双向门控循环神经网络的SO2排放浓度预测模型

2021-02-19蒋星明曹顺安王民军陈东董毕承

应用化工 2021年12期

蒋星明，曹顺安，王民军，陈东，董毕承

(1.武汉大学动力与机械学院，湖北武汉 430072;2.浙江浙能中煤舟山煤电有限责任公司，浙江舟山 316000)

2014年制定的《煤电节能减排升级与行动计划》要求，国内火电站实现超低排放[1]。火电站常用的烟气脱硫技术为湿法烟气脱硫，其中最为广泛使用的是石灰石/石灰-石膏法，然而其有容易堵塞管道的缺点[2]。因此，脱硫系统用于监测烟气排放的设备烟气连续排放检测系统(CEMS)也容易产生探头和传感器堵塞老化的问题，导致SO2排放浓度无法得到较准确的控制[3]。因此，通过人工智能的方法，建立脱硫系统SO2排放浓度的预测模型，不仅能够精准预测SO2排放浓度，也能对电厂运行参数的调整起到指导作用，具有重要的实际意义和应用价值。目前，人工智能已经在脱硫系统的参数预测和智能调控方面得到广泛的应用[4-8]。门控循环神经网络(GRU)具有结构简单、参数少、训练时间短等诸多优点，能同时有效解决由于网格的长期依赖而产生的预测精度不高的问题，已经在交通流量预测[9]、径流预测[10]以及电力负荷预测等[11]领域广泛的应用，但尚未见其在脱硫系统参数预测方面的应用。针对脱硫系统的数据具有大惯性，且影响因素多的特点[12]，对数据进行简化并引入逆向信息可以大幅度提高模型的训练速度和精度。因此，本文提出了一种基于双向门控循环神经网络(biGRU)的预测模型，用于预测脱硫系统的SO2排放浓度，以指导生产实际。