基于门控循环单元神经网络的燃煤电厂脱硝系统建模研究

倪 煜，李德波，陶 叶

（1. 中国电力工程顾问集团有限公司，北京 100120；2. 南方电网电力科技股份有限公司，广东 广州 510080；3. 电力规划设计总院，北京 100120）

0 引言

近年来研究人员开展了大量的NOX污染治理研究。在实际应用中，效率较高且常用的技术手段是燃烧后的处理，其中选择性催化还原（selective catalytic reduction，SCR）是在国内外电厂实际运行中广泛使用的烟气脱硝技术手段，其技术成熟可靠、便于维护、脱硝效率高且不导致二次污染[1-2]。

准确构建脱硝系统运行参数与SCR出口NOX浓度、脱硝效率之间的关系模型是优化整体脱硝控制系统的重要手段。为了提高燃煤电厂脱硝系统出口NOX浓度与脱硝效率的预测准确率，本文以某1 000 MW火电机组脱硝过程为研究对象，构建基于门控循环单元（gated recurrent unit，GRU）神经网络模型，用来预测SCR出口NOX浓度和脱硝效率，并将该模型与传统的机器学习模型进行对比。结果表明，该模型能够更加准确地反映过程参数时间序列特征对实际脱硝效率的影响，从而提高了预测的准确性[3-7]。

1 研究进展

目前，火电厂脱硝出口NOX排放浓度与SCR脱硝效率的预测方法主要有统计回归法、支持向量机法（support vector machines，SVM）和人工神经网络法。任志玲[8]等基于对影响脱硝喷氨控制因素分析利用混沌粒子群优化算法（combinatorial particle swarm optimization，CPSO）对喷氨量进行求解得出最优喷氨控制，构建基于径向基（radial basis function，RBF）神经网络模型对烟气脱硝系统出口的NOX浓度进行预测。结果表明在控制喷氨量的精度与脱硝效率上优于传统的比例—积分—微分控制器 （proportion integral differential，PID）控制算法。赵……