基于深度神经网络的SCR脱硝控制模型

李洪祥王枢

摘要：传统SCR脱硝控制设计及优化方法大多依赖PID控制模型，依赖大量人工经验、人工调参及模型优化，并且无法很好适应不同锅炉环境。近年来，以深度神经网络为代表的人工智能方法被广泛使用于不同领域，并且具有应用在SCR脱销控制预测的潜力。本文研究基于深度神经网络的SRC脱销控制模型，使用负荷、烟气流量、入口NOx和出口NOx作为输入，使用优化PID调节下的调门开度作为预测目标，所构建的深度神经网络可精确预测调门开度，可替代传统PID控制模块，实现SCR脱硝控制调节及优化。

关键词：SCR脱硝控制模型；深度神经网络；PID控制；调节及优化

国外在20世纪70年代就开始对NOx的生成原理进行了深入研究，并开发了对应的减排技术和减排设备。SCR系统运行过程中，NH3的喷入量是一个重要参数，氨气喷量不足会导致脱硝反应不充分，脱硝效率变低；而氨气喷量过多会导致氨气浪费和造成环境的二次污染。因此，建立SCR系统模型对喷氨量的精确控制，对节能减排、提高电厂经济效益具有十分重要的意义。

深度神经网络（DeepNeuralNetworks，DNN）是一种深层神经网络，近几年被广泛的应用于不同领域，是人工智能代表性网络。本文首次将DNN引入SCR脱硝控制过程中，使用负荷、烟气流量、入口NOx和出口NOx作为输入，使用现有的优化PID调节下的调门开度为预测目标模型。实验结果证明，所构建的DNN预测模型可精确的拟合PID优化后的调门开度，拟合均方根误差RMSE参数可以达到较小值，在未经任何人工调参调节下，可实现媲美人工调参优化后的SCR脱硝控制模型，具有较大应用于SCR调节及优化的潜力。

一、深度神经网络模型

深度神经网络DNN是一种深度学习方法，是以深层的神经网络为架构，对数据进行表征学习的方法，与传统神经网络最大的区别就是具有更多层，具有更强处理大数据的能力。与传统神经网络分类方法相同，按不同位置划分，DNN的分层可以分为三类：输入层、隐藏层和输出层，如图1所示。相比传统神经网络，DNN是具有很多隐藏层的神经网络。

如图1所示，第一层是输入层，最后一层是输出层，而中间层数都称为隐藏层。其中，第一层是为数据输入层，最后一层是DNN结果输出层，而中间的隐藏层的参数是DNN训练的主要部分。

图1深度神经网络

DNN的层与层的节点之间是全连接的。第层的任意神经元与第i+1层的任意神经元相连。尽管DNN比传统神经网络复杂，但是从局部模型来看，也是感知机的的线性扩展。

DNN各层中每个节点的线性关系为，

（1）

其中，xi是输入，是系数，b是偏置。

DNN可以用可以使用反向传播算法进行训练，权重更新可以使用下式进行随机梯度下降法求解。

二、SCR脱硝控制DNN网络

本文选取负荷、烟气流量、入口NOX和出口NOX作为输入，调门开度作为输出目标，DNN网络为控制网络。构建的SCR脱硝控制DNN网络框架如图2所示。

图2SCR脱硝控制DNN网络

DNN被广泛的用于模式识别和信号分析等领域，将DNN应用于SCR脱硝控制领域，需要解决如下关键问题：

（1）DNN的输入数据选择

SCR脱硝涉及到的非常多的参数，并且有多种因素影响其效果，其中部分参数获取困难或具有滞后性。选取关键参数是网络训练成果的关键一步。本文选取负荷、烟气流量、入口NOX和出口NOX作为输入，这几个参数易观测，并且与脱硝过程关系密切，是合适的输入数据。选用一段时间段里面的数据，能够对前一段时间节点的数据进行表征。

（2）DNN的输出目标选择

DNN训练需要具有明确的输出目标，本文选用优化PID调节下的调门开度作为输出目标，让DNN来拟合PID调节下的调门开度，达到目前最好的PID控制结果，并通过进一步优化达到代替PID控制模块的目标。

（3）训练测试集收集和选择

DNN训练需要有合适的训练集合测试集。训练集用来训练DNN，而测试集用来测试DNN的精确度，以达到最优训练效果。本文采用的数据为锅炉1秒钟采集3次的数据，并收集百万以上的数据。将收集的数据2/3用于训练，1/3用于测试，以保证足够的训练和测试样本。

（4）DNN隐含层数选择

隐含层数越多会越精确，单也有可能导致局部最优或过拟合。本文选用5层隐含层来构建DNN网络，通过训练可有效避免过拟合和局部最优。

使用训练得到的DNN，将其应用于SCR脱硝控制领域，可往后预测几个时间段的阀门开度。

三、实验分析

实验数据采集于某电厂#1机组的2组数据，#1机组A侧脱硝数据、#1机组B侧脱硝数据。这四组数据包含负荷、烟气流量、入口NOX、出口NOX和优化PID调节下的调门开度等五个观测量。

本文的实验选用四组数据30000个数据用来实验，其中的2/3作为训练数据，使用剩余的1/3作为测试数据。该网络的输入为负荷、烟气流量、入口NOX和出口NOX四个参数，输出为调门开度参数。除了输入层和输出层外，剩下的隐含层的选择关系到网络的训练结果，本文通过实验选择5层隐含层作为DNN网络的隐含层。

分别对#1机组进行测试，测试结果如图3所示。

实验采用均方根误差RMSE参数作为衡量参数。从图3可以看出，DNN预测的红色曲线，能够精确地弥合蓝色曲线，可以达到较小的RMSE值分别为1.90。较小RMSE值意味着预测值与真实值相差很小，DNN能够精确的预测调门开度，从而控制氨气流量。

图3#1机组的DNN拟合曲线

四、结论分析

1）本文DNN控制网络选取负荷、烟气流量、入口NOX和出口NOX作为输入，调门开度作为输出目标，实验证明是有效的；

2）建立的基于DNN预测模型能够精确的预测调门开度，达到优化后PID的控制水平；

3）在调试过程中，将本系统接入机组，可进一步调节预测参数，是本文下一步主要研究方向。

参考文献：

［1］秦天牧，燃煤电站SCR烟气脱硝系统建模与喷氨量优化控制[D]，北京：华北电力大学，2017［2］赵乾，SCR烟气脱硝系统模拟优化及喷氨量最优控制[M]，重庆：重庆大学，2012

［3］归毅，基于BP神经网络的SCR脱硝效率预测模型研究[M]，北京：华北电力大学，2012

［4］乐明非，BP神经网络预测模型在SCR脱硝系统中应用的研究[M]，沈阳：东北大学，20