摘要：燃煤機組面臨著靈活運行和超低排放的雙重壓力，機組快速深度變負荷對選擇性催化還原(ive catalytic reduction，SCR)脫硝系統(tǒng)的控制提出了更高要求。提出一種兼顧超低排放和經(jīng)濟成本的多目標優(yōu)化控制方法，將脫硝成本加入優(yōu)化目標函數(shù)，采用預測控制結(jié)構(gòu)，結(jié)合神經(jīng)網(wǎng)絡和遺傳算法進行模型建立和控制量尋優(yōu)，實現(xiàn)了噴氨量的優(yōu)化控制。仿真結(jié)果表明，該方法在滿足排放標準的同時降低了脫硝成本，并能適應鍋爐大范圍變工況運行。

0 引言

在能源結(jié)構(gòu)轉(zhuǎn)型的過程中，新能源電力規(guī)?；尤腚娋W(wǎng)對燃煤機組提出了運行靈活性要求。快速深度變負荷意味著機組運行工況大范圍快速變化，鍋爐工況的變化會使得燃燒產(chǎn)生的NOx波動加劇，這無疑加大了機組實現(xiàn)NOx超低排放的難度。SCR脫硝是目前主流的煙氣脫硝技術(shù)，其反應是一個復雜的物理化學過程，噴氨量較多可以降低NOx排放，但會增加經(jīng)濟成本，并導致氨逃逸增大，影響機組安全運行。因此，如何對脫硝系統(tǒng)進行優(yōu)化控制，在保證達標排放的同時實現(xiàn)機組經(jīng)濟運行是燃煤電站亟待解決的問題。

圍繞脫硝系統(tǒng)噴氨量控制問題，國內(nèi)外學者做了大量研究。Haggan-Ozaki V等人基于 RBF-ARX非參數(shù)模型，利用一種變異的卡爾曼濾波狀態(tài)空間方法實現(xiàn)了脫硝系統(tǒng)噴氨量控制，控制效果良好，計算效率有所提高。黃宇等人提出了線性自抗擾控制方法，使得SCR脫硝系統(tǒng)跟蹤設定值的能力有所提升。Nakamoto M等人利用廣義預測控制( generalized predictive control，GPC)和線性二次調(diào)節(jié)(linear quadratic regulator，LQR)方法對火力發(fā)電廠的NOx分解過程進行串級控制，使得脫硝系統(tǒng)的抗干擾能力提高，出口NOx濃度波動范圍明顯減小。張曉東等人提出了基于多變量廣義預測控制算法，在前饋控制中加入磨煤機斷煤和堵磨信號，有效地抑制磨煤機在斷煤及堵磨后脫硝系統(tǒng)出口NOx濃度大幅波動情況，使控制系統(tǒng)穩(wěn)定運行。秦天牧等人使用自適應多尺度核偏最小二乘(SMKPLS)法建立SCR脫硝系統(tǒng)預測模型，模型通過對出口NOx濃度變化做出預判，進而起到預先校正的作用。Hui Peng等人提出了一種基于RBF- ARX模型的滾動時域預測控制策略，以出口NOx接近期望值為優(yōu)化目標。周洪煜等人設計了基于混結(jié)構(gòu)RBF神經(jīng)網(wǎng)絡（MSRBFNN）的噴氨流量最優(yōu)控制系統(tǒng)，以 SCR 裝置出口NOx含量最小為學習目標，求取最佳噴氨控制量。上述針對SCR脫硝系統(tǒng)控制方法的研究，主要關注于SCR出口NOx濃度的控制，對噴氨經(jīng)濟成本考慮較少。

基于以上問題，本文兼顧脫硝過程的排放要求和經(jīng)濟成本，在保證出口NOx排放達標的同時，考慮系統(tǒng)各方面的經(jīng)濟成本，比如還原劑成本和排污成本等。在脫硝系統(tǒng)的控制策略中將經(jīng)濟成本加入優(yōu)化目標，構(gòu)建預測控制算法，通過電廠實際運行數(shù)據(jù)仿真驗證控制效果。

1 SCR脫硝系統(tǒng)

某電廠燃煤機組SCR煙氣脫硝裝置如圖1 所示。

儲存在氨罐中的液態(tài)氨蒸發(fā)汽化后與稀釋空氣混合均勻，噴入SCR反應器上游的煙氣中與NOx發(fā)生反應，反應過程如圖2所示。煙氣中的NOx在還原劑氨和催化劑同時存在的條件下，發(fā)生氧化還原反應，將煙氣中的NOx還原為氮氣(N2)和水(H2O)。

噴氨量是影響脫硝效率的主要因素?？刂葡到y(tǒng)主要根據(jù)反應器入口NOx濃度和煙氣流量來調(diào)節(jié)氨氣閥門開度，改變噴氨量。噴氨量過少，NOx排放超標；噴氨量過多，經(jīng)濟成本升高，同時會使氨逃逸增大。煙氣中SO2在SCR催化劑作用下生成SO3，逃逸的NH3、SO3與水反應生成硫酸銨((NH4)2SO4)和硫酸氫銨(NH4HSO4)。這些副產(chǎn)物會附著在催化劑表面，堵塞催化劑的孔道從而影響催化劑活性，也會造成空氣預熱器結(jié)垢堵塞和腐蝕，煙道阻力增加，嚴重時可引發(fā)引風機失速和機組跳閘。

因此，氨過量不但造成還原劑浪費，也直接影響機組安全穩(wěn)定運行，需設計合理的多目標優(yōu)化控制方案對噴氨量進行精準控制。

2 SCR脫硝系統(tǒng)多目標優(yōu)化方案

SCR脫硝系統(tǒng)反應機理復雜，其受到氨氮摩爾比、煙氣溫度、反應時間和催化劑活性等因素影響，控制對象具有大遲延大滯后和非線性特性，尤其在機組工況大范圍變化時，控制難度較大。預測控制作為一種先進控制算法，其以預測模型為基礎，對未來時刻被控對象未來的輸出狀態(tài)進行預判，并以此確定當前時刻的控制動作，即先預測再控制，使得它明顯優(yōu)于傳統(tǒng)的先輸出后反饋再控制的PID控制系統(tǒng)，具有更好的控制效果。

2.1 構(gòu)建多目標優(yōu)化控制方案

預測控制主要包括預測模型、滾動優(yōu)化、反饋校正3個部分，其原理是根據(jù)模型預測的輸出相應調(diào)整輸入量，通過極小化目標函數(shù)求解最優(yōu)噴氨量，從而使實際輸出與設定值保持一致。

為了使SCR脫硝系統(tǒng)能在適應機組工況大范圍變化的同時降低噴氨成本，本文對DMC預測控制算法進行改進，將神經(jīng)網(wǎng)絡、遺傳算法用于預測控制的預測模型、滾動優(yōu)化，將經(jīng)濟指標加入目標函數(shù)構(gòu)建了脫硝系統(tǒng)的多目標優(yōu)化控制算法，其控制算法如圖3所示。

以脫硝系統(tǒng)為研究對象，圖中yr為出口NOx濃度設定值，u為噴氨量，y為SCR出口NOx濃度值，ym為預測模型出口NOx濃度預測值，yp為校正后的出口NOx濃度預測值。在仿真過程中，采用提出的機理建模方法來建立模型作為被控對象，便于對算法進行仿真驗證。假設已知噴氨量u(k-1)，可以得到機理模型出口NOx濃度值y(k-1)以及神經(jīng)網(wǎng)絡預測模型的出口NOx濃度值ym(k)。相應的，通過u(k)可以得到y(tǒng)(k)和ym(k+1)。將k時刻實際輸出y(k)與k-1時刻模型輸出ym(k)之間的偏差視為k時刻預測誤差的估計值，并將其作為反饋校正信號補償?shù)絢時刻的預測模型輸出ym(k+1)中，即反饋校正后的預測值為

反饋校正環(huán)節(jié)考慮了上一時刻的模型預測誤差，一定程度上提高了模型預測精度。將yp(k+1)和yr(k+1)輸入目標函數(shù)中，在不斷地滾動優(yōu)化過程中，采用遺傳算法快速尋優(yōu)噴氨量u(k-1)。當入口NOx濃度發(fā)生大范圍改變時，對脫硝系統(tǒng)起到預先控制的作用。

2.2 基于神經(jīng)網(wǎng)絡和遺傳算法的改進策略

2.2.1 基于神經(jīng)網(wǎng)絡的預測模型

預測模型的準確性對于預測控制效果非常重要，脫硝系統(tǒng)的對象特性隨工況變化呈現(xiàn)非線性和時變特征，傳統(tǒng)建模方法難以建立準確模型。本文利用神經(jīng)網(wǎng)絡可以精確描述非線性和不確定性動態(tài)過程的特點，將其用于預測模型。

BP神經(jīng)網(wǎng)絡有M個輸入節(jié)點，L個輸出節(jié)點，如圖4所示。本文通過對脫硝系統(tǒng)輸入節(jié)點歷史數(shù)據(jù)進行相關性分析，選擇以入口NOx濃度、煙氣流量、噴氨量和機組負荷作為神經(jīng)網(wǎng)絡的四個輸入節(jié)點，以出口NOx濃度值，作為一個輸出節(jié)點，設置神經(jīng)網(wǎng)絡的隱含層數(shù)為1，隱含層節(jié)點數(shù)為5。

建立脫硝系統(tǒng)的神經(jīng)網(wǎng)絡預測模型。

2.2.2 滾動優(yōu)化算法改進

在預測控制算法中，滾動優(yōu)化過程的實質(zhì)為求解非線性優(yōu)化問題。DMC預測控制通過對目標函數(shù)求導計算極值的方法來獲取最優(yōu)變量，計算過程復雜，容易陷入局部“陷阱”。作為全局優(yōu)化的遺傳算法，可在一定程度克服上述缺點。因此，本文采用遺傳算法對構(gòu)建的脫硝系統(tǒng)多目標函數(shù)進行滾動尋優(yōu)。

2.2.3 構(gòu)建控制優(yōu)化目標函數(shù)

燃煤電廠煙氣脫硝應以提高環(huán)境質(zhì)量、維護生態(tài)效益、維持經(jīng)濟和社會的可持續(xù)發(fā)展為基本任務及功能目標，在滿足功能目標的前提下追求支出各項費用最小原則。該費用包括了與項目有關的一切費用，如還原劑成本、排污成本和耗電成本等。綜合神經(jīng)網(wǎng)絡預測模型輸出的出口NOx濃度值與期望軌跡誤差以及經(jīng)濟指標，構(gòu)造如下目標函數(shù)：

式中：ym為神經(jīng)網(wǎng)絡模型預測出口NOx濃度；yr為出口 NOx濃度的期望值；yp為校正后的出口NOx濃度預測值；Qgas為煙氣流量；CO2為煙氣含氧量，6%為標準煙氣含氧量，0.95為氮氧化物排污量；M1為排污費價格；QNH3為氨流量；M2為液氨價格；N為機組發(fā)電量；M3為電價補貼價格；w為權(quán)重系數(shù)。鑒于電廠對氣體排放達標的關注度大于經(jīng)濟成本，根據(jù)指標的重要程度以及操作經(jīng)驗將權(quán)重系數(shù)設為w1=0.75，w2=0.25。

本文通過遺傳算法對目標函數(shù)尋優(yōu)，求出最優(yōu)噴氨量序列u(k),u(k+1),¼,u(k+d-1)。當對脫硝系統(tǒng)進行控制時，只使用第一個最優(yōu)控制量u(k)進行實際控制，在下一個采樣時刻k+1時，先對當前及歷史的信息做更新，然后再次在線執(zhí)行優(yōu)化算法，重復k時刻的過程。如此反復，在每個采樣時刻，優(yōu)化算法都更新相關信息，使用第一個優(yōu)化噴氨量進行控制。利用滾動的有限時段優(yōu)化取代一成不變的全局優(yōu)化。

該方法雖然在理想情況下不能得到全局最優(yōu)，但由于脫硝系統(tǒng)在實際運行過程中，不可避免存在著誤差和環(huán)境等各種干擾，這種建立在實際反饋信息基礎上的反復優(yōu)化，能不斷計入不確定性影響并及時加以校正，與模型一次優(yōu)化相比，更具魯棒性。

3 仿真結(jié)果

3.1 模型的應用及驗證

以某電廠1000MW超超臨界鍋爐SCR 煙氣脫硝系統(tǒng)作為研究對象，在催化劑活性一定時，選擇以入口NOx濃度、煙氣流量、噴氨量和機組負荷作為神經(jīng)網(wǎng)絡模型的輸入量，以出口NOx濃度值作為輸出量，采用2.2.1中所述神經(jīng)網(wǎng)絡數(shù)據(jù)建模方法建立預測模型，選取機組脫硝系統(tǒng)1200組歷史運行數(shù)據(jù)，覆蓋機組全運行工況，采樣時間間隔為1min，模型效果如圖5所示，其中前800組數(shù)據(jù)為訓練集，后400組數(shù)據(jù)為驗證集。

采用均方根誤差作為模型精度的評價指標，其計算公式為

由式(3)計算可知，測試樣本RMSE=3.4372，模型預測精度較高，可以滿足預測控制要求。

另外，仿真所用的被控對象機理模型方法建立，利用本機組歷史數(shù)據(jù)對模型中的參數(shù)進行辨識，辨識結(jié)果如表1所示。

將確定好的參數(shù)輸入到機理模型，對比模型的輸出值與實際運行數(shù)據(jù)，驗證結(jié)果如圖6所示。

由式(3)計算可知，該模型驗證集與真實運行數(shù)據(jù)誤差較小，RMSE=8.7385。因此，機理模型可以表征火電機組脫硝系統(tǒng)的實時運行工況，具備了良好的動態(tài)特性。

3.2 多目標優(yōu)化控制方法仿真

在上節(jié)建立的神經(jīng)網(wǎng)絡預測模型基礎上，本文采用遺傳算法求解預測控制最優(yōu)噴氨量。在遺傳算法尋優(yōu)的過程中，設定迭代次數(shù)為50，種群大小為30，尋優(yōu)誤差系數(shù)為10-6，交配概率為0.85，變異概率為0.2，噴氨量的變化范圍設為30~150kg/h。鑒于噴氨反應為空間反應，當入口NOx濃度激增，噴氨閥門短時間內(nèi)無法驟變，控制出口NOx濃度為某一固定值難度較大，將其控制在某個較小的區(qū)間范圍內(nèi)更為合理。根據(jù)國家超低排放標準，SCR出口NOx 濃度允許的最大值為 50mg/m3，考慮預測模型與實際模型之間存在偏差，以及受到環(huán)境擾動對輸出可能造成的影響，同時兼顧經(jīng)濟性原則，設置出口NOx濃度的期望區(qū)間范圍為40~45mg/m3。由于噴氨閥門不能突變，故對噴氨量的變化進行限速處理，設定其單步最大變化范圍為10kg/h。

比較不同控制方式下脫硝系統(tǒng)的輸出效果，設定PID控制的參數(shù)為Kp=1，Ki=0.5，Kd=0；設定改進前后的預測控制中參數(shù)預測步長P=10，控制步長M=6。仿真結(jié)果如圖7和圖8所示，采用傳統(tǒng)PID 控制時，SCR出口NOx濃度最大值為68.57mg/m3，平均濃度為54.23mg/m3。采用DMC預測控制時，SCR出口NOx濃度最大值為69.89mg/m3，平均濃度為51. 80mg/m3。與之相比，多目標優(yōu)化控制方案通過遺傳算法進行滾動尋優(yōu)，具有更高控制精度。對噴氨量進行最優(yōu)控制后，SCR出口NOx濃度最大值為58.87mg/m3，平均濃度為49.34mg/m3，滿足了國家的最低排放要求，并且其值分布更為集中。在第312min時，機組負荷開始發(fā)生驟變，由896.4 MW降至814.7 MW，脫硝系統(tǒng)的入口NOx濃度激增，多目標優(yōu)化控制方案下，出口NOx波動性較小，抗干擾能力較強。

傳統(tǒng)PID 控制方法僅利用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(tǒng)的非線性和大慣性問題。為避免過量噴氨，傳統(tǒng)PID控制通常將氨氮摩爾比設置為 0.8，從而導致噴氨量控制精度低，出口NOx濃度偏高。

3種控制方式下的噴氨量、脫硝效率和出口NOx參數(shù)分別如圖9、圖10和圖11所示。當脫硝系統(tǒng)采用傳統(tǒng)PID控制時，平均噴氨量為59.84kg/h，平均脫硝效率為78.55%。采用DMC預測控制時，平均噴氨量為62.22kg/h，平均脫硝效率為78.12%。采用多目標優(yōu)化控制后，平均噴氨量為58.25kg/h，平均脫硝效率為84.78%。通過對比可以發(fā)現(xiàn)，在第312min時，機組工況發(fā)生突變，采用多目標最優(yōu)控制后，平均噴氨量有所降低，但是脫硝效率得到了提高。仿真說明改進的預測控制優(yōu)化方法，使得脫硝系統(tǒng)既能滿足NOx排放標準又降低了經(jīng)濟成本。

4 結(jié)語

為了在滿足電廠NOx超低排放的同時降低經(jīng)濟成本，本文在DMC預測控制的基礎上進行了改進，提出了一種脫硝系統(tǒng)多目標優(yōu)化控制方法。通過神經(jīng)網(wǎng)絡算法構(gòu)建的全工況數(shù)據(jù)預測模型可以對出口NOx進行實時預測，構(gòu)建了兼顧NOx排放和經(jīng)濟成本的多目標優(yōu)化函數(shù)，采用遺傳算法進行噴氨量尋優(yōu)。仿真結(jié)果表明，與PID和改進前的DMC預測控制方法相比，改進后的預測控制優(yōu)化方法用較少的噴氨量實現(xiàn)了較高的脫硝效率，在工況發(fā)生變化時有較好的控制性能，實現(xiàn)了脫硝系統(tǒng)的全工況優(yōu)化控制。

  使用微信“掃一掃”功能添加“谷騰環(huán)保網(wǎng)”