基于RBF神經(jīng)網(wǎng)絡(luò)的SCR脫硝系統(tǒng)噴氨優(yōu)化

廖永進(jìn)， 范軍輝， 楊維結(jié)， 季 鵬， 張 靜， 馮永新

(1.廣東電網(wǎng)有限責(zé)任公司電力科學(xué)研究院，廣州 510080;2.華北電力大學(xué) 能源動(dòng)力與機(jī)械工程學(xué)院，河北保定 071003)

基于RBF神經(jīng)網(wǎng)絡(luò)的SCR脫硝系統(tǒng)噴氨優(yōu)化

廖永進(jìn)1， 范軍輝2， 楊維結(jié)2， 季 鵬2， 張 靜2， 馮永新1

(1.廣東電網(wǎng)有限責(zé)任公司電力科學(xué)研究院，廣州 510080;2.華北電力大學(xué) 能源動(dòng)力與機(jī)械工程學(xué)院，河北保定 071003)

為實(shí)現(xiàn)對(duì)電廠選擇性催化還原(SCR)脫硝裝置噴氨的優(yōu)化控制，以廣東某電廠350 MW鍋爐為研究對(duì)象，采用徑向基函數(shù)(RBF)神經(jīng)網(wǎng)絡(luò)法，以鍋爐負(fù)荷、煙氣體積流量、SCR煙氣溫度、脫硝進(jìn)口NOx質(zhì)量濃度以及噴氨質(zhì)量流量等為輸入變量，以SCR脫硝效率為輸出變量，建立輸入變量與輸出變量之間的關(guān)系模型，實(shí)現(xiàn)對(duì)SCR脫硝效率及脫硝出口NOx質(zhì)量濃度的預(yù)測(cè).在滿足NOx排放標(biāo)準(zhǔn)的前提下，以SCR系統(tǒng)運(yùn)行成本最小為目標(biāo)，利用Matlab對(duì)該模型進(jìn)行仿真實(shí)驗(yàn)，尋求氨耗成本和電耗成本與NOx排放費(fèi)用的臨界點(diǎn)，得到最佳噴氨質(zhì)量流量.結(jié)果表明：最佳噴氨質(zhì)量流量計(jì)算值比實(shí)測(cè)值或高或低，但在滿足NOx排放標(biāo)準(zhǔn)的前提下，其SCR系統(tǒng)運(yùn)行成本呈降低趨勢(shì).

SCR； 噴氨質(zhì)量流量； NOx排放； 脫硝效率； 成本

隨著社會(huì)經(jīng)濟(jì)發(fā)展進(jìn)程的不斷加快，我國(guó)NOx排放量不斷增加，因此面臨巨大的NOx減排壓力.據(jù)中國(guó)環(huán)境監(jiān)測(cè)總站提供的數(shù)據(jù)，2011年我國(guó)NOx排放量為2 404.3萬t[1]，其中工業(yè)NOx排放量為1 729.7萬t，火電行業(yè)作為NOx排放的主要來源，在運(yùn)行過程中產(chǎn)生的NOx占工業(yè)NOx排放量的一半以上.對(duì)此，環(huán)境保護(hù)部已實(shí)施了新的GB 13223—2011 《火電廠大氣污染物排放標(biāo)準(zhǔn)》[2]，并印發(fā)了《全面實(shí)施燃煤電廠超低排放和節(jié)能改造工作方案》，要求廣東等重點(diǎn)地區(qū)率先實(shí)現(xiàn)超低排放改造，即在基準(zhǔn)氧體積分?jǐn)?shù)為6%的條件下，煙塵、SO2和NOx排放質(zhì)量濃度分別不高于10 mg/m3、35 mg/m3和50 mg/m3[3].

隨著環(huán)保部門對(duì)NOx排放量限制的日益嚴(yán)格，低NOx燃燒技術(shù)和煙氣脫硝技術(shù)被普遍應(yīng)用于燃煤電站.選擇性催化還原(SCR)法在國(guó)內(nèi)燃煤電站中的應(yīng)用最為廣泛，具有脫硝效率高、技術(shù)成熟等優(yōu)點(diǎn)[4-5].SCR法是指在催化劑、氧氣和一定溫度范圍條件下，還原劑(一般為氨)有選擇地將煙氣中的NOx(主要是NO)還原生成N2和H2O.影響SCR脫硝效率的主要因素有煙氣體積流量、SCR煙氣溫度、脫硝進(jìn)口NOx質(zhì)量濃度、噴氨質(zhì)量流量以及催化劑活性等.根據(jù)實(shí)際運(yùn)行情況來看，SCR煙氣溫度與鍋爐負(fù)荷和燃料燃燒情況有關(guān)，催化劑通常只能在失效后更換，因而噴氨質(zhì)量流量成為可日常調(diào)整的關(guān)鍵因素之一[6].噴氨質(zhì)量流量過小，難以保證達(dá)到NOx排放標(biāo)準(zhǔn)；噴氨質(zhì)量流量過大，不僅造成NH3的浪費(fèi)，而且在空氣預(yù)熱器中逃逸的NH3會(huì)與煙氣中的SO3和H2O反應(yīng)生成NH4HSO4，而NH4HSO4有黏性，長(zhǎng)時(shí)間堆積會(huì)引起堵灰現(xiàn)象[7-9].

盡管相關(guān)學(xué)者在優(yōu)化控制噴氨方面進(jìn)行了大量研究[10-15]，包括自動(dòng)控制噴氨裝置的改進(jìn)、噴氨方法的多樣化、改變脫硝出口NOx質(zhì)量濃度分布以及降低氨逃逸率等，但以SCR系統(tǒng)運(yùn)行成本最小為目標(biāo)來優(yōu)化控制噴氨的研究較少.王桂林等[16]基于支持向量機(jī)法建立了鍋爐運(yùn)行過程中NOx生成和SCR脫硝效率的預(yù)測(cè)模型，以SCR系統(tǒng)運(yùn)行成本最小為目標(biāo)，利用遺傳算法對(duì)噴氨質(zhì)量流量進(jìn)行優(yōu)化，實(shí)現(xiàn)了對(duì)噴氨的優(yōu)化控制.但對(duì)于不同爐型，噴氨的優(yōu)化控制存在差異，且該模型預(yù)測(cè)誤差相對(duì)較大.RBF神經(jīng)網(wǎng)絡(luò)法已經(jīng)被證明具有很強(qiáng)的非線性映射能力[17]，筆者以廣東某電廠350 MW鍋爐為研究對(duì)象，采用RBF神經(jīng)網(wǎng)絡(luò)法建立SCR脫硝效率預(yù)測(cè)模型；以SCR系統(tǒng)運(yùn)行成本最小為目標(biāo)，利用Matlab對(duì)該模型進(jìn)行仿真實(shí)驗(yàn)，在滿足NOx排放標(biāo)準(zhǔn)的前提下獲得最佳噴氨質(zhì)量流量.

1 研究對(duì)象及方法

1.1研究對(duì)象概況

廣東某電廠350 MW供熱抽汽凝汽式燃煤機(jī)組鍋爐是武漢鍋爐股份有限公司(AWBC)生產(chǎn)的亞臨界參數(shù)、自然循環(huán)、一次中間再熱、單爐膛平衡通風(fēng)、固態(tài)排渣、露天布置、全鋼構(gòu)架的∏型汽包爐，已安裝脫硝裝置，設(shè)計(jì)煤種為石圪臺(tái)煤，校核煤種1為神華混煤，參數(shù)如表1所示.采用SCR法，脫硝裝置按2+1層布置，設(shè)計(jì)脫硝效率不低于80%.SCR脫硝裝置催化劑采用蜂窩式催化劑，其主要參數(shù)如表2所示，脫硝系統(tǒng)進(jìn)口煙氣設(shè)計(jì)值見表3.

表1 煤質(zhì)分析

表2 催化劑主要參數(shù)

表3脫硝系統(tǒng)進(jìn)口煙氣設(shè)計(jì)值(6%φ(O2)、標(biāo)態(tài)、干基)

Tab.3Designparametersofinletfluegasinthedenitrificationsystem(6%φ(O2),standardstate,drybasis)

參數(shù)數(shù)值飛灰質(zhì)量濃度/(g·m-3)36NOx質(zhì)量濃度/(mg·m-3)400(設(shè)計(jì)值)SO2質(zhì)量濃度/(mg·m-3)3150SO3質(zhì)量濃度/(mg·m-3)38

1.2研究方法

筆者采用該機(jī)組的歷史運(yùn)行數(shù)據(jù)，利用RBF神經(jīng)網(wǎng)絡(luò)法建立SCR脫硝效率預(yù)測(cè)模型，預(yù)測(cè)出機(jī)組SCR脫硝效率以及脫硝出口NOx質(zhì)量濃度，從而預(yù)測(cè)SCR系統(tǒng)運(yùn)行成本.以SCR系統(tǒng)運(yùn)行成本最小為目標(biāo)，建立SCR系統(tǒng)運(yùn)行成本關(guān)于噴氨質(zhì)量流量的目標(biāo)函數(shù)，利用Matlab對(duì)該模型進(jìn)行仿真實(shí)驗(yàn)，得到在滿足NOx排放標(biāo)準(zhǔn)前提下的最佳噴氨質(zhì)量流量，實(shí)現(xiàn)對(duì)電廠SCR脫硝裝置噴氨質(zhì)量流量的優(yōu)化控制.

1.2.1 RBF神經(jīng)網(wǎng)絡(luò)

RBF神經(jīng)網(wǎng)絡(luò)基于正則化理論導(dǎo)出，具有收斂速度快、可逼近任意非線性函數(shù)等優(yōu)點(diǎn).其網(wǎng)格結(jié)構(gòu)簡(jiǎn)單，是一種3層前向網(wǎng)絡(luò)，第1層為輸入層，結(jié)點(diǎn)個(gè)數(shù)等于輸入的維數(shù)；第2層為隱含層，結(jié)點(diǎn)個(gè)數(shù)視問題復(fù)雜度而定；第3層為輸出層，結(jié)點(diǎn)個(gè)數(shù)為輸出層的維數(shù)，如圖1所示.RBF神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)屬于一種前饋網(wǎng)絡(luò)的拓?fù)浣Y(jié)構(gòu)，其輸入樣本向量先與權(quán)值向量相乘，再輸入到隱含層的節(jié)點(diǎn)，計(jì)算樣本與節(jié)點(diǎn)中心的距離，該距離經(jīng)過徑向基函數(shù)的映射后形成隱含層輸出，再輸入到輸出層，各個(gè)隱含層節(jié)點(diǎn)(以下簡(jiǎn)稱隱節(jié)點(diǎn))的線性組合形成了最終的網(wǎng)格輸出[18].

圖1 RBF神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)Fig.1 RBF neural network architecture

RBF神經(jīng)網(wǎng)絡(luò)從輸入空間到隱含空間的變換是非線性的，而從隱含空間到輸出空間的變換是線性的.在實(shí)現(xiàn)RBF神經(jīng)網(wǎng)絡(luò)由輸入到輸出的過程中，需要確定的主要參數(shù)為隱節(jié)點(diǎn)的中心及其標(biāo)準(zhǔn)差σ、徑向基函數(shù)的寬度、隱含層與輸出層間的權(quán)值矩陣.通常隱節(jié)點(diǎn)的中心可以采用聚類方法確定或直接從輸入樣本中選擇，而標(biāo)準(zhǔn)差σ可通過式(1)求得，隱含層與輸出層間的權(quán)值矩陣可通過求偽逆的方法得到.徑向基函數(shù)的寬度決定隱節(jié)點(diǎn)對(duì)外部輸入信號(hào)的相應(yīng)范圍，當(dāng)輸入信號(hào)靠近某個(gè)隱節(jié)點(diǎn)中心時(shí)，則該節(jié)點(diǎn)被激活，該節(jié)點(diǎn)將產(chǎn)生較大輸出；當(dāng)輸入信號(hào)遠(yuǎn)離此隱節(jié)點(diǎn)中心時(shí)，則該隱節(jié)點(diǎn)的輸出趨于0.徑向基函數(shù)僅對(duì)輸入信號(hào)產(chǎn)生局部響應(yīng)，隱含層輸出在輸出層進(jìn)行線性加權(quán)，實(shí)現(xiàn)從輸入空間到輸出空間的映射，從而使整個(gè)網(wǎng)絡(luò)達(dá)到分類或函數(shù)逼近的目的[17].

(1)

式中：dmax為選取隱節(jié)點(diǎn)中心之間的最大距離；n為隱節(jié)點(diǎn)個(gè)數(shù)，由OLS算法根據(jù)訓(xùn)練樣本確定.

徑向基網(wǎng)絡(luò)與多層感知器不同，其隱含層為非線性，采用高斯函數(shù)作為徑向基函數(shù).徑向基函數(shù)是一種局部分布的沿隱節(jié)點(diǎn)中心徑向?qū)ΨQ衰減的非負(fù)非線性函數(shù)，可用式(2)表示：

(2)

φi越小，說明徑向基函數(shù)的寬度越小，基函數(shù)的選擇性越強(qiáng).網(wǎng)絡(luò)的第k個(gè)輸出可表示為：

(3)

式中：wki為隱含層神經(jīng)元和輸出層神經(jīng)元之間的權(quán)值矩陣；yk為實(shí)際輸出.

在應(yīng)用RBF神經(jīng)網(wǎng)絡(luò)的過程中，先確定所有隱節(jié)點(diǎn)中心ci，然后校正隱含層神經(jīng)元與輸出層神經(jīng)元之間的權(quán)值矩陣wki.

1.2.2 SCR系統(tǒng)運(yùn)行成本計(jì)算

SCR系統(tǒng)運(yùn)行成本包括氨耗成本、電耗成本、NOx排放費(fèi)用、污染物排放達(dá)到標(biāo)準(zhǔn)后的電價(jià)補(bǔ)償以及人工、折舊、維修等費(fèi)用[19]，其中污染物排放達(dá)到標(biāo)準(zhǔn)后的電價(jià)補(bǔ)償以及人工、折舊、維修等費(fèi)用固定，而氨耗成本、電耗成本以及NOx排放費(fèi)用均與噴氨質(zhì)量流量相關(guān).

根據(jù)模型輸入脫硝進(jìn)口NOx質(zhì)量濃度以及預(yù)測(cè)模型的SCR脫硝效率，計(jì)算脫除后NOx量，脫硝化學(xué)反應(yīng)方程式為：

(4)

(5)

氨消耗質(zhì)量流量qm,a(kg/h)為：

qm,a=[qV×ρNO×17/(30×106)+

qV×ρNO2×17×2/(46×106)]×m

(6)

ρNO=ρR，NOx/(2.05×0.95×1.34)

(7)

ρNO2=0.05×ρC,NOx

(8)

m=η/100+γa(ρNO/30+2ρNO2/46)/22.4

(9)

式中：ρNO、ρNO2分別為進(jìn)口煙氣NO、NO2的質(zhì)量濃度，mg/m3；ρR,NOx為脫硝進(jìn)口NOx質(zhì)量濃度；ρC,NOx為進(jìn)口煙氣NOx的質(zhì)量濃度；m為氨與SCR進(jìn)口NOx質(zhì)量濃度比；γa為氨逃逸率；qV為煙氣體積流量，m3/h；η為預(yù)測(cè)出的SCR脫硝效率.

結(jié)合氨水單價(jià)(3 000元/t)計(jì)算氨耗成本F1(元/h)：

F1=3×qm,a

(10)

根據(jù)噴氨質(zhì)量流量及各脫硝設(shè)備總電流的相關(guān)數(shù)據(jù)，擬合出噴氨質(zhì)量流量與各脫硝設(shè)備總電流之間的關(guān)系.一般情況下，噴氨質(zhì)量流量越大，設(shè)備耗電量越大，可根據(jù)簡(jiǎn)單的線性關(guān)系來擬合：

I=k×qm+b

(11)

式中：qm為噴氨質(zhì)量流量；I為各脫硝設(shè)備總電流；k和b均為常數(shù)，可通過數(shù)據(jù)擬合得到.

根據(jù)噴氨質(zhì)量流量估算出電耗成本，結(jié)合電價(jià)0.3元/(kW·h)計(jì)算電耗成本F2(元/h)：

F2=1.73×6 000×I×0.83×0.3÷1 000

(12)

根據(jù)脫硝進(jìn)口NOx質(zhì)量濃度及預(yù)測(cè)出的SCR脫硝效率η，可計(jì)算未脫除的NOx質(zhì)量濃度.根據(jù)廣東省NOx排污費(fèi)用征收標(biāo)準(zhǔn)，NOx排放費(fèi)用為每當(dāng)量2.4元，可計(jì)算排污費(fèi)用F3(元/h).

未脫除的NOx質(zhì)量濃度為：

(13)

排污費(fèi)用F3為：

(14)

(15)

折合到單位時(shí)間，并統(tǒng)一單位，F(xiàn)4(元/h)可表示為：

(16)

式中：P為鍋爐負(fù)荷.

其他成本包括人工、折舊、維修等費(fèi)用，且基本固定，統(tǒng)一用G表示[20].將所有成本除以發(fā)電量，得到脫硝系統(tǒng)單位發(fā)電量總成本F(元·kW-1·h-1)，F(xiàn)可表示為：

(17)

2 RBF神經(jīng)網(wǎng)絡(luò)SCR脫硝效率預(yù)測(cè)模型

2.1建立預(yù)測(cè)模型

選取鍋爐負(fù)荷、煙氣體積流量、SCR煙氣溫度、脫硝進(jìn)口NOx質(zhì)量濃度以及噴氨質(zhì)量流量等為輸入變量，以SCR脫硝效率為輸出變量，構(gòu)造一個(gè)5輸入-1輸出的預(yù)測(cè)模型，如圖2所示.

圖2 SCR脫硝效率η的預(yù)測(cè)模型Fig.2 Prediction model of the SCR denitrification efficiency η

根據(jù)預(yù)測(cè)模型的需要，隨機(jī)選取100組數(shù)據(jù)作為訓(xùn)練樣本(鍋爐負(fù)荷在50%～100%內(nèi))，25組數(shù)據(jù)作為測(cè)試樣本，訓(xùn)練開始前先對(duì)數(shù)據(jù)進(jìn)行濾波處理，篩除偏差較大的數(shù)據(jù)，然后利用Matlab神經(jīng)網(wǎng)絡(luò)工具箱提供的newrb函數(shù)對(duì)構(gòu)造的網(wǎng)絡(luò)模型進(jìn)行訓(xùn)練.在訓(xùn)練過程中，由于newrb函數(shù)創(chuàng)建的徑向基網(wǎng)絡(luò)隱含層的節(jié)點(diǎn)不確定，因此根據(jù)設(shè)定的誤差目標(biāo)向徑向基網(wǎng)絡(luò)中不斷添加新的隱節(jié)點(diǎn)，并調(diào)整節(jié)點(diǎn)中心、標(biāo)準(zhǔn)差及權(quán)值，直到網(wǎng)絡(luò)達(dá)到預(yù)期的誤差目標(biāo)要求，設(shè)置誤差容限為10-8.根據(jù)newrb函數(shù)創(chuàng)建的徑向網(wǎng)絡(luò)在Matlab中仿真，得到SCR脫硝效率訓(xùn)練誤差，如圖3所示.用view(net)命令得到最終的徑向基網(wǎng)絡(luò)結(jié)構(gòu)，結(jié)構(gòu)圖顯示隱含層包含198個(gè)神經(jīng)元，如圖4所示.

圖3 訓(xùn)練誤差曲線Fig.3 Training error curve

圖4 建立的RBF網(wǎng)絡(luò)結(jié)構(gòu)圖Fig.4 Establishment of the RBF network structure

2.2預(yù)測(cè)模型驗(yàn)證

為驗(yàn)證模型的準(zhǔn)確性，對(duì)選取的25個(gè)樣本進(jìn)行預(yù)測(cè)，結(jié)果如圖5所示.由圖5可以看出，預(yù)測(cè)值與真實(shí)值非常接近，且兩者的變化趨勢(shì)完全一致.從相對(duì)誤差的角度來看，100份測(cè)試樣本的平均相對(duì)誤差接近0.8%，最大相對(duì)誤差接近4.8%，驗(yàn)證了采用RBF神經(jīng)網(wǎng)絡(luò)建立SCR脫硝效率預(yù)測(cè)模型的準(zhǔn)確性，并可根據(jù)預(yù)測(cè)模型結(jié)果計(jì)算SCR系統(tǒng)運(yùn)行成本.

圖5 SCR脫硝效率真實(shí)值與預(yù)測(cè)值的對(duì)比Fig.5 Comparison of denitrification efficiency between actual measurements and predicted results

3 噴氨優(yōu)化控制

3.1SCR系統(tǒng)運(yùn)行成本與噴氨質(zhì)量流量的關(guān)系

穩(wěn)定工況下鍋爐負(fù)荷、煙氣體積流量、SCR煙氣溫度、脫硝進(jìn)口NOx質(zhì)量濃度均為定值，噴氨質(zhì)量流量為變量，式(9)的SCR脫硝效率可認(rèn)為是關(guān)于噴氨質(zhì)量流量的函數(shù)，即SCR系統(tǒng)運(yùn)行成本是關(guān)于噴氨質(zhì)量流量的函數(shù).在滿足NOx排放標(biāo)準(zhǔn)的前提下，以SCR系統(tǒng)運(yùn)行成本最小為目標(biāo)，利用Matlab對(duì)該模型進(jìn)行仿真實(shí)驗(yàn)，尋求氨耗成本和電耗成本與NOx排放費(fèi)用的臨界點(diǎn)，得到最佳噴氨質(zhì)量流量.

以如下工況為例計(jì)算最佳噴氨質(zhì)量流量：鍋爐負(fù)荷為330.9 MW，煙氣體積流量為1 063.7 m3/h、SCR煙氣溫度為353 ℃、脫硝進(jìn)口NOx質(zhì)量濃度為317.3 mg/m3、噴氨質(zhì)量流量為155.3 kg/h.根據(jù)建立的預(yù)測(cè)模型，SCR脫硝效率為81.6%，從而可計(jì)算SCR系統(tǒng)運(yùn)行成本F.由于污染物排放達(dá)到標(biāo)準(zhǔn)后的電價(jià)補(bǔ)償以及人工、折舊、維修等費(fèi)用固定，因此僅需考慮氨耗成本、電耗成本以及NOx排放費(fèi)用.根據(jù)式(17)可得到F′，其中F1=3qm,a，F(xiàn)2=2.54qm,a-155.9，F(xiàn)3=816.9-4.31qm,a，則F′可表示為：

F′=(1.23qm,a+661)/P

(18)

由式(18)可以看出，SCR系統(tǒng)運(yùn)行成本與噴氨質(zhì)量流量呈正相關(guān)，因此降低噴氨質(zhì)量流量，可減小SCR系統(tǒng)運(yùn)行成本.但降低噴氨質(zhì)量流量直接導(dǎo)致SCR脫硝效率降低，使得脫硝出口NOx質(zhì)量濃度無法滿足排放標(biāo)準(zhǔn)，且面臨罰款.

3.2優(yōu)化噴氨質(zhì)量流量

以噴氨質(zhì)量流量為自變量，以SCR系統(tǒng)運(yùn)行成本最小為目標(biāo)，同時(shí)滿足NOx排放標(biāo)準(zhǔn)，利用Matlab對(duì)該模型進(jìn)行仿真實(shí)驗(yàn)，計(jì)算出最佳噴氨質(zhì)量流量為164.9 kg/h，優(yōu)化前后SCR系統(tǒng)運(yùn)行成本的對(duì)比如圖6所示.

圖6 優(yōu)化前后各項(xiàng)SCR系統(tǒng)運(yùn)行成本對(duì)比Fig.6 Operation cost of the SCR system before and after optimization

由圖6可知，優(yōu)化后氨耗成本比優(yōu)化前上升了5.7%，電耗成本比優(yōu)化前上升了約10.1%，而排污費(fèi)用比優(yōu)化前下降了約28.0%.通過對(duì)噴氨的優(yōu)化控制，雖然氨耗成本和電耗成本的增加使得SCR系統(tǒng)運(yùn)行成本F′略有上升，但NOx排放達(dá)到要求，且排污費(fèi)用也會(huì)降低.

3.3不同工況下噴氨優(yōu)化控制

計(jì)算不同工況下的最佳噴氨質(zhì)量流量，結(jié)果如表4所示.由表4可知，8個(gè)工況下優(yōu)化前后噴氨質(zhì)量流量的變化有增有減，且變化幅度不一.當(dāng)脫硝出口NOx質(zhì)量流量不能滿足排放標(biāo)準(zhǔn)時(shí)，需增加噴氨質(zhì)量流量，使NOx的脫除量增加，雖然氨耗成本及電耗成本會(huì)增加，但NOx排放量減少，可降低排污費(fèi)用；當(dāng)SCR脫硝效率較高，在滿足NOx排放的基礎(chǔ)上可適當(dāng)減小噴氨質(zhì)量流量，降低SCR系統(tǒng)運(yùn)行成本.因此，在滿足排放標(biāo)準(zhǔn)的前提下，氨耗成本和電耗成本與NOx排放費(fèi)用的臨界點(diǎn)即為最小SCR系統(tǒng)運(yùn)行成本對(duì)應(yīng)的最佳噴氨質(zhì)量流量.

表4 不同工況下優(yōu)化前后噴氨質(zhì)量流量對(duì)比

4 結(jié) 論

(1)采用RBF神經(jīng)網(wǎng)絡(luò)的方法，以鍋爐負(fù)荷、煙氣體積流量、SCR煙氣溫度、脫硝進(jìn)口NOx質(zhì)量濃度以及噴氨質(zhì)量流量等為輸入變量，以SCR脫硝效率為輸出變量，建立SCR脫硝效率預(yù)測(cè)模型，其誤差在可接受范圍內(nèi)，說明預(yù)測(cè)值是可信的.

(2)在滿足NOx排放標(biāo)準(zhǔn)的前提下，以SCR系統(tǒng)運(yùn)行成本最小為目標(biāo)，利用Matlab對(duì)該模型進(jìn)行仿真實(shí)驗(yàn)，尋求氨耗成本和電耗成本與NOx排放費(fèi)用的臨界點(diǎn)，得到最佳噴氨質(zhì)量流量.

(3)雖然最佳噴氨質(zhì)量流量計(jì)算值比實(shí)測(cè)值或高或低，但在滿足NOx排放標(biāo)準(zhǔn)的前提下，其SCR系統(tǒng)運(yùn)行成本的趨勢(shì)是降低的.

[1] 黃文靜, 戴蘇峰, 艾春美, 等. 電站燃煤鍋爐全負(fù)荷SCR脫硝控制技術(shù)探討[J].節(jié)能技術(shù), 2015, 33(2): 189-192.

HUANG Wenjing, DAI Sufeng, AI Chunmei, et al. Discussion about SCR denitration control technology under full load in a coal-fired boiler[J].EnergyConservationTechnology, 2015, 33(2): 189-192.

[2] 中華人民共和國(guó)國(guó)家質(zhì)量監(jiān)督檢驗(yàn)檢疫總局. 火電廠大氣污染物排放標(biāo)準(zhǔn): GB 13223—2011[S]. 北京: 中國(guó)環(huán)境科學(xué)出版社, 2012.

[3] 中華人民共和國(guó)環(huán)境保護(hù)部.全面實(shí)施燃煤電廠超低排放和節(jié)能改造工作方案[R].北京：中華人民共和國(guó)環(huán)境保護(hù)部，2015.

[4] 顧衛(wèi)榮, 周明吉, 馬薇. 燃煤煙氣脫硝技術(shù)的研究進(jìn)展[J].化工進(jìn)展, 2012, 31(9): 2084-2092.

GU Weirong, ZHOU Mingji, MA Wei. Technology status and analysis on coal-fired flue gas denitrification[J].ChemicalIndustryamp;EngineeringProgress, 2012, 31(9): 2084-2092.

[5] 秦勝, 張劍, 田莉雅. 火電廠氮氧化物控制技術(shù)探討[J].能源環(huán)境保護(hù), 2012, 26(4): 44-47.

QIN Sheng, ZHANG Jian, TIAN Liya. The controlling measures of nitrogen oxides in thermal power plants[J].EnergyEnvironmentalProtection, 2012, 26(4): 44-47.

[6] 周洪煜, 張振華, 張軍, 等. 超臨界鍋爐煙氣脫硝噴氨量混結(jié)構(gòu)-徑向基函數(shù)神經(jīng)網(wǎng)絡(luò)最優(yōu)控制[J].中國(guó)電機(jī)工程學(xué)報(bào), 2011, 31(5): 108-113.

ZHOU Hongyi, ZHANG Zhenhua, ZHANG Jun, et al. Mixed structure-radial basis function neural network optimal control on spraying ammonia flow for supercritical boiler flue gas denitrification[J].ProceedingsoftheCSEE, 2011, 31(5): 108-113.

[7] 楊建國(guó), 樊立安, 趙虹, 等. 提高催化劑反應(yīng)效率的煙溫協(xié)調(diào)優(yōu)化控制[J].中國(guó)電機(jī)工程學(xué)報(bào), 2014, 34(14): 2244-2250.

YANG Jianguo, FAN Li'an, ZHAO Hong, et al. Coordinated optimization control of flue gas temperature for improving reaction efficiency of catalyst[J].ProceedingsoftheCSEE, 2014, 34(14): 2244-2250.

[8] 方朝君, 金理鵬, 余美玲. SCR脫硝噴氨優(yōu)化與運(yùn)行控制研究[J].電力科技與環(huán)保, 2015, 31(6): 39-42.

FANG Zhaojun, JIN Lipeng, YU Meiling. Research on optimization adjustment for ammonia injection and operation of SCR denitrification system in coal-fired power plant[J].ElectricPowerEnvironmentalProtection, 2015, 31(6): 39-42.

[9] 馬雙忱, 鄧悅, 吳文龍, 等. SCR脫硝過程中硫酸氫銨形成特性實(shí)驗(yàn)研究[J].動(dòng)力工程學(xué)報(bào), 2016, 36(2): 143-150.

MA Shuangchen, DENG Yue, WU Wenlong, et al. Experimental research on ABS formation characteristics in SCR denitrification process[J].JournalofChineseSocietyofPowerEngineering, 2016, 36(2): 143-150.

[10] 周洪煜, 趙乾, 張振華, 等. 煙氣脫硝噴氨量SA-RBF神經(jīng)網(wǎng)絡(luò)最優(yōu)控制[J].控制工程, 2012, 19(6): 947-951.

ZHOU Hongyi, ZHAO Qian, ZHANG Zhenhua, et al. Sensitivity analysis radial basis function neural network control on spraying ammonia flow denitrification[J].ControlEngineeringofChina, 2012, 19(6): 947-951.

[11] 羅子湛, 孟立新. 燃煤電站SCR煙氣脫硝噴氨自動(dòng)控制方式優(yōu)化[J].電站系統(tǒng)工程, 2010, 26(4): 59-60, 63.

LUO Zizhan, MENG Lixin. Ammonia flow automatic control mode optimization of SCR flue gas DeNOxfor coal-fired power plant[J].PowerSystemEngineering, 2010, 26(4): 59-60, 63.

[12] 周英貴, 金保昇. 基于非均勻入口條件的SCR氨噴射方法[J].華中科技大學(xué)學(xué)報(bào)(自然科學(xué)版), 2016, 44(4): 121-126.

ZHOU Yinggui, JIN Baosheng. Ammonia injection method for SCR based on non-uniform inlet condition[J].JournalofHuazhongUniversityofScienceandTechnology(NaturalScienceEdition), 2016, 44(4): 121-126.

[13] 趙大周, 王傳奇, 司風(fēng)琪, 等. 多變截面選擇性催化還原系統(tǒng)噴氨方式數(shù)值模擬[J].熱力發(fā)電, 2015, 44(12): 93-97.

ZHAO Dazhou, WANG Chuanqi, SI Fengqi, et al. Optimization of ammonia injection in a SCR denitration system with multiple variable cross sections: numerical simulation[J].ThermalPowerGeneration, 2015, 44(12): 93-97.

[14] 劉曉敏. 煙氣脫硝SCR裝置噴氨優(yōu)化研究[J].熱力發(fā)電, 2012, 41(7): 81-83.

LIU Xiaomin. Optimization of ammonia injection for SCR equipment[J].ThermalPowerGeneration, 2012, 41(7): 81-83.

[15] 曹志勇, 譚城軍, 李建中, 等. 燃煤鍋爐SCR煙氣脫硝系統(tǒng)噴氨優(yōu)化調(diào)整試驗(yàn)[J].中國(guó)電力, 2011, 44(11): 55-58.

CAO Zhiyong, TAN Chengjun, LI Jianzhong, et al. Experiment of optimization adjustment for ammonia injection of selective catalytic reduction flue gas denitration system in coal-fired boiler[J].ElectricPower, 2011, 44(11): 55-58.

[16] 王桂林, 張宇, 王森, 等. 基于支持向量機(jī)的選擇性催化還原脫硝系統(tǒng)運(yùn)行優(yōu)化[J].環(huán)境工程學(xué)報(bào), 2015, 9(10): 5011-5016.

WANG Guilin, ZHANG Yu, WANG Sen, et al. Operation optimization of selective catalytic reduction system based on support vector machine[J].ChineseJournalofEnvironmentalEngineering, 2015, 9(10): 5011-5016.

[17] 宋清昆, 李源松. RBF神經(jīng)網(wǎng)絡(luò)鍋爐燃燒系統(tǒng)建模[J].哈爾濱理工大學(xué)學(xué)報(bào), 2016, 21(1): 89-92.

SONG Qingkun, LI Yuansong. Modeling of the boiler combustion system by RBF neural networks[J].JournalofHarbinUniversityofScienceandTechnology, 2016, 21(1): 89-92.

[18] 陳明. MATLAB神經(jīng)網(wǎng)絡(luò)原理與實(shí)例精解[M]. 北京: 清華大學(xué)出版社, 2013.

[19] 郭斌, 廖宏楷, 徐程宏, 等. 我國(guó)SCR脫硝成本分析及脫硝電價(jià)政策探討[J].熱能動(dòng)力工程, 2010, 25(4): 437-440.

GUO Bin, LIAO Hongkai, XU Chenghong, et al. Analysis of the SCR (selective catalytic reduction)-based denitration cost in China and exploratory study of its policies on denitration electricity price[J].JournalofEngineeringforThermalEnergyandPower, 2010, 25(4): 437-440.

[20] 霍秋寶, 田亮, 趙亮宇, 等. 火電機(jī)組不同脫硝方式下的運(yùn)行費(fèi)用分析[J].華北電力大學(xué)學(xué)報(bào)(自然科學(xué)版), 2012, 39(5): 87-92.

HUO Qiubao, TIAN Liang, ZHAO Liangyu, et al. Analysis of operation costs of thermal power units with different denitration methods[J].JournalofNorthChinaElectricPowerUniversity(NaturalScienceEdition), 2012, 39(5): 87-92.

AmmoniaSprayingOptimizationofanSCRDenitrificationSystemBasedonRBFNeuralNetwork

LIAOYongjin1,FANJunhui2,YANGWeijie2,JIPeng2,ZHANGJing2,FENGYongxin1

(1.Electric Power Research Institute of Guangdong Power Grid Corporation, Guangzhou 510080, China; 2. School of Energy and Power Engineering, North China Electric Power University, Baoding 071003, Hebei Province, China)

To optimize the control on ammonia spraying of the selective catalytic reduction (SCR) denitrification device in a 350 MW power boiler in Guangzhou, a relationship model was established between the input and output variables based on radial basis function (RBF) neural network by taking the boiler load, flue gas flow, SCR inlet flue gas temperature, SCR inlet NOxconcentration and the spraying ammonia flow as the input variables, and the SCR denitrification efficiency as the output variable, so as to realize the prediction of SCR denitrification efficiency and outlet NOxconcentration. Under the premise of satisfying the requirements of NOxemission and aiming at minimizing the operating cost of the SCR system, Matlab was used to perform a simulation experiment on the model to seek a critical point among the ammonia consumption cost, power consumption cost and the NOxemission fee, thus obtaining an optimal flow of spraying ammonia. Results show that the calculated mass flow of ammonia spraying is either higher or lower than the measurements, but the operating cost of the SCR system always keeps decreasing under the premise of meeting the NOxemission standard.

SCR; spraying ammonia flow; NOxemission; denitrification efficiency; cost

2016-07-06

2016-10-17

南方電網(wǎng)科研資助項(xiàng)目(K-GD2014-173)

廖永進(jìn)(1971-)，男，陜西西安人，高級(jí)工程師，碩士，研究方向?yàn)殄仩t和煙氣脫硫裝置的調(diào)試、試驗(yàn)及優(yōu)化.

電話(Tel.):13503098453；E-mail：lyj23455@163.com.

1674-7607(2017)11-0931-07

X701

A

610.30