人工智能技術在脫硫智能供漿控制系統中的應用與研究

文_陳曉雷 毛國明 高峰 吳長生 謝勇

1.福建龍凈環保股份有限公司 2.華能國際電力股份有限公司玉環電廠

燃煤電廠脫硫吸收塔煙氣反應是一個大滯后、慢動態的典型化工過程，鍋爐負荷及煙氣量、煤質中硫份、煙氣溫度、煙塵濃度、吸收劑品質等參數的動態變化，需要實時給出精準的供漿量，過低容易造成排放口SO2濃度超標，過高則導致物料成本上升，這給脫硫供漿控制系統帶來了很大挑戰。

常規供漿系統是基于pH 值的PID 控制，它以吸收塔漿液pH 值與預設目標值之間的偏差進行固定比例P、積分I 和微分D 的策略調整。此方式被廣泛應用并沿襲至今，但pH值的測量帶有較為明顯的滯后和失真特性，將嚴重限制控制效果。

目前國內外已經開展了多種燃煤電廠脫硫優化控制研究。一些電廠通過濕法煙氣脫硫吸收塔漿液和石膏工藝參數進行優化，以降低系統運行風險。國家電投集團河南電力在某百萬機組的濕法煙氣脫硫石灰石供漿控制器上，以排放口SO2濃度為被控量，通過改進的串級前饋反饋控制策略，實現了石灰石供漿的最優化控制。該試驗研究雖然取得了一些成果，但主要還是基于PID 優化加預測控制補償的方式，缺乏對脫硫工況特性的深入挖掘，無法實現精準閉環控制。

本文提出了新型脫硫供漿智能控制系統，應用人工智能技術，從影響煙氣SO2脫除的各種工況歷史數據中找尋本質關聯，將傳統pH 值控制的機理穩定性和排放口SO2濃度控制的實時安全性進行有效結合，成功在玉環電廠應用并取得良好的節能控制效果。通過投運前、后運行數據的統計和分析發現，系統可以有效解決脫硫工藝存在的大滯后和慢動態時變特性，避免了因PID 供漿調節造成的排放口SO2濃度大幅波動或手動供漿造成的人力、能源和物料的浪費，具備良好的實用價值。

1 脫硫工藝簡介

根據《火電廠大氣污染物排放標準》（GB13223-2011），二氧化硫排放濃度不能大于35mg/Nm3，是重要的環保考核指標之一。國內燃煤電廠脫硫工藝以濕法為主，市場占有率達到80%以上。它主要采用石灰石-石膏法，通過公共的石灰石制粉系統制成石灰石漿液，通過供漿系統將其輸送到吸收塔，在吸收塔內通過噴淋霧化使其與煙氣接觸，從而達到脫硫的目的。供漿系統具有漿液調節閥，控制流入吸收塔的漿液流量大小，最終控制吸收塔pH 值和脫硫效率。

2 脫硫供漿智能控制系統

2.1 原理概述

本文所述系統，針對濕法脫硫工藝的復雜性，特別是大機組大容量大滯后的特點，利用機器學習等人工智能技術，建立數據驅動控制方案。以排放口SO2濃度為控制指標，根據運行參數、pH 值、物料平衡等動態參數的深入分析，建立持續優化的動態控制模型，實現脫硫漿液量自動控制，降低能源、物料的消耗。

2.2 技術路線

2.2.1 數據采集與處理

為了實現脫硫智能供漿，達成排放口SO2濃度的閉環控制，系統必須具有與DCS 實現雙向、安全的通信功能。DCS 系統在空閑卡槽插入LC通訊卡，增加RS485 轉換232 雙向通訊器與人工智能服務器通訊。DCS 組態數據采集點，采用MODBUS 協議實現雙向通訊協議。通過Ocation DCS 控制器LC 卡→RS485轉232 通訊雙向轉換器與人工智能服務器通訊，進而完成模型訓練和推理。

2.2.2 模型建立與接入

本文所論述的基于數據驅動的智能控制系統，包括了基于長歷史數據的精準控制模型和基于短歷史數據的動態補償模型。它以海量工況數據下排放口SO2濃度與漿液量的關聯特性為依據，構建主控制模型，并結合分鐘級時間序列的鍋爐負荷等關鍵指標變化，進行動態控制補償。通過工藝和數據特性的深度融合，解決脫硫工藝存在的非線性、滯后性和緩慢時變性，具有良好的魯棒性。

（1）基于長歷史數據的精準控制模型

數據質量決定了模型能力上限，但脫硫存在較為嚴重的數據質量問題。由于脫硫的存漿特性，使得溶液罐已有溶液的酸堿成分嚴重干擾新漿液見效的實時性和正確性。具體來說，前一時段供給的漿液大于煙氣SO2脫除的量，多余漿液就遺留在溶液罐中，后續即便供給少量漿液或直接不供給，短期煙氣SO2也會被遺留在溶液罐中的漿液脫除；反之問題同樣存在。基于上述工藝特性，相當一部分歷史工況數據對應的排放口SO2濃度和漿液量無法形成有效關聯性，致使傳統建模方案不盡人意。

針對上述問題，本文創造性地提出了干擾數據識別方案，以程序判斷調整漿液后一定時間窗口的排放口SO2濃度有無合理反應來定性數據質量，時間窗口2 倍于脫硫工藝滯后周期。以5min 為例，增加漿液后5min 排放口SO2濃度從上升狀態轉為平穩或下降，或者減小漿液后5min 排放口SO2濃度從下降狀態變更為平穩或上升，即為合理反應。否則視為干擾數據進行剔除，其判定邏輯如下：

接著，以剔除干擾后的高質量歷史數據為基礎，選取鍋爐負荷、入口SO2濃度、排放口SO2濃度、入口煙氣量、漿液密度、pH 值指標等作為模型輸入，對應的漿液量作為模型輸出，應用多層神經網絡BPNN 算法，構建不同工況下的細化分類結果，得到精準控制主模型g，其數學方程式如下：

（2）基于短歷史數據的動態補償模型

為了解決鍋爐負荷和入口SO2短時快速升降導致排放口SO2濃度的劇烈波動問題，控制系統增加了優化補償方案，選取分鐘級時間窗口的歷史鍋爐負荷Boiler_load、入口SO2濃度SO2_in、排放口SO2濃度與目標設定值偏差SO2_out_gap 的時序數據作為模型輸入，真實漿液量與主模型g 輸出的預測漿液量偏差SL_gap 作為模型輸出，應用動態時序網絡RNN 算法，構建高變化工況下排放口SO2濃度偏差的漿液量動態補償模型q，其數學方程式如下：

2.2.3 系統集成

通過在DCS上配置邏輯組態，系統輸出的優化漿液值即可實時下發到DCS 執行單元。為確保系統接入后DCS 系統本身的安全性，應用了網絡隔斷和智能服務器USB 接口禁用等防護措施。然后通過在DCS 組態上設置接入開關，即可實現系統與DCS 之間的雙向無擾切換，同時增設排放口SO2濃度目標值的輸入框，方便運行人員根據實際需求進行靈活調整。

3 應用成效

3.1 系統投入運行，輸出最優化漿液量

本文所述系統已在實際投入過程中達到了良好的效益。安全性上，系統降低了排放口SO2濃度的波動，小時均值標準方差下降30%以上，鍋爐負荷段排放口SO2濃度可控制在設定值±5mg/Nm3，升降負荷段為±10mg/Nm3；經濟性上，系統可在確保排放口SO2濃度滿足環保考核要求下，實現石灰石消耗量的最小化。

①投入和未投入使用系統，從對應的排放口SO2曲線可以明顯看出，系統可以使排放穩定在目標設定值附近。如圖1 所示。

圖1 系統投入前后對比圖

②鍋爐負荷快速變化時段，系統同樣能夠快速應對，排放口SO2濃度始終穩定在目標設定值15 附近波動，均值為14.31mg/Nm3，標準方差為2.04，比投運前的標準方差下降30%以上。如圖2 所示。

圖2 系統投入效果圖

3.2 優化漿液泵循環組合，降低設備電耗

通過深度神經網絡等人工智能算法，在合理的時機推薦最優漿液循環泵組合，在吸收塔pH 值和環保指標在合理范圍的情況下，盡可能降低設備電耗。

3.3 降低運行工作強度，實現無人值守

通過關鍵指標可視化和高亮顯示，實時展現設備運行狀態，為操作人員提供準確的判斷依據。良好的控制品質實現了較大程度的機器代人，減輕了運行人員的工作強度，根據實際情況可適當降低人員數量。

3.4 系統產生的經濟及社會效益

本文采集了系統穩定運行后，自2019 年10～11 月之間的二十多萬條數據，經分析發現，系統投運后相較于投運前，脫除每公斤SO2的石灰石量減少0.12kg。如表1 所示。

表1 DPMA與DFT算法的性能比較

4 結論與建議

隨著環保要求日趨嚴格，常規的控制系統無法滿足機組脫硫裝置的排放口SO2閉環控制需求。如何實現脫硫脫硝以及除塵系統安全、環保和經濟效益，是具有實際意義的課題。

脫硫智能供漿控制系統通過實際接入DCS 脫硫控制一區，運用人工智能技術，實現了排放口SO2的高效閉環控制，既確保了排放達標，又實現了節能降耗，同時大大降低運行人員的勞動強度，是一次有意義的探索。系統采用的技術通用性強，同樣適用于國內大部分地區的脫硫系統優化建設，具有良好的復制性。

人工智能還支持關鍵設備的故障診斷和節能優化，結合優化控制將形成覆蓋電廠脫硫全過程的智慧管控平臺，促進信息、設備和人力資源的開發利用，最終實現電廠安全、高效、綠色、低碳的發電。