330MW燃煤火電機組脫硝系統的優化研究

孫金龍

330MW燃煤火電機組脫硝系統的優化研究

孫金龍

（華電國際十里泉發電廠，山東省 棗莊市 277100）

目前國內火電廠選擇性催化還原法(selective catalytic reduction，SCR)煙氣脫硝系統由于普遍存在反應時間較長、控制滯后和調門線性不好等缺點，SCR出口氮氧化物濃度大幅波動，嚴重影響火電廠SCR煙氣脫硝系統的達標運行。為解決上述問題，根據電廠SCR脫硝系統的運行狀況，在研究現場工程實際控制系統的基礎上，結合相關SCR脫硝系統控制理論，通過采集現場歷史數據，在保持現場實際控制算法不變的基礎上，采用智能辨識的方法，建立了SCR脫硝系統數學模型，并采用工程性強的仿人智能算法，實現了SCR脫硝系統的優化運行。

火電廠；氮氧化物；脫硝效率；建模；仿真；優化

0 引言

通過預測控制或Smith預估模型控制來提高火電廠SCR煙氣脫硝系統控制品質的方法，需要建立較為準確的控制對象過程模型，模型準確度嚴重影響控制品質，而且受煤質等因素的變化影響，運行過程中的模型適應性不強。目前，火電廠SCR煙氣脫硝系統的建模方法主要采用開環辨識實驗的建模方法[8-9]。為研究開環辨識實驗對脫硝控制系統正常運行的影響，本文根據系統歷史運行數據對脫硝系統進行模型辨識，更好地反映閉環系統的運行特性，同時采用工程性強的仿人智能算法，避免了控制算法對模型準確性的要求，實現了SCR煙氣脫硝系統的優化運行。

1 SCR煙氣脫硝技術

2 SCR煙氣脫硝控制系統

2.1 SCR脫硝反應機理

除上述2種主要的化學反應外，煙氣中還存在以下化學反應。

由于式(3)、(4)反應速度很慢，因此在SCR反應中所占比重較小。根據式(1)—(4)的化學反應分析，SCR脫硝反應的NH3、NO的摩爾比大約為1:1。

2.2 SCR控制系統分析

2.2.1 稀釋風量

2.2.5 脫硝效率

2.2.6 反應器噴氨流量

2.2.8 氨氮摩爾比

2.2.9 PID調節

圖1 SCR噴氨PID閉環控制系統

滯后環節DELAY的傳遞函數為

式中：為比例系數；為慣性環節時間常數，為滯后時間常數。

增量型PID調節傳遞函數為

限幅環節LM，輸出限制于-和+之間。

超前滯后環節LELG傳遞函數為

A側和B側SCR反應器的噴氨PID閉環控制系統實際工程參數如表1、2所示。

表1 PID控制系統參數

圖2 前饋環節

表2 前饋環節參數

限幅環節LD，輸出限制于M和之間,報警死區為。

3 SCR控制系統建模

3.1 辨識模型的變量選擇

圖3 DCS系統歷史趨勢圖

3.2 粒子群優化辨識法

Kennedy和Eberhard于1995年提出粒子群優化(particle swarm optimization，PSO)算法，具有并行運算、迭代簡單、收斂速度快和全局最優解等優點[13-15]，圖4為粒子群尋優流程圖。

圖4 PSO流程圖

5）計算種群中每個粒子新的適應度。

7）判斷是否滿足精度和進化代數的要求，若滿足，則跳出循環；若不滿足，則轉至4）繼續執行程序，直到滿足為止。

3.3 數據預處理

系統辨識時，要求數據的統計特性和時間起點無關。由于現場數據中的直流、低頻成分對辨識精度的影響無法消除，因此，需要對現場數據進行初始化[13]。

3.4 數據模型辨識

3.4.1 噴氨調門的線性化分析

為了更好地研究反應器進口噴氨調門的線性關系度，選擇兩側調門切手動的時間數據，即2018年10月05日09:55:00至10:50:00，采樣周期為1s。為更好地研究反應器噴氨流量和噴氨調門開度之間的線性關系，引入線性度的概念，即按照式(23)計算反應器A和反應器B噴氨流量線性度，并繪制出其變化趨勢如圖5所示，并統計相關參數如表3所示。由此可以看出，兩側反應器噴氨流量和噴氨調門開度之間的線性度相對較強，B側較A側更好一些，但是對于細致調節的SCR系統，線性度的影響較大，特別是A側會造成更大干擾，對調節效果的的影響會更大一些。

表3 反應器噴氨調門線性度統計

圖5 反應器噴氨流量線性度

3.4.2 參數環節辨識

1）噴氨調門辨識。

根據分析，為簡化模型，選擇一階慣性環節作為噴氨調門的模型，采用粒子群辨識的方法進行辨識，結果如圖8、9所示，A、B側噴氨調門的辨識函數分別為：

圖7 預處理前后B側噴氨流量和調門開度

圖8 A側噴氨調門辨識結果

2）SCR反應器模型。

辨識參數如式(26)、(27)所示：

圖10 預處理前后A側噴氨流量和出口NOx濃度

圖11 預處理前后B側噴氨流量和出口NOx濃度

圖12 A側SCR反應器辨識結果

圖13 B側SCR反應器辨識結果

式中：為脫硫進口煙NO濃度，mg/m3；A、B為A、B側反應器出口NO濃度，mg/m3；A、B為A、B側噴氨量，m3/h；aivA、aivB為A、B側稀釋風量，m3/h；QA、QB為A、B側噴氨量，m3/h。

4 SCR控制系統優化

根據SCR脫硝控制系統的特點，結合仿人智能控制系統的控制原理，制定出SCR仿人智能控制器的算法設計簡表如表4[16-19]所示。在表中控制系統的誤差=-，采用離散化數字仿真后用e表示的當前采樣時間的數值，表示SCR出口氮氧化物作為設定值，表示SCR出口氮氧化物測定值作為被調量。

圖14 預處理前后脫硫進出口煙氣NOx濃度

圖15 脫硫進出口煙氣NOx辨識結果

表4 仿人智能控制器的算法設計簡表

圖16 A、B側SCR出口NOx濃度

圖17 優化后的脫硝效率

5 結論

本文基于十里泉發電廠330MW燃煤機組的歷史數據，通過智能辨識方法，建立了實用的SCR脫硝系統數學模型，采用工程性強的仿人智能算法，能夠解決現場噴氨調門線性度差、反應時間長和調節滯后等問題，實現SCR脫硝系統的安全和優化運行，不僅帶來較大的經濟效益和社會效益，而且緩解了運行人員操作疲勞，同時也緩解了目前環保方面的壓力，為未來脫硝系統實現更加安全高效的運行提供參考。

圖18 優化后的噴氨量

圖19 優化后的脫硫側煙氣NOx濃度

[1] 葉福南，姚順春，陳耀榮，等．NO濃度分布在線監測系統研發及應用[J]．廣東電力，2019，32(7)：29-36．

[2] 高建強，梁勝瑩．SCR脫硝系統優化及實驗研究[J]．電力科學與工程，2018，34(10)：56-62．

[3] Dolance G，StrmcNik S，PetrovcIC J．NOselective catalytic reduction control based on simple models [J]．Journal of Process Control，2001，11(1)：35-51．

[4] 李剛，胡森，武寶會．基于模糊自適應Smith的SCR噴氨量串級控制系統[J]．熱力發電，2014，43(8)：147-150．

[5] 李泉，尹峰，羅志浩．超臨界機組脫硝系統模型預測控制研究[J]．浙江電力，2016，35(11)：34-36，53．

[6] 鄭志豪．SCR脫硝系統的多模型約束預測控制方法與應用研究[D]．南京：東南大學，2015．

[7] 王婷．模型預測控制在電廠選擇性催化還原脫硝系統中的應用研究[D]．杭州：浙江大學，2015．

[8] Matausek M R，Micic A D．A modified Smith predictor for controlling a process with an integrator and long dead-time[J]．IEEE Transactions on Automatic Control，1996，41(8)：1199-1203．

[9] Harrison C A，Qin S J．Discriminating between disturbance and process model mismatch in model predictive control[J]．Journal of Process Control，2009，19(10)：1610-1616．

[10] 毛劍宏．大型電站鍋爐SCR煙氣脫硝系統關鍵技術研宂[D]．杭州：浙江大學，2011．

[11] 董宸．燃煤電廠SCR脫硝過程的建模與控制[D]．南京：東南大學，2013．

[12] 王勇，東超，林濤，等．基于子空間辨識和增廣模型的煙氣脫硝系統預測控制[J]．熱力發電，2016，45(6)：26-32．

[13] 劉金琨，沈曉蓉，趙龍．系統辨識理論及MATLAB仿真[M]．北京：電子工業出版社，2013．

[14] 李人厚．智能控制理論和方法[M]．西安：西安電子科技大學出版社，2013．

[15] 韓璞．智能控制理論及應用[M]．北京：中國電力出版社，2013．

[16] 李祖樞，涂亞慶．仿人智能控制[M]．北京：國防工業出版社，2003．

[17] Hoang L．Modeling and simulation of electrical drives using MATLAB Simulink and Power SystemBlockset(C)//IEEE Proceeding from Industrial Electronics Society，2007：1603-1611．

[18] 韓力群．智能控制理論及應用[M]．北京：機械工業出版社，2008．

[19] 王繼華．SCR，SNCR和SNCR/SCR煙氣脫硝技術的應用及對比[J]．華電技術，2018，40(6)：68-70，80．

Optimization Study of Denitrification System for 330 MW Coal-fired Thermal Power Unit

SUN Jinlong

(Huadian International Shiliquan Power Plant, Zaozhuang 277100, Shandong Province, China)

At present, the selective catalytic reduction (SCR) flue gas denitrification system in thermal power plants in China has many shortcomings, such as long reaction time, poor control lag and poor linearity of valve, the concentration of nitrogen oxides at SCR outlet fluctuates greatly, which seriously affects the operation of SCR flue gas denitrification system in thermal power plants. In order to solve the above problems, based on the operation status of the SCR denitration system of the power plant, based on the actual control system of the field engineering, combined with the relevant SCR denitration system control theory, by collecting the historical data of the site, on the basis of keeping the actual control algorithm on site unchanged, the intelligent identification method was used to establish the mathematical model of the SCR denitration system, and the engineering human-like intelligent algorithm was used to realize the optimal operation of the SCR denitration system.

thermal power plant；nitrogen oxide; denitrification efficiency; modelling; simulation; optimization

10.12096/j.2096-4528.pgt.19050

2019-04-08。

(責任編輯 楊陽)