燃煤锅炉高效低NOx协同优化系统开发及应用

王天堃，梁志宏，张金营



燃煤锅炉高效低NOx协同优化系统开发及应用

王天堃，梁志宏，张金营

（国家能源投资集团有限责任公司，北京 100011）

为了达到大气污染物近零排放标准，大型燃煤发电机组NOx排放质量浓度需低于35 mg/m3。在当前工程实践中应用最广泛的锅炉低氮燃烧（LNB）与选择性催化还原（SCR）综合脱硝技术存在协调问题，很难同时实现机组LNB与SCR脱硝的安全、环保、经济运行。为此，本文建立了燃煤锅炉LNB运行调整与SCR脱硝协同模型，采用改进的BP神经网络建立锅炉燃烧系统模型，利用改进的最小二乘支持向量机建立SCR脱硝系统模型，并进一步开展了机组高效低NOx调节与优化分析，开发了燃煤锅炉高效低NOx协同优化系统。在某机组的实际应用结果表明，该协同优化系统可在任何工况下实时指导运行人员调整机组运行参数，确保机组安全、环保、经济运行。

燃煤锅炉；NOx排放；高效低NOx控制；综合脱硝技术；协同优化；低氮燃烧

伴随我国能源绿色发展，化石能源清洁化发展成为必然趋势。火力发电要实现绿色清洁，首先要降低NO排放。目前，超低排放火电机组的NO排放质量浓度要求在标准状态下小于35 mg/m3[1-2]。现阶段降低NO排放的主要手段是锅炉低氮燃烧（LNB）技术与选择性催化还原（SCR）脱硝技术[3-4]。如果要实现良好的脱硝效果，必须统筹考虑锅炉LNB及SCR技术的安全性、环保性和经济性[5]，而现行优化方案均未综合考虑LNB和SCR技术。

本文基于大量脱硝改造的工程实践，通过对LNB运行调整与SCR脱硝系统特性的分析，设计了可实现安全、环保、经济的燃煤锅炉高效低NO协同优化系统，一是实现LNB系统与SCR脱硝系统的协同建模，二是达成安全、环保、经济的多目标优化。首先，分析总结实现燃煤锅炉高效低NO目标的关键，即最大限度地降低锅炉出口NO的生成量与精准喷氨，减少NO生成不仅能降低炉内结焦与超温的可能，而且可以减少SCR脱硝系统的还原剂消耗；精准喷氨节约了还原剂使用量，减少 了氨逃逸，进一步降低了风烟系统设备腐蚀，使 机组更加安全、经济。其次，为成功实现LNB改造以及实现改造后锅炉高效低NO运行，深入探讨了机组在快速自动发电控制（AGC）、煤种改变、风烟系统运行改变等状况下的配煤、风粉比等技术。最后，为了使上述LNB与SCR脱硝技术能够应用于生产实践，研发了燃煤机组高效低NO协同优化系统。

1 燃煤锅炉高效低NOx协同建模

针对NO的生成及处理过程，借助于系统历史运行数据及人工智能等先进建模方式，将包含LNB设备、SCR烟气脱硝的燃烧系统分步建模：首先建立锅炉高效低NO燃烧模型；然后构建SCR脱硝效率模型；最后耦合2个模型建立锅炉高效低NO协同优化模型，实现对生产过程最大程度的逼近。建模过程结合机组分布式控制系统（DCS）、厂级监控信息系统（SIS），确保模型实现可靠。

1.1 基于改进BP神经网络的锅炉燃烧系统模型

神经网络算法具有很强的鲁棒性、记忆力及自学习能力，其强大的非线性拟合能力可拟合任意复杂的非线性关系，但算法训练过程收敛速度慢且易陷入局部最优[6]。

本文针对基本BP（back propagation）神经网络算法进行模型算法改进[7-9]：1）给待训练参数的调整量加动量项，可有效减小震荡趋势，改善收敛性，抑制网络陷入局部极小值[10]；2）采用自适应的学习速率，以克服算法网络训练速度慢、不易收敛到全局最优的缺点。

基于改进BP神经网络算法对锅炉的燃烧与排放特性进行建模，所建模型如图所示。

图1 锅炉高效低NOx燃烧模型

模型的数学表达式为

式中，X为第个输出量，Y为第个输入量，W为链接第个神经元刺激的权重。

对于隐层神经元，其激励函数一般取S型函数()=1/(1+e–x)。然而S型函数的非饱和区太窄，易导致网络训练失败，为此引入陡度因子，则()=1/(1+e–x/)，从而扩大饱和区，使网络训练顺利进行。

经仿真对比，输入层与中间层之间的传递函数采用带陡度因子的S型函数；中间层与输出层之间的传递函数采用线性函数()=·+。模型采用改进BP神经网络，包含输入层、输出层和1个中间层。输入层以锅炉操作量为主，总计84个操作量；中间层从锅炉工况、设备状况、煤质、风机功率、风量配比6个方面表征锅炉燃烧状态；输出层从安全、环保、经济3个方面10个节点表征机组运行状况。

1.2 基于改进LS-SVM的SCR脱硝效率模型

最小二乘支持向量机（LS-SVM）在保持标准支持向量机（SVM）优点基础上，显著降低了计算成本，但是以损失SVM解的稀疏性和鲁棒性为代价[11]。为此，Suykens提出了稀疏LS-SVM（space LS-SVM）[12]与加权LS-SVM（weighted LS-SVM）[13]来分别解决稀疏性与鲁棒性问题；胡良谋等[14]结合这2种算法的优点，提出了一种改进的LS-SVM，同时改善LS-SVM的鲁棒性与稀疏性。该算法首先对数据开展LS-SVM初始训练，然后运用加权LS-SVM对训练后的数据进行鲁棒性训练，最后采用稀疏LS-SVM对训练后数据进行稀疏性训练，此改进LS-SVM可实现良好的建模效果。

火电机组的SCR脱硝系统位于省煤器与空气预热器（空预器）之间，其工作原理是在催化剂的作用下利用氨气将NO还原生成氮气与水，工艺原理如图2所示。

图2 SCR脱硝工艺原理

采用改进LS-SVM构建SCR脱硝效率模型（图3），可对SCR脱硝系统的实际运行进行精 准表达。

图3 SCR脱硝效率模型

脱硝效率数学模型公式为

式中，分别为输入输出矩阵，为系数矩阵。式(3)—式(4)分别为、的列向量，代表选取的第组数据。

从机组DCS采集300组数据进行训练，其中 50组数据进行校验。仿真显示SCR脱硝误差小于 10–4，证明预测模型可用于工程实际。

1.3 锅炉高效低NOx协同模型

耦合以上2个模型即可建立锅炉高效低NO协同模型，其结构如图所示。模型包含输入、输出、中间状态3种类型数据，其中、、、、、为目标优化量。

图4 锅炉高效低NOx协同模型

该模型中：代表SCR脱硝出口NO排放质量浓度，是系统的环保指标，近零排放标准为小于35 mg/m3；代表氨逃逸量，在长时间运行时应小于3×10-6；代表SCR脱硝效率指标，要保证4~5年内催化剂脱硝效率不小于75%；代表SCR脱硝入口烟温，为保证SCR脱硝有效运行，应使位于催化剂反应温度范围内，、为3个安全性指标；锅炉效率与氨耗量为系统的经济性指标。

2 锅炉高效低NOx协同模型的多目标寻优

锅炉高效低NO协同模型的控制目标是在环保与安全的前提下，实现煤耗与氨耗最低，其数学表达式为

式中a、b分别为对应时段的燃料和氨气价格系数。

式(5)是典型的多目标优化问题，可采用性能优异的粒子群优化算法（PSO）[15]寻优，该算法较成熟，在此不再赘述。

3 工程应用

基于锅炉高效低NO协同模型及PSO，本文采用B/S模式，前台采用AdobeFlex技术，后台采用Java、Erlang技术，开发了锅炉高效低NO协同优化系统，该系统包含数据引擎、锅炉及SCR脱硝等设备状态及性能在线软测量与综合评估、高效低NO燃烧优化、高效低NO协调监控等4个功能模块，系统结构如图5所示。

图5 锅炉高效低NOx协同优化系统结构

锅炉高效低NO协同优化系统通过耗差分析，可实现氨气的自动调节；通过对历史数据进行寻优，可实现高效低NO协同优化。

3.1 优化目标实时监控与协同优化

图6为锅炉高效低NO协同优化系统设备监视界面，该系统结合机组DCS，可为运行人员提供参考，从而大幅提升锅炉高效低NO运行水平。系统可监视设备参数与状态量，当优化目标偏离优化值或越限时，系统设置的软光字牌将实时发出警报，通过系统自动调整与运行人员的调节，使机组运行在安全、环保、经济的最优状态。

3.2 运行调整方案筛选与绩效考核

系统的耗差分析与绩效考核功能可全程记录操作人员操作过程，并将机组运行结果折算为运行绩效，从而实现在线考核。另外，优化系统充分发挥LNB与SCR脱硝综合技术潜力，可自动筛选不同工况不同运行方式下的调整方案，实现指标的压红线运行。优化系统具备数据挖掘功能，可对LNB与SCR脱硝系统多个参数进行相关性分析，通过不同工况下喷氨量和NO的变化关系，实现相关性分析及优化方案的筛选和存储等功能。

图6 锅炉高效低NOx协同优化系统设备监视界面

SCR脱硝在线仿真系统，可模拟实际运行时的氨逃逸、SCR脱硝运行效率等情况，作为培训工具实现运行人员的在线仿真与培训功能，提高运行人员的操作水平。

3.3 优化目标实现情况

1）环保性目标 图7和图8分别为在550 MW负荷下锅炉效率相同（变化小于0.01%）时，高效低NO协同优化系统投入前后，SCR脱硝出口NO变化曲线。从图7和图8可明显看出，投运后脱 硝入口NO质量浓度明显降低，稳定在300 mg/m³以下，开展磨煤机组合调整优化后，还可取得进一步优化。

2）安全性目标 协同优化系统可实现空预器差压压线运行，从而一定程度避免空预器堵塞问题，提升设备可靠性。图9和图10分别为系统投运前后空预器差压曲线。对比可见，协同优化系统投用前，空预器差压经常超过设计值，特别在高负荷期间；优化系统投用后，在排放达标的前提下，差压保持了较好的水平。

图7 协同优化系统投运前SCR脱硝入口NOx质量浓度

图8 协同优化系统投运后SCR脱硝入口NOx质量浓度

图9 协同优化系统投运前空预器差压曲线

图10 协同优化系统投运后空预器差压曲线

3）经济性目标 通过使用协同优化系统，在保证不低于93.4%的锅炉效率前提下，对比系统投运2周的运行结果，每台机组24 h可节氨1.2~1.5 t，每年运行时间以300天计，若氨每吨0.36万元，每年仅节氨的经济效益为129.6万元。若考虑节氨后设备腐蚀的降低、催化剂寿命的延长以及电耗的降低，系统将产生更大的经济效益。

4 结 语

本文提出的锅炉高效低NO协同优化系统模型成功在工程实践中应用，结果表明，该系统可指导运行人员操作，更好地实现各负荷下LNB与SCR协同优化，确保机组安全、环保、经济运行，具有十分重要推广价值。

［1］ 张军, 郑成航, 张涌新, 等. 某1 000 MW燃煤机组超低排放电厂烟气污染物排放测试及其特性分析[J]. 中国电机工程学报, 2016, 36(5): 1310-1314. ZHANG Jun, ZHENG Chenghang, ZHANG Yongxin, et al. Experimental investigation of ultra-low pollutants emission characteristics from a 1 000 MW coal-fired power plant[J]. Proceedings of the CSEE, 2016, 36(5): 1310-1314.

［2］ 王乐乐, 孔凡海, 何金亮, 等. 超低排放形势下SCR脱硝系统运行存在问题与对策[J]. 热力发电, 2016, 45(12): 19-24.WANG Lele, KONG Fanhai, HE Jinliang, et al. Difficultiesand countermeasures of SCR denitration system operation in ultra low emission situation[J]. Thermal Power Generation, 2016, 45(12): 19-24.

［3］ 李宗耀. 600 MW机组低氮燃烧器与SCR改造的研究[D]. 北京: 华北电力大学, 2016: 42. LI Zongyao. Research of low nitrogen burner and SCR reconstruction in 600 MW unit[D]. Beijing: North China Electric Power University, 2016: 42.

［4］ 许昌, 吕剑虹, 郑源, 等. 以效率和低NO排放为目标的锅炉燃烧整体优化[J]. 中国电机工程学报, 2006, 26(4): 46-50. XU Chang, LV Jianhong, ZHENG Yuan, et al. A boiler combustion global optimization on efficiency and low NOemissions object[J]. Proceedings of the CSEE, 2006, 26(4): 46-50.

［5］ 邵伟涛. 燃煤电站锅炉低氮燃烧与SCR脱硝协同优化技术研究[D]. 上海: 上海电力学院, 2017: 55. SHAO Weitao. Research on coordinated optimization of low nitrogen combustion and SCR denitrification for coal-fired boilers in power plant[D]. Shanghai: Shanghai University of Electric Power, 2017: 55.

［6］ 杨源杰, 黄道. 人工神经网络算法研究及应用[J]. 华东理工大学学报, 2002, 28(5): 551-554. YANG Yuanjie, HUANG Dao. Research and applications of artificial neural networks[J]. Journal of East China University of Science and Technology, 2002, 28(5): 551-554.

［7］ 谢立春. BP神经网络算法的改进及收敛性分析[J]. 计算技术与自动化, 2007, 26(3): 52-56. XIE Lichun. BP neural algorithm improvements and convergence analysis[J]. Computing Technology and Automation, 2007, 26(3): 52-56.

［8］ DING S, SU C, YU J. An optimizing BP neural network algorithm based on genetic algorithm[J]. Artificial Intelligence Review, 2011, 36(2): 153-162.

［9］ ZHANG L, WU K, ZHONG Y, et al. A new sub-pixel mapping algorithm based on a BP neural network with an observation model[J]. Neurocomputing, 2008, 71(10/12): 2046-2054.

［10］ PAN H. A BP neural networks learning algorithm research based on particle swarm optimizer[J]. Computer Engineering Applications, 2006, 42(16): 41-44.

［11］ ADANKON M M, CHERIET M J P R. Model selection for the LS-SVM[J]. Application to Handwriting Recognition, 2009, 42(12): 3264-3270.

［12］ SUYKENS J A K, LUKAS L, VANDEWALLE J. Sparse least squares support vector machine classifiers[J]. Neural Processing Letters, 2000, 9(3): 293-300.

［13］ SUYKENS J A K, GESTEL T V, BRABANTER J D, et al. Least squares support vector machines[J]. International Journal of Circuit Theory Applications, 2015, 27(6): 605-615.

［14］ 胡良谋, 曹克强, 徐浩军. 基于改进LS-SVM的液压舵机双闭环系统故障诊断[J]. 系统仿真学报, 2009, 21(17): 5477-5480. HU Liangmou, CAO Keqiang, XU Haojun. Fault diagnosis for hydraulic actuator double closed-loop system based on improved LS-SVM[J]. Journal of System Simulation, 2009, 21(17): 5477-5480.

［15］ 陈如清, 俞金寿. 混沌粒子群混合优化算法的研究与应用[J]. 系统仿真学报, 2008, 20(3): 685-688. CHEN Ruqing, YU Jinshou. Study and application of chaos-particle swarm optimization-based hybrid optimi- zation algorithm[J]. Journal of System Simulation, 2008, 20(3): 685-688.

Development and application of efficient cooperative optimization system for low NOxemission control in coal-fired boilers

WANG Tiankun, LIANG Zhihong, ZHANG Jinying

(China Energy Investment Corporation Limited, Beijing 100011, China)

To achieve the new near-zero emission standard of air pollutants, NOxemission from large-scale coal-fired power plants should be lower than 35 mg/m3. In current engineering practice, the most commonly used low NOx burner (LNB) technology and selective catalytic reduction (SCR) denitration technology are difficult to realize safe, environmental and economic operation of both the LNB and SCR denitration system simultaneously. Therefore, this paper establishes the cooperative model of the LNB operation adjustment and SCR denitrification of coal-fired boiler, builds up the boiler combustion system model using the improved BP neural network, sets up the SCR denitraion system model applying the improved least squares support vector machine, and further carries out the efficient low NOxemission control regulation and optimization and develops the cooperative optimization system for efficient low NOxemission control. In addition, this cooperative optimization system was successfully applied in a 600 MW unit, it can guide the operator to adjust the unit’s parameters in real time under any working condition, to ensure the safety, environmental protection and economic operation of the unit.

co-fired boiler, NOxemission, efficient low NOxemission control, comprehensive denitration technology, synergy optimization, low NOx combustion

National Key Research and Development Program (2018YFB0604204)

TP621.2

B

10.19666/j.rlfd.201811208

王天堃, 梁志宏, 张金营. 燃煤锅炉高效低NOx协同优化系统开发及应用[J]. 热力发电, 2019, 48(3): 96-101. WANG Tiankun, LIANG Zhihong, ZHANG Jinying. Development and application of efficient cooperative optimization system for low NOx emission control in coal-fired boilers[J]. Thermal Power Generation, 2019, 48(3): 96-101.

2018-11-07

国家重点研发计划项目(2018YFB0604204)

王天堃(1982—)，男，博士，高级工程师，主要研究方向为火力发电厂先进控制技术、分散控制系统及现场总线控制系统，17000107@chnenergy.com.cn。

（责任编辑 杜亚勤）