摘要：固廢焚燒會(huì)產(chǎn)生有毒有害煙氣，煙氣排放濃度預(yù)測(cè)可以輔助固廢焚燒工藝參數(shù)的高效調(diào)整。自編碼器（Autoencoder，AE）、卷積神經(jīng)網(wǎng)絡(luò)（Convolutional Neural Networks，CNN）和長(zhǎng)短期記憶（Long Short-Term Memory，LSTM）網(wǎng)絡(luò)是3種常見(jiàn)的人工神經(jīng)網(wǎng)絡(luò)，而隨機(jī)森林（Random Forest，RF）是一種高度靈活的機(jī)器學(xué)習(xí)算法?；赗F和LSTM網(wǎng)絡(luò)，構(gòu)建混合神經(jīng)網(wǎng)絡(luò)模型，結(jié)合成都市某固廢焚燒發(fā)電廠運(yùn)行工況數(shù)據(jù)，開(kāi)展氮氧化物（NOx）濃度預(yù)測(cè)與分析。結(jié)果表明，RF-LSTM模型的均方根誤差、平均絕對(duì)誤差較AE-LSTM模型分別減少38.58%、46.56%，較CNN-LSTM模型分別減少23.77%、31.96%；RF-LSTM模型的決定系數(shù)較AE-LSTM模型增加22.54%，較CNN-LSTM模型增加16.00%。原始樣本進(jìn)行插值補(bǔ)缺時(shí)，步長(zhǎng)為3 h的RF-LSTM模型預(yù)測(cè)精度最高，能夠有效預(yù)測(cè)NOx排放濃度。

關(guān)鍵詞：固廢焚燒；煙氣排放濃度；預(yù)測(cè)；混合神經(jīng)網(wǎng)絡(luò)模型

中圖分類號(hào)：X512 文獻(xiàn)標(biāo)識(shí)碼：A 文章編號(hào)：1008-9500（2024）08-00-03

DOI：10.3969/j.issn.1008-9500.2024.08.016

Study on Prediction of Flue Gas Emission Concentration of Solid Waste Incineration Based on RF-LSTM Hybrid Neural Network

HAO Qinzheng， CUI Lizhang， LI Xinzhou

（Chengdu Xingrong Renewable Energy Co.， Ltd.， Chengdu 610063， China）

Abstract： The incineration of solid waste produces toxic and harmful flue gas， and predicting the concentration of flue gas emissions can assist in the efficient adjustment of process parameters for solid waste incineration. Autoencoder （AE）， Convolutional Neural Networks （CNN）， and Long Short Term Memory （LSTM） networks are three common artificial neural networks， while Random Forest （RF） is a highly flexible machine learning algorithm. Based on RF and LSTM networks， a hybrid neural network model is constructed， combined with operational data from a solid waste incineration power plant in Chengdu city， to predict and analyze nitrogen oxide （NOx） concentration. The results show that the root mean squared error and mean absolute error of the RF-LSTM model are reduced by 38.58% and 46.56% respectively compared to the AE-LSTM model， and by 23.77% and 31.96% respectively compared to the CNN-LSTM model; the coefficient of determination of the RF-LSTM model increases by 22.54% compared to the AE-LSTM model and 16.00% compared to the CNN-LSTM model. When interpolating and filling in gaps in the original samples， the RF-LSTM model with a step size of 3 h has the highest prediction accuracy and can effectively predict NOx emission concentrations.

Keywords： solid waste incineration; flue gas emission concentration; prediction; hybrid neural network model

隨著我國(guó)經(jīng)濟(jì)的發(fā)展，城市固廢產(chǎn)生量逐年增長(zhǎng)。焚燒發(fā)電是處理城市固廢的高效方式，有助于保護(hù)環(huán)境[1]。環(huán)保指標(biāo)檢測(cè)結(jié)果相對(duì)于生產(chǎn)運(yùn)行參數(shù)調(diào)整有一定的滯后性，因此要建立模型，反映焚燒、凈化工藝參數(shù)與煙氣排放濃度的關(guān)系，用以輔助生產(chǎn)運(yùn)行參數(shù)的快速調(diào)整來(lái)控制煙氣排放濃度，從而實(shí)現(xiàn)安全環(huán)保生產(chǎn)。近年來(lái)，環(huán)保政策對(duì)固廢焚燒煙氣排放管控愈加嚴(yán)格，研究視角逐漸從典型的現(xiàn)場(chǎng)工藝控制轉(zhuǎn)向環(huán)保指標(biāo)建模與預(yù)測(cè)。張瑛華等[2]采用Copula函數(shù)分析固廢焚燒運(yùn)行控制參數(shù)與酸性氣體排放濃度的相關(guān)性，建立反向傳播（Back Propagation，BP）神經(jīng)網(wǎng)絡(luò)模型，預(yù)測(cè)某固廢焚燒電廠酸性氣體排放濃度，但長(zhǎng)時(shí)間序列預(yù)測(cè)需要頻繁調(diào)整模型參數(shù)，實(shí)用性有待提升。

目前，常見(jiàn)的人工神經(jīng)網(wǎng)絡(luò)有自編碼器（Autoencoder，AE）、卷積神經(jīng)網(wǎng)絡(luò)（Convolutional Neural Networks，CNN）和長(zhǎng)短期記憶（Long Short-Term Memory，LSTM）網(wǎng)絡(luò)等類型，而隨機(jī)森林（Random Forest，RF）是一種高度靈活的機(jī)器學(xué)習(xí)算法。蘇盈盈等[3]提出AE-LSTM混合神經(jīng)網(wǎng)絡(luò)模型，蔡廟輝等[4]提出CNN-LSTM混合神經(jīng)網(wǎng)絡(luò)模型，二者均利用LSTM神經(jīng)網(wǎng)絡(luò)模型的特點(diǎn)來(lái)優(yōu)化固廢焚燒煙氣排放濃度預(yù)測(cè)模型，如長(zhǎng)期記憶能力、低梯度消失能力、長(zhǎng)序列處理能力和較少的訓(xùn)練數(shù)據(jù)需求，相比傳統(tǒng)BP神經(jīng)網(wǎng)絡(luò)模型，預(yù)測(cè)精度明顯提升。參考相關(guān)模型，建立RF-LSTM混合神經(jīng)網(wǎng)絡(luò)模型，從特征工程優(yōu)化角度進(jìn)一步提升固廢焚燒煙氣中氮氧化物（NOx）排放濃度的預(yù)測(cè)精度。

1 數(shù)據(jù)與方法

1.1 數(shù)據(jù)來(lái)源

研究數(shù)據(jù)來(lái)源于成都市某固廢焚燒發(fā)電廠。該廠配置4座垃圾焚燒爐和2臺(tái)發(fā)電機(jī)組，采用往復(fù)式爐排爐，日處置規(guī)模為3 000 t，煙氣凈化采用選擇性非催化還原脫硝+半干法脫酸+活性炭吸附+選擇性催化還原補(bǔ)充脫硝+布袋除塵的組合工藝。根據(jù)煙氣排放連續(xù)監(jiān)測(cè)系統(tǒng)和分散控制系統(tǒng)的數(shù)據(jù)質(zhì)量，選擇2023年10月1日至2024年4月30日的垃圾焚燒爐平均溫度、壓力、出口溫度、出口煙氣流量、出口煙氣含氧量等工況數(shù)據(jù)以及NOx小時(shí)濃度數(shù)據(jù)作為原始樣本集。

1.2 數(shù)據(jù)處理

原始樣本集進(jìn)行預(yù)處理時(shí)，首先需要對(duì)數(shù)據(jù)進(jìn)行清洗和補(bǔ)缺。原始樣本集受采集傳感器故障影響，數(shù)據(jù)缺失存在隨機(jī)性，因此可以通過(guò)已采集的數(shù)據(jù)進(jìn)行相關(guān)性分析和插值。采用多重插補(bǔ)法進(jìn)行插值補(bǔ)缺，通過(guò)計(jì)算5組步長(zhǎng)（1 h、2 h、3 h、4 h和5 h）的鄰近域均值來(lái)估計(jì)缺失值，并按照5組數(shù)據(jù)集與原始樣本集的相關(guān)性，擇優(yōu)插值補(bǔ)缺。垃圾成分與發(fā)酵時(shí)間的測(cè)定困難，而且入爐垃圾的熱值歷年來(lái)基本恒定，故將焚燒爐溫度（℃）、焚燒爐負(fù)壓（kPa）、氨水噴射流量（L/h）、催化格柵層壓強(qiáng)（kPa）等89個(gè)剩余特征參數(shù)作為原始特征樣本進(jìn)行歸一化處理，并作為特征輸入RF模型，借助訓(xùn)練結(jié)果的特征重要性（Feature Importance，F(xiàn)I）來(lái)評(píng)估需要保留的特征集，最終選擇保留FI大于0.2的6個(gè)特征，結(jié)果如表1所示。

1.3 建模方法

作為一種分類器，RF算法可以利用多棵決策樹對(duì)樣本進(jìn)行訓(xùn)練和分類。LSTM網(wǎng)絡(luò)是一種基于時(shí)間序列的循環(huán)神經(jīng)網(wǎng)絡(luò)，可以預(yù)防梯度爆炸、梯度消失等問(wèn)題，已被廣泛運(yùn)用于預(yù)測(cè)回歸研究。構(gòu)建RF-LSTM混合神經(jīng)網(wǎng)絡(luò)模型，預(yù)測(cè)流程如圖1所示。首先，利用特征工程對(duì)原始樣本集進(jìn)行處理，完成數(shù)據(jù)清洗、缺失值插補(bǔ)以及特征選擇；其次，將預(yù)處理數(shù)據(jù)按照7∶3的比例劃分為訓(xùn)練集和測(cè)試集；接著，將訓(xùn)練集輸入RF模型，用RF模型訓(xùn)練后的輸出特征作為L(zhǎng)STM模型的輸入，并開(kāi)始訓(xùn)練；最后，使用測(cè)試集對(duì)訓(xùn)練好的RF-LSTM模型進(jìn)行評(píng)估，完成評(píng)估優(yōu)化后即可得到RF-LSTM混合神經(jīng)網(wǎng)絡(luò)模型，用以預(yù)測(cè)NOx排放濃度。

1.4 評(píng)價(jià)方法

NOx濃度預(yù)測(cè)本質(zhì)是預(yù)測(cè)回歸問(wèn)題，所以按照預(yù)測(cè)回歸類型的評(píng)價(jià)指標(biāo)，選擇均方根誤差、平均絕對(duì)誤差以及決定系數(shù)對(duì)模型進(jìn)行評(píng)價(jià)。其中，均方根誤差采用式（1）進(jìn)行計(jì)算，平均絕對(duì)誤差采用式（2）進(jìn)行計(jì)算，決定系數(shù)采用式（3）進(jìn)行計(jì)算。均方根誤差可以衡量樣本預(yù)測(cè)值與真實(shí)值的偏差，平均絕對(duì)誤差可以衡量樣本預(yù)測(cè)值與真實(shí)值的平均絕對(duì)差異，決定系數(shù)可以衡量樣本預(yù)測(cè)值與真實(shí)值的擬合程度。

（1）

（2）

（3）

式中：e1為均方根誤差；e2為平均絕對(duì)誤差；r為決定系數(shù)；n為樣本個(gè)數(shù)；yi為第i個(gè)樣本的真實(shí)值；為第i個(gè)樣本的預(yù)測(cè)值；y0為所有樣本的平均值。

2 結(jié)果與分析

為了更好地評(píng)價(jià)RF-LSTM混合神經(jīng)網(wǎng)絡(luò)模型，在使用該模型對(duì)原始樣本集進(jìn)行處理的同時(shí)，采用AE-LSTM混合神經(jīng)網(wǎng)絡(luò)模型和CNN-LSTM混合神經(jīng)網(wǎng)絡(luò)模型對(duì)原始樣本集進(jìn)行處理。

2.1 預(yù)測(cè)結(jié)果評(píng)價(jià)

根據(jù)RF-LSTM模型、AE-LSTM模型和CNN-LSTM模型對(duì)NOx排放濃度的預(yù)測(cè)結(jié)果，通過(guò)計(jì)算確定評(píng)估指標(biāo)值，如表2所示。其中，相較AE-LSTM模型，RF-LSTM模型的均方根誤差減少38.58%，平均絕對(duì)誤差減少46.56%，決定系數(shù)增加22.54%；相較CNN-LSTM模型，RF-LSTM模型的均方根誤差減少23.77%，平均絕對(duì)誤差減少31.96%，決定系數(shù)增加16.00%。由此可見(jiàn)，與其他兩種模型相比，RF-LSTM模型對(duì)NOx排放濃度的預(yù)測(cè)效果更佳。

2.2 影響因素分析

為了確定不同插值補(bǔ)缺步長(zhǎng)對(duì)NOx濃度預(yù)測(cè)的影響，計(jì)算5組步長(zhǎng)（1 h、2 h、3 h、4 h和5 h）的鄰近域均值來(lái)估計(jì)缺失值，擇優(yōu)插值補(bǔ)缺，然后對(duì)比RF-LSTM模型NOx濃度預(yù)測(cè)效果。結(jié)果表明，當(dāng)插補(bǔ)步長(zhǎng)小于3 h時(shí)，均方根誤差、平均絕對(duì)誤差和決定系數(shù)均穩(wěn)步提升，最大值分別達(dá)到8.86、8.03和0.87。當(dāng)插補(bǔ)步長(zhǎng)超過(guò)3 h時(shí)，均方根誤差、平均絕對(duì)誤差和決定系數(shù)的變化率均加快，逐漸偏離理想預(yù)測(cè)結(jié)果。因此，為了確保RF-LSTM模型NOx濃度預(yù)測(cè)效果最佳，插補(bǔ)步長(zhǎng)取3 h。

3 結(jié)論

煙氣排放濃度預(yù)測(cè)模型的建立可以有效促進(jìn)固廢焚燒發(fā)電廠提前準(zhǔn)備工藝參數(shù)控制與調(diào)整策略，減少NOx排放量。RF-LSTM混合神經(jīng)網(wǎng)絡(luò)模型將RF算法與LSTM網(wǎng)絡(luò)相結(jié)合，具有處理時(shí)間序列數(shù)據(jù)的優(yōu)勢(shì)，可以解決過(guò)擬合、梯度消失、梯度爆炸和非平穩(wěn)性突出等問(wèn)題。與AE-LSTM模型和CNN-LSTM模型相比，RF-LSTM模型在時(shí)間序列數(shù)據(jù)處理和特征提取上表現(xiàn)出更好的預(yù)測(cè)精度和泛化能力，插補(bǔ)步長(zhǎng)為3 h時(shí)，預(yù)測(cè)精度最高。

參考文獻(xiàn)

1 湯 健，夏 恒，余 文，等.城市固廢焚燒過(guò)程智能優(yōu)化控制研究現(xiàn)狀與展望[J].自動(dòng)化學(xué)報(bào)，2023（10）：2019-2059.

2 張瑛華，王明峰，劉博洋，等.基于輸入?yún)?shù)優(yōu)化選擇的BP神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)垃圾焚燒酸性氣體原始排放濃度研究[J].有色設(shè)備，2022（5）：1-4.

3 蘇盈盈，張氣皓，羅 妤，等.基于AE-LSTM混合神經(jīng)網(wǎng)絡(luò)模型的NOx排放預(yù)測(cè)[J].西南師范大學(xué)學(xué)報(bào)（自然科學(xué)版），2023（4）：23-31.

4 蔡廟輝，吳昌子，郇洪江，等.基于CNN-LSTM的垃圾焚燒爐煙氣濃度預(yù)測(cè)方法[J].化學(xué)工業(yè)與工程，2024（2）：43-47.