火电厂烟气脱硝控制系统中的喷氨量优化建模与仿真

肖军

摘要：针对传统PID控制方法不能精确控制喷氨量的问题，利用Langmuir和Eley-Rideal搭建SCR机理模型，然后构建基于混沌粒子群算法（CPSO）的氨氮浓度预测控制模型，以优化SCR系统的喷氨量，最后利用MATLAB比较传统PID和CPSO两种喷氨量控制优化的优劣。结果表明：CPSO预测控制模型对喷氨量具备更高的精确度、较好的鲁棒性，可在很大程度上减少氨气的逃逸率。关键词：烟气脱硝;SCR系统;CPSO;逃逸率;鲁棒性

中图分类号：TK39 文献标识码：A 文章编号：1001-5922（2022）07-0089-04

Optimal modeling and simulation of ammonia injection in flue

gas denitration control system of thermal power plant

XIAO Jun

（Jiangsu Power Design Institute Co.， Ltd.， China Energy Engineering Group， Nanjing 210036， China）

Abstract：Aiming at the problem that the traditional PID control method can not accurately control the amount of ammonia injection， both Langmuir and Eley-Rideal methods were used to construct a mechanistic build-up of SCR. Then， the ammonia nitrogen concentration predictive control model based on Chaotic Particle Swarm Optimization （CPSO） is constructed to optimize the ammonia injection amount of SCR system. Finally， MATLAB is used to compare the advantages and disadvantages of traditional PID and CPSO. The experimental results show that the CPSO prediction and control model has higher accuracy to the ammonia injection amount and better robustness， which can greatly reduce the escape rate of the ammonia gas.Key words： flue gas denitration; SCR system; CPSO; escape rate; robustness

SCR脱硝系统作为火力发电环保的主要组成部分，对减少火力发电烟尘中的有害气体具有关键的作用。但一直以来，如何改善和提高SCR脱硝系统污染气体排放控制的效果，是探讨的重点和热点。针对该问题，有学者对脱硝系统的不足之处进行分析后，提出了基于KPCA和模糊树模型的SCR脱硝模型，并通过实验验证该新控制模型对火电厂氨氮氧化物排放具备较好的控制效果[1];通过GA-GRNN数据挖掘技术对SCR脱硝系统进行了优化和实验，结果表明，优化的控制系统将反应器出口NO的浓度分布偏差从133%降低至32%，很大程度上提高了SCR脱硝系统控制精确率[2];以氨逃逸浓

-

度为研究对象，利用神经网络模型对传统SCR控制模型进行改进，通过实验证明优化的控制模型将氨逃逸质量浓度降低了2.79 μL/L，提高了系统脱硝效果和系统的鲁棒性[3];结合SCR脱硝系统的非线性、大惯性等特点，提出了基于自适应惯性权重粒子群优化算法对传统脱硝系统进行改进，建立SCR反应机理和控制模型，并通过实验证明，改进模型可精准调控反应器出NO的浓度和氨逃逸浓度，显著提升脱硝系统控制的准确性[4]。依据以上结果，结合课题需求尝试引入Langmuir和Eley-Rideal算法改进基于神经网络的SCR脱硝系统，构建基于神经网络的氨氮浓度预测控制模型，并通过火电厂SCR脱硝系统的实际数据进行仿真实验，验证改进模型对系统喷氨量控制精确度和降低氨逃逸率的效果。

1SCR脱硝系统原理

选择性催化还原（SCR）是目前火电厂使用最为广泛的烟气脱硝方法[3]。如图1所示，SCR烟气脱硝基本原理：在温度300～400 ℃时，利用催化剂和还原剂将烟气中的氮氧化物进行还原，最终形成无污染的N和HO。较为常用的还原剂包括CH、H、CO和NH等，其中将氨作为还原剂的SCR技术相较于其他脱硝技术来说更为完善、脱硝效率相对更好。

2基于模型预测的喷氨量控制优化

2.1SCR系統机理模型

2.2基于CPSO的氨氮喷量优化控制

3试验验证

3.1传统PID控制结果

由图2可知，主回路可直接对出口氮氧化物浓度进行调节，副回路则对SCR脱硝系统喷氨量进行控制[9]。回路中喷氨量即为NO真实值和标准值两者间的差，主回路的喷氨量值即为副回路标准值[10]。副回路对该出口氧化物浓度标准值进行追踪，快速高效的捕捉到喷氨量，从而进一步提升SCR系统的精确度。2个路线中， PID 控制器主要通过比例+积分和单一比例方式对喷氨量进行控制。

3.2基于CPSO的喷氨量控制仿真

由图6和图7可知，PID 控制时SCR的脱硝率最大达到 63%，SCR 出口NO浓度最大值为60 mg/m，相较于预测模型，优化后的神经网络模型的最低脱硝率为88%，脱硝率更高，且优化后的SCR出口NO浓度最大值为32.4 mg/m。

4结语

本研究构建的神经网络预测控制模型相较传统PID 控制方法，脱硝率从63%提高到88%，表明改进系统的喷氨量精确度更高;优化后SCR 出口NO浓度明显降低，下调了2.2%。间接辅助系统优化后的脱硝效率更高，验证了优化系统的喷氨量和控制鲁棒性精度更高，很大程度能减少氨气逃逸，证明了本研究构建的脱硝控制系统可行性和有效性。

【参考文献】

[1]李海军，夏静，史恒惠，等. 基于KPCA和模糊树模型的火电厂SCR脱硝系统建模[J]. 自动化技术与应用，2020，39（1）：21-25.

[2]温鑫，钱玉良，彭道刚，等. 基于GA-GRNN数据挖掘的SCR脱硝系统建模优化研究[J]. 上海电力大学学报，2020，36（2）：161-167.

[3]郭磊，刘艇安，王靓，等. 600 MW燃煤机组脱硝系统喷氨优化调整效果分析[J]. 电力科技与环保，2022，38（1）：49-55.

[4]张萍，李明辉，陈倩. 废液焚烧炉SCR脱硝系统的建模及其预测控制[J]. 陕西科技大学学报，2021，39（5）：167-173.

[5]王天堃. 基于神经网络模型及预测控制DMC的火电机组脱硝控制策略[J]. 中国电力，2019，52（12）：140-145.

[6]马增辉，徐慧仪，朱润潮. SCR烟气脱硝系统鲁棒抗干扰控制研究[J]. 控制工程，2020，27（1）：114-120.

[7]马增辉，徐慧仪，朱润潮. 基于互信息和PID神经网络的SCR脱硝扰动补偿控制[J]. 热能动力工程，2020，35（5）：281-288.

[8]朱峰，郭旭升，党博文，等. 脱硝喷氨系统建模及控制算法研究与应用[J]. 电工技术，2020（17）：157-161.

[9]蒋政. 330 MW燃煤火電机组SCR烟气脱硝系统的优化分析[J]. 中国新技术新产品，2020（18）：90-91.

[10]张词秀，张词赟. 节能减排背景下火电厂SCR烟气脱硝系统建模与分析[J]. 河北农机，2020（11）： 25-26.