)現(xiàn)了廠級DCS 數(shù)據(jù)監(jiān)控，歷史運(yùn)行數(shù)據(jù)豐富，為實(shí)現(xiàn)數(shù)據(jù)驅(qū)動(dòng)的神經(jīng)網(wǎng)絡(luò)建模提供了有利條件。

由于脫硫系統(tǒng)受各種復(fù)雜工況的影響，且具有大慣性、非線性等特點(diǎn)[1]，化學(xué)機(jī)理建模只能較粗略地對脫硫系統(tǒng)重要指標(biāo)進(jìn)行預(yù)測。當(dāng)前化學(xué)機(jī)理建模的手段主要是通過傳質(zhì)理論、化學(xué)動(dòng)力學(xué)建立系列微分方程求解[2-4]，或通過離子平衡規(guī)律、電中性原理建立守恒方程求解[5]。化學(xué)機(jī)理建模的優(yōu)勢在于可以計(jì)算和判斷各主要化學(xué)物質(zhì)的濃度和存在形式，并可以對物質(zhì)的空間分布進(jìn)行分析。但是，化學(xué)機(jī)理建模也面臨因計(jì)算代價(jià)大從而過度簡化、無法考慮復(fù)雜工況等問題，導(dǎo)致預(yù)測效果較差，模型遷移能力不強(qiáng)。

隨著人工智能技術(shù)的高速發(fā)展，神經(jīng)網(wǎng)絡(luò)技術(shù)逐漸被應(yīng)用于對脫硫系統(tǒng)進(jìn)行建模預(yù)測[6]。早期技術(shù)主要是基于簡單的反向傳播（back propagation,BP）設(shè)計(jì)神經(jīng)網(wǎng)絡(luò)[7-10]，但因BP網(wǎng)絡(luò)結(jié)構(gòu)簡單，存在一些問題。蘇翔鵬等[11-12]采用了基于徑向基函數(shù)（radical basis function，RBF）的改進(jìn)模型，改善了BP 網(wǎng)絡(luò)易陷入局部最小值的缺陷；李軍紅等[13]利用的廣義回歸神經(jīng)網(wǎng)絡(luò)（generalized regression neural network，GRNN）是基于RBF 網(wǎng)絡(luò)改進(jìn)的神經(jīng)網(wǎng)絡(luò)模型，針對樣本較少的情況，預(yù)測效果有所改善。但上述改進(jìn)仍未考慮脫硫系統(tǒng)大慣性的特點(diǎn)，F(xiàn)u等[14]使用的LSTM網(wǎng)絡(luò)，能實(shí)現(xiàn)信息在時(shí)序上傳遞。不過因其設(shè)計(jì)的網(wǎng)絡(luò)只使用了LSTM一種結(jié)構(gòu)，神經(jīng)網(wǎng)絡(luò)在結(jié)構(gòu)設(shè)計(jì)上還有改進(jìn)空間。

基于上述分析，本文采用多種網(wǎng)絡(luò)結(jié)構(gòu)和數(shù)據(jù)處理技術(shù)設(shè)計(jì)深度神經(jīng)網(wǎng)絡(luò)模型，模型預(yù)測誤差水平和訓(xùn)練代價(jià)顯著下降。

1 神經(jīng)網(wǎng)絡(luò)輸入數(shù)據(jù)預(yù)處理

1.1 輸入數(shù)據(jù)降噪預(yù)處理

本文采用華北某2×350MW 電廠2019 年7 月1日到27 日按分鐘記錄的脫硫環(huán)保數(shù)據(jù)集（共計(jì)40000條）進(jìn)行網(wǎng)絡(luò)參數(shù)訓(xùn)練，模型選取的14個(gè)分析指標(biāo)和DCS監(jiān)測值基本變動(dòng)范圍如表1所示。

本文對DCS 提供的原始數(shù)據(jù)采用指數(shù)滑動(dòng)平均技術(shù)（exponential moving average, EMA）進(jìn)行降噪。因?yàn)殡姀S監(jiān)測系統(tǒng)測量值易受溫度、濕度等影響而漂移[15]，EMA可以使得數(shù)據(jù)輸入更重視變化趨勢而不是瞬時(shí)振蕩，對神經(jīng)網(wǎng)絡(luò)模型訓(xùn)練過程、防止過擬合有積極作用。

本文采用的EMA公式如式(1)、式(2)所示。

式中，vt為t 時(shí)刻指數(shù)滑動(dòng)平均值；rt為t 時(shí)刻的原始值；β為遞減系數(shù)；l為窗口長度，min。

為更好地平衡降噪和趨勢保留，對不同變量，本文采用不同的l值，使得測量噪聲得以消去，而變化趨勢得以保留。圖1 中，展示了入口煙氣流量、SO2含量經(jīng)過滑動(dòng)平均的分析結(jié)果（l 分別取7min 和5min）和監(jiān)測值的對比。對其他變量，模型采用的l值基本為5～15min。

1.2 最小分析時(shí)間周期劃分

目前基于神經(jīng)網(wǎng)絡(luò)的脫硫系統(tǒng)相關(guān)預(yù)測模型，大都是基于前1min 的DCS 監(jiān)測值預(yù)測后1min 的監(jiān)測值。這樣模型的預(yù)測誤差雖然較小，但由于控制系統(tǒng)的響應(yīng)很難達(dá)到如此小的時(shí)間精度，實(shí)際應(yīng)用中仍需要對一個(gè)時(shí)間段（一般為控制系統(tǒng)最小響應(yīng)時(shí)間）取平均，再帶入網(wǎng)絡(luò)計(jì)算，而由于網(wǎng)絡(luò)是針對1min設(shè)計(jì)和訓(xùn)練的，容易造成較大誤差。所以，本文在建模初始就進(jìn)行了最小分析時(shí)間周期的劃分，在數(shù)據(jù)預(yù)處理、網(wǎng)絡(luò)架構(gòu)上都適當(dāng)考慮了適應(yīng)較長預(yù)測時(shí)間的需求，只需要對模型參數(shù)調(diào)整即可改變最小預(yù)測周期。

圖2展示了本文所建立模型的預(yù)測誤差隨最小分析周期變動(dòng)的箱線圖。箱體下端為25%分位數(shù)的位置，箱體上端為75%分位數(shù)的位置，這表明箱體包含了50%誤差值分布。除了箱體的上下邊緣外，箱線圖還展示了幾個(gè)偏離程度較大的異常點(diǎn)。

表1 神經(jīng)網(wǎng)絡(luò)的輸入指標(biāo)和其波動(dòng)范圍

圖1 數(shù)據(jù)EMA降噪結(jié)果展示

顯然，最小分析周期增大，誤差邊緣范圍擴(kuò)大、異常點(diǎn)增多，這是做長時(shí)段預(yù)測必然面對的情況，電廠可以根據(jù)容忍的誤差限和最短工況反應(yīng)時(shí)間選定網(wǎng)絡(luò)參數(shù)。本文模型采用最小分析周期為3min，且預(yù)測效果達(dá)到預(yù)期后選擇盡可能簡單的深度神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)加速運(yùn)算過程。當(dāng)前情況下，模型的訓(xùn)練時(shí)長為1分17秒，計(jì)算輸出結(jié)果僅需數(shù)秒，小于最小分析周期，可以滿足工業(yè)實(shí)際需求。

為了體現(xiàn)輸入工況的時(shí)滯性并減少異常值輸入對模型影響，模型在處理輸入時(shí)還采用了加權(quán)周期處理，周期設(shè)置一般取3～5個(gè)最小分析單元。之后的預(yù)測結(jié)果表明，此做法增加了模型的魯棒性，模型對異常輸入的響應(yīng)不敏感。圖3展示了本文所建立模型的數(shù)據(jù)預(yù)處理過程。

2 神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)及訓(xùn)練方法

2.1 神經(jīng)網(wǎng)絡(luò)模型結(jié)構(gòu)

本文所建立的深度神經(jīng)網(wǎng)絡(luò)模型結(jié)構(gòu)如圖4所示，除了常規(guī)的輸入層、輸出層和全連接層外，還引入了LSTM 層、ReLU 層和dropout 模塊，增強(qiáng)了網(wǎng)絡(luò)的預(yù)測能力和泛化性能。

在神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)中，循環(huán)神經(jīng)網(wǎng)絡(luò)（recurrent neural network，RNN）一般用于解決時(shí)序問題。但RNN 在訓(xùn)練過程中容易發(fā)生“梯度消失”現(xiàn)象[16]。LSTM本質(zhì)也是一種RNN，但由于其巧妙設(shè)計(jì)了門限結(jié)構(gòu)[17-18]，可將之前的工況影響選擇性地記憶或遺忘，并能解決RNN的“梯度消失”問題。近年，LSTM已在電廠NOx排放量預(yù)測[19-21]和電力市場及負(fù)荷預(yù)測[22-24]中應(yīng)用。本文模型使用的LSTM 層的基本運(yùn)算流程如圖5 所示，模型中架設(shè)設(shè)1 個(gè)LSTM層，含如圖5 所示節(jié)點(diǎn)神經(jīng)元128 個(gè)，梯度閾值設(shè)置為1，并采用L2 正則化方法，正則化系數(shù)為0.0001。

模型在LSTM 層和全連接層后都架設(shè)了ReLU層。相較于LSTM 層、全連接層使用的sigmoid 或tanh 激活函數(shù)，使用ReLU 激活函數(shù)計(jì)算神經(jīng)元響應(yīng)，計(jì)算復(fù)雜度顯著下降。另對深度神經(jīng)網(wǎng)絡(luò)而言，ReLU激活函數(shù)可顯著降低因sigmoid激活函數(shù)接近飽和區(qū)時(shí)導(dǎo)數(shù)趨于0帶來的梯度消失現(xiàn)象。此外，在輸入小于0時(shí)，ReLU層的輸出也為0，減少了網(wǎng)絡(luò)間相互依賴過程，對防止模型過擬合有積極作用[25]。

圖2 最小分析周期變化對模型性能的影響

圖3 模型數(shù)據(jù)預(yù)處理過程

圖4 深度神經(jīng)網(wǎng)絡(luò)的設(shè)計(jì)結(jié)構(gòu)

圖5 LSTM網(wǎng)絡(luò)結(jié)構(gòu)的運(yùn)算流程

2.2 模型訓(xùn)練過程

網(wǎng)絡(luò)參數(shù)訓(xùn)練采用自適應(yīng)矩估計(jì)（adaptive moment estimation, ADAM）方法控制梯度下降過程[26]。設(shè)置初始學(xué)習(xí)速率0.013，最小學(xué)習(xí)批次為256，為防止梯度爆炸，設(shè)置梯度閾值為1。模型最大訓(xùn)練輪數(shù)為60 輪，每20 輪后，學(xué)習(xí)速率降低到原先的0.6。

在模型訓(xùn)練過程中，采用dropout 技術(shù)防止模型過擬合，該技術(shù)由人工智能領(lǐng)域著名學(xué)者Hinton等[27]在2014 受自然選擇和有性生殖過程啟發(fā)而提出。如圖6所示，dropout技術(shù)在深度神經(jīng)網(wǎng)絡(luò)的訓(xùn)練過程中，按照一定的概率將部分神經(jīng)網(wǎng)絡(luò)單元暫時(shí)隱藏，此時(shí)相當(dāng)于從原始的網(wǎng)絡(luò)中選取一個(gè)更簡潔的網(wǎng)絡(luò)進(jìn)行訓(xùn)練。在本文提出的深度神經(jīng)網(wǎng)絡(luò)模型訓(xùn)練中，在第二個(gè)ReLU層后使用了一個(gè)dropout模塊，丟棄率取0.2。

圖6 Hinton展示的dropout示意圖［27］

3 模型的輸出結(jié)果分析

根據(jù)前文神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)和計(jì)算方法，模型輸出值為下個(gè)最小分析周期的pH 和出口SO2濃度。但在電廠實(shí)際運(yùn)行中，脫硫率是運(yùn)行人員判斷吸收塔實(shí)時(shí)脫硫能力、對控制策略做出調(diào)整的重要參考指標(biāo)。目前主流的脫硫系統(tǒng)神經(jīng)網(wǎng)絡(luò)模型也大多以脫硫率預(yù)測結(jié)果來評價(jià)模型的性能。故本模型將預(yù)測的出口SO2濃度轉(zhuǎn)化，增加脫硫率指標(biāo)，一則貼近現(xiàn)場需求，二則方便與其他模型預(yù)測性能進(jìn)行比較。脫硫效率計(jì)算公式如式(3)所示。

式中，η 為脫硫率，%；Cout為出口SO2濃度，mg/m3；Cin為入口SO2濃度，mg/m3。

按工業(yè)習(xí)慣，入口SO2濃度使用上一最小分析周期中入口SO2濃度計(jì)算脫硫率。

3.1 關(guān)于脫硫率和pH的預(yù)測結(jié)果分析

圖7、圖8 展示了訓(xùn)練后神經(jīng)網(wǎng)絡(luò)模型在測試集上的預(yù)測結(jié)果與實(shí)際值對比。測試數(shù)據(jù)集采用華北某2×350MW電廠2019年7月28日到30日中按分鐘記錄的一段DCS監(jiān)控?cái)?shù)據(jù)（共4000條）。從圖中展示的系統(tǒng)出口SO2含量、脫硫率的DCS降噪處理后的實(shí)際值（藍(lán)線）和神經(jīng)網(wǎng)絡(luò)預(yù)測輸出結(jié)果（紅線）的對比可以看出，預(yù)測出口SO2含量和脫硫率變化趨勢和實(shí)際值對應(yīng)，模型預(yù)測效果良好。

圖7 出口SO2濃度降噪后實(shí)際值和預(yù)測值的對比

圖8 出口脫硫率降噪后實(shí)際值和預(yù)測值的對比分析

此外，圖9 展示了DCS 降噪前的實(shí)際監(jiān)測值（藍(lán)線）和降噪后的實(shí)際值（綠線）以及神經(jīng)網(wǎng)絡(luò)的預(yù)測值（紅線）在測試集2400～4000min的一段局部 對 比。圖 中3100～3200min、3400～3500min 及3700～3900min內(nèi)，DCS監(jiān)測值振蕩嚴(yán)重，而神經(jīng)網(wǎng)絡(luò)預(yù)測值平滑變動(dòng)。可以看出，神經(jīng)網(wǎng)絡(luò)的預(yù)測結(jié)果能跟隨出口SO2含量的變化趨勢，但不會(huì)跟隨監(jiān)測噪聲振蕩，表明模型的預(yù)處理手段和系數(shù)選取合適。

圖9 出口SO2濃度降噪后實(shí)際值和預(yù)測值的對比（局部放大）

DCS 對pH 監(jiān)測時(shí)，也會(huì)發(fā)生同樣的隨機(jī)波動(dòng)誤差，但除此之外，由于pH 計(jì)管每隔2h 沖洗一次，會(huì)導(dǎo)致測定點(diǎn)pH 瞬間升高，所以此時(shí)DCS 測量的pH數(shù)據(jù)不能很好地反應(yīng)吸收塔漿液真實(shí)情況。不過，鑒于本文的數(shù)據(jù)預(yù)處理技術(shù)，神經(jīng)網(wǎng)絡(luò)模型對此刻的突變并不敏感。這表明在DCS 監(jiān)測值因某種原因失真的情況下，模型預(yù)測值可以實(shí)現(xiàn)一定程度上的“軟測量”功能，輔助運(yùn)行人員決策。圖10 就展示了這種情形，圖中藍(lán)線為DCS 實(shí)時(shí)反應(yīng)的pH，綠線為預(yù)處理降噪后的pH，紅線為神經(jīng)網(wǎng)絡(luò)的預(yù)測輸出結(jié)果。

3.2 關(guān)于脫硫率和pH的預(yù)測結(jié)果指標(biāo)評價(jià)

由前文3.1 節(jié)所討論的，為降低DCS 監(jiān)測數(shù)據(jù)中振蕩噪聲帶來的影響，在模型評價(jià)中使用經(jīng)過降噪處理，并以3min 為最小分析周期取平均值合并的實(shí)際值作為真實(shí)值標(biāo)準(zhǔn)評價(jià)模型的預(yù)測誤差。本節(jié)采用了3 個(gè)指標(biāo)：均方根誤差（root mean square error,RMSE）用于反映泛化誤差水平、平均百分誤差（mean absolute percentage error, MAPE）用于直觀體現(xiàn)預(yù)測值的偏差水平、誤差值的方差用于直觀反應(yīng)模型的泛化能力。上述指標(biāo)計(jì)算公式如式(4)、式(5)所示。

表2集中展示了漿液pH、出口SO2濃度和系統(tǒng)脫硫率的預(yù)測結(jié)果主要評價(jià)分析指標(biāo)RMSE、MAPE和誤差的方差。結(jié)果表明，模型預(yù)測能力很強(qiáng)，預(yù)測誤差很小。

表2 神經(jīng)網(wǎng)絡(luò)輸出指標(biāo)和其波動(dòng)范圍

圖11 預(yù)測pH和脫硫率誤差的頻次分布直方圖

圖11(a)、(b)為模型預(yù)測pH和脫硫率的誤差頻次分布圖，可以看出，預(yù)測結(jié)果的誤差分布接近均值為0的正態(tài)分布，說明模型的預(yù)測效果較好。

3.3 本模型與其他主流神經(jīng)網(wǎng)絡(luò)預(yù)測性能對比

圖10 漿液pH實(shí)際值和預(yù)測值的對比分析

神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)種類有很多，為驗(yàn)證本文使用深度神經(jīng)網(wǎng)絡(luò)模型預(yù)測脫硫率和pH具有良好效果，本節(jié)采用目前主要流行的深度BP神經(jīng)網(wǎng)絡(luò)、LSTM神經(jīng)網(wǎng)絡(luò)模型與本文提出的人工深度神經(jīng)網(wǎng)絡(luò)的預(yù)測效果進(jìn)行對比。對比指標(biāo)選擇漿液pH 和系統(tǒng)脫硫率，最小分析時(shí)間周期均取5min，對比的參數(shù)是RMSE 和MAPE。對不同的模型，輸入?yún)?shù)采用同樣的數(shù)據(jù)處理和降噪手段。

本文對比采用的深度BP 神經(jīng)網(wǎng)絡(luò)參照文獻(xiàn)設(shè)計(jì)[7-10]，為提高網(wǎng)絡(luò)性能，BP隱含層數(shù)量增至10層，LSTM 神經(jīng)網(wǎng)絡(luò)參照Fu等[14]文獻(xiàn)模型的參數(shù)和架構(gòu)設(shè)計(jì)，因Fu等在文獻(xiàn)中已經(jīng)對比LSTM神經(jīng)網(wǎng)絡(luò)相對RNN網(wǎng)絡(luò)的優(yōu)勢，本文不再設(shè)計(jì)RNN對比。

如圖12 所示，本文提出的深度神經(jīng)網(wǎng)絡(luò)模型對于pH 的預(yù)測值RMSE=0.0947，優(yōu)于深度BP 的0.116、僅使用LSTM 層模型的0.1095；脫硫率方面，本文模型脫硫率預(yù)測值的RMSR=0.1066，而深度BP 的預(yù)測值RMSE=0.2781，幾乎是本文深度神經(jīng)網(wǎng)絡(luò)模型預(yù)測泛化誤差的兩倍，而僅使用LSTM 的預(yù)測值RMSE=0.2351（Fu 等[14]文獻(xiàn)中所求RMSE=0.2909，可能因其數(shù)據(jù)未經(jīng)本文預(yù)處理手段，噪聲較大，降低模型性能），僅僅略優(yōu)于深度BP 的預(yù)測效果。上述結(jié)果說明，本文提出的深度神經(jīng)網(wǎng)絡(luò)模型在5min 尺度上的預(yù)測結(jié)果要明顯優(yōu)于主流的BP神經(jīng)網(wǎng)絡(luò)和僅使用LSTM神經(jīng)網(wǎng)絡(luò)。

圖12 不同網(wǎng)絡(luò)預(yù)測pH和脫硫率誤差主要指標(biāo)對比

4 模型應(yīng)用案例

4.1 模型的石灰石供漿密度對出口SO2和脫硫率影響仿真

脫硫系統(tǒng)出于自身安全性的考慮，往往不能進(jìn)行大范圍、多狀態(tài)試驗(yàn)，導(dǎo)致探究脫硫系統(tǒng)內(nèi)各變化因素對系統(tǒng)的影響一般通過建立中試平臺(tái)實(shí)驗(yàn)完成，但這種做法往往存在較大的誤差，不能很好反應(yīng)脫硫系統(tǒng)真實(shí)情況。本文神經(jīng)網(wǎng)絡(luò)模型建立完成后，事實(shí)上提供了一種基于計(jì)算機(jī)仿真的工況診斷與優(yōu)化分析方法，并且因模型在訓(xùn)練時(shí)使用的是特定電廠的數(shù)據(jù)，相對于一般的中小試實(shí)驗(yàn)更有針對性。

本節(jié)案例選取石灰石供漿密度對系統(tǒng)脫硫性能的影響，測試值位點(diǎn)選擇為系統(tǒng)各工況參數(shù)均值附近最大概率分布區(qū)間內(nèi)的中位數(shù)值。測試范圍為監(jiān)測情況下該工況參數(shù)變動(dòng)范圍的95%，測試因素變化時(shí)，其他工況參數(shù)條件不變。

圖13 為本文深度神經(jīng)網(wǎng)絡(luò)的仿真結(jié)果。圖中可見，石灰石供漿密度在達(dá)到1260kg/m3左右時(shí)，對系統(tǒng)脫硫率的貢獻(xiàn)就非常有限，而增大到1270kg/m3以上時(shí)，過高的石灰石漿液密度甚至抑制了塔內(nèi)反應(yīng)，導(dǎo)致脫硫率下降，出口SO2濃度上升。

圖13 吸收塔石灰石漿液密度對出口脫硫率和出口SO2濃度的影響

從化學(xué)傳質(zhì)和反應(yīng)的角度可以解釋上述模型的仿真結(jié)果：一般情況下，石灰石漿液密度升高，脫硫率增大，是因密度較低時(shí)，CaCO3含量不足，化學(xué)反應(yīng)不充分導(dǎo)致脫硫率低，同時(shí)CaSO4密度小，也使石膏晶體不易生成長大。但是當(dāng)漿液密度過大時(shí)，漿液中CaCO3的濃度趨于飽和，增加的石灰石溶解并不充分，不能進(jìn)一步提升脫硫率，并且因?yàn)樯傻腃aSO4溶解度小，過飽和的CaSO4可能覆蓋在碳酸鈣表面，阻滯反應(yīng)。此外，由于吸收塔漿液密度和石灰石漿液密度具有關(guān)聯(lián)性，長期輸入過高密度的石灰石漿液可能間接提升吸收塔漿液密度，觸發(fā)石膏排出泵工作，導(dǎo)致未反應(yīng)的CaCO3也一并排出，造成脫硫劑浪費(fèi)，并降低石膏品質(zhì)。

4.2 結(jié)合仿真結(jié)果對電廠實(shí)際工況的分析

圖14 為該廠脫硫系統(tǒng)2019 年7 月1 日到31 日（共44640條）按分鐘記錄的吸收塔石灰石漿液密度頻次分布圖。2019年7月工況下，超過1260kg/m3的時(shí)間段占比為6.45%，其中超過1270kg/m3的時(shí)間段占比為1.91%。該廠部分時(shí)間段存在石灰石供漿密度過大而對脫硫反應(yīng)不利的情況。電廠應(yīng)盡量減少供漿密度超過這一限值的情況。

圖14 監(jiān)測時(shí)段吸收塔石灰石漿液密度頻次分布圖

由于神經(jīng)網(wǎng)絡(luò)模型屬于端對端模型，對于輸入和輸出之間容易測試影響，而對于其他中間過程則屬于“黑箱”，故本文作者課題組同時(shí)也設(shè)計(jì)了基于化學(xué)機(jī)理的過程模型[4]補(bǔ)充探討中間過程，使得診斷過程更加全面。通過該機(jī)理模型推理反應(yīng)線索，認(rèn)為過高的石灰石供漿漿液密度除了影響吸收塔內(nèi)的化學(xué)反應(yīng)，還會(huì)導(dǎo)致吸收塔漿液密度過高、結(jié)垢傾向大。結(jié)合工程經(jīng)驗(yàn)，還可能導(dǎo)致漿液循環(huán)泵葉輪磨損，在吸收塔壁、吸收塔底部和循環(huán)泵入口濾網(wǎng)結(jié)垢[28]。綜上，應(yīng)對電廠脫硫系統(tǒng)相關(guān)位置做結(jié)垢分析。

圖15 是2020 年3 月該電廠脫硫系統(tǒng)垢樣分析，包括電廠吸收塔塔壁、吸收塔底部和循環(huán)泵入口濾網(wǎng)垢樣的SEM 圖。觀察到吸收塔壁垢樣[圖15(a)]顆粒直徑主要在20μm 以上，晶體生長痕跡明顯，且以片狀形式堆疊生長，結(jié)構(gòu)緊湊、晶體間空隙較小，表面附著直徑2～3μm 雜質(zhì)顆粒。與健康生長石膏[圖15(b)]相比，晶體結(jié)構(gòu)存在差異，健康生長石膏多為六棱柱結(jié)構(gòu)、晶體間有明顯空隙、表面無細(xì)小雜質(zhì)[29-31]，推測造成差異的原因是漿液中CaSO4過飽和，結(jié)晶在吸收塔塔壁可以生長的物質(zhì)表面。此外，吸收塔底部與循環(huán)泵入口濾網(wǎng)結(jié)垢樣品晶體[圖15(c)]整體偏小，一般在5～10μm，且存在較多細(xì)碎顆粒。結(jié)合XRD 結(jié)果，結(jié)垢樣品的主要存在物質(zhì)為CaSO4·2H2O。綜上所述，可以判斷該廠部分時(shí)段吸收塔漿液密度過大，CaSO4過飽和，在吸收塔壁、吸收塔底部和循環(huán)泵入口結(jié)垢。

綜上，本節(jié)先通過神經(jīng)網(wǎng)絡(luò)的仿真結(jié)果，得到了該電廠石灰石漿液密度過高、影響脫硫系統(tǒng)主要化學(xué)反應(yīng)的參考邊界，再經(jīng)對該廠7月工況下石灰石漿液密度的分布情況分析，判斷有6.45%的時(shí)間段該廠石灰石漿液密度偏離了最適范圍。隨后通過化學(xué)機(jī)理模型，判斷吸收塔內(nèi)存在結(jié)垢風(fēng)險(xiǎn)，之后進(jìn)行SEM、XRD 等化學(xué)分析也印證了這一結(jié)論。該診斷過程體現(xiàn)了基于數(shù)據(jù)建模、機(jī)理建模與實(shí)驗(yàn)分析相互協(xié)調(diào)補(bǔ)充的脫硫系統(tǒng)智慧環(huán)保體系基本工作流程。

圖15 吸收塔壁垢樣、健康石膏和循環(huán)泵濾網(wǎng)入口垢樣的SEM圖

5 結(jié)論

本文設(shè)計(jì)了一種基于LSTM 層、ReLU 層和全連接層按單元組合的深度神經(jīng)網(wǎng)絡(luò)模型，能夠?qū)崿F(xiàn)對脫硫塔出口SO2濃度、漿液pH 和脫硫率進(jìn)行預(yù)測。由于考慮了脫硫系統(tǒng)重要指標(biāo)在時(shí)序上的慣性以及采用了合適的網(wǎng)絡(luò)架構(gòu)和數(shù)據(jù)處理技術(shù)，模型對系統(tǒng)pH、SO2排放量和脫硫率有很好的預(yù)測效果，可實(shí)現(xiàn)對未來數(shù)分鐘的SO2排放濃度趨勢預(yù)判，為運(yùn)行人員提前優(yōu)化運(yùn)行，保證SO2的排放處于合理范圍內(nèi)，降低其波動(dòng)性。

另外，由于模型預(yù)測結(jié)果對監(jiān)測噪聲和異常突變并不敏感，在某些情況下DCS 監(jiān)測數(shù)據(jù)失真時(shí)，模型的預(yù)測結(jié)果能起到一定的“軟測量”補(bǔ)充作用。

該模型還可以用于對脫硫系統(tǒng)進(jìn)行計(jì)算機(jī)仿真實(shí)驗(yàn)，探究各個(gè)重要參數(shù)變化對脫硫系統(tǒng)脫硫率、出口SO2濃度或pH 的影響，與化學(xué)機(jī)理分析相配合，對脫硫系統(tǒng)進(jìn)行工況診斷和運(yùn)行優(yōu)化。