曹建宗，林宸雨，陳文通，劉琦，周權(quán)，要亞坤，樊帥軍，馬彩妮，馬雙忱*

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

0 引言

燃煤電廠為了減少SO2排放，普遍采用了煙氣脫硫（FGD）技術(shù)，經(jīng)過(guò)多年的探索實(shí)踐，該技術(shù)已經(jīng)基本成熟。但是，由于電網(wǎng)需求的間歇性帶來(lái)的鍋爐負(fù)荷變化，使得SO2排放量波動(dòng)幅度較大，在不能定量分析漿液循環(huán)泵、增壓風(fēng)機(jī)、氧化風(fēng)機(jī)等運(yùn)行參數(shù)變化對(duì)脫硫系統(tǒng)運(yùn)行的影響時(shí)，為了保證煙氣排放達(dá)標(biāo)，電廠只能維持總體較低的排放水平，防止瞬間超排，最終導(dǎo)致運(yùn)行成本增加。

利用現(xiàn)代預(yù)測(cè)算法，結(jié)合現(xiàn)場(chǎng)工況數(shù)據(jù)對(duì)SO2排放水平及其變化趨勢(shì)提前做出預(yù)判，提前調(diào)整現(xiàn)場(chǎng)運(yùn)行工況，保證SO2排放量趨于穩(wěn)定，就能實(shí)現(xiàn)SO2排放的經(jīng)濟(jì)達(dá)標(biāo)；另一方面，即使在控制排放水平不變的情況下，更優(yōu)的參數(shù)組合也會(huì)提升脫硫系統(tǒng)的效率。在預(yù)測(cè)算法提供的定量分析的基礎(chǔ)上，利用現(xiàn)代優(yōu)化算法，求解滿(mǎn)足脫硫效率和安全要求的經(jīng)濟(jì)、節(jié)能工況運(yùn)行參數(shù)正逐步引起學(xué)界和企業(yè)的重視。

1 神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)脫硫系統(tǒng)SO2排放量算法

隨著人工智能技術(shù)的高速發(fā)展和不斷成熟，神經(jīng)網(wǎng)絡(luò)算法以其自組織、自適應(yīng)、自更新和高速尋優(yōu)等優(yōu)點(diǎn)，被廣泛應(yīng)用于煙氣脫硫系統(tǒng)SO2排放量預(yù)測(cè)領(lǐng)域。

表1展示了近年來(lái)具有代表性的利用神經(jīng)網(wǎng)絡(luò)技術(shù)預(yù)測(cè)脫硫系統(tǒng)SO2排放量的相關(guān)論文，列舉了算法的建模對(duì)象、網(wǎng)絡(luò)類(lèi)型、輸入?yún)?shù)和學(xué)習(xí)參數(shù)（包含學(xué)習(xí)速率、閾值和神經(jīng)元層數(shù)等）的確定方法等算法技術(shù)細(xì)節(jié)。

表1 近年來(lái)神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)脫硫系統(tǒng)SO2 排放量的算法細(xì)節(jié)Tab.1 Details of FGD system SO2 emission predicted by neural network algorithm in recent years

1.1 神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)脫硫系統(tǒng)SO2排放量算法的網(wǎng)絡(luò)選型特點(diǎn)

分析表1 中的算法細(xì)節(jié)可以發(fā)現(xiàn)，在網(wǎng)絡(luò)選型方面，國(guó)內(nèi)學(xué)者早期多采用反向傳播（Backpropagation，BP）神經(jīng)網(wǎng)絡(luò)進(jìn)行SO2排放量預(yù)測(cè)。BP神經(jīng)網(wǎng)絡(luò)基于誤差的反向傳播，調(diào)整隱含層鏈接權(quán)值，是比較流行且應(yīng)用廣泛的神經(jīng)網(wǎng)絡(luò)模型。但BP 神經(jīng)網(wǎng)絡(luò)具有訓(xùn)練結(jié)果的隨機(jī)性和容易陷入局部最小值等劣勢(shì)，一般引入遺傳算法（Genetic Algorithm，GA）或者粒子群優(yōu)化（Particle Swarm Optimization，PSO）算法，使其避免陷入局部極值并提升預(yù)測(cè)精度。此外，表1 列舉的文獻(xiàn)中也有利用支持向量機(jī)（Support Vector Machines，SVM）進(jìn)行參數(shù)尋優(yōu)的算法設(shè)計(jì)。

由于BP 神經(jīng)網(wǎng)絡(luò)的局限性，逐漸有許多基于BP神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)的改進(jìn)網(wǎng)絡(luò)被引入到SO2排放預(yù)測(cè)中。李斌等［7］利用的T-S 神經(jīng)網(wǎng)絡(luò)本質(zhì)是一種模糊神經(jīng)網(wǎng)絡(luò)（Fuzzy Neural Network，F(xiàn)NN），利用模糊輸入信號(hào)和模糊權(quán)值，將復(fù)雜的脫硫系統(tǒng)各輸入量進(jìn)行模糊處理，提高神經(jīng)網(wǎng)絡(luò)的推理能力。蘇翔鵬等［8-9］利用的徑向基函數(shù)（Radical Basis Function，RBF）神經(jīng)網(wǎng)絡(luò)，僅在隱含層引入高斯核函數(shù)擬合非線性，因而學(xué)習(xí)速率較BP 神經(jīng)網(wǎng)絡(luò)來(lái)說(shuō)提升很多，同時(shí)也能避免陷入局部最小。李軍紅等［12］利用的廣義回歸神經(jīng)網(wǎng)絡(luò)（Generalized Regression Neural Network，GRNN）是一種基于RBF 網(wǎng)絡(luò)改進(jìn)的神經(jīng)網(wǎng)絡(luò)模型，在樣本數(shù)據(jù)少、數(shù)據(jù)不穩(wěn)定時(shí)也能具有較好的預(yù)測(cè)效果。

但上述改進(jìn)網(wǎng)絡(luò)都沒(méi)有引入脫硫系統(tǒng)自身的時(shí)序慣性影響，而脫硫系統(tǒng)不僅是一個(gè)非線性系統(tǒng)，同時(shí)還具有時(shí)滯性、大慣性等特點(diǎn)［14］。在神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)中，循環(huán)神經(jīng)網(wǎng)絡(luò)（Recurrent Neural Network，RNN）一般用于解決這樣的時(shí)序問(wèn)題。RNN 中神經(jīng)元的輸出結(jié)果同時(shí)也作為下個(gè)時(shí)間節(jié)點(diǎn)的輸入，從而實(shí)現(xiàn)預(yù)測(cè)在時(shí)序上的連接。但RNN的時(shí)間節(jié)點(diǎn)感知會(huì)隨時(shí)間軸逐漸消減，最終出現(xiàn)“梯度消失”現(xiàn)象。長(zhǎng)短期記憶（Long Short-Term Memory，LSTM）神經(jīng)網(wǎng)絡(luò)本質(zhì)也是一種循環(huán)神經(jīng)網(wǎng)絡(luò)，不同的是LSTM 通過(guò)獨(dú)特的“門(mén)限”結(jié)構(gòu)，很好地解決了“梯度消失”問(wèn)題。FU Jigao 等［13］使用LSTM網(wǎng)絡(luò)，利用一臺(tái)1 000 MW 發(fā)電機(jī)組的脫硫系統(tǒng)數(shù)據(jù)進(jìn)行預(yù)測(cè)，準(zhǔn)確率達(dá)到了94.6%。圖1、圖2 分別為傳統(tǒng)BP 神經(jīng)網(wǎng)絡(luò)和LSTM 的結(jié)構(gòu)，LSTM 設(shè)置了多個(gè)門(mén)限結(jié)構(gòu)并在時(shí)間軸上循環(huán)。

圖1 傳統(tǒng)BP神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)Fig.1 Structure of traditional BP neural network

綜上所述，神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)脫硫系統(tǒng)SO2排放量算法最早都是基于BP結(jié)構(gòu)的神經(jīng)網(wǎng)絡(luò)，之后一些學(xué)者針對(duì)BP 算法的局限性，引入了一些基于BP 結(jié)構(gòu)的改善算法，但網(wǎng)絡(luò)結(jié)構(gòu)上還是傳統(tǒng)的反向傳播結(jié)構(gòu)。最近，LSTM 神經(jīng)網(wǎng)絡(luò)等循環(huán)神經(jīng)網(wǎng)絡(luò)也被引入到脫硫系統(tǒng)SO2排放量的預(yù)測(cè)中，由于考慮了脫硫系統(tǒng)在時(shí)序上的慣性，取得了較好的效果。事實(shí)上，LSTM 神經(jīng)網(wǎng)絡(luò)也有不少變體結(jié)構(gòu)，尋找更適合脫硫系統(tǒng)的網(wǎng)絡(luò)結(jié)構(gòu)并設(shè)計(jì)改善算法，以提升運(yùn)算速度和準(zhǔn)確度可能是未來(lái)神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)脫硫系統(tǒng)SO2排放量算法的發(fā)展趨勢(shì)。

圖2 LSTM 結(jié)構(gòu)Fig.2 Structure of LSTM

1.2 神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)脫硫系統(tǒng)SO2排放量算法的輸入?yún)?shù)特點(diǎn)

脫硫系統(tǒng)與電力生產(chǎn)的許多過(guò)程都有關(guān)聯(lián)，涉及的相關(guān)參數(shù)眾多，而樣本數(shù)據(jù)的高維特點(diǎn)在機(jī)器學(xué)習(xí)過(guò)程中往往會(huì)導(dǎo)致“維災(zāi)難（Curse of Dimensionality）”，這意味著若要保證算法性能，每增加1個(gè)維度，樣本數(shù)據(jù)就要翻倍。為保證算法效果，表1中各算法都對(duì)輸入?yún)?shù)進(jìn)行了維數(shù)約簡(jiǎn)。

文獻(xiàn)［1-4，12］中，采用經(jīng)驗(yàn)選擇的方式直接給出了輸入神經(jīng)網(wǎng)絡(luò)的參數(shù)；文獻(xiàn)［5，7-10］對(duì)脫硫系統(tǒng)涉及的化學(xué)過(guò)程進(jìn)行了分析，依托先前的理論研究或者試驗(yàn)結(jié)果選擇了相關(guān)參數(shù)輸入網(wǎng)絡(luò)。上述方法本質(zhì)上屬于機(jī)理分析的參數(shù)選擇。此外，基于數(shù)據(jù)分析的特征提取或者特征選擇技術(shù)近年來(lái)正在逐漸得到廣泛應(yīng)用。該方法不僅在處理類(lèi)似脫硫系統(tǒng)這樣復(fù)雜機(jī)理過(guò)程中有優(yōu)勢(shì)，而且，由于數(shù)據(jù)是基于特定電廠的，分析結(jié)果較一般的機(jī)理分析更貼合個(gè)體情況。吳林峰［5］基于灰色關(guān)聯(lián)度選擇特征參數(shù)，F(xiàn)U Jigao 等［11］利用主成分分析法（Principal Component Analysis，PCA）進(jìn)行特征抽取，正是基于數(shù)據(jù)分析的特征提取或特征選擇技術(shù)在脫硫系統(tǒng)中的應(yīng)用。

表2 是表1 中以石灰石-石膏脫硫系統(tǒng)建模的相關(guān)文獻(xiàn)的參數(shù)選擇情況，每種網(wǎng)絡(luò)各選一篇代表文獻(xiàn)?？梢园l(fā)現(xiàn)，由于高維數(shù)樣本將帶來(lái)巨大的計(jì)算復(fù)雜度，一般網(wǎng)絡(luò)結(jié)構(gòu)的輸入?yún)?shù)都控制在10個(gè)左右。分析表2可知，不論是經(jīng)驗(yàn)選取、機(jī)理分析或數(shù)據(jù)關(guān)聯(lián)度分析，煙氣流量、煙氣溫度、漿液pH 值、漿液密度、漿液液位、入口SO2質(zhì)量濃度等基本都會(huì)被選擇為神經(jīng)網(wǎng)絡(luò)的訓(xùn)練參數(shù)，可見(jiàn)這些要素對(duì)脫硫系統(tǒng)的影響已比較清晰，經(jīng)驗(yàn)、數(shù)據(jù)和理論也能互相印證。而其他參數(shù)，如風(fēng)機(jī)風(fēng)壓、機(jī)組負(fù)荷、粉塵含量等擾動(dòng)因素對(duì)脫硫系統(tǒng)的影響則沒(méi)有廣泛地被考慮。

表2 部分神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)脫硫系統(tǒng)SO2排放量算法的輸入?yún)?shù)Tab.2 Input parameters of FGD system SO2 emission partially predicted by neural network algorithm

綜上所述，受神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)算法算力要求較高的限制，8～10 個(gè)輸入?yún)?shù)是比較合適的。而在輸入?yún)?shù)不增多的情況下，GUO Yishan 等［11］提出的混合建模思路就能體現(xiàn)出優(yōu)勢(shì)，即首先通過(guò)機(jī)理建模，整合機(jī)理明確的輸入?yún)?shù)，得到SO2排放量的基礎(chǔ)數(shù)據(jù)，由此節(jié)省的參數(shù)便可引入更多補(bǔ)充的擾動(dòng)因素，最后將此數(shù)據(jù)和其他擾動(dòng)因素一起輸入神經(jīng)網(wǎng)絡(luò)訓(xùn)練，使得預(yù)測(cè)更為準(zhǔn)確，算法效率也得到提升。

此外，一些基于神經(jīng)網(wǎng)絡(luò)的特征提取技術(shù)，如受限玻爾茲曼機(jī)（Restricted Boltzmann Machine，RBM）技術(shù)，能在降低數(shù)據(jù)復(fù)雜度的情況下保全大部分?jǐn)?shù)據(jù)信息，這些技術(shù)已經(jīng)在諸多領(lǐng)域成功應(yīng)用，未來(lái)也有可能被引入到脫硫系統(tǒng)SO2排放量的預(yù)測(cè)中。

2 預(yù)測(cè)+優(yōu)化算法在脫硫系統(tǒng)工況參數(shù)優(yōu)化中的應(yīng)用

脫硫系統(tǒng)的預(yù)測(cè)算法實(shí)現(xiàn)之后，就為基于預(yù)測(cè)結(jié)果的優(yōu)化技術(shù)在脫硫系統(tǒng)節(jié)能降耗中的應(yīng)用提供了廣大空間。表3 為近年來(lái)典型脫硫系統(tǒng)預(yù)測(cè)+優(yōu)化算法，表中展示了不同算法的設(shè)計(jì)細(xì)節(jié)和對(duì)脫硫系統(tǒng)的優(yōu)化目標(biāo)。分析表3 可以發(fā)現(xiàn)，在預(yù)測(cè)算法的選擇上，除了上節(jié)討論的神經(jīng)網(wǎng)絡(luò)算法，以SVM 或其改算法為基礎(chǔ)的預(yù)測(cè)算法數(shù)量也較大，主要是因?yàn)樵谏疃葘W(xué)習(xí)技術(shù)出現(xiàn)之前，SVM 技術(shù)具有泛化性好、樣本規(guī)模較小時(shí)效果較好等優(yōu)點(diǎn)，是主要流行的機(jī)器學(xué)習(xí)算法。此外，還有一些學(xué)者選擇了基于歷史數(shù)據(jù)聚類(lèi)的預(yù)測(cè)思路，可以增加算法的安全性，但只有在歷史數(shù)據(jù)庫(kù)具有一定規(guī)模時(shí)，這種算法才能取得較好效果。

表3 典型脫硫系統(tǒng)預(yù)測(cè)+工藝參數(shù)優(yōu)化算法細(xì)節(jié)Tab.3 Details of typical prediction+process parameter optimization algorithm in FGD systems

2.1 脫硫系統(tǒng)預(yù)測(cè)+優(yōu)化算法中優(yōu)化算法的選擇

分析表3 中各文獻(xiàn)使用的優(yōu)化算法可以發(fā)現(xiàn)，使用數(shù)學(xué)求解的優(yōu)化算法的文獻(xiàn)較少，而現(xiàn)代優(yōu)化算法中的2 個(gè)主要流派，即GA 算法［15-17，24］和PSO 算法［11，18-19］則被廣泛地運(yùn)用到脫硫系統(tǒng)的工藝參數(shù)優(yōu)化上。相較于傳統(tǒng)優(yōu)化算法而言，GA算法和PSO算法都屬于智能優(yōu)化算法，具有概念簡(jiǎn)單、實(shí)現(xiàn)容易、參數(shù)較少等諸多優(yōu)點(diǎn)，近年來(lái)被應(yīng)用于工程技術(shù)問(wèn)題的文獻(xiàn)指數(shù)增加。

但由于GA 算法和PSO 算法在廣義上都屬于隨機(jī)搜索算法，其依據(jù)一般基于馬爾科夫鏈證明的全局收斂性，即當(dāng)時(shí)間趨于無(wú)窮時(shí)，結(jié)果趨于全局最優(yōu)。正因如此，進(jìn)化算法在運(yùn)用時(shí)，受運(yùn)行時(shí)間和算力的限制，一般會(huì)表現(xiàn)出收斂性差、收斂速度慢等特點(diǎn)，不能很好地適應(yīng)如脫硫系統(tǒng)這樣安全性要求較高、反應(yīng)過(guò)程較快的情況。

基于保障安全性的前提下取得最優(yōu)運(yùn)行工況的考慮，文獻(xiàn)［21-23］等都先建立歷史運(yùn)行數(shù)據(jù)庫(kù)，再通過(guò)聚類(lèi)算法選擇最接近的歷史情況，最后根據(jù)選取的一組接近工況做建模或擬合分析，從而求解最優(yōu)工況參數(shù)。這種方法一般具有運(yùn)算速度快、安全性較高的優(yōu)勢(shì)，且隨著查詢(xún)數(shù)據(jù)庫(kù)的歷史案例越來(lái)越多，優(yōu)化效果會(huì)越來(lái)越好。

2.2 脫硫系統(tǒng)預(yù)測(cè)+優(yōu)化算法中優(yōu)化目標(biāo)的選擇

蒸發(fā)水量占整個(gè)脫硫系統(tǒng)用水量的90%左右，一般工況下由入口煙氣的溫度、流量決定，常規(guī)情況下可調(diào)節(jié)空間很小，而系統(tǒng)脫硫劑消耗量的調(diào)整涉及脫硫效率的變化，一般情況下可調(diào)節(jié)空間也不大。分析表3 中文獻(xiàn)所設(shè)定的優(yōu)化目標(biāo)，脫硫系統(tǒng)中漿液循環(huán)泵、增壓風(fēng)機(jī)和氧化風(fēng)機(jī)電耗，噴淋塔的結(jié)構(gòu)和數(shù)量等工藝參數(shù)運(yùn)行優(yōu)化受到了較為集中的關(guān)注，此外，在保證脫硫效果達(dá)標(biāo)的情況下，脫硫系統(tǒng)整體運(yùn)行成本的優(yōu)化方案也被廣泛討論。

表4 為脫硫系統(tǒng)典型的成本構(gòu)成情況，表中系統(tǒng)電耗一般包括增壓風(fēng)機(jī)、氧化風(fēng)機(jī)、漿液循環(huán)泵、球磨機(jī)等的電耗，系統(tǒng)水耗一般包括制漿工藝水和設(shè)備沖洗水等。分析表4 可以發(fā)現(xiàn)，脫硫系統(tǒng)的電耗占系統(tǒng)運(yùn)行總成本的一半以上，且相較于脫硫劑成本和系統(tǒng)水耗成本有更大的調(diào)整空間和潛力。系統(tǒng)電耗中，增壓風(fēng)機(jī)電耗占比較高。文獻(xiàn)［15］指出，當(dāng)鍋爐負(fù)荷較低時(shí)，風(fēng)機(jī)往往不能工作于高效率區(qū)；文獻(xiàn)［28］指出，由于過(guò)多安全和裕度上的考慮，增壓風(fēng)機(jī)節(jié)能優(yōu)化的空間很大；文獻(xiàn)［29-31］通過(guò)采取降低轉(zhuǎn)速、改進(jìn)葉片或變頻調(diào)節(jié)等方法改進(jìn)增壓風(fēng)機(jī)，節(jié)能效果較好。文獻(xiàn)［16-32］則采取優(yōu)化算法，選擇不同工況下的風(fēng)機(jī)組合方式。

表4 典型脫硫系統(tǒng)各項(xiàng)經(jīng)濟(jì)成本占比Tab.4 Proportion of various economic costs in a typical FGD system %

在氧化風(fēng)機(jī)方面，文獻(xiàn)［33-34］通過(guò)對(duì)氧化風(fēng)機(jī)進(jìn)行變頻改造，文獻(xiàn)［35］通過(guò)對(duì)運(yùn)行情況分析得出最佳運(yùn)行模式，取得了較好的節(jié)能效果。文獻(xiàn)［36-37］對(duì)氧化風(fēng)機(jī)建立機(jī)理、成本模型，使用PSO算法得到了較好的風(fēng)機(jī)運(yùn)行模式。此外，雖然系統(tǒng)電耗中氧化風(fēng)機(jī)的電耗占比相對(duì)較小，但因?yàn)槠洳粌H影響脫硫系統(tǒng)的運(yùn)行性能，氧化風(fēng)不足時(shí)，還會(huì)誘發(fā)漿液結(jié)垢致管道堵塞，影響脫硫系統(tǒng)的安全，因此必須納入優(yōu)化系統(tǒng)，考慮潛在風(fēng)險(xiǎn)成本。華北電力大學(xué)馬雙忱團(tuán)隊(duì)推導(dǎo)了兼顧SO2吸收過(guò)程和CaSO3氧化過(guò)程的電位-pH 模型，采用pH 和ORP 聯(lián)合控制的方案，不僅能有效降低功耗，而且能減少系統(tǒng)結(jié)垢，提升石膏品質(zhì)［38-39］。該項(xiàng)目最終在華電渠東發(fā)電有限公司實(shí)際應(yīng)用，效果良好。

漿液循環(huán)泵電耗也是脫硫系統(tǒng)運(yùn)行成本的重要部分。目前，由于現(xiàn)場(chǎng)人員只能根據(jù)經(jīng)驗(yàn)估計(jì)啟停泵或閥門(mén)開(kāi)度對(duì)脫硫效率的影響，為保證系統(tǒng)脫硫率達(dá)標(biāo)，現(xiàn)場(chǎng)人員傾向于開(kāi)啟較多的漿液循環(huán)泵，致使系統(tǒng)運(yùn)行成本提升。在預(yù)測(cè)算法的支持下，通過(guò)合理優(yōu)化切泵運(yùn)行，具有較大的優(yōu)化空間。文獻(xiàn)［11，16］等通過(guò)優(yōu)化算法選擇泵的組合方式，節(jié)能效果較好。

脫硫系統(tǒng)的整體經(jīng)濟(jì)運(yùn)行優(yōu)化方面，文獻(xiàn)［19，21，37］等均建立了自己的經(jīng)濟(jì)成本模型，通過(guò)GA或PSO 算法求解最佳組合工況。這些經(jīng)濟(jì)模型基本設(shè)計(jì)框架和主要參數(shù)大多都接近圖3。

圖3 典型脫硫系統(tǒng)經(jīng)濟(jì)模型的基本框架和考慮因素Fig.3 Basic framework and considerations of an economic model for a typical FGD system

3 應(yīng)用案例與分析

2015年7月國(guó)務(wù)院印發(fā)的《關(guān)于積極推進(jìn)“互聯(lián)網(wǎng)+”行動(dòng)的指導(dǎo)意見(jiàn)》首次明確指出：互聯(lián)網(wǎng)在促進(jìn)環(huán)保等產(chǎn)業(yè)轉(zhuǎn)型升級(jí)方面已經(jīng)取得明顯效果，其中，要著力發(fā)展資源環(huán)境的動(dòng)態(tài)監(jiān)測(cè)、智慧環(huán)保、廢舊資源回收利用等領(lǐng)域。“智慧環(huán)?！弊鳛椤皵?shù)字環(huán)?！钡耐卣?，將進(jìn)一步借助物聯(lián)網(wǎng)技術(shù)高效地捕獲和傳輸數(shù)據(jù)，再通過(guò)超級(jí)計(jì)算機(jī)、云計(jì)算等技術(shù)整合，實(shí)現(xiàn)更加精準(zhǔn)、動(dòng)態(tài)的環(huán)保系統(tǒng)管理。環(huán)保行業(yè)向智慧環(huán)保轉(zhuǎn)型前景廣闊［40-41］。

電力行業(yè)從2004年開(kāi)始進(jìn)行數(shù)字化改革，歷史數(shù)據(jù)充分，具有實(shí)現(xiàn)智能環(huán)保的基礎(chǔ)條件，電力行業(yè)爭(zhēng)做推動(dòng)數(shù)字化智能升級(jí)的排頭兵，對(duì)產(chǎn)業(yè)升級(jí)和智能化建設(shè)具有重要意義。

2018 年以來(lái)，各發(fā)電集團(tuán)開(kāi)始注重將智能化技術(shù)應(yīng)用于生產(chǎn)過(guò)程管理，但在實(shí)際應(yīng)用中，仍以人員定位、現(xiàn)場(chǎng)WiFi、巡檢機(jī)器人等技術(shù)門(mén)檻相對(duì)較低的技術(shù)為主［42-44］。2019 年，以脫硫系統(tǒng)為核心的智能控制、智能工況優(yōu)化逐漸走向?qū)嶋H應(yīng)用。

在控制系統(tǒng)優(yōu)化方面，大唐環(huán)境產(chǎn)業(yè)集團(tuán)股份有限公司使用了BP神經(jīng)網(wǎng)絡(luò)，實(shí)現(xiàn)了對(duì)脫硫系統(tǒng)的動(dòng)態(tài)建模和參數(shù)預(yù)測(cè)，神經(jīng)網(wǎng)絡(luò)的輸出結(jié)果基于模糊規(guī)則轉(zhuǎn)換后輸入模糊控制器，將比例積分（PI）控制器的參數(shù)調(diào)整到最優(yōu)狀態(tài)，具有快速、準(zhǔn)確、魯棒性高等優(yōu)勢(shì)［45］。此外，東南大學(xué)的YANG Lukuan等［20］推導(dǎo)了適合于非線性預(yù)測(cè)控制（Nonlinear Model Predictive Contorl，NMPC）結(jié)構(gòu)的煙氣脫硫過(guò)程的數(shù)學(xué)模型，采用河南某1 000 MW火電廠的現(xiàn)場(chǎng)數(shù)據(jù)進(jìn)行驗(yàn)證，仿真結(jié)果表明，在確保排放要求的同時(shí)，NMPC策略提高了經(jīng)濟(jì)績(jī)效。

在經(jīng)濟(jì)運(yùn)行優(yōu)化方面，西安熱工研究院有限公司與華電萊州發(fā)電有限公司合作，借助廠級(jí)監(jiān)控信息系統(tǒng)，建立了脫硫系統(tǒng)歷史大數(shù)據(jù)平臺(tái)，通過(guò)聚類(lèi)算法自動(dòng)篩選出運(yùn)行史中的類(lèi)似情況，對(duì)脫硫系統(tǒng)建立經(jīng)濟(jì)評(píng)價(jià)模型，以進(jìn)行定量分析并給出優(yōu)化建議。其研究認(rèn)為，大部分運(yùn)行工況優(yōu)化潛力在100 元∕h 以上，以機(jī)組年運(yùn)行5 000 h 計(jì)算，1 年可節(jié)約成本約50 萬(wàn)元［21］。

圖4為基于節(jié)能環(huán)保多目標(biāo)優(yōu)化的脫硫系統(tǒng)運(yùn)行控制邏輯圖。在具體工業(yè)應(yīng)用中，智能決策、數(shù)字化管理和現(xiàn)場(chǎng)運(yùn)行構(gòu)成了脫硫系統(tǒng)智慧環(huán)保管理的基本框架。

圖4 基于節(jié)能環(huán)保多目標(biāo)優(yōu)化的脫硫系統(tǒng)運(yùn)行控制邏輯Fig.4 Operation control logic of FGD systems based on multi-objective optimization in energy saving and environmental protection

4 結(jié)束語(yǔ)

本文主要討論了各種運(yùn)用于脫硫系統(tǒng)的神經(jīng)網(wǎng)絡(luò)算法的網(wǎng)絡(luò)結(jié)構(gòu)設(shè)計(jì)、輸入?yún)?shù)選擇等算法重要細(xì)節(jié)，分析了LSTM 等循環(huán)神經(jīng)網(wǎng)絡(luò)相較于傳統(tǒng)的BP神經(jīng)網(wǎng)絡(luò)的優(yōu)勢(shì)，以及通過(guò)機(jī)理建模節(jié)約輸入?yún)?shù)，提高神經(jīng)網(wǎng)絡(luò)算法的預(yù)測(cè)效率和準(zhǔn)確度將是未來(lái)算法發(fā)展方向。此外，還就基于脫硫系統(tǒng)的預(yù)測(cè)+優(yōu)化算法進(jìn)行了討論，分析這些優(yōu)化算法的設(shè)計(jì)細(xì)節(jié)，對(duì)集中的優(yōu)化方向如氧化風(fēng)機(jī)、增壓風(fēng)機(jī)和漿液循環(huán)泵進(jìn)行了分析。