基于神经网络的分区喷氨量研究

巨克珺，朱曙光,张书平，刘心志，张后雷

（南京理工大学能源与动力工程学院，南京 210094）

近年来一系列关于火电污染物排放相关的标准和规范的颁布，对NOX排放标准的越来越严格[1]，电厂普遍投运选择性催化还原（SCR）系统。现阶段火电机组在运行中由于炉内燃烧不稳定和配风不均等原因，导致在SCR 入口处NOX浓度分布不均匀[2-3]。针对上述情况，通常使用分区喷氨使得催化剂入口截面氨氮比分布均匀。国内电厂现有的调整分区喷氨量的方法为在若干个工况下检测SCR 反应器出口处若干个点的NOX浓度，并调整分区喷氨量，使得在测点处的氨气与NOX浓度符合标准，以此确定好各个分区之间的喷氨量的相对值，在运行中调整总喷氨量，相对喷氨量不会发生变化[4]。为避免运行中NOX分布发生变化而导致SCR 出口NOX浓度升高超出设定值，往往选择喷入过量的NH3以提高脱硝效率。而过量的氨气又导致了氨逃逸升高，提高了SCR 系统的运行成本和运行风险[5]。

因此有必要建立起不同分区喷氨量与NH3扩散至催化剂入口截面处的浓度分布对应关系，使得分区喷氨量可以根据NOX浓度分布进行动态的调节。由于烟道具有弯折和截面积扩大等原因，各个分区的氨气扩散后的范围并不相同，并有相互重叠，导致了单独建立各个分区喷氨量与喷氨范围和浓度的关系困难。本文拟采用FLUENT 模拟一系列与NOX分布对应的分区喷氨量和氨气浓度分布数据作为样本数据，研究如何通过BP 神经网络根据不同NOX分布得到分区的独立喷氨量。

1 研究对象

实验室已有的SCR 脱硝冷态试验台根据相似准则，参照某电厂锅炉从省煤器出口到空气预热器入口的尾部烟道的尺寸，按15:1 比例搭建。选用二氧化碳作为标示性气体模拟氨气在烟道中的扩散[6]。SCR 实验台整体结构如图1（a）所示。喷氨格栅为40 根喷氨管单层布置，每个喷氨管有8 个喷口，共320 个喷嘴，每个喷嘴的直径为2 mm。如图1（b），烟道内共安装了7 组导流板和整流格栅以及三层蜂窝式催化剂。催化剂入口截面测点分布如图1（c）所示，采用网格法布置测点，共设置25 个测点，其中相邻测点横向相隔为12.5 cm，纵向相隔为20 cm。

使用三维建模软件对整体烟道按照实验台尺寸等比例进行建模，其中为了提高计算精度并提高网格质量，将AIG管道和喷嘴简化为具有相同水力直径的六面体。采用ICEM软件进行网格划分，将导流板看作无厚度的面，并加密在导流板以及喷氨格栅周围的网格。验证网格独立性后网格总数为728 万个。

对烟道中的烟气流动做如下假设：假设系统绝热，烟气为不可压缩，不考虑烟道漏风及灰分的影响，不考虑烟道内的化学反应，将催化剂层简化为多孔介质模型。仿真中的控制方程包括连续性方程、能量方程和动量方程，旋流修正的k- ε方程。

图1 SCR 反应器结构以及测点分布

本文根据锅炉75%BMCR 烟气流量作为入口速度设置的依据。假设烟道入口处烟气流速为4 m/s，温度为674 K。烟道入口处的NOX的平均体积分数为1.21×10-4。

不同喷氨分区会影响到后续催化剂层前的氨氮摩尔比分布，因此有必要对AIG 进行合理的分区。AIG 处流速分布是影响氨气在催化剂入口界面浓度分布的主要因素，在喷口流量相等，喷氨格栅上游烟气流速不均匀时，烟气流速快的AIG 分区喷出的NH3在扩散至催化剂入口截面时浓度低于烟气流速慢的分区，并且这种现象在喷氨格栅上游烟气速度相对偏差越大越明显[7]。图2（a）显示了在烟道入口流速为4 m/s 时FLUENT 仿真得到的AIG 拦截面的烟气流速分布，流速整体呈现上下两侧区域速度小，中间速度大，右侧流速整体偏低的特点。为保证每个分区内烟气流速相对均匀并考虑到整个喷氨系统不宜太过复杂，如图2（b）所示将AIG 划分为10 个分区，每个子区域32 个喷口。其中1 和2 分区对应右侧流速低的区域；3、4 和5 分区对应中间流速高的区域；6 分区对应左侧流速低的区域；7、8、9 和10 分区对应上下两侧浓度低的区域。

图2 烟道流速及AIG 分区

2 BP 神经网络

BP 神经网络作为多层前馈型神经网络，由输入层、隐含层和输出层组成，单隐含层网络结构见图3。其基本原理是输入信号从输出层经隐含层处理后传递至输出层。如果输出层得不到期望输出，则反向传播误差至输入层和隐含层，由此调整网络权值和阈值，从而使计算输出逼近期望输出。

神经网络的训练步骤如下：

第一步：初始化网络。在确定输入层节点数n、隐含层节点数l、输出层结点数m后，初始化输入层至隐含层和隐含层至输出层权值以及阈值和。

图3 单隐含层网络结构

第三步：计算出输出O。

第四步：由LM（levenberg- Marquardt）算法反向传播更新连接权值和。其中J为性能误差函数，Yk训练样本的实际输出值为学习速率。

第六步：判断迭代是否结束，若没有结束，则返回第二步。

本文将25 个测点的NOX浓度作为输入值，10 个喷氨格栅分区喷氨量作为输出值。根据Kolmogorov 定理确定隐含层节点数，隐含层节点数与输入层节点数的近似关系如下式，节点数应小于51，利用渐减法逐步删去对网络中影响不大的节点，最终确定节点数为30。建立结构为25- 30- 10 的BP 神经网络。

式中，k为隐含层节点数，m为输入层节点数。

3 训练样本

为了能够体现出各个AIG 分区不同喷氨量与催化剂入口截面NH3浓度分布之间的对应关系，通过Fluent 计算100组不同的NOX浓度分布下的分区喷氨量及其对应的测点氨气浓度，对分区喷氨量和测点浓度线性插值得到了500 组数据。其中随机选取450 组作为训练样本，其余50 组用于测试神经网络。

考虑到神经网络在不同烟气流速和平均NOX浓度下的泛用性，因此在喷氨流速的归化一处理过程中考虑烟气流速、NOX平均浓度和设定氨氮比等因素。归化一方法如下：

4 结果分析

4.1 仿真模型的验证

冷态实验的设定工况条件为：首层催化剂入口截面NOX浓度为分布均匀的1.21×10-4，AIG 分区喷入二氧化碳流量为根据当前NOX浓度分布得到的喷氨量。由冷态扩散实验测得的二氧化碳浓度与仿真结果对比可知，各个测点之间的变化规律大体上一致，如图4所示每个测点的平均误差为4.4×10-6，平均相对误差为3.5%。仿真结果较好的吻合了实验中NH3在烟道中的扩散。该仿真方法用于模拟烟道中NH3的扩散是可行的。

4.2 神经网络精度的验证

图5（a）表示为50 个测试样本中2 号分区喷氨量的仿真结果与神经网络计算结果的对比，图5（b）为单个测试样本仿真的10 个分区的喷氨量和神经网络计算结果的对比。使用平均相对误差（，计算方法如下式）评价神经网络性能。整体计算的最大相对误差为7.23%，平均相对误差为1.78%，计算精度满足使用要求。可见神经网络模型可以建立起分区喷氨量与催化剂入口截面出的NH3浓度分布。

图4 仿真与实验数据对比

图5 神经网络计算精度

4.3 典型NOX 分布的验证

在入口NOX浓度分布不均时，保证在催化剂入口截面处的氨氮比基本相等，可以提高脱硝效率的同时减少氨逃逸，减少SCR 系统的NH3消耗量。因此在要用分区喷氨匹配NOX浓度分布，调平催化剂入口截面处的氨氮比。参照文献[8]选取几种典型的入口NOX浓度分布作为分区喷氨的目标，催化剂入口截面NOX浓度分布见图6，工况1 为在SCR 催化剂入口截面处NOX浓度分布均匀，工况2 和4 为两侧浓度低，中间浓度高，区别在于工况4 浓度偏差更大，工况3 为一侧浓度高，一侧浓度低，整体浓度呈现阶梯状。

图6 催化剂入口截面NOX 浓度分布

以25 个测点的NOX浓度作为神经网络的输入参数，计算在当前NOX分布下平均氨氮比为1 时的AIG 的分区喷氨量，并将其代入Fluent 中检验计算结果。催化剂入口截面处的氨氮比浓度分布见图7，从图中可见在四种典型的NOX分布状态下，由神经网络计算得到的分区喷氨量在NH3扩散在催化剂入口截面时能够良好的匹配NOX浓度的分布，氨氮比分布相比NOX浓度更均匀。

图7 催化剂入口截面处的氨氮比浓度分布

各个测点的氨氮比均处于0.95～1.05 的区间内，这是由于各个AIG 分区内喷口喷出的NH3在扩散路径和距离仍有一定不同，导致了同一分区喷出的NH3在催化剂入口截面浓度有一定偏差，如本文中的1 和6 分区。因此想要NH3浓度与NOX浓度分布完全一致是无法实现的，实际中氨氮比的标准偏差系数满足要求即可。通常使用标准偏差系数表示某一特征均匀程度，计算方法如式（12）：

图8为NOX浓度和氨氮比的标准偏差系数的对比。对比可得均匀分布的情况下氨氮比标准偏差系数最小，由25个测点计算得到为1.7%，而在NOX分布不均时，由神经网络计算得到的喷氨量能够有效的消除由于NOX分布不均导致的氨氮比的相对偏差。由12.6%、15.5%和19.8%分别降低至3.6%、3.0%和3.5%，满足电厂运行的标准偏差系数小于5%[9]的技术要求。

5 结语

图8 NOX 浓度和氨氮比的标准偏差系数的对比

本文首先基于实验室已有的SCR 系统的15:1 试验台，根据AIG 拦截面烟气流速分布，将AIG 分为10 区，其次通过各个AIG 分区喷氨量与催化剂入口截面测点NH3浓度建立了CFD 仿真模型，并通过冷态实验验证了CFD 计算结果和实验结果大致吻合，平均相对误差为3.5%，最大相对误差为7.5%。然后通过一系列与NOX分布对应的分区喷氨量和NH3浓度分布数据作为训练数据，建立结构为25- 30- 10 的BP 神经网络。训练后神经网络平均相对误差为1.78%，最后选取4 组不同的入口NOX分布方式作为神经网络计算结果的检验样本，由神经网络计算对应的喷氨量，得到25 个测点氨氮比标准偏差系数小于3.6%，满足电厂实际运行低于5%的技术要求。验证了使用BP 神经网络建模实现电厂在多种NOX浓度分布情况下，精准控制SCR 系统分区喷氨量以降低氨氮比分布偏差，提高脱硝效率是合理可行的。