330MW燃煤火电机组脱硝系统的优化研究

孙金龙

330MW燃煤火电机组脱硝系统的优化研究

孙金龙

（华电国际十里泉发电厂，山东省 枣庄市 277100）

目前国内火电厂选择性催化还原法(selective catalytic reduction，SCR)烟气脱硝系统由于普遍存在反应时间较长、控制滞后和调门线性不好等缺点，SCR出口氮氧化物浓度大幅波动，严重影响火电厂SCR烟气脱硝系统的达标运行。为解决上述问题，根据电厂SCR脱硝系统的运行状况，在研究现场工程实际控制系统的基础上，结合相关SCR脱硝系统控制理论，通过采集现场历史数据，在保持现场实际控制算法不变的基础上，采用智能辨识的方法，建立了SCR脱硝系统数学模型，并采用工程性强的仿人智能算法，实现了SCR脱硝系统的优化运行。

火电厂；氮氧化物；脱硝效率；建模；仿真；优化

0 引言

通过预测控制或Smith预估模型控制来提高火电厂SCR烟气脱硝系统控制品质的方法，需要建立较为准确的控制对象过程模型，模型准确度严重影响控制品质，而且受煤质等因素的变化影响，运行过程中的模型适应性不强。目前，火电厂SCR烟气脱硝系统的建模方法主要采用开环辨识实验的建模方法[8-9]。为研究开环辨识实验对脱硝控制系统正常运行的影响，本文根据系统历史运行数据对脱硝系统进行模型辨识，更好地反映闭环系统的运行特性，同时采用工程性强的仿人智能算法，避免了控制算法对模型准确性的要求，实现了SCR烟气脱硝系统的优化运行。

1 SCR烟气脱硝技术

2 SCR烟气脱硝控制系统

2.1 SCR脱硝反应机理

除上述2种主要的化学反应外，烟气中还存在以下化学反应。

由于式(3)、(4)反应速度很慢，因此在SCR反应中所占比重较小。根据式(1)—(4)的化学反应分析，SCR脱硝反应的NH3、NO的摩尔比大约为1:1。

2.2 SCR控制系统分析

2.2.1 稀释风量

2.2.5 脱硝效率

2.2.6 反应器喷氨流量

2.2.8 氨氮摩尔比

2.2.9 PID调节

图1 SCR喷氨PID闭环控制系统

滞后环节DELAY的传递函数为

式中：为比例系数；为惯性环节时间常数，为滞后时间常数。

增量型PID调节传递函数为

限幅环节LM，输出限制于-和+之间。

超前滞后环节LELG传递函数为

A侧和B侧SCR反应器的喷氨PID闭环控制系统实际工程参数如表1、2所示。

表1 PID控制系统参数

图2 前馈环节

表2 前馈环节参数

限幅环节LD，输出限制于M和之间,报警死区为。

3 SCR控制系统建模

3.1 辨识模型的变量选择

图3 DCS系统历史趋势图

3.2 粒子群优化辨识法

Kennedy和Eberhard于1995年提出粒子群优化(particle swarm optimization，PSO)算法，具有并行运算、迭代简单、收敛速度快和全局最优解等优点[13-15]，图4为粒子群寻优流程图。

图4 PSO流程图

5）计算种群中每个粒子新的适应度。

7）判断是否满足精度和进化代数的要求，若满足，则跳出循环；若不满足，则转至4）继续执行程序，直到满足为止。

3.3 数据预处理

系统辨识时，要求数据的统计特性和时间起点无关。由于现场数据中的直流、低频成分对辨识精度的影响无法消除，因此，需要对现场数据进行初始化[13]。

3.4 数据模型辨识

3.4.1 喷氨调门的线性化分析

为了更好地研究反应器进口喷氨调门的线性关系度，选择两侧调门切手动的时间数据，即2018年10月05日09:55:00至10:50:00，采样周期为1s。为更好地研究反应器喷氨流量和喷氨调门开度之间的线性关系，引入线性度的概念，即按照式(23)计算反应器A和反应器B喷氨流量线性度，并绘制出其变化趋势如图5所示，并统计相关参数如表3所示。由此可以看出，两侧反应器喷氨流量和喷氨调门开度之间的线性度相对较强，B侧较A侧更好一些，但是对于细致调节的SCR系统，线性度的影响较大，特别是A侧会造成更大干扰，对调节效果的的影响会更大一些。

表3 反应器喷氨调门线性度统计

图5 反应器喷氨流量线性度

3.4.2 参数环节辨识

1）喷氨调门辨识。

根据分析，为简化模型，选择一阶惯性环节作为喷氨调门的模型，采用粒子群辨识的方法进行辨识，结果如图8、9所示，A、B侧喷氨调门的辨识函数分别为：

图7 预处理前后B侧喷氨流量和调门开度

图8 A侧喷氨调门辨识结果

2）SCR反应器模型。

辨识参数如式(26)、(27)所示：

图10 预处理前后A侧喷氨流量和出口NOx浓度

图11 预处理前后B侧喷氨流量和出口NOx浓度

图12 A侧SCR反应器辨识结果

图13 B侧SCR反应器辨识结果

式中：为脱硫进口烟NO浓度，mg/m3；A、B为A、B侧反应器出口NO浓度，mg/m3；A、B为A、B侧喷氨量，m3/h；aivA、aivB为A、B侧稀释风量，m3/h；QA、QB为A、B侧喷氨量，m3/h。

4 SCR控制系统优化

根据SCR脱硝控制系统的特点，结合仿人智能控制系统的控制原理，制定出SCR仿人智能控制器的算法设计简表如表4[16-19]所示。在表中控制系统的误差=-，采用离散化数字仿真后用e表示的当前采样时间的数值，表示SCR出口氮氧化物作为设定值，表示SCR出口氮氧化物测定值作为被调量。

图14 预处理前后脱硫进出口烟气NOx浓度

图15 脱硫进出口烟气NOx辨识结果

表4 仿人智能控制器的算法设计简表

图16 A、B侧SCR出口NOx浓度

图17 优化后的脱硝效率

5 结论

本文基于十里泉发电厂330MW燃煤机组的历史数据，通过智能辨识方法，建立了实用的SCR脱硝系统数学模型，采用工程性强的仿人智能算法，能够解决现场喷氨调门线性度差、反应时间长和调节滞后等问题，实现SCR脱硝系统的安全和优化运行，不仅带来较大的经济效益和社会效益，而且缓解了运行人员操作疲劳，同时也缓解了目前环保方面的压力，为未来脱硝系统实现更加安全高效的运行提供参考。

图18 优化后的喷氨量

图19 优化后的脱硫侧烟气NOx浓度

[1] 叶福南，姚顺春，陈耀荣，等．NO浓度分布在线监测系统研发及应用[J]．广东电力，2019，32(7)：29-36．

[2] 高建强，梁胜莹．SCR脱硝系统优化及实验研究[J]．电力科学与工程，2018，34(10)：56-62．

[3] Dolance G，StrmcNik S，PetrovcIC J．NOselective catalytic reduction control based on simple models [J]．Journal of Process Control，2001，11(1)：35-51．

[4] 李刚，胡森，武宝会．基于模糊自适应Smith的SCR喷氨量串级控制系统[J]．热力发电，2014，43(8)：147-150．

[5] 李泉，尹峰，罗志浩．超临界机组脱硝系统模型预测控制研究[J]．浙江电力，2016，35(11)：34-36，53．

[6] 郑志豪．SCR脱硝系统的多模型约束预测控制方法与应用研究[D]．南京：东南大学，2015．

[7] 王婷．模型预测控制在电厂选择性催化还原脱硝系统中的应用研究[D]．杭州：浙江大学，2015．

[8] Matausek M R，Micic A D．A modified Smith predictor for controlling a process with an integrator and long dead-time[J]．IEEE Transactions on Automatic Control，1996，41(8)：1199-1203．

[9] Harrison C A，Qin S J．Discriminating between disturbance and process model mismatch in model predictive control[J]．Journal of Process Control，2009，19(10)：1610-1616．

[10] 毛剑宏．大型电站锅炉SCR烟气脱硝系统关键技术研宂[D]．杭州：浙江大学，2011．

[11] 董宸．燃煤电厂SCR脱硝过程的建模与控制[D]．南京：东南大学，2013．

[12] 王勇，东超，林涛，等．基于子空间辨识和增广模型的烟气脱硝系统预测控制[J]．热力发电，2016，45(6)：26-32．

[13] 刘金琨，沈晓蓉，赵龙．系统辨识理论及MATLAB仿真[M]．北京：电子工业出版社，2013．

[14] 李人厚．智能控制理论和方法[M]．西安：西安电子科技大学出版社，2013．

[15] 韩璞．智能控制理论及应用[M]．北京：中国电力出版社，2013．

[16] 李祖枢，涂亚庆．仿人智能控制[M]．北京：国防工业出版社，2003．

[17] Hoang L．Modeling and simulation of electrical drives using MATLAB Simulink and Power SystemBlockset(C)//IEEE Proceeding from Industrial Electronics Society，2007：1603-1611．

[18] 韩力群．智能控制理论及应用[M]．北京：机械工业出版社，2008．

[19] 王继华．SCR，SNCR和SNCR/SCR烟气脱硝技术的应用及对比[J]．华电技术，2018，40(6)：68-70，80．

Optimization Study of Denitrification System for 330 MW Coal-fired Thermal Power Unit

SUN Jinlong

(Huadian International Shiliquan Power Plant, Zaozhuang 277100, Shandong Province, China)

At present, the selective catalytic reduction (SCR) flue gas denitrification system in thermal power plants in China has many shortcomings, such as long reaction time, poor control lag and poor linearity of valve, the concentration of nitrogen oxides at SCR outlet fluctuates greatly, which seriously affects the operation of SCR flue gas denitrification system in thermal power plants. In order to solve the above problems, based on the operation status of the SCR denitration system of the power plant, based on the actual control system of the field engineering, combined with the relevant SCR denitration system control theory, by collecting the historical data of the site, on the basis of keeping the actual control algorithm on site unchanged, the intelligent identification method was used to establish the mathematical model of the SCR denitration system, and the engineering human-like intelligent algorithm was used to realize the optimal operation of the SCR denitration system.

thermal power plant；nitrogen oxide; denitrification efficiency; modelling; simulation; optimization

10.12096/j.2096-4528.pgt.19050

2019-04-08。

(责任编辑 杨阳)