基于現場數據的NOx濃度預測

羅玉康，朱曙光，巨克珺

（南京理工大學，南京 210094）

氮氧化物以多種不同的形式存在于大氣中，包括NO、NO2、N2O、N2O3、N2O4和N2O5等，簡 稱NOx。大氣污染物中的NOx百分之九十以上來源于化石燃料（如煤、天然氣和石油等）的燃燒過程，其中煤的燃燒產生的NOx占70%以上[1-2]。而燃煤在我國的能源消耗結構中占很重要的比重，燃煤造成的大氣污染較為嚴重[3]。這些年國家對NOx的排放標準越來越嚴格，而且還頒布了火電污染物排放相關的標準和規范[4]。NOx減排任務與燃煤電廠的脫硝有著很大關系，SCR 催化還原法是脫硝效率最高的脫硝技術[5]。目前采用SCR 脫硝系統的電廠大部分采用PID 控制噴氨量，當機組處于穩定的工況時，噴氨量可以控制的很好。但是在系統處于變工況的條件下，其噴氨控制會出現大滯后性現象，不能保證最佳的噴氨量，從而造成氨逃逸率增大，使得NOx的脫除效率達不到預期要求，電廠脫硝運行成本增大。因此，如果能根據SCR 入口相關的參數提前預測入口和出口的NOx濃度，就可以噴出相應的氨氣量，提升脫硝效率。

BP 神經網絡從給定的輸入和輸出數據中提取相關信息，以適應任意復雜形式的非線性系統[6]。針對目前火力發電廠脫硝系統的現存問題，利用BP 神經網絡對SCR 脫硝系統進行模型構建，并對數據進行預處理后，結合現場實測數據進行重復的訓練和測試。結果表明基于現場數據構建的SCR 脫硝系統預測模型是可靠的，能夠準確反映出SCR 系統入口和出口的NOx實際變化情況。

1 研究對象

本文以安徽某電廠600 MW 的發電機組的SCR 脫硝系統A 側煙道為對象進行研究。現場采集的數據為機組負荷、煙氣溫度、流量、總的磨煤機出力、總風量、入口NOx濃度以及出口NOx濃度。

2 脫硝過程影響因素及分析

SCR 脫硝過程的影響因素有很多，主要包括機組負荷、煙氣流量、煙氣溫度、總的磨煤機出力、總風量和噴氨量等[7-8]。

2.1 機組負荷

鍋爐負荷變化時會造成爐膛溫度、爐膛內氧濃度、過量空氣系數和各個磨煤機出力等因素的改變，從而影響催化劑層入口NOx的生成量和濃度。

2.2 煙氣流量

實際脫硝過程中，可通過測定煙氣流量值和入口表面的NOx濃度值來相應調節SCR 脫硝反應器NH3的噴入量，所以煙氣的流量值也會對最終出口NOx的濃度產生影響。

2.3 煙氣溫度

煙氣的溫度是影響催化劑運行的重要因素，不僅決定反應物的反應速度，而且決定催化劑的反應活性，對脫硝效率的影響比較明顯，影響出口的NOx濃度。

2.4 總的磨煤機出力

磨煤機直接影響鍋爐燃燒時煤的總量與細度，磨煤機出力大，則進入鍋爐中燃燒的總煤量多，生成的NOx自然也多。磨煤機的組合方式也會影響鍋爐中煤的燃燒，不同磨煤機對應燃燒器的位置不同，而且燃燒狀態存在差異，因此不同的磨煤機組合方式也會影響NOx的濃度分布。

2.5 總風量

鍋爐總風量主要以一次風量和二次風量為主，通常需控制一次風量與二次風量的比例處于一定的范圍內，例如通過控制一次空氣系數實現低氮燃燒，因此總風量也與NOx排放量緊密相關。

2.6 噴氨量

脫硝率的大小主要受噴氨量的影響，噴氨量的增加會降低出口NOx的濃度，但考慮到實際脫硝系統運行的經濟性，需要根據入口的NOx濃度來嚴格控制噴入的NH3量，因此噴氨量與入口NOx濃度有著很強的相關性。

3 BP 神經網絡的建模

3.1 BP 神經網絡輸入輸出參數的選取

由于機組負荷、磨煤機總的出力及總風量決定鍋爐的燃燒過程，燃燒形成的煙氣流量和溫度會影響SCR 的脫硝效果，電廠的噴氨量跟隨入口NOx濃度和出口NOx濃度變化，其控制邏輯已確定，故本文選取機組負荷，磨煤機總的出力、總風量、煙氣流量和煙氣溫度為BP 神經網絡的輸入參數，入口NOx濃度和出口NOx為輸出參數，對SCR 脫硝進行預測。

3.2 數據的選取

本文的數據均采集安徽某電廠600 MW 機組一天中的運行參數，每隔5 s 得到一個數據樣本。為了使脫硝系統的神經網絡模型建立的更加精確，所選取的數據應包括多個穩定工況和多個動態工況。考慮到該電廠的噴氨量由入口NOx濃度和出口NOx濃度確定，本文選取入口NOx濃度為代表。圖1 為電廠的實際原始采集數據，對采集到的數據進行分析，本文選取了凌晨1 點至5 點30 分的數據，共3 250 個樣本，其中穩定負荷區域為400 MW 和580 MW 附近，變負荷區域為400 MW～580 MW 上升和下降兩個區間和其它負荷區間。

從圖1（a）、（b）、（d）、（e）可看出，在變負荷工況下，機組負荷與煙氣流量、總的磨煤機出力以及總風量有著明顯的一一對應關系，即當機組負荷一直增加或一直減小時，煙氣流量、總的磨煤機出力以及總風量也會隨之增加或減小。從圖1（a）、（c）、（f）、（g）可看出機組負荷與煙氣溫度、入口NOx濃度、出口NOx濃度對應關系不明顯。

圖1 電廠的實際原始采集數據

3.3 數據的預處理

數據的預處理也叫數據的歸一化，引入歸一化是由于在不同評價指標中，量綱或量綱單的單位往往不同，為了排除特征數據之間的量綱影響，則需要進行歸一化處理，以解決特征指標之間的可比性，原始數據經過歸一化處理后，各指標處于同一數量級。將原始數據帶入公式（1），經過預處理后的輸入和輸出值都限定在[- 1,1]區間內。

3.4 神經網絡結構的確定

本文建立的SCR 反應器的BP 神經網絡預測模型結構圖如圖2 所示，將機組負荷、煙氣流量、煙氣溫度、磨煤機總的出力和總風量作為輸入值，將入口NOx濃度和出口的NOx濃度作為輸出值，隱含層的節點數為12。其中隱含層的節點數K是根據經驗公式（2）和試湊法得到。

式（2）中，m和n分別為輸入和輸出的神經元個數，為1～10之間的常數。

圖2 SCR 反應器的BP 神經網絡預測模型結構圖

本文從3 250 個經過預處理的樣本中抽取2 600 個樣本作為訓練樣本，剩余的650 個樣本作為測試樣本。為了使抽取的訓練樣本和測試樣本能夠覆蓋所有工況，抽取的原則為：把這3 250 個樣本按順序分為650 個小組，每個小組中有5 個樣本，從每個小組中隨機抽取4 個樣本作為訓練樣本，剩余的1 個樣本作為測試樣本。圖3 為經過神經網絡訓練后生成的性能誤差曲線，最終本模型訓練至86 個步長周期后，確認樣本數據的輸出誤差連續6 次上升，結束訓練；經過92 個訓練步長結束訓練，確認樣本數據的誤差為4.43×10-3。

4 仿真驗證

圖3 神經網絡訓練后生成的性能誤差曲線

將剩余的650 組經過預處理的數據樣本進行BP 神經網絡測試，用來驗證BP 神經網絡預測模型的準確性。圖4 和圖6 分別為網絡預測輸出與實際入口的NOx值和網絡預測輸出與實際的出口NOx值。圖5 和圖7 分別為網絡預測輸出與實際入口NOx值的誤差和網絡預測輸出與實際的出口NOx值的誤差。從圖4 和圖6 可以看出，網絡的輸出和實際輸出的NOx值重合，整體趨勢的變化也基本一致，能夠達到建模的要求。從圖5 和圖7 可以看出，預測模型的輸出與實際輸出的誤差很小，其中網絡輸出與實際入口NOx值的最大誤差為14 mg/m3，折算成相對誤差約為2.9%。網絡模輸出與實際出口的最大誤差為2.3 mg/m3，折算成相對誤差約為2.6%，表明所建的BP 神經網絡模型具有較高的精度。綜上所述，基于現場數據所建立的BP 神經網絡預測模型能夠及時反映脫硝系統的動態特性，具有一定的工程應用價值。

5 結語

（1）本文選用安徽某熱電廠600 MW 機組的SCR 脫硝系統采集的數據，以機組負荷、煙氣溫度、煙氣流量、磨煤機總的出力和總風量為輸入變量，以入口的NOx濃度和出口NOx濃度為輸出變量，建立BP 神經網絡預測模型，其訓練樣本的誤差控制在4.43×10-3左右。

（2）通過仿真驗證，預測模型的輸出與實際輸出的NOx值誤差很小，其中神經網絡預測入口NOx值的最大誤差為14 mg/m3，折算成相對誤差約為2.9%，預測出口NOx值的最大誤差為2.3 mg/m3，折算成相對誤差約為2.6%，表明該模型能夠提前預測出SCR 入口和出口NOx濃度的變化，說明基于現場數據建立的BP 神經網絡預測模型可用于工程應用。

（3）從圖6 可看出該電廠的SCR 脫硝系統出口排放的NOx濃度的均值已經超出環保部門規定的50 mg/m3，若將本文的預測模型用來提前預測入口和出口NOx濃度值，可指導噴氨量的調節，有望降低出口NOx的濃度值，提高SCR脫硝系統的脫硝效率。

圖4 網絡預測輸出與實際入口的NOx 值

圖5 網絡預測輸出與實際入口NOx 值的誤差

圖6 網絡預測輸出與實際的出口NOx 值

圖7 網絡預測輸出與實際的出口NOX 值的誤差