基于互信息变量选择的燃煤机组SCR脱硝系统PSO-ELM建模.pdf

投稿网址：基于互信息变量选择的燃煤机组 SCR脱硝系统PSO-ELM建模张瑾，姜浩，金秀章（华北电力大学控制与计算机工程学院，河北保定0 7 10 0 3）摘要：针对燃煤机组SCR脱硝系统出口NO浓度存在测量滞后以及吹扫时数据失真等问题，提出了一种基于特征提取和粒子群算法（PSO）优化极限学习机（ELM）超参数的燃煤机组SCR脱硝系统模型。利用互信息（MI）进行时间迟延补偿，采用最大相关最小允余（mRMR）方法筛选辅助变量，通过PSO优化算法确定ELM最优超参数并建立预测模型，最后进行对比验证。仿真结果表明：采用本文方法所建立的PSO-ELM预测模型的均方误差和相关系数分别为0.9314mg/m和0.97 8 6，预测精度高，能够为脱硝系统出口NO的现场优化控制提供技术支持。关键词：互信息；粒子群算法；SCR脱硝系统；极限学习机；最大相关最小允余中图分类号：X773引用格式：张瑾，姜浩，金秀章基于互信息变量选择的燃煤机组SCR脱硝系统PSO-ELM建模J网络安全与数据治理，2 0 2 3，42(9)：8 8-9 5.of coal-fired units based on mutual information variable selection(School of Control and Computer Engineering,North China Electric Power University,Baoding 071003,China)Abstract:Aiming at the problems of NO,concentration at the outlet of selective catalytic reduction(SCR)denitration system ofcoal-fired units,such as measurement lag and data distortion during purging,a SCR denitration system model of coal-fired unitsbased on feature extraction and particle swarm optimization(PSO)to optimize extreme learning machine(ELM)hyperparametersis proposed in this paper.Mutual information(MI)was used to compensate the time delay,maximum correlation minimum redun-dancy(mRMR)was used to screen the auxiliary variables,and the optimal ELM hyperparameters were determined by PSO opti-mization algorithm and the prediction model was established.Finally,the comparison and verification were carried out.The simu-lation results show that the mean square error and correlation coefficient of the PSO-ELM prediction model established by themethod in this paper are 0.931 4 mg/m and 0.978 6 respectively,with high prediction accuracy,which can provide technicalsupport for the on-site optimization control of NO,at the exit of the denitrification system.Key words:mutual information;PSO algorithm;SCR-DeNO,system;extreme learning machine;mRMR0引言燃煤机组产生的氮氧化物（NO，）是大气污染的首要排放物之一，在空气质量方面影响较为严重。烟气排放连续检测系统（Continuous Emission Monitoring Systems，CEMS）对烟气取样管路要按时反向吹扫，以避免积灰堵塞，从而会导致NO测量结果存在间断性失真，同时，由于烟气取样管路长度一般为40 6 0 m，造成测量结果出现时滞现象，控制系统的控制难度也因此得到提升。因此，建立脱硝系统预测模型，对于燃煤机组的优化运8812023年第9期（第42 卷总第557 期）文献标识码：APSO-ELM modeling of SCR denitrification systemZhang Jin,Jiang Hao，Ji n Xi u z h a n gDOl:10.19358/j.issn.2097-1788.2023.09.013行，喷氨量的控制以及污染物的监测管理都具有重要意义2。随着神经网络的发展，许多建模方法被应用到脱硝系统当中。杨文玉等人3利用RBF神经网络建立了脱硝系统出口NO的预测模型，该模型在处理时序预测问题时并没有明显优势。张淑清等人4I利用ELM神经网络建立了电网负荷的预测模型，并利用飞蛾优化算法对模型参数进行优化，该文所用训练数据过少，容易导致模型过拟合。刘延泉等人3将互信息与LSSVM方法结合，对脱硝系统入口NO.浓度进行了预测，但模型未考虑输人省煤器花旁行业应用IndustrialApplications变量的对模型的影响。与非线性关系都考虑在内。因此本文基于互信息来进行除了建模方法，特征选择也会影响模型的预测能力。特征选择。特征选择常见的方法有过滤式（Filter）、封装式（Wrap-某燃煤机组SCR脱硝系统如图1所示，锅炉释放出per）和嵌人式（Embedded）三种。输入变量的直接选择的烟气流经省煤器后，与放置于SCR反应器入口的喷氨决定了模型的结构与输出，输入变量的选择通常对工业阀门所喷人的氨气进行混合一起流经SCR反应器。SCR机理进行分析，从待选变量进行筛选获取6-1。金秀章等反应器通过催化还原原理消耗一定量的氨气后，进而去人【8 利用mRMR算法筛选出符合模型的输人变量，建立除掉烟气中混合的NO。在反应器出口处设有采样探头，了出口SO,质量浓度预测模型，但正则化仍不能计算出隐通过反应器出口的NO质量浓度产生的变化来调整喷氨层节点的具体数量。赵文杰等人 利用互信息与优化算量的控制。由于CEMS测量装置需要定时吹扫，在CEMS法结合确定系统最优的输入变量集合，将互信息特征提测量装置反向吹扫时无法对烟气中的NO，浓度进行测量取方法应用到高维系统中，建立了脱硝系统的预测模型，分析，系统中喷氨量不能够及时得到修正，这将造成控但该方法计算量大，耗时较长，实施起来较为困难。钱制系统无法准确地获取真实的NO质量浓度的变化。虹等人10 1采用随机森林算法进行变量选择，并对SCR脱根据SCR反应机理选取机组负荷、入口烟道氧量、硝系统出口NO，质量浓度进行了预测，但模型未解决烟总风量、总燃料量、SCR反应器人口NO.浓度、SCR反气采样管道长度较长而导致的时滞问题。应器人口烟温、喷氨流量、氨气流量调节阀位返、SCR此外，SCR脱硝系统还具有大延迟特性，需要考虑反应器入口压力、总一次风共计10 个变量为模型初始输系统内部各参数延迟时间对建模精度的影响。唐振浩等入变量。人 采用Pearson相关系数法确定各变量的延迟时间，但Pearson相关系数法只能度量线性相关性，且易被异常值所影响。姚宁等人12 运用最大时间周期方法确定出各候选变量相对于出口NO，浓度的延迟时间，加强了各候选变量与出口NO，浓度之间的对应关系，但LightGBM是基于偏差的算法，在处理噪点时会过于敏感。本文主要针对SCR反应器出口NO，浓度难以准确测量的问题，提出一种基于互信息特征提取的PSO-ELM烟气脱硝系统出口NO，预测模型。首先，MI用于确定输人变量的迟延时间。之后用mRMR将加人迟延参数的重构输人变量进行筛选。然后采用PSO-ELM建立了SCR脱硝系统出口NO，浓度预测模型，PSO优化算法用于寻优确定ELM的权值和阈值等参数。仿真结果表明，经过处理的辅助变量提高了模型的泛化能力，将PSO与ELM相结合，有效提高了模型的预测精度，加快了运行速度，该方法能够满足实际生产需求。1基于互信息的最大相关最小余特征选择1.1SCR脱硝系统及变量初选相关系数只能检测出线性关系，只有在两个变量是线性相关的前提下，才可以根据相关系数值来判断两个变量的相关程度。在两变量是未知关系的情况下，即便相关系数很大，也不能证明其是相关的。互信息则有效解决了上述问题，与相关系数不同的是，它不依赖数据序列，而是侧重于数据分布。互信息的侧重点在于已知另一个特征的情况下，一个特征含有多少信息量，其可以计算出两个特征所共同包含的信息值，能同时将线性烟省路入口煤NO,量器SCR锅炉喷氨阀门控制NO,信号图1SCR脱硝系统运行设备示意图1.2基于mRMR的输入变量选择1.2.1MI原理互信息为一种有效的度量形式，它能够体现出两个变量间的相关程度131，设空间Z=（X，Y）内共有N个可用样本点z,=（x，y），i=l，N，则变量X，Y之间的互信息可以表示为：MI（X,Y)=（k)-G,或满足全局最优解的设定界限。若不满足终止条件，则重复步骤（3），并更新PSO算法的粒子速度和位置，得到Pbest、Gbest。若满足设定终止条件，则得到最优网络初始权值和阅值2 8。（5）将最优网络初始权值和阈值带人ELM模型中进行训练，同时计算隐含层输出矩阵H。（6）根据式（9）利用广义逆矩阵计算隐含层神经元到输出层的权值向量。（7）根据式（10）、式（11）更新粒子的速度与位置。（8）判断是否满足终止条件，即判断网络输出结果的精度是否满足要求。若不满足终止条件则重复过程（5）（7），继续训练ELM网络，若满足终止条件则获9212023年第9 期（第42 卷总第557 期）得最优ELM模型，输人测试数据集，得到模型测试结果。PSO-ELM算法流程如图4所示。PSO算法部分(11)(12)2.2模型结构建立经过mRMR将加入迟延信息的输人变量进行变量选择，变量选择筛选出的变量作为此时的模型输入，同时将上一时刻的模型预估出口NO，浓度Y也作为PSO-ELM模型输人2 9。因此模型最终的输人变量为：总风量X，（t-10），SCR 反应器人口NO,浓度X，（t-2），喷氨流量X，（t-11），SCR 反应器人口压力X，（t-2)），和上一时刻模型预估出口NO.浓度Y（t-1）。由以上所确定的变量进行模型建立，将划分的2 50 0 组训练集和50 0 组测试集投入到ELM、PSO-R BF、PSO-ELM 模型中，分别得到各模型的预测输出，图5为所建立的PSO-ELM模型结构图。总风量X,(t-10)人口NOx浓度X,(t-2)喷氨流量X,(t-11)入口压力X,(t-2)模型预估Y(t-1)图5PSO-ELM模型结构图ELM算法部分开始数SCR脱硝系统据预处理设置PSO参数初始化ELM网络计算粒子适应值权值和阈值更新子速度和位置解和全局最优解更新局部最优解和全局最优解二N满足终正条件？Y图4PSO-ELM算法流程图PSO-ELM模型寻找局部最优=二11得到最优初始化权值和阅值计算隐藏神经层输出矩阵H利用广义逆计算输出权值B更新权值阀值满足终正N条件？YY结束YC)行业应用Industrial Applications为了对比模型的预测精度，本文选用均方根误差（R M SE）、相关系数（R）和均方误差（MSE）对模型的性能进行评价。表达式为：RMSE=R=1M(y-j)MSE:N其中y.为样本均值，y为实际输出，y为模型的预测输出，N为样本个数。3实验结果分析3.1不同优化算法对模型结果的影响为体现PSO算法对预测模型的优势，分别建立MA、GWO优化对比实验。分别对ELM初始输入层权值及偏差进行参数寻优。为保证实验结果的对比性，三种模型种群数量与迭代次数均设为30，10 0。所采用是数据集均为原始数据集经迟延分析与变量筛选后的变量集。三种预测模型预测结果及评价指标分别见图6 及表2。60一真实值50GA-ELM预测值CWO-ELM预测值(/u)/xON口甲-PSO-ELM预测值4030201000表2不同模型预测精度对比模型R2GA-ELM0.883 8GWO-ELM0.9091PSO-ELM0.978 6由图6 及表2 可知，相比GA与GWO，PSO 算法所建立的模型预测效果最好。PSO-ELM模型的RMSE为0.9314mg/m，PSO-ELM 模型均方根误差相比于GWO-ELM、G A-ELM 模型均不同程度的有所下降，分别下降了57%、52%。由于PS0算法所特有的速度与位置更新机制，避免了算法陷人局部极值，使得算法快速收敛。但最终三种模型的评判指标差别较小。3.2三种预测模型对实验结果的影响(13)为验证本文方法的有效性，分别建立原始数据模型（PSO-ELM），基于MI迟延分析的预测模型（MI-PSO-(14)ELM），基于MI迟延分析mRMR变量选择的预测模型（M I-m R M R-PSO-ELM）。为保证实验结果的对比性，将PSO优化参数设置为统一标准，PSO优化参数中种群数(15)量设置为30，送代次数设置为10 0，适应度函数选用测试集输出参数的真实值与预测值的均方根误差，其他条件保持不变。所建立的3个燃煤锅炉NO，排放模型预测结果如图7 和表3所示。60504030201000表3不同模型评价指标对比项目迟延分析变量选择R2PSO-ELM无MI-PSO-ELM有100200时间/10图6不同优化算法下的预测结果RMSE2.737 92.421 70.931 4真实值PSO-ELM预测值MI-PSO-ELM预测值MI-mRMR-PSO-ELM预测值100200时间/10 s图7 三种模型测试结果无0.911 4无0.948 6300400MSE7.496 25.764 61.382.3300500MI-mRMR-PSO-ELM由图7 和表3可知，采用原始数据建立的PSO-ELM预测模型R最小，拟合效果最差。与PSO-ELM相比，MI-PSO-ELM模型的RMSE降低了5.4%，MI-mRMR-PSO-ELM模型的RMSE降低了37.0%。相比之下，MI-mRMR-PSO-ELM拟合效果最好，迟延分析可加强输人变量与输出变量间的对应关系，提升模型预测精度，但由于输人较多的穴余变量，模型复杂程度并未得到降低，经特征提取降低模型复杂程度之后，模型预测精度得到进一步提升。4结论针对测量装置测量管道布置短且不规则，CEMS反向2023年第9 期（第42 卷总第557 期）19 34001.478 11.397 8有有0.978 6500RMSE0.931 4投稿网址：吹灰时存在工作停滞的问题，本文提出基于互信息变量选择的PSO-ELM烟气脱硝系统出口NO，预测模型。采用某电厂机组负荷为2 0 0 30 0 MW，供热机组为30 0 MW的历史运行数据进行模型验证，得到以下结论。（1）采用互信息方法进行迟延估计，加强了输人变量与输出变量之间的对应关系。（2）在此基础上结合了mRMR算法与前向搜索算法进行特征提取，去除掉一些穴余的输入变量，避免了输人变量选择的盲目性。（3）利用粒子群算法寻优得到ELM初始输人层权值及偏差的超参数，使得模型的学习速度、泛化性能得到进一步提升。（4）提出的PSO-ELM神经网络预测模型在局部工况建模时与另外两种预测模型相比具有较高的拟合精度，使得控制系统能够准确地获取真实的NO，质量浓度的变化，验证了本文方法的有效性与研究价值，为SCR反应器出口NO，质量浓度实时检测与喷氨优化提供了指导。后续工作考虑将本文特征提取所采用的算法进一步优化，以期获更好的预测性能。参考文献【1赵永椿，马斯鸣，杨建平燃煤电厂污染物超排放的发展及现状J煤炭学报，2 0 15，40（11）：2 6 2 9-2 6 40.2 郦建国，朱法华，孙雪丽中国火电大气污染防治现状及挑战J.中国电力，2 0 18，51（6)：2-10.3杨文玉，杨哲，张树才.基于RBF神经网络的催化再生烟气NO,浓度预测与应用J/OL安全与环境学报：1.-92023-08-24.https:/doi.org/10.13637/j issn.1009-6094.2022.1139.4张淑清，段晓宁，张立国Tsne降维可视化分析及飞蛾火焰优化ELM算法在电力负荷预测中应用J中国电机工程学报，2 0 2 1，41（9）：312 0-3130.5刘延泉，杨堃，王如蓓基于互信息和PSO-LSSVM的脱硝反应器人口NO，浓度预测J电力科学与工程，2 0 18，34(9):67-72.6罗荣富，邵惠鹤推断控制中二次变量选择方法的研究C/中国控制与决策学术年会，19 9 2：4.【7 刘良宏，周兴贵，袁渭康非线性分布参数系统状态估计的最佳测量位置J.化工学报，19 9 6（3）：2 6 7 2 7 2.8 金秀章，刘岳，赵文杰基于mRMR和MA-RELM的火电厂出口S02质量浓度预测J动力工程学报，2 0 2 2（7）：665-676.【9赵文杰，张楷，基于互信息变量选择的烟气脱硝系统非线性自回归神经网络建模J热力发电，2 0 18，47（9）：2 3-26.10 钱虹，张超凡，柴婷婷，等基于随机森林的SCR脱硝系9412023年第9 期（第42 卷总第557 期）统出口NO浓度预测研究J：热能动力工程，2 0 2 1，36(3):123-129,137.11唐振浩，王世魁，曹生现，等基于混合数据驱动算法的SCR氮氧化物排放量动态预测模型J。中国电机工程学报，2 0 2 2，42（9)：32 9 5-330 7.12 姚宁，金秀章，李阳峰基于改进鲸鱼算法优化Bi-LSTM的脱硝系统NO_x建模J.华北电力大学学报（自然科学版），2 0 2 2，49（6）：7 6-8 3.【13张清华，李新太，赵凡，基于信息粒度与交互信息的属性约简改进算法J闽南师范大学学报（自然科学版），2021,34（2):6 8-7 8.14赵彦涛，单泽宇，常跃进基于MI-LSSVM的水泥生料细度软测量建模J仪器仪表学报，2 0 17，38（2）：48 7-496.15赵征，李悦宁，袁洪燃煤机组NO，生成量动态软测量模型J动力工程学报，2 0 2 0，40（7）：52 4-52 9.16】吴康洛，黄俊，李峰辉，等基于MIC-CFS-LSTM的SCR出口氮氧化物浓度动态预测J/OL：洁净煤技术：1-10 2023-08-24.http:/ 0 19.18 刘岳，于静，金秀章，基于特征优化和改进长短期记忆神经网络的NO质量浓度预测J.热力发电，2 0 2 1，50(7):162-169.19李睿，曹顺安，盛凯：基于BP神经网络的多参数关联变压器油击穿电压的预测研究J高压电器，2 0 0 8（4）：342346.20】张馨怡，陈振林，基于PSO-ELM算法的红外目标模拟器校准数据拟合方法研究J计算机测量与控制，2 0 2 2，30（7)2 0 7-2 12，2 18.2 1张琳，刘继春基于EEMD-SE和PSO-KELM的短期负荷区间预测方法J中国电力，2 0 2 1，54（3）：132140.22 CHENG M L,HAN Y.Application of a modified CES produc-tion function model based onimproved PSO algorithm J.Ap-plied Mathematics and Computation,2020(387):1-11,23 EBERHART R,KENNEDY J.A new optimizer usingparticleswarm theory C/Proceedings of the 6th International Sympo-sium on Micro Machine and Human Science,1995:39-43.24杨芳PSO-LM-BP神经网络在板坏表面纵裂纹诊断中的应用J安徽冶金科技职业学院学报，2 0 17，2 7（4）：18-22,26.2 5陈如清，李嘉春，俞金寿基于FWADE-ELM的短时交通流预测方法J控制与决策，2 0 2 1，36（4）：92 5-932.2 6】吴德浩，陈茂银，周东华基于改进K均值算法的滚动轴行业应用Industrial Applications承故障诊断【J山东科技大学学报（自然科学版），（收稿日期：2 0 2 3-0 7-13)2017,36(4):1-8.【2 7 李鹏毅.改进的粒子群优化算法在神经网络中的应用【D.兰州：兰州大学，2 0 19.2 8 张秦玮，周敏，高强，等基于PSO-SVM的FPC焊盘表面缺陷检测研究J组合机床与自动化加工技术，2 0 2 0(5):78-81,85.2 9 傅蔚阳，刘以安，薛松基于改进KH算法优化ELM的目标威胁估计J。智能系统学报，2 0 18 年，13（5）：6 93699.一、征文主题：生成式人工智能安全包括但不限于如下分方向范围：（1）生成式人工智能模型安全研究；（2）生成式人工智能算法安全研究；(3）生成式人工智能内容安全研究；(4)生成式人工智能数据合规风险研究；(5)AI芯片的安全性、可靠性技术研究；(6)生成式人工智能伦理研究；（7）生成式人工智能应用失范的法律规制研究。二、征文要求：论文要求观点鲜明、逻辑清晰，论据充分、数据翔实，能够反映生成式人工智能技术的最新研究成果。投稿文章须未在正式出版物上发表，且不在其他刊物或会议的审稿过程中，不存在一稿多投现象；保证文章的合法性（无抄袭、剽窃、侵权、虚假引用等不良行为），字数40 0 0 8 0 0 0 字左右。稿件经评审合格录用后，将获得在网络安全与数据治理（正刊）上以技术专栏形式发表的机会。三、投稿方式：投稿方式一：网络安全与数据治理投稿网站（h t t p：/w w w.p c a c h i n a.c o m）注册、下载投稿模板、投稿。注册投稿在“人工智能”栏目。作者简介：张瑾（1998），男，硕士研究生，主要研究方向：先进控制策略在大型火电机组的应用。姜浩（1999），男，硕士研究生，主要研究方向：火力发电机组烟气污染物脱除过程控制。金秀章（196 9），男，副教授，主要研究方向：先进控制策略在大型电力机组的控制研究、信息融合技术等。征文通知投稿方式二：邮箱投稿至；征稿截止时间：2 0 2 3年10 月31日；发表日期：2 0 2 3年12 月15日。四、特邀编委盖珂珂北京理工大学Email:于静中国科学院信息工程研究所E王尚广北京邮电大学Email:沈华伟中国科学院计算技术研究所Email:五、联系方式：联系人：范老师（0 10）8 2 30 6 116，15910 6 52 16 8；联系邮箱：。网络安全与数据治理编辑部2023年9月2023年第9 期（第42 卷总第557 期）丨9 5