調(diào)峰燃煤機(jī)組選擇性催化還原煙氣脫硝的建模預(yù)測(cè)優(yōu)化*

陳鴻偉 梁占偉# 趙 斌 高明非 趙爭(zhēng)輝 張志遠(yuǎn)

(1.華北電力大學(xué)能源動(dòng)力與機(jī)械工程學(xué)院，河北 保定 071003；2.華北理工大學(xué)冶金與能源學(xué)院，河北 唐山 063009)

調(diào)峰燃煤機(jī)組選擇性催化還原煙氣脫硝的建模預(yù)測(cè)優(yōu)化*

陳鴻偉1梁占偉1#趙 斌2高明非2趙爭(zhēng)輝1張志遠(yuǎn)1

(1.華北電力大學(xué)能源動(dòng)力與機(jī)械工程學(xué)院，河北 保定 071003；2.華北理工大學(xué)冶金與能源學(xué)院，河北 唐山 063009)

調(diào)峰燃煤機(jī)組的運(yùn)行對(duì)選擇性催化還原煙氣脫硝(SCR-DeNOx)系統(tǒng)的性能提出了新的挑戰(zhàn)。通過(guò)比較BP神經(jīng)網(wǎng)絡(luò)(BP)算法和遺傳算法優(yōu)化BP(GABP)算法的直接模型和間接模型，得到出口NOx濃度和氨逃逸濃度預(yù)測(cè)的最佳模型。結(jié)果表明，對(duì)出口NOx濃度和氨逃逸濃度預(yù)測(cè)的最佳模型均為GABP算法的間接模型。該模型不僅精度高，可以適應(yīng)不同的負(fù)荷，而且可以同時(shí)預(yù)測(cè)出口NOx濃度和氨逃逸濃度。對(duì)出口NOx濃度預(yù)測(cè)的相對(duì)誤差均在±10%以內(nèi)，均方根誤差和平均絕對(duì)百分比誤差分別僅為2.76mg/m3和4.49%；對(duì)氨逃逸濃度預(yù)測(cè)的相對(duì)誤差基本都在±50%以內(nèi)，均方根誤差和平均絕對(duì)百分比誤差分別為0.13mg/m3和24.29%。

調(diào)峰燃煤機(jī)組 選擇性催化還原 脫硝NOx氨逃逸 神經(jīng)網(wǎng)絡(luò)算法

Abstract: The selective catalytic reduction dinitration (SCR-DeNOx) systems are facing new challenges since coal-fired peak regulation units ran. The direct and indirect models by BP neural network algorithm (BP algorithm) and genetic algorithm modified BP algorithm (GABP algorithm) were applied to predict outlet NOxconcentration and ammonia escaping concentration in SCR-DeNOxsystem. Results showed that the best model for both outlet NOxconcentration and ammonia escaping concentration prediction was the indirect model by GABP algorithm. This model was accurate and able to fit different loads. Moreover,the model could predict outlet NOxconcentration and ammonia escaping concentration simultaneously. The relative error,root-mean-square error and mean-absolute-percentage error were within ±10%,2.76 mg/m3and 4.49% for outlet NOxconcentration,respectively;and those almost within±50%,0.13 mg/m3and 24.29% for ammonia escaping concentration,respectively.

Keywords: coal-fired peak regulation units； selective catalytic reduction； denitration； NOx； ammonia escaping； neural network algorithm

近年來(lái)，受國(guó)內(nèi)經(jīng)濟(jì)形勢(shì)下行以及新能源發(fā)電并網(wǎng)等因素的影響，很多地區(qū)供電負(fù)荷峰谷差增大。據(jù)統(tǒng)計(jì)，京津冀地區(qū)峰谷差已達(dá)到30.6%[1]。單靠抽水蓄能發(fā)電及30萬(wàn)kW的燃煤機(jī)組調(diào)峰已不能滿足電網(wǎng)調(diào)峰需求，60萬(wàn)kW及以上的燃煤機(jī)組參與深度調(diào)峰已成常態(tài)化。調(diào)峰燃煤機(jī)組的運(yùn)行對(duì)選擇性催化還原煙氣脫硝(SCR-DeNOx)系統(tǒng)的性能提出了新的挑戰(zhàn)。準(zhǔn)確預(yù)測(cè)SCR-DeNOx系統(tǒng)出口NOx濃度和氨逃逸濃度是提高NOx脫除效率和減少噴氨量的基礎(chǔ)。秦天牧等[2-3]利用多尺度核偏最小二乘法和改進(jìn)偏互信息法建立了SCR-DeNOx系統(tǒng)出口NOx濃度的預(yù)測(cè)模型，均方根誤差和平均絕對(duì)百分比誤差分別能夠達(dá)到2.80 mg/m3和3.31%，精度較高；但是該模型輸入數(shù)據(jù)的負(fù)荷變化范圍較窄，僅適合700～800 MW的燃煤機(jī)組。劉吉臻等[4]提出了自適應(yīng)性多尺度核偏最小二乘法，并應(yīng)用于SCR-DeNOx系統(tǒng)建模預(yù)測(cè)出口NOx濃度，該模型輸入數(shù)據(jù)負(fù)荷變寬，但是精度下降，均方根誤差和平均絕對(duì)百分比誤差分別為3.13 mg/m3和5.01%。調(diào)峰燃煤機(jī)組建立高精度、全負(fù)荷的SCR-DeNOx系統(tǒng)出口NOx濃度預(yù)測(cè)模型已成為目前研究的重點(diǎn)。此外，對(duì)SCR-DeNOx系統(tǒng)出口氨逃逸濃度建模預(yù)測(cè)的報(bào)道還很鮮見(jiàn)[5-6]。

本研究對(duì)比分析了BP神經(jīng)網(wǎng)絡(luò)(BP)算法和遺傳算法優(yōu)化BP(GABP)算法的直接模型和間接模型，同時(shí)對(duì)調(diào)峰燃煤機(jī)組的SCR-DeNOx系統(tǒng)出口NOx濃度和氨逃逸濃度進(jìn)行預(yù)測(cè)，得到最佳預(yù)測(cè)模型。

1 實(shí)驗(yàn)方法

某電廠600 MW的調(diào)峰燃煤機(jī)組主要由超臨界煤粉爐配置低濃度NOx雙調(diào)風(fēng)旋流燃燒器組成，采用SCR-DeNOx系統(tǒng)，脫硝劑為液氨，液氨蒸發(fā)采用蒸汽加熱方式。SCR-DeNOx設(shè)備安裝在省煤器與空預(yù)器之間，脫硝吹灰器同時(shí)采用聲波和蒸汽吹灰。催化劑按“2+1”方式布置，設(shè)計(jì)入口NOx質(zhì)量濃度為400 mg/m3。負(fù)荷選取300、400、500、600 MW。數(shù)據(jù)采集時(shí)間間隔為5 s，每個(gè)參數(shù)連續(xù)采集10個(gè)數(shù)據(jù)取平均值。

2 預(yù)測(cè)模型

模型理論依據(jù)為式(1)和式(2)[7-10]。

4NH3+5O2→4NO+6H2O

(1)

4NO+4NH3+O2→4N2+6H2O

(2)

BP算法作為一種非線性預(yù)測(cè)方法具有良好的非線性品質(zhì)，并得到了廣泛應(yīng)用[11-12]。標(biāo)準(zhǔn)BP算法訓(xùn)練次數(shù)多、學(xué)習(xí)效率低、收斂速度慢[13]88。為了提高BP算法性能，本研究采用優(yōu)化BP算法訓(xùn)練函數(shù)trainlm，結(jié)合梯度下降法和高斯-牛頓法，通過(guò)逐漸調(diào)整權(quán)值和閾值改善收斂性能[13]83。GABP算法流程見(jiàn)圖1。設(shè)置種群規(guī)模為10，進(jìn)化次數(shù)為50，交叉概率為0.4，變異概率為0.2[13]82。

主要輸入數(shù)據(jù)包括SCR-DeNOx系統(tǒng)入口NOx濃度、入口氨濃度、反應(yīng)溫度、氧量、煙氣量、催化劑層壓降和負(fù)荷。間接模型分別輸出單位體積催化劑單位時(shí)間內(nèi)消耗的NOx和氨總量，再反算出口NOx濃度和氨逃逸濃度；直接模型則直接輸出出口NOx濃度和氨逃逸濃度。

圖1 GABP算法流程Fig.1 Flow chart of GABP algorithm

3 結(jié)果分析與討論

3.1 出口NOx濃度預(yù)測(cè)

SCR-DeNOx系統(tǒng)出口NOx濃度的間接模型預(yù)測(cè)結(jié)果如圖2所示，直接模型預(yù)測(cè)結(jié)果如圖3所示。

對(duì)比圖2(a)和圖3(a)發(fā)現(xiàn)，BP算法和GABP算法的間接模型預(yù)測(cè)值與實(shí)際值的逼近能力更好。從圖2(b)的相對(duì)誤差來(lái)看，GABP算法的間接模型相對(duì)誤差均在±10%以內(nèi)，而B(niǎo)P算法的間接模型相對(duì)誤差明顯大于GABP算法，甚至超過(guò)了±20%。因此，對(duì)出口NOx濃度的最佳預(yù)測(cè)模型為GABP算法的間接模型。

3.2 氨逃逸濃度預(yù)測(cè)

圖2 出口NOx濃度的間接模型預(yù)測(cè)結(jié)果Fig.2 Prediction result of outlet NOx concentration by indirect model

圖3 出口NOx濃度的直接模型預(yù)測(cè)結(jié)果Fig.3 Prediction result of outlet NOx concentration by direct model

圖4 氨逃逸濃度的間接模型預(yù)測(cè)結(jié)果Fig.4 Prediction result of NH3 escaping concentration by indirect model

圖5 氨逃逸濃度的直接模型預(yù)測(cè)結(jié)果Fig.5 Prediction result of NH3 escaping concentration by direct model

SCR-DeNOx系統(tǒng)氨逃逸濃度的間接模型預(yù)測(cè)結(jié)果如圖4所示，直接模型預(yù)測(cè)結(jié)果如圖5所示。

由圖4(a)可見(jiàn)，BP算法的間接模型預(yù)測(cè)結(jié)果波動(dòng)較大，而GABP算法的間接模型預(yù)測(cè)結(jié)果比較穩(wěn)定，且與實(shí)際值的逼近能力極好。由圖4(b)可見(jiàn)，BP算法的間接模型相對(duì)誤差大多數(shù)超過(guò)了±50%，而GABP算法的間接模型相對(duì)誤差基本都在±50%以內(nèi)。雖然GABP算法的間接模型相對(duì)誤差仍高于工程要求的±20%以內(nèi)，但鑒于氨逃逸濃度幾乎沒(méi)有模型可以預(yù)測(cè)，且從圖4(a)的數(shù)據(jù)來(lái)看，氨逃逸質(zhì)量濃度實(shí)際值為0.19～0.61 mg/m3時(shí)，GABP算法的間接模型預(yù)測(cè)值為0.20～0.76 mg/m3，可以在工程中應(yīng)用。由圖5可知，BP算法和GABP算法的直接模型預(yù)測(cè)值和相對(duì)誤差都波動(dòng)很大，不能應(yīng)用。因此，GABP算法的間接模型也可以用于氨逃逸濃度的預(yù)測(cè)。

表1 出口NOx濃度預(yù)測(cè)模型性能

表2 氨逃逸濃度預(yù)測(cè)模型性能

3.3 模型性能評(píng)價(jià)

采用均方根誤差(RMSE)和平均絕對(duì)百分比誤差(MAPE)來(lái)評(píng)價(jià)模型預(yù)測(cè)精度和預(yù)測(cè)值相對(duì)于實(shí)際值的平均偏離情況，計(jì)算公式分別如式(3)和式(4)所示[14]。

(3)

(4)

SCR-DeNOx系統(tǒng)出口NOx濃度預(yù)測(cè)模型的均方根誤差和平均絕對(duì)百分比誤差列于表1，GABP算法的間接模型均方根誤差和平均絕對(duì)百分比誤差分別為2.76 mg/m3和4.49%，精度最高。

SCR-DeNOx系統(tǒng)氨逃逸濃度預(yù)測(cè)模型的均方根誤差和平均絕對(duì)百分比誤差列于表2，GABP算法的間接模型均方根誤差和平均絕對(duì)百分比誤差分別為0.13 mg/m3和24.29%。

綜上所述，GABP算法的間接模型用于調(diào)峰燃煤機(jī)組SCR-DeNOx系統(tǒng)出口NOx濃度預(yù)測(cè)不僅精度高，可以適應(yīng)不同的負(fù)荷，而且在氨逃逸濃度預(yù)測(cè)中也具有一定的參考價(jià)值。

4 結(jié) 論

對(duì)出口NOx濃度的最佳預(yù)測(cè)模型為GABP算法的間接模型，相對(duì)誤差均在±10%以內(nèi)，均方根誤差和平均絕對(duì)百分比誤差分別為2.76 mg/m3和4.49%，該模型不僅精度高，而且可以適應(yīng)不同的負(fù)荷。此外，該模型可同時(shí)用于氨逃逸濃度預(yù)測(cè)，相對(duì)誤差基本都在±50%以內(nèi)，均方根誤差和平均絕對(duì)百分比誤差分別為0.13 mg/m3和24.29%。

[1] 王偉,徐婧,趙翔,等.中國(guó)煤電機(jī)組調(diào)峰運(yùn)行現(xiàn)狀分析[J].南方能源建設(shè),2017,4(1):18-24.

[2] 秦天牧,劉吉臻,楊婷婷,等.火電廠SCR煙氣脫硝系統(tǒng)建模與運(yùn)行優(yōu)化仿真[J].中國(guó)電機(jī)工程學(xué)報(bào),2016,36(10):2699-2703.

[3] 秦天牧,劉吉臻,方連航,等.基于改進(jìn)偏互信息的火電廠SCR脫硝系統(tǒng)建模[J].動(dòng)力工程學(xué)報(bào),2016,36(9):726-731.

[4] 劉吉臻,秦天牧,楊婷婷,等.基于自適應(yīng)多尺度核偏最小二乘的SCR煙氣脫硝系統(tǒng)建模[J].中國(guó)電機(jī)工程學(xué)報(bào),2015,35(23):6083-6088.

[5] 周榮,褚定杉,丁懷,等.水泥廠氨排放標(biāo)準(zhǔn)存在的問(wèn)題及氨排放控制[J].環(huán)境污染與防治,2015,37(1):100-104.

[6] 鄭方棟,李文華,趙敏,等.全負(fù)荷脫硝氨逃逸率與SO3轉(zhuǎn)化率的變化[J].中國(guó)電機(jī)工程學(xué)報(bào),2017,37(9):2607-2613.

[7] NOVA I,LIETTI L,TRONCONI E,et al.Dynamics of SCR reaction over a TiO2-supported vanadia-tungsta commercial catalyst[J].Catalysis Today,2000,60(1/2):73-82.

[8] USBERTI N,JABLONSKA M,BLASI M D,et al.Design of a “high-efficiency” NH3-SCR reactor for stationary applications.A kinetic study of NH3oxidation and NH3-SCR over V-based catalysts[J].Applied Catalysis B:Environmental,2015,179:185-195.

[9] YUAN Ruming,FU Guan,XU Xin,et al.Mechanisms for selective catalytic oxidation of ammonia over vanadium oxides[J].Journal of Physical Chemistry C,2011,115(43):21218-21229.

[10] BERETTA A,USBERTI N,LIETTI L,et al.Modeling of the SCR reactor for coal-fired power plants:impact of NH3inhibition on Hg0oxidation[J].Chemical Engineering Journal,2014,257:170-183.

[11] 陳鴻偉,劉煥志,李曉偉,等.雙循環(huán)流化床顆粒循環(huán)流率實(shí)驗(yàn)與BP神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)[J].中國(guó)電機(jī)工程學(xué)報(bào),2010,30(32):25-29.

[12] 陳鴻偉,祁海波,梁占偉,等.基于LM算法的雙流化床循環(huán)流率預(yù)測(cè)模型研究[J].動(dòng)力工程學(xué)報(bào),2012,32(1):15-20.

[13] 周開(kāi)利,康耀紅.神經(jīng)網(wǎng)絡(luò)模型及其MATLAB仿真程序設(shè)計(jì)[M].北京:清華大學(xué)出版社,2005.

[14] LV You,LIU Jizhen,YANG Tingting,et al.A novel least squares support vector machine ensemble model for NOx,emission prediction of a coal-fired boiler[J].Energy,2013,55(1):319-329.

Modelingpredictionoptimizationofselectivecatalyticreductiondenitrationforcoal-firedpeakregulationunits

CHENHongwei1,LIANGZhanwei1,ZHAOBin2,GAOMingfei2,ZHAOZhenghui1,ZHANGZhiyuan1.

(1.SchoolofEnergy,PowerandMechanicalEngineering,NorthChinaElectricPowerUniversity,BaodingHebei071003;2.CollegeofMetallurgyandEnergy,NorthChinaUniversityofScienceandTechnology,TangshanHebei063009)

2017-02-14)

陳鴻偉，男，1965年生，博士，教授，主要從事電站設(shè)備監(jiān)測(cè)、控制與運(yùn)行研究。#

。

*河北省自然科學(xué)基金資助項(xiàng)目(No.E2016502058)；中央高?；究蒲袠I(yè)務(wù)費(fèi)專項(xiàng)(No.2015XS116)。

10.15985/j.cnki.1001-3865.2017.08.012