CN104826492A - 一种选择性催化还原法烟气脱硝喷氨控制系统的改进方法 - Google Patents

Abstract

本发明提供一种选择性催化还原法烟气脱硝喷氨控制系统的改进方法，在原有烟气脱硝喷氨控制系统中引入优化控制站。在优化控制站模块中，引入影响燃煤锅炉NOx生成量的参数和原有PID控制器输出喷氨量控制信号，动态神经网络，利用输出敏感度法构建隐含层神经元，综合学习PID控制器和引入的参数，根据PID控制器的输出量以及引入的影响锅炉NOx生成量的参数综合计算形成动态补偿控制量。脱硝喷氨量控制逻辑中，原有PID控制器作为主控制器，将动态神经网络喷氨量预测控制器作为修正控制器，得到最佳喷氨量的调节量，促进脱硝系统可靠、经济运行。

Description

一种选择性催化还原法烟气脱硝喷氨控制系统的改进方法

技术领域

本发明属于烟气脱硝技术领域，具体涉及一种选择性催化还原法烟气脱硝喷氨控制系统的改进方法。

背景技术

选择性催化还原(SCR)烟气脱硝技术是目前世界上应用最多且最有成效的烟气脱硝技术。该技术的原理是在催化剂的作用下，喷入氨气把烟气中的NOx还原为N₂和H₂O，还原剂以液氨为主。SCR烟气脱硝系统主要由脱硝反应器、液氨储槽、氨喷射器、混合器、氮氧化物监测装置和控制系统等组成，安装于锅炉省煤器与空气预热器之间的烟道上。脱硝系统运行中，液氨经蒸发器蒸发为氨气，与空气均匀混合后，根据烟气中NOx的量，由喷氨流量控制系统计算出喷氨需求量，控制喷氨阀的开度，从SCR反应烟道前的喷氨格栅管路上的喷嘴喷出，和锅炉烟气均匀混合后，流经SCR反应器催化剂层并进行化学反应，完成脱硝过程。

脱硝控制系统的关键任务是控制喷入烟气中的喷氨量。喷氨量及其控制方式直接关系到燃煤电站锅炉脱硝效率、NOx排放浓度及氨逃逸率等指标。喷氨量不足会导致脱硝效率低，出口NOx排放浓度不能满足国家规定允许的要求。喷氨量过高，不仅导致运行成本增高，而且增加了硫酸铵和硫酸氢铵的生成，硫酸铵和硫酸氢铵的沉积又会减少催化剂的寿命和引起堵塞等一系列问题。

脱硝系统喷氨量的控制方式主要有固定氨氮摩尔比控制方式和出口NOx定值控制方式两种。固定氨氮摩尔比控制方式是利用进口NOx浓度与烟气流量相乘得到NOx含量信号，该信号与NH₃/NOx摩尔比K(0.7～1.3之间)相乘得到所需基本喷氨量，再根据出口NOx含量反馈回来修正需喷入的氨量值，经PID(比例-积分-微分)控制器运算后发出调节阀开度指令，控制喷氨流量。该控制方式易造成过度脱氮，难以控制氨气的逃逸量，增加了运行成本和二次环境污染。出口NOx定值控制方式是设定出口NOx浓度值，根据入口NOx实际测量值计算出预脱硝效率和预置摩尔比。预置摩尔比作为摩尔比控制器的基准来输出，出口NOx实际测量值与出口NOx设定值进行比较后通过PID调节器的输出作为修正，最终确定控制系统当前需要的摩尔比值。该控制方式的摩尔比是个变值，氨氮摩尔比与反应器SCR出口NOx值以及锅炉负荷相对应。

现有喷氨量控制方式严重依赖NOx浓度的测量值，现有仪表在测试烟气中NOx时，NOx分析仪反馈会延迟1-2分钟，具有较大的时滞性，一旦烟气中NOx浓度发生变化时，喷氨量得不到及时调整。烟气中的NOx的生成量与燃烧煤种、机组负荷、机组运行条件等密切相关。尤其现有燃煤机组的负荷变化率通常设置较高，受电网负荷分配的影响，机组负荷大幅波动(短时间内负荷变化50MW以上)时，锅炉侧一次风压、烟气通流量等影响脱硝系统运行的参数也会随之大幅波动。烟气中NOx生成量会发生相应变化，烟气在烟道中快速流动，NOx的排放浓度是连续变化的，由于反馈信号的延迟，使得NOx的测定值与实际值存在一定的偏差。在催化剂作用下的脱硝反应由于受各种条件的影响，其反应特性具有很强的复杂性，使得SCR脱硝喷氨量控制系统具有非线性。由于测量信号的滞后、煤种的变化和负荷的波动等使得SCR脱硝系统存在大滞后性和强非线性，传统PID喷氨量的设计是按照最高负荷确定的喷氨量，一旦运行工况发生变化，会导致实际喷氨量和理论喷氨量严重不一致。喷氨量过少时，难以保证NOx排放标准；喷氨量过多时，容易造成过量NH₃逃逸，不仅造成了氨的浪费，且造成二次污染。

因此，脱硝喷氨控制系统在变工况条件下运行，要求对SCR脱硝过程中的控制系统进行优化设计，解决现有脱硝喷氨控制系统呈现的非线性、大滞后性，在保证设计的脱硝率同时，尽可能降低喷氨流量，使脱硝系统可靠、经济运行。

发明内容

由于现有烟气中NOx测量信号的滞后、煤种的变化和负荷的波动等使得SCR脱硝系统存在大滞后性和强非线性，本发明的目的在于解决传统PID喷氨量的设计中存在的喷氨量和理论喷氨量严重不一致的问题。

本发明提出在现有PID控制系统中设置优化控制站，在优化控制站模块中引入动态神经网络喷氨量预测控制系统，建立脱硝效率与入口NOx浓度、氨气逃逸量、机组负荷、燃烧温度、燃煤量、送风量、煤质特性、过量空气系数等烟气状态量之间的预测模型，优化喷氨量的控制。将监测得到的锅炉运行信号引入控制系统，通过模型运算预测出由于NOx生成量变化引起的喷氨流量变化，对燃煤烟气中NOx生成量波动现象进行相应补偿。该网络的结构简单、学习速率快，且具有很好的并行计算能力和较好的非线性映射能力，可以提高系统控制的稳定性和及时性。本发明提供的SCR烟气脱硝控制系统采用出口NOx定值控制方式，根据实测出口NOx浓度与目标出口NOx浓度间的差值，在现有PID控制系统基础上加入预测控制系统模块，在预测控制系统模块中引入入口NOx浓度、氨气逃逸量、机组负荷、燃烧温度、燃煤量、过量空气系数等烟气状态参数的修正，调节喷氨量，以实现最终排放浓度满足设计要求。动态神经网络喷氨量预测控制系统包括预测控制器和原PID控制器，其中，预测控制器作为修正控制器。动态神经网络预测控制器综合学习烟气重要状态参数，利用敏感度学习算法来确定隐含层结构，预测喷氨流量。原PID控制器作为主控制器，其输出量被引入到动态神经网络喷氨量预测控制器中，根据主控制器的输出以及其它影响脱硝效率的因素综合形成动态补偿控制量。本发明可克服现有脱硝控制系统的非线性和滞后性，提高系统的脱硝效率和变工况的适应能力，减少氨气逃逸量。动态神经网络预测控制喷氨量控制图如图1所示。

本发明提供一种选择性催化还原法烟气脱硝喷氨控制系统的改进方法，其特征在于：在烟气脱硝喷氨控制系统中引入优化控制站，在原有烟气脱硝喷氨控制系统中引入优化控制站。在优化控制站模块中，引入影响燃煤锅炉NOx生成量的参数和原有PID控制器输出喷氨量控制信号，利用输出敏感度法构建隐含层神经元，综合学习PID控制器和引入的参数，根据PID控制器的输出量以及引入的影响锅炉NOx生成量的参数综合计算形成动态补偿控制量。脱硝喷氨量控制逻辑中，原有PID控制器作为主控制器，将动态神经网络喷氨量预测控制器作为修正控制器。

进一步，所述影响锅炉NOx生成量的参数包括脱硝反应器进口烟气NOx含量z(t)、氨氮摩尔比η(t)、燃烧温度T₁(t)、反应器入口温度T₂(t)、反应器出口烟气NOx含量y(t)、锅炉实时负荷L(t)、过量空气系数α(t)、燃煤量B(t)、煤质特性Q(t)、送风量A(t)、逃逸NH₃浓度C(t)和原PID控制器的输出量u1(t)。

进一步，所述脱硝喷氨量控制系统将所述原有PID控制器的输出量u1(t)与动态神经网络预测喷氨量控制器的输出量u2(t)加权求和，得到最终喷氨量u(t)。

进一步，所述隐含层神经元的个数是24。

进一步，利用输出敏感度法计算隐含层神经元的输出贡献值ET_h；即，应用下式：

${\mathrm{ET}}_h=\frac{T_h}{{\mathrm{\Σ}}_{i=1}^K{T}_i},$ 式中 $T_{\mathrm{sig}}\left(h\right)=\frac{{A_{\mathrm{jWh}}}^2+{B_{\mathrm{jWh}}}^2}{{\mathrm{\Σ}}_{j=1}^{\∞}({A_j}^2+{B_j}^2)},$

其中， $A_j=1/2\mathrm{\π}{\∫}_{-\∞}^{+\∞}f\left(z\right)\cos \left(W_{j}z\right)\mathrm{dz},B_j=1/2\mathrm{\π}{\∫}_{-\∞}^{+\∞}f\left(z\right)\sin \left(W_{j}z\right)\mathrm{dz}.$

本技术方案将影响NOx生成的因素及时并正确地纳入脱硝控制系统中，解决NOx测量系统中的延时滞后问题，有效减少延时问题带来的监测误差，把喷氨量与烟气中的NOx浓度及时匹配，促进脱硝系统可靠、经济运行。

附图说明

图1是本发明喷氨控制系统示意图。

图2a是负荷随时间的变化图。

图2b是不同负荷时传统PID控制方式和优化控制站方式下出口NOx浓度。

图3a是负荷随时间的变化图。

图3b是不同负荷时传统PID控制方式和优化控制站方式下氨逃逸量。

图4是变工况运行时喷氨量变化图。

具体实施方式

为了使本发明的目的、技术方案和优点更加清楚，下面结合附图对发明进一步详细说明。

在脱硝喷氨控制系统中使用动态神经网络喷氨量预测控制器和PID控制器,所述预测控制器利用输出敏感度法来构建合适的隐含层神经元，避免网络结构过大或过小，该控制器综合学习原有PID控制器和锅炉运行参数信息，克服系统变负荷下的非线性和时变性，预测出SCR装置的喷氨流量。此控制方案可以较精确地控制喷氨量。预测控制器首先综合学习与脱硝效率有关的主要状态量信息，该网络模型的目标为烟气出口NOx含量与设定值之间偏差最小，求取最佳喷氨量。动态神经网络喷氨量预测控制器引入的参数包括：

(1)锅炉实时负荷L(t)，机组调峰运行时，影响燃煤量和烟气量，进而影响脱硝系统的运行工况。

(2)燃煤量B(t)，燃料输入的多少，影响烟气量和烟气中NOx。

(3)送风量A(t)，包括一次风与二次风量，影响烟气量与烟气中的NOx。

(4)煤质特性Q(t)，煤质变化会直接影响烟气量与烟气中的NOx含量。

(5)SCR进口烟气NOx含量z(t)，可由烟气连续在线监测系统获得。

(6)氨氮摩尔比η(t)(NH₃/NOx)，根据机组运行条件优选最佳的氨氮比来实现设定的脱硝效率。

(7)燃烧温度T₁(t)，炉膛燃烧温度，严重影响烟气中NOx的生成量，影响脱硝系统负荷和脱硝效率。

(8)反应器入口温度T₂(t)，影响催化剂的活性和催化反应速度，对脱硝效率影响较大。

(9)SCR出口烟气NOx含量y(t)，采用出口烟气NOx含量反馈修正控制量，可以提高喷氨量控制的精确度。

(10)过量空气系数α(t)，影响烟气量的大小和燃煤烟气中NOx的生成。

(11)逃逸NH₃浓度C(t)，反映脱硝反应的进行完全程度。

(12)PID主控制器的输出量u1(t)。

最终将原PID控制器的输出量u1(t)与动态神经网络喷氨量控制器的输出量u2(t)加权求和，得到总输出量u(t)，即喷氨量的调节量。

动态神经网络预测器的输入层为：

X＝[x₁,x₂,x₃,x₄,x₅,x₆,x₇,x₈,x₉,x₁₀,x₁₁,x₁₂]^T

＝[L(t)，B(t)，A(t)，Q(t)，Z(t)，η(t)，T1(t)，T2(t)，y(t)，α(t)，C(t)，u2(t)]^T

网络的输出可以表达为：

动态神经网络喷氨量预测控制器学习算法采用RBF网络，在进行网络构建时，其隐含层的神经元输出对神经网络输出的影响程度不同，因此对输出影响大的隐含层神经元进行分裂，并剔除贡献值小的隐含层神经元，达到隐含层网络结构自调整的目的。具体步骤如下:

1)先设置隐含层神经元个数为任意自然数24(神经网络输入量个数的2倍)，故初始神经网络结构为12-14-1，用给定的样本组对神经网络进行前向计算；

2)完成一定次数的前向计算后，找出隐含层神经元输出的最大值和最小值；

3)对每个神经元的输出进行相应的敏感度分析，得到神经元的输出贡献值ET_h；即应用下式：

${\mathrm{ET}}_h=\frac{T_h}{{\mathrm{\Σ}}_{i=1}^K{T}_i},$ 式中 $T_{\mathrm{sig}}\left(h\right)=\frac{{A_{\mathrm{jWh}}}^2+{B_{\mathrm{jWh}}}^2}{{\mathrm{\Σ}}_{j=1}^{\∞}({A_j}^2+{B_j}^2)},$

$A_j=1/2\mathrm{\π}{\∫}_{-\∞}^{+\∞}f\left(z\right)\cos \left(W_{j}z\right)\mathrm{dz},B_j=1/2\mathrm{\π}{\∫}_{-\∞}^{+\∞}f\left(z\right)\sin \left(W_{j}z\right)\mathrm{dz}$

4)若隐含层中第i个神经元在t时刻值最大，且满足ET_h>δ_分裂阈值，神经元分裂，新增的神经元k+1的初始参数中宽度及中心参数与原第i个神经元的参数相同，连接权值w_k+1＝rand(0,1)×w_i,w_i＝w_i-w_K+1；若隐含层中第j个神经元在t时刻值最小，且满足ET_h<δ_删除阈值，则记录与它欧氏距离最近的神经元为jj,将第j个神经元删除，第jj个神经元的连接权值变为

5)根据误差函数采用梯度下降法调节隐含层神经元的权值、中心值和中心宽度；

$w_i(k+1)=w_i\left(k\right)-{\mathrm{\&eta;}}_w\frac{\&PartialD;J}{\&PartialD;w_i\left(k\right)}$

$c_i(k+1)=c_i\left(k\right)-{\mathrm{\&eta;}}_c\frac{\&PartialD;J}{\&PartialD;c_i\left(k\right)}$

${\mathrm{\&sigma;}}_i(k+1)={\mathrm{\&sigma;}}_i\left(k\right)-{\mathrm{\&eta;}}_{\mathrm{\&sigma;}}\frac{\&PartialD;J}{\&PartialD;{\mathrm{\&sigma;}}_i\left(k\right)}$

其中 $J=\frac{1}{2N}{\mathrm{\&Sigma;}}_{j=1}^N{[r\left(t\right)-y\left(t\right)]}^2+u\left(t\right)$

6)达到期望误差或计算步骤时停止计算。

当神经网络初始训练时，输出与被控特性无关，因此其对主控制量的输出影响作用为0，经过一段时间的充分训练后，根据神经网络的映射结构可知，该神经网络的输出建立了神经网络输入值(包括各对NOx影响的参数以及PID控制器输出)与最佳喷氨量的非线性映射关系，预测控制器的输出为各输入参数工况下对应的最佳喷氨量值，所以可以使其影响作用逐渐增大，当系统负荷出现剧烈变动，煤质特性发生较大变化等其它影响到烟气NOx浓度变化以及影响测量NOx浓度测量精度因素时，应将PID主控制器的输出量变小，系统此时起主要作用的是动态预测控制器。从图1的系统图可知，喷氨控制量u(t)为

u(t)＝u1(t)+u2(t)＝u_PID×K+u_预测×(1-K)

实施例1

某燃煤锅炉600MW燃煤锅炉脱硝系统在变负荷运行时的仿真实验结果，其中图2a为锅炉负荷随时间的变化曲线，图2b为脱硝系统出口NOx排放浓度。脱硝控制系统采用出口NOx定值控制方式运行，设定的出口NOx浓度定值为50ppm，分别采用传统PID控制方式和本发明优化控制方式两种控制方式运行。从图2b中可以看出，在机组变负荷运行时，采用传统PID控制方式时的脱硝系统出口NOx排放浓度增大，且会超出设定值；而采用本发明的控制方式时，脱硝系统出口NOx浓度超出设定值的几率相对较低，且脱硝系统出口NOx浓度比传统PID控制方式有所降低。

实施例2

某燃煤锅炉600MW燃煤锅炉脱硝系统在变负荷运行时的仿真实验结果，其中图3a为锅炉负荷随时间的变化曲线，图3b为脱硝系统出口氨逃逸量。脱硝控制系统采用出口NOx定值控制方式运行，设定的出口NOx浓度定值为50ppm，分别采用传统PID控制方式和本发明优化控制方式两种控制方式运行。从图3b中可见本发明提供的脱硝运行控制可减少脱硝系统的氨逃逸量。其原因是本发明提供的控制系统，综合考虑了影响脱硝效率的各参数，实时准确的控制喷氨量，可降低氨气逃逸量。

实施例3

图4为某燃煤锅炉600MW燃煤锅炉脱硝系统在变负荷运行时分别采用传统PID控制方式和本发明提供的控制方式时脱硝系统喷氨量对比。从图4中可以看出，采用优化控制站控制方式运行SCR脱硝系统时，在满足出口NOx浓度标准时，可以节省喷氨量。

Claims (5)

1.一种选择性催化还原法烟气脱硝喷氨控制系统的改进方法，其特征在于：在烟气脱硝喷氨控制系统中引入优化控制站，在原有烟气脱硝喷氨控制系统中引入优化控制站；在优化控制站模块中，引入影响燃煤锅炉NOx生成量的参数和原有PID控制器输出喷氨量控制信号，利用输出敏感度法构建隐含层神经元，综合学习PID控制器和引入的参数，根据PID控制器的输出量以及引入的影响锅炉NOx生成量的参数综合计算形成动态补偿控制量；脱硝喷氨量控制逻辑中，原有PID控制器作为主控制器，将动态神经网络喷氨量预测控制器作为修正控制器。

2.根据权利要求1所述的一种选择性催化还原法烟气脱硝喷氨控制系统的改进方法，其特征在于：所述影响锅炉NOx生成量的参数包括脱硝反应器进口烟气NOx含量z(t)、氨氮摩尔比η(t)、燃烧温度T₁(t)、反应器入口温度T₂(t)、反应器出口烟气NOx含量y(t)、锅炉实时负荷L(t)、过量空气系数α(t)、燃煤量B(t)、煤质特性Q(t)、送风量A(t)、逃逸NH₃浓度C(t)和原PID控制器的输出量u1(t)。

3.根据权利要求1所述的一种选择性催化还原法烟气脱硝喷氨控制系统的改进方法,其特征在于：所述脱硝喷氨控制系统将所述原有PID控制器的输出量u1(t)与动态神经网络预测喷氨控制器的输出量u2(t)加权求和，得到最终喷氨量u(t)。

4.根据权利要求1所述的一种选择性催化还原法烟气脱硝喷氨控制系统的改进方法,其特征在于：所述隐含层神经元的个数是24。

5.根据权利要求1所述的一种选择性催化还原法烟气脱硝喷氨控制系统的改进方法,其特征在于：利用输出敏感度法计算隐含层神经元的输出贡献值ET_h；即，应用下式：

${\mathrm{ET}}_h=\frac{T_h}{{\mathrm{\&Sigma;}}_{i=1}^K{T}_i},$ 式中 $T_{\mathrm{sig}}\left(h\right)=\frac{{A_{\mathrm{jWh}}}^2+{B_{\mathrm{jWh}}}^2}{{\mathrm{\&Sigma;}}_{j=1}^{\&infin;}({A_j}^2+{B_j}^2)},$

其中， $A_j=1/2\mathrm{\&pi;}{\&Integral;}_{-\&infin;}^{+\&infin;}f\left(z\right)\cos \left(W_{j}z\right)\mathrm{dz},B_j=1/2\mathrm{\&pi;}{\&Integral;}_{-\&infin;}^{+\&infin;}f\left(z\right)\sin \left(W_{j}z\right)\mathrm{dz}.$