多模型内模控制在SCR脱硝系统中的应用

孟 磊，李俊鹏 ，姜 炜，董 泽

（1.大唐环境产业集团股份有限公司，北京 100097；2.河北省发电过程仿真与优化控制工程技术研究中心（华北电力大学），河北 保定 071003）

0 引言

电厂锅炉在燃烧之后排出的NOx会对自然环境造成污染［1-2］。目前火电厂有两种减少NOx排放的方式：一种是在燃烧过程中进行减排，具体做法是采用分级燃烧或者是改良燃烧设备的方式来减少NOx的排放，另外一种则是对燃烧产物进行脱硝减排，具体做法是在烟道中增加脱硝设备来对尾气进行脱硝处理。而根据脱硝工艺的不同，又可分为3种：干法、半干法以及湿法。干法选择性催化还原（Selective Catalytic Reduction，SCR），脱硝效果较好得到了广泛的关注和应用［3］。通过对SCR脱硝机理的分析，可以获知其反应机理比较复杂，NOx转化效率受到了温度、喷氨量、催化剂、烟气速率等因素影响，而当中以喷氨量对脱硝效率的影响最为明显，因此如何实现对喷氨量的精准控制便成为整个脱硝流程的最大难题。传统PID控制主要针对于拥有确定模型的线性过程，并且实际上，大多数工业过程都不同程度上存在非线性，有时候甚至是非常严重的非线性，并且某些过程较难建立数学模型［4］，因此传统的PID控制器调整喷氨量时，很难达到最佳喷氨比［5］，无法做到脱硝喷氨的精确控制，不能保证脱硝系统高效性和经济性。喷氨量过多会造成氨气逃逸率增加，进而造成大气二次污染，也提高了脱硝的成本；喷氨量过低会造成尾部烟气的NOx含量超标，无法达到环保减排目的。

建立精准的SCR模型是脱硝过程进行整体优化控制的前提［4］。不同电厂的SCR脱硝系统结构不同，化学反应复杂，因此机理建模比较困难，为了避开这个难点，可以通过对电厂历史数据进行采集分析建立起模型，然后采用先进的控制算法实现优化控制目的。秦天牧等［5］采取多尺度核偏最小二乘法（Multi-Scale Kernel Partial Least Squares，MKPLS）建立SCR的脱硝模型，并用预测控制办法实现了喷氨优化控制。翟永杰等［6］通过分析影响出口NOx浓度的因子，利用现场历史数据，通过神经网络方式进行SCR脱硝建模，并验证了模型的可靠性。周鑫等［7］将核偏最小二乘和GA遗传算法结合，提出GA-KPLS建模办法建立起SCR模型，结果表明通过该方法建立的模型具有不错的学习和泛化能力。姚楚等［8］通过分析SCR系统反应机理，建立其动态模型，并用实际历史数据进行验证，结果显示该方法建立的模型精度较高，并通过神经网络对喷氨量进行控制。利用多尺度核偏最小二乘法建立SCR脱硝模型，并用多模型内膜优化控制。用现场历史数据仿真验证，最终结果显示喷氨量得到了精准的控制，达到预期效果。

1 SCR喷氨烟气脱硝系统介绍

某机组的SCR脱硝系统结构如图1所示。

选择性催化还原是当前火电厂应用范围最为广泛的烟气脱硝技术，选择性即NOx和NH3在催化剂和O2条件下发生催化还原反应，转化产物是氮气和水。此系统装置构成简单，并且其脱硝效率能到90%以上，转化的产物没有污染，反应运行稳定，可靠性高。催化剂则是采用TiO2，实践表明，反应在没有催化剂条件下，需要的温度约980℃，而如果采用了催化剂，则其反应所需温度可以把握在300℃至400℃之间，这个温度范围就与省煤器和空预器之间的烟道温度相差无几，大大减少了热量消耗，降低了转化成本，提高了反应效率［9］。将氨气用作还原剂，其反应式为：

图1 SCR脱硝系统结构

反应进程中，脱硝效率的高低，其主要受制因素是喷氨量，喷得过多，不但会导致氨气泄漏，直接造成二次污染，而且过量的NH3与SO3发生反应合成NH3HSO4等某些危害性副产物，这些产物将阻塞孔板或者造成催化剂失效，较大程度地降低烟气脱硝效率，甚至还能侵蚀设备，阻碍机组的安全运行。而喷得过少，则会妨碍烟气里的NOx和NH3充分反应，生成无毒无害的N2和H2O，以致反应后的NOx含量不达标。正是由于火电厂的SCR脱硝设备结构比较复杂，致使传统PID喷氨控制效果差强人意，因而，设计出一套优化的喷氨系统就显得很有必要了。

2 喷氨优化控制系统

2.1 数学模型

2.1.1 数据选取

选取某电厂现场历史数据，每隔1 min采集一个数据，为了保证建立模型的精度，选取的数据包含了稳定工况和动态工况，随后对搜集到的数据分析处理，最终获得573组数据。输入变量选取的是：入口的NOx质量浓度，喷氨量，输出变量则是出口的NOx质量浓度。

2.1.2 MKPLS简介

偏最小二乘法（PLS）是 Wold 提出［10-11］，此方法具有优异的性能，因此被较广泛地用于工业故障诊断、建模等方面。与其他方法有所不同，PLS利用变量矩阵采集向量搭建模型，解决了诸多问题。

多尺度核偏最小二乘法是把多尺度核函数和PLS算法结合，利用函数将输入投射到更高维的空间，同时在此空间里搭建偏最小二乘回归，最终实现非线性建模。多核学习方法可以做到在维持核函数局部特征不变的同时把握起始输入样本的特征，其优点为使每一个独立分布的样本均有适宜的核函数与之相应，并能优化特征空间里，解的稀疏性。

记 X∈Rn×p，Y∈Rn， 其中，p 为自变量的个数，n为观测样本的个数。从初始空间到特征空间的映射记作 φ∶xj∈Rn→φ（xj）∈H。

具体的算法描述如下：

1）计算核矩阵

利用多尺度高斯核函数对矩阵元素展开计算：

式中：σL（L=1，2，…，P）为高斯核函数的宽度。

2）初始化后得到分向量u；

3）计算X得到分向量th，进一步归一化处理：

4）计算权值向量ch为

5）计算得分向量uh，归一化处理后得：

6）重复式（3）～（5），直到 th收敛；

7）缩小 K 和 Y，重复式（2）～（6）式，直到收集 p个 t，u。

训练样本的拟合公式：

式中：xnew为新采样数据；x为输入的训练数据；Y为输出的训练数据；Kt为核矩阵；Yt为计算预测得到的结果。

2.2 控制器设计

2.2.1 内模控制

内模控制于1982年首次提出，历经多年发展至今，其控制策略已经从单输入单输出（SISO），线性过程，拓展到多输入多输出（MIMO）及非线性过程［12］。

图2是内膜控制的一般性结构，其中Gp（s）是被控对象，Gm（s）为对象模型，Gc（s）为内模控制器。 r，y，d分别代表系统的输入、输出和扰动，d表示系统的扰动，控制目标是使输出逼近设定值r。

图2 内模控制结构

2.2.2 多模型控制

多模型的控制思想继承于自适应控制，此方法在解决变工况、非线性等复杂的控制难题方面成效明显。多模型策略基本想法是利用许多个子模型逐渐靠近被控对象的整体特征，依照子模型分别给出几个子控制器，用加权算法构成一个有效的总控制器或者切换成和对象匹配度最高的控制器。多模型控制将被控对象整体分成不同子部分，分别进行控制并整合，因此对复杂控制系统的控制效果十分突出。总的来说，传统PID控制能够解决的问题，多模型控制照样可以处理并且能够提升系统的性能指标；传统PID控制没能处理的问题，多模型控制也能给出潜在方法，用辨识模型通过在线学习来靠近系统的不确定性和非线性［13］。

多模型控制原理如图3，G表示被控对象，｛Gmi｜i=1，2，…，n｝是按照被控对象建立的子模型组合，｛Gci｜i=1，2，…，n｝是根据 Gci中子模型构造的子控制器组合。｛ui｜i=1，2，…，n｝为 Gci中子控制器输出，控制器采取的调度或者是切换操作采用 U=f（u1，u2，…，un）表示。每个子模型和被控对象之间差值或许不一样，再根据这些差值得出每个子控制器的权重。此时又分为两种情况：当采用加权策略时，所有子控制器输出的加权和便是对象输入；当采用多模型切换策略时，选择差值绝对值最小的相应子控制器为控制器，其输出为对象的输入。此次子模型控制对象设定为

图3 多模型控制原理

3 仿真验证

对辨识获取的被控对象数学模型给定一个单位阶跃信号，其表现出的动态特性曲线如图4，5所示，然后利用模型之间的转换函数，将其转换成多模型内模控制所需要的模型，并投入仿真。

图4 出口NOx质量浓度对喷氨量的阶跃响应曲线

利用Simulink构建仿真控制模型，为了能够更好显示控制效果，同时构建以PID作为控制器的控制模型，并将运行结果互相对比。PID的比例、积分、微分系数根据工程经验公式法整定，然后经过多次的仿真结果进行调整并确定最后的参数。将出口的NOx质量浓度设定值定为10 mg／m3，仿真运行结果如图6所示。

图5 出口NOx质量浓度对进口NOx质量浓度的阶跃响应曲线

图6 不同方案下的出口NOx质量浓度曲线

图6中，多模型内模控制的动态输出曲线，上升时间是11 s，调节时间是38 s，最大动态偏差是1.3 mg／m3。图中的红线是PID作为控制器的动态输出曲线，其上升时间是16 s，调节时间是67 s，最大动态偏差是3.8 mg／m3。由以上数据对比可知，不管是上升时间、调节时间还是最大动态偏差，多模型内模控制的控制效果均优于PID控制。

4 结语

通过分析电厂SCR脱硝系统运行原理，进而找出对烟气脱硝效率影响较大的因素，在对数据进行处理之后，运用MKPLS方法辨识出了高精度SCR数学模型。随后采用多模型内模控制方法运行仿真，对比PID的控制效果，多模型内模控制结果明显优于传统意义上的PID，这为多模型内模控制于SCR脱硝领域应用方面给出了一定的理论支持以及指导意义。