SCR脫硝系統(tǒng)多目標(biāo)優(yōu)化控制研究
摘要：燃煤機(jī)組面臨著靈活運(yùn)行和超低排放的雙重壓力，機(jī)組快速深度變負(fù)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(jì)成本的多目標(biāo)優(yōu)化控制方法，將脫硝成本加入優(yōu)化目標(biāo)函數(shù)，采用預(yù)測控制結(jié)構(gòu)，結(jié)合神經(jīng)網(wǎng)絡(luò)和遺傳算法進(jìn)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(biāo)準(zhǔn)的同時降低了脫硝成本，并能適應(yīng)鍋爐大范圍變工況運(yùn)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)模化接入電網(wǎng)對燃煤機(jī)組提出了運(yùn)行靈活性要求？焖偕疃茸冐(fù)荷意味著機(jī)組運(yùn)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(jī)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(yīng)是一個復(fù)雜的物理化學(xué)過程，噴氨量較多可以降低NOx排放，但會增加經(jīng)濟(jì)成本，并導(dǎo)致氨逃逸增大，影響機(jī)組安全運(yùn)行。因此，如何對脫硝系統(tǒng)進(jìn)行優(yōu)化控制，在保證達(dá)標(biāo)排放的同時實現(xiàn)機(jī)組經(jīng)濟(jì)運(yùn)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(xué)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(shè)定值的能力有所提升。Nakamoto M等人利用廣義預(yù)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(jìn)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(yù)測控制算法，在前饋控制中加入磨煤機(jī)斷煤和堵磨信號，有效地抑制磨煤機(jī)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(yùn)行。秦天牧等人使用自適應(yīng)多尺度核偏最小二乘(SMKPLS)法建立SCR脫硝系統(tǒng)預(yù)測模型，模型通過對出口NOx濃度變化做出預(yù)判，進(jìn)而起到預(yù)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(yù)測控制策略，以出口NOx接近期望值為優(yōu)化目標(biāo)。周洪煜等人設(shè)計了基于混結(jié)構(gòu)RBF神經(jīng)網(wǎng)絡(luò)（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(xué)習(xí)目標(biāo)，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(guān)注于SCR出口NOx濃度的控制，對噴氨經(jīng)濟(jì)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(jì)成本，在保證出口NOx排放達(dá)標(biāo)的同時，考慮系統(tǒng)各方面的經(jīng)濟(jì)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(jì)成本加入優(yōu)化目標(biāo)，構(gòu)建預(yù)測控制算法，通過電廠實際運(yùn)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(jī)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(yīng)器上游的煙氣中與NOx發(fā)生反應(yīng)，反應(yīng)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(yīng)，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(yīng)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(biāo)；噴氨量過多，經(jīng)濟(jì)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(yīng)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(yù)熱器結(jié)垢堵塞和腐蝕，煙道阻力增加，嚴(yán)重時可引發(fā)引風(fēng)機(jī)失速和機(jī)組跳閘。
因此，氨過量不但造成還原劑浪費，也直接影響機(jī)組安全穩(wěn)定運(yùn)行，需設(shè)計合理的多目標(biāo)優(yōu)化控制方案對噴氨量進(jìn)行精準(zhǔn)控制。
2 SCR脫硝系統(tǒng)多目標(biāo)優(yōu)化方案
SCR脫硝系統(tǒng)反應(yīng)機(jī)理復(fù)雜，其受到氨氮摩爾比、煙氣溫度、反應(yīng)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(jī)組工況大范圍變化時，控制難度較大。預(yù)測控制作為一種先進(jìn)控制算法，其以預(yù)測模型為基礎(chǔ)，對未來時刻被控對象未來的輸出狀態(tài)進(jìn)行預(yù)判，并以此確定當(dāng)前時刻的控制動作，即先預(yù)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(biāo)優(yōu)化控制方案
預(yù)測控制主要包括預(yù)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(yù)測的輸出相應(yīng)調(diào)整輸入量，通過極小化目標(biāo)函數(shù)求解最優(yōu)噴氨量，從而使實際輸出與設(shè)定值保持一致。
為了使SCR脫硝系統(tǒng)能在適應(yīng)機(jī)組工況大范圍變化的同時降低噴氨成本，本文對DMC預(yù)測控制算法進(jìn)行改進(jìn)，將神經(jīng)網(wǎng)絡(luò)、遺傳算法用于預(yù)測控制的預(yù)測模型、滾動優(yōu)化，將經(jīng)濟(jì)指標(biāo)加入目標(biāo)函數(shù)構(gòu)建了脫硝系統(tǒng)的多目標(biāo)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(shè)定值，u為噴氨量，y為SCR出口NOx濃度值，ym為預(yù)測模型出口NOx濃度預(yù)測值，yp為校正后的出口NOx濃度預(yù)測值。在仿真過程中，采用提出的機(jī)理建模方法來建立模型作為被控對象，便于對算法進(jìn)行仿真驗證。假設(shè)已知噴氨量u(k-1)，可以得到機(jī)理模型出口NOx濃度值y(k-1)以及神經(jīng)網(wǎng)絡(luò)預(yù)測模型的出口NOx濃度值ym(k)。相應(yīng)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(yù)測誤差的估計值，并將其作為反饋校正信號補(bǔ)償?shù)絢時刻的預(yù)測模型輸出ym(k+1)中，即反饋校正后的預(yù)測值為
反饋校正環(huán)節(jié)考慮了上一時刻的模型預(yù)測誤差，一定程度上提高了模型預(yù)測精度。將yp(k+1)和yr(k+1)輸入目標(biāo)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(dāng)入口NOx濃度發(fā)生大范圍改變時，對脫硝系統(tǒng)起到預(yù)先控制的作用。
2.2 基于神經(jīng)網(wǎng)絡(luò)和遺傳算法的改進(jìn)策略
2.2.1 基于神經(jīng)網(wǎng)絡(luò)的預(yù)測模型
預(yù)測模型的準(zhǔn)確性對于預(yù)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(zhǔn)確模型。本文利用神經(jīng)網(wǎng)絡(luò)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(yù)測模型。
BP神經(jīng)網(wǎng)絡(luò)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(jìn)行相關(guān)性分析，選擇以入口NOx濃度、煙氣流量、噴氨量和機(jī)組負(fù)荷作為神經(jīng)網(wǎng)絡(luò)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(shè)置神經(jīng)網(wǎng)絡(luò)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(luò)預(yù)測模型。
2.2.2 滾動優(yōu)化算法改進(jìn)
在預(yù)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(yù)測控制通過對目標(biāo)函數(shù)求導(dǎo)計算極值的方法來獲取最優(yōu)變量，計算過程復(fù)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(biāo)函數(shù)進(jìn)行滾動尋優(yōu)。
2.2.3 構(gòu)建控制優(yōu)化目標(biāo)函數(shù)
燃煤電廠煙氣脫硝應(yīng)以提高環(huán)境質(zhì)量、維護(hù)生態(tài)效益、維持經(jīng)濟(jì)和社會的可持續(xù)發(fā)展為基本任務(wù)及功能目標(biāo)，在滿足功能目標(biāo)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(guān)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(luò)預(yù)測模型輸出的出口NOx濃度值與期望軌跡誤差以及經(jīng)濟(jì)指標(biāo)，構(gòu)造如下目標(biāo)函數(shù)：
式中：ym為神經(jīng)網(wǎng)絡(luò)模型預(yù)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(yù)測值；Qgas為煙氣流量；CO2為煙氣含氧量，6%為標(biāo)準(zhǔn)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(jī)組發(fā)電量；M3為電價補(bǔ)貼價格；w為權(quán)重系數(shù)。鑒于電廠對氣體排放達(dá)標(biāo)的關(guān)注度大于經(jīng)濟(jì)成本，根據(jù)指標(biāo)的重要程度以及操作經(jīng)驗將權(quán)重系數(shù)設(shè)為w1=0.75，w2=0.25。
本文通過遺傳算法對目標(biāo)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(dāng)對脫硝系統(tǒng)進(jìn)行控制時，只使用第一個最優(yōu)控制量u(k)進(jìn)行實際控制，在下一個采樣時刻k+1時，先對當(dāng)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(fù)k時刻的過程。如此反復(fù)，在每個采樣時刻，優(yōu)化算法都更新相關(guān)信息，使用第一個優(yōu)化噴氨量進(jìn)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(yùn)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(chǔ)上的反復(fù)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(yīng)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(jī)組負(fù)荷作為神經(jīng)網(wǎng)絡(luò)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(luò)數(shù)據(jù)建模方法建立預(yù)測模型，選取機(jī)組脫硝系統(tǒng)1200組歷史運(yùn)行數(shù)據(jù)，覆蓋機(jī)組全運(yùn)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(xùn)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(biāo)，其計算公式為
由式(3)計算可知，測試樣本RMSE=3.4372，模型預(yù)測精度較高，可以滿足預(yù)測控制要求。
另外，仿真所用的被控對象機(jī)理模型方法建立，利用本機(jī)組歷史數(shù)據(jù)對模型中的參數(shù)進(jìn)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(jī)理模型，對比模型的輸出值與實際運(yùn)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(yùn)行數(shù)據(jù)誤差較小，RMSE=8.7385。因此，機(jī)理模型可以表征火電機(jī)組脫硝系統(tǒng)的實時運(yùn)行工況，具備了良好的動態(tài)特性。
3.2 多目標(biāo)優(yōu)化控制方法仿真
在上節(jié)建立的神經(jīng)網(wǎng)絡(luò)預(yù)測模型基礎(chǔ)上，本文采用遺傳算法求解預(yù)測控制最優(yōu)噴氨量。在遺傳算法尋優(yōu)的過程中，設(shè)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(shè)為30~150kg/h。鑒于噴氨反應(yīng)為空間反應(yīng)，當(dāng)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(biāo)準(zhǔn)，SCR出口NOx 濃度允許的最大值為 50mg/m3，考慮預(yù)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(jì)性原則，設(shè)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(jìn)行限速處理，設(shè)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(shè)定PID控制的參數(shù)為Kp=1，Ki=0.5，Kd=0；設(shè)定改進(jìn)前后的預(yù)測控制中參數(shù)預(yù)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(yù)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(biāo)優(yōu)化控制方案通過遺傳算法進(jìn)行滾動尋優(yōu)，具有更高控制精度。對噴氨量進(jìn)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(jī)組負(fù)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(biāo)優(yōu)化控制方案下，出口NOx波動性較小，抗干擾能力較強(qiáng)。
傳統(tǒng)PID 控制方法僅利用SCR 出口 NOx濃度進(jìn)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(shè)置為 0.8，從而導(dǎo)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(dāng)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(yù)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(biāo)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(jī)組工況發(fā)生突變，采用多目標(biāo)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(jìn)的預(yù)測控制優(yōu)化方法，使得脫硝系統(tǒng)既能滿足NOx排放標(biāo)準(zhǔn)又降低了經(jīng)濟(jì)成本。
.jpg)
4 結(jié)語
為了在滿足電廠NOx超低排放的同時降低經(jīng)濟(jì)成本，本文在DMC預(yù)測控制的基礎(chǔ)上進(jìn)行了改進(jìn)，提出了一種脫硝系統(tǒng)多目標(biāo)優(yōu)化控制方法。通過神經(jīng)網(wǎng)絡(luò)算法構(gòu)建的全工況數(shù)據(jù)預(yù)測模型可以對出口NOx進(jìn)行實時預(yù)測，構(gòu)建了兼顧NOx排放和經(jīng)濟(jì)成本的多目標(biāo)優(yōu)化函數(shù)，采用遺傳算法進(jìn)行噴氨量尋優(yōu)。仿真結(jié)果表明，與PID和改進(jìn)前的DMC預(yù)測控制方法相比，改進(jìn)后的預(yù)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)”
