火電廠SCR煙氣脫硝系統建模與噴氨量最優控制

周 鑫， 吳 佳

（浙江浙能臺州第二發電有限責任公司，浙江 臺州 317109）

火電廠SCR煙氣脫硝系統建模與噴氨量最優控制

周 鑫， 吳 佳

（浙江浙能臺州第二發電有限責任公司，浙江 臺州 317109）

SCR（選擇性催化還原）是發電廠目前普遍采用的煙氣脫硝方法，脫硝系統的噴氨量不僅影響煙氣脫硝的效率，過量噴氨也會造成氨逃逸率升高，導致環境的二次污染。SCR系統反應機理復雜，具有非線性、大慣性等特點，傳統PID控制方法無法實現噴氨量的精確控制。將KPLS（核偏最小二乘方法）與GA（遺傳算法）結合，提出了GA-KPLS建模方法，并建立了SCR系統模型。仿真結果表明，模型具有較好的學習及泛化能力。將SCR模型應用于模型預測控制方法中，實時計算最優噴氨量，實現了對噴氨量的精確控制。實驗結果表明，此方法與傳統PID控制方法相比，顯著提高了脫硝率，同時降低了氨逃逸率。

選擇性催化還原；煙氣脫硝；核偏最小二乘；遺傳算法；最優控制

0 引言

發電廠鍋爐燃燒產生的NOX排放到大氣中會對環境造成嚴重污染[1]。降低NOX排放的措施分為2種：一是燃燒中減排，即采用分級燃燒或改進燃燒器等方法使燃煤產生的NOX量減少；二是燃燒后減排，即通過加裝脫硝裝置對尾部煙氣進行脫硝處理。SCR（選擇性催化還原方法）煙氣脫硝系統反應機理復雜，脫硝效率受到噴氨量、反應溫度、煙氣速度、催化劑活性等因素影響，其中噴氨量對脫硝效果影響最大，是關鍵的可調因素。噴氨量過少會導致煙氣NOX含量超標；噴氨量過多，不僅會提高氨逃逸率造成二次污染，同時也會增加脫硝成本。

隨著預測控制、核偏最小二乘、神經網絡以及支持向量機等技術的發展和在工業上的成功應用，可以充分利用發電廠歷史運行數據建立SCR煙氣脫硝系統模型，同時采用先進控制算法，實現噴氨量的最優控制，在降低NOX排放的同時減少脫硝成本。采用KPLS（核偏最小二乘）方法建立SCR煙氣脫硝系統模型，利用遺傳算法優化核函數參數，從而提高模型的學習和泛化能力，將SCR模型與預測控制方法相結合，設計出基于GA-KPLS的噴氨量最優控制系統。利用發電廠實際運行數據進行仿真驗證，實驗結果表明GAKPLS噴氨量最優控制系統在顯著降低NOX排放量的同時減少了氨逃逸率。

1 SCR噴氨煙氣脫硝系統裝置

某1 000 MW超超臨界機組SCR煙氣脫硝系統結構如圖1所示。

圖1 SCR煙氣脫硝系統示意

該SCR噴氨煙氣脫硝系統采用TiO2作為催化劑。稀釋空氣與來自氨氣站的氨氣混合，經噴氨控制閥調整噴氨流量后通過噴嘴噴出，并與煙氣充分混合?；旌蠚怏w在TiO2的催化作用下發生選擇性催化還原反應，煙氣中的NOX與NH3發生反應，生成無害的氮氣和水，從而達到煙氣脫硝的目的[2]。SCR脫硝系統主要反應過程如下：

實際運行中同時會發生一些副反應并產生一些有害副產物：

過量噴氨不僅會增加SCR系統中氨氣濃度，提高副反應速度，導致重新生成NOX，影響脫硝效率，同時，過量的NH3與SO3反應生成硫酸氫氨等有害副產物，這些副產物會導致催化劑失活或者堵塞催化劑孔板，從而降低脫硝效率，還會腐蝕管道影響機組的安全運行，同時，氨逃逸也會造成二次污染[2]。

機組運行工況的不斷變化會導致煙氣中NOX濃度產生劇烈波動，傳統PID（比例-積分-微分）控制效果并不理想。因此，必須設計更優的自動控制系統控制噴氨量，以最合理的噴氨量保證脫硝效率，同時減少不利副產物的生成，避免二次污染。

2 SCR煙氣脫硝系統模型

2.1 GA-KPLS模型

KPLS是將核函數技術與偏最小二乘算法結合，利用非線性函數提高輸入變量的維度，把輸入空間映射到高維特征空間并應用偏最小二乘求解，從而構建出一種解決非線性問題的算法。核函數是核偏最小二乘算法中的關鍵因素，但如何選擇、確定核函數目前尚無理論參考。通常認為徑向基函數一般情況下優于其他常用的核函數，因此選用徑向基函數作為核函數。

徑向基核函數中包含一個參數σ，它的確定尚無統一方法，采用GA（遺傳算法）對其進行尋優。遺傳算法按照適者生存和優勝劣汰的原理，經過迭代計算求取最優近似解，具有良好的全局搜索能力且計算速度快。

設變量X∈Rn×p，Y∈Rn，p為自變量個數，n為觀測樣本個數，對數據進行歸一化處理。KPLS算法描述如下：

（1）計算核矩陣K。核矩陣元素計算公式為：

（2）隨機初始化Y的得分向量u。

（3）計算X的得分向量t并歸一化。

（4）計算權值向量c。

（5）計算Y的得分向量u并進行歸一化。

（6）重復步驟（2）—（5）直至t收斂。

（7）縮小K與Y，重復步驟（2）—（5）直至提取p個t與u。

訓練樣本擬合公式為：

式中：T與U為得分向量t與u構成的矩陣。

預測樣本擬合公式為：

式中：Kt為預測核矩陣；Yt為模型預測結果。

2.2 仿真試驗與結果分析

根據工程實際和理論分析，選取SCR入口NOX濃度、噴氨量、煙氣溫度和機組負荷4個影響脫硝效率的因素作為SCR煙氣脫硝系統模型的輸入量，SCR出口NOX濃度作為輸出量。從運行歷史數據中選取150組作為樣本，其中100組作為訓練樣本，50組作為預測樣本。采用遺傳算法對參數σ進行尋優，尋優結果為σ=0.01。模型訓練及預測效果如圖2與3所示。

圖2 KPLS模型訓練效果

圖3 KPLS模型預測效果

模型精度評價指標采用RMSE（均方根誤差）和MAPE（平均絕對百分比誤差），計算公式如下：

式中：yi為測量值為預測值；n為預測樣本的個數。

SCR系統KPLS模型的訓練及預測精度分別為RMSET=3.958 4 mg/m3，RMSEP=4.499 5 mg/m3，MAPET=5.41%，MAPEP=5.71%，其中下標T和下標P分別代表訓練和預測評價指標。從圖2與3中可以看出，擬合值和預測值分布在理想直線附近，說明擬合及預測效果較好，模型具有較強的學習能力和泛化能力。

3 噴氨量最優控制的仿真

3.1 模型預測控制

模型預測控制是一種智能控制算法，根據模型預測的輸出相應調整輸入量，通過極小化目標函數求解輸入量的變化量，從而使實際輸出與設定值保持一致。模型預測控制算法被轉化為求解非線性優化問題：

式中：yp為模型輸出；yr為設定值；Δu為輸入量的變化量；N與M分別為預測長度和控制長度；q與r分別為輸入輸出的權重系數。

針對上面的非線性優化問題，采用PSO（粒子群優化）算法求取最優解。PSO算法具有簡單、容易實現、調整參數少的優點?；煦缡欠蔷€性系統中普遍存在的現象?；煦邕\動具有內在隨機性、非規則有序性和遍歷性等特點。采用Logistic映射xn+1=4xn（1-xn）產生混沌變量，其中n為迭代次數；初始值x0∈（0，1）且x0≠0.25，0.5，0.75。采用這種方法生成PSO算法的初始種群，可以使種群內粒子分布較為均勻，具有多樣性、遍歷性的特點，有利于全局搜索。

基于以上建模方法以及預測控制算法，提出一種SCR噴氨量最優控制方法。首先應用GAKPLS方法建立SCR系統模型，再利用模型以及粒子群算法對噴氨量進行優化，通過改變噴氨量來提高脫硝效率，達到最優控制目的。控制算法流程如圖4所示。

3.2 實驗結果和分析

以某1 000 MW超超臨界鍋爐SCR煙氣脫硝系統作為研究對象，選取150組運行歷史數據作為訓練及預測樣本，其中訓練樣本個數為100，預測樣本個數為50。對訓練及預測樣本進行預處理，利用遺傳算法對核函數參數進行尋優，建立SCR煙氣脫硝系統的KPLS模型。噴氨量最優控制采用粒子群算法求解非線性優化問題。其中，設定慣性因子 ω=0.729，學習因子 c1=c2=1.494 45，種群大小為15，迭代次數為50，噴氨量改變量的范圍設為0～100 kg/h，根據國家相關規定SCR出口NOX濃度設定值設為50 mg/m3。仿真實驗結果如圖5與6所示。

圖4 噴氨量最優控制算法流程

圖5 SCR出口NOX濃度

SCR脫硝系統反應機理復雜，具有大慣性、非線性等特征，傳統PID方法無法取得良好的控制效果。從圖5—6可知，采用傳統PID控制時平均脫硝率只有61.45%，SCR出口NOX平均濃度為71.630 6 mg/m3。相比之下，模型預測控制不需要深入了解被控對象的內部機理，有效提高了系統的魯棒性。同時，模型預測控制對噴氨量進行滾動尋優，具有較好的動態控制效果。對噴氨量進行最優控制后，平均脫硝率為73.13%，SCR出口NOX平均濃度為49.578 5 mg/m3，脫硝效果有了顯著提升。

由于模型預測控制的性能指標中引入了噴氨量的變化量，使得SCR出口NOX濃度在跟蹤設定值的同時盡量減少噴氨量的變化，實現噴氨量的精確控制，避免閥門頻繁調整帶來的損耗及安全隱患。仿真實驗結果如圖7與8所示。

圖6 SCR脫硝率

圖7 噴氨量

圖8 氨逃逸率

傳統PID控制方式僅利用SCR出口NOX濃度進行反饋控制，很難解決工況波動情況下SCR系統的非線性和大慣性問題，結果造成過量噴氨，導致氨氣逃逸，對環境造成了二次污染。采用傳統PID控制時，平均噴氨量為47.266 4 kg/h，平均氨逃逸率為10.79%。采用最優控制后，噴氨量得到了精確控制，平均噴氨量為55.598 0 kg/h，平均氨逃逸率為9.89%。平均氨逃逸率有所下降，說明過量噴氨的情況得到了改善。同時，平均噴氨量有所上升，因為脫硝率有了顯著提高，脫硝反應所需的氨氣量也隨之上升，導致了噴氨量的增加。

4 結語

利用GA-KPLS方法建立了SCR煙氣脫硝系統模型，模型具有較好的學習及泛化能力，充分反映了SCR系統的非線性過程。將模型與預測控制方法相結合，利用PSO算法對噴氨量進行最優控制。仿真實驗結果表明，模型預測控制在顯著提高脫硝率的同時減小了氨逃逸率，避免了過量噴氨，實現了噴氨量的最優控制。模型預測噴氨量最優控制具有一定的工程應用價值，為噴氨量的精確控制提供了一種有效方法。

[1]王春林，周昊，李國能，等.基于遺傳算法和支持向量機的低NOX燃燒優化[J].中國電機工程學報，2007（11）∶40-44.

[2]周洪煜.超臨界鍋爐煙氣脫硝噴氨量混結構-徑向基函數神經網絡最優控制[J].中國電機工程學報，2011（5）∶108-113.

[3]閻綱.基于最小二乘支持向量機的鋁電解過程建模與控制研究[D].長沙：中南大學，2012.

[4]杜振，錢徐悅，何勝，等.燃煤電廠煙氣SCR脫硝成本分析與優化[J].中國電力，2013，46（10）∶124-128.

[5]梁川，沈越.1000MW機組SCR煙氣脫硝系統優化運行[J].中國電力，2012，45（1）∶41-44.

[6]董建勛，王松嶺，李永華，等.選擇性催化還原煙氣脫硝過程數學模擬研究[J].熱能動力工程，2007，22（5）∶569-573.

[7]周響球,楊晨.選擇性催化還原脫硝反應器數學模型及仿真[J].重慶大學學報：自然科學版，2007，30（6）∶39-43.

[8]曹志勇，譚城軍，李建中，等.燃煤鍋爐SCR煙氣脫硝系統噴氨優化調整試驗[J].中國電力，2011，44（11）∶55-58.

[9]NOVA I，LIETTI L，TRONCONI E，et al.Transient response method applied to the kinetic analysis of the De-NOX-SCR reaction[J].Chemical Engineering Science，2001，56（4）∶1229-1237.

[10]趙乾.SCR煙氣脫硝系統模擬優化及噴氨量最優控制[D].重慶：重慶大學，2012.

[11]LIETTI L，NOVA I，CAMURRI S，et al.Dynamics of the SCR-DeNOXreaction by the transient-response method[J]. Aiche Journal，1997，43（10）∶2559-2570.

[12]周荔丹.廣義預測控制算法及應用研究[D].長沙：湖南大學，2002.

[13]黃山，蔣鷺，王天才，等.神經網絡與遺傳算法結合的球團豎爐燃燒優化[J].東南大學學報：自然科學版，2012，42（1）∶88-93.

[14]董建勛.燃煤電廠SCR煙氣脫硝試驗研究及數學模型建立[D].保定：華北電力大學，2007.

[15]穆朝絮，張瑞民，孫長銀.基于粒子群優化的非線性系統最小二乘支持向量機預測控制方法[J].控制理論與應用，2010，27（2）∶164-168.

（本文編輯：陸 瑩）

Modeling of SCR Flue Gas Denitration System and Optimal Control of Spraying Ammonia Flow in Thermal Power Plant

ZHOU Xin，WU Jia
（Zhejiang Zheneng Taizhou Second Electric Power Generation Co.，Ltd.，Taizhou Zhejiang 317109，China）

Selective catalytic reduction（SCR）method is usually used for flue gas denitration in thermal power plant.Spraying ammonia flow of denitration system can affect the efficiency of flue gas denitration And excess ammonia spraying results in higher rates of ammonia escape which cause secondary pollution of the environment.Reaction mechanism of SCR system is very complex and it has the characteristics of nonlinearity and large inertia.Therefore，it is difficult for the traditional PID control methods to achieve precise control of the amount of ammonia injection.Combining the kernel partial least squares（KPLS）and genetic algorithm（GA），GA-KPLS modeling method is proposed and the SCR system model is established.The simulation results show that the learning and generalization abilities of the model are both better.In order to precisely control the amount of ammonia spraying，model predictive control method is used to calculate the real-time optimal amount of ammonia spraying.Experimental results show that compared with traditional PID control this method significantly improves the denitration rate as well as reduces the ammonia escape rate.

selective catalytic reduction；flue gas denitration；kernel partial least squares；genetic algorithm；optimal control

X701.3

B

1007-1881（2015）11-0015-05

2015-09-17

周 鑫（1990），男，助理工程師，從事發電廠機組運行工作。