火力發電廠脫硫效率與運行參數關聯性分析及優化

齊天然

（陜西棗礦紅墩界煤電有限公司，陜西 榆林 718500）

0 引言

隨著全球對環境保護的日益重視，SO2作為大氣污染物的主要來源之一，其排放控制技術尤其是脫硫技術的研發和應用受到了廣泛關注。火力發電廠在燃燒過程中產生的SO2等酸性氣體，不僅對大氣環境造成嚴重影響，還會導致酸雨等災害性天氣，對人類健康和生態系統構成威脅[1]。因此，提高火力發電廠的脫硫效率，減少SO2排放，是實現能源可持續發展和環境保護的關鍵環節。

本研究目的在于深入分析火力發電廠脫硫塔的脫硫效率與運行參數之間的關聯性，并通過優化算法對運行參數進行優化，以提高脫硫效率。具體而言，本文將首先通過理論分析，確定影響脫硫效率的關鍵運行參數，如鍋爐負荷、煙氣流量、脫硫劑噴射量等。然后對實際運行數據進行處理，建立脫硫效率與運行參數之間的關系模型。在此基礎上，運用遺傳算法、粒子群優化算法等智能優化方法，對運行參數進行優化，以達到提高脫硫效率、降低運行成本的目的。

1 脫硫塔脫硫效率與運行參數關聯性分析

1.1 脫硫效率的影響因素

脫硫效率（η）受多種因素的影響，本研究主要涉及煙氣脫硫系統（FGD），包括脫硫塔、噴嘴、石灰石（CaCO3）供給系統等。脫硫塔的設計和操作條件（如塔內流速、噴霧密度）會影響脫硫效率。石灰石的活性、粒度、噴射速率和分布均勻性都會影響脫硫劑的化學反應效率。煙氣在脫硫塔中冷卻后，通常需要通過煙氣再加熱器（FGRH）升溫以提高鍋爐效率。煙氣溫度的升降會影響脫硫效率。另外，鍋爐的設計和運行狀態會影響煙氣的成分和溫度，從而影響SO2的生成量。鍋爐的負荷變化會影響燃燒效率和煙氣成分，進而影響脫硫效率。

1.2 運行參數的選取

運行參數的選取基于其對脫硫效率的顯著影響和可測量性。煙氣流量（Qf）是指單位時間脫硫塔內煙氣的體積流量，通常以m3/h 計量。脫硫劑噴射量（Dp）是指脫硫塔中脫硫劑的添加量，通常以kg/h 計量。鍋爐負荷（Bp）通常以MW 為單位。這些參數可以通過廠內監測系統實時獲取。

1.3 關聯性分析方法

關聯性分析采用皮爾遜相關系數（r）來衡量變量之間的線性關系強度[2]。相關系數的取值范圍在-1 到1 之間，接近1 或-1 表示強烈的正相關或負相關，而接近0 則表示沒有線性關系。多元回歸分析則用于建立多個自變量與因變量之間的線性關系模型，通過最小二乘法來估計模型參數[3]。模型的擬合度可以通過決定系數（R2）來評估，R2越接近1 表示模型擬合度越高。

1.4 實驗數據收集與處理

在本研究中，數據收集主要來源于分布式控制系統（DCS），該系統負責記錄鍋爐負荷、煙氣流量、脫硫劑噴射量等關鍵運行參數，以及脫硫效率的實際測量值。數據收集時段為發電廠煙氣脫硫系統的工作時段，收集時間約為13 小時，頻率為每分鐘一次，確保了數據的連續性和時效性，最終收集到原始數據756 條。

收集到的原始數據需要進行嚴格的預處理，以確保數據的質量和分析的準確性。預處理步驟包括：

（1）數據清洗：去除異常值和缺失數據。異常值指那些明顯偏離正常范圍的數值，可能由于設備故障或操作錯誤造成。缺失數據可能由于傳感器故障或數據傳輸問題導致。對于異常值和缺失數據，采用均值插補或刪除該時間點的數據等方法進行處理。

（2）數據歸一化：由于不同參數的量綱和數值范圍差異較大，為了使數據具有可比性，對數據進行歸一化處理。歸一化方法采用Min-Max 標準化，將數據縮放到[0，1]區間內。

（3）數據轉換：對于非數值型數據（如燃料成分、石灰石活性等），采用獨熱編碼（One-Hot Encoding）將其轉換為數值型數據，以便于進行數學分析。

預處理后的數據將進行統計分析，以建立脫硫效率與運行參數之間的關聯性模型。統計分析方法包括：

（1）相關性分析：采用皮爾遜相關系數（r）來衡量變量之間的線性關系強度。相關系數的取值范圍在-1到1 之間，接近1 或-1 表示強烈的正相關或負相關，而接近0 則表示沒有線性關系。

（2）多元回歸分析：采用線性回歸模型來分析多個自變量與因變量之間的關系。模型為：

其中，η為脫硫效率，Bp為鍋爐負荷，Qf為煙氣流量，Dp為脫硫劑噴射量，β0為截距，β1、β2、β3為回歸系數，ε為誤差項。

（3）模型評估：通過決定系數（R2）來評估模型的擬合度，R2越接近1，表示模型擬合度越高。同時，采用F-檢驗和p-值來檢驗模型的整體顯著性。

2 脫硫塔脫硫效率與運行參數關聯性分析結果

2.1 脫硫效率與運行參數的關系

通過對實驗數據的統計分析，本研究發現脫硫塔的脫硫效率與運行參數之間存在顯著的關聯性。鍋爐負荷（Bp）與脫硫效率（η）之間存在強正相關關系（r=0.85，p-值= 0.005），而煙氣流量（Qf）和脫硫劑噴射量（Dp）與脫硫效率之間存在負相關關系（r= -0.72，p-值= 0.03 和r= -0.45，p-值= 0.1）。石灰石活性（Ls）與脫硫效率之間的關系不顯著，見表1。

表1 運行參數與脫硫效率相關性分析

多元回歸分析的結果見表2。表2 的回歸系數（β）表示各個運行參數對脫硫效率的影響程度。結果顯示，鍋爐負荷（Bp）的增加會顯著提高脫硫效率，而煙氣流量（Qf）和脫硫劑噴射量（Dp）的增加則會降低脫硫效率。石灰石活性（Ls）對脫硫效率的影響不顯著。

表2 多元回歸分析結果

2.2 結果討論與分析

鍋爐負荷、煙氣流量和脫硫劑噴射量是影響脫硫效率的關鍵運行參數。在鍋爐負荷方面，增加鍋爐負荷會導致煙氣的產生量增加，從而增加了脫硫劑與SO2的接觸機會，提高了脫硫效率。然而，過高的鍋爐負荷也可能導致煙氣溫度的升高，影響了脫硫劑的活性，從而對脫硫效率產生負面影響。

在煙氣流量方面，增加煙氣流量會提高脫硫劑與SO2的接觸時間和反應程度，從而增加了脫硫效率。然而，過大的煙氣流量也會導致脫硫劑的稀釋，減少了脫硫劑與SO2的接觸機會，從而降低了脫硫效率。

在脫硫劑噴射量方面，增加脫硫劑噴射量會提供更多的脫硫劑與SO2反應，從而提高了脫硫效率。然而，過大的脫硫劑噴射量會導致脫硫劑的浪費和成本的增加，同時可能影響脫硫劑的活性。

鍋爐負荷對脫硫效率的影響程度最大，其增加會導致脫硫效率的顯著提高。煙氣流量和脫硫劑噴射量對脫硫效率的影響次之，其增加或減少會直接影響脫硫效率的高低。

3 火力發電廠脫硫運行參數優化方法

3.1 優化目標與方法

本研究優化目標包括：提高脫硫效率，使SO2排放濃度達到國家標準要求；降低脫硫成本，提高發電廠的經濟效益；保證鍋爐設備的安全穩定運行；優化運行參數，提高發電廠的整體環保水平。

本研究采用遺傳算法（GA）和粒子群優化算法（PSO）相結合的方法進行脫硫運行參數的優化。遺傳算法具有全局搜索能力強、不易陷入局部最優解的優點，模型原理如圖1 所示。而粒子群優化算法具有收斂速度快、計算精度高的特點，模型原理如圖2 所示。將兩種算法相結合，可以充分發揮各自的優勢，提高優化效果。

圖1 遺傳算法模型圖

圖2 粒子群算法模型圖

3.2 優化過程與步驟

（1）參數設置：根據脫硫塔的實際運行情況，選取影響脫硫效率的關鍵運行參數，如鍋爐負荷、煙氣流量、脫硫劑噴射量等。設置合理的參數范圍，以便在優化過程中進行搜索。

（2）模型建立：建立脫硫效率與運行參數之間的數學模型，如多元線性回歸模型、神經網絡模型等。通過實驗數據訓練模型，得到模型的參數估計值。

（3）求解：采用遺傳算法和粒子群優化算法對模型進行求解。首先，利用遺傳算法進行全局搜索，得到一組較優的運行參數組合；然后，采用粒子群優化算法在遺傳算法的基礎上進行局部搜索，提高優化精度。

（4）適應度評價：根據實際運行數據，對優化結果進行適應度評價。選取評價指標，如脫硫效率、脫硫成本等，計算適應度值。

（5）迭代優化：根據適應度評價結果，對運行參數進行調整，繼續進行遺傳算法和粒子群優化算法的迭代計算，直至滿足優化目標。

3.3 優化結果與分析

經過多次迭代優化，得到了一組較優的運行參數組合。優化后的運行參數如下：鍋爐負荷為500 MW；煙氣流量為180000 m3/h；脫硫劑噴射量為1900 kg/h。相應地，脫硫效率得到了顯著提高，從優化前的90%提高到優化后的98%。同時，脫硫成本降低了約15%。

4 結論

通過對火力發電廠脫硫塔的脫硫效率與運行參數的關聯性分析及優化研究，得出結論：脫硫效率與運行參數之間存在一定的關聯性，通過合理的運行參數調整可以提高脫硫效率；采用遺傳算法和粒子群優化算法相結合的方法對運行參數進行優化，能夠有效提高脫硫效率，降低脫硫成本；優化后的運行參數組合具有較高的脫硫效率，滿足國家標準要求，同時降低了脫硫成本，提高了發電廠的經濟效益。