調峰燃煤機組選擇性催化還原煙氣脫硝的建模預測優化*

陳鴻偉 梁占偉# 趙 斌 高明非 趙爭輝 張志遠

(1.華北電力大學能源動力與機械工程學院，河北 保定 071003；2.華北理工大學冶金與能源學院，河北 唐山 063009)

調峰燃煤機組選擇性催化還原煙氣脫硝的建模預測優化*

陳鴻偉1梁占偉1#趙 斌2高明非2趙爭輝1張志遠1

(1.華北電力大學能源動力與機械工程學院，河北 保定 071003；2.華北理工大學冶金與能源學院，河北 唐山 063009)

調峰燃煤機組的運行對選擇性催化還原煙氣脫硝(SCR-DeNOx)系統的性能提出了新的挑戰。通過比較BP神經網絡(BP)算法和遺傳算法優化BP(GABP)算法的直接模型和間接模型，得到出口NOx濃度和氨逃逸濃度預測的最佳模型。結果表明，對出口NOx濃度和氨逃逸濃度預測的最佳模型均為GABP算法的間接模型。該模型不僅精度高，可以適應不同的負荷，而且可以同時預測出口NOx濃度和氨逃逸濃度。對出口NOx濃度預測的相對誤差均在±10%以內，均方根誤差和平均絕對百分比誤差分別僅為2.76mg/m3和4.49%；對氨逃逸濃度預測的相對誤差基本都在±50%以內，均方根誤差和平均絕對百分比誤差分別為0.13mg/m3和24.29%。

調峰燃煤機組 選擇性催化還原 脫硝NOx氨逃逸 神經網絡算法

Abstract: The selective catalytic reduction dinitration (SCR-DeNOx) systems are facing new challenges since coal-fired peak regulation units ran. The direct and indirect models by BP neural network algorithm (BP algorithm) and genetic algorithm modified BP algorithm (GABP algorithm) were applied to predict outlet NOxconcentration and ammonia escaping concentration in SCR-DeNOxsystem. Results showed that the best model for both outlet NOxconcentration and ammonia escaping concentration prediction was the indirect model by GABP algorithm. This model was accurate and able to fit different loads. Moreover,the model could predict outlet NOxconcentration and ammonia escaping concentration simultaneously. The relative error,root-mean-square error and mean-absolute-percentage error were within ±10%,2.76 mg/m3and 4.49% for outlet NOxconcentration,respectively;and those almost within±50%,0.13 mg/m3and 24.29% for ammonia escaping concentration,respectively.

Keywords: coal-fired peak regulation units； selective catalytic reduction； denitration； NOx； ammonia escaping； neural network algorithm

近年來，受國內經濟形勢下行以及新能源發電并網等因素的影響，很多地區供電負荷峰谷差增大。據統計，京津冀地區峰谷差已達到30.6%[1]。單靠抽水蓄能發電及30萬kW的燃煤機組調峰已不能滿足電網調峰需求，60萬kW及以上的燃煤機組參與深度調峰已成常態化。調峰燃煤機組的運行對選擇性催化還原煙氣脫硝(SCR-DeNOx)系統的性能提出了新的挑戰。準確預測SCR-DeNOx系統出口NOx濃度和氨逃逸濃度是提高NOx脫除效率和減少噴氨量的基礎。秦天牧等[2-3]利用多尺度核偏最小二乘法和改進偏互信息法建立了SCR-DeNOx系統出口NOx濃度的預測模型，均方根誤差和平均絕對百分比誤差分別能夠達到2.80 mg/m3和3.31%，精度較高；但是該模型輸入數據的負荷變化范圍較窄，僅適合700～800 MW的燃煤機組。劉吉臻等[4]提出了自適應性多尺度核偏最小二乘法，并應用于SCR-DeNOx系統建模預測出口NOx濃度，該模型輸入數據負荷變寬，但是精度下降，均方根誤差和平均絕對百分比誤差分別為3.13 mg/m3和5.01%。調峰燃煤機組建立高精度、全負荷的SCR-DeNOx系統出口NOx濃度預測模型已成為目前研究的重點。此外，對SCR-DeNOx系統出口氨逃逸濃度建模預測的報道還很鮮見[5-6]。

本研究對比分析了BP神經網絡(BP)算法和遺傳算法優化BP(GABP)算法的直接模型和間接模型，同時對調峰燃煤機組的SCR-DeNOx系統出口NOx濃度和氨逃逸濃度進行預測，得到最佳預測模型。

1 實驗方法

某電廠600 MW的調峰燃煤機組主要由超臨界煤粉爐配置低濃度NOx雙調風旋流燃燒器組成，采用SCR-DeNOx系統，脫硝劑為液氨，液氨蒸發采用蒸汽加熱方式。SCR-DeNOx設備安裝在省煤器與空預器之間，脫硝吹灰器同時采用聲波和蒸汽吹灰。催化劑按“2+1”方式布置，設計入口NOx質量濃度為400 mg/m3。負荷選取300、400、500、600 MW。數據采集時間間隔為5 s，每個參數連續采集10個數據取平均值。

2 預測模型

模型理論依據為式(1)和式(2)[7-10]。

4NH3+5O2→4NO+6H2O

(1)

4NO+4NH3+O2→4N2+6H2O

(2)

BP算法作為一種非線性預測方法具有良好的非線性品質，并得到了廣泛應用[11-12]。標準BP算法訓練次數多、學習效率低、收斂速度慢[13]88。為了提高BP算法性能，本研究采用優化BP算法訓練函數trainlm，結合梯度下降法和高斯-牛頓法，通過逐漸調整權值和閾值改善收斂性能[13]83。GABP算法流程見圖1。設置種群規模為10，進化次數為50，交叉概率為0.4，變異概率為0.2[13]82。

主要輸入數據包括SCR-DeNOx系統入口NOx濃度、入口氨濃度、反應溫度、氧量、煙氣量、催化劑層壓降和負荷。間接模型分別輸出單位體積催化劑單位時間內消耗的NOx和氨總量，再反算出口NOx濃度和氨逃逸濃度；直接模型則直接輸出出口NOx濃度和氨逃逸濃度。

圖1 GABP算法流程Fig.1 Flow chart of GABP algorithm

3 結果分析與討論

3.1 出口NOx濃度預測

SCR-DeNOx系統出口NOx濃度的間接模型預測結果如圖2所示，直接模型預測結果如圖3所示。

對比圖2(a)和圖3(a)發現，BP算法和GABP算法的間接模型預測值與實際值的逼近能力更好。從圖2(b)的相對誤差來看，GABP算法的間接模型相對誤差均在±10%以內，而BP算法的間接模型相對誤差明顯大于GABP算法，甚至超過了±20%。因此，對出口NOx濃度的最佳預測模型為GABP算法的間接模型。

3.2 氨逃逸濃度預測

圖2 出口NOx濃度的間接模型預測結果Fig.2 Prediction result of outlet NOx concentration by indirect model

圖3 出口NOx濃度的直接模型預測結果Fig.3 Prediction result of outlet NOx concentration by direct model

圖4 氨逃逸濃度的間接模型預測結果Fig.4 Prediction result of NH3 escaping concentration by indirect model

圖5 氨逃逸濃度的直接模型預測結果Fig.5 Prediction result of NH3 escaping concentration by direct model

SCR-DeNOx系統氨逃逸濃度的間接模型預測結果如圖4所示，直接模型預測結果如圖5所示。

由圖4(a)可見，BP算法的間接模型預測結果波動較大，而GABP算法的間接模型預測結果比較穩定，且與實際值的逼近能力極好。由圖4(b)可見，BP算法的間接模型相對誤差大多數超過了±50%，而GABP算法的間接模型相對誤差基本都在±50%以內。雖然GABP算法的間接模型相對誤差仍高于工程要求的±20%以內，但鑒于氨逃逸濃度幾乎沒有模型可以預測，且從圖4(a)的數據來看，氨逃逸質量濃度實際值為0.19～0.61 mg/m3時，GABP算法的間接模型預測值為0.20～0.76 mg/m3，可以在工程中應用。由圖5可知，BP算法和GABP算法的直接模型預測值和相對誤差都波動很大，不能應用。因此，GABP算法的間接模型也可以用于氨逃逸濃度的預測。

表1 出口NOx濃度預測模型性能

表2 氨逃逸濃度預測模型性能

3.3 模型性能評價

采用均方根誤差(RMSE)和平均絕對百分比誤差(MAPE)來評價模型預測精度和預測值相對于實際值的平均偏離情況，計算公式分別如式(3)和式(4)所示[14]。

(3)

(4)

SCR-DeNOx系統出口NOx濃度預測模型的均方根誤差和平均絕對百分比誤差列于表1，GABP算法的間接模型均方根誤差和平均絕對百分比誤差分別為2.76 mg/m3和4.49%，精度最高。

SCR-DeNOx系統氨逃逸濃度預測模型的均方根誤差和平均絕對百分比誤差列于表2，GABP算法的間接模型均方根誤差和平均絕對百分比誤差分別為0.13 mg/m3和24.29%。

綜上所述，GABP算法的間接模型用于調峰燃煤機組SCR-DeNOx系統出口NOx濃度預測不僅精度高，可以適應不同的負荷，而且在氨逃逸濃度預測中也具有一定的參考價值。

4 結 論

對出口NOx濃度的最佳預測模型為GABP算法的間接模型，相對誤差均在±10%以內，均方根誤差和平均絕對百分比誤差分別為2.76 mg/m3和4.49%，該模型不僅精度高，而且可以適應不同的負荷。此外，該模型可同時用于氨逃逸濃度預測，相對誤差基本都在±50%以內，均方根誤差和平均絕對百分比誤差分別為0.13 mg/m3和24.29%。

[1] 王偉,徐婧,趙翔,等.中國煤電機組調峰運行現狀分析[J].南方能源建設,2017,4(1):18-24.

[2] 秦天牧,劉吉臻,楊婷婷,等.火電廠SCR煙氣脫硝系統建模與運行優化仿真[J].中國電機工程學報,2016,36(10):2699-2703.

[3] 秦天牧,劉吉臻,方連航,等.基于改進偏互信息的火電廠SCR脫硝系統建模[J].動力工程學報,2016,36(9):726-731.

[4] 劉吉臻,秦天牧,楊婷婷,等.基于自適應多尺度核偏最小二乘的SCR煙氣脫硝系統建模[J].中國電機工程學報,2015,35(23):6083-6088.

[5] 周榮,褚定杉,丁懷,等.水泥廠氨排放標準存在的問題及氨排放控制[J].環境污染與防治,2015,37(1):100-104.

[6] 鄭方棟,李文華,趙敏,等.全負荷脫硝氨逃逸率與SO3轉化率的變化[J].中國電機工程學報,2017,37(9):2607-2613.

[7] NOVA I,LIETTI L,TRONCONI E,et al.Dynamics of SCR reaction over a TiO2-supported vanadia-tungsta commercial catalyst[J].Catalysis Today,2000,60(1/2):73-82.

[8] USBERTI N,JABLONSKA M,BLASI M D,et al.Design of a “high-efficiency” NH3-SCR reactor for stationary applications.A kinetic study of NH3oxidation and NH3-SCR over V-based catalysts[J].Applied Catalysis B:Environmental,2015,179:185-195.

[9] YUAN Ruming,FU Guan,XU Xin,et al.Mechanisms for selective catalytic oxidation of ammonia over vanadium oxides[J].Journal of Physical Chemistry C,2011,115(43):21218-21229.

[10] BERETTA A,USBERTI N,LIETTI L,et al.Modeling of the SCR reactor for coal-fired power plants:impact of NH3inhibition on Hg0oxidation[J].Chemical Engineering Journal,2014,257:170-183.

[11] 陳鴻偉,劉煥志,李曉偉,等.雙循環流化床顆粒循環流率實驗與BP神經網絡預測[J].中國電機工程學報,2010,30(32):25-29.

[12] 陳鴻偉,祁海波,梁占偉,等.基于LM算法的雙流化床循環流率預測模型研究[J].動力工程學報,2012,32(1):15-20.

[13] 周開利,康耀紅.神經網絡模型及其MATLAB仿真程序設計[M].北京:清華大學出版社,2005.

[14] LV You,LIU Jizhen,YANG Tingting,et al.A novel least squares support vector machine ensemble model for NOx,emission prediction of a coal-fired boiler[J].Energy,2013,55(1):319-329.

Modelingpredictionoptimizationofselectivecatalyticreductiondenitrationforcoal-firedpeakregulationunits

CHENHongwei1,LIANGZhanwei1,ZHAOBin2,GAOMingfei2,ZHAOZhenghui1,ZHANGZhiyuan1.

(1.SchoolofEnergy,PowerandMechanicalEngineering,NorthChinaElectricPowerUniversity,BaodingHebei071003;2.CollegeofMetallurgyandEnergy,NorthChinaUniversityofScienceandTechnology,TangshanHebei063009)

2017-02-14)

陳鴻偉，男，1965年生，博士，教授，主要從事電站設備監測、控制與運行研究。#

。

*河北省自然科學基金資助項目(No.E2016502058)；中央高校基本科研業務費專項(No.2015XS116)。

10.15985/j.cnki.1001-3865.2017.08.012