基于改進(jìn)即時(shí)學(xué)習(xí)算法的吸收塔pH值軟測量技術(shù)研究

李建強(qiáng)，楊紅，牛成林

基于改進(jìn)即時(shí)學(xué)習(xí)算法的吸收塔pH值軟測量技術(shù)研究

李建強(qiáng)，楊紅，牛成林

（華北電力大學(xué) 能源動(dòng)力與機(jī)械工程學(xué)院，河北 保定 071003）

針對火電廠脫硫系統(tǒng)工作過程中存在非線性、時(shí)變性、多變量等問題，提出了一種基于改進(jìn)即時(shí)學(xué)習(xí)算法的脫硫系統(tǒng)吸收塔漿液pH值軟測量模型。在選擇即時(shí)學(xué)習(xí)算法相似樣本時(shí)，為了充分考慮輸入變量與輸出變量之間的相關(guān)性，采用一種基于偏最小二乘法（partial least squares，PLS）的相似準(zhǔn)則確定系統(tǒng)當(dāng)前工作點(diǎn)的建模鄰域，利用得到的建模鄰域建立基于最小二乘支持向量機(jī)（least squares support vector machine，LSSVM）的局部模型預(yù)測當(dāng)前pH值。將該方法應(yīng)用于脫硫系統(tǒng)吸收塔pH值建模仿真，結(jié)果表明，該軟測量模型具有良好的預(yù)測性能。

漿液pH值；軟測量；即時(shí)學(xué)習(xí)；PLS；LSSVM

0 引言

石灰石/石膏濕法煙氣脫硫技術(shù)在我國大型燃煤鍋爐煙氣脫硫技術(shù)中占據(jù)主導(dǎo)地位[1]。吸收塔漿液pH值是石灰石/石膏濕法煙氣脫硫系統(tǒng)中重要的控制參數(shù)之一，同時(shí)也是影響脫硫效率、吸收劑利用率的主要因素[2]。在實(shí)際運(yùn)行過程中，pH值測量實(shí)時(shí)性差，并且pH計(jì)工作環(huán)境惡劣，儀器表頭易磨損，易導(dǎo)致漿液pH測量值失真，影響系統(tǒng)的長期穩(wěn)定運(yùn)行[3]。

脫硫系統(tǒng)涉及的機(jī)理復(fù)雜，并且具有非線性、時(shí)變性，難以建立準(zhǔn)確的漿液pH值機(jī)理模型。隨著神經(jīng)網(wǎng)絡(luò)、支持向量機(jī)等智能建模方法的興起，基于數(shù)據(jù)驅(qū)動(dòng)的軟測量方法在脫硫系統(tǒng)中得到了廣泛的應(yīng)用。文獻(xiàn)[4]提出了基于BP神經(jīng)網(wǎng)絡(luò)的漿液pH值的預(yù)測模型。文獻(xiàn)[5]提出一種改進(jìn)的LSSVM建立pH值軟測量模型，并用現(xiàn)場數(shù)據(jù)進(jìn)行了驗(yàn)證。文獻(xiàn)[6]運(yùn)用長短期記憶神經(jīng)網(wǎng)絡(luò)實(shí)現(xiàn)了pH值預(yù)測，得到了精度較高的預(yù)測結(jié)果。以上均為離線建立全局模型，適用于工況穩(wěn)定的情形，而系統(tǒng)實(shí)際運(yùn)行過程具有時(shí)變性，影響其工況的各種因素會(huì)隨時(shí)間發(fā)生變化，故單一固定的非線性模型往往難以對過程進(jìn)行長時(shí)間精確匹配。因此，需建立一種能夠跟隨工況特性自適應(yīng)更新的脫硫系統(tǒng)漿液pH值軟測量模型。

目前，即時(shí)學(xué)習(xí)方法已經(jīng)被廣泛應(yīng)用于工業(yè)過程建模中，用該方法建立的模型能夠跟隨工況自動(dòng)調(diào)整。文獻(xiàn)[7]將即時(shí)學(xué)習(xí)算法用于脫硝系統(tǒng)建模，預(yù)測精度和實(shí)時(shí)性均滿足要求。文獻(xiàn)[8]提出一種基于云模型相似性度量的改進(jìn)即時(shí)學(xué)習(xí)算法，實(shí)現(xiàn)了球磨機(jī)料位的實(shí)時(shí)準(zhǔn)確檢測。文獻(xiàn)[9]提出一種基于子空間相似度的即時(shí)學(xué)習(xí)方法，用于石油動(dòng)液面軟測量，且效果顯著。

在基于即時(shí)學(xué)習(xí)策略的軟測量建模中，學(xué)習(xí)集的選擇、建模方法以及數(shù)據(jù)庫質(zhì)量決定了模型的性能[10-11]。傳統(tǒng)的即時(shí)學(xué)習(xí)算法一般根據(jù)輸入空間樣本的距離和角度衡量相似度，僅考慮了輸入變量之間的關(guān)系，尚未考慮輸入變量與輸出變量的相關(guān)性。因此，本文采用基于PLS的相似準(zhǔn)則未選擇相似樣本，利用PLS提取出與輸出最相關(guān)的潛變量進(jìn)行相似性計(jì)算，并在原始空間尋找對應(yīng)的相似樣本，利用得到的相似樣本建立基于LSSVM的pH值預(yù)測模型。最后，基于電廠脫硫系統(tǒng)實(shí)際運(yùn)行數(shù)據(jù)進(jìn)行吸收塔漿液pH值建模仿真，驗(yàn)證該方法的有效性。

1 基于即時(shí)學(xué)習(xí)的在線建模方法

1.1 即時(shí)學(xué)習(xí)算法基本思想

即時(shí)學(xué)習(xí)算法是一種在線自適應(yīng)建模方法，該算法基于相似建模輸入會(huì)產(chǎn)生相似輸出的思想。對當(dāng)前詢問樣本，從數(shù)據(jù)庫中搜索與當(dāng)前狀態(tài)相似的歷史樣本進(jìn)行局部建模，預(yù)測當(dāng)前測點(diǎn)的輸出值，不斷更新模型，使模型能夠跟隨工況的變化。與全局模型相比，即時(shí)學(xué)習(xí)算法建模所需的樣本少，具有在線自適應(yīng)能力。全局模型與即時(shí)學(xué)習(xí)模型結(jié)構(gòu)對比如圖1所示。

圖1 全局模型與即時(shí)學(xué)習(xí)結(jié)構(gòu)示意圖

1.2 學(xué)習(xí)集的選擇

當(dāng)前工作點(diǎn)與歷史數(shù)據(jù)樣本相似度計(jì)算公式：

式中：表示加權(quán)系數(shù)，介于0至1之間。

設(shè)定局部模型的學(xué)習(xí)集樣本個(gè)數(shù)，根據(jù)計(jì)算出的相似度值的大小選出最相似的個(gè)歷史數(shù)據(jù)樣本作為局部模型的學(xué)習(xí)集：

1.3 局部模型的建立

LSSVM是一種小樣本建模方法，能很好地處理非線性問題，并且計(jì)算簡單，適用于即時(shí)學(xué)習(xí)算法的局部建模。LSSVM是支持向量機(jī)的一種改進(jìn)算法[12]。根據(jù)結(jié)構(gòu)風(fēng)險(xiǎn)最小化原則，引入松弛變量和懲罰系數(shù)，函數(shù)擬合問題轉(zhuǎn)化為優(yōu)化問題：

式中：表示權(quán)重向量；e表示松弛變量；表示懲罰系數(shù)；()表示非線性映射函數(shù)；為偏差項(xiàng)。

引入拉格朗日函數(shù)求解該問題，原函數(shù)求解問題轉(zhuǎn)化為：

根據(jù)KKT條件，在二維空間解得擬合模型：

核函數(shù)的選取對模型的性能具有一定的影響，本文采用的是高斯徑向基核函數(shù)，表達(dá)式如下：

2 基于PLS相似準(zhǔn)則的即時(shí)學(xué)習(xí)算法

2.1 偏最小二乘法

偏最小二乘法（PLS）是一種新型的多元數(shù)據(jù)統(tǒng)計(jì)分析方法。與主成分分析相比，PLS提取主成分時(shí)更加注重其與輸出變量之間的相關(guān)性[13]。

假設(shè)表示×維輸入變量矩陣，表示×1維輸出矩陣。PLS算法流程如下：

（1）將和進(jìn)行中心化處理，得到標(biāo)準(zhǔn)化矩陣0，0。

（2）按照相關(guān)性最大原則提取第一主成分1和1，并使1和1盡可能多地提取所在變量組的變異信息，計(jì)算公式如下：

（3）建立0和0對1的回歸模型：

式中：1和1為殘差矩陣；1和1表示回歸系數(shù)向量。

1和1的最小二乘估計(jì)分別為：

（4）檢查殘差項(xiàng)是否滿足精度要求。若滿足，則終止提??；否則，將1和1代替0和0，按式（9）～（11）提取主成分2。重復(fù)以上過程，直到精度滿足要求為止。

若提取主成分次可以滿足要求，記主成分=[1,2,···,t]，則原始空間輸入變量與潛變量空間主成分之間的關(guān)系如下：

2.2 基于PLS的相似準(zhǔn)則

傳統(tǒng)的即時(shí)學(xué)習(xí)相似度計(jì)算方法主要依據(jù)樣本輸入空間的歐氏距離以及角度信息，如式（2）。該方法沒有把輸入變量與輸出變量的相關(guān)性考慮進(jìn)去。實(shí)際上，不同的輸入變量對輸出變量的影響程度不同，應(yīng)該在相關(guān)性較大的變量方向上選擇距離較近的樣本進(jìn)行建模。因此，本文借鑒文獻(xiàn)[14]的相似計(jì)算方法，利用PLS進(jìn)行成分提取，進(jìn)而在潛變量空間進(jìn)行相似性計(jì)算。

對于詢問樣本q，將其利用歷史數(shù)據(jù)庫的標(biāo)準(zhǔn)化參數(shù)進(jìn)行預(yù)處理：

將處理后的詢問樣本投影在潛變量空間，得到詢問樣本的隱變量q，計(jì)算公式如下：

在隱變量空間中計(jì)算歷史樣本與查詢樣本的歐式距離和相似度：

式中：sj表示第個(gè)歷史樣本的隱變量，即矩陣的第行（=1,2,···,）。

根據(jù)相似度大小，選擇對應(yīng)原始空間中最相似的樣本作為學(xué)習(xí)集，進(jìn)行局部建模。

2.3 算法總體流程

本文提出一種基于PLS相似準(zhǔn)則的即時(shí)學(xué)習(xí)軟測量方法，用于吸收塔漿液pH值軟測量建模中。為了保證數(shù)據(jù)庫樣本規(guī)模，采用經(jīng)典滑動(dòng)窗口方法動(dòng)態(tài)更新歷史數(shù)據(jù)庫。算法主要流程如下：

步驟1：采集相關(guān)輸入輸出數(shù)據(jù)。

步驟2：PLS相似準(zhǔn)則選取學(xué)習(xí)集。根據(jù)歷史數(shù)據(jù)建立PLS隱空間模型，當(dāng)查詢樣本到來時(shí)，采用PLS相似準(zhǔn)則選擇出最相似的樣本集合。

步驟3：模型訓(xùn)練。使用相似樣本建立LSSVM模型，得到當(dāng)前工作點(diǎn)的局部訓(xùn)練模型。

步驟4：輸出預(yù)測值。對查詢樣本進(jìn)行預(yù)測，并丟棄該模型。

步驟5：數(shù)據(jù)庫更新。若該樣本可用，采用滑動(dòng)窗口更新數(shù)據(jù)庫樣本。

步驟6：待下一個(gè)測試樣本到來，重復(fù)步驟2～5。

3 吸收塔漿液pH值軟測量

3.1 數(shù)據(jù)采集與處理

在石灰石/石膏濕法煙氣脫硫系統(tǒng)中，鍋爐燃燒產(chǎn)生的煙氣經(jīng)過換熱器降溫后從吸收塔下側(cè)的煙道進(jìn)入吸收塔內(nèi)部，循環(huán)漿液從吸收塔頂部經(jīng)過噴嘴噴出，與自下而上的煙氣進(jìn)行逆向接觸，吸收煙氣中的SO2、SO3等污染氣體，最終得到脫硫副產(chǎn)品二水石膏（CaSO4·2H2O）。脫硫系統(tǒng)吸收塔結(jié)構(gòu)如圖2所示。

圖2 脫硫系統(tǒng)吸收塔結(jié)構(gòu)圖

吸收塔內(nèi)部發(fā)生包含著固、液、氣三相的復(fù)雜化學(xué)反應(yīng)，對pH值的影響因素較多?；趯ο到y(tǒng)工藝研究及參考文獻(xiàn)中使用的變量，選擇對吸收塔漿液pH值影響較大的9個(gè)變量作為輸入變量[15-17]，分別為機(jī)組負(fù)荷、原煙氣流量、原煙氣SO2質(zhì)量濃度、原煙氣氧氣含量、原煙氣煙塵濃度、原煙氣溫度、漿液密度、脫硫效率、石灰石漿液流量。

采集某電廠脫硫系統(tǒng)連續(xù)4天的運(yùn)行數(shù)據(jù)，采樣間隔1 min，共5 760組。DCS采集的數(shù)據(jù)點(diǎn)可能會(huì)出現(xiàn)異常，因此，利用拉依達(dá)準(zhǔn)則剔除樣本中的粗大誤差點(diǎn)。

剔除異常數(shù)據(jù)后樣本共計(jì)4 500組，并進(jìn)行五點(diǎn)三次濾波處理。前3 000組為訓(xùn)練數(shù)據(jù)庫，后1 500組用于在線測試數(shù)據(jù)，采集的數(shù)據(jù)機(jī)組負(fù)荷變化趨勢如圖3所示。各變量的變化范圍如表1。

圖3 機(jī)組負(fù)荷變化曲線

表1 輸入變量與取值范圍

3.2 建立模型

利用本文提出的方法建立軟測量模型。LSSVM建模過程中的優(yōu)化參數(shù)(,)由網(wǎng)格搜索法和十折交叉驗(yàn)證方法確定。采用均方根誤差（root mean square error，RMSE）、平均相對誤差（mean relative error，MRE）、最大相對誤差（maximum relative error，MAXRE）作為模型的評價(jià)指標(biāo)。

局部建模學(xué)習(xí)集的大小對模型預(yù)測能力有較大影響。圖4給出不同學(xué)習(xí)集樣本個(gè)數(shù)對模型準(zhǔn)確性的影響。從圖中可以看出，當(dāng)在70～130時(shí)，誤差最小，整體波動(dòng)不大。同時(shí)建模樣本越多，建模計(jì)算量越大。綜合考慮建模的準(zhǔn)確性和建模耗時(shí)，選取學(xué)習(xí)集樣本個(gè)數(shù)為90。

圖4 不同建模樣本個(gè)數(shù)對模型準(zhǔn)確度的影響

3.3 模型對比與結(jié)果分析

為了驗(yàn)證模型效果，采用相同數(shù)據(jù)庫，分別建立離線全局模型（LSSVM）、基于傳統(tǒng)距離角度加權(quán)的即時(shí)學(xué)習(xí)模型（JLSSVM），并與本文提出方法（PLS-JLSSVM）進(jìn)行對比；其中JLSSVM算法加權(quán)系數(shù)值取0.6，同樣采用滑動(dòng)窗口方法更新歷史數(shù)據(jù)庫。3種模型的各個(gè)指標(biāo)結(jié)果對比如表2所示，各模型的結(jié)果對比如圖5所示。

表2 模型評價(jià)指標(biāo)計(jì)算結(jié)果

從表2中可以看出，基于離線全局建模的預(yù)測性能最差，RMSE、MRE和MAXRE均較大，分別為0.17%、2.46%和8.19%。由圖5可以看出，基于LSSVM全局離線方法的預(yù)測結(jié)果與實(shí)際值曲線走勢相似，但是誤差與其他兩種方法對比明顯較大。這是因?yàn)槿蛛x線模型缺乏在線更新能力，無法處理復(fù)雜工業(yè)過程的時(shí)變特征，當(dāng)測試工況與建模樣本差別較大時(shí)，會(huì)出現(xiàn)模型退化的現(xiàn)象。相反，采用基于即時(shí)學(xué)習(xí)策略的JLSSVM算法和PLS-JLSSVM算法建立的模型都有較好的預(yù)測性能。從圖5中可以看出，預(yù)測結(jié)果與實(shí)際運(yùn)行趨勢基本一致，模型可以迎合系統(tǒng)工況的變化進(jìn)行實(shí)時(shí)建模，體現(xiàn)了即時(shí)學(xué)習(xí)在處理具有時(shí)變特性的連續(xù)工業(yè)過程的優(yōu)勢。

對比JLSSVM與PLS-JLSSVM兩種即時(shí)學(xué)習(xí)建模方法，RMSE分別為0.026 9和0.014 5，MRE分別為0.317%和0.139 8%，MAXRE分別為4.10%和3.08%，同時(shí)對比仿真曲線，可以看出：基于PLS相似度準(zhǔn)則的即時(shí)學(xué)習(xí)方法有更好的預(yù)測效果。相比JLSSVM，PLS-JLSSVM算法在pH值變化波動(dòng)明顯的區(qū)域也具有較好的跟隨性。這也說明考慮了輸入與輸出變量相關(guān)性的相似度計(jì)算方法，選擇的學(xué)習(xí)集更加合理，與當(dāng)前工況樣本有較高的相似性，預(yù)測精度更高。

4 結(jié)論

本文提出了一種基于改進(jìn)即時(shí)學(xué)習(xí)算法的脫硫系統(tǒng)吸收塔漿液pH值軟測量方法。引入基于PLS的相似度準(zhǔn)則用于學(xué)習(xí)集的選擇，并建立基于LSSVM的局部模型。將該模型與全局模型和傳統(tǒng)的即時(shí)學(xué)習(xí)算法進(jìn)行仿真對比，對比結(jié)果表明：提出的PLS-JLSSVM模型通過考慮輸入變量與輸出變量之間的相關(guān)性，使學(xué)習(xí)集的選擇更加合理，具有更好的預(yù)測效果。

[1] 趙雪, 程茜, 侯俊先. 脫硫脫硝行業(yè)2017年發(fā)展綜述[J].中國環(huán)保產(chǎn)業(yè), 2018(7): 10-24.

ZHAO XUE, CHENG XI, HOU JUNXIAN. Development report on desulfurization and denitration industry in 2017[J]. China Environmental Protection Industry, 2018(7): 10-24(in Chinese).

[2] 郭志, 劉志敏. pH分區(qū)供漿模式強(qiáng)化氣動(dòng)旋流塔濕法脫硫效率[J]. 環(huán)境工程學(xué)報(bào), 2021, 15(2): 635-642.

GUO ZHI, LIU ZHIMIN. Wet desulfurization efficiency based on dual-pH slurry supply coupled aerodynamic swirl tower[J]. Chinese Journal of Environmental Engineering, 2021, 15(2): 635-642(in Chinese).

[3] 季可申. 淺談燃煤電廠煙氣脫硫系統(tǒng)pH測定存在的問題和維護(hù)要點(diǎn)[J]. 科技與創(chuàng)新, 2019(16): 42-43.

[4] 程換新, 于沙家. BP神經(jīng)網(wǎng)絡(luò)預(yù)測技術(shù)在脫硫系統(tǒng)pH值中的應(yīng)用[J]. 甘肅科學(xué)學(xué)報(bào), 2016, 28(1): 69-72.

CHENG HUANXIN, YU SHAJIA. Application of bp neural network forecasting technology in pH value of desulfurization system[J]. Journal of Gansu Sciences, 2016, 28(1): 69-72(in Chinese).

[5] 喬宗良, 張蕾, 周建新, 等. 一種改進(jìn)的CPSO-LSSVM軟測量模型及其應(yīng)用[J]. 儀器儀表學(xué)報(bào), 2014, 35(1): 234-240.

QIAO ZONGLIANG, ZHANG LEI, ZHOU JIANXIN, et al. Soft sensor modeling method based on improved CPSO-LSSVM and its applications[J]. Chinese Journal of Scientific Instrument, 2014, 35(1): 234-240(in Chinese).

[6] 崔博洋, 王永林, 王云, 等. 基于長短期記憶神經(jīng)網(wǎng)絡(luò)的吸收塔pH值預(yù)測模型[J]. 華電技術(shù), 2020, 42(9): 32-36.

CUI BOYANG, WANG YONGLIN, WANG YUN, et al. Prediction model for the pH value of absorption tower slurry based on LSTM neural networks[J]. Huadian Technology, 2020, 42(9): 32-36(in Chinese).

[7] 董澤, 馬寧, 任林, 等. 基于變量相關(guān)性自適應(yīng)即時(shí)學(xué)習(xí)算法的火電廠SCR脫硝系統(tǒng)建模[J]. 華北電力大學(xué)學(xué)報(bào)(自然科學(xué)版), 2019, 46(2): 83-90.

DONG ZE, MA NING, REN LIN, et al. Power plant SCR denitration system modeling based on variable correlation self-adaptive just-in-time learning[J]. Journal of North China Electric Power University(Natural Science Edition), 2019, 46(2): 83-90(in Chinese).

[8] 賈松達(dá), 丁潔, 閻高偉. 基于改進(jìn)即時(shí)學(xué)習(xí)算法的球磨機(jī)料位軟測量[J]. 計(jì)算機(jī)工程與設(shè)計(jì), 2018, 39(4): 1011-1016.

JIA SONGDA, DING JIE, YAN GAOWEI. Soft sensor for ball mill fill level based on enhanced just-in-time learning algorithm[J]. Computer Engineering and Design, 2018, 39(4): 1011-1016(in Chinese).

[9] 王通, 高憲文, 劉文芳. 基于改進(jìn)即時(shí)學(xué)習(xí)算法的動(dòng)液面軟測量建模[J]. 東北大學(xué)學(xué)報(bào)(自然科學(xué)版), 2015, 36(7): 918-922.

WANG TONG, GAO XIANWEN, LIU WENFANG. Soft sensor for determination of dynamic fluid levels based on enhanced just-in-time learning algorithm[J]. Journal of Northeastern University(Natural Science Edition), 2015, 36(7): 918-922(in Chinese).

[10] SONG Y, REN M. A novel just-in-time learning strategy for soft sensing with improved similarity measure based on mutual information and PLS[J]. Sensors, 2020, 20(13): 3804.

[11] 易誠明, 周平, 柴天佑. 基于即時(shí)學(xué)習(xí)的高爐煉鐵過程數(shù)據(jù)驅(qū)動(dòng)自適應(yīng)預(yù)測控制[J]. 控制理論與應(yīng)用, 2020, 37(2): 295-306.

YI CHENGMING, ZHOU PING, CHAI TIANYOU. Data-driven just-in-time learning based adaptive predictive control for blast furnace ironmaking[J]. Control Theory & Applications, 2020, 37(2): 295-306(in Chinese).

[12] JIAN L, SHEN S, LI J, et al. Budget online learning algorithm for least squares SVM[J]. IEEE transactions on neural networks and learning systems, 2017, 28(9): 2076-2087.

[13] 孔祥玉, 李強(qiáng), 安秋生, 等. 基于偏最小二乘得分重構(gòu)的質(zhì)量相關(guān)故障檢測[J]. 控制理論與應(yīng)用, 2020, 37(11): 2321-2332.

KONG XIANGYU, LI QIANG, AN QIUSHENG, et al. Quality-related fault detection based on the score reconstruction associated with partial least squares[J]. Control Theory & Applications, 2020, 37(11): 2321-2332(in Chinese).

[14] YUAN X, HUANG B, GE Z, et al. Double locally weighted principal component regression for soft sensor with sample selection under supervised latent structure[J]. Chemometrics and Intelligent Laboratory Systems, 2016, 153: 116-125.

[15] 金秀章, 景昊. 基于LSTM的濕法煙氣脫硫漿液pH值建模[J]. 信息技術(shù)與網(wǎng)絡(luò)安全, 2020, 39(8): 62-66.

JIN XIUZHANG, JING HAO. Modeling of pH value of wet flue gas desulfurization slurry based on LSTM[J]. Information Technology and Network Security, 2020, 39(8): 62-66(in Chinese).

[16] 方春健, 陸永耕, 吳陽, 等. 基于小波神經(jīng)網(wǎng)絡(luò)的脫硫系統(tǒng)pH值預(yù)測研究[J]. 機(jī)電信息, 2017(18): 106-107.

[17] 蘇少龍, 曲曉龍, 鐘讀樂, 等. 工業(yè)煙氣脫硫工藝進(jìn)展[J]. 無機(jī)鹽工業(yè), 2019, 51(11): 13-15.

SU SHAOLONG, QU XIAOLONG, ZHONG DULE, et al. Progress of industrial flue gas desulfurization process[J]. Inorganic Chemicals Industry, 2019, 51(11): 13-15(in Chinese).

Research on Soft Sensor Technology of the pH Value of Absorption Tower Based on Improved Just-in-time Learning Algorithm

LI Jianqiang, YANG Hong, NIU Chenglin

(School of Energy Power and Mechanical Engineering, North China Electric Power University, Baoding 071003, China)

To solve the problems such as nonlinear, time-varying and multivariable in the desulfurization system of thermal power plant, a soft sensor model of the pH value of the absorption tower in desulfurization system based on improved just-in-time learning algorithm was proposed. In the selection of similar samples in just-in-time learning algorithm, in order to fully consider the correlation between input and output variables, a similarity criterion based on partial least squares (PLS) was used to determine the modeling neighborhood of the current operating point of the system. Through the obtained modeling neighborhood, a local model based on least-squares support vector machine (LSSVM) was established to predict the current pH value. This method was applied to the pH value modeling and simulation of absorption tower in desulfurization system. The results show that the soft sensor model has good prediction performance.

pH value of slurry; soft sensor; just-in-time learning; PLS; LSSVM

10.3969/j.ISSN.1672-0792.2021.08.008

TM621

A

1672-0792(2021)08-0060-07

2021-03-09

李建強(qiáng)（1976—），男，副教授，研究方向?yàn)閿?shù)據(jù)挖掘在電站優(yōu)化運(yùn)行中的應(yīng)用；

楊 紅（1995—），女，碩士研究生，研究方向?yàn)殡姀S關(guān)鍵參數(shù)軟測量技術(shù)；

牛成林（1980—），女，講師，研究方向?yàn)榇笮蜋C(jī)組智能優(yōu)化控制。