《电子技术应用》
您所在的位置：首页 > 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。
中图分类号： TK39
文献标识码： A
DOI： 10.19358/j.issn.2097-1788.2023.02.010
引用格式： 杨兆祥，金秀章. 基于特征选择的IPSO-GRU脱硫系统出口SO2浓度预测模型[J].网络安全与数据治理，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

我国以煤为主的资源禀赋形成了煤电为主体的电力生产和消费结构。在“双碳”目标的背景下，我国大力发展以光伏发电、风电等有波动特点的新能源的同时，也不能忽视煤电在能源转型的过程中作为电源供应和电网安全保障压舱石的重要作用。在提高煤电灵活性和稳定性的同时，SO2的排放能否得到有效的控制，已成为燃煤电站面临的重要问题[1]。目前，燃煤电站常用的烟气脱硫系统为石灰石-石膏湿法烟气脱硫系统[2]，虽然该系统比较成熟，运行成本及脱硫效率都比较理想，但同时也存 在惯性大和实时性差等缺点。当负荷变化时，可能因运行人员操作的不及时，致使出口SO2浓度超标[3]。同时，当取样管路进行吹扫作业、取样泵损坏等情况发生时，脱硫系统出口SO2浓度将不能得到及时检测，同样会造成电厂经济成本的增加。传统的预测方法大都是以机理建模的方式构造机理模型，该模型计算过程复杂、准确率较低且泛化能力较差，且不能有效利用DCS历史数据库。基于电厂DCS建立的数据库，通过机器学习等方法搭建预测模型，对各种线性和非线性序列进行高精度拟合，是一类新兴起的基于数据挖掘和模型优化的方法。利用机器学习算法建立脱硫系统出口SO2排放浓度的预测模型，不仅能够精准预测SO2排放浓度，对电厂实际运行参数的调整起到指导作用，同时也对降低发电过程中的污染排放和运行成本具有重要的实际意义和应用价值。

近年来，随着机器学习等算法的深入研究[4]，其被普遍使用在各种预测模型的建立。当前，对燃煤电厂进行建模的方法有：人工神经网络(Artificial  Neural Networks，ANN)、最小二乘支持向量机(Least Squares  Support Vector Machine，LSSVM)、长短期记忆网络(Long Short-Term Memory，LSTM)等，利用这些算法建立的模型都取得了较好的预测效果。Tang等人[5]利用LSSVM建立了电站炉膛温度预测模型；Liu等人[6]利用LSTM对非线性船舶航行行为进行了建模。虽然LSSVM处理时序数据时有一定的优势，但是当处理大样本数据时，会导致过拟合，并且计算时间过长，不利于实际应用[7]。而LSTM虽具有能够对历史数据进行长期记忆的神经网络结构，并在建立时序预测模型时具有很大优势[8]，但是其网络结构较为复杂，在处理大量高维数据时收敛速度缓慢。门控循环单元GRU[9]在LSTM的基础上简化了门控结构，减少了可训练参数总量进而使得训练速度加快，同时预测精度也有一定的提升。

GRU模型的超参数采取传统经验、试错法来确定较为困难，因此其模型超参数通常采用PSO粒子群算法训练得到。但PSO算法同样存在精度不高、易陷入局部极值的缺点，故对其算法中的权重ω进行改造并引入突变机制。改进的粒子群算法(IPSO)在克服传统PSO算法缺点的同时粒子寻优能力得到进一步提升。

综上所述，本文提出一种基于特征选择的IPSO-GRU的脱硫系统出口SO2浓度预测模型。首先，通过mRMR对原始数据进行选择，得到与出口SO2相关性较大而冗余度较小的6个代表变量。然后对筛选后的数据进行滑动平均处理，减少因设备等问题而产生的数据扰动，并将其作为模型的输入。随后通过IPSO确定GRU模型的关键超参数，最终实现对脱硫系统出口二氧化硫浓度的预测。利用陕西某600 MW电厂现场运行数据进行实验，通过与其他模型比对，验证所提模型的效果。




本文详细内容请下载：https://www.chinaaet.com/resource/share/2000005215




作者信息：

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)


此内容为AET网站原创，未经授权禁止转载。

相关内容