燃煤电厂SCR烟气脱硝催化剂寿命预测研究

唐诗洁，陆 强，王则祥，吴昱廷，董长青，杨勇平



燃煤电厂SCR烟气脱硝催化剂寿命预测研究

唐诗洁，陆 强，王则祥，吴昱廷，董长青，杨勇平

（华北电力大学生物质发电成套设备国家工程实验室，北京 102206）

为保证燃煤电厂烟气脱硝系统的安全、稳定运行，需要制定科学合理的选择性催化还原（SCR）催化剂寿命预测方案。SCR催化剂失效是多个物理和化学因素共同作用的结果，难以用传统的物理模型或数学公式对其失活程度进行预测。本研究针对电厂大数据特性，对原始数据进行预处理，建立了曲线拟合、灰色预测、BP神经网络、灰色神经网络4种预测模型。实例对比分析发现：数据预处理可以提高预测精度；当数据满足等时距特性时，灰色神经网络优化后的直接输出模型预测精度较高；当数据不满足等时距特性时，使用BP神经网络模型预测效果更好。

烟气脱硝系统；SCR催化剂；寿命预测；曲线拟合；灰色预测；BP神经网络；灰色神经网络

选择性催化还原（SCR）法已成为国际上火电厂应用最广、最为成熟的NO排放控制技术[1]。催化剂是SCR脱硝工艺的核心，SCR脱硝催化剂（简称SCR催化剂）长期在高温、复杂的烟气环境中工作，会受到物理和化学因素的影响而逐渐失活[2]。SCR催化剂服役时间即使用寿命决定着SCR脱硝系统的运行成本。因此，正确预估SCR催化剂的使用寿命并及时更换催化剂，对减小电厂运行成本和节约资源具有重要意义[3-4]。

目前，国内外学者已对SCR催化剂失活的过程和原因进行了探索，并针对催化剂的失活原因建立了多种催化剂失活动力学模型。Lei等人[5]研究了SCR催化剂不同中毒过程中催化剂碱金属中毒的失活速率。姜烨等[6]研究了不同形态钾和铅导致SCR脱硝催化剂失活的机理，并在渐进壳模型的基础上建立了钾和铅中毒失活动力学方程。吴俊升等[7]采用流化磨损测试方法分析研究了不同粒径催化剂的磨损行为，建立了相应的失活动力学模型。孙克勤等[8]研究了煤燃烧过程中砷的迁移规律以及SCR催化剂砷中毒对SCR脱硝系统影响的失活动力学。Upadhyay等人[9]以表面反应动态模型为基础，引入时间因素对脱硝反应动态过程进行了实验研究。此外，也有学者从催化剂整体失活的角度出发，建立了不同的催化剂活性预测模型。对于早期的催化剂失活程度预测可以使用Gauss和Logistic回归模型，根据实验曲线拟合得到失活公式[10]，但精度较差。董长青等[11]在SCR催化剂失活动力学模型的基础上，分别从物理和数学角度进行了修正。傅玉等[12]按照数据是否满足等时距要求，分别建立了灰色预测模型和多种曲线拟合模型，对催化剂的相对活性进行预测。

SCR催化剂失活机理复杂，通过传统的物理模型或建立数学公式对其活性进行预测的难度较大且准确度不高。此外，在电厂实际运行过程中，很难通过随时停机来采集催化剂的活性数据和运行参数；且随着负荷的变化，流经催化剂的烟气参数也会时刻变化，SCR催化剂活性波动性较大。因此，本文以5个电厂的实际运行数据为例，将实际运行数据预处理后用于曲线拟合、灰色预测、BP神经网络、灰色神经网络4类模型的SCR催化剂寿命预测模拟，探索预测SCR催化剂寿命的最佳方法。

1 数据预处理

1.1 催化剂活性计算

催化剂活性可用于衡量其催化氨与氮氧化物反应的综合能力，主要由催化剂自身性能、烟气条件、操作情况及机组运行状态决定。准确了解并计算催化剂活性是预测催化剂寿命的基础[13-14]。电厂实际运行条件下的催化剂活性计算公式[15]为

式中：AV为面速度，m/h；MR为氨氮摩尔比；为脱硝效率。

1.2 运行数据预处理

本文以5个在役电厂的实际运行数据为基础，进行数据预处理。以电厂1为例，该电厂给出了2016年1月10日到2017年1月3日期间的运行数据，包括机组负荷、烟气量、SCR脱硝反应器入口和出口NO质量浓度等。通过式(1)得到不同运行时间对应的SCR催化剂活性如图1所示。

图1 电厂1催化剂活性变化示意

由图1可以发现，电厂的催化剂活性数据十分繁杂，难以观察其变化规律。如果直接使用这些数据进行模拟预测而不考虑数据的内在特征，会导致最终预测结果误差较大，因此需进行相应的数据预处理。

数据预处理步骤如下：1）从每天不同时刻的中选出最大值；2）算出每5天最大值的平均值；3）找到5天中与最大值的平均值最接近的实际数据，并去掉明显不符合催化剂活性变化规律的数据，最后得到预测样本。

对电厂1的数据进行上述预处理后得到催化剂活性变化如图2所示。

图2 电厂1预处理后催化剂活性变化示意

对比图1、图2可见，预处理后的数据更便于观察，也更符合电厂SCR催化剂活性变化规律，可直接用于催化剂活性预测研究。因此，对电厂2—电厂5的数据也进行同样的预处理。

2 预测模型

对于与SCR催化剂失活相关的多因素耦合、繁复的数据信息，从数据驱动的角度可以避免建立复杂物理模型。本文分别使用曲线拟合、灰色预测、BP神经网络、灰色神经网络4类方法进行预测，从而筛选出可以提高催化剂寿命预测准确度的预测模型。

2.1 曲线拟合

曲线拟合以离散的观测数据点为基础，用连续曲线近似地拟合观测数据，并分析变量之间的关系。工程中常用的曲线拟合方法有多项式法、指数法和高斯拟合法，下面是几种典型曲线拟合方法的趋势模型[16]（模型中a、b、c均为模型参数）。

1）多项式模型

=01+22+…at(2)

2）指数模型

=·e(3)

3）高斯模型

2.2 灰色预测模型

灰色系统理论是我国学者邓聚龙教授提出的针对不确定性问题的研究方法[17]。对于同时含有已知信息和未知不确定信息的灰色系统，其数据可能是杂乱无章的，但是灰色预测可以通过鉴别各因素之间发展趋势的相异程度，对原始数据进行处理，建立微分方程寻找灰色系统数据变动的规律，从而预测系统未来的发展趋势。灰色模型对实测数据没有严格要求，所需数据量较少[18-19]。本文采用单一变量(1,1)灰色预测模型，使用此模型的前提是建模序列必须满足等时距的要求。

2.3 BP神经网络

2.3.1 简介

BP（back propagation）人工神经网络是模仿生物神经系统功能和结构发展起来的信息处理系统[20]。人工神经网络由大量简单的处理单元以某种方式彼此互联而成的复杂网络系统，具有学习、记忆、联想、归纳和自适应学习能力。在众多人工神经网络模型中，按误差逆传播算法训练的BP神经网络，因其运算能力强、建模过程简单，已经成为目前应用最广泛的神经网络模型。BP神经网络具备大规模并行处理数据的特点，可以存储和学习大量输入-输出模式的映射关系，非常适合应用于需要同时考虑诸多因素和条件的不精确或者模糊的信息处理问题。

BP神经网络通常由单层的输入层、输出层和层数不等的隐含层构成，而每层都由若干个神经元组成。图3为典型多层前馈型BP神经网络结构。图3中，表示输入数据，、表示阈值，表示网络输出结果，表示激励函数。

图3 BP神经网络结构

2.3.2 原理

BP神经网络需要通过输入和输出样本对网络进行训练，即通过学习和修正网络的阈值和权值，并不断重复该过程，最终得到符合条件的输入或输出。BP神经网络算法由信号的正向传播（前向计算过程）和误差的反向传播两个阶段组成。两个过程反复交替，不断调整权值和阈值，直至网络达到收敛为止，具体过程如下[21-22]。

1）信号的正向传播过程

输入量由输入层经过隐含层逐层计算，并传向网络的输出层。计算中每层的神经元状态只会影响下一层的神经元状态。网络的权值在信号正向传播过程中固定不变。如果输出层不能得到符合其期望的输出，则转入误差反向传播过程。

2）误差的反向传播

由前向计算过程得出的网络输出与期望输出之前的差值即为误差。误差信号由网络的输出端开始，沿网络的连接路线返回并计算各权值和阈值对总误差的影响。最后根据误差梯度下降法对权值和阈值进行调整。

2.3.3结构设计

对于大多数复杂的数学问题，单隐含层BP神经网络即可满足要求，本研究也采用图3所示的输入层-单隐含层-输出层的3层BP神经网络结构[23]。

1）确定输入及输出变量

电厂SCR催化剂在多因素耦合且复杂的烟气环境中工作，烟气量、喷氨量、运行时间、运行温度及煤种等都会影响SCR催化剂的活性。为了建立简洁、有效的BP神经网络模型，首先要对预处理后的数据进行相关性分析，找到对SCR催化剂活性有显著影响的参数作为BP神经网络的输入变量。本文利用统计分析软件SPSS进行相关性分析。 此外，由于各输入量单位不同，需对输入变量进 行归一化处理，以均衡对BP神经网络的影响，降低误差。本文BP神经网络输出变量为SCR催化剂活性。

2）确定隐含层神经元个数

确定BP神经网络各层神经元的数量是构建BP神经网络的重要环节。隐含层神经元数需要先通过经验公式(5)确定大致范围后，再对不同网络结构的训练结果进行对比，选择预测误差最小时的隐含层神经元个数。

式中，和分别为输入层和输出层神经元个数，为常数且1<<10。

3）确定训练和测试样本

选择一部分预处理后的数据作为训练样本对网络进行训练，其余数据作为测试样本。将测试样本的输入变量代入训练好的BP神经网络中，然后将SCR催化剂活性预测结果与真实值进行对比，分析其误差。

2.4 灰色神经网络

灰色预测模型的对象系统中允许存在未知项，所需数据少，并且不要求数据具有一致性，但它缺乏自学习、自适应能力，对非线性信息的处理能力较弱，而BP神经网络算法恰好可以弥补灰色预测模型的这些不足[24]。本文将灰色预测模型与BP神经网络结合在一起，形成灰色神经网络，尤其适合处理SCR催化剂失效这种多因素耦合、繁复的问题。按照神经网络的输出数据类别，可将灰色神经网络模型分为残差输出和直接输出2类。

2.4.1 残差模型

灰色神经网络中的残差修正模型首先将原始数据通过灰色预测方法预测，随后将灰色预测结果的残差作为BP神经网络的输入输出，从而达到自身修正、降低误差的目的。

2.4.2 直接输出模型

灰色神经网络直接输出模型首先将原始数据用灰色预测方法预测，随后把灰色预测的结果与SCR催化剂服役时间同时作为BP神经网络的输入，最后得到网络输出即SCR催化剂活性预测值。

3 工程实例分析

3.1 曲线拟合

随着运行时间的延长，SCR催化剂活性会逐渐降低，因此使用曲线拟合法预测时，将时间作为自变量，SCR催化剂活性则为因变量。用MATLAB软件中的cftool工具箱直接对样本数据进行曲线拟合。以电厂1为例，在进行数据预处理后共得到51组数据，取1—46组数据作为样本数据，拟合得到SCR催化剂活性变化公式，然后将47—51组数据作为测试数据，代入式(1)得到SCR催化剂活性拟合值，并与SCR催化剂活性真实值进行对比，结果见表1、表2。

表1 SCR催化剂活性预测

Tab.1 The activity prediction results for SCR catalysts

表2 曲线拟合法不同模型SCR催化剂活性误差分析

Tab.2 Error analysis of different models for predicting activity of the SCR catalysts using the curve fitting method

3.2 灰色预测

预处理后的电厂1数据满足等时距特性，此时可以使用(1,1)模型进行预测，取1—46组数据作为样本数据，将47—51组数据作为测试数据，结果见表3。由表3预测结果显示，曲线拟合和灰色预测模型的预测精度较低，平均误差高达39.118 3%。因此，使用单一的曲线拟合或灰色预测模型往往无法反映催化剂活性与各影响因素间复杂的非线性关系。

表3 灰色预测SCR催化剂活性结果与误差

Tab.3 The results and errors of the SCR catalysts’ activity prediction using the grey model

3.3 BP神经网络

以电厂1为例，经过SPSS软件分析可知，机组负荷、脱硝效率、烟温、烟气量、时间、FGD（烟气脱硫）出口NO质量浓度、喷氨量、煤中硫、砷质量浓度都与SCR催化剂活性显著相关，因此将这些影响因素作为BP神经网络的输入并进行归一化处理，SCR催化剂活性作为BP神经网络的输出。

经过计算比较后发现，当BP神经网络中隐含层神经元为4时预测误差最小，因此BP神经网络拓扑结构为9-4-1（输入层神经元数-隐含层神经 元数-输出层神经元数）。取1—46组数据作为样 本数据，将47—51组数据作为测试数据，BP神 经网络的预测结果与误差见表4，其平均误差为17.153 4%。

表4 BP神经网络预测SCR催化剂活性结果与误差

Tab.4 The results and errors of the SCR catalysts’ activity prediction using the BP neural network model

3.4 灰色神经网络

3.4.1 残差模型

经过计算比较后发现，当灰色神经网络残差模型拓扑结构为3-6-1时预测误差最小。取1—46组数据作为样本数据，将47—51组数据作为测试数据，灰色神经网络残差模型3-6-1结构SCR催化 剂活性预测结果与误差见表5，其平均误差为30.373 8%。

表5 灰色神经网络残差模型SCR催化剂活性预测结果与误差

Tab.5 The results and errors of the SCR catalysts’ activity prediction using the grey neural network residual model

3.4.2 直接输出模型

计算比较后发现当灰色神经网络直接输出模型拓扑结构为2-5-1时误差最小。取1—46组数据作为样本数据，将47—51组数据作为测试数据，灰色神经网络直接输出模型2-5-1结构预测结果与误差见表6，其平均误差为32.634 9%。

表6 灰色神经网络直接输出模型SCR催化剂活性预测结果与误差

Tab.6 The results and errors of the SCR catalysts’ activity prediction using the grey neural network direct output model

为了进一步降低误差，将SCR催化剂活性影响因素也作为灰色神经网络直接输出模型的输入变量对模型进行优化。即输入变量包括灰色预测残差和机组负荷、脱硝效率、烟温、烟气量、时间、FGD出口NO质量浓度、喷氨量、煤中硫质量浓度、砷质量浓度。经过计算比较后发现当灰色神经网络直接输出模型拓扑结构为10-2-1时误差最小。取1—46组数据作为样本数据，将47—51组数据作为测试数据，预测结果与误差见表7，其平均误差为15.391 6%。

表7 直接输出模型（优化后）SCR催化剂活性预测结果与误差

Tab.7 The results and errors of the SCR catalysts’ activity prediction using the optimized direct output model

3.5 不同预测方法分析比较

上述预测模型计算结果见表8，对比可知灰色神经网络中优化后的直接输出模型预测误差最小。为了进一步验证该结论，本文对在役电厂2、3、4、5的数据进行预处理后用同样的方法进行预测，比较其预测误差，结果见表9。分析表9发现，灰色神经网络中优化后直接输出模型的SCR催化剂活性误差最小。因此，在燃煤电厂实际运行过程中，当数据满足等时距特性时，可将灰色神经网络中的直接输出模型（优化后）作为SCR催化剂的寿命预测模型。

表8 电厂1各预测模型SCR催化剂活性预测误差

Tab.8 The prediction errors of the SCR catalysts’activity using different models for Power Plant 1 %

表9 各电厂不同预测模型SCR催化剂活性预测误差

Tab.9 The prediction errors of the SCR catalysts’ activity using different models for each power plant %

3.6 预测方法优化

在采用上述几种同样的模型进行SCR催化剂活性预测时，电厂1的预测误差最大。为了降低其预测误差，将数据预处理改为由烟气量作为标准对数据进行筛选的方法。电厂1的原始数据中烟气量变化范围为527.8~1 564.5 km3/h（标准状态，下同），以烟气量在1 000~1 021 km3/h范围内为标准，筛选后共得到70组数据。这些数据样本不再具有等时距特性，不满足灰色神经网络预测模型的使用条件，故使用BP神经网络进行预测。将1—65组数据作为训练样本，66—70组作为预测样本，BP神经网络SCR催化剂活性预测结果与误差见表10。

表10 数据优化后电厂1 SCR催化剂活性BP神经网络预测结果与误差

Tab.10 The prediction results and errors of the SCR catalysts’ activity using the BP neural network model for Power Plant 1 after data optimization

比较表8和表10，以烟气量为标准进行筛选后使用BP神经网络预测的误差显著降低，改进后的平均误差仅为2.181 9%。

4 结 论

1）针对燃煤电厂实际运行数据十分繁杂的特点，首先对数据进行预处理，然后使用曲线拟合、灰色预测、BP神经网络、灰色神经网络4种模型进行SCR催化剂活性预测。比较发现，当数据满足等时距特性时，灰色神经网络直接输出模型（优化后）的预测误差最小，准确度更高。

2）对于烟气参数尤其是烟气量波动较大的在役电厂，先以烟气量为标准对数据进行筛选，再使用BP神经网络预测方法，这样可进一步降低SCR催化剂活性预测误差，提高预测精度。

［1］ 安敬学, 王磊, 秦淇, 等. SCR脱硝系统催化剂磨损机理分析与治理[J]. 热力发电, 2015, 44(12): 119-125. AN Jingxue, WANG Lei, QIN Qi, et al. Mechanism research on catalyst attrition in SCR denitration system and the treatment[J]. Thermal Power Generation, 2015, 44(12): 119-125.

［2］ 姚燕, 王丽朋, 孔凡海, 等. SCR脱硝系统蜂窝式催化剂性能评估及寿命管理[J]. 热力发电, 2016, 45(11): 114-119.YAO Yan, WANG Lipeng, KONG Fanhai, et al. Performance evaluation and life management of honeycomb catalyst for SCR denitrification system[J]. Thermal Power Generation, 2016, 45(11): 114-119.

［3］ 喻小伟, 周瑜, 刘帅, 等. SCR脱硝催化剂失活原因分析及再生处理[J]. 热力发电, 2014, 43(2): 109-113. YU Xiaowei, ZHOU Yu, LIU Shuai, et al. Reason analysis for deactivation of commercial SCR de-NOcatalyst and its regeneration[J]. Thermal Power Generation, 2014, 43(2): 109-113.

［4］ 徐秀林, 吴卫红, 柳东海, 等. SCR蜂窝状脱硝催化剂磨损数值模拟研究[J]. 应用化工, 2015, 44(6): 986-990. XU Xiulin, WU Weihong, LIU Donghai. et al. Numerical study of erosion on honeycomb SCR catalyst[J]. Applied Chemical Industry, 2015, 44(6): 986-990.

［5］ LEI T Y, LI Q C, CHEN S F, et al. KCl-induced deactivation of V2O5-WO3/TiO2catalyst during selective catalytic reduction of NO by NH3: comparison of poisoning methods[J]. Chemical Engineering Journal, 2016, 296: 1-10.

［6］ 姜烨. 钛基SCR催化剂及其钾、铅中毒机理研究[D]. 杭州: 浙江大学, 2010: 34. JIANG Ye. Study on titania-based SCR catalysts and their poisoning mechanism of potassium and lead[D]. Hangzhou: Zhejiang University, 2010: 34.

［7］ 吴俊升, 李晓刚, 公铭扬, 等. 几种催化裂化催化剂的磨损机制与动力学[J]. 中国腐蚀与防护学报, 2010, 30(2): 135-140. WU Junsheng, LI Xiaogang, GONG Mingyang, et al. Kinetics and mechanism of attrition of several FCC caytalysts[J]. Journal of Chinese Society for Corrosion and Protection, 2010, 30(2): 135-140.

［8］ 孙克勤, 钟秦, 于爱华. SCR催化剂的砷中毒研究[J]. 中国环保产业, 2008(1): 40-42. SUN Keqin, ZHONG Qin, YU Aihua, Arsenic poisoning of SCR catalyst[J]. China Environmental Protection Industry, 2008(1): 40-42.

［9］ UPADHYAY D, NIEUWSTADT M V. Robust separation of signal domain from single channel mixed signal output of automotive urea based selective catalytic reduction systems[J]. Journal of Dynamic Systems Measurement & Control, 2014, 136: 115-134.

［10］ 杨志雄, 袁岱菁. 非线性混合效应模型和广义线性模型拟合随机效应logistic回归的应用比较[J]. 中国卫生统, 2011, 28(3): 321-323. YANG Zhixiong, YUAN Daijing. Application of logistic regression in random effects of non-linear mixed effects models and generalized linear models[J]. Chinese Journal of Health Statistics, 2011, 28(3): 321-323.

［11］ 董长青, 马帅, 傅玉, 等. 火电厂SCR脱硝催化剂寿命预估研究[J]. 华北电力大学学报(自然科学版), 2016, 43(3): 64-68. DONG Changqing, MA Shuai, FU Yu, et al. Study on life prediction of SCR denitrification Catalyst in Thermal Power Plants[J]. Journal of North China Electric Power University (Natural Science Edition), 2016, 43(3): 64-68.

［12］ 傅玉, 陆强, 庄柯, 等. 基于灰色预测模型和曲线拟合模型的SCR烟气脱硝催化剂寿命预测[J]. 热力发电, 2017, 46(7): 60-65. FU Yu, LU Qiang, ZHUANG Ke, et al. Life prediction for SCR flue gas denitrification catalyst in coal-fired power plants[J]. Thermal Power Generation, 2017, 46(7): 60-65.

［13］ ANDONOVA S, VOVK E, SJÖBLOM J, et al. Chemical deactivation by phosphorous under lean hydrothermal conditions over Cu/BEA NH3-SCR catalysts[J]. Applied Catalysis B Environmental, 2013, 147(8): 251-263.

［14］ MUZIO L J, SMITH R A. In-line localized monitoring of catalyst activity in selective catalytic NOreduction systems: US7635593[P]. 2009-12-22.

［15］ 宋玉宝, 杨杰, 金理鹏, 等. SCR脱硝催化剂宏观性能评估和寿命预测方法研究[J]. 中国电力, 2016(4): 17-22. SONG Yubao, YANG Jie, JIN Lipeng, et al. Study on methodology of SCR catalyst macroscopical perfor- mance evaluation and lifetime prediction[J]. Electric Power, 2016(4): 17-22.

［16］杨继旺, 吴熳红. 几种负荷预测方法及其应用[J]. 农村电气化, 2004(7): 9-10. YANG Jiwang, WU Manhong. Several load forecasting methods and their applications[J]. Rural Electrification, 2004(7): 9-10.

［17］ 王晓佳. 基于数据分析的预测理论与方法研究[D]. 合肥: 合肥工业大学, 2012: 31. WANG Xiaojia. Research on forecasting theory and method based on data analysis[D]. Hefei: Hefei University of Technology, 2012: 31.

［18］ 吴剑, 张迎春. 软基路堤最终沉降量的灰色预测[J]. 西部探矿工程, 2003(7): 30-32. WU Jian, ZHANG Yingchun. Gray forecast of final settlement of soft foundation[J]. West-China Exploration Engineering, 2003(7): 30-32.

［19］ZHANG W P, ZHAO S Q. Forecasting research on the total volume of import and export trade of Ningbo Port by gray forecasting model[J]. Journal of Software, 2013, 8(2): 466.

［20］ 黄文燕, 罗飞, 许玉格, 等. 基于模拟退火PSO-BP算法的钢铁生产能耗预测研究[J]. 科学技术与工程, 2012, 12(30): 7906-7910. HUANG Wenyan, LUO Fei, XU Yuge, et al. Research of steel production consumption forecast based on simulated annealing PSO-BP algorithm[J]. Science Technology and Engineering, 2012, 12(30): 7906-7910.

［21］ 刘冰, 郭海霞. MATLAB神经网络超级学习手册[M]. 人民邮电出版社, 2014: 160-161. LIU Bing, GUO Haixia. MATLAB neural network super study manual [M]. Post &Telecom Press, 2014: 160-161.

［22］ 墨蒙, 赵龙章, 龚嫒雯, 等. 基于遗传算法优化的BP神经网络研究应用[J]. 现代电子技术, 2018, 41(9): 41-44. MO Meng, ZHAO Longzhang, GONG Yuanwen, et al. Research on application of BP neural network based on genetic algorithm optimization[J]. Modern Electronics Technique, 2018, 41(9): 41-44.

［23］ 杨碧源, 赵金笑, 魏宏鸽, 等. 基于BP神经网络的SCR蜂窝状催化剂脱硝性能预测[J]. 中国电力, 2016, 49(10): 127-131. YANG Biyuan, ZHAO Jinxiao, WEI Hongge, et al. Prediction of denitration performance of SCR honeycomb catalyst based on BP neural network[J]. Electric Power, 2016, 49(10): 127-131.

［24］ 袁景凌, 钟珞, 李小燕. 灰色神经网络的研究及发展[J].武汉理工大学学报, 2009, 31(3): 91-93. YUAN Jingling, ZHONG Luo, LI Xiaoyan. Grey neural network research and development [J]. Journal of Wuhan University of Technology, 2009, 31(3): 91-93.

Life prediction of SCR flue gas denitration catalyst in coal-fired power plants

TANG Shijie, LU Qiang, WANG Zexiang, WU Yuting, DONG Changqing, YANG Yongping

(National Engineering Laboratory for Biomass Power Generation Equipment, North China Electric Power University, Beijing 102206, China)

In order to ensure the safe and stable operation of denitrification system in coal-fired power plants, a scientific and reasonable life prediction plan must be formulated for the SCR catalysts. The deactivation of the SCR catalysts is determined by the combined effects of multiple physical and chemical factors. Therefore, it is difficult to predict the catalysts’ service life by using conventional physical models and mathematical formulas. According to the characteristics of big data in power plants, this article preprocessed the raw data and established four prediction models, including curve fitting model, grey prediction model, BP neural network model and grey neural network model. Through case analysis, it is found that data preprocessing can improve the prediction accuracy. Generally, the optimized direct output model of the grey neural network shows high accuracy for the data that met the equidistant time requirement. Whereas, the BP neural network model can achieve better prediction results for the non-equidistant time data.

flue gas denitration system, SCR catalyst, life prediction, curve fitting, grey model prediction, BP neural network, grey neural network

National Basic Research Program of China (973 Program)(2015CB251501); Beijing Nova Program (Z171100001117064); Fok Ying Tung Education Foundation (161051)

唐诗洁(1993—)，女，硕士研究生，主要研究方向为SCR烟气脱硝催化剂寿命预测，tangsj1120@126.com。

TM621

A

10.19666/j.rlfd.201806099

唐诗洁, 陆强, 王则祥, 等. 燃煤电厂SCR烟气脱硝催化剂寿命预测研究[J]. 热力发电, 2019, 48(3): 61-68. TANG Shijie, LU Qiang, WANG Zexiang, et al. Life prediction of SCR flue gas denitration catalyst in coal-fired power plants[J]. Thermal Power Generation, 2019, 48(3): 61-68.

2018-06-28

国家重点基础研究发展计划(973计划)项目(2015CB251501)；北京市科技新星(Z171100001117064)；霍英东教育基金会(161051)

陆强(1982—)，男，博士，教授，硕士生导师，qianglu@mail.ustc.edu.cn。

（责任编辑 杨嘉蕾）