離散粒子群尋優徑向基神經網絡模型在脫硝控制中應用

王 林，高 林，郭亦文，安朝榕，金國強，王辰昱，蘇浩龍

離散粒子群尋優徑向基神經網絡模型在脫硝控制中應用

王 林1，高 林1，郭亦文1，安朝榕1，金國強1，王辰昱1，蘇浩龍2

（1.西安熱工研究院有限公司，陜西 西安 710054；2.黔桂發電有限責任公司，貴州 六盤水 553000）

提出了一種選擇性催化還原（SCR）煙氣脫硝預測控制方法，該方法采用粒子群尋優的徑向基（RBF）神經網絡預測SCR脫硝系統入口NOx質量濃度，將整體尋優空間離散化，通過采用節點尋優并結合最速梯度方法重構尋優模型，同時將該RBF神經網絡預測結果引入脫硝控制策略，應用到火電機組的噴氨控制。在某350 MW機組實際應用結果表明，該神經網絡模型不僅能實現噴氨自動控制，而且能提高噴氨系統控制精度。

煙氣脫硝；SCR；離散粒子群；RBF神經網絡；噴氨控制；控制策略

自2014年全國實施超低排放改造計劃以來，燃煤鍋爐逐步升級，已達到超低排放控制標準[1-2]。大量運行經驗和文獻指出[3-6]，NO超低排放控制是亟待解決的技術難點之一。

NO的爐內控制技術主要有分級燃燒[2]、雙尺度低氮燃燒[7]等技術，一般通過爐內不同層燃燒器進風量的調整，在鍋爐下部形成貧燃氣氛，增強還原反應，減少NO的生成；而在鍋爐上部形成富燃氣氛，由于爐膛上部溫度較低，NO不易生成，且富燃氣氛有利于快速燃盡含碳顆粒，保障鍋爐效率。

NO的爐后控制技術主要有選擇性催化還原（SCR）技術[8-9]和選擇性非催化還原（SNCR）技 術[10]。SNCR技術是在高溫狀態下，通過噴入氨氣形成還原性氣氛脫除NO，由于該方法的脫除效率一般不超過35%，因此一般作為輔助技術參與NO的脫除控制。SCR技術則主要是在省煤器后煙氣中噴入氨氣，利用催化劑除去NO[11-22]。目前火電機組采用鋪設3層催化劑的布置方式可使SCR脫除效率達到90%以上，完全可滿足NO超低排放的需求。

燃煤鍋爐經過低氮改造后，NO生成量大幅降低。目前大部分燃煤機組煤粉含氮量不超過0.8%，相關研究表明[13-18]，即使燃煤鍋爐的煤質變化較大，火電機組實際運行中，尤其是升、降負荷運行過程中，NO的生成主要與機組運行參數有關。在燃煤機組運行參數建模中，灰箱模型[19-21]利用特定的數學模型訓練優化，獲得NO質量濃度的非線性模型。這種方法雖然魯棒性較強，但是訓練和提取模型的過程比較復雜，且在工程應用中有一定的局限性，如模型偏離后無法自校正，只能通過重新訓練的方式離線再優化。Smrekar等人[22]利用ARX和外部輸入自回歸平均滑動模型構建了NO自回歸預測模型，實現了在一定時間步長內的超前控制，但這種方法并未指出NO生成與燃燒特性變化之間的內在聯系。白衛東等[23-24]盡管對該方法進行了一定的改良，但仍不適應NO快速變化時的預測控制。李剛等[25]采用的基于主導因素方法盡管能應對負荷大范圍變化時的NO超低排放控制，但也沒有從原理上理清NO的生成與爐內燃燒特性的內在關聯性。

近年來，利用神經網絡技術對NO生成進行預測成為NO超低排放控制的主要方向之一[26-33]，經過分析發現，盡管這種方法能夠較好地得到擬合度很高的非線性模型，但普遍存在對樣本質量要求高和過擬合的現象，且計算開銷較大，目前在線更新有一定的困難。

基于此，本文利用徑向基（RBF）神經網絡，結合粒子群尋優方法（PSO）對SCR脫硝系統入口NO質量濃度和機組主要運行參數進行樣本訓練和建模，結果表明該模型不僅能較快地獲得SCR脫硝系統入口NO質量濃度預測值，而且預測模型精度高，穩定性好，且便于熱工人員理解和維護。

1 建立模型

對于某一固定機組，影響鍋爐NO生成主要因素為大負荷升降過程中的風、水、煤等主要參數的變化。本文選取某350 MW機組，分析主要運行參數和NO之間的關聯性，建立模型。為消除高頻噪音對模型的影響，所選取的參數歷史數據均進行離線再濾波，同時利用主元分析方法對其內在聯系進行量化。

1.1 RBF神經網絡模型輸入輸出相關性分析

選取SCR脫硝系統入口NO質量濃度與機組總煤量、一次風量、二次風量、氧量（體積分數，下同）、主蒸汽流量和一次風壓為相關參數，變工況下某350 MW機組SCR脫硝系統入口NO質量濃度與機組參數變化趨勢如圖1所示。由圖1中可見：變工況時，SCR脫硝系統入口NO質量濃度變化與其他參數具有較大的關聯性。分析圖1中所選參數對SCR脫硝系統入口NO質量濃度生成的貢獻[34]，發現所選參數的累計貢獻近100%，因此將上述6個變量作為RBF神經網絡的輸入。

1.2 離散粒子群尋優的RBF神經網絡模型

目前，神經網絡在工程中的應用主要分為BP神經網絡[35-36]和RBF神經網絡。BP神經網絡利用誤差傳遞對中間層和輸出層進行訓練，但其在具有多層中間神經元時，誤差傳播的泛化能力不足。而RBF神經網絡將輸入和中間層參數映射到高維空間中，具有很強的泛化能力，當神經網絡用于控制器研究時，一般會采用RBF神經網絡。本文將RBF神經網絡的最速梯度法和粒子群自尋優方法相結合，進一步提高其搜索能力，進行SCR脫硝系統入口NO質量濃度預測。

圖2為RBF神經網絡結構模型，以圖1的6個參數作為RBF神經網絡輸入參數，以SCR脫硝系統入口NO質量濃度作為輸出，進行離線訓練。在圖2中，利用粒子群方法對中間隱含層節點權值進行搜索。

顯然，搜索的維度為6維，設在維（1≤≤6）空間中的第個粒子位置x為

式中wn1,wn2,…,wnG分別為G維中間節點的權值。

該粒子的個體極值bestn為

整個種群的全局極值為bestg，粒子的速度信息v為

采用離散化方法對中心節點權重w和粒子速度信息v進行初始化，方法如下。

1）中心節點權值w∈[0,1]，將其等分為(+1)個節點，則節點步長為

中心節點權重賦值為

式中，int()為取整函數，rand( )為(0,1]之間的隨機數。即權重初始賦值必須為某一節點值，而不是隨機在[0,1]之間賦值。

2）節點速度v初始賦值為

節點初始速度應為步長的整數倍。采用PSO算法對中間節點權重進行更新，

式中：12分別為系統參數；為種群的粒子數；為第粒子在第次迭代中的第維的速度，；為第個粒子在第次迭代中的第維的位置，；bestng為粒子在第維的個體極值；bestg為種群的最佳位置。

3）中間隱含節點在初始化權重的同時，中心節點c和徑向基寬分別初始化為c= {0.5,0.5,0.5,0.5,0.5,0.5}和=0.8；第個粒子的適應度函數為

取全局最小適應度函數

4）更新在全局最小適應度函數下的個體最優值和全局最優值，分別如下：

依據最速梯度法，中間隱含節點向量和徑向基寬的更新機制如下：

2 離散RBF神經網絡NOx預測分析

對RBF神經網絡輸入量進行歸一化處理，即用歸一化變量除以歸一化參數，得到歸一化的范圍，RBF神經網絡輸入輸出變量歸一化結果見表1。RBF神經網絡模型參數由機組歷史數據離線訓練得到，SCR脫硝系統A側和B側的RBF神經網絡參數分別見表2和表3。某工況下SCR脫硝系統A側和B側入口NO質量濃度測量值與預測值對比分別如圖3和圖4所示。

表1 RBF神經網絡輸入輸出變量歸一化

Tab.1 Normanization of the input and output parameters in RBF neural network model

表2 SCR脫硝系統A側RBF神經網絡參數

Tab.2 The RBF neural network model parameters for A side of the SCR denitration system

表3 SCR脫硝系統B側RBF神經網絡參數

Tab.3 The RBF neural network model parameters for B side of the SCR denitration system

使用神經網絡預測過程中，首先應考慮NO測量的純滯后性，不同機組由于采樣安裝位置和采樣管道流速的不同，NO測量的純滯后時間會有所不同。為評估這一特性差異，本文采用定值擾動建模和實時運行參數評估的方法，具體為當機組運行工況發生變化時，爐膛出口氧量變化至SCR脫硝系統進口NO變化的時間差即可評估SCR脫硝系統進口NO測量的純滯后時間。本文機組純滯后時間約為50~70 s。而SCR系統脫硝出口NO測量的滯后則可通過噴氨流量的定值擾動得到，即改變噴氨流量的大小至出口NO測量值變化的時間差為出口NO測量的純滯后時間，一般為100 s左右。

由圖3可知，在0~150 s和250~350 s2個變工況的穩態時間段，A側NO質量濃度測量值與RBF神經網絡模型預測值基本能穩定地重疊，這表示穩態預測精度較高，且網絡訓練是成功的。而在150~250 s的中間動態過程中，RBF神經網絡模型預測值在變化上明顯比測量值提前，驗證了在動態變化過程中，RBF神經網絡的準穩態預測功能，表明RBF神經網絡在穩態和動態過程中均是穩定的。圖4顯示的B側在0~150 s和270~350 s 2個穩定區間，NO質量濃度測量值與預測值基本重疊，而在150~270 s的動態變化過程中，預測值明顯提前于測量值。通過A、B兩側表現出的預測特性證明本模型的適用性。

3 離散RBF神經網絡噴氨控制系統

根據上述研究結果，將RBF神經網絡預測模型引入脫硝控制，結果如圖5所示。將該控制策略應用到某350 MW機組噴氨自動控制，投入噴氨自動調節，得到變工況和穩定工況NO排放控制效果，如圖6和圖7所示。由圖6和圖7可知，RBF神經網絡模型控制NO排放時，標準狀態變工況下，NO質量濃度偏差降低至±7 mg/m3以內；穩定工況下，NO質量濃度偏差在±3 mg/m3以內。利用該神經網絡模型不僅實現了噴氨系統長期穩定投入自動控制，而且大大提高了噴氨自動控制水平。

4 結 語

提出了一種結合離散粒子群尋優的RBF神經網絡預測模型，并利用該離散神經網絡預測模型構建了新型脫硝控制策略，不僅能有效保證脫硝自動投入，而且大大提高了噴氨自動控制水平。

［1］ 中華人民共和國國家發展和改革委員會. 煤電節能減排升級與改造行動計劃（2014—2020年）[EB/OL]. (2014-09-12) [2019-07-01]. http://www.sdpc.gov.cn/ gzdt/201409/t20140919-626240.html.

National Development and Reform Commission of the P.R.C. Energy saving coal upgrading and transforma-tion of the action plan (2014—2020)[EB/OL]. (2014-09-12) [2019-07-01]. http://www.sdpc.gov.cn/gzdt/ 201409/t20140919_626240.html.

［2］ 趙永椿, 馬斯鳴, 楊建平, 等. 燃煤電廠污染物超凈排放的發展及現狀[J]. 煤炭學報, 2015, 40(11): 2629-2640.

ZHAO Yongchun, MA Siming, YANG Jianping, et al. Status of ultra-low emission technology in coal-fired power plant[J]. Journal of China Coal Society, 2015, 40(11): 2629-2640.

［3］ 周濤, 劉少光, 吳進明, 等. 火電廠氮氧化物排放控制技術[J]. 環境工程, 2008, 26(6): 82-85.

ZHOU Tao, LIU Shaoguang, WU Jinming, et al. Technologies of NOemission control for coal-fired power plant[J]. Environmental Engineering, 2008, 26(6): 82-85.

［4］ 孫雅麗, 鄭驥, 姜冰. 燃煤電廠煙氣氮氧化物排放控制技術發展現狀[J]. 環境科學與技術, 2011, 34(增刊1): 174-179.

SUN Yali, ZHENG Ji, JIANG Bing. NOcontrol technologies for coal-fired power plants flue gas[J]. Environmental Science & Technology, 2011, 34(Suppl.1): 174-179.

［5］ 于文清. SCR法煙氣脫硝系統的控制策略在火電廠中的應用[D]. 北京: 華北電力大學, 2012: 43-46.

YU Wenqing. Control strategy of SCR flue gas denitration system used in a thermal power plant[D]. Beijing: North China Electric Power University, 2012: 43-46.

［6］ 徐亦淳, 翟德雙. 1 000 MW機組降低鍋爐NO排放技術研究與應用[J]. 中國電力, 2015, 48(12): 85-90.

XU Yichun, ZHAI Deshuang. Study and application of NOemission reduction technology for 1 000 MW boilers[J]. Electric Power, 2015, 48(12): 85-90.

［7］ 趙曉軍, 張寶紅, 易智勇, 等. 雙尺度低氮燃燒技術在錦州熱電廠的應用[J]. 熱力發電, 2013, 42(6): 69-71.

ZHAO Xiaojun, ZHANG Baohong, YI Zhiyong. Application of double low nitrogen combustion technology in Jinzhou thermal power plant[J]. Thermal Power Generation, 2013, 42(6): 69-71.

［8］ 朱林, 吳碧君, 段玖祥, 等. SCR煙氣脫硝催化劑生產與應用現狀[J]. 中國電力, 2009, 42(8): 61-64.

ZHU Lin, WU Bijun, DUAN Jiuxiang, et al. Situation of production and application on selective catalytic reduction flue gas de-NOcatalysts[J]. Electric Power, 2009, 42(8): 61-64.

［9］ 呂林, 沈穎倩. NH3低溫選擇性催化還原NO的研究[J]. 燃燒科學與技術, 2011, 17(2): 103-108.

LYU Lin, SHEN Yingqian. Selective catalytic reduction with NH3at low temperature[J]. Journal of Combustion Science and Technology, 2011, 17(2): 103-108.

［10］周國民, 唐建成, 胡振廣, 等. 燃煤鍋爐SNCR脫硝技術應用研究[J]. 電站系統工程, 2010, 26(1): 18-21.

ZHOU Guomin, TANG Jiancheng, HU Zhenguang, et al. Application research of SNCR technology in the pulverized-coal fired boiler[J]. Power System Engineering, 2010, 26(1): 18-21.

［11］ 張向宇, 張波, 陸續, 等. 火電廠尿素水解工藝設計及試驗研究[J]. 中國電機工程學報, 2016, 36(9): 2452-2458.

ZHANG Xiangyu, ZHANG Bo, LU Xu, et al. Crafts design and experimental study of urea hydrolysis to ammonia in thermal power plant[J]. Proceedings of the CSEE, 2016, 36(9): 2452-2458.

［12］ 趙冬賢, 劉紹培, 吳曉峰, 等. 尿素熱解制氨技術在SCR脫硝中的應用[J]. 熱力發電, 2009, 38(8): 65-67.

ZHAO Dongxian, LIU Shaopei, WU Xiaofeng, et al. Application of urea pyrolysis to prepare ammonia technology into SCR denitrification[J]. Thermal Power Generation, 2009, 38(8): 65-67.

［13］ 魏輝. 燃煤電站鍋爐低NO燃燒優化運行策略的研究[D]. 上海: 上海交通大學, 2008: 35-38.

WEI Hui. Investigation of operation strategy on low NOcombustion optimization of coal fired utility boiler[D]. Shanghai: Shanghai Jiao Tong University, 2008: 35-38.

［14］ 陳少杰. 國產300 MW燃煤發電機組低NO排放的性能研究[D]. 廣州: 華南理工大學, 2012: 36-56.

CHEN Shaojie. Domestic 300 MW coal fired generating units of de-NOemissions performance research[D]. Guangzhou: South China University of Technology, 2012: 36-56.

［15］ 劉軍. 超臨界W火焰鍋爐劣質無煙煤燃燒及NO釋放特性研究[D]. 鄭州: 華北水利水電學院, 2012: 34-61.

LIU Jun. Study on the combustion and NOrelease characteristics of low-quality anthracite in supercritical W-flame boiler[D]. Zhengzhou: North China University of Water Resources and Electric Power, 2012: 34-61.

［16］ 王少波. 660 MW火電機組降低NO排放試驗研究[D]. 北京: 華北電力大學, 2013: 10-33.

WANG Shaobo. Research on the test of reducing NOemission in a 660 MW thermal power plant[D]. Beijing: North China Electric University, 2013: 10-33.

［17］ 王琳俊. 超細煤粉熱解機理與燃燒過程NO排放特性研究[D]. 上海: 上海交通大學, 2015: 58-71.

WANG Linjun. Study on superfine pulverized coal pyrolysis and NOemission mechanism in combustion[D]. Shanghai: Shanghai Jiao Tong University, 2015: 58-71.

［18］ 鐘亞鋒. 某600 MW機組切圓燃燒鍋爐氮氧化物排放的研究[D]. 北京: 華北電力大學, 2015: 36-45.

ZHONG Yafeng. Study of combustion process and emission of NOin 600 MW tangentially fired boiler[D]. Beijing: North China Electric University, 2015: 36-45.

［19］ LI N, THOMPSON S. A simplified non-linear model of NOemissions in a power station boiler[C]. Ukacc International Conference on Control. Exeter, UK, 1996: 1016-1021.

［20］ LI K, THOMPSON S, WIERINGA P A, et al. Neural networks and genetic algorithms can support human supervisory control to reduce fossil fuel plant emissions[J]. Cognition Technology & Work, 2003, 5(2): 107-126.

［21］ LI K, THOMPSON S, WIERINGA J. Modelling and prediction of NOemission in a coal-fired power generation plant[J]. Control Engineering Practice, 2004, 12(6): 707-723.

［22］ SMREKAR J, POTO?NIK P, SENEGA?NIK A. Multi-step-ahead prediction of NOemissions for a coal-based boiler[J]. Applied Energy, 2013, 106(11): 89-99.

［23］ 白衛東, 嚴建華, 王飛, 等. 統計回歸方法在電站鍋爐氮氧化物排放量監測中的應用[J]. 動力工程, 2004, 24(3): 431-435.

BAI Weidong, YAN Jianhua, WANG Fei, et al. Application of statistical regression method in NOoutput monitoring of power station boiler[J]. Power Engineering, 2004, 24(3): 431-435.

［24］ 孔亮, 丁艷軍, 張毅, 等. 基于Kriging方法的電站鍋爐NO排放自適應建模[J]. 清華大學學報(自然科學版), 2008, 48(5): 848-851.

KONG Liang, DING Yanjun, ZHANG Yi, et al. Adaptive Kriging model for NOemissions from utility boilers[J]. Journal of Tsinghua University (Science & Technology), 2008, 48(5): 848-851.

［25］ 李剛, 賈曉靜, 武寶會, 等. SCR煙氣脫硝系統噴氨量控制[J]. 熱力發電, 2016, 45(8): 99-102.

LI Gang, JIA Xiaojing, WU Baohui, et al. Spraying ammonia flow control system of SCR denitration system based on leading factor analysis[J]. Thermal Power Generation, 2016, 45(8): 99-102.

［26］ ZHOU H, CEN K F, MAO J B. Combining neural network and genetic algorithms to optimize low NOpulverized coal combustion[J]. Fuel, 2001, 80(15): 2163-2169.

［27］ 許昌, 呂劍虹. 電站燃煤鍋爐NO排放神經網絡模型[J]. 鍋爐技術, 2005, 36(2): 13-17.

XU Chang, LU Jianhong. Artificial neural networks model of NOemissions in a power station coal fired boiler[J]. Boiler Technology, 2005, 36(2): 13-17.

［28］ 張繼龍. 基于BP神經網絡與遺傳算法的鍋爐排放特性研究[D]. 沈陽: 東北大學, 2008: 10-27.

ZHANG Jilong. Research on let characteristic of boiler based on artificial neural networks and genetic algorithms[D]. Shenyang: Northeastern University, 2008: 10-27.

［29］ 凡榮榮, 楊巨生, 謝克昌. 大型燃煤鍋爐氮氧化物排放預測模型[J]. 電氣技術, 2012(5): 34-36.

FAN Rongrong, YANG Jusheng, XIE Kechang. Predicate model on NOemission of a high capacity firing boiler[J]. Electrical Technology, 2012(5): 34-36.

［30］ 趙乾. SCR煙氣脫硝系統優化模擬及噴氨量最優控制[D]. 重慶: 重慶大學, 2012: 39-48.

ZHAO Qian. Simulation optimization and optical control on spraying ammonia of SCR flue gas denitrification[D]. Chongqing: Chongqing University, 2012: 39-48.

［31］ 卓建坤, 焦偉紅, 宋少鵬, 等. 鍋爐燃燒優化中NO預測模型研究進展[J]. 燃燒科學與技術, 2016, 22(6): 531-540.

ZHUO Jiankun, JIAO Weihong, SONG Shaopeng, et al. A review on nitrogen oxides prediction model in combustion optimization of boilers[J]. Journal of Combustion Science and Technology, 2016, 22(6): 531-540.

［32］ 蘇適, 周立棟, 陸海, 等. 基于改進混沌粒子群算法的多源獨立微網多目標優化方法[J]. 電力系統保護與控制, 2017, 45(23): 34-41.

SU Shi, ZHOU Lidong, LU Hai, et al. Multi-objective optimization of multi-source independent microgrid based on modified CPSO[J]. Power System Protection and Control, 2017, 45(23): 34-41.

［33］ 賀禹強, 劉故帥, 肖異瑤, 等. 基于改進GA-PSO混合算法的變電站選址優化[J]. 電力系統保護與控制, 2017, 45(23): 143-150.

HE Yuqiang, LIU Gushuai, XIAO Yiyao, et al. Locating optimization for substation based on refined GA-PSO hybrid algorithm[J]. Power System Protection and Control, 2017, 45(23): 143-150.

［34］ 王林, 侯玉婷, 薛建中, 等. 基于主元分析的SCR煙氣脫硝系統入口NO生成量預測模型[J]. 熱力發電, 2015, 44(8): 84-89.

WANG Lin, HOU Yuting, XUE Jianzhong, et al. Principal component analysis based NOformation prediction for SCR flue gas denitration system[J]. Thermal Power Generation, 2015, 44(8): 84-89.

［35］ 余廷芳, 劉冉. 基于RBF神經網絡和BP神經網絡的燃煤鍋爐NO排放預測[J]. 熱力發電, 2016, 45(8): 94-113.

YU Tingfang, LIU Ran. NOemission prediction for coal-fired boilers based on RBF neural network and BP neural network[J]. Thermal Power Generation, 2016, 45(8): 94-113.

［36］ 李蔚, 盛德仁, 陳堅紅, 等.雙重BP神經網絡組合模型在實時數據預測中的應用[J]. 中國電機工程學報, 2007, 27(17): 94-97.

LI Wei, SHENG Deren, CHEN Jianhong, et al. The application of double BP neural network combined forecasting model in real-time data predicting[J]. Proceedings of the CSEE, 2007, 27(17): 94-97.

Application of RBF neural network based on discrete particle swarm optimization in denitrification control

WANG Lin1, GAO Lin1, GUO Yiwen1, AN Chaorong1, JIN Guoqiang1, WANG Chenyu1, SU Haolong2

(1. Xi’an Thermal Power Research Institute Co., Ltd., Xi’an 710054, China; 2.Qiangui Power Plant Co., Ltd., Liupanshui 553000, China)

A predictive control method for selective catalytic reduction of (SCR) flue gas denitrification is proposed, which uses the radial basis (RBF) neural network of particle swarm optimization to predict the mass concentration of NOx at entrance of the SCR denitrification system. The overall optimization space is discretized. The optimization model is reconstructed by combining node optimization with the fastest gradient method. Meanwhile, the prediction results of the RBF neural network are introduced into the denitrification control strategy, and applied to ammonia injection control of thermal power units. The practical application of this new developed control strategy in a 350 MW unit show that, this method can not only realize the automatic control of ammonia injection valves, but also improve the control precision of the ammonia injection system.

flue gas denitration, SCR, discrete particle swarm, RBF neural network, ammonia spraying control, control strategy

TP273

A

10.19666/j.rlfd.201907149

2019-07-15

王林(1985)，男，博士，高級工程師，主要研究方向為火力發電智能控制技術，willwanglin@163.com。

王林, 高林, 郭亦文, 等. 離散粒子群尋優徑向基神經網絡模型在脫硝控制中應用[J]. 熱力發電, 2019, 48(10): 22-27. WANG Lin, GAO Lin, GUO Yiwen, et al. Application of RBF neural network based on discrete particle swarm optimization in denitrification control[J]. Thermal Power Generation, 2019, 48(10): 22-27.

（責任編輯 杜亞勤）