燃煤鍋爐高效低NOx協同優化系統開發及應用

王天堃，梁志宏，張金營

?

燃煤鍋爐高效低NOx協同優化系統開發及應用

王天堃，梁志宏，張金營

（國家能源投資集團有限責任公司，北京 100011）

為了達到大氣污染物近零排放標準，大型燃煤發電機組NOx排放質量濃度需低于35 mg/m3。在當前工程實踐中應用最廣泛的鍋爐低氮燃燒（LNB）與選擇性催化還原（SCR）綜合脫硝技術存在協調問題，很難同時實現機組LNB與SCR脫硝的安全、環保、經濟運行。為此，本文建立了燃煤鍋爐LNB運行調整與SCR脫硝協同模型，采用改進的BP神經網絡建立鍋爐燃燒系統模型，利用改進的最小二乘支持向量機建立SCR脫硝系統模型，并進一步開展了機組高效低NOx調節與優化分析，開發了燃煤鍋爐高效低NOx協同優化系統。在某機組的實際應用結果表明，該協同優化系統可在任何工況下實時指導運行人員調整機組運行參數，確保機組安全、環保、經濟運行。

燃煤鍋爐；NOx排放；高效低NOx控制；綜合脫硝技術；協同優化；低氮燃燒

伴隨我國能源綠色發展，化石能源清潔化發展成為必然趨勢。火力發電要實現綠色清潔，首先要降低NO排放。目前，超低排放火電機組的NO排放質量濃度要求在標準狀態下小于35 mg/m3[1-2]。現階段降低NO排放的主要手段是鍋爐低氮燃燒（LNB）技術與選擇性催化還原（SCR）脫硝技術[3-4]。如果要實現良好的脫硝效果，必須統籌考慮鍋爐LNB及SCR技術的安全性、環保性和經濟性[5]，而現行優化方案均未綜合考慮LNB和SCR技術。

本文基于大量脫硝改造的工程實踐，通過對LNB運行調整與SCR脫硝系統特性的分析，設計了可實現安全、環保、經濟的燃煤鍋爐高效低NO協同優化系統，一是實現LNB系統與SCR脫硝系統的協同建模，二是達成安全、環保、經濟的多目標優化。首先，分析總結實現燃煤鍋爐高效低NO目標的關鍵，即最大限度地降低鍋爐出口NO的生成量與精準噴氨，減少NO生成不僅能降低爐內結焦與超溫的可能，而且可以減少SCR脫硝系統的還原劑消耗；精準噴氨節約了還原劑使用量，減少 了氨逃逸，進一步降低了風煙系統設備腐蝕，使 機組更加安全、經濟。其次，為成功實現LNB改造以及實現改造后鍋爐高效低NO運行，深入探討了機組在快速自動發電控制（AGC）、煤種改變、風煙系統運行改變等狀況下的配煤、風粉比等技術。最后，為了使上述LNB與SCR脫硝技術能夠應用于生產實踐，研發了燃煤機組高效低NO協同優化系統。

1 燃煤鍋爐高效低NOx協同建模

針對NO的生成及處理過程，借助于系統歷史運行數據及人工智能等先進建模方式，將包含LNB設備、SCR煙氣脫硝的燃燒系統分步建模：首先建立鍋爐高效低NO燃燒模型；然后構建SCR脫硝效率模型；最后耦合2個模型建立鍋爐高效低NO協同優化模型，實現對生產過程最大程度的逼近。建模過程結合機組分布式控制系統（DCS）、廠級監控信息系統（SIS），確保模型實現可靠。

1.1 基于改進BP神經網絡的鍋爐燃燒系統模型

神經網絡算法具有很強的魯棒性、記憶力及自學習能力，其強大的非線性擬合能力可擬合任意復雜的非線性關系，但算法訓練過程收斂速度慢且易陷入局部最優[6]。

本文針對基本BP（back propagation）神經網絡算法進行模型算法改進[7-9]：1）給待訓練參數的調整量加動量項，可有效減小震蕩趨勢，改善收斂性，抑制網絡陷入局部極小值[10]；2）采用自適應的學習速率，以克服算法網絡訓練速度慢、不易收斂到全局最優的缺點。

基于改進BP神經網絡算法對鍋爐的燃燒與排放特性進行建模，所建模型如圖所示。

圖1 鍋爐高效低NOx燃燒模型

模型的數學表達式為

式中，X為第個輸出量，Y為第個輸入量，W為鏈接第個神經元刺激的權重。

對于隱層神經元，其激勵函數一般取S型函數()=1/(1+e–x)。然而S型函數的非飽和區太窄，易導致網絡訓練失敗，為此引入陡度因子，則()=1/(1+e–x/)，從而擴大飽和區，使網絡訓練順利進行。

經仿真對比，輸入層與中間層之間的傳遞函數采用帶陡度因子的S型函數；中間層與輸出層之間的傳遞函數采用線性函數()=·+。模型采用改進BP神經網絡，包含輸入層、輸出層和1個中間層。輸入層以鍋爐操作量為主，總計84個操作量；中間層從鍋爐工況、設備狀況、煤質、風機功率、風量配比6個方面表征鍋爐燃燒狀態；輸出層從安全、環保、經濟3個方面10個節點表征機組運行狀況。

1.2 基于改進LS-SVM的SCR脫硝效率模型

最小二乘支持向量機（LS-SVM）在保持標準支持向量機（SVM）優點基礎上，顯著降低了計算成本，但是以損失SVM解的稀疏性和魯棒性為代價[11]。為此，Suykens提出了稀疏LS-SVM（space LS-SVM）[12]與加權LS-SVM（weighted LS-SVM）[13]來分別解決稀疏性與魯棒性問題；胡良謀等[14]結合這2種算法的優點，提出了一種改進的LS-SVM，同時改善LS-SVM的魯棒性與稀疏性。該算法首先對數據開展LS-SVM初始訓練，然后運用加權LS-SVM對訓練后的數據進行魯棒性訓練，最后采用稀疏LS-SVM對訓練后數據進行稀疏性訓練，此改進LS-SVM可實現良好的建模效果。

火電機組的SCR脫硝系統位于省煤器與空氣預熱器（空預器）之間，其工作原理是在催化劑的作用下利用氨氣將NO還原生成氮氣與水，工藝原理如圖2所示。

圖2 SCR脫硝工藝原理

采用改進LS-SVM構建SCR脫硝效率模型（圖3），可對SCR脫硝系統的實際運行進行精 準表達。

圖3 SCR脫硝效率模型

脫硝效率數學模型公式為

式中，分別為輸入輸出矩陣，為系數矩陣。式(3)—式(4)分別為、的列向量，代表選取的第組數據。

從機組DCS采集300組數據進行訓練，其中 50組數據進行校驗。仿真顯示SCR脫硝誤差小于 10–4，證明預測模型可用于工程實際。

1.3 鍋爐高效低NOx協同模型

耦合以上2個模型即可建立鍋爐高效低NO協同模型，其結構如圖所示。模型包含輸入、輸出、中間狀態3種類型數據，其中、、、、、為目標優化量。

圖4 鍋爐高效低NOx協同模型

該模型中：代表SCR脫硝出口NO排放質量濃度，是系統的環保指標，近零排放標準為小于35 mg/m3；代表氨逃逸量，在長時間運行時應小于3×10-6；代表SCR脫硝效率指標，要保證4~5年內催化劑脫硝效率不小于75%；代表SCR脫硝入口煙溫，為保證SCR脫硝有效運行，應使位于催化劑反應溫度范圍內，、為3個安全性指標；鍋爐效率與氨耗量為系統的經濟性指標。

2 鍋爐高效低NOx協同模型的多目標尋優

鍋爐高效低NO協同模型的控制目標是在環保與安全的前提下，實現煤耗與氨耗最低，其數學表達式為

式中a、b分別為對應時段的燃料和氨氣價格系數。

式(5)是典型的多目標優化問題，可采用性能優異的粒子群優化算法（PSO）[15]尋優，該算法較成熟，在此不再贅述。

3 工程應用

基于鍋爐高效低NO協同模型及PSO，本文采用B/S模式，前臺采用AdobeFlex技術，后臺采用Java、Erlang技術，開發了鍋爐高效低NO協同優化系統，該系統包含數據引擎、鍋爐及SCR脫硝等設備狀態及性能在線軟測量與綜合評估、高效低NO燃燒優化、高效低NO協調監控等4個功能模塊，系統結構如圖5所示。

圖5 鍋爐高效低NOx協同優化系統結構

鍋爐高效低NO協同優化系統通過耗差分析，可實現氨氣的自動調節；通過對歷史數據進行尋優，可實現高效低NO協同優化。

3.1 優化目標實時監控與協同優化

圖6為鍋爐高效低NO協同優化系統設備監視界面，該系統結合機組DCS，可為運行人員提供參考，從而大幅提升鍋爐高效低NO運行水平。系統可監視設備參數與狀態量，當優化目標偏離優化值或越限時，系統設置的軟光字牌將實時發出警報，通過系統自動調整與運行人員的調節，使機組運行在安全、環保、經濟的最優狀態。

3.2 運行調整方案篩選與績效考核

系統的耗差分析與績效考核功能可全程記錄操作人員操作過程，并將機組運行結果折算為運行績效，從而實現在線考核。另外，優化系統充分發揮LNB與SCR脫硝綜合技術潛力，可自動篩選不同工況不同運行方式下的調整方案，實現指標的壓紅線運行。優化系統具備數據挖掘功能，可對LNB與SCR脫硝系統多個參數進行相關性分析，通過不同工況下噴氨量和NO的變化關系，實現相關性分析及優化方案的篩選和存儲等功能。

圖6 鍋爐高效低NOx協同優化系統設備監視界面

SCR脫硝在線仿真系統，可模擬實際運行時的氨逃逸、SCR脫硝運行效率等情況，作為培訓工具實現運行人員的在線仿真與培訓功能，提高運行人員的操作水平。

3.3 優化目標實現情況

1）環保性目標 圖7和圖8分別為在550 MW負荷下鍋爐效率相同（變化小于0.01%）時，高效低NO協同優化系統投入前后，SCR脫硝出口NO變化曲線。從圖7和圖8可明顯看出，投運后脫 硝入口NO質量濃度明顯降低，穩定在300 mg/m3以下，開展磨煤機組合調整優化后，還可取得進一步優化。

2）安全性目標 協同優化系統可實現空預器差壓壓線運行，從而一定程度避免空預器堵塞問題，提升設備可靠性。圖9和圖10分別為系統投運前后空預器差壓曲線。對比可見，協同優化系統投用前，空預器差壓經常超過設計值，特別在高負荷期間；優化系統投用后，在排放達標的前提下，差壓保持了較好的水平。

圖7 協同優化系統投運前SCR脫硝入口NOx質量濃度

圖8 協同優化系統投運后SCR脫硝入口NOx質量濃度

圖9 協同優化系統投運前空預器差壓曲線

圖10 協同優化系統投運后空預器差壓曲線

3）經濟性目標 通過使用協同優化系統，在保證不低于93.4%的鍋爐效率前提下，對比系統投運2周的運行結果，每臺機組24 h可節氨1.2~1.5 t，每年運行時間以300天計，若氨每噸0.36萬元，每年僅節氨的經濟效益為129.6萬元。若考慮節氨后設備腐蝕的降低、催化劑壽命的延長以及電耗的降低，系統將產生更大的經濟效益。

4 結 語

本文提出的鍋爐高效低NO協同優化系統模型成功在工程實踐中應用，結果表明，該系統可指導運行人員操作，更好地實現各負荷下LNB與SCR協同優化，確保機組安全、環保、經濟運行，具有十分重要推廣價值。

［1］ 張軍, 鄭成航, 張涌新, 等. 某1 000 MW燃煤機組超低排放電廠煙氣污染物排放測試及其特性分析[J]. 中國電機工程學報, 2016, 36(5): 1310-1314. ZHANG Jun, ZHENG Chenghang, ZHANG Yongxin, et al. Experimental investigation of ultra-low pollutants emission characteristics from a 1 000 MW coal-fired power plant[J]. Proceedings of the CSEE, 2016, 36(5): 1310-1314.

［2］ 王樂樂, 孔凡海, 何金亮, 等. 超低排放形勢下SCR脫硝系統運行存在問題與對策[J]. 熱力發電, 2016, 45(12): 19-24.WANG Lele, KONG Fanhai, HE Jinliang, et al. Difficultiesand countermeasures of SCR denitration system operation in ultra low emission situation[J]. Thermal Power Generation, 2016, 45(12): 19-24.

［3］ 李宗耀. 600 MW機組低氮燃燒器與SCR改造的研究[D]. 北京: 華北電力大學, 2016: 42. LI Zongyao. Research of low nitrogen burner and SCR reconstruction in 600 MW unit[D]. Beijing: North China Electric Power University, 2016: 42.

［4］ 許昌, 呂劍虹, 鄭源, 等. 以效率和低NO排放為目標的鍋爐燃燒整體優化[J]. 中國電機工程學報, 2006, 26(4): 46-50. XU Chang, LV Jianhong, ZHENG Yuan, et al. A boiler combustion global optimization on efficiency and low NOemissions object[J]. Proceedings of the CSEE, 2006, 26(4): 46-50.

［5］ 邵偉濤. 燃煤電站鍋爐低氮燃燒與SCR脫硝協同優化技術研究[D]. 上海: 上海電力學院, 2017: 55. SHAO Weitao. Research on coordinated optimization of low nitrogen combustion and SCR denitrification for coal-fired boilers in power plant[D]. Shanghai: Shanghai University of Electric Power, 2017: 55.

［6］ 楊源杰, 黃道. 人工神經網絡算法研究及應用[J]. 華東理工大學學報, 2002, 28(5): 551-554. YANG Yuanjie, HUANG Dao. Research and applications of artificial neural networks[J]. Journal of East China University of Science and Technology, 2002, 28(5): 551-554.

［7］ 謝立春. BP神經網絡算法的改進及收斂性分析[J]. 計算技術與自動化, 2007, 26(3): 52-56. XIE Lichun. BP neural algorithm improvements and convergence analysis[J]. Computing Technology and Automation, 2007, 26(3): 52-56.

［8］ DING S, SU C, YU J. An optimizing BP neural network algorithm based on genetic algorithm[J]. Artificial Intelligence Review, 2011, 36(2): 153-162.

［9］ ZHANG L, WU K, ZHONG Y, et al. A new sub-pixel mapping algorithm based on a BP neural network with an observation model[J]. Neurocomputing, 2008, 71(10/12): 2046-2054.

［10］ PAN H. A BP neural networks learning algorithm research based on particle swarm optimizer[J]. Computer Engineering Applications, 2006, 42(16): 41-44.

［11］ ADANKON M M, CHERIET M J P R. Model selection for the LS-SVM[J]. Application to Handwriting Recognition, 2009, 42(12): 3264-3270.

［12］ SUYKENS J A K, LUKAS L, VANDEWALLE J. Sparse least squares support vector machine classifiers[J]. Neural Processing Letters, 2000, 9(3): 293-300.

［13］ SUYKENS J A K, GESTEL T V, BRABANTER J D, et al. Least squares support vector machines[J]. International Journal of Circuit Theory Applications, 2015, 27(6): 605-615.

［14］ 胡良謀, 曹克強, 徐浩軍. 基于改進LS-SVM的液壓舵機雙閉環系統故障診斷[J]. 系統仿真學報, 2009, 21(17): 5477-5480. HU Liangmou, CAO Keqiang, XU Haojun. Fault diagnosis for hydraulic actuator double closed-loop system based on improved LS-SVM[J]. Journal of System Simulation, 2009, 21(17): 5477-5480.

［15］ 陳如清, 俞金壽. 混沌粒子群混合優化算法的研究與應用[J]. 系統仿真學報, 2008, 20(3): 685-688. CHEN Ruqing, YU Jinshou. Study and application of chaos-particle swarm optimization-based hybrid optimi- zation algorithm[J]. Journal of System Simulation, 2008, 20(3): 685-688.

Development and application of efficient cooperative optimization system for low NOxemission control in coal-fired boilers

WANG Tiankun, LIANG Zhihong, ZHANG Jinying

(China Energy Investment Corporation Limited, Beijing 100011, China)

To achieve the new near-zero emission standard of air pollutants, NOxemission from large-scale coal-fired power plants should be lower than 35 mg/m3. In current engineering practice, the most commonly used low NOx burner (LNB) technology and selective catalytic reduction (SCR) denitration technology are difficult to realize safe, environmental and economic operation of both the LNB and SCR denitration system simultaneously. Therefore, this paper establishes the cooperative model of the LNB operation adjustment and SCR denitrification of coal-fired boiler, builds up the boiler combustion system model using the improved BP neural network, sets up the SCR denitraion system model applying the improved least squares support vector machine, and further carries out the efficient low NOxemission control regulation and optimization and develops the cooperative optimization system for efficient low NOxemission control. In addition, this cooperative optimization system was successfully applied in a 600 MW unit, it can guide the operator to adjust the unit’s parameters in real time under any working condition, to ensure the safety, environmental protection and economic operation of the unit.

co-fired boiler, NOxemission, efficient low NOxemission control, comprehensive denitration technology, synergy optimization, low NOx combustion

National Key Research and Development Program (2018YFB0604204)

TP621.2

B

10.19666/j.rlfd.201811208

王天堃, 梁志宏, 張金營. 燃煤鍋爐高效低NOx協同優化系統開發及應用[J]. 熱力發電, 2019, 48(3): 96-101. WANG Tiankun, LIANG Zhihong, ZHANG Jinying. Development and application of efficient cooperative optimization system for low NOx emission control in coal-fired boilers[J]. Thermal Power Generation, 2019, 48(3): 96-101.

2018-11-07

國家重點研發計劃項目(2018YFB0604204)

王天堃(1982—)，男，博士，高級工程師，主要研究方向為火力發電廠先進控制技術、分散控制系統及現場總線控制系統，17000107@chnenergy.com.cn。

（責任編輯 杜亞勤）