SCR脱硝系统多目标优化控制研究

摘要：燃煤机组面临着灵活运行和超低排放的双重压力，机组快速深度变负荷对选择性催化还原(ive catalytic reduction，SCR)脱硝系统的控制提出了更高要求。提出一种兼顾超低排放和经济成本的多目标优化控制方法，将脱硝成本加入优化目标函数，采用预测控制结构，结合神经网络和遗传算法进行模型建立和控制量寻优，实现了喷氨量的优化控制。仿真结果表明，该方法在满足排放标准的同时降低了脱硝成本，并能适应锅炉大范围变工况运行。

0 引言

在能源结构转型的过程中，新能源电力规模化接入电网对燃煤机组提出了运行灵活性要求。快速深度变负荷意味着机组运行工况大范围快速变化，锅炉工况的变化会使得燃烧产生的NOx波动加剧，这无疑加大了机组实现NOx超低排放的难度。SCR脱硝是目前主流的烟气脱硝技术，其反应是一个复杂的物理化学过程，喷氨量较多可以降低NOx排放，但会增加经济成本，并导致氨逃逸增大，影响机组安全运行。因此，如何对脱硝系统进行优化控制，在保证达标排放的同时实现机组经济运行是燃煤电站亟待解决的问题。

围绕脱硝系统喷氨量控制问题，国内外学者做了大量研究。Haggan-Ozaki V等人基于 RBF-ARX非参数模型，利用一种变异的卡尔曼滤波状态空间方法实现了脱硝系统喷氨量控制，控制效果良好，计算效率有所提高。黄宇等人提出了线性自抗扰控制方法，使得SCR脱硝系统跟踪设定值的能力有所提升。Nakamoto M等人利用广义预测控制( generalized predictive control，GPC)和线性二次调节(linear quadratic regulator，LQR)方法对火力发电厂的NOx分解过程进行串级控制，使得脱硝系统的抗干扰能力提高，出口NOx浓度波动范围明显减小。张晓东等人提出了基于多变量广义预测控制算法，在前馈控制中加入磨煤机断煤和堵磨信号，有效地抑制磨煤机在断煤及堵磨后脱硝系统出口NOx浓度大幅波动情况，使控制系统稳定运行。秦天牧等人使用自适应多尺度核偏最小二乘(SMKPLS)法建立SCR脱硝系统预测模型，模型通过对出口NOx浓度变化做出预判，进而起到预先校正的作用。Hui Peng等人提出了一种基于RBF- ARX模型的滚动时域预测控制策略，以出口NOx接近期望值为优化目标。周洪煜等人设计了基于混结构RBF神经网络（MSRBFNN）的喷氨流量最优控制系统，以 SCR 装置出口NOx含量最小为学习目标，求取最佳喷氨控制量。上述针对SCR脱硝系统控制方法的研究，主要关注于SCR出口NOx浓度的控制，对喷氨经济成本考虑较少。

基于以上问题，本文兼顾脱硝过程的排放要求和经济成本，在保证出口NOx排放达标的同时，考虑系统各方面的经济成本，比如还原剂成本和排污成本等。在脱硝系统的控制策略中将经济成本加入优化目标，构建预测控制算法，通过电厂实际运行数据仿真验证控制效果。

1 SCR脱硝系统

某电厂燃煤机组SCR烟气脱硝装置如图1 所示。

储存在氨罐中的液态氨蒸发汽化后与稀释空气混合均匀，喷入SCR反应器上游的烟气中与NOx发生反应，反应过程如图2所示。烟气中的NOx在还原剂氨和催化剂同时存在的条件下，发生氧化还原反应，将烟气中的NOx还原为氮气(N2)和水(H2O)。

喷氨量是影响脱硝效率的主要因素。控制系统主要根据反应器入口NOx浓度和烟气流量来调节氨气阀门开度，改变喷氨量。喷氨量过少，NOx排放超标；喷氨量过多，经济成本升高，同时会使氨逃逸增大。烟气中SO2在SCR催化剂作用下生成SO3，逃逸的NH3、SO3与水反应生成硫酸铵((NH4)2SO4)和硫酸氢铵(NH4HSO4)。这些副产物会附着在催化剂表面，堵塞催化剂的孔道从而影响催化剂活性，也会造成空气预热器结垢堵塞和腐蚀，烟道阻力增加，严重时可引发引风机失速和机组跳闸。

因此，氨过量不但造成还原剂浪费，也直接影响机组安全稳定运行，需设计合理的多目标优化控制方案对喷氨量进行精准控制。

2 SCR脱硝系统多目标优化方案

SCR脱硝系统反应机理复杂，其受到氨氮摩尔比、烟气温度、反应时间和催化剂活性等因素影响，控制对象具有大迟延大滞后和非线性特性，尤其在机组工况大范围变化时，控制难度较大。预测控制作为一种先进控制算法，其以预测模型为基础，对未来时刻被控对象未来的输出状态进行预判，并以此确定当前时刻的控制动作，即先预测再控制，使得它明显优于传统的先输出后反馈再控制的PID控制系统，具有更好的控制效果。

2.1 构建多目标优化控制方案

预测控制主要包括预测模型、滚动优化、反馈校正3个部分，其原理是根据模型预测的输出相应调整输入量，通过极小化目标函数求解最优喷氨量，从而使实际输出与设定值保持一致。

为了使SCR脱硝系统能在适应机组工况大范围变化的同时降低喷氨成本，本文对DMC预测控制算法进行改进，将神经网络、遗传算法用于预测控制的预测模型、滚动优化，将经济指标加入目标函数构建了脱硝系统的多目标优化控制算法，其控制算法如图3所示。

以脱硝系统为研究对象，图中yr为出口NOx浓度设定值，u为喷氨量，y为SCR出口NOx浓度值，ym为预测模型出口NOx浓度预测值，yp为校正后的出口NOx浓度预测值。在仿真过程中，采用提出的机理建模方法来建立模型作为被控对象，便于对算法进行仿真验证。假设已知喷氨量u(k-1)，可以得到机理模型出口NOx浓度值y(k-1)以及神经网络预测模型的出口NOx浓度值ym(k)。相应的，通过u(k)可以得到y(k)和ym(k+1)。将k时刻实际输出y(k)与k-1时刻模型输出ym(k)之间的偏差视为k时刻预测误差的估计值，并将其作为反馈校正信号补偿到k时刻的预测模型输出ym(k+1)中，即反馈校正后的预测值为

反馈校正环节考虑了上一时刻的模型预测误差，一定程度上提高了模型预测精度。将yp(k+1)和yr(k+1)输入目标函数中，在不断地滚动优化过程中，采用遗传算法快速寻优喷氨量u(k-1)。当入口NOx浓度发生大范围改变时，对脱硝系统起到预先控制的作用。

2.2 基于神经网络和遗传算法的改进策略

2.2.1 基于神经网络的预测模型

预测模型的准确性对于预测控制效果非常重要，脱硝系统的对象特性随工况变化呈现非线性和时变特征，传统建模方法难以建立准确模型。本文利用神经网络可以精确描述非线性和不确定性动态过程的特点，将其用于预测模型。

BP神经网络有M个输入节点，L个输出节点，如图4所示。本文通过对脱硝系统输入节点历史数据进行相关性分析，选择以入口NOx浓度、烟气流量、喷氨量和机组负荷作为神经网络的四个输入节点，以出口NOx浓度值，作为一个输出节点，设置神经网络的隐含层数为1，隐含层节点数为5。

建立脱硝系统的神经网络预测模型。

2.2.2 滚动优化算法改进

在预测控制算法中，滚动优化过程的实质为求解非线性优化问题。DMC预测控制通过对目标函数求导计算极值的方法来获取最优变量，计算过程复杂，容易陷入局部“陷阱”。作为全局优化的遗传算法，可在一定程度克服上述缺点。因此，本文采用遗传算法对构建的脱硝系统多目标函数进行滚动寻优。

2.2.3 构建控制优化目标函数

燃煤电厂烟气脱硝应以提高环境质量、维护生态效益、维持经济和社会的可持续发展为基本任务及功能目标，在满足功能目标的前提下追求支出各项费用最小原则。该费用包括了与项目有关的一切费用，如还原剂成本、排污成本和耗电成本等。综合神经网络预测模型输出的出口NOx浓度值与期望轨迹误差以及经济指标，构造如下目标函数：

式中：ym为神经网络模型预测出口NOx浓度；yr为出口 NOx浓度的期望值；yp为校正后的出口NOx浓度预测值；Qgas为烟气流量；CO2为烟气含氧量，6%为标准烟气含氧量，0.95为氮氧化物排污量；M1为排污费价格；QNH3为氨流量；M2为液氨价格；N为机组发电量；M3为电价补贴价格；w为权重系数。鉴于电厂对气体排放达标的关注度大于经济成本，根据指标的重要程度以及操作经验将权重系数设为w1=0.75，w2=0.25。

本文通过遗传算法对目标函数寻优，求出最优喷氨量序列u(k),u(k+1),¼,u(k+d-1)。当对脱硝系统进行控制时，只使用第一个最优控制量u(k)进行实际控制，在下一个采样时刻k+1时，先对当前及历史的信息做更新，然后再次在线执行优化算法，重复k时刻的过程。如此反复，在每个采样时刻，优化算法都更新相关信息，使用第一个优化喷氨量进行控制。利用滚动的有限时段优化取代一成不变的全局优化。

该方法虽然在理想情况下不能得到全局最优，但由于脱硝系统在实际运行过程中，不可避免存在着误差和环境等各种干扰，这种建立在实际反馈信息基础上的反复优化，能不断计入不确定性影响并及时加以校正，与模型一次优化相比，更具鲁棒性。

3 仿真结果

3.1 模型的应用及验证

以某电厂1000MW超超临界锅炉SCR 烟气脱硝系统作为研究对象，在催化剂活性一定时，选择以入口NOx浓度、烟气流量、喷氨量和机组负荷作为神经网络模型的输入量，以出口NOx浓度值作为输出量，采用2.2.1中所述神经网络数据建模方法建立预测模型，选取机组脱硝系统1200组历史运行数据，覆盖机组全运行工况，采样时间间隔为1min，模型效果如图5所示，其中前800组数据为训练集，后400组数据为验证集。

采用均方根误差作为模型精度的评价指标，其计算公式为

由式(3)计算可知，测试样本RMSE=3.4372，模型预测精度较高，可以满足预测控制要求。

另外，仿真所用的被控对象机理模型方法建立，利用本机组历史数据对模型中的参数进行辨识，辨识结果如表1所示。

将确定好的参数输入到机理模型，对比模型的输出值与实际运行数据，验证结果如图6所示。

由式(3)计算可知，该模型验证集与真实运行数据误差较小，RMSE=8.7385。因此，机理模型可以表征火电机组脱硝系统的实时运行工况，具备了良好的动态特性。

3.2 多目标优化控制方法仿真

在上节建立的神经网络预测模型基础上，本文采用遗传算法求解预测控制最优喷氨量。在遗传算法寻优的过程中，设定迭代次数为50，种群大小为30，寻优误差系数为10-6，交配概率为0.85，变异概率为0.2，喷氨量的变化范围设为30~150kg/h。鉴于喷氨反应为空间反应，当入口NOx浓度激增，喷氨阀门短时间内无法骤变，控制出口NOx浓度为某一固定值难度较大，将其控制在某个较小的区间范围内更为合理。根据国家超低排放标准，SCR出口NOx 浓度允许的最大值为 50mg/m3，考虑预测模型与实际模型之间存在偏差，以及受到环境扰动对输出可能造成的影响，同时兼顾经济性原则，设置出口NOx浓度的期望区间范围为40~45mg/m3。由于喷氨阀门不能突变，故对喷氨量的变化进行限速处理，设定其单步最大变化范围为10kg/h。

比较不同控制方式下脱硝系统的输出效果，设定PID控制的参数为Kp=1，Ki=0.5，Kd=0；设定改进前后的预测控制中参数预测步长P=10，控制步长M=6。仿真结果如图7和图8所示，采用传统PID 控制时，SCR出口NOx浓度最大值为68.57mg/m3，平均浓度为54.23mg/m3。采用DMC预测控制时，SCR出口NOx浓度最大值为69.89mg/m3，平均浓度为51. 80mg/m3。与之相比，多目标优化控制方案通过遗传算法进行滚动寻优，具有更高控制精度。对喷氨量进行最优控制后，SCR出口NOx浓度最大值为58.87mg/m3，平均浓度为49.34mg/m3，满足了国家的最低排放要求，并且其值分布更为集中。在第312min时，机组负荷开始发生骤变，由896.4 MW降至814.7 MW，脱硝系统的入口NOx浓度激增，多目标优化控制方案下，出口NOx波动性较小，抗干扰能力较强。

传统PID 控制方法仅利用SCR 出口 NOx浓度进行反馈控制，很难解决工况波动情况下 SCR系统的非线性和大惯性问题。为避免过量喷氨，传统PID控制通常将氨氮摩尔比设置为 0.8，从而导致喷氨量控制精度低，出口NOx浓度偏高。

3种控制方式下的喷氨量、脱硝效率和出口NOx参数分别如图9、图10和图11所示。当脱硝系统采用传统PID控制时，平均喷氨量为59.84kg/h，平均脱硝效率为78.55%。采用DMC预测控制时，平均喷氨量为62.22kg/h，平均脱硝效率为78.12%。采用多目标优化控制后，平均喷氨量为58.25kg/h，平均脱硝效率为84.78%。通过对比可以发现，在第312min时，机组工况发生突变，采用多目标最优控制后，平均喷氨量有所降低，但是脱硝效率得到了提高。仿真说明改进的预测控制优化方法，使得脱硝系统既能满足NOx排放标准又降低了经济成本。

为了在满足电厂NOx超低排放的同时降低经济成本，本文在DMC预测控制的基础上进行了改进，提出了一种脱硝系统多目标优化控制方法。通过神经网络算法构建的全工况数据预测模型可以对出口NOx进行实时预测，构建了兼顾NOx排放和经济成本的多目标优化函数，采用遗传算法进行喷氨量寻优。仿真结果表明，与PID和改进前的DMC预测控制方法相比，改进后的预测控制优化方法用较少的喷氨量实现了较高的脱硝效率，在工况发生变化时有较好的控制性能，实现了脱硝系统的全工况优化控制。