燃煤电厂排烟粉尘浓度在线监测方法 On-Line Monitoring Method of Exhaust Dust Concentration in Coal-Fired Power Plants.pdf

Advances in Energy and Power Engineering 电力与能源进展电力与能源进展, 2014, 2, 71-75 Published Online December 2014 in Hans. http//www.hanspub.org/journal/aepe http//dx.doi.org/10.12677/aepe.2014.26010 71 On-Line Monitoring of Exhaust Dust Concentration in Coal-Fired Power Plants Baoping Jiang1,2, Zhongguang Fu1*, Minfang Qi1, Lu Li1, Yahui Liu1 1Key Laboratory of Condition Monitoring and Control for Power Plant Equipment, North China Electric Power University, Beijing 2China Huaneng Group, Beijing Email bp_jiang, *fzg Received Sep. 27th, 2014; revised Oct. 20th, 2014; accepted Oct. 25th, 2014 Copyright 2014 by authors and Hans Publishers Inc. This work is licensed under the Creative Commons Attribution International License CC BY. http//creativecommons.org/licenses/by/4.0/ Abstract Coal-fired power plant flue gases are discharged into the atmosphere without treatment, which not only aggravates environmental issues, but also directly endangers people’s physical health. So the measurement of dust concentration becomes more and more important. In this paper, strong nonlinearity mapping and generalization ability of support vector machine soft-sensing technique is used to establish soft-sensing model and to reach best estimate of dust concentration. Simula- tion results show that this can estimate the dust concentration effectively and it can be applied to online monitoring of dust concentration. Keywords Dust Concentration, Online Monitoring, Support Vector Machine, Soft-Sensing 燃煤电厂排烟粉尘浓度在线监测方法燃煤电厂排烟粉尘浓度在线监测方法 蒋宝平蒋宝平1,2，付忠广，付忠广1*，齐敏芳，齐敏芳1，李，李 璐璐1，刘亚辉，刘亚辉1 1华北电力大学，电站设备状态监测与控制教育部重点实验室，北京 2中国华能集团公司，北京 *通讯作者。 燃煤电厂排烟粉尘浓度在线监测方法 72 Email bp_jiang, *fzg 收稿日期2014年9月27日；修回日期2014年10月20日；录用日期2014年10月25日 摘摘 要要 燃煤电厂烟气污染物排放到大气中，这不仅关系到环境问题，而且直接危害人们身体的健康。因此粉尘燃煤电厂烟气污染物排放到大气中，这不仅关系到环境问题，而且直接危害人们身体的健康。因此粉尘 浓度的测量越来越重要。本文采用支持向量机软测量技术，利用支持向量机的非线性映射和强大的泛化浓度的测量越来越重要。本文采用支持向量机软测量技术，利用支持向量机的非线性映射和强大的泛化 能力，建立排烟粉尘浓度的软测量模型，实现粉尘浓度的最佳估计。仿真结果表明该方法可以对粉尘浓能力，建立排烟粉尘浓度的软测量模型，实现粉尘浓度的最佳估计。仿真结果表明该方法可以对粉尘浓 度进行有效估计，可以作为粉尘浓度的在线监测方法度进行有效估计，可以作为粉尘浓度的在线监测方法。。 关键词关键词 粉尘浓度粉尘浓度，，在线监测在线监测，，支持向量机支持向量机，，软测量软测量 1. 引言引言 大气污染的一个主要来源就是各种工业固体排放物微粒。燃煤电厂是工业固体排放物的大户之一。 燃煤电厂烟气污染物排放到大气中，这不仅关系到环境问题，而且直接危害人们身体的健康。国家对粉 尘排放浓度制定了相关的标准，严格控制粉尘浓度，以减少粉尘危害。2011 年 7 月 29 日，国家环境保 护部颁布了更为严格的火电厂大气污染物排放标准GB13223-2011，现有燃煤发电机组从 2014 年 7 月 1 日起，执行烟尘排放浓度小于 30 mg/Nm3的标准[1] [2]。近年来雾霾现象频繁出现，颗粒物污染严重 影响人的健康，PM2.5 细颗粒物标准引起重视。实现电厂粉尘浓度有效地在线监测，能更好地掌握粉尘 浓度情况，进行有效的降尘除尘，对保护大气环境和人体健康有着重要的作用。 我国粉尘排放监测手段主要采用取样法和非取样法，其中非取样法中常用的黑度法其测量结果的准 确性是有疑问的，而且很难用于自动在线监测。取样法中常用的 β 射线法需要对粉尘进行采样后对比测 量，很难实现粉尘浓度的在线监测。现在其它监测仪器也有一些发展，如一些光电检测的方法，其中 光散射理论己经越来越多的应用于分析颗粒的浓度[3] [4]。 目前国内还没有自主生产的可以可靠地在现场 连续运行的粉尘浓度测量系统，实现在线测量粉尘浓度是十分必要的。无论从环境保护方面，还是从降 低生产成本、减少人力资源耗费、提高测量精度方面，都具有现实意义。 应充分利用现有技术和试验条件，解决国内粉尘浓度传感器存在的问题，开发新型的免维护的粉尘 浓度传感器，采用新型的在线监测技术，实现粉尘浓度在线监测的实时性和有效性，不断提高我国粉尘 浓度在线监测技术水平。各科研单位及高等院校开展粉尘浓度在线监测技术的研究，对提高我国的污染 源监测水平和污染物减排效果具有重要意义[5]-[7]。 本文拟研究锅炉运行参数对我国煤粉锅炉粉尘排放控 制的意义。 粉尘浓度与其相关的影响因素之间关系复杂[8] [9]， 因此将支持向量机方法引入粉尘浓度在线监测中， 充分利用支持向量机优良的非线性映射和强大的泛化能力，建立粉尘浓度与影响因素之间非线性映射的 数学模型，实现粉尘浓度的软测量。 2. 支持向量机软测量方法支持向量机软测量方法 支持向量机[10] [11] Support Vector Machine，简称 SVM适合小样本学习，具有学习速度快、全局 最优和推广能力强等优点。该算法在回归预测、时间序列分析、复杂系统建模、函数估计和模型识别等 燃煤电厂排烟粉尘浓度在线监测方法 73 领域得到了广泛应用。因此本文拟利用某机组的历史运行数据，建立基于支持向量回归软测量的粉尘浓 度在线监测模型对粉尘浓度进行在线估计，以便较好的跟踪了粉尘浓度的变化趋势。 设给定训练集为 {} 11 ,,,,, l ll Tx yx yyχ∈ 1 其中 n i xRχ∈， i yyR∈，1,,il。目的是利用该数据集求回归函数 yf x。一般用损失函数衡 量回归函数 yf x偏离 ii yf x的程度。 假定训练集按yχ上的摸个概率分布,P x y选取的独立同分 布的样本点， 又设给定损失函数, ,c x y f， 寻求一个函数 f x使期望风险[ ], ,d,R fc x y fP x y∫达到 极小。 为保证解的稀疏性和回归结果的鲁棒性，采用ε-不敏感损失函数 0, ,,, , yf x w L y f x wyf x w yf x w ε ε −≤  − −−   其他 2 求解下列最优化问题 2 ,111 1 1 min, 2 . .00,,1,2,, l lll iijjijiiiii R i jii l iiii i Ky C stil l α ααααα αεαααα ααα α ∗ ∗∗∗∗ ∈ ∗∗ −−−−− −≤≤ ∑∑∑ ∑  3 得到最优解，并构造决策函数 1 , l iii i f xK x xbαα ∗ − ∑ 4 其中， , ii K x xxxφφ⋅称为核函数，实现将非线性的低维空间的自变量映射到高维特征空间，以实 现非线性回归估计。在理论上，只要满足 Mercer 条件的函数均可以作为核函数。不同核函数的性能和得 到的处理结果有所不同。根据经验，本文选择高斯径向基核函数RBF 2 2 ,exp2 iij K x xxxσ−− 5 其中σ为核函数的宽度参数，控制了核函数的径向作用范围。 3. 基于基于 GA 的的 SVR 参数优化参数优化 近年来，遗传算法作为一种模拟生物进化和遗传的规律搜索寻优方法，具有通用性强、全局最优、 搜索速度快等优点，目前已成为解决各种复杂问题的有力工具[12]。将遗传算法应用于 SVR 参数优化的 基本步骤如下 步骤 1 确定 C，ε和σ在实际应用中的可能取值范围； 步骤 2 随机选择各参数的初始值，并采用某种编码构造初始种群 Pt； 步骤 3 将 Pt中的个体输入 SVR 模型进行训练，并计算个体适应度函数值； 步骤 4 判断种群中最优个体的适应度函数值是否满足要求或者达到最大遗传代数，若满足则转至步 骤 6，否则转入下一步； 步骤 5 应用选择、交叉以及变异算子产生新的种群，之后返回到步骤 3 进行迭代； 步骤 6 输出最佳 SVR 参数，并通过对训练样本进行训练以获得最佳回归模型。 4. 建模及结果分析建模及结果分析 基于支持向量机软测量方法，并利用 GA 对其进行参数优化，构建粉尘浓度的在线监测模型。采用 燃煤电厂排烟粉尘浓度在线监测方法 74 特征选择方法从众多参数中遴选得到 8 个主要影响参数作为该模型的输入变量负荷、总燃料量、再热 蒸汽压力、炉膛与风箱差压、烟囱入口烟气流量、排烟温度、二次风量、送风机出口流量，粉尘浓度值 作为输出变量。由于本文方法建立的模型是针对同一煤质特性下对粉尘浓度进行研究，且煤质特性不具 备实时可读取性，故建立粉尘排放浓度在线监测模型时，煤质特性不作为输入变量。 本文建模所选样本是某电厂 600 MW 机组 2013 年 3 月 1 日2013 年 5 月 31 日之间的 70 组数据。样 本覆盖了锅炉 50100负荷范围内的典型运行工况，能很好地满足网络训练对样本集的要求。其中机 组负荷在 300 MW400 MW 的样本数为 12 组，机组负荷在 400 MW500 MW 的样本数为 24 组，机组负 荷在 500 MW600 MW 的样本数为 34 组。 为充分评估所建粉尘排放浓度在线监测神经网络模型的性能， 从 70 组样本数据中随机挑选出 63 组作为训练样本，剩余 7 组作为模型的测试样本。 利用 SVR 模型进行粉尘浓度预测，并用遗传算法对 SVR 参数进行优化，最终模型的训练曲线如图 1 所示，所选训练样本点的真实值与模型预测值拟合较好。 在此基础上，利用建立的 SVR 粉尘浓度预测模型对 7 组预测样本进行预测，模型预测值与粉尘浓度 真实值对比曲线见图 2 所示。图中曲线对比表明，模型预测值与真实值的变化趋势一致。表 1 中列出了 Figure 1. Prediction curve of training samples 图图 1. 训练样本预测曲线 Figure 2. Prediction curve of testing samples 图图 2. 测试样本预测曲线 燃煤电厂排烟粉尘浓度在线监测方法 75 Table 1. Comparison of modeling prediction output results 表表 1. 模型预测输出结果对比 测试样本 真实值/mg/m3 SVR 模型输出结果/mg/m3 相对误差/ 1 38.34858 39.17903 −2.16551 2 30.13925 32.19441 −6.81889 3 24.23195 24.95484 −2.98321 4 30.36243 30.9808 −2.03664 5 25.4407 25.68388 −0.95586 6 23.39233 24.28662 −3.82297 7 29.17209 28.38245 2.706853 预测样本的真实值，模型预测值，以及相对误差值，便于对比。测试样本相对误差最大为 6.81889，最 小为 0.95586，平均误差 3.06999，满足工程需求。仿真结果表明，该模型可以有效的进行粉尘浓度的 在线监测。 5. 结论结论 利用现有技术，挖掘新的监测方法，将软测量方法应用于粉尘浓度监测中，对粉尘浓度进行预测估 计，以求解决粉尘浓度难以在线监测的问题。 1 本文建立了基于支持向量机软测量的粉尘浓度在线监测模型的估计值与实际值吻合较好，较好的 跟踪了粉尘浓度的变化趋势。 2 利用本文建立的模型得到结果与实际值的平均误差为 3.06999。 仿真结果表明， 该方法为粉尘浓 度在线监测提供了一种可供参考的方法，有进一步改进和研究的价值。 参考文献参考文献 References [1] 环境保护局, 国家质量监督检验检疫总局 2011 GB 13223-2011 火电厂大气污染物排放标准. 中国环境科学出 版社出版, 北京. [2] 孙久春 2004 烟尘粉尘浓度在线监测仪的研制. 硕士论文, 东北大学, 沈阳. [3] 穆宁 2004 在线排烟粉尘浓度检测系统的研究和开发. 硕士论文, 东南大学, 南京. [4] 杜丽娜 2005 烟道粉尘浓度在线监测. 硕士论文, 东北大学, 沈阳. [5] 唐娟 2009 粉尘浓度在线监测技术的现状及发展趋势. 矿业安全与环保, 5, 69-71, 74. [6] 王慧, 宋耀平, 蒋秋静 1999 燃煤火电厂锅炉粉尘的分布特征及防治对策. 科技情报开发与经济, 6, 62-63. [7] 李树珉 2009 烟气排放实时连续监测系统关键技术的研究. 博士论文, 天津大学, 天津. [8] Sisson W, 罗运 1986 估算烟道气的粉尘浓度. 环境科学动态, 3, 18. [9] 张志强, 潘建文, 韩文栋 2008 CEMS 在火电厂的应用及存在问题分析. 电力环境保护, 6, 58-60. [10] 张瑞青, 王雷, 肖增弘, 王强, 董立羽 2008 基于支持向量回归的凝汽器真空软测量. 陕西电力, 3, 5-8. [11] 邓乃扬, 田英杰 2004 数据挖掘中的新方法支持向量机. 科学出版社, 北京. [12] 周丽 2010 用遗传算法选择支持向量机参数的研究. 硕士论文, 云南大学, 昆明.