王冠華，孫宇貞，彭道剛，汪皓然

（上海電力大學(xué) 自動化工程學(xué)院，上海 200090）

0 引言

壓縮空氣是工業(yè)上常用的能源介質(zhì)之一，是僅次于電力的第二大動力能源，應(yīng)用范圍遍及石油化工、冶金電力、輕工紡織等行業(yè)領(lǐng)域?？諌簷C(jī)是壓縮空氣的氣壓發(fā)生裝置，目前最為普遍的運(yùn)行邏輯是根據(jù)壓縮空氣壓力控制空壓機(jī)的運(yùn)行狀態(tài)，當(dāng)壓力傳感器檢測值達(dá)到設(shè)定的最低工作壓力值時，空壓機(jī)開始加載，產(chǎn)生壓縮空氣；當(dāng)達(dá)到設(shè)定的最高工作壓力值時，空壓機(jī)開始卸載，電動機(jī)處于空轉(zhuǎn)狀態(tài)，消耗電能但不產(chǎn)生壓縮空氣，造成額外的電能浪費(fèi)［1-4］。

目前國內(nèi)壓縮空氣系統(tǒng)裝備水平較為落后，全國氣動系統(tǒng)存在10%～30%的節(jié)能空間［5］。部分學(xué)者從影響壓縮空氣系統(tǒng)能耗因素的角度進(jìn)行了研究，陳倩倩等［6-7］通過建立空壓機(jī)進(jìn)氣溫度和能耗的回歸方程，得出了對空壓機(jī)進(jìn)氣溫度實(shí)施降溫預(yù)處理有利于降低空壓機(jī)能耗的結(jié)論。蘇智劍等［8］研究單向閥參數(shù)對空壓機(jī)排氣量的影響，通過粒子群算法對空壓機(jī)轉(zhuǎn)速系統(tǒng)進(jìn)行優(yōu)化設(shè)計。也有學(xué)者從控制策略和設(shè)備優(yōu)化方面進(jìn)行研究，呂晨悅等［9］提出改進(jìn)雞群優(yōu)化算法整定PID 參數(shù)，增強(qiáng)了空壓機(jī)系統(tǒng)抗干擾能力的同時實(shí)現(xiàn)節(jié)省耗電量。沈九兵等［10］提出一種組合式壓縮空氣干燥系統(tǒng)，通過熱力學(xué)計算模型證明該系統(tǒng)具有良好的節(jié)能特性。以上研究主要集中在對單臺空壓機(jī)的優(yōu)化上，由于火電機(jī)組空壓機(jī)具有數(shù)量多、用途廣、空壓站獨(dú)立運(yùn)行等特點(diǎn)，應(yīng)充分考慮資源整合、聯(lián)網(wǎng)供氣、統(tǒng)一調(diào)配的優(yōu)化方案。

李學(xué)波等［11］對某電廠空壓機(jī)通過聯(lián)鎖控制系統(tǒng)升級等方案實(shí)現(xiàn)節(jié)能改造的效果。某電廠將空壓機(jī)排氣壓力階梯式控制方式更改為根據(jù)母管壓力統(tǒng)一控制的方式，通過新增設(shè)備硬件和優(yōu)化控制策略實(shí)現(xiàn)節(jié)省15%左右的耗電量［12］。在火電機(jī)組聯(lián)網(wǎng)供氣改造的案例中，大多數(shù)還是以壓力作為系統(tǒng)的特征指標(biāo)，但只采用壓力作為控制空壓機(jī)運(yùn)行狀態(tài)的基準(zhǔn)存在一定的局限性，當(dāng)系統(tǒng)發(fā)生泄漏壓縮空氣壓力下降時，只能通過空壓機(jī)持續(xù)加載或多開機(jī)器進(jìn)行壓力補(bǔ)充，造成電能浪費(fèi)和設(shè)備損耗。

在壓縮空氣系統(tǒng)中，壓縮空氣流量需求是最核心的。通過預(yù)測模型獲得符合精度要求的用氣量預(yù)測值，對空壓機(jī)進(jìn)行優(yōu)化調(diào)度，是提高系統(tǒng)運(yùn)行效率的關(guān)鍵。針對某火電機(jī)組無法對廠內(nèi)空壓機(jī)系統(tǒng)的運(yùn)行方式和用氣需求等方面進(jìn)行有效監(jiān)測，從而造成空壓機(jī)加卸載頻繁，耗電量較大等問題，本文提出一種基于鵜鶘優(yōu)化算法（POA）優(yōu)化長短期記憶神經(jīng)網(wǎng)絡(luò)（Long Short-Term Memory，LSTM）的壓縮空氣流量預(yù)測模型，通過相關(guān)分析得到與壓縮空氣流量強(qiáng)相關(guān)性參數(shù)作為模型的輸入，利用POA 算法優(yōu)秀的尋優(yōu)能力優(yōu)化LSTM 的超參數(shù)，建立預(yù)測模型對流量進(jìn)行預(yù)測，根據(jù)用氣量變化及時調(diào)整聯(lián)網(wǎng)系統(tǒng)內(nèi)空壓機(jī)的組合方式和運(yùn)行狀態(tài)，在充分利用現(xiàn)有設(shè)備的情況下實(shí)現(xiàn)降低能耗。

1 POA-LSTM 預(yù)測模型

1.1 LSTM

長短期記憶神經(jīng)網(wǎng)絡(luò)（LSTM）是深度神經(jīng)網(wǎng)絡(luò)（DNN）的一種，和循環(huán)神經(jīng)網(wǎng)絡(luò)（RNN）相似，通過神經(jīng)元之間的遞歸連接，探索時間序列數(shù)據(jù)之間的內(nèi)在聯(lián)系，建立序列數(shù)據(jù)模型。與RNN 模型相比，LSTM 在隱藏層的神經(jīng)元中增加了輸入門、遺忘門和輸出門，通過閥門的打開或關(guān)閉，可以選擇性記憶重要信息，控制歷史結(jié)果的使用，可以有效地解決RNN 模型存在梯度爆炸和梯度消失的問題［13-14］。目前應(yīng)用最為廣泛的LSTM 網(wǎng)絡(luò)結(jié)構(gòu)如圖1 所示。

圖1 LSTM 隱藏層神經(jīng)單元展開結(jié)構(gòu)Fig.1 LSTM hidden layer neural unit expansion structure

設(shè)輸入序列為（x1，x2，…，xT），隱藏層狀態(tài)為（h1，h2，…，hT），則在t 時刻有：

式中，it為輸入門；σ（·）為sigmoid 激活函數(shù)；R，W為連接權(quán)重矩陣；ht為隱藏狀態(tài)；bi，bf，bc，bo分別為各函數(shù)的閾值；ot為輸出門；Ct為記憶單元狀態(tài)；ft為遺忘門。

建立壓縮空氣流量預(yù)測模型首先需要對LSTM 網(wǎng)絡(luò)進(jìn)行訓(xùn)練，訓(xùn)練過程包括信號的正向傳遞和誤差的反向傳播兩個部分。根據(jù)信號的正向傳遞計算隱藏層和輸出層的數(shù)值，通過實(shí)際輸出值和理論輸出值的誤差反向傳播優(yōu)化連接權(quán)重，直到誤差無限小或小于給定參考誤差值，完成訓(xùn)練并保存網(wǎng)絡(luò)模型參數(shù)。

LSTM 在解決序列預(yù)測的問題時非常強(qiáng)大。與普通BP 神經(jīng)網(wǎng)絡(luò)相比，LSTM 擁有更深的網(wǎng)絡(luò)層和更高效的節(jié)點(diǎn)單元，隱含層輸出結(jié)果和當(dāng)前輸入及上一時刻隱含層的輸出相關(guān)，具備了記憶之前幾次結(jié)果的特點(diǎn)，可以全面深入地發(fā)現(xiàn)壓縮空氣系統(tǒng)中的數(shù)據(jù)信息，捕捉時間序列中不同尺度的特征，有較好的預(yù)測效果。因此，本文選用LSTM 網(wǎng)絡(luò)對火電機(jī)組壓縮空氣流量進(jìn)行預(yù)測。

1.2 鵜鶘優(yōu)化算法POA

鵜鶘優(yōu)化算法（POA）由Pavel Trojovsky 和Mohammad Dehghani 在2022 年提出的［15］，該算法模擬了鵜鶘在狩獵時的自然行為，是一種新的隨機(jī)自然啟發(fā)優(yōu)化算法。

POA 算法的實(shí)質(zhì)是一種基于種群的算法。算法首先使用式（7）根據(jù)給定問題變量的上下限隨機(jī)初始化種群個體。

式中，xi，j為第i 只鵜鶘的第j 維的位置；lj為求解問題第j 維的下限；rand 是［0，1］范圍內(nèi)的隨機(jī)數(shù)；uj為求解問題第維的上限；N 為鵜鶘的種群數(shù)量；M為求解問題的維度。

鵜鶘的種群個體見式（8）。矩陣的每一行表示每只鵜鶘的位置，每一列表示求解問題變量的取值。

式中，X 為鵜鶘的種群矩陣；Xi為第i 只鵜鶘的位置。

在POA 算法中，求解問題的目標(biāo)函數(shù)可以用來計算鵜鶘的目標(biāo)函數(shù)值，鵜鶘種群的目標(biāo)函數(shù)值可以用目標(biāo)函數(shù)值向量表示：

式中，F(xiàn) 為鵜鶘種群的目標(biāo)函數(shù)向量；Fi為第i 只鵜鶘的目標(biāo)函數(shù)值。

POA 算法模擬了鵜鶘在攻擊和狩獵時的行為和策略，用于候選解的更新，模擬過程分為探索階段和開發(fā)階段。

在探索階段的數(shù)學(xué)建模見式（10）。該階段使得POA 算法可以對搜索空間進(jìn)行掃描，進(jìn)而發(fā)揮算法在搜索空間中不同區(qū)域的勘探能力：

參數(shù)I 在每次迭代和每個個體中都是隨機(jī)選擇的，當(dāng)I=2 時，會為一個個體帶來更多的位移，可能導(dǎo)致該個體進(jìn)入搜索空間的較新區(qū)域，故參數(shù)I 影響到POA 算法的全局搜索能力。

若目標(biāo)函數(shù)值在某位置得到改善，則接受鵜鶘的新位置，被稱為有效更新。該過程用式（11）表示為：

式中，XiP1為第i 只鵜鶘的新位置；FiP1為其在第一階段的目標(biāo)函數(shù)值。

在開發(fā)階段的數(shù)學(xué)建模見式（12）。該階段使得POA 算法收斂到狩獵區(qū)域中更好的位置，這個過程增加了POA 算法得局部搜索和開發(fā)能力：

在該階段，有效更新也被用來接受或拒絕新的鵜鶘位置，該過程可以用式（13）進(jìn)行描述：

式中，XiP2為第i 只鵜鶘的新位置，F(xiàn)iP2為其在第二階段的目標(biāo)函數(shù)值。

在所有種群個體經(jīng)過以上2 個階段的更新后，得到目標(biāo)函數(shù)的最優(yōu)解，重復(fù)進(jìn)行迭代直到完全結(jié)束，最終得到求解問題的全局最優(yōu)解。

為了評估POA 算法的性能，將其與遺傳算法、粒子群算法、灰狼優(yōu)化算法等優(yōu)化算法進(jìn)行比較，通過Wilcoxon 秩和檢驗(yàn)［16］中的p 值小于0.05，得出POA 算法比其他優(yōu)化算法更具有優(yōu)勢的結(jié)論，因此本文選用POA 作為優(yōu)化LSTM 參數(shù)的算法。

1.3 構(gòu)建POA-LSTM 預(yù)測模型

雖然LSTM 網(wǎng)絡(luò)在時間序列數(shù)據(jù)預(yù)測上擁有較高的精度和良好的性能，但其結(jié)構(gòu)和精度與網(wǎng)絡(luò)的超參數(shù)緊密相關(guān)。目前，超參數(shù)的選擇主要取決于學(xué)者先驗(yàn)知識和豐富經(jīng)驗(yàn)，該方法效率較低且難以獲得合理的超參數(shù)［17］。為了提高LSTM模型的預(yù)測精度，本文利用POA 算法優(yōu)化LSTM網(wǎng)絡(luò)的超參數(shù)：初始學(xué)習(xí)率、隱藏層單元個數(shù)和正則化系數(shù)。

POA 算法的適應(yīng)度函數(shù)選用樣本訓(xùn)練集的預(yù)測值計算得到的均方根誤差（RMSE）。個體的適應(yīng)度值為：

POA 優(yōu)化LSTM 網(wǎng)絡(luò)預(yù)測模型的流程如圖2所示。

圖2 POA-LSTM 預(yù)測模型流程Fig.2 Flow chart of POA-LSTM prediction model

2 壓縮空氣流量預(yù)測

2.1 壓縮空氣流量相關(guān)參數(shù)選取

某火電機(jī)組的空氣壓縮機(jī)、干燥機(jī)及儲氣罐等壓縮空氣相關(guān)設(shè)備主要分布在4 臺發(fā)電單元和脫硫區(qū)域內(nèi)，根據(jù)壓縮空氣的用途將空壓機(jī)分為儀用空壓機(jī)、雜用空壓機(jī)和脫硫除灰空壓機(jī)等。以一號機(jī)組的2 臺雜用空壓機(jī)為例，2 臺空壓機(jī)正常處于1 用1 備的工作狀態(tài)，產(chǎn)生的壓縮空氣供一號機(jī)組吹掃設(shè)備等使用。由于缺少用氣流量的相關(guān)測點(diǎn)，需要在一號機(jī)組雜用儲氣罐出口處安裝渦街流量計，測量一號機(jī)組雜用壓縮空氣用氣流量，用于選擇合適的相關(guān)性參數(shù)。

在壓縮空氣系統(tǒng)中，一段時間內(nèi)用氣側(cè)用氣流量等于空壓機(jī)產(chǎn)氣流量。螺桿空壓機(jī)的實(shí)際產(chǎn)氣流量計算式為：

式中，qv為空壓機(jī)的實(shí)際容積流量，m3/min；ηv為容積效率；qvt為空壓機(jī)的額定容積流量，m3/min。

影響容積效率的因素有很多，包括余隙容積、排氣壓力、吸氣溫度、氣體泄漏等［18-19］。為提高訓(xùn)練效率，本文將從排氣壓力、吸氣溫度等8 個參數(shù)中選取與壓縮空氣流量流量相關(guān)性較高的參數(shù)數(shù)據(jù)進(jìn)行研究。

相關(guān)性分析是對2 個變量之間的相關(guān)程度進(jìn)行分析，常用的相關(guān)性計算方式有皮爾森（Person）相關(guān)系數(shù)［20］、斯皮爾曼（Spearman）相關(guān)系數(shù)［21］和肯德爾（Kendall）相關(guān)系數(shù)［22］。根據(jù)數(shù)據(jù)特點(diǎn)采用的Person 相關(guān)系數(shù)進(jìn)行分析，Person相關(guān)系數(shù)定義為2 個變量之間的協(xié)方差和標(biāo)準(zhǔn)差的商，若兩組數(shù)據(jù)為X{x1，x2，…，xn}與Y{y1，y2，…，yn}為總體數(shù)據(jù)，則變量X 和Y 的Person 相關(guān)系數(shù)計算式為：

將采集空壓機(jī)的實(shí)際運(yùn)行數(shù)據(jù)進(jìn)行計算，得到各參數(shù)的相關(guān)性系數(shù)。相關(guān)性系數(shù)越接近1 或-1，相關(guān)性越強(qiáng)，通常規(guī)定相關(guān)系數(shù)范圍在0.8～1.0 之間為極強(qiáng)相關(guān)性，在0.6～0.8 之間為較強(qiáng)相關(guān)性，在0.4～0.6 之間為中等相關(guān)性，在0～0.4 之間為幾乎不相關(guān)［23］。

經(jīng)計算比較，選取表1 中與壓縮空氣流量極強(qiáng)相關(guān)性的空壓機(jī)運(yùn)行電流、儲氣罐壓力、空壓機(jī)排氣壓力和空壓機(jī)排氣溫度共4 個參數(shù)作為LSTM 模型的輸入值。

表1 選取運(yùn)行參數(shù)的相關(guān)性系數(shù)Tab.1 Correlation coefficient of selected operating parameters

2.2 預(yù)測模型構(gòu)建、訓(xùn)練及驗(yàn)證

本文選取2022-04-01～2022-04-09 期間空壓機(jī)運(yùn)行數(shù)據(jù)作為數(shù)據(jù)集，將2022-04-01～2022-04-07 期間數(shù)據(jù)作為模型的訓(xùn)練樣本，將2022-04-08～2022-04-09 期間數(shù)據(jù)作為模型的測試樣本，并與模型的預(yù)測值進(jìn)行對比，確定模型的預(yù)測準(zhǔn)確度。

由于LSTM 的輸入為4 個相關(guān)性極強(qiáng)的運(yùn)行參數(shù)，輸出為壓縮空氣流量，故LSTM 的輸入層神經(jīng)元個數(shù)為4 個，輸出神經(jīng)元個數(shù)為1 個。選取Adam 梯度下降算法訓(xùn)練LSTM 的內(nèi)部參數(shù)，初始學(xué)習(xí)率、隱藏層單元個數(shù)和正則化系數(shù)由POA 算法進(jìn)行優(yōu)化。在POA 算法中，種群數(shù)量為5，最大迭代次數(shù)為15，優(yōu)化參數(shù)個數(shù)為3，分別為初始學(xué)習(xí)率、隱藏層單元個數(shù)和正則化系數(shù)。

由于壓縮空氣流量與空壓機(jī)運(yùn)行電流等運(yùn)行參數(shù)的量綱不同，直接將數(shù)據(jù)作為模型的輸入可能影響模型的預(yù)測精度，需要對數(shù)據(jù)進(jìn)行歸一化處理，使輸入特征具有相同的度量尺度，同時消除奇異樣本數(shù)據(jù)導(dǎo)致的不良影響。歸一化公式為：

式中，date'k為歸一化后的數(shù)值；datek為代歸一化的數(shù)值；datemin，datemin分別為最小值和最大值。

用構(gòu)建好的POA-LSTM 壓縮空氣流量預(yù)測模型進(jìn)行訓(xùn)練和驗(yàn)證，圖3（a）（b）分別示出模型預(yù)測的2022-04-08 和2022-04-09 電廠一號機(jī)組雜用壓縮空氣用氣流量預(yù)測曲線和實(shí)際用氣流量曲線對比。

圖3 測試集預(yù)測結(jié)果對比Fig.3 Comparison of 2022-04-08 forecast results

誤差評價采用均方根誤差（RMSE）和R 方，測試集評價指標(biāo)計算結(jié)果為：2022-04-08 均方根誤差RMSE 為0.061 774，R 方為0.967 85；2022-04-09均方根誤差RMSE為0.085 1，R方為0.956 3。測試集MAE 較小，R 方較為接近1，表明該模型預(yù)測精度較高，能較準(zhǔn)確地預(yù)測壓縮空氣流量的變化趨勢。

2022-04-08 和2022-04-09 電廠一號機(jī)組雜用壓縮空氣用氣流量預(yù)測誤差率曲線如圖4（a）（b）所示。從圖中可以看出，POA-LSTM 預(yù)測模型得到的預(yù)測誤差較小，預(yù)測誤差率在4%以內(nèi)，說明該預(yù)測算法具有較高的可靠性。

圖4 預(yù)測誤差率曲線Fig.4 Prediction error rate curve

圖5 示出利用POA 算法優(yōu)化LSTM 網(wǎng)絡(luò)的適應(yīng)度變化曲線。從圖中可以看到，收斂到最小適應(yīng)度值的速度非?？欤礁`差非常小，證明POA 算法具有較好的全局尋優(yōu)能力和收斂速度。

圖5 適應(yīng)度變化曲線Fig.5 Adaptability change curve

2.3 全廠雜用壓縮空氣總流量預(yù)測

對全廠4 臺機(jī)組雜用壓縮空氣分別進(jìn)行建模預(yù)測，得到各時刻全廠雜用壓縮空氣用氣總流量預(yù)測值。圖6 示出2022-04-08 全廠雜用壓縮空氣用氣總流量預(yù)測曲線。

從圖中可以看到，雜用壓縮空氣流量峰谷值在5 m3/min 內(nèi)，整體波動幅度不大。同時考慮到預(yù)測模型在用氣量波動較大時存在4%以內(nèi)的預(yù)測誤差，按最大用氣流量為37 m3/min 計算，預(yù)測誤差不超過1.48 m3/min，遠(yuǎn)小于單臺空壓機(jī)的額定容積流量，通過符合進(jìn)一步通過空壓機(jī)調(diào)度實(shí)現(xiàn)節(jié)能的要求。

3 基于壓縮空氣流量預(yù)測的節(jié)能研究

3.1 全廠雜用空壓機(jī)運(yùn)行現(xiàn)狀

電廠雜用空壓機(jī)供氣流程如圖7 所示，各機(jī)組所用的雜用壓縮空氣由對應(yīng)機(jī)組的空壓機(jī)生產(chǎn)，不同機(jī)組之間空壓機(jī)運(yùn)行相互獨(dú)立，如一號雜用空壓機(jī)僅供一號機(jī)組雜用氣使用。正常狀態(tài)下4 臺機(jī)組配備的8 臺雜用空壓機(jī)的運(yùn)行狀態(tài)為4用4 備，各機(jī)組雜用空壓機(jī)設(shè)備情況見表2，處于工作狀態(tài)下的4 臺空壓機(jī)平均加載率不足60%，電能浪費(fèi)嚴(yán)重。

表2 雜用空壓機(jī)設(shè)備狀況Tab.2 Condition of miscellaneous air compressor equipment

圖7 全廠雜用空壓機(jī)供氣流程Fig.7 Flow chart of miscellaneous air compressor supply for the whole plant

此外，雜用空壓機(jī)將空壓機(jī)出口壓力作為被控量，還存在以下問題：用氣量不確定性可能導(dǎo)致空壓機(jī)長期處于空載狀態(tài)；各臺空壓機(jī)均獨(dú)立設(shè)定加卸載壓力使得加卸載頻繁，故障率增加；頻繁加卸載使得系統(tǒng)壓力波動大，增加了系統(tǒng)輸送損耗。

3.2 基于壓縮空氣流量預(yù)測的節(jié)能優(yōu)化方案

優(yōu)化方案是將全廠8 臺雜用空壓機(jī)進(jìn)行并聯(lián)聯(lián)網(wǎng)形成雜用壓縮空氣管網(wǎng)，根據(jù)雜用壓縮空氣流量需求變化對雜用空壓機(jī)群的組合運(yùn)行進(jìn)行實(shí)時調(diào)度和優(yōu)化，從而實(shí)現(xiàn)節(jié)能降耗的效果。

圖8 示出基于壓縮空氣流量預(yù)測的火電機(jī)組空壓機(jī)運(yùn)行示意。在充分利用電廠現(xiàn)有的建筑物、設(shè)備和管道的前提下，利用輸氣管道將各分散空壓站同類型空壓機(jī)連接，形成雜用壓縮空氣管網(wǎng)。根據(jù)建立的預(yù)測模型對管網(wǎng)內(nèi)壓縮空氣流量進(jìn)行預(yù)測，并按照考慮流量匹配、運(yùn)行時長、用電單耗等指標(biāo)確定的空壓機(jī)組合優(yōu)化方案和空壓機(jī)臺數(shù)優(yōu)化方案，在滿足當(dāng)前壓縮空氣流量需求狀態(tài)下，從能耗最低的角度選擇合適的空壓機(jī)組合運(yùn)行方式，避免多臺空壓機(jī)頻繁啟停，達(dá)到降低能耗，節(jié)能減排的效果。

圖8 基于壓縮空氣流量預(yù)測的空壓機(jī)運(yùn)行示意Fig.8 Schematic diagram of air compressor operation based on compressed air flow prediction

3.3 節(jié)能優(yōu)化對比測試

選取8 臺雜用空壓機(jī)在2022 年06 月的數(shù)據(jù)進(jìn)行節(jié)能優(yōu)化對比測試。通過根據(jù)壓縮空氣流量預(yù)測實(shí)時調(diào)度最優(yōu)空壓機(jī)組合的優(yōu)化，將原先工作中處于頻繁加卸載的空壓機(jī)臺數(shù)由4 臺減少至1 臺，即根據(jù)空壓機(jī)的額定額定容積流量，選擇1臺空壓機(jī)隨用氣量變化波動調(diào)整處于加載或卸載的工作狀態(tài)，起到調(diào)整的作用，其余運(yùn)行中的空壓機(jī)一直處于加載產(chǎn)氣的工作狀態(tài)，充當(dāng)基荷的作用。在滿足滿足壓縮空氣流量需求的情況下，最大程度地提高空壓機(jī)群的加載率，減少卸載時額外的電能浪費(fèi)。

將優(yōu)化前、后同一時刻的各臺空壓機(jī)能耗進(jìn)行求和計算，分別得到6 月份實(shí)際運(yùn)行能耗數(shù)據(jù)和優(yōu)化運(yùn)行能耗數(shù)據(jù)。優(yōu)化前、后運(yùn)行能耗對比如圖9 所示。在滿足相同的用氣量需求的情況下，經(jīng)過流量預(yù)測和聯(lián)網(wǎng)實(shí)時調(diào)度的優(yōu)化策略具有更低的能耗。

圖9 6 月份優(yōu)化前、后能耗對比Fig.9 Comparison of energy consumption before and after optimization in June

優(yōu)化前、后雜用空壓機(jī)能耗統(tǒng)計見表3。經(jīng)優(yōu)化，顯著降低了空壓機(jī)加卸載頻率，實(shí)現(xiàn)少開雜用空壓機(jī)1 臺，6 月份節(jié)省電量為64 581.7 kW·h，能耗降低率為13.01%。

表3 優(yōu)化前、后雜用空壓機(jī)能耗統(tǒng)計Tab.3 Energy consumption statistics of miscellaneous air compressors before and after optimization

除雜用空壓機(jī)外，該火電機(jī)組還擁有9 臺儀用空壓機(jī)和11 臺灰用及脫硫空壓機(jī)，其中灰用及脫硫空壓機(jī)額定功率和容積流量較大，有更顯著的節(jié)能空間。經(jīng)核算，全廠空壓機(jī)均采用基于壓縮空氣流量預(yù)測的聯(lián)網(wǎng)供氣方式可實(shí)現(xiàn)全年節(jié)省電量為4 405 999.68 kW·h，按電價為0.61 元/ kW·h計算，全年節(jié)省電費(fèi)為268 萬余元，以2021 年度全國電網(wǎng)平均排放因子為0.581 t CO2/MW·h 計算，可實(shí)現(xiàn)減少2 559 t 二氧化碳排放。

4 結(jié)論

（1）利用 POA 算法較好的全局尋優(yōu)能力和收斂速度對LSTM 網(wǎng)絡(luò)的超參數(shù)進(jìn)行優(yōu)化，克服了人為選取LSTM 參數(shù)效率低的缺點(diǎn)，使其對壓縮空氣流量具有更好的預(yù)測效果，誤差小于4%。

（2）建立的壓縮空氣流量預(yù)測模型能夠較好地解決壓縮空氣系統(tǒng)中只以壓力為基準(zhǔn)控制空壓機(jī)運(yùn)行狀態(tài)存在的問題，通過流量預(yù)測模型可以更好地調(diào)配控制系統(tǒng)內(nèi)空壓機(jī)的運(yùn)行狀態(tài)，以便判斷是否存在泄漏、是否供需平衡。

（3）以POA-LSTM 壓縮空氣流量預(yù)測模型為依據(jù)，結(jié)合電廠壓縮空氣聯(lián)網(wǎng)改造，根據(jù)用氣量變化波動調(diào)整空壓機(jī)的組合運(yùn)行方式，可以實(shí)現(xiàn)少開空壓機(jī)臺數(shù)，能耗降低約為13.01%。