（1.高效清洁燃煤电站锅炉国家重点实验室 哈尔滨锅炉厂有限责任公司 黑龙江哈尔滨 150046；2.哈尔滨锅炉厂环保工程技术有限公司 黑龙江哈尔滨 150046）
摘要：液气比是石灰石-石膏湿法烟气脱硫系统设计中的一个关键参数，对其进行精确预测有着非常重要意义。本文利用最小二乘支持向量机（LS-SVM）建立了液气比预测模型。测试样本集的液气比预测结果表明，LS-SVM液气比预测模型具有很好的预测性能。
关键词：石灰石-石膏湿法烟气脱硫技术；液气比；最小二乘支持向量机
Liquid-gas Ratio Prediction of Limestone-gypsum Wet Flue Gas Desulfurization Technology Based on LS-SVM
LI Jun，LI Xiao-yu，GAO Wei-guang，SHI Rui-sheng，CHENG Wang-bin，SUN Jin
（1.State Key Laboratory of Efficient and Clean Coal-fired Utility Boilers（Harbin Boiler Company Limited），Harbin 150046，China；2.Harbin Boiler Environmental protection Engineering Technology Company limited，Harbin 150046，China）
Abstract：It is of important significance to predict liquid-gas ratio prediction as a key parameter in the design of limestone-gypsum wet flue gas desulfurization system. Least squares support vector machine（LS-SVM）was used to establish a liquid-gas ratio prediction model in this paper. Prediction results of liquid-gas ratio for test sample set showed that LS-SVM liquid-gas ratio prediction model had a very good prediction performance.
Keywords：Limestone-gypsum wet flue gas desulfurization technology；Liquid-gas ratio；Least squares support vector machine（LS-SVM）
引言
目前我国90%以上燃煤电厂脱硫系统都是采用石灰石-石膏湿法烟气脱硫技术，该技术显著优点是脱硫效率高、系统运行稳定可靠。液气比是石灰石-石膏湿法烟气脱硫系统设计中的一个十分关键参数，如果液气比选取过低，脱硫实际出力就达不到设计要求；反之，就会增加脱硫系统投资成本和运行电耗[1-2]。因此，在脱硫工程设计中，如何根据各设计参数来选取合适液气比就显得至关重要。
由于液气比与入口SO2浓度、脱硫效率、塔内烟气流速、浆液pH值等众多因素密切相关，很难建立起准确预测液气比的机理模型，而软测量技术的快速发展为解决这一难题提供了一种潜在的有效途径。最小二乘支持向量机（LS-SVM）是一种非常有效的新型机器学习方法，具有极强的拟合和泛化能力，本文的目的是将LS-SVM应用到石灰石-石膏湿法烟气脱硫技术液气比预测中，以便实现对液气比进行精确预测。
1 LS-SVM回归算法
近年来，Suykens和Vandewalle[3]在支持向量机（SVM）的基础上提出了最小二乘支持向量机（LS-SVM）。LS-SVM采用二次损失函数，用等式约束代替标准SVM的不等式约束，具有计算简单、学习和泛化能力强等显著优势，尤其在函数回归问题中应用非常广泛，取得很好的效果。
2.2 LS-SVM液气比预测模型建立
以入口SO2浓度、塔内烟气流速、吸收塔直径、喷淋区高度、浆液pH值、浆液Cl-浓度和脱硫效率这7个变量作为输入变量，将液气比作为输出变量，利用LS-SVM来描述输入变量与输出变量之间的映射关系，并根据收集到石灰石-石膏湿法烟气脱硫数据来建立液气比软测量模型，即LS-SVM液气比预测模型，其主要步骤为：
（1）数据预处理
在模型训练之前，为了提高预测精度和加快训练速度，需要进行数据预处理，将所有数据归一化到[0，1]范围内。
（2）样本集划分
对预处理之后的整个样本集进行划分，将其随机分割成两个子样本集，即训练样本集和测试样本集。石灰石-石膏湿法烟气脱硫数据总共可以构造出64个样本，从这些样本中随机选取56个样本构成训练样本集，用于训练模型；把剩余的8个样本构成测试样本集，用来检验训练好之后的模型的预测效果。
（3）LS-SVM参数优化
LS-SVM模型的泛化能力和预测精度与正则化参数C和核函数参数σ密切相关，如果这两个参数选取不合适的话，可能会引起过学习或欠学习的问题。因此，在建立LS-SVM的回归模型时，选择合适的参数就显得至关重要。粒子群优化（PSO）算法具有良好的全局和局部搜索性能，目前常常采用它对LS-SVM参数进行优化。
在LS-SVM参数优化过程中，适应度函数的作用是对个体的优劣进行评价，合理地设计适应度函数对于提高模型的泛化能力至关重要，经常使用K折交叉验证方法来评价适应度。在本文研究中，采用K折交叉验证的均方根误差（RMSEcv）作为适应度函数，其定义如下：
4.结论
本文利用LS-SVM并根据脱硫数据来建立LS-SVM液气比预测模型，采用粒子群优化算法对LS-SVM参数进行寻优。训练样本集和测试样本集的液气比预测结果表明，该模型拟合精度很高、预测性能较好。但由于目前收集到的脱硫数据量相对较少，建立起来的LS-SVM液气比预测模型泛化精度还不够高，因此脱硫数据量有待今后进一步扩充，另外本次液气比预测建模暂未考虑塔内加装强化传质构件（如托盘、棒栅等）对液气比的影响，如果考虑的话，还需对模型计算出的液气比值进行修正。
参考文献：
[1]杜谦，马春元，董勇，等.液气比对石灰石-石膏湿法烟气脱硫过程的影响[J].动力工程，2007，27（3）：422-426.
[2]崔向丽，邓徐帧，胡文胜，等.湿法烟气脱硫液气比的影响因素及参数确定[J].电力科技与环保，2010，26（3）：22-23.
[3]Suykens JAK，Vandewalle J. Least squares support vector machine classifiers[J]. Neural Processing Letter，1999，9（3）：293-300.
论文作者:李珺,李小宇,高维广,时瑞生,程旺斌,孙晶
论文发表刊物:《电力设备》2017年第17期
论文发表时间:2017/10/20
标签：烟气论文; 样本论文; 湿法论文; 模型论文; 石灰石论文; 石膏论文; 参数论文; 《电力设备》2017年第17期论文;