火力发电厂脱硫效率与运行参数关联性分析及优化

齐天然

（陕西枣矿红墩界煤电有限公司，陕西 榆林 718500）

0 引言

随着全球对环境保护的日益重视，SO2作为大气污染物的主要来源之一，其排放控制技术尤其是脱硫技术的研发和应用受到了广泛关注。火力发电厂在燃烧过程中产生的SO2等酸性气体，不仅对大气环境造成严重影响，还会导致酸雨等灾害性天气，对人类健康和生态系统构成威胁[1]。因此，提高火力发电厂的脱硫效率，减少SO2排放，是实现能源可持续发展和环境保护的关键环节。

本研究目的在于深入分析火力发电厂脱硫塔的脱硫效率与运行参数之间的关联性，并通过优化算法对运行参数进行优化，以提高脱硫效率。具体而言，本文将首先通过理论分析，确定影响脱硫效率的关键运行参数，如锅炉负荷、烟气流量、脱硫剂喷射量等。然后对实际运行数据进行处理，建立脱硫效率与运行参数之间的关系模型。在此基础上，运用遗传算法、粒子群优化算法等智能优化方法，对运行参数进行优化，以达到提高脱硫效率、降低运行成本的目的。

1 脱硫塔脱硫效率与运行参数关联性分析

1.1 脱硫效率的影响因素

脱硫效率（η）受多种因素的影响，本研究主要涉及烟气脱硫系统（FGD），包括脱硫塔、喷嘴、石灰石（CaCO3）供给系统等。脱硫塔的设计和操作条件（如塔内流速、喷雾密度）会影响脱硫效率。石灰石的活性、粒度、喷射速率和分布均匀性都会影响脱硫剂的化学反应效率。烟气在脱硫塔中冷却后，通常需要通过烟气再加热器（FGRH）升温以提高锅炉效率。烟气温度的升降会影响脱硫效率。另外，锅炉的设计和运行状态会影响烟气的成分和温度，从而影响SO2的生成量。锅炉的负荷变化会影响燃烧效率和烟气成分，进而影响脱硫效率。

1.2 运行参数的选取

运行参数的选取基于其对脱硫效率的显著影响和可测量性。烟气流量（Qf）是指单位时间脱硫塔内烟气的体积流量，通常以m3/h 计量。脱硫剂喷射量（Dp）是指脱硫塔中脱硫剂的添加量，通常以kg/h 计量。锅炉负荷（Bp）通常以MW 为单位。这些参数可以通过厂内监测系统实时获取。

1.3 关联性分析方法

关联性分析采用皮尔逊相关系数（r）来衡量变量之间的线性关系强度[2]。相关系数的取值范围在-1 到1 之间，接近1 或-1 表示强烈的正相关或负相关，而接近0 则表示没有线性关系。多元回归分析则用于建立多个自变量与因变量之间的线性关系模型，通过最小二乘法来估计模型参数[3]。模型的拟合度可以通过决定系数（R2）来评估，R2越接近1 表示模型拟合度越高。

1.4 实验数据收集与处理

在本研究中，数据收集主要来源于分布式控制系统（DCS），该系统负责记录锅炉负荷、烟气流量、脱硫剂喷射量等关键运行参数，以及脱硫效率的实际测量值。数据收集时段为发电厂烟气脱硫系统的工作时段，收集时间约为13 小时，频率为每分钟一次，确保了数据的连续性和时效性，最终收集到原始数据756 条。

收集到的原始数据需要进行严格的预处理，以确保数据的质量和分析的准确性。预处理步骤包括：

（1）数据清洗：去除异常值和缺失数据。异常值指那些明显偏离正常范围的数值，可能由于设备故障或操作错误造成。缺失数据可能由于传感器故障或数据传输问题导致。对于异常值和缺失数据，采用均值插补或删除该时间点的数据等方法进行处理。

（2）数据归一化：由于不同参数的量纲和数值范围差异较大，为了使数据具有可比性，对数据进行归一化处理。归一化方法采用Min-Max 标准化，将数据缩放到[0，1]区间内。

（3）数据转换：对于非数值型数据（如燃料成分、石灰石活性等），采用独热编码（One-Hot Encoding）将其转换为数值型数据，以便于进行数学分析。

预处理后的数据将进行统计分析，以建立脱硫效率与运行参数之间的关联性模型。统计分析方法包括：

（1）相关性分析：采用皮尔逊相关系数（r）来衡量变量之间的线性关系强度。相关系数的取值范围在-1到1 之间，接近1 或-1 表示强烈的正相关或负相关，而接近0 则表示没有线性关系。

（2）多元回归分析：采用线性回归模型来分析多个自变量与因变量之间的关系。模型为：

其中，η为脱硫效率，Bp为锅炉负荷，Qf为烟气流量，Dp为脱硫剂喷射量，β0为截距，β1、β2、β3为回归系数，ε为误差项。

（3）模型评估：通过决定系数（R2）来评估模型的拟合度，R2越接近1，表示模型拟合度越高。同时，采用F-检验和p-值来检验模型的整体显著性。

2 脱硫塔脱硫效率与运行参数关联性分析结果

2.1 脱硫效率与运行参数的关系

通过对实验数据的统计分析，本研究发现脱硫塔的脱硫效率与运行参数之间存在显著的关联性。锅炉负荷（Bp）与脱硫效率（η）之间存在强正相关关系（r=0.85，p-值= 0.005），而烟气流量（Qf）和脱硫剂喷射量（Dp）与脱硫效率之间存在负相关关系（r= -0.72，p-值= 0.03 和r= -0.45，p-值= 0.1）。石灰石活性（Ls）与脱硫效率之间的关系不显著，见表1。

表1 运行参数与脱硫效率相关性分析

多元回归分析的结果见表2。表2 的回归系数（β）表示各个运行参数对脱硫效率的影响程度。结果显示，锅炉负荷（Bp）的增加会显著提高脱硫效率，而烟气流量（Qf）和脱硫剂喷射量（Dp）的增加则会降低脱硫效率。石灰石活性（Ls）对脱硫效率的影响不显著。

表2 多元回归分析结果

2.2 结果讨论与分析

锅炉负荷、烟气流量和脱硫剂喷射量是影响脱硫效率的关键运行参数。在锅炉负荷方面，增加锅炉负荷会导致烟气的产生量增加，从而增加了脱硫剂与SO2的接触机会，提高了脱硫效率。然而，过高的锅炉负荷也可能导致烟气温度的升高，影响了脱硫剂的活性，从而对脱硫效率产生负面影响。

在烟气流量方面，增加烟气流量会提高脱硫剂与SO2的接触时间和反应程度，从而增加了脱硫效率。然而，过大的烟气流量也会导致脱硫剂的稀释，减少了脱硫剂与SO2的接触机会，从而降低了脱硫效率。

在脱硫剂喷射量方面，增加脱硫剂喷射量会提供更多的脱硫剂与SO2反应，从而提高了脱硫效率。然而，过大的脱硫剂喷射量会导致脱硫剂的浪费和成本的增加，同时可能影响脱硫剂的活性。

锅炉负荷对脱硫效率的影响程度最大，其增加会导致脱硫效率的显著提高。烟气流量和脱硫剂喷射量对脱硫效率的影响次之，其增加或减少会直接影响脱硫效率的高低。

3 火力发电厂脱硫运行参数优化方法

3.1 优化目标与方法

本研究优化目标包括：提高脱硫效率，使SO2排放浓度达到国家标准要求；降低脱硫成本，提高发电厂的经济效益；保证锅炉设备的安全稳定运行；优化运行参数，提高发电厂的整体环保水平。

本研究采用遗传算法（GA）和粒子群优化算法（PSO）相结合的方法进行脱硫运行参数的优化。遗传算法具有全局搜索能力强、不易陷入局部最优解的优点，模型原理如图1 所示。而粒子群优化算法具有收敛速度快、计算精度高的特点，模型原理如图2 所示。将两种算法相结合，可以充分发挥各自的优势，提高优化效果。

图1 遗传算法模型图

图2 粒子群算法模型图

3.2 优化过程与步骤

（1）参数设置：根据脱硫塔的实际运行情况，选取影响脱硫效率的关键运行参数，如锅炉负荷、烟气流量、脱硫剂喷射量等。设置合理的参数范围，以便在优化过程中进行搜索。

（2）模型建立：建立脱硫效率与运行参数之间的数学模型，如多元线性回归模型、神经网络模型等。通过实验数据训练模型，得到模型的参数估计值。

（3）求解：采用遗传算法和粒子群优化算法对模型进行求解。首先，利用遗传算法进行全局搜索，得到一组较优的运行参数组合；然后，采用粒子群优化算法在遗传算法的基础上进行局部搜索，提高优化精度。

（4）适应度评价：根据实际运行数据，对优化结果进行适应度评价。选取评价指标，如脱硫效率、脱硫成本等，计算适应度值。

（5）迭代优化：根据适应度评价结果，对运行参数进行调整，继续进行遗传算法和粒子群优化算法的迭代计算，直至满足优化目标。

3.3 优化结果与分析

经过多次迭代优化，得到了一组较优的运行参数组合。优化后的运行参数如下：锅炉负荷为500 MW；烟气流量为180000 m3/h；脱硫剂喷射量为1900 kg/h。相应地，脱硫效率得到了显著提高，从优化前的90%提高到优化后的98%。同时，脱硫成本降低了约15%。

4 结论

通过对火力发电厂脱硫塔的脱硫效率与运行参数的关联性分析及优化研究，得出结论：脱硫效率与运行参数之间存在一定的关联性，通过合理的运行参数调整可以提高脱硫效率；采用遗传算法和粒子群优化算法相结合的方法对运行参数进行优化，能够有效提高脱硫效率，降低脱硫成本；优化后的运行参数组合具有较高的脱硫效率，满足国家标准要求，同时降低了脱硫成本，提高了发电厂的经济效益。