數(shù)據(jù)融合驅(qū)動的余熱鍋爐閥門調(diào)節(jié)方法

劉 晶，秦國帥，孟德凱，賀伯君，季海鵬

(1. 河北工業(yè)大學(xué) 人工智能與數(shù)據(jù)科學(xué)學(xué)院,天津 300401；2. 河北省數(shù)據(jù)驅(qū)動工業(yè)智能工程研究中心，天津 300401；3. 勞里埃大學(xué) 計(jì)算機(jī)科學(xué)學(xué)院,加拿大 滑鐵盧 999040;4. 中材節(jié)能股份有限公司，天津 300401；5. 河北工業(yè)大學(xué) 材料科學(xué)與工程學(xué)院,天津 300401)

0 引言

近年來，隨著社會經(jīng)濟(jì)發(fā)展，我國水泥行業(yè)產(chǎn)量迅速提升。根據(jù)數(shù)據(jù)表明，2014年我國水泥產(chǎn)量在全球總產(chǎn)量中占比56.7%[1]。同時(shí)，水泥行業(yè)又是一個(gè)典型高能耗產(chǎn)業(yè)，水泥行業(yè)能耗在全球能源消耗中占比8.5%，并且二氧化碳排放量占比高達(dá)34%[2]。

水泥生產(chǎn)過程中，熟料煅燒過程占水泥生產(chǎn)總能耗92.6%以上，其中只有大約60%的熱量被熟料煅燒所利用，剩余的40%熱量隨著窯頭、窯尾的廢氣一起排入了大氣中。不但造成了大氣污染，還造成了大量熱能的損耗。因此如何提升能源利用率成為余熱發(fā)電系統(tǒng)的關(guān)鍵性問題。

目前，低溫余熱發(fā)電技術(shù)系統(tǒng)優(yōu)化方法主要分為兩類，分別是基于專家經(jīng)驗(yàn)系統(tǒng)控制優(yōu)化方法和基于數(shù)據(jù)驅(qū)動系統(tǒng)控制優(yōu)化方法。

基于專家經(jīng)驗(yàn)系統(tǒng)控制優(yōu)化方法常用模糊控制等手段，以生產(chǎn)現(xiàn)場工作人員的控制經(jīng)驗(yàn)為基礎(chǔ)，在系統(tǒng)控制方面進(jìn)行優(yōu)化。其中，文獻(xiàn)[3]以有機(jī)朗肯循環(huán)系統(tǒng)中的蒸發(fā)器為研究對象，使用模糊PID控制，使系統(tǒng)具有更好的穩(wěn)定性。文獻(xiàn)[4]使用PID控制器將渦輪機(jī)入口條件保持在過熱狀態(tài)，而沒有明顯的過沖現(xiàn)象，提高系統(tǒng)的熱效率。文獻(xiàn)[5]設(shè)計(jì)了非線性模型預(yù)測以及PID聯(lián)合控制模型，適用于重型柴油機(jī)的平行蒸發(fā)器有機(jī)朗肯循環(huán)(ORC)余熱回收系統(tǒng)的實(shí)時(shí)增強(qiáng)控制，可確保ORC系統(tǒng)高效、安全地運(yùn)行。上述方法雖然取得了較好的效果，但隨著系統(tǒng)的復(fù)雜程度越來越高，此類方法很難對系統(tǒng)各個(gè)參數(shù)之間的內(nèi)部關(guān)系進(jìn)行深度挖掘。

近年來，IOT技術(shù)被廣泛應(yīng)用于工業(yè)領(lǐng)域，設(shè)備產(chǎn)生了海量的運(yùn)行數(shù)據(jù)，基于數(shù)據(jù)驅(qū)動的系統(tǒng)控制優(yōu)化成為一種主流研究方法。其主要通過深度挖掘歷史數(shù)據(jù)之間的內(nèi)在關(guān)系調(diào)整優(yōu)化設(shè)備參數(shù)，常用方法有神經(jīng)網(wǎng)絡(luò)，遺傳算法等。其中，文獻(xiàn)[6]研究渦輪機(jī)轉(zhuǎn)速與工質(zhì)蒸發(fā)壓力對于渦輪機(jī)輸出功率的影響問題，將 BP 神經(jīng)網(wǎng)絡(luò)應(yīng)用于低溫余熱系統(tǒng)建模中，證明了基于BP神經(jīng)網(wǎng)絡(luò)模型在建模中的有效性。文獻(xiàn)[7]采用基于神經(jīng)網(wǎng)絡(luò)的PID控制方法，對中低溫余熱發(fā)電系統(tǒng)中膨脹機(jī)動態(tài)性能進(jìn)行了調(diào)節(jié)，證明與傳統(tǒng)PID 控制相比, 該算法具有較好的控制效果。文獻(xiàn)[8]基于遺傳算法提出了一種蒸汽網(wǎng)絡(luò)模型，該模型可以減小蒸汽質(zhì)量平衡的不穩(wěn)定性和蒸汽能量損失，提高能源利用率。由此可見，基于數(shù)據(jù)驅(qū)動建模是解決工業(yè)問題的有效途徑。

由于余熱鍋爐系統(tǒng)中閥門調(diào)節(jié)影響因素眾多，參數(shù)關(guān)系復(fù)雜，而模糊控制等方法在復(fù)雜系統(tǒng)優(yōu)化中存在局限性問題，因此基于余熱發(fā)電系統(tǒng)生產(chǎn)數(shù)據(jù)的優(yōu)化成為一種有效手段。針對余熱鍋爐閥門調(diào)節(jié)問題，本文提出了一種數(shù)據(jù)融合驅(qū)動的余熱鍋爐閥門調(diào)節(jié)方法。該方法利用大量余熱鍋爐閥門調(diào)節(jié)數(shù)據(jù)，深度挖掘余熱鍋爐閥門調(diào)節(jié)特征的內(nèi)在聯(lián)系，建立余熱鍋爐閥門調(diào)節(jié)預(yù)測模型。由于單個(gè)鍋爐存在多個(gè)閥門，通過研究閥門調(diào)節(jié)特性，將該方法分為以下兩個(gè)子模型：

1) 針對冷風(fēng)閥的調(diào)節(jié)特性，提出了基于過采樣決策樹的冷風(fēng)閥調(diào)節(jié)預(yù)測模型(Oversampling-based decision tree cooling air valve adjustment prediction model，簡稱ODTVA調(diào)節(jié)預(yù)測模型)，該模型首先通過建立特征指標(biāo)集，預(yù)測結(jié)果標(biāo)簽化，過采樣處理，其次在此基礎(chǔ)上建立決策樹預(yù)測模型，可有效預(yù)測冷風(fēng)閥調(diào)節(jié)操作。

2) 針對入口閥和旁通閥的調(diào)節(jié)特性，提出了基于LSTM-BP共享權(quán)值神經(jīng)網(wǎng)絡(luò)的入口閥&旁通閥調(diào)節(jié)預(yù)測模型(Prediction model of inlet valve and bypass valve adjustment based on LSTM-BP shared weight neural network，簡稱LSWBVA調(diào)節(jié)預(yù)測模型)，該模型利用LSTM提取閥門調(diào)節(jié)時(shí)序性特征，并通過共享權(quán)值的BP神經(jīng)網(wǎng)絡(luò)解決入口閥、旁通閥調(diào)節(jié)強(qiáng)相關(guān)性問題，有效提高了余熱能源利用率。

1 數(shù)據(jù)融合驅(qū)動的余熱鍋爐閥門調(diào)節(jié)方法

1.1 整體框架設(shè)計(jì)

數(shù)據(jù)融合驅(qū)動的余熱鍋爐閥門調(diào)節(jié)方法主要對AQC余熱鍋爐閥門調(diào)節(jié)進(jìn)行預(yù)測，AQC余熱鍋爐布置在回轉(zhuǎn)窯窯頭附近，負(fù)責(zé)回收水泥生產(chǎn)線上廢氣余熱，并加熱水產(chǎn)生過熱蒸汽，以推動汽輪機(jī)做功發(fā)電。AQC余熱鍋爐包括3個(gè)閥門，即入口閥、旁通閥、冷風(fēng)閥。傳統(tǒng)方法中，當(dāng)窯頭熱源溫度較高，通過人工調(diào)節(jié)冷風(fēng)閥對余熱鍋爐溫度進(jìn)行控制，防止溫度過高造成安全隱患。為提高余熱回收中能源利用率，入口閥大多數(shù)情況處于全開狀態(tài)，旁通閥處于微開狀態(tài)，狀態(tài)比較穩(wěn)定。

如表1所示，通過分析入口閥和旁通閥開度的歷史數(shù)據(jù)，入口閥和旁通閥開度存在強(qiáng)負(fù)線性相關(guān)，冷風(fēng)閥與其他兩個(gè)閥門之間相關(guān)性極小。即冷風(fēng)閥通常單獨(dú)調(diào)節(jié)，入口閥和旁通閥通常一起調(diào)節(jié)。因此數(shù)據(jù)融合驅(qū)動的余熱鍋爐閥門調(diào)節(jié)方法針對AQC余熱鍋爐不同閥門的調(diào)節(jié)分為兩個(gè)子模型，分別為冷風(fēng)閥調(diào)節(jié)預(yù)測模型和入口閥、旁通閥調(diào)節(jié)預(yù)測模型。

表1 閥門狀態(tài)相關(guān)系數(shù)Tab.1 The correlation coefficient of valve state

方法架構(gòu)圖如圖1所示，首先通過數(shù)據(jù)預(yù)處理，新增閥門調(diào)節(jié)關(guān)鍵特征，并對閥門狀態(tài)標(biāo)簽化，挖掘溫度壓力特征與閥門調(diào)節(jié)的對應(yīng)關(guān)系。其次，針對冷風(fēng)閥調(diào)節(jié)數(shù)據(jù)多變性以及不平衡問題，通過對訓(xùn)練集過采樣，構(gòu)建冷風(fēng)閥ODTVA調(diào)節(jié)預(yù)測模型。最后，針對入口閥和旁通閥調(diào)節(jié)依賴時(shí)序性特征，以及兩者調(diào)節(jié)強(qiáng)相關(guān)性等特點(diǎn)，構(gòu)建入口閥&旁通閥LSWBVA調(diào)節(jié)預(yù)測模型， 當(dāng)入口閥全開時(shí)，根據(jù)歷史取風(fēng)溫度變化利用LSTM神經(jīng)網(wǎng)絡(luò)預(yù)測當(dāng)前時(shí)間段內(nèi)取風(fēng)溫度，當(dāng)真實(shí)取風(fēng)溫度均值與預(yù)測取風(fēng)溫度均值差值大于偏差閾值，則通過BP共享權(quán)值神經(jīng)網(wǎng)絡(luò)同時(shí)對入口閥、旁通閥預(yù)測，調(diào)節(jié)兩者開度；當(dāng)真實(shí)取風(fēng)溫度均值與預(yù)測取風(fēng)溫度均值差值小于閾值則保持入口閥、旁通閥開度不變；當(dāng)入口閥處于非全開狀態(tài)時(shí)，則直接預(yù)測并調(diào)節(jié)入口閥、旁通閥開度?；谝陨戏椒ǎ捎行д{(diào)節(jié)AQC余熱鍋爐閥門開度狀態(tài)。

圖1 數(shù)據(jù)融合驅(qū)動的余熱鍋爐閥門調(diào)節(jié)方法架構(gòu)圖Fig.1 The architecture diagram of data fusion driven waste heat boiler valve adjustment method

1.2 冷風(fēng)閥ODTVA調(diào)節(jié)預(yù)測模型

傳統(tǒng)人工調(diào)節(jié)往往是根據(jù)當(dāng)前鍋爐內(nèi)部的溫度、壓力特征使冷風(fēng)閥開度增大、不變、減小。 因此，對冷風(fēng)閥狀態(tài)數(shù)據(jù)進(jìn)行預(yù)處理，將預(yù)測類別標(biāo)簽轉(zhuǎn)換為增大、不變、減小。通過分析歷史數(shù)據(jù)，冷風(fēng)閥調(diào)節(jié)策略如下所示：

1) 當(dāng)鍋爐內(nèi)部溫度、壓力長時(shí)間低于臨界閾值，冷風(fēng)閥處于全關(guān)狀態(tài)且保持不變；當(dāng)溫度、壓力長時(shí)間高于臨界閾值，冷風(fēng)閥處于全開狀態(tài)且保持不變。

2) 當(dāng)鍋爐內(nèi)部的溫度、壓力超過或低于最佳閾值范圍時(shí)增大或減小冷風(fēng)閥開度。

3) 當(dāng)鍋爐內(nèi)部溫度、壓力在最佳閾值范圍時(shí)保持當(dāng)前冷風(fēng)閥開度不變。

針對冷風(fēng)閥調(diào)節(jié)數(shù)據(jù)多變性以及不平衡問題，提出冷風(fēng)閥ODTVA調(diào)節(jié)預(yù)測模型。該模型通過計(jì)算特征參數(shù)信息熵，選取特征集合中最大信息增益的分類特征，構(gòu)造決策樹[9-11]。

構(gòu)建冷風(fēng)閥ODTVA調(diào)節(jié)預(yù)測模型流程如圖2所示，首先通過新增特征，以及預(yù)測結(jié)果標(biāo)簽化預(yù)處理，挖掘溫度壓力特征與閥門調(diào)節(jié)內(nèi)在聯(lián)系。其次，通過過采樣處理，解決冷風(fēng)閥調(diào)節(jié)數(shù)據(jù)不平衡問題，最后構(gòu)建基于決策樹算法的冷風(fēng)閥ODTVA調(diào)節(jié)預(yù)測模型。

圖2 冷風(fēng)閥ODTVA調(diào)節(jié)預(yù)測模型Fig.2 The ODTVA adjustment prediction model of cold air valve

1.2.1建立特征指標(biāo)集

余熱發(fā)電系統(tǒng)中AQC余熱鍋爐相關(guān)特征眾多，為保證能夠精準(zhǔn)預(yù)測AQC余熱鍋爐閥門調(diào)節(jié)，選擇閥門調(diào)節(jié)影響因素最大的特征作為輸入特征，包括取風(fēng)溫度、主蒸汽溫度、主蒸汽流量、主蒸汽壓力、過熱器前廢氣溫度等關(guān)鍵特征。

閥門調(diào)節(jié)依賴最近時(shí)刻溫度變化，因此通過特征預(yù)處理，在以上特征基礎(chǔ)上建立閥門調(diào)節(jié)關(guān)鍵特征，保留調(diào)節(jié)數(shù)據(jù)最近時(shí)刻時(shí)序性特征。

閥門調(diào)節(jié)會在上一時(shí)刻閥門開度的基礎(chǔ)上調(diào)節(jié)。例如：閥門處于全開或者全關(guān)狀態(tài)，則無法增大或者減小。因此新增上一時(shí)刻閥門狀態(tài)特征。

取風(fēng)溫度作為AQC余熱鍋爐熱源特征，其升降對鍋爐內(nèi)部溫度變化具有關(guān)鍵性的影響。主蒸汽溫度作為余熱鍋爐閥門調(diào)節(jié)優(yōu)劣的評價(jià)指標(biāo)，其升降是閥門調(diào)節(jié)的重要依據(jù)。因此添加取風(fēng)溫差，主蒸汽溫差保留最近時(shí)刻溫度變化的時(shí)序性特征。

主蒸汽溫度過低會造成能源利用率下降，過高會導(dǎo)致余熱鍋爐存在安全隱患。因此主蒸汽溫度存在最佳閾值區(qū)間。通過分析主蒸汽溫度數(shù)據(jù)，主蒸汽溫度分布服從正態(tài)分布。因此利用當(dāng)前主蒸汽溫度減去樣本均值得到新的關(guān)鍵特征，即主蒸汽均值溫差，表示當(dāng)前主蒸汽溫度與期望溫度的偏差。

綜上所述，輸入特征參數(shù)如表2所示。

表2 輸入特征參數(shù)Tab.2 Input feature parameters

1.2.2預(yù)測結(jié)果標(biāo)簽化

通過預(yù)測結(jié)果標(biāo)簽化，挖掘溫度、壓力特征與冷風(fēng)閥開度調(diào)節(jié)的映射關(guān)系。冷風(fēng)閥預(yù)測標(biāo)簽化的算法如下：

步驟1：給定閥門全開的最小值OpenStatusValue,大于該值即認(rèn)為閥門處于全開狀態(tài)，給定閥門全關(guān)的最大值CloseStatusValue，小于該值即認(rèn)為閥門處于全關(guān)狀態(tài)。

步驟2：給定參數(shù)RangeNumber,即除全開和全閉的狀態(tài)之外的開度區(qū)間數(shù)量。

步驟3：針對每一個(gè)時(shí)刻的閥門開度百分比，計(jì)算所在的開度區(qū)間，生成開度等級。

步驟4：根據(jù)下一時(shí)刻的閥門開度和當(dāng)前時(shí)刻的閥門開度等級差值進(jìn)行判斷。如果下一時(shí)刻的開度等級大于當(dāng)前時(shí)刻的開度等級，則標(biāo)記為增大，如果小于，標(biāo)記為減小，否則，標(biāo)記為不變。

1.2.3過采樣處理

實(shí)際調(diào)節(jié)中，當(dāng)余熱鍋爐內(nèi)部溫度、壓力處于最佳閾值區(qū)間時(shí)，冷風(fēng)閥開度保持不變；當(dāng)余熱鍋爐內(nèi)部溫度、壓力過高時(shí)，冷風(fēng)閥處于長時(shí)間全開，且保持不變；當(dāng)余熱鍋爐內(nèi)部溫度、壓力過低時(shí)，冷風(fēng)閥處于長時(shí)間全關(guān)，且保持不變；以上三種情況導(dǎo)致數(shù)據(jù)集中不變類別的數(shù)據(jù)量遠(yuǎn)遠(yuǎn)多于減小和增大的類別。由于數(shù)據(jù)集非平衡性會對模型的預(yù)測結(jié)果造成比較大的影響[12]，因此采用SMOTE過采樣的方法增加少數(shù)類別數(shù)據(jù)量，提升模型的預(yù)測準(zhǔn)確率。

1.2.4基于ID3決策樹的冷風(fēng)閥調(diào)節(jié)預(yù)測

在實(shí)際生產(chǎn)環(huán)境中，首先冷風(fēng)閥存在多種調(diào)節(jié)情況，其次人工調(diào)節(jié)存在滯后性，且多人調(diào)節(jié)單臺鍋爐，導(dǎo)致數(shù)據(jù)集中存在噪聲問題。針對以上問題，本文提出了基于決策樹算法的冷風(fēng)閥ODTVA調(diào)節(jié)預(yù)測模型。該模型使用基于ID3決策樹算法進(jìn)行閥門調(diào)節(jié)預(yù)測，針對特征集合存在連續(xù)特征值的問題，通過求解分割點(diǎn)集合，利用分割點(diǎn)將連續(xù)值轉(zhuǎn)換為離散值。決策樹生成算法如下所示：

步驟1：計(jì)算信息熵。針對樣本數(shù)據(jù)集D={x(1),x(2),…,x(n)}，其標(biāo)簽對應(yīng)Y={y(1),y(2),…,y(n)}，首先計(jì)算當(dāng)前樣本集D中的信息熵。

樣本集合D信息熵：

其中，m代表閥門類別集合個(gè)數(shù)，pi表示集合D中第i類別占比。

步驟2：計(jì)算連續(xù)值分割點(diǎn)集合T。針對溫度，壓力等特征是連續(xù)值，首先對基于該特征的數(shù)據(jù)集合進(jìn)行排序，其次對相鄰兩個(gè)特征值求均值t，得到劃分點(diǎn)集合T=[t(1),t(2),…,t(n-1)]。

步驟3：計(jì)算信息增益。決策樹計(jì)算大量數(shù)據(jù)時(shí)，存在連續(xù)特征的信息增益計(jì)算時(shí)間復(fù)雜度過高的問題，因此改進(jìn)了此處的計(jì)算方式。針對鍋爐特征取值上下界范圍較小，而樣本較多的情況，給定一個(gè)較小的參數(shù)step,以max(1,(n·step))為步長，從集合T間隔抽取劃分點(diǎn)，求解基于當(dāng)前劃分點(diǎn)的信息增益，最終求得劃分點(diǎn)集合中最大信息增益的劃分點(diǎn)。

特征A劃分集合的信息熵：

其中，v表示根據(jù)特征A將集合D劃分為v個(gè)子集合，|Dj|表示該子集合中的樣本數(shù)。

特征A劃分信息增益：

Gain(A)=Info(D)-InfoA(D)

步驟4：最大信息增益。依次遍歷當(dāng)前特征集合中所有特征，計(jì)算信息增益最大的特征。根據(jù)當(dāng)前特征進(jìn)行劃分[D1,D2,…,Dv]子集合，并將此特征從特征集合中移除。

步驟5：構(gòu)建子樹。分別對[D1,D2,…,Dv]子集合進(jìn)行遞歸，重復(fù)上述步驟1～4，生成決策子樹。

步驟6：預(yù)剪枝。針對決策樹過擬合和數(shù)據(jù)集中噪聲等問題，采用預(yù)剪枝的方法。當(dāng)存在以下3種情況，即某一子集合所有的樣本屬于同一類時(shí)；或樣本集合中樣本數(shù)小于最小節(jié)點(diǎn)數(shù)n·THRESHOLD時(shí)；或決策樹深度大于等于最大深度MAX_DEPTH時(shí)，將此節(jié)點(diǎn)標(biāo)記為葉節(jié)點(diǎn)，此葉節(jié)點(diǎn)類別為當(dāng)前集合中樣本數(shù)最多的類別。

1.3 入口閥&旁通閥LSWBVA調(diào)節(jié)預(yù)測模型

由閥門相關(guān)系數(shù)可知，入口閥、旁通閥兩者之間存在強(qiáng)相關(guān)性，調(diào)節(jié)時(shí)會一起調(diào)節(jié)。

圖3是入口閥和旁通閥調(diào)節(jié)的示例過程。

圖3 入口閥&旁通閥調(diào)節(jié)示例Fig.3 The example of inlet valve and bypass valve adjustment

當(dāng)取風(fēng)溫度特征處于正常波動，入口閥旁通閥開度穩(wěn)定不變，保證余熱回收利用率。當(dāng)取風(fēng)溫度特征驟升，引起鍋爐內(nèi)部溫度壓力過高，減小入口閥開度，增大旁通閥開度，減少進(jìn)入鍋爐內(nèi)部的熱量。因此入口閥旁通閥的調(diào)節(jié)依賴取風(fēng)溫度特征的時(shí)序性變化。

如圖4所示，由于傳統(tǒng)機(jī)器學(xué)習(xí)算法無法提取數(shù)據(jù)時(shí)序性特征，因此采用深度學(xué)習(xí)長短期記憶網(wǎng)絡(luò)[13](Long Short-Term Memory, LSTM)提取取風(fēng)溫度時(shí)序性特征。該網(wǎng)絡(luò)通過控制遺忘門、輸入輸出門來控制神經(jīng)節(jié)點(diǎn)的遺忘和記憶，有效解決了循環(huán)神經(jīng)網(wǎng)絡(luò)中存在的梯度消失或梯度爆炸等問題。因此LSTM神經(jīng)網(wǎng)絡(luò)可有效學(xué)習(xí)時(shí)序性特征并對時(shí)序性數(shù)據(jù)進(jìn)行預(yù)測。

圖4 LSTM神經(jīng)網(wǎng)絡(luò)單元Fig.4 The unit of LSTM neural network

遺忘門計(jì)算公式如下：

f(t)=σ(ωf·[h(t-1),x(t)]+bf)

其中，ω是隱藏層t-1時(shí)刻輸出h(t-1)與h時(shí)刻輸入x(t)的權(quán)重，bf是偏置，σ為Sigmoid激活函數(shù)，控制細(xì)胞單元中保留和遺忘哪些信息。

輸入門計(jì)算公式如下：

i(t)=σ(ωi·[h(t-1),x(t)]+bi)

g(t)=φ(ωg·[h(t-1),x(t)]+bg)

其中，φ為非線性激活函數(shù)，g(t)是新的記憶信息。σ控制值的更新。

經(jīng)過遺忘門和輸入門，當(dāng)前記憶單元更新單元內(nèi)的記憶狀態(tài)，將該時(shí)刻以及以前的知識有效傳遞。長期狀態(tài)更新公式如下：

S(t)=S(t-1)⊙f(t)+g(t)⊙i(t)

其中，⊙為內(nèi)積運(yùn)算。

輸出門計(jì)算公式如下：

o(t)=σ(ωo·[h(t-1),x(t)]+bo)

h(t)=φ[S(t)]⊙o(t)

通過遺忘門、輸入門和輸出門的控制，LSTM神經(jīng)網(wǎng)絡(luò)可以有效地提取數(shù)據(jù)時(shí)序性特征[14-15]。

因此針對以上入口閥，旁通閥調(diào)節(jié)存在的依賴時(shí)序性特征，以及強(qiáng)相關(guān)特點(diǎn)，提出了入口閥&旁通閥LSWBVA調(diào)節(jié)預(yù)測模型。

1.3.1基于LSTM取風(fēng)溫度異常檢測

由于取風(fēng)溫度存在時(shí)序性以及較少時(shí)刻存在溫度驟升情況，故存在數(shù)據(jù)失衡問題，針對以上問題，提出基于LSTM取風(fēng)溫度異常檢測算法。主要思想是利用正常溫度波動較多的情況檢測異常溫度波動較少的情況。由于大多時(shí)刻取風(fēng)溫度處于正常波動狀態(tài)，因此在溫度驟升時(shí)會出現(xiàn)預(yù)測偏差較大的情況，通過對偏差閾值大小的控制可以有效地預(yù)測取風(fēng)溫度的異常狀態(tài)。該算法預(yù)測流程圖如圖5所示。

圖5 LSTM取風(fēng)溫度異常檢測流程圖Fig.5 The flowchart of extract wind temperature anomaly detection based LSTM

步驟1：輸入特征。利用LSTM滑動窗口，選擇歷史取風(fēng)溫度特征[x(1),x(2),…,x(l)]為輸入特征,其中,l為取風(fēng)溫度歷史步長大小。

步驟3：計(jì)算偏差。計(jì)算真實(shí)溫度均值與預(yù)測溫度均值差值θ,如果θ值大于偏差閾值Δ，則認(rèn)為當(dāng)前溫度異常，需要調(diào)節(jié)入口閥和旁通閥。否則為正常，當(dāng)前入口閥和旁通閥開度不變。

由于該算法通過歷史取風(fēng)溫度預(yù)測當(dāng)前一段時(shí)間內(nèi)取風(fēng)溫度變化。因此需要選取合適的歷史步長l以及當(dāng)前步長r，提高該算法對取風(fēng)溫度變化預(yù)測的精確性。

1.3.2基于BP共享權(quán)值神經(jīng)網(wǎng)絡(luò)的入口閥&旁通閥調(diào)節(jié)預(yù)測

針對入口閥、旁通閥存在強(qiáng)相關(guān)性特點(diǎn)，提出基于BP共享權(quán)值神經(jīng)網(wǎng)絡(luò)的入口閥&旁通閥調(diào)節(jié)預(yù)測算法。通過分析入口閥、旁通閥調(diào)節(jié)數(shù)據(jù)，鍋爐內(nèi)部溫度、壓力特征與入口閥、旁通閥開度狀態(tài)存在明顯的映射關(guān)系。鍋爐內(nèi)部溫度壓力越高，入口閥開度越小，旁通閥開度越大。因此可以直接預(yù)測入口閥，旁通閥開度?；贐P共享權(quán)值神經(jīng)網(wǎng)絡(luò)的入口閥&旁通閥調(diào)節(jié)預(yù)測過程如圖6所示。

圖6 BP共享權(quán)值神經(jīng)網(wǎng)絡(luò)入口閥&旁通閥預(yù)測流程圖Fig.6 The flowchart of inlet valve and bypass valve predicted by BP shared weight neural network

首先數(shù)據(jù)預(yù)處理，將預(yù)測結(jié)果標(biāo)簽化。其次，利用數(shù)據(jù)集訓(xùn)練BP共享權(quán)值神經(jīng)網(wǎng)絡(luò)。最后，計(jì)算真實(shí)值與預(yù)測值的偏差，通過聯(lián)合損失函數(shù)，反向更新網(wǎng)絡(luò)參數(shù)，解決入口閥和旁通閥強(qiáng)相關(guān)性問題。該聯(lián)合損失函數(shù)如下所示：

2 閥門調(diào)節(jié)實(shí)驗(yàn)以及分析

2.1 數(shù)據(jù)集描述

數(shù)據(jù)集來源于某水泥廠余熱發(fā)電系統(tǒng)的AQC鍋爐實(shí)際生產(chǎn)數(shù)據(jù)，間隔時(shí)間1 min。本次研究的數(shù)據(jù)集時(shí)間為2019-04-09至2019-11-13，共計(jì)220 201個(gè)樣本。

冷風(fēng)閥、入口閥、旁通閥閥門調(diào)節(jié)折線圖和直方如圖7所示，由圖7(a)冷風(fēng)閥折線圖可以看出冷風(fēng)閥狀態(tài)波動劇烈，開度調(diào)節(jié)頻繁，從直方圖中可以看出冷風(fēng)閥具有多種開度等級。由圖7(b)入口閥折線圖，圖7(c)旁通閥折線圖可以看出入口閥，旁通閥調(diào)節(jié)較少，狀態(tài)比較穩(wěn)定，且調(diào)節(jié)時(shí)會一起調(diào)節(jié)。從由7(b)入口閥直方圖，以及圖7(c)旁通閥直方圖中可以看出入口閥、旁通閥的開度等級比較固定。綜上所述，該余熱鍋爐主要通過冷風(fēng)閥控制溫度壓力，在特定時(shí)候才會調(diào)節(jié)入口閥、旁通閥。

圖7 閥門調(diào)節(jié)數(shù)據(jù)折線圖和直方圖Fig.7 The line chart and histogram of valve adjustment data

2.2 冷風(fēng)閥調(diào)節(jié)實(shí)驗(yàn)

2.2.1冷風(fēng)閥ODTVA調(diào)節(jié)預(yù)測模型設(shè)計(jì)實(shí)驗(yàn)

為驗(yàn)證冷風(fēng)閥ODTVA調(diào)節(jié)預(yù)測模型有效性，設(shè)計(jì)實(shí)驗(yàn)對比該模型與其他模型預(yù)測結(jié)果。針對數(shù)據(jù)存在不平衡問題，以AUC作為評價(jià)指標(biāo)，比較各調(diào)節(jié)預(yù)測模型的性能表現(xiàn)。

表3 ODTVA調(diào)節(jié)預(yù)測模型參數(shù)設(shè)置Tab.3 Parameter setting of ODTVA adjustment prediction model

由表4、表5得出，決策樹、ODTVA調(diào)節(jié)預(yù)測模型在單天數(shù)據(jù)集中AUC高于0.9，證明了決策樹算法在冷風(fēng)閥操作分類中的有效性。ODTVA調(diào)節(jié)預(yù)測模型相比決策樹調(diào)節(jié)預(yù)測模型，AUC有顯著提升。如圖8混淆矩陣所示，ODTVA調(diào)節(jié)預(yù)測模型可有效提高少數(shù)類別的分類準(zhǔn)確率。在實(shí)際閥門調(diào)節(jié)中，增大，減小類別的準(zhǔn)確率更為重要，因此加入SMOTE過采樣算法可以使調(diào)節(jié)預(yù)測模型效果更好，更加符合實(shí)際調(diào)節(jié)情況。

表4 決策樹調(diào)節(jié)預(yù)測模型單天數(shù)據(jù)預(yù)測Tab.4 Single day data prediction of decision tree adjustment prediction model

表5 ODTVA調(diào)節(jié)預(yù)測模型單天數(shù)據(jù)預(yù)測Tab.5 Single day data prediction of ODTVA adjustment prediction model

圖8 混淆矩陣Fig.8 Confusion matrix

如表6所示，當(dāng)數(shù)據(jù)量增大，決策樹的深度越深，AUC值越低，出現(xiàn)過擬合現(xiàn)象，因此數(shù)據(jù)量較大時(shí)樹深度不該過深。

表6 ODTVA調(diào)節(jié)預(yù)測模型單周數(shù)據(jù)預(yù)測Tab.6 One-week data prediction of ODTVA adjustment prediction model

各調(diào)節(jié)預(yù)測模型實(shí)驗(yàn)結(jié)果如表7所示。

表7 各個(gè)調(diào)節(jié)預(yù)測模型AUC比較Tab.7 AUC comparison of different adjustment prediction model

使用單天數(shù)據(jù)量訓(xùn)練，ODTVA調(diào)節(jié)預(yù)測模型AUC最高為0.962 4，遠(yuǎn)高于其他預(yù)測模型。由于決策樹算法在生成預(yù)測標(biāo)簽時(shí)少數(shù)服從多數(shù)，因此對噪聲有較強(qiáng)的魯棒性，可以修正調(diào)節(jié)數(shù)據(jù)集中的滯后性問題，更適合應(yīng)用于閥門調(diào)節(jié)中。

使用單周數(shù)據(jù)量訓(xùn)練模型，各調(diào)節(jié)預(yù)測模型AUC基本均出現(xiàn)了下降的情況。這是因?yàn)闀r(shí)間增長，數(shù)據(jù)集中噪聲數(shù)據(jù)增多。加入SMOTE算法后各調(diào)節(jié)預(yù)測模型AUC均出現(xiàn)了提升，再次證明SMOTE算法在冷風(fēng)閥門調(diào)節(jié)的有效性。通過對比各個(gè)調(diào)節(jié)預(yù)測模型，冷風(fēng)閥ODTVA調(diào)節(jié)預(yù)測模型在單天以及單周數(shù)據(jù)集中AUC均是最高。證明ODTVA調(diào)節(jié)預(yù)測模型在冷風(fēng)閥操作分類中性能最好。

2.2.2冷風(fēng)閥調(diào)節(jié)仿真實(shí)驗(yàn)

針對冷風(fēng)閥調(diào)節(jié)預(yù)測模型需要應(yīng)用于實(shí)際生產(chǎn)，因此根據(jù)實(shí)際調(diào)節(jié)情況設(shè)計(jì)實(shí)驗(yàn)仿真。使用單周數(shù)據(jù)訓(xùn)練模型，預(yù)測調(diào)節(jié)單天冷風(fēng)閥開度狀態(tài)。比較各調(diào)節(jié)預(yù)測模型閥門預(yù)測開度與實(shí)際真實(shí)開度的MAE以及標(biāo)簽AUC，對比各個(gè)調(diào)節(jié)模型仿真性能。由表7可知，SMOTE算法可以顯著提高各個(gè)模型的AUC，因此將對比冷風(fēng)閥ODTVA調(diào)節(jié)預(yù)測模型與其他過采樣調(diào)節(jié)模型以及LSTM調(diào)節(jié)模型。

仿真調(diào)節(jié)實(shí)驗(yàn)的流程：

步驟1：輸入數(shù)據(jù)X，預(yù)測當(dāng)前閥門操作Y，即增大，不變，減小操作。

步驟2：如果輸出的Y為增大或者減小，將當(dāng)前閥門開度增加或者減小1或2個(gè)等級輸出。如果輸出開度大于閥門最大開度，將該開度設(shè)置為閥門最大開度，如果小于閥門最小開度，將該開度設(shè)置為閥門最小開度，并將下一時(shí)刻輸入數(shù)據(jù)中冷風(fēng)閥門開度替換成該開度。

步驟3：重復(fù)以上兩個(gè)步驟，預(yù)測仿真集中每一時(shí)刻閥門開度。

閥門開度MAE表示閥門真實(shí)開度與預(yù)測開度偏差，MAE越小，預(yù)測開度和真實(shí)開度越接近。標(biāo)簽AUC表示閥門預(yù)測操作的準(zhǔn)確性，AUC越高，余熱鍋爐閥門操作越精準(zhǔn)。仿真結(jié)果如表8所示，相比其他調(diào)節(jié)模型，ODTVA調(diào)節(jié)預(yù)測模型具有更低的MAE以及更高的AUC，證明ODTVA調(diào)節(jié)預(yù)測模型仿真效果最好。

表8 冷風(fēng)閥調(diào)節(jié)實(shí)驗(yàn)仿真結(jié)果Tab.8 The simulation result of cold air valve adjustment experiment

實(shí)驗(yàn)仿真結(jié)果如圖9所示，其中，實(shí)線為真實(shí)值，虛線為預(yù)測值。

從圖9(c)中可以看出LSTM調(diào)節(jié)預(yù)測模型效果最差，雖然LSTM調(diào)節(jié)預(yù)測模型雖然在某些波動劇烈的時(shí)候可以正常預(yù)測，但是由于無法提前對數(shù)據(jù)過采樣，數(shù)據(jù)不平衡，因此仿真結(jié)果較差。從圖9(d)中可以看出SMOTE-SVM調(diào)節(jié)預(yù)測模在某些時(shí)刻預(yù)測較好，但是在某些時(shí)刻呈一條直線，這是因?yàn)殡m然對最終類別進(jìn)行了過采樣，但是在某些閥門開度依舊存在數(shù)據(jù)不平衡問題，因此SMOTE-SVM調(diào)節(jié)預(yù)測模型在某些閥門開度偏向不變類別。從圖9(a)和圖9(b)中可以看出ODTVA和SMOTE-BP調(diào)節(jié)預(yù)測模型在實(shí)際預(yù)測中可以較好地調(diào)節(jié)。如表8所示，與SMOTE-BP調(diào)節(jié)預(yù)測模型相比，ODTVA調(diào)節(jié)預(yù)測模型AUC更高，表示ODTVA調(diào)節(jié)預(yù)測模型調(diào)節(jié)更加精準(zhǔn)。從圖9(b)中也可得出SMOTE-BP調(diào)節(jié)預(yù)測模型實(shí)際仿真中波動更加劇烈，而圖9(a)中ODTVA調(diào)節(jié)預(yù)測模型仿真結(jié)果則具有更好的穩(wěn)定性。實(shí)際生產(chǎn)中閥門調(diào)節(jié)穩(wěn)定性越高越好，因此ODTVA調(diào)節(jié)預(yù)測模型更加符合實(shí)際情況。其次，如表8所示，ODTVA調(diào)節(jié)預(yù)測模型的MAE比SMOTE-BP調(diào)節(jié)預(yù)測模型更低，從圖9(a)中也可得出ODTVA調(diào)節(jié)預(yù)測模型相比圖9(b)中SMOTE-BP調(diào)節(jié)預(yù)測模型具有更好的擬合效果。通過對比以上各個(gè)模型，證明了ODTVA調(diào)節(jié)預(yù)測模型在冷風(fēng)閥仿真調(diào)節(jié)中的效果最好。

圖9 冷風(fēng)閥調(diào)節(jié)仿真Fig.9 The simulation result of cold air valve adjustment

2.3 入口閥和旁通閥調(diào)節(jié)實(shí)驗(yàn)

2.3.1基于LSTM取風(fēng)溫度異常檢測實(shí)驗(yàn)

輸入層單元個(gè)數(shù)表示歷史步長，輸出層單元個(gè)數(shù)表示當(dāng)前步長。為防止過擬合，在訓(xùn)練時(shí)加入了Dropout。表10是各參數(shù)的算法結(jié)果。

表9 LSTM神經(jīng)網(wǎng)絡(luò)參數(shù)設(shè)置Tab.9 Parameter setting of LSTM neural network

表10 不同參數(shù)實(shí)驗(yàn)結(jié)果比較Tab.10 Comparison of experimental results with different parameters

通過以上實(shí)驗(yàn)對比，LSTM滑動窗口歷史步長l為10，當(dāng)前步長r為3，Val Loss最低。歷史步長l為20，當(dāng)前步長r為5，測試集的均值MAE最低，表示根據(jù)前20 min預(yù)測后5 min，誤差最小。當(dāng)l為30，r為10，Val Loss以及均值MAE誤差增大。由于該算法通過比較均值誤差判斷當(dāng)前鍋爐取風(fēng)溫度是否異常，因此選用歷史步長為20，當(dāng)前步長為5構(gòu)建LSWBVA調(diào)節(jié)預(yù)測模型。

2.3.2基于BP共享權(quán)值神經(jīng)網(wǎng)絡(luò)的入口閥&旁通閥預(yù)測實(shí)驗(yàn)

表11 BP共享權(quán)值神經(jīng)網(wǎng)絡(luò)參數(shù)設(shè)置Tab.11 Parameter setting of BP shared weight neural network

由于入口閥旁通閥調(diào)節(jié)樣本較少，類別沒有失衡問題，因此直接對比各個(gè)參數(shù)下算法的準(zhǔn)確率評估算法性能。如表12所示，BP共享權(quán)值神經(jīng)網(wǎng)絡(luò)入口閥，旁通閥開度預(yù)測，平均準(zhǔn)確率為83.95%，證明BP共享權(quán)值神經(jīng)網(wǎng)絡(luò)可以有效地同時(shí)預(yù)測入口閥、旁通閥開度。

表12 入口閥&旁通閥預(yù)測實(shí)驗(yàn)結(jié)果Tab.12 The result of inlet valve and bypass valve prediction experiment

2.3.3LSTM取風(fēng)溫度預(yù)測仿真實(shí)驗(yàn)

為驗(yàn)證LSTM取風(fēng)溫預(yù)測算法可有效檢測取風(fēng)溫度的異常上升，利用該模型對調(diào)節(jié)示例中的取風(fēng)溫度仿真預(yù)測，如圖10所示，其中，實(shí)線為真實(shí)均值，虛線為預(yù)測均值?；贚STM神經(jīng)網(wǎng)絡(luò)的取風(fēng)溫度仿真預(yù)測結(jié)果基本吻合真實(shí)狀態(tài)下的溫度均值，在溫度驟增時(shí)出現(xiàn)真實(shí)值與預(yù)測值偏差過大的問題，真實(shí)值均值遠(yuǎn)遠(yuǎn)大于預(yù)測值均值。由于在此處出現(xiàn)了溫度驟升的情況，相應(yīng)需要減小入口閥開度，增大旁通閥開度。因此通過設(shè)置合適的偏差閾值，計(jì)算真實(shí)均值與預(yù)測均值偏差程度，如果大于給定的偏差閾值，即認(rèn)為需要調(diào)節(jié)入口閥、旁通閥。仿真實(shí)驗(yàn)表明，該算法可有效預(yù)測入口閥、旁通閥的調(diào)節(jié)時(shí)機(jī)，最大限度的利用余熱能源，符合實(shí)際的生產(chǎn)需要。

圖10 取風(fēng)溫度仿真預(yù)測結(jié)果Fig.10 The result of extract wind temperature simulation prediction

2.3.4入口閥、旁通閥調(diào)節(jié)仿真實(shí)驗(yàn)

為驗(yàn)證入口閥、旁通閥LSWBVA調(diào)節(jié)預(yù)測模型在實(shí)際應(yīng)用中的有效性，利用該模型對調(diào)節(jié)示例入口閥，旁通閥仿真預(yù)測。仿真實(shí)驗(yàn)結(jié)果如圖11所示，分別是LSWBVA和BP共享權(quán)值神經(jīng)網(wǎng)絡(luò)調(diào)節(jié)預(yù)測模型的入口閥、旁通閥調(diào)節(jié)仿真。

其中實(shí)線為真實(shí)值，虛線為預(yù)測值。從圖11(c)中可以看出由于BP共享權(quán)值神經(jīng)網(wǎng)絡(luò)調(diào)節(jié)預(yù)測模型無法提取取風(fēng)溫度數(shù)據(jù)的時(shí)序性特征，判斷當(dāng)前溫度曲線變化是否需要調(diào)節(jié)入口閥和旁通閥，只能根據(jù)當(dāng)前鍋爐內(nèi)部的溫度特征對閥門進(jìn)行調(diào)節(jié)，因此在取風(fēng)溫度波動穩(wěn)定時(shí)，也會調(diào)節(jié)入口閥、旁通閥。實(shí)際調(diào)節(jié)中取風(fēng)溫度波動穩(wěn)定時(shí)主要通過調(diào)節(jié)冷風(fēng)閥控制鍋爐內(nèi)部溫度，只有在溫度驟升時(shí)才調(diào)節(jié)入口閥和旁通閥來控制進(jìn)入鍋爐內(nèi)部的熱量。從圖11(a)中可以看出LSWBVA調(diào)節(jié)預(yù)測模型通過LSTM提取取風(fēng)溫度的時(shí)序性特征，對鍋爐取風(fēng)溫度異常檢測，在鍋爐溫度驟升時(shí)通過BP共享權(quán)值神經(jīng)網(wǎng)絡(luò)調(diào)節(jié)入口閥和旁通閥，溫度穩(wěn)定時(shí)保持閥門開度不變。因此LSWBVA調(diào)節(jié)預(yù)測模型相比BP共享權(quán)值神經(jīng)網(wǎng)絡(luò)調(diào)節(jié)預(yù)測模型，提高了余熱能源利用率。

圖11 LSWBVA、BP調(diào)節(jié)預(yù)測模型實(shí)驗(yàn)仿真結(jié)果Fig.11 The simulation result of LSWBVA and BP adjustment prediction model experiment

3 結(jié)論

針對傳統(tǒng)AQC余熱鍋爐閥門調(diào)節(jié)依賴人工經(jīng)驗(yàn)的問題，本文提出了一種數(shù)據(jù)融合驅(qū)動的余熱鍋爐閥門調(diào)節(jié)方法。首先，通過對原始數(shù)據(jù)預(yù)處理，挖掘閥門調(diào)節(jié)與鍋爐溫度壓力內(nèi)部特征的關(guān)系；其次，在此基礎(chǔ)上提出了冷風(fēng)閥ODTVA調(diào)節(jié)預(yù)測模型，仿真實(shí)驗(yàn)表明，該模型具有更好的閥門開度擬合效果；最后，利用LSTM模型對取風(fēng)溫度特征狀態(tài)進(jìn)行監(jiān)測，再通過BP共享權(quán)值神經(jīng)網(wǎng)絡(luò)對入口閥旁通閥同時(shí)調(diào)節(jié)。仿真實(shí)驗(yàn)結(jié)果表明，入口閥&旁通閥LSWBVA調(diào)節(jié)預(yù)測模型可有效地檢測取風(fēng)溫度驟升異常情況，精準(zhǔn)調(diào)節(jié)入口閥和旁通閥，相比單獨(dú)對入口閥旁通閥調(diào)節(jié)，更加符合實(shí)際的實(shí)際調(diào)節(jié)操作，提高了能源利用率。由此證明了數(shù)據(jù)融合驅(qū)動的余熱鍋爐閥門調(diào)節(jié)方法在AQC余熱鍋爐閥門調(diào)節(jié)中的有效性。