精品免费视频,精品国产亚洲一区二区三区,久久毛片亚洲,青青国产精品

　　在能源結構轉型的過程中，新能源電力規模化接入電網對燃煤機組提出了運行靈活性要求。快速深度變負荷意味著機組運行工況大范圍快速變化，鍋爐工況的變化會使得燃燒產生的NOx波動加劇，這無疑加大了機組實現NOx超低排放的難度。SCR脫硝是目前主流的煙氣脫硝技術，其反應是一個復雜的物理化學過程，噴氨量較多可以降低NOx排放，但會增加經濟成本，并導致氨逃逸增大，影響機組安全運行。因此，如何對脫硝系統進行優化控制，在保證達標排放的同時實現機組經濟運行是燃煤電站亟待解決的問題。

　　圍繞脫硝系統噴氨量控制問題，國內外學者做了大量研究。Haggan-Ozaki V等人基于 RBF-ARX非參數模型，利用一種變異的卡爾曼濾波狀態空間方法實現了脫硝系統噴氨量控制，控制效果良好，計算效率有所提高。黃宇等人提出了線性自抗擾控制方法，使得SCR脫硝系統跟蹤設定值的能力有所提升。Nakamoto M等人利用廣義預測控制( generalized predictive control，GPC)和線性二次調節(linear quadratic regulator，LQR)方法對火力發電廠的NOx分解過程進行串級控制，使得脫硝系統的抗干擾能力提高，出口NOx濃度波動范圍明顯減小。張曉東等人提出了基于多變量廣義預測控制算法，在前饋控制中加入磨煤機斷煤和堵磨信號，有效地抑制磨煤機在斷煤及堵磨后脫硝系統出口NOx濃度大幅波動情況，使控制系統穩定運行。秦天牧等人使用自適應多尺度核偏最小二乘(SMKPLS)法建立SCR脫硝系統預測模型，模型通過對出口NOx濃度變化做出預判，進而起到預先校正的作用。Hui Peng等人提出了一種基于RBF- ARX模型的滾動時域預測控制策略，以出口NOx接近期望值為優化目標。周洪煜等人設計了基于混結構RBF神經網絡(MSRBFNN)的噴氨流量最優控制系統，以 SCR 裝置出口NOx含量最小為學習目標，求取最佳噴氨控制量。上述針對SCR脫硝系統控制方法的研究，主要關注于SCR出口NOx濃度的控制，對噴氨經濟成本考慮較少。

　　基于以上問題，本文兼顧脫硝過程的排放要求和經濟成本，在保證出口NOx排放達標的同時，考慮系統各方面的經濟成本，比如還原劑成本和排污成本等。在脫硝系統的控制策略中將經濟成本加入優化目標，構建預測控制算法，通過電廠實際運行數據仿真驗證控制效果。

　　1 SCR脫硝系統

　　某電廠燃煤機組SCR煙氣脫硝裝置如圖1 所示。

　　儲存在氨罐中的液態氨蒸發汽化后與稀釋空氣混合均勻，噴入SCR反應器上游的煙氣中與NOx發生反應，反應過程如圖2所示。煙氣中的NOx在還原劑氨和催化劑同時存在的條件下，發生氧化還原反應，將煙氣中的NOx還原為氮氣(N2)和水(H2O)。

　　噴氨量是影響脫硝效率的主要因素。控制系統主要根據反應器入口NOx濃度和煙氣流量來調節氨氣閥門開度，改變噴氨量。噴氨量過少，NOx排放超標;噴氨量過多，經濟成本升高，同時會使氨逃逸增大。煙氣中SO2在SCR催化劑作用下生成SO3，逃逸的NH3、SO3與水反應生成硫酸銨((NH4)2SO4)和硫酸氫銨(NH4HSO4)。這些副產物會附著在催化劑表面，堵塞催化劑的孔道從而影響催化劑活性，也會造成空氣預熱器結垢堵塞和腐蝕，煙道阻力增加，嚴重時可引發引風機失速和機組跳閘。

　　因此，氨過量不但造成還原劑浪費，也直接影響機組安全穩定運行，需設計合理的多目標優化控制方案對噴氨量進行精準控制。

　　2 SCR脫硝系統多目標優化方案

　　SCR脫硝系統反應機理復雜，其受到氨氮摩爾比、煙氣溫度、反應時間和催化劑活性等因素影響，控制對象具有大遲延大滯后和非線性特性，尤其在機組工況大范圍變化時，控制難度較大。預測控制作為一種先進控制算法，其以預測模型為基礎，對未來時刻被控對象未來的輸出狀態進行預判，并以此確定當前時刻的控制動作，即先預測再控制，使得它明顯優于傳統的先輸出后反饋再控制的PID控制系統，具有更好的控制效果。

　　2.1 構建多目標優化控制方案

　　預測控制主要包括預測模型、滾動優化、反饋校正3個部分，其原理是根據模型預測的輸出相應調整輸入量，通過極小化目標函數求解最優噴氨量，從而使實際輸出與設定值保持一致。

　　為了使SCR脫硝系統能在適應機組工況大范圍變化的同時降低噴氨成本，本文對DMC預測控制算法進行改進，將神經網絡、遺傳算法用于預測控制的預測模型、滾動優化，將經濟指標加入目標函數構建了脫硝系統的多目標優化控制算法，其控制算法如圖3所示。

　　以脫硝系統為研究對象，圖中yr為出口NOx濃度設定值，u為噴氨量，y為SCR出口NOx濃度值，ym為預測模型出口NOx濃度預測值，yp為校正后的出口NOx濃度預測值。在仿真過程中，采用提出的機理建模方法來建立模型作為被控對象，便于對算法進行仿真驗證。假設已知噴氨量u(k-1)，可以得到機理模型出口NOx濃度值y(k-1)以及神經網絡預測模型的出口NOx濃度值ym(k)。相應的，通過u(k)可以得到y(k)和ym(k+1)。將k時刻實際輸出y(k)與k-1時刻模型輸出ym(k)之間的偏差視為k時刻預測誤差的估計值，并將其作為反饋校正信號補償到k時刻的預測模型輸出ym(k+1)中，即反饋校正后的預測值為

　　反饋校正環節考慮了上一時刻的模型預測誤差，一定程度上提高了模型預測精度。將yp(k+1)和yr(k+1)輸入目標函數中，在不斷地滾動優化過程中，采用遺傳算法快速尋優噴氨量u(k-1)。當入口NOx濃度發生大范圍改變時，對脫硝系統起到預先控制的作用。

　　2.2 基于神經網絡和遺傳算法的改進策略

　　2.2.1 基于神經網絡的預測模型

　　預測模型的準確性對于預測控制效果非常重要，脫硝系統的對象特性隨工況變化呈現非線性和時變特征，傳統建模方法難以建立準確模型。本文利用神經網絡可以精確描述非線性和不確定性動態過程的特點，將其用于預測模型。

　　BP神經網絡有M個輸入節點，L個輸出節點，如圖4所示。本文通過對脫硝系統輸入節點歷史數據進行相關性分析，選擇以入口NOx濃度、煙氣流量、噴氨量和機組負荷作為神經網絡的四個輸入節點，以出口NOx濃度值，作為一個輸出節點，設置神經網絡的隱含層數為1，隱含層節點數為5。

　　建立脫硝系統的神經網絡預測模型。

　　2.2.2 滾動優化算法改進

　　在預測控制算法中，滾動優化過程的實質為求解非線性優化問題。DMC預測控制通過對目標函數求導計算極值的方法來獲取最優變量，計算過程復雜，容易陷入局部“陷阱”。作為全局優化的遺傳算法，可在一定程度克服上述缺點。因此，本文采用遺傳算法對構建的脫硝系統多目標函數進行滾動尋優。

　　2.2.3 構建控制優化目標函數

　　燃煤電廠煙氣脫硝應以提高環境質量、維護生態效益、維持經濟和社會的可持續發展為基本任務及功能目標，在滿足功能目標的前提下追求支出各項費用最小原則。該費用包括了與項目有關的一切費用，如還原劑成本、排污成本和耗電成本等。綜合神經網絡預測模型輸出的出口NOx濃度值與期望軌跡誤差以及經濟指標，構造如下目標函數：

　　式中：ym為神經網絡模型預測出口NOx濃度;yr為出口 NOx濃度的期望值;yp為校正后的出口NOx濃度預測值;Qgas為煙氣流量;CO2為煙氣含氧量，6%為標準煙氣含氧量，0.95為氮氧化物排污量;M1為排污費價格;QNH3為氨流量;M2為液氨價格;N為機組發電量;M3為電價補貼價格;w為權重系數。鑒于電廠對氣體排放達標的關注度大于經濟成本，根據指標的重要程度以及操作經驗將權重系數設為w1=0.75，w2=0.25。

　　本文通過遺傳算法對目標函數尋優，求出最優噴氨量序列u(k),u(k+1),?,u(k+d-1)。當對脫硝系統進行控制時，只使用第一個最優控制量u(k)進行實際控制，在下一個采樣時刻k+1時，先對當前及歷史的信息做更新，然后再次在線執行優化算法，重復k時刻的過程。如此反復，在每個采樣時刻，優化算法都更新相關信息，使用第一個優化噴氨量進行控制。利用滾動的有限時段優化取代一成不變的全局優化。

　　該方法雖然在理想情況下不能得到全局最優，但由于脫硝系統在實際運行過程中，不可避免存在著誤差和環境等各種干擾，這種建立在實際反饋信息基礎上的反復優化，能不斷計入不確定性影響并及時加以校正，與模型一次優化相比，更具魯棒性。

　　3 仿真結果

　　3.1 模型的應用及驗證

　　以某電廠1000MW超超臨界鍋爐SCR 煙氣脫硝系統作為研究對象，在催化劑活性一定時，選擇以入口NOx濃度、煙氣流量、噴氨量和機組負荷作為神經網絡模型的輸入量，以出口NOx濃度值作為輸出量，采用2.2.1中所述神經網絡數據建模方法建立預測模型，選取機組脫硝系統1200組歷史運行數據，覆蓋機組全運行工況，采樣時間間隔為1min，模型效果如圖5所示，其中前800組數據為訓練集，后400組數據為驗證集。

　　采用均方根誤差作為模型精度的評價指標，其計算公式為

　　由式(3)計算可知，測試樣本RMSE=3.4372，模型預測精度較高，可以滿足預測控制要求。

　　另外，仿真所用的被控對象機理模型方法建立，利用本機組歷史數據對模型中的參數進行辨識，辨識結果如表1所示。

　　將確定好的參數輸入到機理模型，對比模型的輸出值與實際運行數據，驗證結果如圖6所示。

　　由式(3)計算可知，該模型驗證集與真實運行數據誤差較小，RMSE=8.7385。因此，機理模型可以表征火電機組脫硝系統的實時運行工況，具備了良好的動態特性。

　　3.2 多目標優化控制方法仿真

　　在上節建立的神經網絡預測模型基礎上，本文采用遺傳算法求解預測控制最優噴氨量。在遺傳算法尋優的過程中，設定迭代次數為50，種群大小為30，尋優誤差系數為10-6，交配概率為0.85，變異概率為0.2，噴氨量的變化范圍設為30~150kg/h。鑒于噴氨反應為空間反應，當入口NOx濃度激增，噴氨閥門短時間內無法驟變，控制出口NOx濃度為某一固定值難度較大，將其控制在某個較小的區間范圍內更為合理。根據國家超低排放標準，SCR出口NOx 濃度允許的最大值為 50mg/m3，考慮預測模型與實際模型之間存在偏差，以及受到環境擾動對輸出可能造成的影響，同時兼顧經濟性原則，設置出口NOx濃度的期望區間范圍為40~45mg/m3。由于噴氨閥門不能突變，故對噴氨量的變化進行限速處理，設定其單步最大變化范圍為10kg/h。

　　比較不同控制方式下脫硝系統的輸出效果，設定PID控制的參數為Kp=1，Ki=0.5，Kd=0;設定改進前后的預測控制中參數預測步長P=10，控制步長M=6。仿真結果如圖7和圖8所示，采用傳統PID 控制時，SCR出口NOx濃度最大值為68.57mg/m3，平均濃度為54.23mg/m3。采用DMC預測控制時，SCR出口NOx濃度最大值為69.89mg/m3，平均濃度為51. 80mg/m3。與之相比，多目標優化控制方案通過遺傳算法進行滾動尋優，具有更高控制精度。對噴氨量進行最優控制后，SCR出口NOx濃度最大值為58.87mg/m3，平均濃度為49.34mg/m3，滿足了國家的最低排放要求，并且其值分布更為集中。在第312min時，機組負荷開始發生驟變，由896.4 MW降至814.7 MW，脫硝系統的入口NOx濃度激增，多目標優化控制方案下，出口NOx波動性較小，抗干擾能力較強。

　　傳統PID 控制方法僅利用SCR 出口 NOx濃度進行反饋控制，很難解決工況波動情況下 SCR系統的非線性和大慣性問題。為避免過量噴氨，傳統PID控制通常將氨氮摩爾比設置為 0.8，從而導致噴氨量控制精度低，出口NOx濃度偏高。

　　3種控制方式下的噴氨量、脫硝效率和出口NOx參數分別如圖9、圖10和圖11所示。當脫硝系統采用傳統PID控制時，平均噴氨量為59.84kg/h，平均脫硝效率為78.55%。采用DMC預測控制時，平均噴氨量為62.22kg/h，平均脫硝效率為78.12%。采用多目標優化控制后，平均噴氨量為58.25kg/h，平均脫硝效率為84.78%。通過對比可以發現，在第312min時，機組工況發生突變，采用多目標最優控制后，平均噴氨量有所降低，但是脫硝效率得到了提高。仿真說明改進的預測控制優化方法，使得脫硝系統既能滿足NOx排放標準又降低了經濟成本。

　　4 結語

　　為了在滿足電廠NOx超低排放的同時降低經濟成本，本文在DMC預測控制的基礎上進行了改進，提出了一種脫硝系統多目標優化控制方法。通過神經網絡算法構建的全工況數據預測模型可以對出口NOx進行實時預測，構建了兼顧NOx排放和經濟成本的多目標優化函數，采用遺傳算法進行噴氨量尋優。仿真結果表明，與PID和改進前的DMC預測控制方法相比，改進后的預測控制優化方法用較少的噴氨量實現了較高的脫硝效率，在工況發生變化時有較好的控制性能，實現了脫硝系統的全工況優化控制。