李 偉，徐 強，孔德安，趙 翔，郜 寧，呂 游

?

電站鍋爐SCR脫硝系統(tǒng)聯合運行優(yōu)化模型

李 偉1，徐 強1，孔德安1，趙 翔1，郜 寧2，呂 游3

（1.國網新疆電力有限公司電力科學研究院，新疆 烏魯木齊 830011； 2.新疆電力建設調試所有限責任公司，新疆 烏魯木齊 830011； 3.華北電力大學新能源電力系統(tǒng)國家重點實驗室，北京 102206）

燃煤鍋爐采用選擇性催化還原（SCR）脫硝系統(tǒng)會帶來廠用電增加及還原劑消耗，增加了運行成本。為使聯合運行成本最優(yōu)，本文在考慮SCR脫硝系統(tǒng)運行成本和鍋爐燃煤成本的基礎上，結合機組負荷、總給煤量、總風量、一次風壓、二次風量、燃盡風量和噴氨量等參數之間的關系，建立了電站鍋爐SCR脫硝系統(tǒng)聯合運行成本模型，利用粒子群（PSO）算法對一次風壓、二次風量、燃盡風量和噴氨量等可調運行參數進行優(yōu)化，得到不同工況下各參數的最優(yōu)值。并且采用某1 000 MW發(fā)電機組實際運行數據進行模型仿真，結果表明：所建模型具有較好的預測精度和較強的泛化能力，通過優(yōu)化后機組的聯合運行成本可降低3%~5%。

電站鍋爐；SCR脫硝；運行成本；運行優(yōu)化；人工神經網絡；PSO算法

燃煤發(fā)電過程中排放的NO是霧霾形成的主要原因之一，近年來國家對燃煤電站的NO排放要求日益嚴格。2015年國家發(fā)改委、環(huán)保部、國家能源局聯合下發(fā)《全面實施燃煤電廠超低排放和節(jié)能改造工作方案》，規(guī)定燃煤電廠NO的排放質量濃度限值為50 mg/m3[1-3]。

為了降低NO排放，目前國內在役和新建大型燃煤機組大部分已安裝尾部煙氣脫硝裝置。在煙氣脫硝技術中，選擇性催化還原（SCR）脫硝技術因其脫硝效率高、技術成熟，成為燃煤電站的主要脫硝方式[4]。SCR脫硝系統(tǒng)通常采用氨（NH3）做還原劑，稀釋空氣與NH3混合后經噴氨閥門噴出，并與煙氣在催化劑的作用下發(fā)生還原反應，生成無害的氮氣和水，從而達到煙氣脫硝的目的。SCR脫硝系統(tǒng)運行時需不斷消耗還原劑NH3，同時稀釋風機和制氨設備的運轉會帶來額外的廠用電損耗，從而給機組的運行成本帶來一定的影響[5-6]。

一些學者提出利用燃燒優(yōu)化技術來降低NO排放量。電站鍋爐的NO排放受一次風、二次風和燃盡風等運行參數影響，因此，可以通過人工智能方法建立NO排放與鍋爐運行參數之間的關系模型，并通過對可調參數尋優(yōu)來實現煙氣中NO的減排。該方法不需要對鍋爐設備進行硬件改造，因此得到了廣泛的應用。如有學者提出基于機組歷史運行數據，利用人工神經網絡（ANN）和支持向量機（SVM）等智能方法建立鍋爐NO排放模型[7-9]，并基于預測模型，利用遺傳算法和粒子群優(yōu)化（PSO）算法等智能算法優(yōu)化配風方式等實現鍋爐NO的減排[10-12]。但是，若只考慮降低鍋爐燃燒時產生的NO，可能會使運行工況偏離設計值，使鍋爐效率降低以及煤耗增加。鑒于此，顧燕萍等[13]建立煙氣NO排放和鍋爐效率的模型，并分別對NO排放和鍋爐效率進行優(yōu)化，但由于 2個目標參數具有不同的量綱，因此并沒有討論整體的最優(yōu)值；Yang等人[14]考慮鍋爐效率以及SCR脫硝系統(tǒng)的噴氨成本、排污費等因素，建立了脫硝系統(tǒng)經濟運行模型，但在實際發(fā)電過程中，脫硝運行成本不能簡單采用排污費來衡量，若煙氣NO的含量超過國家排放標準，機組將不允許繼續(xù)運行。本文在上述研究的基礎上，同時考慮煙氣NO的脫硝運行成本與鍋爐的燃煤成本，基于ANN技術建立鍋爐和SCR脫硝聯合運行成本模型，并利用PSO算法對參數尋優(yōu)，實現機組運行成本的最小化。

1 電站鍋爐SCR脫硝系統(tǒng)聯合運行成本模型

1.1 基本結構

電站鍋爐SCR脫硝聯合運行成本模型結構如圖1所示。整個模型由鍋爐燃燒模型、SCR脫硝系統(tǒng)模型和運行成本模型3個子模型組成。

圖1 電站鍋爐SCR脫硝系統(tǒng)聯合運行成本模型結構

為了進行模型訓練，從電站廠級監(jiān)控信息系統(tǒng)（SIS）數據庫中，采集機組負荷、總給煤量、總風量、一次風壓、各層二次風量、燃盡風量、SCR脫硝入口NO質量濃度、煙氣流量、煙氣溫度、供電煤耗、噴氨量、氨逃逸和SCR脫硝出口NO質量濃度等參數數據作為訓練樣本，其中供電煤耗數據從SIS性能計算模塊中采集。選擇影響鍋爐燃燒特性的變量作為鍋爐燃燒模型的輸入，其中包括機組負荷、總給煤量、總風量、一次風壓、二次風量、燃盡風量。選擇SCR脫硝入口煙氣流量、煙氣溫度、煙氣NO質量濃度和供電煤耗作為模型輸出。從電站歷史運行數據庫中采集數據樣本，利用BP神經網絡進行訓練，建立鍋爐燃燒模型。

選擇影響SCR脫硝反應特性的變量作為SCR脫硝系統(tǒng)模型的輸入，包括SCR脫硝入口煙氣NO質量濃度、煙氣流量、煙氣溫度和噴氨量，選擇氨逃逸、出口NO質量濃度作為模型輸出?；陔娬具\行數據，利用BP神經網絡建立SCR脫硝系統(tǒng)模型。在建立以上2個模型后，將與運行經濟性相關的供電煤耗（SCR脫硝系統(tǒng)耗電量也體現在供電煤耗中）和單位負荷下噴氨量乘以對應價格，得到單位發(fā)電量的運行成本，建立聯合運行成本模型。

由圖1可見，整個模型同時考慮了鍋爐燃燒的經濟性和SCR脫硝系統(tǒng)運行的經濟性。將模型輸入變量中的一次風壓、二次風量、燃盡風量以及噴氨量作為可調運行參數，利用PSO算法對其尋優(yōu)，可實現聯合運行成本的最小化。

1.2 BP神經網絡建模理論

圖2 3層神經網絡模型結構

根據神經網絡理論，每層輸入經過加權累加，與一個偏移量相加后，經過激勵函數得到輸出，即

式(1)—式(2)寫成矩陣形式，可得到

BP神經網絡通過反向傳播算法實現權值1和2的確定。樣本輸入值從輸入層經過權值和閾值的運算到達隱含層，隱含層經過權值和閾值的運算到達輸出層，若輸出值與實際值存在偏差，則利用梯度下降法將誤差從輸出層傳遞給隱含層再由隱含層到達輸入層，逐一對每層的連接權值進行修改，通過不斷迭代此過程，將誤差降低到允許范圍內[15]。在實際計算中，可以利用現有的工具箱，如MATLAB中的ANN工具箱等。

1.3 聯合運行成本模型的構建

1.3.1 鍋爐燃燒模型

式中，1(·)為8輸入4輸出的3層BP神經網絡函數，用來擬合鍋爐燃燒模型的非線性特性。

1.3.2 SCR脫硝系統(tǒng)模型

式中，2(·)為4輸入2輸出的3層BP神經網絡函數，用來擬合SCR脫硝系統(tǒng)模型的非線性特性。

1.3.3 聯合運行成本模型

式(6)—式(8)表征所建立的聯合運行成本模型包含了鍋爐供電煤耗成本和SCR脫硝系統(tǒng)還原劑NH3的成本，即同時考慮了鍋爐燃燒的經濟性和SCR脫硝運行的經濟性。

2 基于PSO算法的聯合運行成本模型優(yōu)化

鍋爐SCR脫硝聯合運行是為了使聯合運行成本最小，因此該問題可以看作以成本模型函數最小為目標的優(yōu)化問題。PSO算法是一種基于種群的智能優(yōu)化算法，同其他的進化算法相比，該算法易于實施，全局優(yōu)化能力更強[16-18]。因此，采用PSO算法對可調運行參數進行優(yōu)化，使鍋爐SCR脫硝系統(tǒng)具有最低的運行成本。

PSO算法中群體的每個粒子代表一個可行解。待優(yōu)化運行參數為維，群體中第𝑖個粒子的位置記為=[u1,u2, …,u]，粒子速度記作=[v1,v2, …,v]，所經歷的最佳位置為=[p1,p2, …,p]，整個群體所經歷的最佳位置為g=[g1,g2, …,gd]。粒子在更新過程中，通過動態(tài)跟蹤個體最優(yōu)值和群體最優(yōu)值g來不斷調整其位置和速度，具體表示為：

粒子在解空間內不斷跟蹤個體最優(yōu)值和全局最優(yōu)值，直到滿足誤差標準或達到最大迭代次數為止。粒子在搜索過程中位置限定在[min,max]之內，速度限定在[min,max]之內，以保證群體的全局搜索能力。

為使運行成本最小化，基于PSO算法，優(yōu)化問題可以表示為：

由此可見，在國家相關政策的支持下，武術國際推廣已經成為實現中華民族文化自信的重要內容，與此同時，武術“走出去”的戰(zhàn)略實施也為武術對外教材“走出去”創(chuàng)造了空前的機遇。

3 實驗結果及分析

3.1 實驗設備及數據采集

以某燃煤電站機組直流超超臨界1 000 MW鍋爐及SCR脫硝系統(tǒng)為研究對象，該鍋爐為一次再熱、平衡通風、露天布置鍋爐，采用四角切圓燃燒系統(tǒng)，共3層二次風門和1層燃盡風門，每層風門開度可實現聯調，其中每層二次風門和燃盡風門都有風量測點。同時，為滿足環(huán)保要求，采用低氮燃燒技術并配備2臺SCR脫硝裝置（A側和B側），布置在鍋爐兩側的空氣預熱器支架上方，在反應器前設置灰斗，不設脫硝旁路煙道，催化劑層數采用2+1布置方式。2臺機組共用1套貯氨及輸送系統(tǒng)，還原劑采用液氨。為了簡化計算，建立A側SCR系統(tǒng)模型，并認為B側和A側SCR系統(tǒng)具有相同特性。

從電站SIS運行數據庫采集與上述模型有關參數的數據樣本，包括機組負荷、總給煤量、總風量、一次風壓、AB、CD、EF 3層二次風量、燃盡風量、噴氨量、SCR脫硝入口煙氣流量、煙氣溫度、煙氣NO質量濃度、供電煤耗、氨逃逸、SCR脫硝出口NO質量濃度。采集時間為2014年5月1日到2014年5月14日，采樣頻率為5 min，共得到約4 000個數據樣本。對這些數據進行預處理，包括刪除離群點樣本和篩選穩(wěn)態(tài)工況，并使得到的樣本覆蓋較大的負荷范圍。穩(wěn)態(tài)工況可以利用滑動窗口法并基于式(12)進行判定[19]，

經數據處理后，得到1 420組樣本，覆蓋工況范圍為490~760 MW，其他參數的變化范圍見表1。

表1 電站鍋爐各參數運行范圍

Tab.1 The operating range of parameters of the utility boielr

將所選取的數據分為2組：1 220組樣本為訓練樣本，用來構建鍋爐燃燒和SCR脫硝系統(tǒng)的神經網絡模型，并得到聯合運行成本模型；選擇另外200組樣本作為測試樣本，用來測試模型的預測精度。

3.2 模型預測結果分析

圖3 煙氣流量預測結果

圖4 煙氣溫度預測結果

圖5 SCR脫硝入口NOx質量濃度預測結果

圖6 機組供電煤耗預測結果

由圖3—圖6可以看出：鍋爐燃燒模型對訓練樣本的預測誤差非常小，煙氣流量、煙氣溫度、SCR脫硝入口NO質量濃度以及供電煤耗的預測值幾乎與實際值重合，表明模型具有較好的逼近能力；同時，鍋爐燃燒模型對測試樣本的誤差也較小，對煙氣溫度預測時，95.5%的測試樣本的預測誤差在2 ℃以內；對SCR脫硝入口NO質量濃度預測時，90.5%的測試樣本的預測誤差低于10 mg/m3。由此可見，建立的模型對新工況也具有較好的預測精度，表明鍋爐燃燒模型具有較好的泛化能力。

圖7 SCR脫硝出口NOx質量濃度預測結果

圖8 SCR脫硝出口NH3逃逸量預測結果

由圖7和圖8可以看出，SCR脫硝系統(tǒng)模型對訓練樣本和測試樣本的NO質量濃度和NH3逃逸量的預測值與實際測量值的偏差很小，模型表現出較好的逼近能力和泛化能力。因此，所建立的SCR脫硝系統(tǒng)模型能夠實現對NO質量濃度以及NH3逃逸量的精確預測。

為了定量評價建立的鍋爐燃燒模型和SCR脫硝系統(tǒng)模型的預測效果，采用平均相對誤差ARE和標準化均方根誤差NRMSE來衡量模型的預測精度，定義如下：

模型中各參數預測誤差見表2。表2中鍋爐燃燒模型和SCR脫硝系統(tǒng)模型的預測結果與圖3—圖8一致，所構建模型的預測誤差均較低。

表2 模型中各參數預測誤差

Tab.2 Prediction errors of the parameters %

3.3 模型優(yōu)化分析

圖9 PSO算法迭代過程

對訓練樣本和測試樣本中所有樣本工況進行優(yōu)化，優(yōu)化結果如圖10和圖11所示。圖10是優(yōu)化后聯合運行成本與未優(yōu)化的運行成本對比，圖11是運行成本降低的比例。由圖10和圖11可以看出，對于大部分工況樣本，經過PSO算法優(yōu)化后，聯合運行成本可以降低3%~5%。

表3 優(yōu)化前后運行參數變化

Tab.3 Changes of the operation parameters before and after the optimization

圖10 PSO優(yōu)化前后成本對比

圖11 優(yōu)化后成本降低比例

4 結 語

考慮電站SCR脫硝系統(tǒng)的脫硝成本和鍋爐的燃煤成本，將機組負荷、總給煤量、總風量、一次風壓、二次風量、燃盡風量和噴氨量等參數作為輸入，基于BP神經網絡和實際運行數據，建立了鍋爐和SCR脫硝系統(tǒng)聯合運行成本模型，并利用PSO算法對可調運行參數進行優(yōu)化，包括一次風壓、各層二次風量、燃盡風量和噴氨量，得到不同工況下的最優(yōu)操作參數。基于某1 000 MW火電機組實際運行數據進行仿真，結果表明通過優(yōu)化后機組的聯合運行成本可降低3%~5%，同時能滿足NO和NH3的排放要求。

［1］ 姚明宇, 聶建平, 張立欣, 等. 燃煤電站鍋爐煙氣污染物一體化協同治理技術[J]. 熱力發(fā)電, 2016, 45(3): 8-12. YAO Mingyu, NIE Jianping, ZHANG Lixin, et al. Integrative flue-gas pollutants removal technology for coal-fired utility boilers[J]. Thermal Power Generation, 2016, 45(3): 8-12.

［2］ 姚楚, 龍東騰, 呂游, 等. 火電廠SCR脫硝系統(tǒng)機理建模與控制研究[J]. 熱能動力工程, 2018, 33(5): 78-84. YAO Chu, LONG Dongteng, LV You, et al. Study on mechanism modelling and control of SCR denitration system in thermal power plant[J]. Journal of Engineering for Thermal Energy and Power, 2018, 33(5): 78-84.

［3］ 武寶會, 李帥英, 牛國平, 等. 燃煤機組煙氣污染物協同脫除技術及應用[J]. 熱力發(fā)電, 2017, 46(11): 103-107. WU Baohui, LI Shuaiying, NIU Guoping, et al. Synergistic removal technologies for flue gas pollutants and their engineering applications in coal-fired units[J]. Thermal Power Generation, 2017, 46(11): 103-107.

［4］ 梁俊杰, 張戰(zhàn)鋒, 周健, 等. SCR煙氣脫硝系統(tǒng)運行全過程數據分析[J]. 熱力發(fā)電, 2018, 47(12): 93-99. LIANG Junjie, ZHANG Zhanfeng, ZHOU Jian, et al. Analysis on whole process operation data of SCR flue gas denitration system[J]. Thermal Power Generation, 2018, 47(12): 93-99.

［5］ 卞韶帥, 余海燕, 楊士華, 等. 鍋爐低氮燃燒與SCR脫硝聯合運行優(yōu)化系統(tǒng)[J]. 熱力發(fā)電, 2016, 45(8): 81-86. BIAN Shaoshuai, YU Haiyan, YANG Shihua, et al. Optimization on combined operation of low-NOcombustion and SCR denitration system in utility boilers[J]. Thermal Power Generation, 2016, 45(8): 81-86.

［6］ 成新興, 武寶會, 周彥軍, 等. 燃煤電廠超低排放改造方案及其經濟性分析[J]. 熱力發(fā)電, 2017, 46(11): 97-102. CHENG Xinxing, WU Baohui, ZHOU Yanjun, et al. Ultra-low emission reform scheme for coal-fired power plants and its economic analysis[J]. Thermal Power Generation, 2017, 46(11): 97-102.

［7］ 趙文杰, 張楷. 基于互信息變量選擇的SCR煙氣脫硝系統(tǒng)非線性自回歸神經網絡建模[J]. 熱力發(fā)電, 2018, 47(9): 22-26. ZHAO Wenjie, ZHANG Kai. NARX neural network modeling of SCR denitration system based on mutual information variables selection[J]. Thermal Power Generation, 2018, 47(9): 22-26.

［8］ 鐘用祿, 李海山, 劉發(fā)圣, 等. 基于PCA-SVR的燃煤鍋爐NO排放預測[J]. 熱力發(fā)電, 2015, 44(1): 87-90. ZHONG Yonglu, LI Haishan, LIU Fasheng, et al. PCA-SVR model based NOemissions prediction for coal-fired boilers[J]. Thermal Power Generation, 2015, 44(1): 87-90.

［9］ 陸軍, 張廣才, 徐黨旗, 等. 改進BP神經網絡在低氮燃燒優(yōu)化中的應用[J]. 熱力發(fā)電, 2015, 44(4): 106-111.LU Jun, ZHANG Guangcai, XU Dangqi, et al. Application of modified BP neural network in optimization of low NOcombustion for a pulverized coal boiler[J]. Thermal Power Generation, 2015, 44(4): 106-111.

［10］ 凡榮榮, 姚翠蘭, 楊巨生, 等. 基于PSO優(yōu)化鍋爐氮氧化物的排放[J]. 熱力發(fā)電, 2012, 41(8): 28-31. FAN Rongrong, YAO Cuilan, YANG Jusheng, et al. Application of PSO in NOemission from boiler[J]. Thermal Power Generation, 2012, 41(8): 28-31.

［11］ 董建勛, 張海福, 馬志杰, 等. 燃燒優(yōu)化系統(tǒng)在 600 MW機組鍋爐控制中的應用[J]. 熱力發(fā)電, 2012, 41(4): 81-82. DONG Jianxun, ZHANG Haifu, MA Zhijie, et al. Loop combustion optimizing control technology on 600 MW thermal power unit[J]. Thermal Power Generation, 2012, 41(4): 81-82.

［12］ 劉吉臻, 呂游, 楊婷婷. 基于變量選擇的鍋爐NO排放的最小二乘支持向量機建模[J]. 中國電機工程學報, 2012, 32(20): 102-107. LIU Jizhen, LV You, YANG Tingting. Least squares support vector machine modeling on NOemission of boiler based on variable selection[J]. Proceedings of the CSEE, 2012, 32(20): 102-107.

［13］ 顧燕萍, 趙文杰, 吳占松. 基于最小二乘支持向量機的電站鍋爐燃燒優(yōu)化[J]. 中國電機工程學報, 2010, 30(17): 91-97. GU Yanping, ZHAO Wenjie, WU Zhansong. Combustion optimization for utility boiler based on least square-support vector machine[J]. Proceedings of the CSEE, 2010, 30(17): 91-97.

［14］ YANG T, CUI C, SHEN Y, et al. A novel denitration cost optimization system for power unit boilers[J]. Applied Thermal Engineering, 2016, 96: 400-410.

［15］ 陳鴻偉, 吳晶, 何駿鵬, 等. 基于GA-BP對錐形布風板雙流化床顆粒循環(huán)流率的預測研究[J]. 熱力發(fā)電, 2015, 44(2): 90-92. CHEN Hongwei, WU Jing, HE Junpeng, et al. GA-BP algorithm based prediction of solids circulation rate in a dual fluidized bed with conical gas distributor[J]. Thermal Power Generation, 2015, 44(2): 90-92.

［16］ KENNEDY J, EBERHART R. Particle swarm optimiza- tion[C]//Proceedings of IEEE International Conference on Neural Networks. Perth: IEEE Press, 1995: 1942- 1948.

［17］ 方賢, 鐵治欣, 崔仕文, 等. 基于粒子群優(yōu)化雙支持向量機的SCR煙氣脫硝效率預測模型[J]. 熱力發(fā)電, 2018, 47(1): 53-58. FANG Xian, TIE Zhixin, CUI Shiwen, et al. Model for predicting SCR flue gas denitration efficiency based on particle swarm optimization and twin support vector machine[J]. Thermal Power Generation, 2018, 47(1): 53-58.

［18］ 趙越, 蒙毅, 李仁義. 基于粒子群優(yōu)化算法分析約束條件對配煤最優(yōu)價格的影響[J]. 熱力發(fā)電, 2017, 46(12): 99-104.ZHAO Yue, MENG Yi, LI Renyi. Influence of constraints on optimal price of blending coal: by particle swarm optimization algorithm[J]. Thermal Power Generation, 2017, 46(12): 99-104.

［19］ LV Y, LIU J, YANG T, et al. A novel least squares support vector machine ensemble model for NOemission prediction of a coal-fired boiler[J]. Energy, 2013, 55: 319-329.

Optimization model for combined operation of SCR denitration system in utility boiler

LI Wei1, XU Qiang1, KONG Dean1, ZHAO Xiang1, GAO Ning2, LYU You3

(1. State Grid Xinjiang Electric Power Research Institute, Urumqi 830011, China; 2. Xinjiang Electric Power Construction Debugging Institute Limited Liability Company, Urumqi 830011, China; 3. State Key Laboratory of Alternate Electric Power System with Renewable Energy Sources, North China Electric Power University, Beijing 102206, China)

Applying selective catalytic reduction (SCR) flue gas denitration system in coal-fired boiler will increase the auxiliary power and reducing agent consumption, and increase the operation cost. To reduce the operation cost, this paper establishes an operation cost model for the boiler and SCR denitration system by using the parameters including the unit load, total coal feed rate, total air volume, primary air pressure, secondary air rate, over fire air rate and ammonia injection rate, on the basis of considering the operation cost of the SCR denitration system and fuel cost of the boiler. The particle swam optimization (PSO) algorithm is proposed to optimize the adjustable parameters such as the primary air pressure, secondary air rate, over fire air rate and the ammonia injection rate, thus the optimal values of each parameter under different conditions are obtained. Moreover, simulation experiments were carried out by using the operation data of a 1 000 MW thermal power plant, and the results show that, the established model has good prediction precision and strong generalization ability, the combined operation cost of the unit after optimization can be reduced by 3%~5%.

utility boiler, SCR denitration, operation cost, operation optimization, artificial neural network, particle swam optimization algorithm

National Natural Science Foundation of China (51606063)

李偉(1972—)，男，高級工程師，主要研究方向為熱工自動化及供熱技術，liwei7117@126.com。

TK223

A

10.19666/j.rlfd.201812221

李偉, 徐強, 孔德安, 等. 電站鍋爐SCR脫硝系統(tǒng)聯合運行優(yōu)化模型[J]. 熱力發(fā)電, 2019, 48(6): 46-52. LI Wei, XU Qiang, KONG Dean, et al. Optimization model for combined operation of SCR denitration system in utility boiler[J]. Thermal Power Generation, 2019, 48(6): 46-52.

2018-12-27

國家自然科學基金青年項目(51606063)

呂游(1987—)，男，博士，講師，主要研究方向為電站數據分析、建模及優(yōu)化，you.lv@hotmail.com。

（責任編輯 杜亞勤）