基于实验调查的火电厂HCl和HF排放可解释人工神经网络(ANN)建模

《Processes》：Explainable ANN Modeling of HCl and HF Emissions from Thermal Power Plant Based on Experimental Investigation

　　

大型火电厂燃煤是大气污染的重要来源，除SO2、NOx和颗粒物外，还包括卤化酸HCl和HF。由于燃料组成、飞灰化学、燃烧条件及烟气动力学之间的交互作用复杂，预测HCl和HF排放具有挑战性。本研究以褐煤燃烧的Kostolac B热电厂(TPP)现场实验数据为基础，建立人工神经网络(artificial neural network, ANN)模型，纳入运行参数（烟气温度、烟气流量）及燃料/灰特性（煤中水分和全硫、飞灰中CaO含量），用以估算HCl和HF排放。采用SHAP(SHapley Additive exPlanations)分析识别影响卤化酸释放的关键变量。所建ANN模型取得满意的预测精度：HCl预测的测试集RMSE＝2.05 mg/Nm3、R2＝0.80、MAPE＝18.7％；HF预测的测试集RMSE＝3.23 mg/Nm3、R2＝0.83、MAPE＝18.7％。SHAP分析表明，飞灰中CaO含量和煤中水分是驱动HCl和HF排放的主因，而运行条件及煤中硫含量通过非线性交互作用影响排放。所提出的ANN–SHAP框架为排放预测与机理解释提供了数据驱动方法，可为排放管理决策提供支持。

论文解读：《基于实验调查的火电厂HCl和HF排放可解释人工神经网络(ANN)建模》

该研究发表于MDPI期刊《Processes》。目前大型燃煤电厂除排放SO₂、NO_x和颗粒物外，还释放卤化酸气体——氯化氢(hydrogen chloride, HCl)和氟化氢(hydrogen fluoride, HF)，其具腐蚀性、毒性并促进酸沉降。现有HCl/HF定量预测多依赖化学动力学、经验排放因子或计算流体力学(computational fluid dynamics, CFD)模拟，通常需详细煤质化验（特别是氯Cl、氟F含量），且多限于实验室规模或简化热力学假设，缺乏能同时融合运行参数、燃料特性和灰成分并可解释的全尺寸电厂预测工具。实际电厂常无法逐批次检测煤中Cl、F，因此研究人员开展此项研究，以现场可获取的运行与常规燃料/灰参数为输入，建立人工神经网络(artificial neural network, ANN)预测模型并结合SHAP(SHapley Additive exPlanations，基于合作博弈论的可解释人工智能(explainable artificial intelligence, XAI)方法)解析各变量对HCl和HF排放的非线性影响，证实飞灰CaO与煤中水分是主控因素，运行参数影响相对次要但通过交互作用参与，为电厂排放管理与工艺优化提供实用数据驱动框架。

主要关键技术方法：

研究人员基于塞尔维亚Kostolac B褐煤电厂2015–2025年现场实测样本队列（N=76），由认可实验室测定煤中水分（热重法ASTM D7582）、全硫（LECO 628s, ASTM D4239）、飞灰CaO（草酸盐容量法）及电除尘出口HCl（EN 1911，硫氰酸汞分光光度法）、HF（EN 15713，离子选择电极法），同步记录锅炉出口烟气温度与流量。数据集经Kolmogorov–Smirnov双样本检验划分训练集（55例）与独立测试集（21例），采用多层感知器(multi-layer perceptron, MLP) ANN分别以五折交叉验证与RandomizedSearchCV寻优超参数（隐藏层结点数、激活函数logistic/ReLU、L2正则化α、求解器LBFGS/Adam等），分别建立HCl与HF预测模型；以RMSE(root mean square error)、R²(coefficient of determination)、MAPE(mean absolute percentage error)评价性能，并引入SHAP值量化全局特征重要性及CaO–煤水分交互效应。

3.1. Data Characterization and Correlation Analysis（数据特征与相关性分析）

通过箱线图与Pearson相关系数矩阵分析发现，煤水分变异最大，飞灰CaO与煤全硫分布较窄，烟气参数稳定；HCl均值9.18 mg/Nm³、HF均值13.30 mg/Nm³，HF离散度更大。CaO与HF呈中等负相关(r＝?0.52)，与HCl弱负相关(r＝?0.20)；煤水分与两排放均呈弱负相关；烟气流量与HF中度负相关(r＝?0.45)；HCl与HF弱正相关(r＝0.29)。整体线性相关性偏弱至中等，说明卤化酸排放受非线性耦合作用支配，支持采用ANN而非线性回归建模。

3.2. ANN Modeling for HCl and HF Emission Prediction（HCl与HF排放的ANN建模）

HCl模型最优结构为双隐层(25,18)神经元、logistic激活、LBFGS求解、L2正则α＝0.35，测试集RMSE＝2.05 mg/Nm³、R²＝0.80、MAPE＝18.7％，训练集RMSE＝1.51 mg/Nm³、R²＝0.88；归一化RMSE(NRMSE)＝0.129。HF模型最终采用双隐层(34,48)、ReLU激活、LBFGS求解、α＝0.08，测试集RMSE＝3.23 mg/Nm³、R²＝0.83、MAPE＝18.7％，训练集RMSE＝0.71 mg/Nm³、R²＝0.98；NRMSE＝0.126。两模型测试R²＞0.80且训练–测试误差差距合理，证明ANN可捕捉燃料–运行参数对卤化酸排放的非线性映射关系并具有良好泛化能力。

3.3. SHAP Analysis of HCl and HF Emission Drivers（HCl与HF排放驱动因子的SHAP分析）

HCl排放SHAP全局重要性依次为：飞灰CaO（平均|SHAP|＝1.36）＞煤水分（1.19）＞烟气温度（0.87）≈煤全硫（0.86）＞烟气流量（0.59），表明化学性质参数主导HCl排放。CaO与煤水分存在显著交互：低水分时CaO降低预测HCl；中水分时CaO＞6％降排放、＜6％增排放；高水分时CaO效应不稳定甚至反转，证实非独立加和性。HF排放SHAP重要性为：CaO（2.98）＞煤水分（1.91）＞烟气温度（1.70）＞烟气流量（1.52）＞煤全硫（1.41），相较HCl运行参数贡献增大但仍以燃料/灰相关参数为主。CaO对HF的影响亦非线性且与煤水分交互：低水分时CaO普遍降HF预测值；中水分时效应围绕零波动；高水分时中高CaO区SHAP趋正，即在某些工况下反而推高HF预测值。物理机制上CaO作为酸性气体吸附剂生成CaCl₂/CaF₂固定卤素，低温利于固相捕集，煤水分通过改变燃烧温场与局部稀释间接调制反应动力学与停留时间。

讨论与结论总结（翻译浓缩）：

研究人员基于全尺寸褐煤电厂十年现场数据建立了以煤水分、煤全硫、飞灰CaO、烟气温度及流量为输入的ANN模型，测试集R²分别达0.80(HCl)与0.83(HF)，NRMSE＜0.13，证实ANN–SHAP框架可有效预测并解释卤化酸排放。SHAP解析显示飞灰CaO与煤水分是两排放最主要驱动因子，HCl更依赖化学组成相关参数，HF对运行参数敏感性略高。CaO效应具非线性且与煤水分强交互——低水分下CaO抑制排放，高水分削弱或逆转该作用。该ANN–SHAP框架仅凭电厂日常可获数据即可估算HCl/HF排放并揭示关键过程驱动因子，减少对昂贵繁琐的煤中Cl/F直接化验的依赖，为电厂排放监控与运行优化提供可解释的数据驱动工具。未来需在更大更多样工业数据集验证并拓展至其他排放物种与工况。