动态周期优化下的电除尘器二次扬尘抑制仿真
解标1，2 ，李素粉1
（1.安徽德源环境科技有限公司，安徽 蚌埠 233000；2.合肥工业大学，安徽 合肥 230009）
Simulation of secondary dust suppression of electrostatic precipitator based on dynamic cycle optimization
XIE Biao1,2，LI Su-fen1
(1.Anhui Deyuan Environmental Technology Co.,LTD,Bengbu Anhui 233000,China;2.Hefei University of Technology,Hefei Anhui 230009,China)
Abstract:The operation data of electrostatic precipitators presents multi-source heterogeneous characteristics, making it difficult to directly extract periodic features based on this non-linear relationship data, resulting in difficulties in predicting the future trend of smoke concentration changes, and unable to provide reliable decision time windows and accurate feedforward signals for secondary dust suppression. This leads to lag effects between control inputs and actual outputs, affecting suppression stability. Therefore, a method for suppressing secondary dust in electrostatic precipitators under dynamic cycle optimization is proposed. Mining dynamic periodic features strongly correlated with smoke and dust behavior from multi-source heterogeneous operational data. Based on mining feature data, a least squares support vector machine (LSSVM) model is constructed, and the feature set is arranged in time series to form an input vector. The model is trained with smoke concentration as the target variable. By using methods such as nonlinear mapping, introducing relaxation variables, and constructing Lagrange functions to establish optimization problems and constraints, Gaussian kernel functions are selected to handle nonlinear relationships. The conjugate gradient method is used to solve the linear equation system, and the particle swarm optimization algorithm is used to optimize hyperparameters, thus prospectively predicting the future trend of smoke concentration changes and providing decision time windows and accurate feedforward signals for real-time control. Design a first-order time-delay self disturbance rejection control method, considering the lag effect between the control input and the actual output, and convert the predicted information into real-time secondary current adjustment instructions to achieve stable suppression of secondary dust and avoid the phenomenon of dust flying again. The experimental results show that this method significantly improves the accuracy of predicting smoke concentration and the stability of secondary dust suppression.
Keywords:Data mining; LSSVM algorithm; Prediction of soot concentration; First order active disturbance rejection control with time delay; Secondary dust suppression
摘要：电除尘器运行数据呈现出多源异构特性，难以直接根据这种非线性关系数据提取周期性特征，导致预测未来烟尘浓度的变化趋势困难，无法为二次扬尘抑制提供可靠的决策时间窗口和精确的前馈信号，进而导致控制输入与实际输出之间存在滞后效应，影响抑制稳定性。为此，提出动态周期优化下的电除尘器二次扬尘抑制方法。从多源异构运行数据中挖掘与烟尘行为强相关的动态周期性特征。基于挖掘特征数据，构建最小二乘支持向量机（LSSVM）模型，将特征集按时间序列排列构成输入向量，以烟尘浓度为目标变量进行训练。采用非线性映射、引入松弛变量、构造Lagrange函数等方法建立优化问题和约束条件，选择高斯核函数处理非线性关系，通过共轭梯度法求解线性方程组，并利用粒子群算法优化超参数，从而前瞻性地预判未来烟尘浓度的变化趋势，为实时控制提供决策时间窗口和精确的前馈信号。设计一阶加时延自抗扰控制方法，考虑控制输入与实际输出之间的滞后效应，将预测信息转化为二次电流实时调节指令，实现二次扬尘稳定抑制，避免粉尘再飞扬现象。实验结果表明，该方法显著提升了烟尘浓度预测精度与二次扬尘抑制稳定性。
关键词：数据挖掘；LSSVM算法；烟尘浓度预测；一阶加时延自抗扰控制；二次扬尘抑制
1引言
电除尘器在工业除尘中应用广泛，但末级电场振打过程中易引发二次扬尘，导致除尘效率下降，影响排放达标。现有抑制方法在面对电除尘器多源异构、非线性强耦合的运行数据时，普遍存在动态周期性特征提取能力不足的问题，导致无法准确预测烟尘浓度变化趋势，进而造成控制指令与实际响应之间存在显著滞后，抑制效果不稳定[1]。
例如，单永华等[2]通过时序控制与升压振打相结合的方式，利用未振打区域吸附扬尘，虽在一定程度上减少了二次扬尘，但该方法依赖电压提升，能耗较大，且未能从数据层面挖掘周期性规律，对运行状态变化的适应性较差。李泽锐等[3]通过建立能耗与效率模型优化运行参数，可在稳定工况下抑制扬尘，但其模型严重依赖数据准确性，难以处理燃煤波动等频繁变化的实际工况，缺乏对动态周期特征的提取与响应机制。王洋等[4]基于非线性规划优化极板结构与电场参数，提升了除尘效率，但优化过程依赖精确的物理模型，对多源异构数据中的非线性、周期性特征融合能力有限，在实际复杂气流中控制效果易受限。雷鹏等[5]通过数值模拟与实验优化结构及工况参数，虽可提升分离效率，但该方法成本高、周期长，且未实现基于数据驱动的实时动态调控，无法应对烟尘浓度的瞬变。
上述方法均未能有效解决从多源异构数据中提取动态周期性特征、实现烟尘浓度精准预测、以及克服控制滞后等核心问题。因此，本文提出一种动态周期优化下的电除尘器二次扬尘抑制方法，致力于通过数据驱动方式实现特征挖掘、趋势预测与实时控制闭环，提升抑尘稳定性与响应速度。
2电除尘器动态周期特征数据挖掘
电除尘器运行数据复杂多样，包含设备本体、电气运行、环境与工艺等多方面参数，这些参数与烟尘行为之间的关系并非直观明显，需要深入挖掘才能找出真正影响烟尘行为的关键动态周期性特征。因此，从电除尘器海量、多源的运行数据中，识别并量化与二次扬尘、粉尘浓度波动等关键烟尘行为强相关的动态周期性特征，构建一个可解释、高泛化能力的特征集，为后续的预测与控制提供准确的输入数据。
电除尘器运行数据具有多源异构、动态周期性特征，需通过多维度数据融合实现动态优化。数据来源涵盖设备本体参数（如极板间距、振打系统配置）、电气运行参数（如二次电压、二次电流）、环境与工艺参数（如烟气温度、流量、入口粉尘浓度）等。
为捕捉烟尘行为的动态规律，将静态参数作为基础特征，动态参数按周期分段处理），构建动态时间窗口特征，捕捉参数周期性变化趋势，形成训练样本集
，其中包含结构参数、动态统计特征及周期标识，
为可量化的烟尘行为指标（如二次扬尘发生率）。
利用第二阶段构建的特征集，训练XGBoost模型[6-7]。通过集成多棵CART决策树实现高维非线性映射，实现对周期性特征的自适应学习，量化各动态周期性特征的重要性。模型定义为：
（1）模型输出与损失函数：预测输出为棵决策树的加和：
式中：G为决策树空间；W映射样本至叶子节点；e为叶子权重。总损失函数包含训练损失与正则项：
式中：和为模型预测值和真实值；为正则项；T为叶子节点数量；为模型的惩罚系数。
（2）动态周期特征驱动的树分裂优化
模型在训练时，会优先选择能最大程度降低损失的特征分裂。通过二阶泰勒展开，第t次迭代的分裂增益（Gain）[8]为：
式中：为第t-1步迭代时的预测值；为第t步新增的决策树对第i个样本的预测值（即树的输出分数）；z为损失函数；为第棵决策树的正则化项；V为前t-1步正则化项和损失的常数部分。
定义为节点j的样本集合，最优叶子权重为，对应最优损失下降值（即Gain）为：
该值作为树分裂的评分标准，动态选择使最小的分裂方案，优先捕捉周期性特征（如电压波动与扬尘的关联）。
（3）动态终止条件
设定达到最大深度、节点样本权重和小于阈值或者模型准确率提升小于d（动态调整阈值）这几个条件作为树分裂的停止条件。通过上述过程，模型揭示出影响烟尘行为的关键动态周期性特征，输出的扬尘特征（如预测的二次扬尘发生率、关键特征的重要性排序）作为输入，展开后续处理。
3 电除尘器二次扬尘抑制
3.1 烟尘浓度变化趋势预测
电除尘器运行过程中，烟尘浓度的变化受到多种复杂因素影响，呈现出动态且非线性的特征。准确预判未来烟尘浓度的变化趋势对于有效控制电除尘器运行、减少二次扬尘等至关重要。基于第2节挖掘的动态周期性特征数据，构建最小二乘支持向量机（LSSVM）模型[9-10]，前瞻性地预判未来烟尘浓度的变化趋势，为3.2节的实时控制提供决策时间窗口和精确的设定值/前馈信号。具体流程如下：
3.1.1 输入数据构造
将第2节输出的特征集（结构参数、动态统计特征及周期标识）按时间序列排列，构成M维度的输入向量，对应目标变量为烟尘浓度，训练集表示为。
3.1.2 LSSVM模型构建
为将输入从低维映射到高维空间，采用非线性映射的方式，建立最优线性回归函数，公式表示为：
式中：为权值向量；为偏置量。
引入松弛变量，以误差平方和作为损失函数，建立如下优化问题和约束条件：
式中：v为惩罚因子。引入Lagrange乘子，构造Lagrange函数[11]：
式中：为数据点数量。对各变量求偏导并令其为零，采用高斯核函数（RBF）处理非线性关系：
式中：为核函数参数。
3.1.3 模型训练与参数优化
采用共轭梯度法求解方程，得到回归系数o和偏置量p，通过粒子群算法（PSO）[12]优化超参数，V以最小化交叉验证误差。
将实时采集的特征数据代入该函数，即可输出未来一段时间内的烟尘浓度预测序列，揭示烟尘浓度的变化趋势，包含了潜在的二次扬尘风险信息。将其直接传递至3.2节的二次扬尘抑制策略，作为动态调整电除尘器运行参数（如电压、振打周期）的依据。
3.2基于参数动态调整的二次扬尘抑制
在电除尘器的运行过程中，二次扬尘是一个严重影响除尘效果的问题。二次扬尘会导致已经沉降的粉尘再次飞扬起来，使得出口烟尘浓度升高，降低电除尘器的整体除尘效率。由此，基于第3.1节输出的烟尘浓度预测值，设计一阶加时延自抗扰控制（TD-ADRC），将预测信息转化为对电除尘器二次电流的实时、动态调节指令，主动抑制二次扬尘，形成闭环。控制策略流程如下：
3.2.1 控制对象建模（一阶加时延系统）
电除尘器出口烟尘浓度动态特性建模为一阶加时延（FOPDT）系统，传递函数为：
式中：为输出烟尘浓度；为控制输入（二次电流改变量）；为系统增益；和为时间和时延常数。
该模型考虑控制输入与实际输出之间的滞后效应，作用于干式电除尘器的动态行为描述，根据电除尘器实际工况设定，，，并初始化观测器带宽和控制带宽。
3.2.2 状态空间模型与扩张状态观测器（ESO）[13-14]设计
将式（9）转化为时域状态空间模型，考虑外部干扰与模型不确定性
式中：为系统状态变量；为除尘器出口烟尘浓度；为集总干扰（如振打干扰、模型摄动）；为平均二次电流改变量（控制输入量）；为输入增益系数。设计扩张状态观测器（ESO）来实时估计系统状态和总扰动：
式中：为输出和集总干扰项和集总干扰项为观测器增益；为标称时延。从第3.1节获取当前时刻烟尘浓度预测值作为反馈输入，根据上式实时更新。
3.2.3 ADRC控制器设计
使用由反馈控制律[15]和前馈补偿组成ADRC控制器计算出总控制量。
式中：、为烟尘浓度参考值（基于3.1节预测模型规定的设定值）和控制增益。设为二次电流调节指令，输入除尘器控制系统。
3.2.4 二自由度等效转换与稳定性分析
将控制器转换为二自由度结构便于系统分析与参数整定，公式为：
根据二自由度（2-DOF）等效结构，得到对应的反馈和前馈传递函数方程为：
基于实际控制效果与式（13）、（14）的稳定性分析，动态调整和。
3.2.5 输出结果
调整后，输出实时二次电流调节指令，动态优化二次电流大小，避免因电流过高或过低引起的粉尘再飞扬现象。
4实验与分析
为了验证所提方法的有效性，基于MATLAB平台搭建干式电除尘器系统模拟模型（图1所示），模拟真实工业环境中的烟气流动、粉尘沉积与二次扬尘过程。
图1干式电除尘器仿真系统搭建
初始实验条件与方法参数设置如下：实验条件参数方面，烟气流量为150m³/s，入口粉尘浓度为20g/m³，振打周期为10min，电场电压为60kV；数据挖掘方法参数方面，时间窗口长度为30s，XGBoost 树数量为100棵，学习率为0.1，特征数量为15个；烟尘预测方法参数方面，LSSVM正则化参数为10，核函数类型为RBF，核参数为0.5，预测步长为5s；动态抑制方法参数方面，系统增益为1.2，时间常数为8s，时延为2s，控制增益为0.8。
运行模拟模型，以初始工况参数启动，通过多源数据输入模拟烟尘动态过程。采用XGBoost挖掘动态周期特征后，输入LSSVM预测烟尘浓度，同时采集真实烟尘浓度作为对比。模拟引入10%高斯噪声模拟传感器误差，并在第120s触发负载突变（烟气流量骤增30%），如图2所示。
图2所提方法预测结果
图2可以看出，预测曲线与真实曲线在稳态下高度重合，突变后预测值快速逼近真实值，5s内误差收敛，验证了所提方法对复杂除尘器运行工况的适应性，能有效提高后续二次扬尘抑制效果。因为所提方法中应用了LSSVM方法，该方法采用非线性映射将输入从低维映射到高维空间，建立最优线性回归函数，能够处理电除尘器运行过程中烟尘浓度变化的非线性特征，提高预测精度。
添加非线性规划优化算法和数值模拟算法作为对比方法，展开针对除尘率指标的评估测试，若指标值提升，表明除尘器的二次扬尘减少，更多颗粒物被有效捕集，抑制策略有效，一段时间内得到三种方法的指标变化结果如图3所示。
图3 各方法抑制下除尘率提升情况
结果表明，所提方法通过动态周期优化显著提升了除尘率，最终稳定在94%以上，且波动范围小；而方法1的除尘率较低且波动大；方法2下，局部颗粒物未被有效抑制，除尘率仍低于所提方法。因此，所提方法在减少二次扬尘、提高捕集稳定性方面较为有效，验证了其动态调控策略的有效性。因为所提方法通过状态空间模型与扩张状态观测器设计，能够实时估计系统状态和总扰动，为控制器提供准确的状态信息和扰动补偿依据，从而提高扬尘抑制的稳定性。
在相同工况下，采集各方法抑制前、后的烟尘样本，对比抑制前后浓度差值。如图4所示。
图4各方法抑制下颗粒物排放浓度降低情况
结果显示，所提方法在极短时间内就可以使颗粒物排放浓度急速降低，显著优于方法1和方法2，证明其动态调控策略能更彻底抑制除尘器二次扬尘，实现颗粒物高效捕集。因为所提方法通过动态周期优化和实时动态调控策略，能够快速感知烟尘浓度的变化，并及时调整电除尘器的运行参数。在极短时间内就可以使颗粒物排放浓度极速降低，实现实时、动态控制。
5结论
所提方法针对干式电除尘器二次扬尘的生成机制展开动态抑制，通过数据挖掘、动态预测与智能控制实现闭环联动：从多源异构数据中挖掘驱动二次扬尘的动态周期性特征；利用这些特征构建高精度预测模型，前瞻性地预判烟尘浓度变化；基于预测结果，设计自适应控制策略，动态调整设备运行参数，从源头抑制二次扬尘的生成。该方法解决了传统方法的不足，具有重要的实际应用意义。
参考文献
[1] 李鹏龙，郑镭，韩炬等. 进气动能耗散对脉冲式布袋除尘器灰尘沉降及布袋寿命的影响[J]. 环境工程学报，2024，18(7):1945-1957.
[2] 单永华，李德波，钟剑锋等. 减少二次扬尘的优化控制方法[J]. 环境工程，2023，41(S2):413-416.
[3] 李泽锐，李飞. 燃煤电厂袋式除尘器环保与节能耦合的性能优化研究[J]. 工业安全与环保，2024，50(8):82-86.
[4] 王洋，刘毅梁，王磊等. 基于非线性规划模型的旋风除尘器设计优化[J]. 粉末冶金工业，2023，33(2):109-115.
[5] 雷鹏，宋健斐，李强等. 环栅式动力除尘器分离性能的数值模拟与实验[J]. 中国粉体技术，2024，30(1):144-152.
[6] 郑银环，宋宣科，卢杰等. 基于WOA-XGBoost模型的电阻点焊熔核直径预测算法[J].热加工工艺，2024，53(24):53-60.
[7] 张海滨，蒋巍巍，唐云武等. 基于优化随机森林的散热器弯管壁厚时间序列预测模型[J].大电机技术，2025，(01):117-123.
[8] 钱天泓，秦岭，茅靖峰等.一种交错并联分裂开关电容升压变换器[J]. 电网技术，2023，47(1):377-387.
[9] 吴浩，齐放，张曦等.基于小波包分解与最小二乘支持向量机的用户侧净负荷预测[J].现代电力，2023，40(2):192-200.
[10] 金秀章，史德金，乔鹏. 基于沙地猫群优化–最小二乘支持向量机的动态NOx排放预测[J].中国电机工程学报，2024，44(1):182-191.
[11] 刘与铮，丁涛，肖杨等. 基于拉格朗日松弛及子问题解耦动态规划的周机组组合快速求解方法[J].电力自动化设备，2025，45(6):173-181+190.
[12] 徐岩，向益锋，马天祥. 基于粒子群算法优化参数的VMD-GRU短期电力负荷预测模型[J]. 华北电力大学学报(自然科学版) ，2023,50(1):38-47.
[13] 于新红，操建生，许立斌等. 基于自适应线性扩张状态观测器的双有源桥变换器无模型预测电压控制[J]. 高电压技术，2024，50(9):4184-4194.
[14] 沙磊，王树波，刘逸坚. 基于扩张状态观测器的二质量系统非奇异快速终端滑模控制[J]. 控制与决策，2023，38(3):850-856.
[15] 王树波，那靖，任雪梅. 面向性能增强的双惯量伺服系统状态反馈控制[J]. 自动化学报，2023，49(4):904-912.
作者简介：
解标（1974-），男（汉族），安徽灵璧人，硕士，高级工程师，研究方向：环保。
李素粉（1984-），女（汉族），安徽蚌埠人，工程师，研究方向：机电工程。
京公网安备 11011502004515号 
