基于輸入參數優(yōu)化選擇的BP 神經網絡預測垃圾焚燒酸性氣體原始排放濃度研究

張瑛華 ,王明峰 ,劉博洋 ,張明陽

(1.中國恩菲工程技術有限公司,北京 100038;2.贛州恩菲環(huán)保能源有限公司,江西 贛州 341113;3.蘇州大學,江蘇 蘇州 215031)

0 引言

近年來,生活垃圾焚燒發(fā)電技術以其減量化、資源化、無害化的優(yōu)勢特點,在國內生活垃圾處理處置領域蓬勃發(fā)展,所占比重越來越大。2014 年,國家發(fā)布實施了修訂后的《生活垃圾焚燒污染控制標準》(GB 18485—2014),對生活垃圾焚燒廠產生的二氧化硫、氮氧化物、氯化氫等污染物排放限值大幅收緊,對焚燒廠整體運營水平也提出了更高的要求。因此,垃圾焚燒后煙氣的脫硝脫酸成為生活垃圾焚燒廠運營控制的重要環(huán)節(jié),HCl 與SO2排放濃度也是焚燒廠日常監(jiān)測的重要指標之一。

由于焚燒過程本身具有非線性、時變性、強耦合性和大滯后等特性,難以建立起關鍵運行參數與污染物排放原始濃度之間的精確機理模型。通過監(jiān)測煙囪入口煙氣污染物排放指標,反饋控制煙氣凈化系統(tǒng),難以達到煙氣脫酸精準控制的目的。因此,對原始排放濃度進行預測,開展煙氣凈化預控,是經濟高效脫硝脫酸的有效途徑。

本文利用垃圾焚燒電廠實際運行測量的多維度數據,探討了多運行參數與酸性氣體排放之間的Copula 函數相關性大小;基于BP 神經網絡建立了多參數融合的原始濃度排放預測模型;通過垃圾焚燒電廠運行數據,對BP 神經網絡模型進行訓練,并預測了HCl、SO2排放濃度。預測結果與實測結果對比,模型預測具有較好的一致性。

1 分析方法

1.1 酸性氣體原始排放濃度影響因素的工藝理論分析

煙氣中酸性氣體主要包括HCl、SO2等成分。HCl 主要由垃圾中含氯有機物(如PVC 等)燃燒產生,另外垃圾中無機氯化物(如NaCl)與其它物質反應也會產生HCl。SO2通常由垃圾中含硫化合物燃燒時氧化所致。生活垃圾的組成、垃圾焚燒量、焚燒狀態(tài)等因素都會影響產生的煙氣污染物成分。

1.1.1 垃圾組分影響分析

由于生活垃圾成分不能實時在線檢測,但按服務范圍和季節(jié)卻呈現一定的穩(wěn)定性。因此,影響煙氣酸性氣體污染物原始濃度的垃圾成分中Cl、S 元素含量,在服務范圍和季節(jié)一定的情況下,波動很小,對煙氣中SO2、HCl 污染物原始濃度排放影響可以忽略。

本文建議,在垃圾焚燒電廠的實際運行中,對不同季節(jié)垃圾的酸性氣體原始排放濃度預測時,可采用與給定組分比對,定期對組分變化系數進行調整。

1.1.2 垃圾焚燒量影響分析

垃圾焚燒量變化,煙氣中SO2、HCl 的含量發(fā)生變化,對應于生成煙氣量的波動,原始污染物排放濃度必然變化。垃圾焚燒電廠的實際運行中,垃圾焚燒量反應在運行實時檢測數據上,對應于爐排推料器的速度或位置。

1.1.3 焚燒狀態(tài)影響分析

垃圾焚燒發(fā)電廠運行,在焚燒處理生活垃圾目標量的前提下,應該保證焚燒爐安全穩(wěn)定運行。即對應確定的給料量,過量空氣系數在合理范圍,合理分配一二次風量,焚燒爐內燃燒狀態(tài)穩(wěn)定。此時,生成的煙氣中SO2、HCl 污染物原始濃度排放穩(wěn)定、波動小,對應于給定焚燒量,煙氣中SO2、HCl 污染物原始濃度最小。

因此,焚燒狀態(tài)控制保證焚燒爐穩(wěn)定運行,對于煙氣中SO2、HCl 污染物原始濃度排放至關重要。

(1)焚燒狀態(tài)因素

根據垃圾焚燒發(fā)電廠實際運行分析,焚燒爐穩(wěn)定運行,主要涉及的執(zhí)行器指令有一二次風門、風機頻率、爐排速度。因此,這些執(zhí)行器動作對于生成的煙氣中SO2、HCl 污染物原始濃度有直接影響。

(2)爐膛溫度

在燃燒工況中,根據相關文獻數據[1],升溫及降溫工況時,爐膛溫度對SO2、HCl 排放濃度的影響曲線如圖1 所示。因此,維持合理的爐膛溫度范圍,對于降低SO2、HCl 原始排放濃度具有重要意義。

圖1 爐膛出口溫度對SO2、HCl 原始排放濃度影響

由于爐膛溫度是焚燒爐焚燒狀態(tài)的一個綜合反映指標,即不僅由上面的焚燒狀態(tài)執(zhí)行器指令決定,又涉及垃圾成分、垃圾熱值和給料量等因素,而垃圾焚燒過程是一個具有非線性、時變性、強耦合性和大滯后的復雜過程。因此,鑒于爐膛溫度對SO2、HCl生成的影響,應作為焚燒狀態(tài)另一個重要的影響因素。

1.2 酸性氣體原始排放濃度影響因素的數學相關性分析

在垃圾焚燒發(fā)電廠實際運行中,本文運用數學相關性分析,在垃圾焚燒狀態(tài)的眾多參數中,分析并選用影響煙氣原始排放濃度的關鍵參數,排除其他參數對預測結果的影響。

參與燃燒的垃圾量和氧氣量是垃圾焚燒狀態(tài)的兩個重要設計和運行參數,貫穿垃圾焚燒過程,即:干燥段、燃燒段和燃燼段。垃圾在爐排上的傳輸速度快慢和推料器位置會直接影響垃圾量;垃圾焚燒過程中的氧氣量通過鼓入的一、二次風提供。

由于垃圾焚燒電廠運行參數與酸性氣體排放之間不是線性關系,為此,本文采用Copula 函數分析各運行參數與酸性氣體排放的相關性。

Sklar 在1959 年提出了Copula 理論,該理論是用來研究相關性的一個非常有效的方法。Copula 函數為相依函數或者連接函數,它是把多維隨機變量的聯合分布用其一維邊際分布連接起來的工具。Copula 函數作為變量間依賴機制的工具,包含了隨機變量的幾乎所有依賴信息。如果傳統(tǒng)線性相關系數不能確定是否能正確測量變量之間的相關關系,則Copula 函數有助于分析變量之間的相關關系。

基于Copula 函數的相關性度量包含變量間的秩相關系數子與尾部相關系數λ[2]。

Kendall 秩相關系數 子用于反映分類變量相關性的指標,適用于兩個變量均為有序分類的情況。Kendall 相關系數的取值范圍在-1 到1 之間,當 子為0 時,表示兩個隨機變量是相互獨立的;當子為-1 時,表示兩個隨機變量擁有完全相反的等級相關性;當子為1 時,表示兩個隨機變量擁有一致的等級相關性。

尾部相關系數λ 描述的是,當一個隨機變量取極端值即較小或較大的值時,該變量對另一個隨機變量取值的影響[2]。

表1 為16 個運行參數及爐膛出口溫度與HCl、SO2原始濃度的相關性分析結果。其中可以看出,穩(wěn)定燃燒時,一次風量及配比、二次風量與酸性氣體排放濃度相關性較大,特別是燃燒中段的風量影響最大(燃燒爐排及燃燼爐排一段),應當作為燃燒控制的重點。另外推料器位置和爐膛出口溫度,對酸性氣體的排放影響較大。爐排速度對酸性氣體的排放影響較小,可以忽略。

表1 運行參數與酸性氣體相關性系數

結合上述分析結果,HCl、SO2原始排放濃度主要影響因素為:燃燒爐排二段、三段一次風及燃燼爐排一段一次風、二次風、爐膛出口溫度、推料器位置。因此,取以上主要影響因素為BP 神經網絡預測的輸入數據。

2 結果與討論

2.1 HCl、SO2原始排放濃度預測

2.1.1 BP 神經網絡設計

BP 神經網絡是umelhant Mcclelland 于1986 年提出的,是目前應用最為廣泛的一種人工神經網絡[3-4]。它的學習過程主要有信號的正向傳播和誤差的反向傳播兩個部分。迭代過程中,權值和閾值周而復始調整,從而使該網絡輸出逼近期望的信息。

建立含有一個隱含層的多輸入、多輸出的BP神經網絡預測模型,選取燃燒爐排二段、三段一次風及燃燼爐排一段一次風、二次風量、爐膛溫度、推料器位置等7 個參數作為輸入層,兩種酸性氣體原始濃度作為輸出層,實際運行數據作為訓練樣本。

經過多重迭代計算,選擇了最優(yōu)的隱含層神經元個數,隱藏層和輸出層激勵函數均采用雙曲正切Sigmoid 函數。BP 神經網絡預測模型拓撲結構如圖2 所示。

圖2 BP 神經網絡預測模型拓撲結構

圖2 中,x 輸入,O 輸出,Φ、ψ 分別為隱含層和輸出層激勵函數,w 權重,θ、α 分別為隱含層和輸出層閥值。

2.1.2 學習樣本與訓練

本文設置神經網絡的允許精度eps 為10-5和最大學習次數90 000,訓練樣本為1 500 個。原始數據進行預處理及歸一化處理,將輸入和輸出所有數據轉化為[ -1,1]之間的數據。

為便于后續(xù)現場煙氣凈化預控程序擴展,采用結構化語言軟件編寫原始濃度預測的全部代碼。為增加收斂速度和保持訓練的穩(wěn)定性,在進行閥值調整計算時增加了動量項α,這里α 是動量常數,0≤α＜1。當誤差梯度出現局部極小時,能夠跳出局部極小區(qū)域,加快迭代收斂速度。

神經網絡訓練迭代的誤差曲線如圖3 所示,計算收斂良好,最終誤差精度控制在3.036 ×10-6以下。

圖3 神經網絡訓練迭代的誤差曲線

2.2 現場實測與預測結果對比

現場數據預測和測量結果進行對比,如圖4 所示。

由圖4 可見,BP 神經網絡預測模型預測結果與測量結果符合性較好,滿足工程應用的需要。

圖4 現場數據預測和測量結果對比

3 結論

(1)垃圾焚燒工藝理論分析,HCl、SO2原始排放濃度受垃圾組分、焚燒垃圾量和焚燒狀態(tài)影響。

(2)垃圾焚燒數學相關性分析,垃圾成分給定時,一次風量及配比、二次風量、推料器位置及爐膛溫度對HCl、SO2原始排放濃度相關性最大。

(3)基于多參數融合的BP 神經網絡預測模型能夠很好地預測難以數學建模的焚燒參數與HCl、SO2原始濃度直接的非線性關系。

(4)本文模型計算結果與現場實測結果具有很好的一致性,可作為煙氣凈化的預控指標。