火電廠煙氣脫硝控制系統中的噴氨量優化建模與仿真

肖軍

摘要：針對傳統PID控制方法不能精確控制噴氨量的問題，利用Langmuir和Eley-Rideal搭建SCR機理模型，然后構建基于混沌粒子群算法（CPSO）的氨氮濃度預測控制模型，以優化SCR系統的噴氨量，最后利用MATLAB比較傳統PID和CPSO兩種噴氨量控制優化的優劣。結果表明：CPSO預測控制模型對噴氨量具備更高的精確度、較好的魯棒性，可在很大程度上減少氨氣的逃逸率。關鍵詞：煙氣脫硝;SCR系統;CPSO;逃逸率;魯棒性

中圖分類號：TK39 文獻標識碼：A 文章編號：1001-5922（2022）07-0089-04

Optimal modeling and simulation of ammonia injection in flue

gas denitration control system of thermal power plant

XIAO Jun

（Jiangsu Power Design Institute Co.， Ltd.， China Energy Engineering Group， Nanjing 210036， China）

Abstract：Aiming at the problem that the traditional PID control method can not accurately control the amount of ammonia injection， both Langmuir and Eley-Rideal methods were used to construct a mechanistic build-up of SCR. Then， the ammonia nitrogen concentration predictive control model based on Chaotic Particle Swarm Optimization （CPSO） is constructed to optimize the ammonia injection amount of SCR system. Finally， MATLAB is used to compare the advantages and disadvantages of traditional PID and CPSO. The experimental results show that the CPSO prediction and control model has higher accuracy to the ammonia injection amount and better robustness， which can greatly reduce the escape rate of the ammonia gas.Key words： flue gas denitration; SCR system; CPSO; escape rate; robustness

SCR脫硝系統作為火力發電環保的主要組成部分，對減少火力發電煙塵中的有害氣體具有關鍵的作用。但一直以來，如何改善和提高SCR脫硝系統污染氣體排放控制的效果，是探討的重點和熱點。針對該問題，有學者對脫硝系統的不足之處進行分析后，提出了基于KPCA和模糊樹模型的SCR脫硝模型，并通過實驗驗證該新控制模型對火電廠氨氮氧化物排放具備較好的控制效果[1];通過GA-GRNN數據挖掘技術對SCR脫硝系統進行了優化和實驗，結果表明，優化的控制系統將反應器出口NO的濃度分布偏差從133%降低至32%，很大程度上提高了SCR脫硝系統控制精確率[2];以氨逃逸濃

-

度為研究對象，利用神經網絡模型對傳統SCR控制模型進行改進，通過實驗證明優化的控制模型將氨逃逸質量濃度降低了2.79 μL/L，提高了系統脫硝效果和系統的魯棒性[3];結合SCR脫硝系統的非線性、大慣性等特點，提出了基于自適應慣性權重粒子群優化算法對傳統脫硝系統進行改進，建立SCR反應機理和控制模型，并通過實驗證明，改進模型可精準調控反應器出NO的濃度和氨逃逸濃度，顯著提升脫硝系統控制的準確性[4]。依據以上結果，結合課題需求嘗試引入Langmuir和Eley-Rideal算法改進基于神經網絡的SCR脫硝系統，構建基于神經網絡的氨氮濃度預測控制模型，并通過火電廠SCR脫硝系統的實際數據進行仿真實驗，驗證改進模型對系統噴氨量控制精確度和降低氨逃逸率的效果。

1SCR脫硝系統原理

選擇性催化還原（SCR）是目前火電廠使用最為廣泛的煙氣脫硝方法[3]。如圖1所示，SCR煙氣脫硝基本原理：在溫度300～400 ℃時，利用催化劑和還原劑將煙氣中的氮氧化物進行還原，最終形成無污染的N和HO。較為常用的還原劑包括CH、H、CO和NH等，其中將氨作為還原劑的SCR技術相較于其他脫硝技術來說更為完善、脫硝效率相對更好。

2基于模型預測的噴氨量控制優化

2.1SCR系統機理模型

2.2基于CPSO的氨氮噴量優化控制

3試驗驗證

3.1傳統PID控制結果

由圖2可知，主回路可直接對出口氮氧化物濃度進行調節，副回路則對SCR脫硝系統噴氨量進行控制[9]。回路中噴氨量即為NO真實值和標準值兩者間的差，主回路的噴氨量值即為副回路標準值[10]。副回路對該出口氧化物濃度標準值進行追蹤，快速高效的捕捉到噴氨量，從而進一步提升SCR系統的精確度。2個路線中， PID 控制器主要通過比例+積分和單一比例方式對噴氨量進行控制。

3.2基于CPSO的噴氨量控制仿真

由圖6和圖7可知，PID 控制時SCR的脫硝率最大達到 63%，SCR 出口NO濃度最大值為60 mg/m，相較于預測模型，優化后的神經網絡模型的最低脫硝率為88%，脫硝率更高，且優化后的SCR出口NO濃度最大值為32.4 mg/m。

4結語

本研究構建的神經網絡預測控制模型相較傳統PID 控制方法，脫硝率從63%提高到88%，表明改進系統的噴氨量精確度更高;優化后SCR 出口NO濃度明顯降低，下調了2.2%。間接輔助系統優化后的脫硝效率更高，驗證了優化系統的噴氨量和控制魯棒性精度更高，很大程度能減少氨氣逃逸，證明了本研究構建的脫硝控制系統可行性和有效性。

【參考文獻】

[1]李海軍，夏靜，史恒惠，等. 基于KPCA和模糊樹模型的火電廠SCR脫硝系統建模[J]. 自動化技術與應用，2020，39（1）：21-25.

[2]溫鑫，錢玉良，彭道剛，等. 基于GA-GRNN數據挖掘的SCR脫硝系統建模優化研究[J]. 上海電力大學學報，2020，36（2）：161-167.

[3]郭磊，劉艇安，王靚，等. 600 MW燃煤機組脫硝系統噴氨優化調整效果分析[J]. 電力科技與環保，2022，38（1）：49-55.

[4]張萍，李明輝，陳倩. 廢液焚燒爐SCR脫硝系統的建模及其預測控制[J]. 陜西科技大學學報，2021，39（5）：167-173.

[5]王天堃. 基于神經網絡模型及預測控制DMC的火電機組脫硝控制策略[J]. 中國電力，2019，52（12）：140-145.

[6]馬增輝，徐慧儀，朱潤潮. SCR煙氣脫硝系統魯棒抗干擾控制研究[J]. 控制工程，2020，27（1）：114-120.

[7]馬增輝，徐慧儀，朱潤潮. 基于互信息和PID神經網絡的SCR脫硝擾動補償控制[J]. 熱能動力工程，2020，35（5）：281-288.

[8]朱峰，郭旭升，黨博文，等. 脫硝噴氨系統建模及控制算法研究與應用[J]. 電工技術，2020（17）：157-161.

[9]蔣政. 330 MW燃煤火電機組SCR煙氣脫硝系統的優化分析[J]. 中國新技術新產品，2020（18）：90-91.

[10]張詞秀，張詞赟. 節能減排背景下火電廠SCR煙氣脫硝系統建模與分析[J]. 河北農機，2020（11）：?25-26.