《電子技術(shù)應(yīng)用》
您所在的位置：首頁 > 其他 > 设计应用 > 基于特征选择的IPSO-GRU脱硫系统出口SO2浓度预测模型
基于特征选择的IPSO-GRU脱硫系统出口SO2浓度预测模型
网络安全与数据治理 2期
杨兆祥，金秀章
(华北电力大学 控制与计算机工程学院，河北 保定071003)
摘要： 针对燃煤电厂在吹扫等过程中脱硫系统出口 SO2浓度的不能及时检测的问题，提出了一种基于特征选择的改进粒子群优化算法优化门控循环单元神经网络(IPSO-GRU)的脱硫系统出口 SO2浓度预测模型。通过最大相关最小冗余(minimum Redundancy and Maximum Relevance，mRMR)算法对采集的目标数据进行预处理，挑选出合适的变量，随后将选定的变量作为 IPSO-GRU预测模型的输入。针对门控循环单元(Gated Recurrent Unit，GRU)模型关键超参数难以确定的问题，使用改进粒子群(Improved Particle Swarm Optimization，IPSO)算法对模型参数进行训练，以降低 GRU的训练成本。最终实现对脱硫系统出口二氧化硫浓度的预测。实验结果表明，所提模型与传统循环神经网络相比预测精度更高，在工程实际中更具应用价值。
中圖分類號： TK39
文獻標識碼： A
DOI： 10.19358/j.issn.2097-1788.2023.02.010
引用格式： 楊兆祥，金秀章. 基于特征選擇的IPSO-GRU脫硫系統(tǒng)出口SO2濃度預(yù)測模型[J].網(wǎng)絡(luò)安全與數(shù)據(jù)治理，2023，42(2)：62-69.
Prediction model of SO2 concentration at outlet of IPSO-GRU desulfurization system based on feature selection
Yang Zhaoxiang，Jin Xiuzhang
(School of Control and Computer Engineering，North China Electric Power University，Baoding 071003，China)
Abstract： Aiming at the problem that the SO2 concentration at the outlet of desulfurization system cann′t be detected in time during the purging process of coal-fired power plant, an improved particle swarm optimization algorithm based on feature selection is proposed to optimize the neural network of gated recurrent unit(IPSO-GRU) to predict the SO2 concentration at the outlet of desulfurization system. The collected target data is preprocessed through mRMR to select appropriate variables, and then the selected variables are used as the input of IPSO-GRU prediction model.Aiming at the problem that the key super parameters of GRU model are difficult to determine, IPSO is used to train the model parameters to reduce the training cost of GRU. Finally, the prediction of the sulfur dioxide concentration at the outlet of the desulfurization system is realized.The experimental results show that the proposed model has higher prediction accuracy and more application value in engineering practice than the traditional cyclic neural network.
Key words : prediction model；mRMR；improved particle swarm optimization；GRU；SO2 concentration at outlet

0 引言

我國以煤為主的資源稟賦形成了煤電為主體的電力生產(chǎn)和消費結(jié)構(gòu)。在“雙碳”目標的背景下，我國大力發(fā)展以光伏發(fā)電、風(fēng)電等有波動特點的新能源的同時，也不能忽視煤電在能源轉(zhuǎn)型的過程中作為電源供應(yīng)和電網(wǎng)安全保障壓艙石的重要作用。在提高煤電靈活性和穩(wěn)定性的同時，SO2的排放能否得到有效的控制，已成為燃煤電站面臨的重要問題[1]。目前，燃煤電站常用的煙氣脫硫系統(tǒng)為石灰石-石膏濕法煙氣脫硫系統(tǒng)[2]，雖然該系統(tǒng)比較成熟，運行成本及脫硫效率都比較理想，但同時也存 在慣性大和實時性差等缺點。當負荷變化時，可能因運行人員操作的不及時，致使出口SO2濃度超標[3]。同時，當取樣管路進行吹掃作業(yè)、取樣泵損壞等情況發(fā)生時，脫硫系統(tǒng)出口SO2濃度將不能得到及時檢測，同樣會造成電廠經(jīng)濟成本的增加。傳統(tǒng)的預(yù)測方法大都是以機理建模的方式構(gòu)造機理模型，該模型計算過程復(fù)雜、準確率較低且泛化能力較差，且不能有效利用DCS歷史數(shù)據(jù)庫?；陔姀SDCS建立的數(shù)據(jù)庫，通過機器學(xué)習(xí)等方法搭建預(yù)測模型，對各種線性和非線性序列進行高精度擬合，是一類新興起的基于數(shù)據(jù)挖掘和模型優(yōu)化的方法。利用機器學(xué)習(xí)算法建立脫硫系統(tǒng)出口SO2排放濃度的預(yù)測模型，不僅能夠精準預(yù)測SO2排放濃度，對電廠實際運行參數(shù)的調(diào)整起到指導(dǎo)作用，同時也對降低發(fā)電過程中的污染排放和運行成本具有重要的實際意義和應(yīng)用價值。

近年來，隨著機器學(xué)習(xí)等算法的深入研究[4]，其被普遍使用在各種預(yù)測模型的建立。當前，對燃煤電廠進行建模的方法有：人工神經(jīng)網(wǎng)絡(luò)(Artificial  Neural Networks，ANN)、最小二乘支持向量機(Least Squares  Support Vector Machine，LSSVM)、長短期記憶網(wǎng)絡(luò)(Long Short-Term Memory，LSTM)等，利用這些算法建立的模型都取得了較好的預(yù)測效果。Tang等人[5]利用LSSVM建立了電站爐膛溫度預(yù)測模型；Liu等人[6]利用LSTM對非線性船舶航行行為進行了建模。雖然LSSVM處理時序數(shù)據(jù)時有一定的優(yōu)勢，但是當處理大樣本數(shù)據(jù)時，會導(dǎo)致過擬合，并且計算時間過長，不利于實際應(yīng)用[7]。而LSTM雖具有能夠?qū)v史數(shù)據(jù)進行長期記憶的神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)，并在建立時序預(yù)測模型時具有很大優(yōu)勢[8]，但是其網(wǎng)絡(luò)結(jié)構(gòu)較為復(fù)雜，在處理大量高維數(shù)據(jù)時收斂速度緩慢。門控循環(huán)單元GRU[9]在LSTM的基礎(chǔ)上簡化了門控結(jié)構(gòu)，減少了可訓(xùn)練參數(shù)總量進而使得訓(xùn)練速度加快，同時預(yù)測精度也有一定的提升。

GRU模型的超參數(shù)采取傳統(tǒng)經(jīng)驗、試錯法來確定較為困難，因此其模型超參數(shù)通常采用PSO粒子群算法訓(xùn)練得到。但PSO算法同樣存在精度不高、易陷入局部極值的缺點，故對其算法中的權(quán)重ω進行改造并引入突變機制。改進的粒子群算法(IPSO)在克服傳統(tǒng)PSO算法缺點的同時粒子尋優(yōu)能力得到進一步提升。

綜上所述，本文提出一種基于特征選擇的IPSO-GRU的脫硫系統(tǒng)出口SO2濃度預(yù)測模型。首先，通過mRMR對原始數(shù)據(jù)進行選擇，得到與出口SO2相關(guān)性較大而冗余度較小的6個代表變量。然后對篩選后的數(shù)據(jù)進行滑動平均處理，減少因設(shè)備等問題而產(chǎn)生的數(shù)據(jù)擾動，并將其作為模型的輸入。隨后通過IPSO確定GRU模型的關(guān)鍵超參數(shù)，最終實現(xiàn)對脫硫系統(tǒng)出口二氧化硫濃度的預(yù)測。利用陜西某600 MW電廠現(xiàn)場運行數(shù)據(jù)進行實驗，通過與其他模型比對，驗證所提模型的效果。




本文詳細內(nèi)容請下載：http://ihrv.cn/resource/share/2000005215




作者信息：

楊兆祥，金秀章

(華北電力大學(xué) 控制與計算機工程學(xué)院，河北 保定071003)


此內(nèi)容為AET網(wǎng)站原創(chuàng)，未經(jīng)授權(quán)禁止轉(zhuǎn)載。

相關(guān)內(nèi)容