白建云 ,雷秀軍 ,斛亞旭 ,侯鵬飛 ,賈新春

(1.山西大學(xué)自動化系，山西 太原 030013；2.山西大學(xué)數(shù)學(xué)科學(xué)院，山西 太原 030006)

0 引言

近幾年，隨著我國對環(huán)境的要求越來越嚴(yán)格，對于火電廠中的SOX、NOX以及煙塵也有了更加嚴(yán)格的要求。而與其他鍋爐相比，循環(huán)流化床(circulated fluidized bed，CFB)鍋爐在燃燒過程中產(chǎn)生的NOX相對較少，這對脫硝工作非常有利。CFB鍋爐一般采用選擇性非催化還原(selective non-catalytic reduction，SNCR)煙氣脫硝技術(shù)，使煙氣排放達到國家標(biāo)準(zhǔn)。

在SNCR脫硝過程中，選擇一個相對精確的模型有利于有效地控制出口NOX濃度，同時可以節(jié)約尿素使用量和減少氨逃逸。鐘祎勍等[1]通過分析SNCR脫硝控制系統(tǒng)的動態(tài)特性，對其建立高精度的最簡控制模型。白建云等[2]利用BP神經(jīng)網(wǎng)絡(luò)建立NOX生成質(zhì)量濃度預(yù)測模型，實現(xiàn)了NOX生成質(zhì)量濃度的軟測量，并應(yīng)用于實際發(fā)電過程系統(tǒng)。朱竹軍等[3]設(shè)計了一種基于專家模糊的SNCR脫硝系統(tǒng)自動控制策略，解決了SNCR脫硝系統(tǒng)長期以來不能100%實現(xiàn)NOX自動控制的問題。秦天牧等[4]利用多尺度核偏最小二乘(multi-scale kernel partial least squares，MKPLS)方法，建立了選擇性催化還原(selective catalytic reduction，SCR)系統(tǒng)模型。方賢等[5]通過采用粒子群算法，對TWSVM的核參數(shù)和懲罰因子經(jīng)行尋優(yōu)，并建立SCR脫硝效率預(yù)測PSO-TWSVM。以上都是對生成的NOX進行預(yù)測和軟測量，或者對SCR脫硝系統(tǒng)進行最簡建模，然而對于SNCR脫硝系統(tǒng)建模的研究卻很少。

系統(tǒng)建模方法兩種方法，分別為機理建模和試驗建模。其中：試驗建?？梢栽诓磺宄到y(tǒng)內(nèi)部結(jié)構(gòu)的前提下，根據(jù)系統(tǒng)的輸入輸出數(shù)據(jù)來建立系統(tǒng)的模型[6]。循環(huán)流化床SNCR脫硝系統(tǒng)是一個大慣性、大遲延、非線性的對象，其內(nèi)部結(jié)構(gòu)通常無法獲得。因此，本文利用粒子群算法對SNCR脫硝系統(tǒng)進行試驗建模。該方法可同時辨識出SNCR脫硝系統(tǒng)的遲延。采用實際運行數(shù)據(jù)進行模型驗證，結(jié)果證明了所建模型的有效性。

1 SNCR脫硝系統(tǒng)的模型選擇

1.1 SNCR脫硝系統(tǒng)簡介

循環(huán)流化床SNCR脫硝工藝流程如圖1所示。

圖1 循環(huán)流化床SNCR脫硝工藝流程圖

某電廠采用尿素作為還原劑，利用尿素泵將儲存罐中的40%尿素溶液輸送到系統(tǒng)管道中，再經(jīng)過流量調(diào)節(jié)閥控制噴入旋風(fēng)分離器前煙道內(nèi)的尿素流量，進而控制生成NOX的濃度。其中安裝的噴槍共21只。

循環(huán)流化床鍋爐SNCR脫硝系統(tǒng)的反應(yīng)器為旋風(fēng)分離器。旋風(fēng)分離器溫度為800～1 100 ℃，恰好是發(fā)生化學(xué)反應(yīng)的在最佳溫度，因此不需要催化劑。還原劑經(jīng)過噴槍和管道后進入分離器前部煙道與NOX進行反應(yīng)，在反應(yīng)器內(nèi)熱解成為NH3與煙氣中的NOX進行脫硝反應(yīng)生成N2。某電廠運用尿素溶液作為還原劑，在酸性條件下與NOX發(fā)生還原反應(yīng)，最終產(chǎn)物為N2、CO2、和H20，不會造成二次污染。以尿素為還原劑來脫除NOX的主要化學(xué)反應(yīng)如下：

6NO2+4CO(NH2)2→7N2↑+4CO2↑+8H2O

6NO+2CO(NH2)2→5N2↑+2CO2↑+4H2O

NO+NO2→N2O3

N2O3+H2O→2HNO2

2HNO2+CO(NH2)2→2N2↑+CO2↑+3H2O

1.2 模型的選擇

目前，循環(huán)流化床SNCR脫硝控制系統(tǒng)中，主要通過控制尿素溶液或氨水流量閥門來控制噴入催化劑的量，進而在分離器內(nèi)進行脫硝。這一過程可以分為兩類模型，第一類是尿素流量閥門開度到尿素流量的模型，第二類是尿素流量到煙囪出口NOX濃度的模型。本文主要采用帶有自適應(yīng)權(quán)重的粒子群建模方法建立第二類模型[6-7]。

循環(huán)流化床機組SNCR脫硝系統(tǒng)NOX排放濃度受總煤量、尿素流量、總風(fēng)量、旋風(fēng)分離器入口的溫度、機組負荷、稀釋水的流量等一系列因素的影響。當(dāng)機組處于穩(wěn)定負荷工況運行時，總煤量、總風(fēng)量以及旋風(fēng)分離器入口溫度基本保持不變，且保持尿素溶液濃度為40%。因此，煙囪出口排放的NOX濃度主要由尿素溶液流量決定。

在數(shù)據(jù)采集之前，要選擇采樣周期。采樣周期的選擇取決于被辨識對象的主要頻帶中的最高頻率，但是在辨識前估計最高頻率是非常困難的。采用前人經(jīng)驗獲得采樣周期為12 s。通過從現(xiàn)場分散控制系統(tǒng)(distributed control system,DCS)系統(tǒng)每隔12 s采集一次數(shù)據(jù)，現(xiàn)場采集的數(shù)據(jù)由于各種原因不可避免地帶有誤差，所以需要剔除異常值，進行濾波處理后選取有效的具有代表性的數(shù)據(jù)[10,12]。

傳遞函數(shù)模型的表達，是任何一個系統(tǒng)處于某個平衡點時，輸出的增量與輸入的增量之間的函數(shù)表達，即系統(tǒng)在平衡狀態(tài)時，系統(tǒng)的輸入輸出以及它們的各階導(dǎo)數(shù)也為零，它們的各階導(dǎo)數(shù)也為零。因此,需要對原始的開環(huán)數(shù)據(jù)進行零初始值處理。原始數(shù)據(jù)的輸入輸出分別為u(k)和y(k)，經(jīng)過零初始值后的數(shù)據(jù)為:

(1)

式中：N為零初始值點數(shù)據(jù)個數(shù)。

經(jīng)過采集數(shù)據(jù)以及數(shù)據(jù)的預(yù)處理后，建立以40%尿素溶液流量為輸入，從而生成NOX濃度為輸出的模型。以試驗機組為例，選擇140 MW、170 MW、200 MW三個典型工況，進行尿素溶液流量與NOX排放濃度之間的模型辨識。

在實際應(yīng)用過程中，通常用一階慣性時滯系統(tǒng)或者二階慣性時滯系統(tǒng)就可以描述被控過程特性。但是經(jīng)過對循環(huán)流化床SNCR脫硝系統(tǒng)工藝流程進行分析，以及查閱參考張志超等人對SCR脫硝系統(tǒng)建立的模型后，得出循環(huán)流化床SNCR脫硝系統(tǒng)具有大遲延、大慣性、非線性強等特點[6]。本次尿素溶液流量到生成NOX濃度的模型采用帶有純遲延的四階慣性環(huán)節(jié)作為系統(tǒng)待定模型的傳遞函數(shù)，具體形式為：

(2)

式中：K為系統(tǒng)開環(huán)增益；T為慣性時間；τ為純遲延時間；n為系統(tǒng)階數(shù)

本文通過自適應(yīng)權(quán)重粒子群算法對傳遞函數(shù)的四個參數(shù)進行辨識，從而得到SNCR脫硝系統(tǒng)模型。

2 基于自適應(yīng)權(quán)重PSO算法的模型辨識

粒子群優(yōu)化(particle swarm optimization，PSO)算法，是一種模擬鳥類在覓食過程中通過信息共享實現(xiàn)最優(yōu)化覓食的仿生尋優(yōu)算法[8]。

粒子群算法的數(shù)學(xué)過程描述如下。假設(shè)在一個D維查詢空間中，n個粒子所對應(yīng)種群為X=(X1,X2,…,Xn)，其中，第i粒子的位置為Xi=(xi1,xi2,…,xiD)T(是問題所要找的隱含解)，將其代入目標(biāo)函數(shù)，就可得到每個粒子在該位置的適應(yīng)度值。設(shè)個體極值為Pi=(Pi1,Pi2,…,PiD)T，群體極值為Pg=(Pg1,Pg2,…,PgD)T，第i粒子運動速度Vi=(Vi1,Vi2,…,ViD)T。在第k次循環(huán)計算過程中，利用目前群體極值和個體極值確定下一次的更新粒子速度和位置，更新所對應(yīng)的公式為：

(3)

(4)

式中：ω為慣性權(quán)重；c1、c2為加速度因子；r1、r2為分布于[0，1]的隨機數(shù)，通過對粒子的速度和位置進行限制，防止盲目搜索[9]。

上述算法是普通粒子群算法。由于普通的粒子群算法在全局搜索能力上相對較弱，只可以找到局部最優(yōu)解，對于實際的需求還遠遠不夠。因此，需要對慣性權(quán)重進行更新。根據(jù)當(dāng)前粒子的適應(yīng)度值與平均適應(yīng)度值對慣性權(quán)重進行更新[10]。慣性權(quán)重更新公式如下。

(5)

式中：ωmin、ωmax分別為慣性權(quán)重ω的最大值、最小值；f為粒子此時適應(yīng)度函數(shù)值；favg與fmin分別為當(dāng)前所有粒子的平均適應(yīng)度函數(shù)值和最小適應(yīng)度函數(shù)值。

帶有自適應(yīng)權(quán)重粒子群算法參數(shù)辨識方法步驟如下。

①初始參數(shù)設(shè)置。它包括變量個數(shù)、種群規(guī)模、待辨識參數(shù)范圍、慣性因子變化范圍、粒子速度范圍、迭代次數(shù)、加速度因子等。②種群初始化。通過隨機產(chǎn)生的種群來計算每一個時刻的性能指標(biāo)值，進而得到個體最佳值與全局最佳值。③種群更新。按照參數(shù)設(shè)定和權(quán)重更新公式計算慣性因子值、種群個體移動速度，更新種群，把計算出來的性能指標(biāo)與個體和種群的歷史最優(yōu)值進行比較，并將二者的歷史最優(yōu)更新。④如果滿足終止條件，則停止尋優(yōu)；反之，返回步驟②繼續(xù)尋優(yōu)。⑤如果達到循環(huán)次數(shù)，則停止尋優(yōu)；反之，返回步驟①再次尋優(yōu)。實現(xiàn)多次迭代尋優(yōu)，從而得到全局最優(yōu)值。參數(shù)辨識算法流程如圖2所示。

圖2 參數(shù)辨識算法流程圖

3 SNCR脫硝系統(tǒng)建模與驗證

利用Matlab編寫粒子群算法辨識主程序及計算辨識優(yōu)化目標(biāo)函數(shù)子程序，以200 MW負荷工況為例，選擇150組開環(huán)試驗數(shù)據(jù)，對對象數(shù)學(xué)模型參數(shù)進行辨識。首先，對200 MW工況下的歷史開環(huán)數(shù)據(jù)進行零初始值處理，得到尿素溶液流量數(shù)據(jù)和出口NOX濃度數(shù)據(jù)零初始值處理結(jié)果。尿素溶液流量數(shù)據(jù)處理前后對比如圖3所示。出口NOX濃度數(shù)據(jù)處理前后對比如圖4所示。

圖3 尿素溶液流量數(shù)據(jù)處理前后對比圖

圖4 出口NOX濃度數(shù)據(jù)處理前后對比圖

從圖4可以看到，經(jīng)過初始值處理后的NOX濃度數(shù)據(jù)變?yōu)樨摂?shù)，但是這樣不會影響模型的建立。利用帶有自適應(yīng)權(quán)重的粒子群算法進行模型辨識，仿真參數(shù)設(shè)置如下。

參數(shù)尋優(yōu)區(qū)間：K∈[-10，10]，T∈[20，400]，N∈[2，5]，τ∈[20,200]。

粒子個數(shù)：200。

進化代數(shù)：80。

慣性權(quán)重：ωmin=0.4,ωmax=0.9。

學(xué)習(xí)因子：[0.6 0.8]。

加速度因子：c1=2,c2=2。

速度范圍區(qū)間：V∈{[-1，1]、[-1，1]、[-1，1]、[-1，1]}。

仿真結(jié)果對應(yīng)參數(shù)值為：K=-1.46;T=400;N=4;τ=-165。同理可以分別得出負荷為140 MW、170 MW時，SNCR脫硝系統(tǒng)從40%尿素溶液到生成NOX濃度的開環(huán)模型。

三個工況模型辨識結(jié)果如表1所示。

表1 三個工況模型辨識結(jié)果表

本文以200 MW負荷工況下辨識出的模型為例，進行驗證。選擇現(xiàn)場中尿素溶液流量從310 kg/h升高到330 kg/h的階躍擾動。為了驗證所建立模型的穩(wěn)定性，將階躍擾動分別加到辨識模型和實際測量的數(shù)據(jù)中，觀察兩者的輸出曲線。200 MW模型辨識結(jié)果與實測數(shù)據(jù)對比如圖5所示。

圖5 200 MW模型辨識結(jié)果與實測數(shù)據(jù)對比圖

200 MW模型輸出和實際數(shù)據(jù)之間的誤差如圖6所示。

圖6 200 MW模型輸出和實際數(shù)據(jù)之間的誤差圖

140 MW模型辨識結(jié)果與實測數(shù)據(jù)對比如圖7所示。

圖7 140 MW模型辨識結(jié)果與實測數(shù)據(jù)對比圖

170 MW模型辨識結(jié)果與實測數(shù)據(jù)對比如圖8所示。

圖8 170 MW模型辨識結(jié)果與實測數(shù)據(jù)對比圖

從圖5～圖8可以看出：基于自適應(yīng)權(quán)重粒子群算法辨識得到的模型在階躍擾動下的輸出曲線基本上與現(xiàn)場采集回來的數(shù)據(jù)在階躍擾動下的輸出曲線吻合，模型輸出與實際數(shù)據(jù)的相對誤差在±0.5左右，開環(huán)模型可以用于SNCR脫硝系統(tǒng)的控制。

同理，可以對其余兩種工況下的模型進行驗證，輸出曲線結(jié)果大致相同，誤差也在可接受范圍內(nèi)。綜合上述三種工況辨識出來的模型，基本上與實測數(shù)據(jù)相符合。通過辨識出的模型參數(shù)，得到三個工況下的傳遞函數(shù)，為循環(huán)硫化床SNCR脫硝控制中從尿素流量到生成NOX濃度建立了可靠模型。所建模型有利于對生成的NOX濃度進行有效控制，并可以減少氨逃逸。

4 結(jié)束語

本文通過采集某電廠200 MW循環(huán)流化床機組SNCR脫硝系統(tǒng)的歷史開環(huán)數(shù)據(jù)，對數(shù)據(jù)進行去除異常值和零初始值處理。根據(jù)專家經(jīng)驗和熱工過程，確定SNCR脫硝系統(tǒng)中從尿素溶液流量到出口NOX濃度的模型。采用基于自適應(yīng)權(quán)重的PSO算法，辨識出三個不同工況下的模型參數(shù)，并對不同工況模型進行驗證。仿真結(jié)果表明，基于自適應(yīng)權(quán)重的PSO算法在SNCR脫硝系統(tǒng)中的模型參數(shù)辨識具有很好的效果。辨識出的模型為先進的智能控制算法在火電廠SNCR脫硝系統(tǒng)應(yīng)用提供了模型基礎(chǔ)，進而可以更好地控制NOX排放并減少氨逃逸，最終實現(xiàn)減少還原劑的使用量，提高經(jīng)濟效益。該成果推動了智能算法在其他工業(yè)過程中的應(yīng)用。