王 林，高 林，郭亦文，安朝榕，金國(guó)強(qiáng)，王辰昱，蘇浩龍

離散粒子群尋優(yōu)徑向基神經(jīng)網(wǎng)絡(luò)模型在脫硝控制中應(yīng)用

王 林1，高 林1，郭亦文1，安朝榕1，金國(guó)強(qiáng)1，王辰昱1，蘇浩龍2

（1.西安熱工研究院有限公司，陜西 西安 710054；2.黔桂發(fā)電有限責(zé)任公司，貴州 六盤(pán)水 553000）

提出了一種選擇性催化還原（SCR）煙氣脫硝預(yù)測(cè)控制方法，該方法采用粒子群尋優(yōu)的徑向基（RBF）神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)SCR脫硝系統(tǒng)入口NOx質(zhì)量濃度，將整體尋優(yōu)空間離散化，通過(guò)采用節(jié)點(diǎn)尋優(yōu)并結(jié)合最速梯度方法重構(gòu)尋優(yōu)模型，同時(shí)將該RBF神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)結(jié)果引入脫硝控制策略，應(yīng)用到火電機(jī)組的噴氨控制。在某350 MW機(jī)組實(shí)際應(yīng)用結(jié)果表明，該神經(jīng)網(wǎng)絡(luò)模型不僅能實(shí)現(xiàn)噴氨自動(dòng)控制，而且能提高噴氨系統(tǒng)控制精度。

煙氣脫硝；SCR；離散粒子群；RBF神經(jīng)網(wǎng)絡(luò)；噴氨控制；控制策略

自2014年全國(guó)實(shí)施超低排放改造計(jì)劃以來(lái)，燃煤鍋爐逐步升級(jí)，已達(dá)到超低排放控制標(biāo)準(zhǔn)[1-2]。大量運(yùn)行經(jīng)驗(yàn)和文獻(xiàn)指出[3-6]，NO超低排放控制是亟待解決的技術(shù)難點(diǎn)之一。

NO的爐內(nèi)控制技術(shù)主要有分級(jí)燃燒[2]、雙尺度低氮燃燒[7]等技術(shù)，一般通過(guò)爐內(nèi)不同層燃燒器進(jìn)風(fēng)量的調(diào)整，在鍋爐下部形成貧燃?xì)夥?，增?qiáng)還原反應(yīng)，減少NO的生成；而在鍋爐上部形成富燃?xì)夥?，由于爐膛上部溫度較低，NO不易生成，且富燃?xì)夥沼欣诳焖偃急M含碳顆粒，保障鍋爐效率。

NO的爐后控制技術(shù)主要有選擇性催化還原（SCR）技術(shù)[8-9]和選擇性非催化還原（SNCR）技 術(shù)[10]。SNCR技術(shù)是在高溫狀態(tài)下，通過(guò)噴入氨氣形成還原性氣氛脫除NO，由于該方法的脫除效率一般不超過(guò)35%，因此一般作為輔助技術(shù)參與NO的脫除控制。SCR技術(shù)則主要是在省煤器后煙氣中噴入氨氣，利用催化劑除去NO[11-22]。目前火電機(jī)組采用鋪設(shè)3層催化劑的布置方式可使SCR脫除效率達(dá)到90%以上，完全可滿足NO超低排放的需求。

燃煤鍋爐經(jīng)過(guò)低氮改造后，NO生成量大幅降低。目前大部分燃煤機(jī)組煤粉含氮量不超過(guò)0.8%，相關(guān)研究表明[13-18]，即使燃煤鍋爐的煤質(zhì)變化較大，火電機(jī)組實(shí)際運(yùn)行中，尤其是升、降負(fù)荷運(yùn)行過(guò)程中，NO的生成主要與機(jī)組運(yùn)行參數(shù)有關(guān)。在燃煤機(jī)組運(yùn)行參數(shù)建模中，灰箱模型[19-21]利用特定的數(shù)學(xué)模型訓(xùn)練優(yōu)化，獲得NO質(zhì)量濃度的非線性模型。這種方法雖然魯棒性較強(qiáng)，但是訓(xùn)練和提取模型的過(guò)程比較復(fù)雜，且在工程應(yīng)用中有一定的局限性，如模型偏離后無(wú)法自校正，只能通過(guò)重新訓(xùn)練的方式離線再優(yōu)化。Smrekar等人[22]利用ARX和外部輸入自回歸平均滑動(dòng)模型構(gòu)建了NO自回歸預(yù)測(cè)模型，實(shí)現(xiàn)了在一定時(shí)間步長(zhǎng)內(nèi)的超前控制，但這種方法并未指出NO生成與燃燒特性變化之間的內(nèi)在聯(lián)系。白衛(wèi)東等[23-24]盡管對(duì)該方法進(jìn)行了一定的改良，但仍不適應(yīng)NO快速變化時(shí)的預(yù)測(cè)控制。李剛等[25]采用的基于主導(dǎo)因素方法盡管能應(yīng)對(duì)負(fù)荷大范圍變化時(shí)的NO超低排放控制，但也沒(méi)有從原理上理清NO的生成與爐內(nèi)燃燒特性的內(nèi)在關(guān)聯(lián)性。

近年來(lái)，利用神經(jīng)網(wǎng)絡(luò)技術(shù)對(duì)NO生成進(jìn)行預(yù)測(cè)成為NO超低排放控制的主要方向之一[26-33]，經(jīng)過(guò)分析發(fā)現(xiàn)，盡管這種方法能夠較好地得到擬合度很高的非線性模型，但普遍存在對(duì)樣本質(zhì)量要求高和過(guò)擬合的現(xiàn)象，且計(jì)算開(kāi)銷較大，目前在線更新有一定的困難。

基于此，本文利用徑向基（RBF）神經(jīng)網(wǎng)絡(luò)，結(jié)合粒子群尋優(yōu)方法（PSO）對(duì)SCR脫硝系統(tǒng)入口NO質(zhì)量濃度和機(jī)組主要運(yùn)行參數(shù)進(jìn)行樣本訓(xùn)練和建模，結(jié)果表明該模型不僅能較快地獲得SCR脫硝系統(tǒng)入口NO質(zhì)量濃度預(yù)測(cè)值，而且預(yù)測(cè)模型精度高，穩(wěn)定性好，且便于熱工人員理解和維護(hù)。

1 建立模型

對(duì)于某一固定機(jī)組，影響鍋爐NO生成主要因素為大負(fù)荷升降過(guò)程中的風(fēng)、水、煤等主要參數(shù)的變化。本文選取某350 MW機(jī)組，分析主要運(yùn)行參數(shù)和NO之間的關(guān)聯(lián)性，建立模型。為消除高頻噪音對(duì)模型的影響，所選取的參數(shù)歷史數(shù)據(jù)均進(jìn)行離線再濾波，同時(shí)利用主元分析方法對(duì)其內(nèi)在聯(lián)系進(jìn)行量化。

1.1 RBF神經(jīng)網(wǎng)絡(luò)模型輸入輸出相關(guān)性分析

選取SCR脫硝系統(tǒng)入口NO質(zhì)量濃度與機(jī)組總煤量、一次風(fēng)量、二次風(fēng)量、氧量（體積分?jǐn)?shù)，下同）、主蒸汽流量和一次風(fēng)壓為相關(guān)參數(shù)，變工況下某350 MW機(jī)組SCR脫硝系統(tǒng)入口NO質(zhì)量濃度與機(jī)組參數(shù)變化趨勢(shì)如圖1所示。由圖1中可見(jiàn)：變工況時(shí)，SCR脫硝系統(tǒng)入口NO質(zhì)量濃度變化與其他參數(shù)具有較大的關(guān)聯(lián)性。分析圖1中所選參數(shù)對(duì)SCR脫硝系統(tǒng)入口NO質(zhì)量濃度生成的貢獻(xiàn)[34]，發(fā)現(xiàn)所選參數(shù)的累計(jì)貢獻(xiàn)近100%，因此將上述6個(gè)變量作為RBF神經(jīng)網(wǎng)絡(luò)的輸入。

1.2 離散粒子群尋優(yōu)的RBF神經(jīng)網(wǎng)絡(luò)模型

目前，神經(jīng)網(wǎng)絡(luò)在工程中的應(yīng)用主要分為BP神經(jīng)網(wǎng)絡(luò)[35-36]和RBF神經(jīng)網(wǎng)絡(luò)。BP神經(jīng)網(wǎng)絡(luò)利用誤差傳遞對(duì)中間層和輸出層進(jìn)行訓(xùn)練，但其在具有多層中間神經(jīng)元時(shí)，誤差傳播的泛化能力不足。而RBF神經(jīng)網(wǎng)絡(luò)將輸入和中間層參數(shù)映射到高維空間中，具有很強(qiáng)的泛化能力，當(dāng)神經(jīng)網(wǎng)絡(luò)用于控制器研究時(shí)，一般會(huì)采用RBF神經(jīng)網(wǎng)絡(luò)。本文將RBF神經(jīng)網(wǎng)絡(luò)的最速梯度法和粒子群自尋優(yōu)方法相結(jié)合，進(jìn)一步提高其搜索能力，進(jìn)行SCR脫硝系統(tǒng)入口NO質(zhì)量濃度預(yù)測(cè)。

圖2為RBF神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)模型，以圖1的6個(gè)參數(shù)作為RBF神經(jīng)網(wǎng)絡(luò)輸入?yún)?shù)，以SCR脫硝系統(tǒng)入口NO質(zhì)量濃度作為輸出，進(jìn)行離線訓(xùn)練。在圖2中，利用粒子群方法對(duì)中間隱含層節(jié)點(diǎn)權(quán)值進(jìn)行搜索。

顯然，搜索的維度為6維，設(shè)在維（1≤≤6）空間中的第個(gè)粒子位置x為

式中wn1,wn2,…,wnG分別為G維中間節(jié)點(diǎn)的權(quán)值。

該粒子的個(gè)體極值bestn為

整個(gè)種群的全局極值為bestg，粒子的速度信息v為

采用離散化方法對(duì)中心節(jié)點(diǎn)權(quán)重w和粒子速度信息v進(jìn)行初始化，方法如下。

1）中心節(jié)點(diǎn)權(quán)值w∈[0,1]，將其等分為(+1)個(gè)節(jié)點(diǎn)，則節(jié)點(diǎn)步長(zhǎng)為

中心節(jié)點(diǎn)權(quán)重賦值為

式中，int()為取整函數(shù)，rand( )為(0,1]之間的隨機(jī)數(shù)。即權(quán)重初始賦值必須為某一節(jié)點(diǎn)值，而不是隨機(jī)在[0,1]之間賦值。

2）節(jié)點(diǎn)速度v初始賦值為

節(jié)點(diǎn)初始速度應(yīng)為步長(zhǎng)的整數(shù)倍。采用PSO算法對(duì)中間節(jié)點(diǎn)權(quán)重進(jìn)行更新，

式中：12分別為系統(tǒng)參數(shù)；為種群的粒子數(shù)；為第粒子在第次迭代中的第維的速度，；為第個(gè)粒子在第次迭代中的第維的位置，；bestng為粒子在第維的個(gè)體極值；bestg為種群的最佳位置。

3）中間隱含節(jié)點(diǎn)在初始化權(quán)重的同時(shí)，中心節(jié)點(diǎn)c和徑向基寬分別初始化為c= {0.5,0.5,0.5,0.5,0.5,0.5}和=0.8；第個(gè)粒子的適應(yīng)度函數(shù)為

取全局最小適應(yīng)度函數(shù)

4）更新在全局最小適應(yīng)度函數(shù)下的個(gè)體最優(yōu)值和全局最優(yōu)值，分別如下：

依據(jù)最速梯度法，中間隱含節(jié)點(diǎn)向量和徑向基寬的更新機(jī)制如下：

2 離散RBF神經(jīng)網(wǎng)絡(luò)NOx預(yù)測(cè)分析

對(duì)RBF神經(jīng)網(wǎng)絡(luò)輸入量進(jìn)行歸一化處理，即用歸一化變量除以歸一化參數(shù)，得到歸一化的范圍，RBF神經(jīng)網(wǎng)絡(luò)輸入輸出變量歸一化結(jié)果見(jiàn)表1。RBF神經(jīng)網(wǎng)絡(luò)模型參數(shù)由機(jī)組歷史數(shù)據(jù)離線訓(xùn)練得到，SCR脫硝系統(tǒng)A側(cè)和B側(cè)的RBF神經(jīng)網(wǎng)絡(luò)參數(shù)分別見(jiàn)表2和表3。某工況下SCR脫硝系統(tǒng)A側(cè)和B側(cè)入口NO質(zhì)量濃度測(cè)量值與預(yù)測(cè)值對(duì)比分別如圖3和圖4所示。

表1 RBF神經(jīng)網(wǎng)絡(luò)輸入輸出變量歸一化

Tab.1 Normanization of the input and output parameters in RBF neural network model

表2 SCR脫硝系統(tǒng)A側(cè)RBF神經(jīng)網(wǎng)絡(luò)參數(shù)

Tab.2 The RBF neural network model parameters for A side of the SCR denitration system

表3 SCR脫硝系統(tǒng)B側(cè)RBF神經(jīng)網(wǎng)絡(luò)參數(shù)

Tab.3 The RBF neural network model parameters for B side of the SCR denitration system

使用神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)過(guò)程中，首先應(yīng)考慮NO測(cè)量的純滯后性，不同機(jī)組由于采樣安裝位置和采樣管道流速的不同，NO測(cè)量的純滯后時(shí)間會(huì)有所不同。為評(píng)估這一特性差異，本文采用定值擾動(dòng)建模和實(shí)時(shí)運(yùn)行參數(shù)評(píng)估的方法，具體為當(dāng)機(jī)組運(yùn)行工況發(fā)生變化時(shí)，爐膛出口氧量變化至SCR脫硝系統(tǒng)進(jìn)口NO變化的時(shí)間差即可評(píng)估SCR脫硝系統(tǒng)進(jìn)口NO測(cè)量的純滯后時(shí)間。本文機(jī)組純滯后時(shí)間約為50~70 s。而SCR系統(tǒng)脫硝出口NO測(cè)量的滯后則可通過(guò)噴氨流量的定值擾動(dòng)得到，即改變噴氨流量的大小至出口NO測(cè)量值變化的時(shí)間差為出口NO測(cè)量的純滯后時(shí)間，一般為100 s左右。

由圖3可知，在0~150 s和250~350 s2個(gè)變工況的穩(wěn)態(tài)時(shí)間段，A側(cè)NO質(zhì)量濃度測(cè)量值與RBF神經(jīng)網(wǎng)絡(luò)模型預(yù)測(cè)值基本能穩(wěn)定地重疊，這表示穩(wěn)態(tài)預(yù)測(cè)精度較高，且網(wǎng)絡(luò)訓(xùn)練是成功的。而在150~250 s的中間動(dòng)態(tài)過(guò)程中，RBF神經(jīng)網(wǎng)絡(luò)模型預(yù)測(cè)值在變化上明顯比測(cè)量值提前，驗(yàn)證了在動(dòng)態(tài)變化過(guò)程中，RBF神經(jīng)網(wǎng)絡(luò)的準(zhǔn)穩(wěn)態(tài)預(yù)測(cè)功能，表明RBF神經(jīng)網(wǎng)絡(luò)在穩(wěn)態(tài)和動(dòng)態(tài)過(guò)程中均是穩(wěn)定的。圖4顯示的B側(cè)在0~150 s和270~350 s 2個(gè)穩(wěn)定區(qū)間，NO質(zhì)量濃度測(cè)量值與預(yù)測(cè)值基本重疊，而在150~270 s的動(dòng)態(tài)變化過(guò)程中，預(yù)測(cè)值明顯提前于測(cè)量值。通過(guò)A、B兩側(cè)表現(xiàn)出的預(yù)測(cè)特性證明本模型的適用性。

3 離散RBF神經(jīng)網(wǎng)絡(luò)噴氨控制系統(tǒng)

根據(jù)上述研究結(jié)果，將RBF神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型引入脫硝控制，結(jié)果如圖5所示。將該控制策略應(yīng)用到某350 MW機(jī)組噴氨自動(dòng)控制，投入噴氨自動(dòng)調(diào)節(jié)，得到變工況和穩(wěn)定工況NO排放控制效果，如圖6和圖7所示。由圖6和圖7可知，RBF神經(jīng)網(wǎng)絡(luò)模型控制NO排放時(shí)，標(biāo)準(zhǔn)狀態(tài)變工況下，NO質(zhì)量濃度偏差降低至±7 mg/m3以內(nèi)；穩(wěn)定工況下，NO質(zhì)量濃度偏差在±3 mg/m3以內(nèi)。利用該神經(jīng)網(wǎng)絡(luò)模型不僅實(shí)現(xiàn)了噴氨系統(tǒng)長(zhǎng)期穩(wěn)定投入自動(dòng)控制，而且大大提高了噴氨自動(dòng)控制水平。

4 結(jié) 語(yǔ)

提出了一種結(jié)合離散粒子群尋優(yōu)的RBF神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型，并利用該離散神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型構(gòu)建了新型脫硝控制策略，不僅能有效保證脫硝自動(dòng)投入，而且大大提高了噴氨自動(dòng)控制水平。

［1］ 中華人民共和國(guó)國(guó)家發(fā)展和改革委員會(huì). 煤電節(jié)能減排升級(jí)與改造行動(dòng)計(jì)劃（2014—2020年）[EB/OL]. (2014-09-12) [2019-07-01]. http://www.sdpc.gov.cn/ gzdt/201409/t20140919-626240.html.

National Development and Reform Commission of the P.R.C. Energy saving coal upgrading and transforma-tion of the action plan (2014—2020)[EB/OL]. (2014-09-12) [2019-07-01]. http://www.sdpc.gov.cn/gzdt/ 201409/t20140919_626240.html.

［2］ 趙永椿, 馬斯鳴, 楊建平, 等. 燃煤電廠污染物超凈排放的發(fā)展及現(xiàn)狀[J]. 煤炭學(xué)報(bào), 2015, 40(11): 2629-2640.

ZHAO Yongchun, MA Siming, YANG Jianping, et al. Status of ultra-low emission technology in coal-fired power plant[J]. Journal of China Coal Society, 2015, 40(11): 2629-2640.

［3］ 周濤, 劉少光, 吳進(jìn)明, 等. 火電廠氮氧化物排放控制技術(shù)[J]. 環(huán)境工程, 2008, 26(6): 82-85.

ZHOU Tao, LIU Shaoguang, WU Jinming, et al. Technologies of NOemission control for coal-fired power plant[J]. Environmental Engineering, 2008, 26(6): 82-85.

［4］ 孫雅麗, 鄭驥, 姜冰. 燃煤電廠煙氣氮氧化物排放控制技術(shù)發(fā)展現(xiàn)狀[J]. 環(huán)境科學(xué)與技術(shù), 2011, 34(增刊1): 174-179.

SUN Yali, ZHENG Ji, JIANG Bing. NOcontrol technologies for coal-fired power plants flue gas[J]. Environmental Science & Technology, 2011, 34(Suppl.1): 174-179.

［5］ 于文清. SCR法煙氣脫硝系統(tǒng)的控制策略在火電廠中的應(yīng)用[D]. 北京: 華北電力大學(xué), 2012: 43-46.

YU Wenqing. Control strategy of SCR flue gas denitration system used in a thermal power plant[D]. Beijing: North China Electric Power University, 2012: 43-46.

［6］ 徐亦淳, 翟德雙. 1 000 MW機(jī)組降低鍋爐NO排放技術(shù)研究與應(yīng)用[J]. 中國(guó)電力, 2015, 48(12): 85-90.

XU Yichun, ZHAI Deshuang. Study and application of NOemission reduction technology for 1 000 MW boilers[J]. Electric Power, 2015, 48(12): 85-90.

［7］ 趙曉軍, 張寶紅, 易智勇, 等. 雙尺度低氮燃燒技術(shù)在錦州熱電廠的應(yīng)用[J]. 熱力發(fā)電, 2013, 42(6): 69-71.

ZHAO Xiaojun, ZHANG Baohong, YI Zhiyong. Application of double low nitrogen combustion technology in Jinzhou thermal power plant[J]. Thermal Power Generation, 2013, 42(6): 69-71.

［8］ 朱林, 吳碧君, 段玖祥, 等. SCR煙氣脫硝催化劑生產(chǎn)與應(yīng)用現(xiàn)狀[J]. 中國(guó)電力, 2009, 42(8): 61-64.

ZHU Lin, WU Bijun, DUAN Jiuxiang, et al. Situation of production and application on selective catalytic reduction flue gas de-NOcatalysts[J]. Electric Power, 2009, 42(8): 61-64.

［9］ 呂林, 沈穎倩. NH3低溫選擇性催化還原NO的研究[J]. 燃燒科學(xué)與技術(shù), 2011, 17(2): 103-108.

LYU Lin, SHEN Yingqian. Selective catalytic reduction with NH3at low temperature[J]. Journal of Combustion Science and Technology, 2011, 17(2): 103-108.

［10］周?chē)?guó)民, 唐建成, 胡振廣, 等. 燃煤鍋爐SNCR脫硝技術(shù)應(yīng)用研究[J]. 電站系統(tǒng)工程, 2010, 26(1): 18-21.

ZHOU Guomin, TANG Jiancheng, HU Zhenguang, et al. Application research of SNCR technology in the pulverized-coal fired boiler[J]. Power System Engineering, 2010, 26(1): 18-21.

［11］ 張向宇, 張波, 陸續(xù), 等. 火電廠尿素水解工藝設(shè)計(jì)及試驗(yàn)研究[J]. 中國(guó)電機(jī)工程學(xué)報(bào), 2016, 36(9): 2452-2458.

ZHANG Xiangyu, ZHANG Bo, LU Xu, et al. Crafts design and experimental study of urea hydrolysis to ammonia in thermal power plant[J]. Proceedings of the CSEE, 2016, 36(9): 2452-2458.

［12］ 趙冬賢, 劉紹培, 吳曉峰, 等. 尿素?zé)峤庵瓢奔夹g(shù)在SCR脫硝中的應(yīng)用[J]. 熱力發(fā)電, 2009, 38(8): 65-67.

ZHAO Dongxian, LIU Shaopei, WU Xiaofeng, et al. Application of urea pyrolysis to prepare ammonia technology into SCR denitrification[J]. Thermal Power Generation, 2009, 38(8): 65-67.

［13］ 魏輝. 燃煤電站鍋爐低NO燃燒優(yōu)化運(yùn)行策略的研究[D]. 上海: 上海交通大學(xué), 2008: 35-38.

WEI Hui. Investigation of operation strategy on low NOcombustion optimization of coal fired utility boiler[D]. Shanghai: Shanghai Jiao Tong University, 2008: 35-38.

［14］ 陳少杰. 國(guó)產(chǎn)300 MW燃煤發(fā)電機(jī)組低NO排放的性能研究[D]. 廣州: 華南理工大學(xué), 2012: 36-56.

CHEN Shaojie. Domestic 300 MW coal fired generating units of de-NOemissions performance research[D]. Guangzhou: South China University of Technology, 2012: 36-56.

［15］ 劉軍. 超臨界W火焰鍋爐劣質(zhì)無(wú)煙煤燃燒及NO釋放特性研究[D]. 鄭州: 華北水利水電學(xué)院, 2012: 34-61.

LIU Jun. Study on the combustion and NOrelease characteristics of low-quality anthracite in supercritical W-flame boiler[D]. Zhengzhou: North China University of Water Resources and Electric Power, 2012: 34-61.

［16］ 王少波. 660 MW火電機(jī)組降低NO排放試驗(yàn)研究[D]. 北京: 華北電力大學(xué), 2013: 10-33.

WANG Shaobo. Research on the test of reducing NOemission in a 660 MW thermal power plant[D]. Beijing: North China Electric University, 2013: 10-33.

［17］ 王琳俊. 超細(xì)煤粉熱解機(jī)理與燃燒過(guò)程N(yùn)O排放特性研究[D]. 上海: 上海交通大學(xué), 2015: 58-71.

WANG Linjun. Study on superfine pulverized coal pyrolysis and NOemission mechanism in combustion[D]. Shanghai: Shanghai Jiao Tong University, 2015: 58-71.

［18］ 鐘亞鋒. 某600 MW機(jī)組切圓燃燒鍋爐氮氧化物排放的研究[D]. 北京: 華北電力大學(xué), 2015: 36-45.

ZHONG Yafeng. Study of combustion process and emission of NOin 600 MW tangentially fired boiler[D]. Beijing: North China Electric University, 2015: 36-45.

［19］ LI N, THOMPSON S. A simplified non-linear model of NOemissions in a power station boiler[C]. Ukacc International Conference on Control. Exeter, UK, 1996: 1016-1021.

［20］ LI K, THOMPSON S, WIERINGA P A, et al. Neural networks and genetic algorithms can support human supervisory control to reduce fossil fuel plant emissions[J]. Cognition Technology & Work, 2003, 5(2): 107-126.

［21］ LI K, THOMPSON S, WIERINGA J. Modelling and prediction of NOemission in a coal-fired power generation plant[J]. Control Engineering Practice, 2004, 12(6): 707-723.

［22］ SMREKAR J, POTO?NIK P, SENEGA?NIK A. Multi-step-ahead prediction of NOemissions for a coal-based boiler[J]. Applied Energy, 2013, 106(11): 89-99.

［23］ 白衛(wèi)東, 嚴(yán)建華, 王飛, 等. 統(tǒng)計(jì)回歸方法在電站鍋爐氮氧化物排放量監(jiān)測(cè)中的應(yīng)用[J]. 動(dòng)力工程, 2004, 24(3): 431-435.

BAI Weidong, YAN Jianhua, WANG Fei, et al. Application of statistical regression method in NOoutput monitoring of power station boiler[J]. Power Engineering, 2004, 24(3): 431-435.

［24］ 孔亮, 丁艷軍, 張毅, 等. 基于Kriging方法的電站鍋爐NO排放自適應(yīng)建模[J]. 清華大學(xué)學(xué)報(bào)(自然科學(xué)版), 2008, 48(5): 848-851.

KONG Liang, DING Yanjun, ZHANG Yi, et al. Adaptive Kriging model for NOemissions from utility boilers[J]. Journal of Tsinghua University (Science & Technology), 2008, 48(5): 848-851.

［25］ 李剛, 賈曉靜, 武寶會(huì), 等. SCR煙氣脫硝系統(tǒng)噴氨量控制[J]. 熱力發(fā)電, 2016, 45(8): 99-102.

LI Gang, JIA Xiaojing, WU Baohui, et al. Spraying ammonia flow control system of SCR denitration system based on leading factor analysis[J]. Thermal Power Generation, 2016, 45(8): 99-102.

［26］ ZHOU H, CEN K F, MAO J B. Combining neural network and genetic algorithms to optimize low NOpulverized coal combustion[J]. Fuel, 2001, 80(15): 2163-2169.

［27］ 許昌, 呂劍虹. 電站燃煤鍋爐NO排放神經(jīng)網(wǎng)絡(luò)模型[J]. 鍋爐技術(shù), 2005, 36(2): 13-17.

XU Chang, LU Jianhong. Artificial neural networks model of NOemissions in a power station coal fired boiler[J]. Boiler Technology, 2005, 36(2): 13-17.

［28］ 張繼龍. 基于BP神經(jīng)網(wǎng)絡(luò)與遺傳算法的鍋爐排放特性研究[D]. 沈陽(yáng): 東北大學(xué), 2008: 10-27.

ZHANG Jilong. Research on let characteristic of boiler based on artificial neural networks and genetic algorithms[D]. Shenyang: Northeastern University, 2008: 10-27.

［29］ 凡榮榮, 楊巨生, 謝克昌. 大型燃煤鍋爐氮氧化物排放預(yù)測(cè)模型[J]. 電氣技術(shù), 2012(5): 34-36.

FAN Rongrong, YANG Jusheng, XIE Kechang. Predicate model on NOemission of a high capacity firing boiler[J]. Electrical Technology, 2012(5): 34-36.

［30］ 趙乾. SCR煙氣脫硝系統(tǒng)優(yōu)化模擬及噴氨量最優(yōu)控制[D]. 重慶: 重慶大學(xué), 2012: 39-48.

ZHAO Qian. Simulation optimization and optical control on spraying ammonia of SCR flue gas denitrification[D]. Chongqing: Chongqing University, 2012: 39-48.

［31］ 卓建坤, 焦偉紅, 宋少鵬, 等. 鍋爐燃燒優(yōu)化中NO預(yù)測(cè)模型研究進(jìn)展[J]. 燃燒科學(xué)與技術(shù), 2016, 22(6): 531-540.

ZHUO Jiankun, JIAO Weihong, SONG Shaopeng, et al. A review on nitrogen oxides prediction model in combustion optimization of boilers[J]. Journal of Combustion Science and Technology, 2016, 22(6): 531-540.

［32］ 蘇適, 周立棟, 陸海, 等. 基于改進(jìn)混沌粒子群算法的多源獨(dú)立微網(wǎng)多目標(biāo)優(yōu)化方法[J]. 電力系統(tǒng)保護(hù)與控制, 2017, 45(23): 34-41.

SU Shi, ZHOU Lidong, LU Hai, et al. Multi-objective optimization of multi-source independent microgrid based on modified CPSO[J]. Power System Protection and Control, 2017, 45(23): 34-41.

［33］ 賀禹強(qiáng), 劉故帥, 肖異瑤, 等. 基于改進(jìn)GA-PSO混合算法的變電站選址優(yōu)化[J]. 電力系統(tǒng)保護(hù)與控制, 2017, 45(23): 143-150.

HE Yuqiang, LIU Gushuai, XIAO Yiyao, et al. Locating optimization for substation based on refined GA-PSO hybrid algorithm[J]. Power System Protection and Control, 2017, 45(23): 143-150.

［34］ 王林, 侯玉婷, 薛建中, 等. 基于主元分析的SCR煙氣脫硝系統(tǒng)入口NO生成量預(yù)測(cè)模型[J]. 熱力發(fā)電, 2015, 44(8): 84-89.

WANG Lin, HOU Yuting, XUE Jianzhong, et al. Principal component analysis based NOformation prediction for SCR flue gas denitration system[J]. Thermal Power Generation, 2015, 44(8): 84-89.

［35］ 余廷芳, 劉冉. 基于RBF神經(jīng)網(wǎng)絡(luò)和BP神經(jīng)網(wǎng)絡(luò)的燃煤鍋爐NO排放預(yù)測(cè)[J]. 熱力發(fā)電, 2016, 45(8): 94-113.

YU Tingfang, LIU Ran. NOemission prediction for coal-fired boilers based on RBF neural network and BP neural network[J]. Thermal Power Generation, 2016, 45(8): 94-113.

［36］ 李蔚, 盛德仁, 陳堅(jiān)紅, 等.雙重BP神經(jīng)網(wǎng)絡(luò)組合模型在實(shí)時(shí)數(shù)據(jù)預(yù)測(cè)中的應(yīng)用[J]. 中國(guó)電機(jī)工程學(xué)報(bào), 2007, 27(17): 94-97.

LI Wei, SHENG Deren, CHEN Jianhong, et al. The application of double BP neural network combined forecasting model in real-time data predicting[J]. Proceedings of the CSEE, 2007, 27(17): 94-97.

Application of RBF neural network based on discrete particle swarm optimization in denitrification control

WANG Lin1, GAO Lin1, GUO Yiwen1, AN Chaorong1, JIN Guoqiang1, WANG Chenyu1, SU Haolong2

(1. Xi’an Thermal Power Research Institute Co., Ltd., Xi’an 710054, China; 2.Qiangui Power Plant Co., Ltd., Liupanshui 553000, China)

A predictive control method for selective catalytic reduction of (SCR) flue gas denitrification is proposed, which uses the radial basis (RBF) neural network of particle swarm optimization to predict the mass concentration of NOx at entrance of the SCR denitrification system. The overall optimization space is discretized. The optimization model is reconstructed by combining node optimization with the fastest gradient method. Meanwhile, the prediction results of the RBF neural network are introduced into the denitrification control strategy, and applied to ammonia injection control of thermal power units. The practical application of this new developed control strategy in a 350 MW unit show that, this method can not only realize the automatic control of ammonia injection valves, but also improve the control precision of the ammonia injection system.

flue gas denitration, SCR, discrete particle swarm, RBF neural network, ammonia spraying control, control strategy

TP273

A

10.19666/j.rlfd.201907149

2019-07-15

王林(1985)，男，博士，高級(jí)工程師，主要研究方向?yàn)榛鹆Πl(fā)電智能控制技術(shù)，willwanglin@163.com。

王林, 高林, 郭亦文, 等. 離散粒子群尋優(yōu)徑向基神經(jīng)網(wǎng)絡(luò)模型在脫硝控制中應(yīng)用[J]. 熱力發(fā)電, 2019, 48(10): 22-27. WANG Lin, GAO Lin, GUO Yiwen, et al. Application of RBF neural network based on discrete particle swarm optimization in denitrification control[J]. Thermal Power Generation, 2019, 48(10): 22-27.

（責(zé)任編輯 杜亞勤）