基于電廠鍋爐煙氣脫硝系統噴氨的優化方案

路亞輝

摘要：鍋爐燃燒時，由于調峰會導致火電機組工況發生變化，若是脫硫系統入口煙氣參數出現變化，脫硝反應會被干擾，傳統控制方法效果不佳，需要進一步完善脫銷系統。基于此，本文就電廠鍋爐煙氣脫硝系統噴氨展開研究，首先闡述了該系統，其次對噴氨提出了優化方案，租后進行了方針試驗，希望能夠降低氨氣溢出量。

關鍵詞：電廠鍋爐;煙氣脫硝系統;噴氨方案

電廠鍋爐燃燒會產生大量的氮氧化物，其是大氣污染的主要來源。近些年，隨著電力生產的的增加，我國對氮氧化物排放量要求逐漸提高，當前國內普遍選用選擇性催化還原反應進行煙氣脫硝處理，但是該脫銷系統具有延遲性、非線性特征，脫硝極易受到噴氨量、煙氣流場分布影響。機組由于電網深度調整在工況變化時，要根據濃度、煙氣流量等參數變化對噴氨量進行及時調整，由于控制方式效果不理想，導致氮氧化物濃度排放無法達到標準，影響運行。因此，需要對脫硝系統進行改進，建立科學準確的脫硝模型，并實現優化控制，構建動態模型，通過遺傳算法優化計算，提高預測精確性以及泛化能力。

一、電廠鍋爐煙氣脫硝系統

基于動態矩陣控制法，本文在此基礎上設置了一種算法，即為SCR脫硫系統算法，并采用差分進化算法對控制器參數進行了相應的調整，建立了DE-DMC基礎上的SCR脫硫系統智控策略，同時優化調整了噴氨量，其對比傳統控制策略效果更好[1]。

核偏最小二乘法（KPLS）建模是使非線性自變量樣本映射另一高位特征空間內，如果已知映射函數顯示表達式，在高位線性空間內可以通過線性偏最小二乘法建模分析準則函數。另外，采用核函數以及特征空間點積進行計算能夠提高計算效率。本文采用的是高斯徑向基核函數，該函數表達式具體如下：

基于KPLS建立了SCR推銷系統數據模型，具體計算時，需要先篩選輸入變量集，再進行初始化向量、計算歸一輸入變量得分向量、計算載荷向量、更新歸一得分向量、迭代計算直到收斂得分向量、縮減矩陣并提取主成分等一系列計算，進而最終得到結果。

本研究將660MW超臨界機組作為研究對象，通過測試歷史數據，并以500組數據作為訓練模板，400組據作為測試依據，測試時間選擇為1min。同時，該模型的輸入量選擇的是氮氧化物濃度SCR反應器的入口參數。另外，因為機組負荷能夠將機組整體情況反映出來，因此需要在其中納入參數。通過平方根誤差與平均絕對值誤差評價模型計算效果[2]。如圖1、2，分別為模型訓練圖和預測效果圖，可知該模型具有較高的計算準確度，結果與系統實際輸出之間具有跟蹤功能性，誤差可以將模型泛化能力和機組功能變化適應反應能力表現出來。可以得到該模型計算準確性較高，結果能夠跟蹤系統實際輸出，誤差計算結果能夠反映模型泛化能力，與機組工況變化適應，反映系統實際運行。

二、噴氨優化方案

1.動態矩陣控制

該控制算法是當前應用十分廣泛的一種算法，其是在系統階躍響應增量算法基礎上進行的，可以將穩態誤差消除。

若是被控對象單位階躍響應數據是a，可控基礎是系統漸進穩定，此時的被控對象動態情況描述方式可以用有限項實現。按照線性疊加原理可得系統預測模型。由于模型失配合外界干擾等影響，可以利用預測模型對其數值進行相應的校正。

2.噴氨量控制

該系統中，噴氨量可以由DMC進行優化控制，采用DMC控制器將PID回路主控器替代掉，其能夠對品質產生影響。對此，采用全局搜索能力可以使計算能力參數優化，隨著工況變化也能夠讓控制器參數發生變化[3]。

基于DMC算法，進行噴氨量的智能控制設計。首先，在DPLS模型噴氨量中添加階躍輸入，同時采樣得到預測模型、采樣時間、步長。其次，在預測補償和設置控制補償時，需要設置相關參數以及初始值等，并將參考值設置出來。再次，初始化控制增量以及輸出量，并對模型預測的輸出值進行計算。還需要對預測誤差和控制增量進行計算，同時控制對象被作用在第一個控制增量[4]。最后，將系統輸出誤差計算出來，按照誤差和DE優化算法優化計算控制器的參數，最終獲得最優參數。

三、仿真試驗

基于SCI脫硫系統建立了KPLS這一模型，選擇的控制器為DMC。同時在MATLAB/Simulink平臺對噴氨量進行了優化控制設置，仿真驗證DE-DMC智能控制器，如圖3為該系統結構。

本文以660MW超臨界機組為對象進行研究，通過其運行數據對控制器進行仿真驗證，通過對該數據和PID串聯控制效果進行比較，得到了結果如圖4，其中，在激素負荷運行出現變動時測PID控制策略不能夠達到預期效果。若是SCI的出口濃度超過標準則需要適當增加調節時間。就PID控制效果來說，DE-DMC智能系統優勢更加明顯。工況出現變化調整噴氨量，氮氧化物濃度的超調量會大量下降，控制也更加穩定，調節時間也有所降低，這就說明通過優化調整后，系統的噴氨量有所提升，同時準確性也有所上升，整個系統和機組運行更加具有經濟性[5]。

四、結語：

綜上所述，在KPLS建模理論基礎上建立的SCR系統模型，以660MW機組為研究對象展開研究，對其運行數據進行訓練和仿真測試，最終得到KPLS模型的計算進度較高，泛化能力也比較強。同時，在DCM算法模型預測控制中應用KPLS模型，將其作為被控對象，圍繞DMC主控制器算法對噴氨量進行智能控制，使控制系統負荷適應性更好，可以按照工況變化優化調整系統噴氨量，通過DE智能算法實時修正主控制器參數。此外，通過仿真試驗得到，智能控制氣筒相對于PID串聯控制而言控制效果更佳，工況出現變化時，需要確保氮氧化合物的排放濃度與標準相符，并在此情況下適當減少噴氨量，提高機組運行的經濟性。

參考文獻：

[1]肖承武，焦力剛，魯志軍，等.基于AMESim的SCR脫硝系統仿真分析研究[J].東北電力技術，2020，041（004）：1-5，14.

[2]李旭揚.300MW燃煤鍋爐SCR煙氣脫硝系統超低排放優化方案研究[D].2019.

[3]張亮，丁啟磊.某廠百萬機組煙氣脫硝精準噴氨改造及運用效果[J].低碳世界，2019，009（008）：117-118.

[4]李云，鄒包產，趙宇.SCR煙氣脫硝噴氨自動控制分析及優化[J].信息周刊，2019（6）：0121-0121.

[5]孫雪峰，王強，顏世劍，etal.350MW機組鍋爐SCR脫硝系統優化[J].潔凈煤技術，2020，v.26;No.125（01）：224-230.

吉林化纖集團有限責任公司動力廠? 吉林 吉林? 130101