离散粒子群寻优径向基神经网络模型在脱硝控制中应用

王 林，高 林，郭亦文，安朝榕，金国强，王辰昱，苏浩龙

离散粒子群寻优径向基神经网络模型在脱硝控制中应用

王 林1，高 林1，郭亦文1，安朝榕1，金国强1，王辰昱1，苏浩龙2

（1.西安热工研究院有限公司，陕西 西安 710054；2.黔桂发电有限责任公司，贵州 六盘水 553000）

提出了一种选择性催化还原（SCR）烟气脱硝预测控制方法，该方法采用粒子群寻优的径向基（RBF）神经网络预测SCR脱硝系统入口NOx质量浓度，将整体寻优空间离散化，通过采用节点寻优并结合最速梯度方法重构寻优模型，同时将该RBF神经网络预测结果引入脱硝控制策略，应用到火电机组的喷氨控制。在某350 MW机组实际应用结果表明，该神经网络模型不仅能实现喷氨自动控制，而且能提高喷氨系统控制精度。

烟气脱硝；SCR；离散粒子群；RBF神经网络；喷氨控制；控制策略

自2014年全国实施超低排放改造计划以来，燃煤锅炉逐步升级，已达到超低排放控制标准[1-2]。大量运行经验和文献指出[3-6]，NO超低排放控制是亟待解决的技术难点之一。

NO的炉内控制技术主要有分级燃烧[2]、双尺度低氮燃烧[7]等技术，一般通过炉内不同层燃烧器进风量的调整，在锅炉下部形成贫燃气氛，增强还原反应，减少NO的生成；而在锅炉上部形成富燃气氛，由于炉膛上部温度较低，NO不易生成，且富燃气氛有利于快速燃尽含碳颗粒，保障锅炉效率。

NO的炉后控制技术主要有选择性催化还原（SCR）技术[8-9]和选择性非催化还原（SNCR）技 术[10]。SNCR技术是在高温状态下，通过喷入氨气形成还原性气氛脱除NO，由于该方法的脱除效率一般不超过35%，因此一般作为辅助技术参与NO的脱除控制。SCR技术则主要是在省煤器后烟气中喷入氨气，利用催化剂除去NO[11-22]。目前火电机组采用铺设3层催化剂的布置方式可使SCR脱除效率达到90%以上，完全可满足NO超低排放的需求。

燃煤锅炉经过低氮改造后，NO生成量大幅降低。目前大部分燃煤机组煤粉含氮量不超过0.8%，相关研究表明[13-18]，即使燃煤锅炉的煤质变化较大，火电机组实际运行中，尤其是升、降负荷运行过程中，NO的生成主要与机组运行参数有关。在燃煤机组运行参数建模中，灰箱模型[19-21]利用特定的数学模型训练优化，获得NO质量浓度的非线性模型。这种方法虽然鲁棒性较强，但是训练和提取模型的过程比较复杂，且在工程应用中有一定的局限性，如模型偏离后无法自校正，只能通过重新训练的方式离线再优化。Smrekar等人[22]利用ARX和外部输入自回归平均滑动模型构建了NO自回归预测模型，实现了在一定时间步长内的超前控制，但这种方法并未指出NO生成与燃烧特性变化之间的内在联系。白卫东等[23-24]尽管对该方法进行了一定的改良，但仍不适应NO快速变化时的预测控制。李刚等[25]采用的基于主导因素方法尽管能应对负荷大范围变化时的NO超低排放控制，但也没有从原理上理清NO的生成与炉内燃烧特性的内在关联性。

近年来，利用神经网络技术对NO生成进行预测成为NO超低排放控制的主要方向之一[26-33]，经过分析发现，尽管这种方法能够较好地得到拟合度很高的非线性模型，但普遍存在对样本质量要求高和过拟合的现象，且计算开销较大，目前在线更新有一定的困难。

基于此，本文利用径向基（RBF）神经网络，结合粒子群寻优方法（PSO）对SCR脱硝系统入口NO质量浓度和机组主要运行参数进行样本训练和建模，结果表明该模型不仅能较快地获得SCR脱硝系统入口NO质量浓度预测值，而且预测模型精度高，稳定性好，且便于热工人员理解和维护。

1 建立模型

对于某一固定机组，影响锅炉NO生成主要因素为大负荷升降过程中的风、水、煤等主要参数的变化。本文选取某350 MW机组，分析主要运行参数和NO之间的关联性，建立模型。为消除高频噪音对模型的影响，所选取的参数历史数据均进行离线再滤波，同时利用主元分析方法对其内在联系进行量化。

1.1 RBF神经网络模型输入输出相关性分析

选取SCR脱硝系统入口NO质量浓度与机组总煤量、一次风量、二次风量、氧量（体积分数，下同）、主蒸汽流量和一次风压为相关参数，变工况下某350 MW机组SCR脱硝系统入口NO质量浓度与机组参数变化趋势如图1所示。由图1中可见：变工况时，SCR脱硝系统入口NO质量浓度变化与其他参数具有较大的关联性。分析图1中所选参数对SCR脱硝系统入口NO质量浓度生成的贡献[34]，发现所选参数的累计贡献近100%，因此将上述6个变量作为RBF神经网络的输入。

1.2 离散粒子群寻优的RBF神经网络模型

目前，神经网络在工程中的应用主要分为BP神经网络[35-36]和RBF神经网络。BP神经网络利用误差传递对中间层和输出层进行训练，但其在具有多层中间神经元时，误差传播的泛化能力不足。而RBF神经网络将输入和中间层参数映射到高维空间中，具有很强的泛化能力，当神经网络用于控制器研究时，一般会采用RBF神经网络。本文将RBF神经网络的最速梯度法和粒子群自寻优方法相结合，进一步提高其搜索能力，进行SCR脱硝系统入口NO质量浓度预测。

图2为RBF神经网络结构模型，以图1的6个参数作为RBF神经网络输入参数，以SCR脱硝系统入口NO质量浓度作为输出，进行离线训练。在图2中，利用粒子群方法对中间隐含层节点权值进行搜索。

显然，搜索的维度为6维，设在维（1≤≤6）空间中的第个粒子位置x为

式中wn1,wn2,…,wnG分别为G维中间节点的权值。

该粒子的个体极值bestn为

整个种群的全局极值为bestg，粒子的速度信息v为

采用离散化方法对中心节点权重w和粒子速度信息v进行初始化，方法如下。

1）中心节点权值w∈[0,1]，将其等分为(+1)个节点，则节点步长为

中心节点权重赋值为

式中，int()为取整函数，rand( )为(0,1]之间的随机数。即权重初始赋值必须为某一节点值，而不是随机在[0,1]之间赋值。

2）节点速度v初始赋值为

节点初始速度应为步长的整数倍。采用PSO算法对中间节点权重进行更新，

式中：12分别为系统参数；为种群的粒子数；为第粒子在第次迭代中的第维的速度，；为第个粒子在第次迭代中的第维的位置，；bestng为粒子在第维的个体极值；bestg为种群的最佳位置。

3）中间隐含节点在初始化权重的同时，中心节点c和径向基宽分别初始化为c= {0.5,0.5,0.5,0.5,0.5,0.5}和=0.8；第个粒子的适应度函数为

取全局最小适应度函数

4）更新在全局最小适应度函数下的个体最优值和全局最优值，分别如下：

依据最速梯度法，中间隐含节点向量和径向基宽的更新机制如下：

2 离散RBF神经网络NOx预测分析

对RBF神经网络输入量进行归一化处理，即用归一化变量除以归一化参数，得到归一化的范围，RBF神经网络输入输出变量归一化结果见表1。RBF神经网络模型参数由机组历史数据离线训练得到，SCR脱硝系统A侧和B侧的RBF神经网络参数分别见表2和表3。某工况下SCR脱硝系统A侧和B侧入口NO质量浓度测量值与预测值对比分别如图3和图4所示。

表1 RBF神经网络输入输出变量归一化

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

表2 SCR脱硝系统A侧RBF神经网络参数

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

表3 SCR脱硝系统B侧RBF神经网络参数

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

使用神经网络预测过程中，首先应考虑NO测量的纯滞后性，不同机组由于采样安装位置和采样管道流速的不同，NO测量的纯滞后时间会有所不同。为评估这一特性差异，本文采用定值扰动建模和实时运行参数评估的方法，具体为当机组运行工况发生变化时，炉膛出口氧量变化至SCR脱硝系统进口NO变化的时间差即可评估SCR脱硝系统进口NO测量的纯滞后时间。本文机组纯滞后时间约为50~70 s。而SCR系统脱硝出口NO测量的滞后则可通过喷氨流量的定值扰动得到，即改变喷氨流量的大小至出口NO测量值变化的时间差为出口NO测量的纯滞后时间，一般为100 s左右。

由图3可知，在0~150 s和250~350 s2个变工况的稳态时间段，A侧NO质量浓度测量值与RBF神经网络模型预测值基本能稳定地重叠，这表示稳态预测精度较高，且网络训练是成功的。而在150~250 s的中间动态过程中，RBF神经网络模型预测值在变化上明显比测量值提前，验证了在动态变化过程中，RBF神经网络的准稳态预测功能，表明RBF神经网络在稳态和动态过程中均是稳定的。图4显示的B侧在0~150 s和270~350 s 2个稳定区间，NO质量浓度测量值与预测值基本重叠，而在150~270 s的动态变化过程中，预测值明显提前于测量值。通过A、B两侧表现出的预测特性证明本模型的适用性。

3 离散RBF神经网络喷氨控制系统

根据上述研究结果，将RBF神经网络预测模型引入脱硝控制，结果如图5所示。将该控制策略应用到某350 MW机组喷氨自动控制，投入喷氨自动调节，得到变工况和稳定工况NO排放控制效果，如图6和图7所示。由图6和图7可知，RBF神经网络模型控制NO排放时，标准状态变工况下，NO质量浓度偏差降低至±7 mg/m3以内；稳定工况下，NO质量浓度偏差在±3 mg/m3以内。利用该神经网络模型不仅实现了喷氨系统长期稳定投入自动控制，而且大大提高了喷氨自动控制水平。

4 结 语

提出了一种结合离散粒子群寻优的RBF神经网络预测模型，并利用该离散神经网络预测模型构建了新型脱硝控制策略，不仅能有效保证脱硝自动投入，而且大大提高了喷氨自动控制水平。

［1］ 中华人民共和国国家发展和改革委员会. 煤电节能减排升级与改造行动计划（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］ 赵永椿, 马斯鸣, 杨建平, 等. 燃煤电厂污染物超净排放的发展及现状[J]. 煤炭学报, 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］ 周涛, 刘少光, 吴进明, 等. 火电厂氮氧化物排放控制技术[J]. 环境工程, 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］ 孙雅丽, 郑骥, 姜冰. 燃煤电厂烟气氮氧化物排放控制技术发展现状[J]. 环境科学与技术, 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法烟气脱硝系统的控制策略在火电厂中的应用[D]. 北京: 华北电力大学, 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, 翟德双. 1 000 MW机组降低锅炉NO排放技术研究与应用[J]. 中国电力, 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］ 赵晓军, 张宝红, 易智勇, 等. 双尺度低氮燃烧技术在锦州热电厂的应用[J]. 热力发电, 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, 吴碧君, 段玖祥, 等. SCR烟气脱硝催化剂生产与应用现状[J]. 中国电力, 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］ 吕林, 沈颖倩. NH3低温选择性催化还原NO的研究[J]. 燃烧科学与技术, 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］周国民, 唐建成, 胡振广, 等. 燃煤锅炉SNCR脱硝技术应用研究[J]. 电站系统工程, 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］ 张向宇, 张波, 陆续, 等. 火电厂尿素水解工艺设计及试验研究[J]. 中国电机工程学报, 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］ 赵冬贤, 刘绍培, 吴晓峰, 等. 尿素热解制氨技术在SCR脱硝中的应用[J]. 热力发电, 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］ 魏辉. 燃煤电站锅炉低NO燃烧优化运行策略的研究[D]. 上海: 上海交通大学, 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］ 陈少杰. 国产300 MW燃煤发电机组低NO排放的性能研究[D]. 广州: 华南理工大学, 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］ 刘军. 超临界W火焰锅炉劣质无烟煤燃烧及NO释放特性研究[D]. 郑州: 华北水利水电学院, 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火电机组降低NO排放试验研究[D]. 北京: 华北电力大学, 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. 超细煤粉热解机理与燃烧过程NO排放特性研究[D]. 上海: 上海交通大学, 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］ 钟亚锋. 某600 MW机组切圆燃烧锅炉氮氧化物排放的研究[D]. 北京: 华北电力大学, 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, POTOČNIK P, SENEGAČNIK A. Multi-step-ahead prediction of NOemissions for a coal-based boiler[J]. Applied Energy, 2013, 106(11): 89-99.

［23］ 白卫东, 严建华, 王飞, 等. 统计回归方法在电站锅炉氮氧化物排放量监测中的应用[J]. 动力工程, 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, 丁艳军, 张毅, 等. 基于Kriging方法的电站锅炉NO排放自适应建模[J]. 清华大学学报(自然科学版), 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］ 李刚, 贾晓静, 武宝会, 等. SCR烟气脱硝系统喷氨量控制[J]. 热力发电, 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］ 许昌, 吕剑虹. 电站燃煤锅炉NO排放神经网络模型[J]. 锅炉技术, 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］ 张继龙. 基于BP神经网络与遗传算法的锅炉排放特性研究[D]. 沈阳: 东北大学, 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］ 凡荣荣, 杨巨生, 谢克昌. 大型燃煤锅炉氮氧化物排放预测模型[J]. 电气技术, 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］ 赵乾. SCR烟气脱硝系统优化模拟及喷氨量最优控制[D]. 重庆: 重庆大学, 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, 焦伟红, 宋少鹏, 等. 锅炉燃烧优化中NO预测模型研究进展[J]. 燃烧科学与技术, 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］ 苏适, 周立栋, 陆海, 等. 基于改进混沌粒子群算法的多源独立微网多目标优化方法[J]. 电力系统保护与控制, 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］ 贺禹强, 刘故帅, 肖异瑶, 等. 基于改进GA-PSO混合算法的变电站选址优化[J]. 电力系统保护与控制, 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烟气脱硝系统入口NO生成量预测模型[J]. 热力发电, 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, 刘冉. 基于RBF神经网络和BP神经网络的燃煤锅炉NO排放预测[J]. 热力发电, 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, 陈坚红, 等.双重BP神经网络组合模型在实时数据预测中的应用[J]. 中国电机工程学报, 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，高级工程师，主要研究方向为火力发电智能控制技术，willwanglin@163.com。

王林, 高林, 郭亦文, 等. 离散粒子群寻优径向基神经网络模型在脱硝控制中应用[J]. 热力发电, 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.

（责任编辑 杜亚勤）