基于CS-LSTM的爐排爐干燥段垃圾料層厚度軟測(cè)量

馬靖寧，薛文雅，梁偉平，陳聯(lián)宏，王 潤(rùn)

（1.華北電力大學(xué) 自動(dòng)化系，河北 保定 071003；2.深圳能源環(huán)保股份有限公司，廣東 深圳 518048）

0 引言

目前，垃圾焚燒發(fā)電廠較多采用的爐型為爐排爐。為了衡量垃圾在爐排上方的分布狀態(tài)，垃圾料層厚度的計(jì)算具有重要的意義。

在爐排爐運(yùn)行過(guò)程中，一般采用爐排上下方壓差來(lái)衡量爐排上方的垃圾厚度。受到爐排下方一次風(fēng)機(jī)轉(zhuǎn)速變化的影響，采用這種方法得到的料層厚度計(jì)算值容易發(fā)生的嚴(yán)重波動(dòng)，難以準(zhǔn)確反映實(shí)際垃圾的分布——這不利于爐排控制系統(tǒng)的穩(wěn)定。

針對(duì)料層厚度的計(jì)算問(wèn)題，文獻(xiàn)[1]結(jié)合運(yùn)行數(shù)據(jù)，提出了一種垃圾料層厚度參考值計(jì)算方法；但在工況變化時(shí)，該方法計(jì)算結(jié)果會(huì)產(chǎn)生較大波動(dòng)。文獻(xiàn)[2]提出了垃圾焚燒爐在實(shí)際運(yùn)行過(guò)程中垃圾料層厚度控制的方法；該方法提高了垃圾厚度的控制效果。文獻(xiàn)[3]通過(guò)搭建冷態(tài)實(shí)驗(yàn)臺(tái)，測(cè)量了不同厚度的垃圾在不同一次風(fēng)流量下的料層厚度阻力，得出垃圾與爐排總阻力在正常風(fēng)量下小于1 MPa的結(jié)論。文獻(xiàn)[4]進(jìn)行了醫(yī)療垃圾循環(huán)流化床燃燒爐料層厚度阻力特性測(cè)試，結(jié)果顯示：只要厚度一致，其臨界流化風(fēng)量不會(huì)相差太大。文獻(xiàn)[5]給出了一次風(fēng)量與垃圾阻力、爐排阻力的關(guān)系，并指出：一次風(fēng)壓與爐排阻力、垃圾阻力呈線性關(guān)系，與一次風(fēng)量呈非線性關(guān)系；因此，考量料層厚度狀態(tài)時(shí)必須引入一次風(fēng)量。文獻(xiàn)[6]通過(guò)一次風(fēng)流量、風(fēng)室壓力、爐膛壓力，計(jì)算出實(shí)際爐排上垃圾料層厚度的透風(fēng)系數(shù)；雖然該系數(shù)可反映出實(shí)際爐排上方的垃圾厚度，但工況變化依舊會(huì)導(dǎo)致計(jì)算結(jié)果波動(dòng)嚴(yán)重。

針對(duì)上述問(wèn)題，本文利用現(xiàn)有料層厚度計(jì)算方法結(jié)合現(xiàn)場(chǎng)運(yùn)行人員經(jīng)驗(yàn)，對(duì)料層厚度劃分出模糊等級(jí)；然后，建立基于布谷鳥(niǎo)搜索（cuckoo search，CS）優(yōu)化長(zhǎng)短期記憶（long short term memory，LSTM）的爐排爐干燥段垃圾料層厚度模型；最后，對(duì)比現(xiàn)有計(jì)算公式以及 LSTM等模型，驗(yàn)證布谷鳥(niǎo)搜索優(yōu)化長(zhǎng)短期記憶（cuckoo search algorithm optimized along short term memory，CS-LSTM）模型在垃圾厚度預(yù)測(cè)的準(zhǔn)確性。

1 干燥段料層厚度特性分析

爐排表面的垃圾在干燥段僅被干燥，不參與燃燒[7]。與爐排其他段相比，在鍋爐燃燒穩(wěn)定的前提下，干燥段爐排上下差壓較為穩(wěn)定，故更適合作為料層厚度測(cè)量段。

垃圾進(jìn)入爐膛時(shí)需保證料層分布均勻。干燥段爐排的垃圾分布會(huì)直接影響后面幾段爐排的垃圾厚度，因此干燥段爐排垃圾厚度的控制尤為重要。

目前，料層厚度多根據(jù)爐排上下差壓與一次風(fēng)流量通過(guò)計(jì)算的方法得到。計(jì)算原理如圖1所示。

圖1 爐排爐料層厚度計(jì)算原理Fig.1 Calculation principle of grate furnace layer thickness

本文研究對(duì)象：某垃圾焚燒發(fā)電廠往復(fù)式機(jī)械爐排垃圾焚燒爐；垃圾日處理量為400 t；干燥段共分為2段，每段左右側(cè)各有1個(gè)風(fēng)室；每個(gè)風(fēng)室未裝獨(dú)立的流量測(cè)量設(shè)備。

爐排干燥段結(jié)構(gòu)如圖2所示。

圖2 400 t/d垃圾焚燒爐排爐干燥段示意圖Fig.2 Schematic diagram of drying section of 400 t/d waste incineration grate

該電廠使用干燥段垃圾厚度阻力來(lái)表示料層厚度，計(jì)算公式為[8]：

式中：R為料層厚度；C、n為常數(shù)，需根據(jù)垃圾發(fā)熱值設(shè)置；Pav為干燥段爐排上下方差壓平均值；P0為正常運(yùn)行時(shí)干燥段一次風(fēng)差壓平均值；Q為干燥風(fēng)流量；P1,L、P1,R、P2,L、P2,R分別為一段左風(fēng)室壓力、一段右風(fēng)室壓力、二段左風(fēng)室壓力、二段右風(fēng)室壓力；Q0為正常運(yùn)行時(shí)干燥風(fēng)流量。

利用該公式對(duì)料層厚度進(jìn)行計(jì)算前，假設(shè)該段時(shí)間內(nèi)垃圾熱值不變，則可認(rèn)為C、n值保持不變。根據(jù)現(xiàn)場(chǎng)運(yùn)行經(jīng)驗(yàn)，取C=10、n=1、P0=345.634 Pa、Q0=13 999.865 m3/h（標(biāo)態(tài)下）時(shí)，垃圾料層厚度計(jì)算值波動(dòng)較小，效果最好。

具體計(jì)算結(jié)果如圖3所示。

圖3 料層厚度計(jì)算結(jié)果Fig.3 The calculation result of the layer thickness

從圖3可以看出，在干燥風(fēng)機(jī)轉(zhuǎn)速變化不大的情況下，料層厚度在2～10之間波動(dòng)。在風(fēng)機(jī)轉(zhuǎn)速突然下降、干燥風(fēng)流量突然減小情況下，利用差壓加流量計(jì)算得到的料層厚度值會(huì)突然大幅度增加——這顯然不符合實(shí)際情況。因此，在風(fēng)機(jī)突然大幅變化時(shí)，通過(guò)公式（1）得出的結(jié)果并不準(zhǔn)確。

2 CS-LSTM模型

2.1 長(zhǎng)短期記憶模型

LSTM 網(wǎng)絡(luò)是一種時(shí)間循環(huán)神經(jīng)網(wǎng)絡(luò)，具有良好的序列數(shù)據(jù)處理能力，因此在料層厚度軟測(cè)應(yīng)用方面具有理論優(yōu)勢(shì)。

LSTM是一種改進(jìn)型的循環(huán)神經(jīng)網(wǎng)絡(luò)[9]。由于LSTM 能夠更真實(shí)地模擬人類行為、邏輯發(fā)展和神經(jīng)組織的認(rèn)知過(guò)程，因此LSTM在分類問(wèn)題上有著顯著的優(yōu)勢(shì)。LSTM的結(jié)構(gòu)如圖4所示。

圖4 LSTM網(wǎng)絡(luò)結(jié)構(gòu)模型Fig.4 The LSTM network structure model

圖4中，LSTM網(wǎng)絡(luò)的輸入有3個(gè)，即內(nèi)部細(xì)胞狀態(tài)Ct-1、隱層狀態(tài)ht-1、t時(shí)刻輸入量xt；輸出有2個(gè)，即細(xì)胞狀態(tài)Ct、隱層狀態(tài)ht。

式中：Wf為遺忘門(mén)權(quán)重系數(shù)；bf為遺忘門(mén)偏置；δ為sigmoid激活函數(shù)。

由于Ct-1與ft逐位相乘，當(dāng)ft某一位為0，則與Ct-1運(yùn)算后對(duì)應(yīng)位置也為 0，即認(rèn)為該信息被“遺忘”了，因此被稱為遺忘門(mén)。

式中：it為輸入門(mén)，用來(lái)控制當(dāng)前時(shí)刻需要保存的信息；tanh為激活函數(shù)；Wi、Wc為更新門(mén)權(quán)重；bi、bc為偏置；“?”表示叉乘；“·”表示點(diǎn)乘。

式中：ot為輸出門(mén)，用來(lái)控制內(nèi)部細(xì)胞狀態(tài)Ct需要向ht輸出的信息[10]。

2.2 CS-LSTM模型

CS是一種成熟有效的尋優(yōu)算法算法，且在電力系統(tǒng)優(yōu)化調(diào)度、短期電力負(fù)荷預(yù)測(cè)、發(fā)動(dòng)機(jī)故障診斷等方面已有相關(guān)應(yīng)用研究[11]。

CS算法是一種群智能搜索算法，具有魯棒性強(qiáng)、參數(shù)少、通用性較好和全局尋優(yōu)能力突出等多方面優(yōu)勢(shì)[12]。

該算法基于3種理想規(guī)則[13]。

（1）每只布谷鳥(niǎo)只能隨機(jī)在鳥(niǎo)巢中產(chǎn)一枚卵。

（2）在隨機(jī)選擇的一組鳥(niǎo)巢中，最好的寄生巢會(huì)被保留到下一代。

（3）鳥(niǎo)巢數(shù)量固定。布谷鳥(niǎo)的卵被發(fā)現(xiàn)的概率為Pa，Pa∈[0,1]。

CS算法主要有2步。

第一步，布谷鳥(niǎo)尋找最優(yōu)解。

布谷鳥(niǎo)尋找宿主鳥(niǎo)巢的位置和路徑公式為：

式中：β通常取1.5；Γ(·)為Gamma函數(shù)。

第二步，宿主鳥(niǎo)新巢穴的位置更新。

用隨機(jī)產(chǎn)生的服從0-1分布的數(shù)值R與Pa比較。若R＞Pa，則按下列公式改變位置；否則不變。

式中：r、ε分別為服從均勻分布的隨機(jī)數(shù)；分別為其他任意2個(gè)鳥(niǎo)巢。

將布谷鳥(niǎo)搜索算法與LSTM結(jié)合后，可以通過(guò)CS算法對(duì)LSTM的最優(yōu)學(xué)習(xí)率以及神經(jīng)元數(shù)進(jìn)行求解[14]，其流程如圖5所示。

圖5 CS-LSTM算法流程圖Fig.5 Flow chart of CS-LSTM algorithm

本文利用CS算法對(duì)LSTM模型的節(jié)點(diǎn)數(shù)與學(xué)習(xí)率進(jìn)行優(yōu)化，可以提高模型精度。

3 基于CS-LSTM的料層厚度軟測(cè)量模型

3.1 數(shù)據(jù)預(yù)處理

采集某垃圾發(fā)電廠7 d運(yùn)行數(shù)據(jù)，采樣間隔為1 s。

首先，對(duì)數(shù)據(jù)進(jìn)行濾波，以去除壞點(diǎn)。考慮料層厚度在短時(shí)間內(nèi)不會(huì)發(fā)生劇烈變化，為減少訓(xùn)練數(shù)據(jù)量，模型的輸入采用30 s內(nèi)數(shù)據(jù)的均值。然后，對(duì)輸入數(shù)據(jù)進(jìn)行歸一化處理。最后，將數(shù)據(jù)隨機(jī)打亂，選取16 146組數(shù)據(jù)作為訓(xùn)練集，4 180組數(shù)據(jù)作為測(cè)試集。

為了便于直觀顯示模型輸出效果，訓(xùn)練集與測(cè)試集均按照輸出等級(jí)從小到大排列。

3.2 模型輸入變量選擇

爐排下方風(fēng)室壓力與爐膛負(fù)壓之間存在的延遲，會(huì)導(dǎo)致計(jì)算得出的差壓變化巨大。在實(shí)際生產(chǎn)中，往往采用熱力試驗(yàn)的方法對(duì)其進(jìn)行確定[15]。本文采用皮爾遜相關(guān)系數(shù)分析法[16]，對(duì)爐排下方干燥段風(fēng)室風(fēng)壓與爐膛負(fù)壓之間的時(shí)間延遲進(jìn)行估算。

計(jì)算滯后0～300 s內(nèi)，爐排下方壓力與爐膛負(fù)壓的相關(guān)系數(shù)，計(jì)算結(jié)果如圖6所示。

圖6 不同遲延時(shí)間的干燥段風(fēng)室壓力與爐膛負(fù)壓相關(guān)度Fig.6 Correlation between air chamber pressure and furnace negative pressure in drying section under different delay times

由圖6可知，相關(guān)度最高時(shí)對(duì)應(yīng)的延時(shí)時(shí)間為137 s，因此：在計(jì)算差壓時(shí)，需要消除該延時(shí)對(duì)計(jì)算結(jié)果造成的影響。

文獻(xiàn)[17]研究結(jié)果顯示，垃圾料層厚度與爐排上下壓差、流速的比值有關(guān)。同時(shí)，考慮流速可以通過(guò)流量計(jì)算得出，因此最終確定如下4個(gè)變量作為爐排垃圾厚度預(yù)測(cè)模型輸入?yún)⒘浚?/p>

（1）干燥段一次風(fēng)機(jī)總風(fēng)量。

（2）消除137 s延時(shí)后，干燥段爐排下方風(fēng)室平均風(fēng)壓力與爐膛負(fù)壓差的平均值。

（3）干燥風(fēng)機(jī)一次風(fēng)風(fēng)溫。

（4）干燥段爐排上下方平均差壓與流量之比。

3.3 輸出變量劃分等級(jí)

垃圾厚度軟測(cè)量計(jì)算模型的輸出由劃分等級(jí)的形式來(lái)表示。在劃分等級(jí)時(shí)，既要保證厚度等級(jí)的合理性，又要避免出現(xiàn)一次風(fēng)短路現(xiàn)象[18]。垃圾厚度等級(jí)根據(jù)已有料層厚度計(jì)算結(jié)果并結(jié)合運(yùn)行經(jīng)驗(yàn)給出。厚度等級(jí)劃分為1～9。

分類規(guī)則如下：

（1）在干燥風(fēng)機(jī)轉(zhuǎn)速不發(fā)生大幅度變化時(shí)，爐排上下方壓差越大，爐排上方垃圾料層越厚。

（2）在壓力變化不大時(shí)，一次風(fēng)流量越大，說(shuō)明透過(guò)垃圾層的風(fēng)量越多、漏風(fēng)越大、料層厚度越薄。

（3）當(dāng)風(fēng)機(jī)有大幅度波動(dòng)時(shí)，差壓越大，流量越大，料層厚度不發(fā)生大幅度變化；同理，差壓越小，流量越小，料層厚度也不會(huì)變化太大。

（4）在其他條件不變的情況下，一次風(fēng)溫度越高，料層厚度越薄。

部分料層厚度等級(jí)劃分如圖7所示。

圖7 料層厚度計(jì)算值與實(shí)際厚度等級(jí)Fig.7 The calculation value of material layer thickness and actual thickness grade

從圖7可以看出，經(jīng)專家經(jīng)驗(yàn)劃分的料層厚度等級(jí)，不但能表明當(dāng)前時(shí)刻料層厚度的變化趨勢(shì)，而且可以避免風(fēng)機(jī)波動(dòng)造成厚度計(jì)算結(jié)果的大幅度波動(dòng)。

3.4 建立CS-LSTM模型

設(shè)置LSTM結(jié)構(gòu)參數(shù)：輸入變量數(shù)為4，輸出變量數(shù)為1，隱含層數(shù)為1。神經(jīng)元數(shù)量范圍為[10,100]，學(xué)習(xí)率范圍為[0.001,0.1]，其初始值為該范圍內(nèi)的隨機(jī)數(shù)。

設(shè)置CS參數(shù)：鳥(niǎo)巢數(shù)量為10，解的個(gè)數(shù)為2，內(nèi)部最大迭代次數(shù)為20次。β=1.5，α=1，宿主鳥(niǎo)發(fā)現(xiàn)外來(lái)蛋的概率Pa=0.25[19]。

尋優(yōu)程序內(nèi)部采用80%的訓(xùn)練樣本進(jìn)行訓(xùn)練，20%的訓(xùn)練樣本進(jìn)行測(cè)試。目標(biāo)函數(shù)為均方誤差：

式中：n為樣本個(gè)數(shù)；yi為樣本實(shí)際值；為神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)值。

最終，得出最優(yōu)模型的神經(jīng)元個(gè)數(shù)為25，學(xué)習(xí)率為0.005。

3.5 模型預(yù)測(cè)結(jié)果對(duì)比

分別利用BP、Elman、LSTM及CS-LSTM模型進(jìn)行仿真實(shí)驗(yàn)。對(duì)各個(gè)模型參數(shù)進(jìn)行設(shè)置調(diào)優(yōu)后，采用相同訓(xùn)練集對(duì)模型進(jìn)行訓(xùn)練。各模型參數(shù)如表1所示。

表1 不同模型的最優(yōu)參數(shù)Tab.1 The optimal parameters of the different models

采用相同測(cè)試集對(duì)料層厚度等級(jí)進(jìn)行預(yù)測(cè)。4種垃圾料層厚度預(yù)測(cè)模型最優(yōu)預(yù)測(cè)值與實(shí)際樣本值對(duì)比結(jié)果如圖8～11所示。

圖8 BP神經(jīng)網(wǎng)絡(luò)模型預(yù)測(cè)值和實(shí)際樣本值Fig.8 The predicted value of BP neural network model and actual sample value

圖9 Elman神經(jīng)網(wǎng)絡(luò)模型預(yù)測(cè)值和實(shí)際樣本值Fig.9 The predicted value of Elman neural network model and the actual sample value

圖10 LSTM模型預(yù)測(cè)值和實(shí)際樣本值Fig.10 The predicted value of LSTM model and actual sample value

圖11 CS-LSTM模型預(yù)測(cè)值和實(shí)際樣本值Fig.11 The predicted value of CS-LSTM model and actual sample value

從圖8～11可以看出，CS-LSTM預(yù)測(cè)準(zhǔn)確度最高，但神經(jīng)網(wǎng)絡(luò)模型存在隨機(jī)性。

統(tǒng)計(jì)4種垃圾料層厚度預(yù)測(cè)模型預(yù)測(cè)正確率并取平均，結(jié)果如表2所示。

表2 各模型平均正確率Tab.2 Average correct rate of each model

從表2結(jié)果可以得到以下結(jié)論：在4種垃圾厚度軟測(cè)量模型中，CS-LSTM模型和其他對(duì)比模型相比，正確率最高，達(dá)到了98.845 0%。這說(shuō)明，該模型對(duì)垃圾料層厚度的判斷具有良好的能力。

對(duì)預(yù)測(cè)值與實(shí)際值誤差等級(jí)為 1、2及大于 3的樣本占總樣本數(shù)的百分比進(jìn)行統(tǒng)計(jì)，如表3所示。

表3 各最優(yōu)預(yù)測(cè)模型誤差等級(jí)Tab.3 Error judgment grade of each optimal prediction model

從表3數(shù)據(jù)可以看出，相比其他模型，CS-LSTM模型雖然誤差等級(jí)為1的情況最少，但出現(xiàn)了誤差等級(jí)大于等于3的情況。

各模型的最優(yōu)預(yù)測(cè)模型預(yù)測(cè)值與實(shí)際值誤差如圖12所示。

圖12 各最優(yōu)預(yù)測(cè)模型誤差Fig.12 Error of each optimal prediction model

從圖12可以看出，CS-LSTM與LSTM模型預(yù)測(cè)準(zhǔn)確度遠(yuǎn)高于其他模型，CS-LSTM模型預(yù)測(cè)準(zhǔn)確度略高于LSTM。

從圖10和圖11的前幾個(gè)測(cè)試樣本能夠看出，LSTM 算法在初始階段會(huì)存在一定的誤差；但在后面的階段，CS-LSTM準(zhǔn)確性要高于LSTM。這說(shuō)明，隨樣本數(shù)的增加，CS-LSTM模型預(yù)測(cè)精度有所提高。

為了驗(yàn)證 CS-LSTM 模型在實(shí)際料層厚度預(yù)測(cè)中的準(zhǔn)確性，對(duì)圖7對(duì)應(yīng)時(shí)間段內(nèi)的料層厚度進(jìn)行預(yù)測(cè)，結(jié)果如圖13所示。

圖13 CS-LSTM模型的料層厚度預(yù)測(cè)效果Fig.13 The prediction effect of layer thickness of CS-LSTM model

從圖13可以看出，CS-LSTM模型料層厚度預(yù)測(cè)等級(jí)誤差波動(dòng)在一個(gè)等級(jí)范圍內(nèi)，預(yù)測(cè)值能夠較為準(zhǔn)確反映出當(dāng)前料層厚度。同時(shí)，模型預(yù)測(cè)結(jié)果具有波動(dòng)小的特點(diǎn)，能夠在一定程度上克服風(fēng)機(jī)波動(dòng)造成的料層厚度計(jì)算不穩(wěn)定的情況。

4 結(jié)論

由于實(shí)際生產(chǎn)控制過(guò)程并不需要十分準(zhǔn)確的垃圾料層厚度參數(shù)值，因此本文劃分等級(jí)的方法可以滿足控制要求。

與BP，LSTM，Elman模型相比，CS-LSTM更加適合用于料層厚度的判斷。在輸入變量一定范圍內(nèi)波動(dòng)情況下，用該模型仍能夠準(zhǔn)確判斷料層厚度。

基于CS-LSTM垃圾料層厚度軟測(cè)量模型，打破了傳統(tǒng)定量料層厚度計(jì)算的模式。該方法的優(yōu)點(diǎn)在于既結(jié)合了現(xiàn)場(chǎng)運(yùn)行人員積累的經(jīng)驗(yàn)，又發(fā)揮了神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)能力。