数据融合驱动的余热锅炉阀门调节方法

刘 晶，秦国帅，孟德凯，贺伯君，季海鹏

(1. 河北工业大学 人工智能与数据科学学院,天津 300401；2. 河北省数据驱动工业智能工程研究中心，天津 300401；3. 劳里埃大学 计算机科学学院,加拿大 滑铁卢 999040;4. 中材节能股份有限公司，天津 300401；5. 河北工业大学 材料科学与工程学院,天津 300401)

0 引言

近年来，随着社会经济发展，我国水泥行业产量迅速提升。根据数据表明，2014年我国水泥产量在全球总产量中占比56.7%[1]。同时，水泥行业又是一个典型高能耗产业，水泥行业能耗在全球能源消耗中占比8.5%，并且二氧化碳排放量占比高达34%[2]。

水泥生产过程中，熟料煅烧过程占水泥生产总能耗92.6%以上，其中只有大约60%的热量被熟料煅烧所利用，剩余的40%热量随着窑头、窑尾的废气一起排入了大气中。不但造成了大气污染，还造成了大量热能的损耗。因此如何提升能源利用率成为余热发电系统的关键性问题。

目前，低温余热发电技术系统优化方法主要分为两类，分别是基于专家经验系统控制优化方法和基于数据驱动系统控制优化方法。

基于专家经验系统控制优化方法常用模糊控制等手段，以生产现场工作人员的控制经验为基础，在系统控制方面进行优化。其中，文献[3]以有机朗肯循环系统中的蒸发器为研究对象，使用模糊PID控制，使系统具有更好的稳定性。文献[4]使用PID控制器将涡轮机入口条件保持在过热状态，而没有明显的过冲现象，提高系统的热效率。文献[5]设计了非线性模型预测以及PID联合控制模型，适用于重型柴油机的平行蒸发器有机朗肯循环(ORC)余热回收系统的实时增强控制，可确保ORC系统高效、安全地运行。上述方法虽然取得了较好的效果，但随着系统的复杂程度越来越高，此类方法很难对系统各个参数之间的内部关系进行深度挖掘。

近年来，IOT技术被广泛应用于工业领域，设备产生了海量的运行数据，基于数据驱动的系统控制优化成为一种主流研究方法。其主要通过深度挖掘历史数据之间的内在关系调整优化设备参数，常用方法有神经网络，遗传算法等。其中，文献[6]研究涡轮机转速与工质蒸发压力对于涡轮机输出功率的影响问题，将 BP 神经网络应用于低温余热系统建模中，证明了基于BP神经网络模型在建模中的有效性。文献[7]采用基于神经网络的PID控制方法，对中低温余热发电系统中膨胀机动态性能进行了调节，证明与传统PID 控制相比, 该算法具有较好的控制效果。文献[8]基于遗传算法提出了一种蒸汽网络模型，该模型可以减小蒸汽质量平衡的不稳定性和蒸汽能量损失，提高能源利用率。由此可见，基于数据驱动建模是解决工业问题的有效途径。

由于余热锅炉系统中阀门调节影响因素众多，参数关系复杂，而模糊控制等方法在复杂系统优化中存在局限性问题，因此基于余热发电系统生产数据的优化成为一种有效手段。针对余热锅炉阀门调节问题，本文提出了一种数据融合驱动的余热锅炉阀门调节方法。该方法利用大量余热锅炉阀门调节数据，深度挖掘余热锅炉阀门调节特征的内在联系，建立余热锅炉阀门调节预测模型。由于单个锅炉存在多个阀门，通过研究阀门调节特性，将该方法分为以下两个子模型：

1) 针对冷风阀的调节特性，提出了基于过采样决策树的冷风阀调节预测模型(Oversampling-based decision tree cooling air valve adjustment prediction model，简称ODTVA调节预测模型)，该模型首先通过建立特征指标集，预测结果标签化，过采样处理，其次在此基础上建立决策树预测模型，可有效预测冷风阀调节操作。

2) 针对入口阀和旁通阀的调节特性，提出了基于LSTM-BP共享权值神经网络的入口阀&旁通阀调节预测模型(Prediction model of inlet valve and bypass valve adjustment based on LSTM-BP shared weight neural network，简称LSWBVA调节预测模型)，该模型利用LSTM提取阀门调节时序性特征，并通过共享权值的BP神经网络解决入口阀、旁通阀调节强相关性问题，有效提高了余热能源利用率。

1 数据融合驱动的余热锅炉阀门调节方法

1.1 整体框架设计

数据融合驱动的余热锅炉阀门调节方法主要对AQC余热锅炉阀门调节进行预测，AQC余热锅炉布置在回转窑窑头附近，负责回收水泥生产线上废气余热，并加热水产生过热蒸汽，以推动汽轮机做功发电。AQC余热锅炉包括3个阀门，即入口阀、旁通阀、冷风阀。传统方法中，当窑头热源温度较高，通过人工调节冷风阀对余热锅炉温度进行控制，防止温度过高造成安全隐患。为提高余热回收中能源利用率，入口阀大多数情况处于全开状态，旁通阀处于微开状态，状态比较稳定。

如表1所示，通过分析入口阀和旁通阀开度的历史数据，入口阀和旁通阀开度存在强负线性相关，冷风阀与其他两个阀门之间相关性极小。即冷风阀通常单独调节，入口阀和旁通阀通常一起调节。因此数据融合驱动的余热锅炉阀门调节方法针对AQC余热锅炉不同阀门的调节分为两个子模型，分别为冷风阀调节预测模型和入口阀、旁通阀调节预测模型。

表1 阀门状态相关系数Tab.1 The correlation coefficient of valve state

方法架构图如图1所示，首先通过数据预处理，新增阀门调节关键特征，并对阀门状态标签化，挖掘温度压力特征与阀门调节的对应关系。其次，针对冷风阀调节数据多变性以及不平衡问题，通过对训练集过采样，构建冷风阀ODTVA调节预测模型。最后，针对入口阀和旁通阀调节依赖时序性特征，以及两者调节强相关性等特点，构建入口阀&旁通阀LSWBVA调节预测模型， 当入口阀全开时，根据历史取风温度变化利用LSTM神经网络预测当前时间段内取风温度，当真实取风温度均值与预测取风温度均值差值大于偏差阈值，则通过BP共享权值神经网络同时对入口阀、旁通阀预测，调节两者开度；当真实取风温度均值与预测取风温度均值差值小于阈值则保持入口阀、旁通阀开度不变；当入口阀处于非全开状态时，则直接预测并调节入口阀、旁通阀开度。基于以上方法，可有效调节AQC余热锅炉阀门开度状态。

图1 数据融合驱动的余热锅炉阀门调节方法架构图Fig.1 The architecture diagram of data fusion driven waste heat boiler valve adjustment method

1.2 冷风阀ODTVA调节预测模型

传统人工调节往往是根据当前锅炉内部的温度、压力特征使冷风阀开度增大、不变、减小。 因此，对冷风阀状态数据进行预处理，将预测类别标签转换为增大、不变、减小。通过分析历史数据，冷风阀调节策略如下所示：

1) 当锅炉内部温度、压力长时间低于临界阈值，冷风阀处于全关状态且保持不变；当温度、压力长时间高于临界阈值，冷风阀处于全开状态且保持不变。

2) 当锅炉内部的温度、压力超过或低于最佳阈值范围时增大或减小冷风阀开度。

3) 当锅炉内部温度、压力在最佳阈值范围时保持当前冷风阀开度不变。

针对冷风阀调节数据多变性以及不平衡问题，提出冷风阀ODTVA调节预测模型。该模型通过计算特征参数信息熵，选取特征集合中最大信息增益的分类特征，构造决策树[9-11]。

构建冷风阀ODTVA调节预测模型流程如图2所示，首先通过新增特征，以及预测结果标签化预处理，挖掘温度压力特征与阀门调节内在联系。其次，通过过采样处理，解决冷风阀调节数据不平衡问题，最后构建基于决策树算法的冷风阀ODTVA调节预测模型。

图2 冷风阀ODTVA调节预测模型Fig.2 The ODTVA adjustment prediction model of cold air valve

1.2.1建立特征指标集

余热发电系统中AQC余热锅炉相关特征众多，为保证能够精准预测AQC余热锅炉阀门调节，选择阀门调节影响因素最大的特征作为输入特征，包括取风温度、主蒸汽温度、主蒸汽流量、主蒸汽压力、过热器前废气温度等关键特征。

阀门调节依赖最近时刻温度变化，因此通过特征预处理，在以上特征基础上建立阀门调节关键特征，保留调节数据最近时刻时序性特征。

阀门调节会在上一时刻阀门开度的基础上调节。例如：阀门处于全开或者全关状态，则无法增大或者减小。因此新增上一时刻阀门状态特征。

取风温度作为AQC余热锅炉热源特征，其升降对锅炉内部温度变化具有关键性的影响。主蒸汽温度作为余热锅炉阀门调节优劣的评价指标，其升降是阀门调节的重要依据。因此添加取风温差，主蒸汽温差保留最近时刻温度变化的时序性特征。

主蒸汽温度过低会造成能源利用率下降，过高会导致余热锅炉存在安全隐患。因此主蒸汽温度存在最佳阈值区间。通过分析主蒸汽温度数据，主蒸汽温度分布服从正态分布。因此利用当前主蒸汽温度减去样本均值得到新的关键特征，即主蒸汽均值温差，表示当前主蒸汽温度与期望温度的偏差。

综上所述，输入特征参数如表2所示。

表2 输入特征参数Tab.2 Input feature parameters

1.2.2预测结果标签化

通过预测结果标签化，挖掘温度、压力特征与冷风阀开度调节的映射关系。冷风阀预测标签化的算法如下：

步骤1：给定阀门全开的最小值OpenStatusValue,大于该值即认为阀门处于全开状态，给定阀门全关的最大值CloseStatusValue，小于该值即认为阀门处于全关状态。

步骤2：给定参数RangeNumber,即除全开和全闭的状态之外的开度区间数量。

步骤3：针对每一个时刻的阀门开度百分比，计算所在的开度区间，生成开度等级。

步骤4：根据下一时刻的阀门开度和当前时刻的阀门开度等级差值进行判断。如果下一时刻的开度等级大于当前时刻的开度等级，则标记为增大，如果小于，标记为减小，否则，标记为不变。

1.2.3过采样处理

实际调节中，当余热锅炉内部温度、压力处于最佳阈值区间时，冷风阀开度保持不变；当余热锅炉内部温度、压力过高时，冷风阀处于长时间全开，且保持不变；当余热锅炉内部温度、压力过低时，冷风阀处于长时间全关，且保持不变；以上三种情况导致数据集中不变类别的数据量远远多于减小和增大的类别。由于数据集非平衡性会对模型的预测结果造成比较大的影响[12]，因此采用SMOTE过采样的方法增加少数类别数据量，提升模型的预测准确率。

1.2.4基于ID3决策树的冷风阀调节预测

在实际生产环境中，首先冷风阀存在多种调节情况，其次人工调节存在滞后性，且多人调节单台锅炉，导致数据集中存在噪声问题。针对以上问题，本文提出了基于决策树算法的冷风阀ODTVA调节预测模型。该模型使用基于ID3决策树算法进行阀门调节预测，针对特征集合存在连续特征值的问题，通过求解分割点集合，利用分割点将连续值转换为离散值。决策树生成算法如下所示：

步骤1：计算信息熵。针对样本数据集D={x(1),x(2),…,x(n)}，其标签对应Y={y(1),y(2),…,y(n)}，首先计算当前样本集D中的信息熵。

样本集合D信息熵：

其中，m代表阀门类别集合个数，pi表示集合D中第i类别占比。

步骤2：计算连续值分割点集合T。针对温度，压力等特征是连续值，首先对基于该特征的数据集合进行排序，其次对相邻两个特征值求均值t，得到划分点集合T=[t(1),t(2),…,t(n-1)]。

步骤3：计算信息增益。决策树计算大量数据时，存在连续特征的信息增益计算时间复杂度过高的问题，因此改进了此处的计算方式。针对锅炉特征取值上下界范围较小，而样本较多的情况，给定一个较小的参数step,以max(1,(n·step))为步长，从集合T间隔抽取划分点，求解基于当前划分点的信息增益，最终求得划分点集合中最大信息增益的划分点。

特征A划分集合的信息熵：

其中，v表示根据特征A将集合D划分为v个子集合，|Dj|表示该子集合中的样本数。

特征A划分信息增益：

Gain(A)=Info(D)-InfoA(D)

步骤4：最大信息增益。依次遍历当前特征集合中所有特征，计算信息增益最大的特征。根据当前特征进行划分[D1,D2,…,Dv]子集合，并将此特征从特征集合中移除。

步骤5：构建子树。分别对[D1,D2,…,Dv]子集合进行递归，重复上述步骤1～4，生成决策子树。

步骤6：预剪枝。针对决策树过拟合和数据集中噪声等问题，采用预剪枝的方法。当存在以下3种情况，即某一子集合所有的样本属于同一类时；或样本集合中样本数小于最小节点数n·THRESHOLD时；或决策树深度大于等于最大深度MAX_DEPTH时，将此节点标记为叶节点，此叶节点类别为当前集合中样本数最多的类别。

1.3 入口阀&旁通阀LSWBVA调节预测模型

由阀门相关系数可知，入口阀、旁通阀两者之间存在强相关性，调节时会一起调节。

图3是入口阀和旁通阀调节的示例过程。

图3 入口阀&旁通阀调节示例Fig.3 The example of inlet valve and bypass valve adjustment

当取风温度特征处于正常波动，入口阀旁通阀开度稳定不变，保证余热回收利用率。当取风温度特征骤升，引起锅炉内部温度压力过高，减小入口阀开度，增大旁通阀开度，减少进入锅炉内部的热量。因此入口阀旁通阀的调节依赖取风温度特征的时序性变化。

如图4所示，由于传统机器学习算法无法提取数据时序性特征，因此采用深度学习长短期记忆网络[13](Long Short-Term Memory, LSTM)提取取风温度时序性特征。该网络通过控制遗忘门、输入输出门来控制神经节点的遗忘和记忆，有效解决了循环神经网络中存在的梯度消失或梯度爆炸等问题。因此LSTM神经网络可有效学习时序性特征并对时序性数据进行预测。

图4 LSTM神经网络单元Fig.4 The unit of LSTM neural network

遗忘门计算公式如下：

f(t)=σ(ωf·[h(t-1),x(t)]+bf)

其中，ω是隐藏层t-1时刻输出h(t-1)与h时刻输入x(t)的权重，bf是偏置，σ为Sigmoid激活函数，控制细胞单元中保留和遗忘哪些信息。

输入门计算公式如下：

i(t)=σ(ωi·[h(t-1),x(t)]+bi)

g(t)=φ(ωg·[h(t-1),x(t)]+bg)

其中，φ为非线性激活函数，g(t)是新的记忆信息。σ控制值的更新。

经过遗忘门和输入门，当前记忆单元更新单元内的记忆状态，将该时刻以及以前的知识有效传递。长期状态更新公式如下：

S(t)=S(t-1)⊙f(t)+g(t)⊙i(t)

其中，⊙为内积运算。

输出门计算公式如下：

o(t)=σ(ωo·[h(t-1),x(t)]+bo)

h(t)=φ[S(t)]⊙o(t)

通过遗忘门、输入门和输出门的控制，LSTM神经网络可以有效地提取数据时序性特征[14-15]。

因此针对以上入口阀，旁通阀调节存在的依赖时序性特征，以及强相关特点，提出了入口阀&旁通阀LSWBVA调节预测模型。

1.3.1基于LSTM取风温度异常检测

由于取风温度存在时序性以及较少时刻存在温度骤升情况，故存在数据失衡问题，针对以上问题，提出基于LSTM取风温度异常检测算法。主要思想是利用正常温度波动较多的情况检测异常温度波动较少的情况。由于大多时刻取风温度处于正常波动状态，因此在温度骤升时会出现预测偏差较大的情况，通过对偏差阈值大小的控制可以有效地预测取风温度的异常状态。该算法预测流程图如图5所示。

图5 LSTM取风温度异常检测流程图Fig.5 The flowchart of extract wind temperature anomaly detection based LSTM

步骤1：输入特征。利用LSTM滑动窗口，选择历史取风温度特征[x(1),x(2),…,x(l)]为输入特征,其中,l为取风温度历史步长大小。

步骤3：计算偏差。计算真实温度均值与预测温度均值差值θ,如果θ值大于偏差阈值Δ，则认为当前温度异常，需要调节入口阀和旁通阀。否则为正常，当前入口阀和旁通阀开度不变。

由于该算法通过历史取风温度预测当前一段时间内取风温度变化。因此需要选取合适的历史步长l以及当前步长r，提高该算法对取风温度变化预测的精确性。

1.3.2基于BP共享权值神经网络的入口阀&旁通阀调节预测

针对入口阀、旁通阀存在强相关性特点，提出基于BP共享权值神经网络的入口阀&旁通阀调节预测算法。通过分析入口阀、旁通阀调节数据，锅炉内部温度、压力特征与入口阀、旁通阀开度状态存在明显的映射关系。锅炉内部温度压力越高，入口阀开度越小，旁通阀开度越大。因此可以直接预测入口阀，旁通阀开度。基于BP共享权值神经网络的入口阀&旁通阀调节预测过程如图6所示。

图6 BP共享权值神经网络入口阀&旁通阀预测流程图Fig.6 The flowchart of inlet valve and bypass valve predicted by BP shared weight neural network

首先数据预处理，将预测结果标签化。其次，利用数据集训练BP共享权值神经网络。最后，计算真实值与预测值的偏差，通过联合损失函数，反向更新网络参数，解决入口阀和旁通阀强相关性问题。该联合损失函数如下所示：

2 阀门调节实验以及分析

2.1 数据集描述

数据集来源于某水泥厂余热发电系统的AQC锅炉实际生产数据，间隔时间1 min。本次研究的数据集时间为2019-04-09至2019-11-13，共计220 201个样本。

冷风阀、入口阀、旁通阀阀门调节折线图和直方如图7所示，由图7(a)冷风阀折线图可以看出冷风阀状态波动剧烈，开度调节频繁，从直方图中可以看出冷风阀具有多种开度等级。由图7(b)入口阀折线图，图7(c)旁通阀折线图可以看出入口阀，旁通阀调节较少，状态比较稳定，且调节时会一起调节。从由7(b)入口阀直方图，以及图7(c)旁通阀直方图中可以看出入口阀、旁通阀的开度等级比较固定。综上所述，该余热锅炉主要通过冷风阀控制温度压力，在特定时候才会调节入口阀、旁通阀。

图7 阀门调节数据折线图和直方图Fig.7 The line chart and histogram of valve adjustment data

2.2 冷风阀调节实验

2.2.1冷风阀ODTVA调节预测模型设计实验

为验证冷风阀ODTVA调节预测模型有效性，设计实验对比该模型与其他模型预测结果。针对数据存在不平衡问题，以AUC作为评价指标，比较各调节预测模型的性能表现。

表3 ODTVA调节预测模型参数设置Tab.3 Parameter setting of ODTVA adjustment prediction model

由表4、表5得出，决策树、ODTVA调节预测模型在单天数据集中AUC高于0.9，证明了决策树算法在冷风阀操作分类中的有效性。ODTVA调节预测模型相比决策树调节预测模型，AUC有显著提升。如图8混淆矩阵所示，ODTVA调节预测模型可有效提高少数类别的分类准确率。在实际阀门调节中，增大，减小类别的准确率更为重要，因此加入SMOTE过采样算法可以使调节预测模型效果更好，更加符合实际调节情况。

表4 决策树调节预测模型单天数据预测Tab.4 Single day data prediction of decision tree adjustment prediction model

表5 ODTVA调节预测模型单天数据预测Tab.5 Single day data prediction of ODTVA adjustment prediction model

图8 混淆矩阵Fig.8 Confusion matrix

如表6所示，当数据量增大，决策树的深度越深，AUC值越低，出现过拟合现象，因此数据量较大时树深度不该过深。

表6 ODTVA调节预测模型单周数据预测Tab.6 One-week data prediction of ODTVA adjustment prediction model

各调节预测模型实验结果如表7所示。

表7 各个调节预测模型AUC比较Tab.7 AUC comparison of different adjustment prediction model

使用单天数据量训练，ODTVA调节预测模型AUC最高为0.962 4，远高于其他预测模型。由于决策树算法在生成预测标签时少数服从多数，因此对噪声有较强的鲁棒性，可以修正调节数据集中的滞后性问题，更适合应用于阀门调节中。

使用单周数据量训练模型，各调节预测模型AUC基本均出现了下降的情况。这是因为时间增长，数据集中噪声数据增多。加入SMOTE算法后各调节预测模型AUC均出现了提升，再次证明SMOTE算法在冷风阀门调节的有效性。通过对比各个调节预测模型，冷风阀ODTVA调节预测模型在单天以及单周数据集中AUC均是最高。证明ODTVA调节预测模型在冷风阀操作分类中性能最好。

2.2.2冷风阀调节仿真实验

针对冷风阀调节预测模型需要应用于实际生产，因此根据实际调节情况设计实验仿真。使用单周数据训练模型，预测调节单天冷风阀开度状态。比较各调节预测模型阀门预测开度与实际真实开度的MAE以及标签AUC，对比各个调节模型仿真性能。由表7可知，SMOTE算法可以显著提高各个模型的AUC，因此将对比冷风阀ODTVA调节预测模型与其他过采样调节模型以及LSTM调节模型。

仿真调节实验的流程：

步骤1：输入数据X，预测当前阀门操作Y，即增大，不变，减小操作。

步骤2：如果输出的Y为增大或者减小，将当前阀门开度增加或者减小1或2个等级输出。如果输出开度大于阀门最大开度，将该开度设置为阀门最大开度，如果小于阀门最小开度，将该开度设置为阀门最小开度，并将下一时刻输入数据中冷风阀门开度替换成该开度。

步骤3：重复以上两个步骤，预测仿真集中每一时刻阀门开度。

阀门开度MAE表示阀门真实开度与预测开度偏差，MAE越小，预测开度和真实开度越接近。标签AUC表示阀门预测操作的准确性，AUC越高，余热锅炉阀门操作越精准。仿真结果如表8所示，相比其他调节模型，ODTVA调节预测模型具有更低的MAE以及更高的AUC，证明ODTVA调节预测模型仿真效果最好。

表8 冷风阀调节实验仿真结果Tab.8 The simulation result of cold air valve adjustment experiment

实验仿真结果如图9所示，其中，实线为真实值，虚线为预测值。

从图9(c)中可以看出LSTM调节预测模型效果最差，虽然LSTM调节预测模型虽然在某些波动剧烈的时候可以正常预测，但是由于无法提前对数据过采样，数据不平衡，因此仿真结果较差。从图9(d)中可以看出SMOTE-SVM调节预测模在某些时刻预测较好，但是在某些时刻呈一条直线，这是因为虽然对最终类别进行了过采样，但是在某些阀门开度依旧存在数据不平衡问题，因此SMOTE-SVM调节预测模型在某些阀门开度偏向不变类别。从图9(a)和图9(b)中可以看出ODTVA和SMOTE-BP调节预测模型在实际预测中可以较好地调节。如表8所示，与SMOTE-BP调节预测模型相比，ODTVA调节预测模型AUC更高，表示ODTVA调节预测模型调节更加精准。从图9(b)中也可得出SMOTE-BP调节预测模型实际仿真中波动更加剧烈，而图9(a)中ODTVA调节预测模型仿真结果则具有更好的稳定性。实际生产中阀门调节稳定性越高越好，因此ODTVA调节预测模型更加符合实际情况。其次，如表8所示，ODTVA调节预测模型的MAE比SMOTE-BP调节预测模型更低，从图9(a)中也可得出ODTVA调节预测模型相比图9(b)中SMOTE-BP调节预测模型具有更好的拟合效果。通过对比以上各个模型，证明了ODTVA调节预测模型在冷风阀仿真调节中的效果最好。

图9 冷风阀调节仿真Fig.9 The simulation result of cold air valve adjustment

2.3 入口阀和旁通阀调节实验

2.3.1基于LSTM取风温度异常检测实验

输入层单元个数表示历史步长，输出层单元个数表示当前步长。为防止过拟合，在训练时加入了Dropout。表10是各参数的算法结果。

表9 LSTM神经网络参数设置Tab.9 Parameter setting of LSTM neural network

表10 不同参数实验结果比较Tab.10 Comparison of experimental results with different parameters

通过以上实验对比，LSTM滑动窗口历史步长l为10，当前步长r为3，Val Loss最低。历史步长l为20，当前步长r为5，测试集的均值MAE最低，表示根据前20 min预测后5 min，误差最小。当l为30，r为10，Val Loss以及均值MAE误差增大。由于该算法通过比较均值误差判断当前锅炉取风温度是否异常，因此选用历史步长为20，当前步长为5构建LSWBVA调节预测模型。

2.3.2基于BP共享权值神经网络的入口阀&旁通阀预测实验

表11 BP共享权值神经网络参数设置Tab.11 Parameter setting of BP shared weight neural network

由于入口阀旁通阀调节样本较少，类别没有失衡问题，因此直接对比各个参数下算法的准确率评估算法性能。如表12所示，BP共享权值神经网络入口阀，旁通阀开度预测，平均准确率为83.95%，证明BP共享权值神经网络可以有效地同时预测入口阀、旁通阀开度。

表12 入口阀&旁通阀预测实验结果Tab.12 The result of inlet valve and bypass valve prediction experiment

2.3.3LSTM取风温度预测仿真实验

为验证LSTM取风温预测算法可有效检测取风温度的异常上升，利用该模型对调节示例中的取风温度仿真预测，如图10所示，其中，实线为真实均值，虚线为预测均值。基于LSTM神经网络的取风温度仿真预测结果基本吻合真实状态下的温度均值，在温度骤增时出现真实值与预测值偏差过大的问题，真实值均值远远大于预测值均值。由于在此处出现了温度骤升的情况，相应需要减小入口阀开度，增大旁通阀开度。因此通过设置合适的偏差阈值，计算真实均值与预测均值偏差程度，如果大于给定的偏差阈值，即认为需要调节入口阀、旁通阀。仿真实验表明，该算法可有效预测入口阀、旁通阀的调节时机，最大限度的利用余热能源，符合实际的生产需要。

图10 取风温度仿真预测结果Fig.10 The result of extract wind temperature simulation prediction

2.3.4入口阀、旁通阀调节仿真实验

为验证入口阀、旁通阀LSWBVA调节预测模型在实际应用中的有效性，利用该模型对调节示例入口阀，旁通阀仿真预测。仿真实验结果如图11所示，分别是LSWBVA和BP共享权值神经网络调节预测模型的入口阀、旁通阀调节仿真。

其中实线为真实值，虚线为预测值。从图11(c)中可以看出由于BP共享权值神经网络调节预测模型无法提取取风温度数据的时序性特征，判断当前温度曲线变化是否需要调节入口阀和旁通阀，只能根据当前锅炉内部的温度特征对阀门进行调节，因此在取风温度波动稳定时，也会调节入口阀、旁通阀。实际调节中取风温度波动稳定时主要通过调节冷风阀控制锅炉内部温度，只有在温度骤升时才调节入口阀和旁通阀来控制进入锅炉内部的热量。从图11(a)中可以看出LSWBVA调节预测模型通过LSTM提取取风温度的时序性特征，对锅炉取风温度异常检测，在锅炉温度骤升时通过BP共享权值神经网络调节入口阀和旁通阀，温度稳定时保持阀门开度不变。因此LSWBVA调节预测模型相比BP共享权值神经网络调节预测模型，提高了余热能源利用率。

图11 LSWBVA、BP调节预测模型实验仿真结果Fig.11 The simulation result of LSWBVA and BP adjustment prediction model experiment

3 结论

针对传统AQC余热锅炉阀门调节依赖人工经验的问题，本文提出了一种数据融合驱动的余热锅炉阀门调节方法。首先，通过对原始数据预处理，挖掘阀门调节与锅炉温度压力内部特征的关系；其次，在此基础上提出了冷风阀ODTVA调节预测模型，仿真实验表明，该模型具有更好的阀门开度拟合效果；最后，利用LSTM模型对取风温度特征状态进行监测，再通过BP共享权值神经网络对入口阀旁通阀同时调节。仿真实验结果表明，入口阀&旁通阀LSWBVA调节预测模型可有效地检测取风温度骤升异常情况，精准调节入口阀和旁通阀，相比单独对入口阀旁通阀调节，更加符合实际的实际调节操作，提高了能源利用率。由此证明了数据融合驱动的余热锅炉阀门调节方法在AQC余热锅炉阀门调节中的有效性。