基于數據挖掘技術的脫硫漿液控制系統建立與應用

內蒙古大板發電有限責任公司 劉名聲 尚志強 滕 飛 福建龍凈環保股份有限公司 葉瀟翔 丘成榮

燃煤電廠在發電過程中產生大量SO2，若直接從煙囪口排出將造成嚴重的大氣環境污染，為此國家制定了嚴格的SO2排放標準。目前燃煤電廠普遍采用濕法脫硫工藝解決SO2排放問題。濕法脫硫是通過堿性石灰石漿液來消除煙氣中大部分的SO2，確保剩余的從煙囪口流出的SO2值低于國家排放標準線。由于脫硫工況的復雜性，包括鍋爐負荷、入口煙氣流量、入口煙氣SO2等因素的綜合影響，對脫硫控制系統的能力要求很高，需達成排放安全和物料節省的雙目標平衡。

常規控制包含基于PH值的PID控制，它以堿性石灰石漿液與煙氣SO2中和反應后，溶液罐中的溶液PH值作為控制優劣的依據，進行比例、積分和微分調整，但PH值測量帶有明顯的滯后和失真特性，控制精度受限。基于排放口SO2濃度的PID控制雖實現了目標控制的閉環，但缺乏對脫硫工況特性的分析而無法精準供漿，實際使用過程中，在鍋爐負荷、入口煙氣流量和入口SO2變化時控制效果明顯下降。基于機器學習的智能控制方法，是將脫硫各種工況下漿液對SO2的影響和控制問題轉化為機器學習方法，偶爾能夠給出不錯的控制效果，但脫硫的存漿特性導致單一時刻工況下的漿液與煙囪出口SO2濃度難以形成有效的一一對應關系，算法建模失真嚴重，存在不可預見性。

1 基于數據挖掘的漿液控制方案

本文通過數據挖掘技術實現的新型脫硫漿液控制系統，包括應用機器學習回歸算法挖掘海量歷史運行數據中滿足排放合理性前提下的各類工況與漿液之間的前饋關聯關系，并通過數據散布的四分位值進行漿液上下限調整；結合數據分析策略評估機器學習模型產生的控制偏差進行精準漿液優化。基于機器學習和統計分析的高效融合，實現系統控制的精準性和動態適配能力，達成最佳經濟效益（圖1）。

圖1 模型構建示意圖

1.1 數據獲取

歷史數據獲取方式較為靈活，可通過數據采集器與廠級控制SIS系統連接，實現點對點的數據傳輸，或直接通過U盤等外接設備一次性拷貝。而短時實時數據則需要對接生產DCS系統來獲取，確保數據及時性和高精度的同時實現系統的實時控制。具體來說，需在DCS系統的空閑卡槽插入LC通訊卡，然后通過RS485轉換232雙向通訊器與植入新模型的人工智能服務器對接。DCS上配置邏輯組態后通過MODBUS協議實時推送數據到新模型中進行分析和演算，并將輸出的數據返回給DCS系統。

1.2 數據處理

脫硫吸收塔煙氣反應存在嚴重的非線性源于吸收塔容器的存漿特性[1]，導致數據間的規律挖掘異常困難。具體來說，用于中和煙氣中SO2的漿液，除當下加入的瞬時量外還包含歷史反應中遺留在吸收塔中的漿液余量。如何計算漿液余量是個難題，基于傳統機理反應公式計算偏差很大，也難以定義余量產生的開始時間。本文基于工藝機理，推算余量產生時長需包含若干個排放口SO2濃度的完整波動周期方可覆蓋煙氣反應后的存漿特性，但時長過大會降低控制時效性并產生算力負擔。通過快速試錯法，最終定義余量時長為2個排放波動周期，然后將所有漿液瞬時值轉化為余量時長滑動窗口下的漿液均值來最大程度模擬脫硫存漿，提高數據分析的有效性。

1.3 數據挖掘

1.3.1 機器學習模型

脫硫反應機理決定了排放口SO2濃度值，受入口SO2濃度、煙氣流量、鍋爐負荷、漿液量、漿液密度等因子的影響較大，但僅憑機理公式無法計算出滿足排放口SO2濃度要求的漿液，原因在于煙氣反應的復雜非線性，以及入口SO2濃度、煙氣流量、漿液密度數據測量時有偏差。所以本文模型并非尋求單一排放目標的漿液量，而是擴展為滿足合理排放區間的漿液值和超限調節量，以此來弱化復雜性和測量偏差影響。

首先，篩選出滿足排放安全且節省物料的數據，本文同電廠實際運行人員溝通確定排放口SO2濃度在24～32mg/Nm3區間的數據滿足要求，并作為訓練樣本。然后以入口SO2濃度x1、煙氣流量x2、鍋爐負荷x3、漿液密度x4等關鍵工況因子作為模型輸入，工況對應的漿液量u作為模型輸出，應用多項式回歸法Polynomial Regression，建立各種工況組合與漿液量的非線性關聯模型[2]。數學方程式為u=f(x1,x2,x3,x4,...)。

同時，通過程序計算出相同工況組合的漿液散布四分位均值，抽取上、下四分位值作為漿液調整上下限。后續將實時工況數據置入模型推演出合理漿液，并在排放口SO2濃度大于排放區間上四分位30時采用漿液上限umax進行壓制；趨近排放目標中值28時恢復到模型合理值；小于排放區間下四分位26時切換為漿液下限umin進行回調，由此產生完整的前饋+反饋閉環控制流程。根據不同電廠煙氣反應特性和排放控制需求做更進一步優化。控制邏輯為umax←30+;u←[26,30];umin←26-。

1.3.2 統計分析策略

考慮到設備腐蝕老化、傳感器更替、工況極速變化產生的模型短時失配問題，相關學者提出在線模型參數適配的自適應解決方案，包括應用神經網絡算法的在線調參[3]，但在線調參后的模型失控、神經網絡的不可解釋性導致排放收斂性無法保證，加上技術人員無法駐扎現場實時檢測，極大增加了工業控制的安全隱患，所以更多的是定期、離線升級模型。本文采用一種安全、便捷且成效明顯的漿液優化方案，不調整模型參數，基于短時數據特性的局部漿液優化。因機器學習模型的構建機理和排放超限控制策略，基本確保了排放口SO2濃度穩定在目標區間，加上短時工況相對平穩，所以短時統計出的漿液均值相比模型輸出的漿液瞬時值更適配部分控制場景，系統實際投入成效也驗證了這一結論。

統計短時相似工況持續時長t_s，轉化為與排放口SO2濃度波動周期t相關的時間窗口t_f=floor(t_s/t)×t，floor為數值向下取整。那么基于時間窗口t_f計算漿液均值，在排放值趨近目標中值28場景，用漿液均值u_m和模型推演出的合理值u，以適當權重計算就得到優化后的漿液u_f。計算公式為u_f=w1×u+w2×u_m，其中w1和w2是依據系統參數在現場的實際成效確定。同時為提高系統在工況劇烈變化場景下的控制品質，系統引入排放口SO2濃度小時均值指標與瞬時排放值進行分時段切換控制，達成實際環保局排放指標的控制要求。

2 應用成效

2020年12月系統成功接入內蒙古大板電廠1號機組DCS系統，連續投運至今。通過比對系統投運前后3個月的歷史數據。具體來說，基于系統對工況特性的精準把控，使排放口SO2濃度更貼近目標值，波動標準方差僅4.23，比原始系統控制標準方差降低45%+，排放穩定性明顯提高。同時系統自動化控制極大降低了運行人員在監盤控制上的時間損耗，所有運行班組均已認可系統控制品質，系統投運時間占比達96%+，僅在工況極端變化需要循環泵快速切換配合情況下偶爾進行人工干預，達到了預期的機器替代運行人員調節供漿量的價值。

基于系統對排放口SO2濃度的穩定控制，促使在人工在設定排放目標值時更佳靈活，有效降低了漿液量頻繁上下波動和過度供給的情況，提升了物料控制的合理性。以系統投運前后3個月的歷史數據進行統計，得到1號機組脫除單位SO2所消耗的石灰石同比下降0.106kg，以1號機組等效利用小時7000h、SO2脫除量小時均值3752.45kg/h、石灰石制粉價格每噸133元計算，得出每年脫硫設備可節省約35.8萬元物料成本，直接經濟價值顯著。

從系統投運前人工調控6小時和24小時的數據曲線圖以及系統投運后全自動控制6小時和24小時的數據曲線圖可以看出，人工控制始終無法達到反應的物料平衡狀態，排放口SO2波動劇烈，排放均值僅為21mg/Nm3。反觀系統全自動控制后的排放穩定性、安全性明顯提高，排放口SO2均值可提高到27mg/Nm3附近，以降低物料損耗。

綜上，面對國家日益趨嚴的環保督察形勢下，必須加強燃煤電廠環保設備運行控制的穩定性和安全性，但目前各環保設備管控仍沿用傳統PID或人工操作的手段，信息化、自動化、智能化程度低下。如何實現環保工藝系統安全、環保和經濟效益，是具有實際意義的課題。基于數據驅動技術的新型脫硫漿液控制系統，以排放安全和節能降耗為目標，通過深度結合數據和運行機理特性，持續優化升級，形成了高可靠的漿液控制方案，并通過了電廠實際驗證，實現了從傳統手段“不能用、不好用”到“用得好、成效高”的技術突破，提升了數據資產的應用價值，有效推進了環保工藝的數字化和智慧化進程，是技術驅動工業智能轉型的成功案例。