基于SVR前馈补偿的火电机组脱硝优化控制

陈铁锋 杜文

摘要：鉴于火电机组SCR脱硝控制系统具有大延迟、大惯性等特点，原有串级PID控制系统在机组负荷变化时难以实现氨气流量的精确控制。因此，在保留串级控制结构的基础上，提出了一种基于支持向量回归（SVR）前馈补偿的脱硝控制策略，通过补偿信号可以有效抑制SCR出口NOx浓度波动，并且采用离线训练和在线更新SVR的方式适应系统变化。工程应用表明，在负荷大幅度变化时该策略仍能保持良好的控制品质。

关键词：烟气脱硝;支持向量回归;前馈补偿

0    引言

目前我国燃煤电厂年耗煤约18亿t，约占全国耗煤量的50%，NOx排放量占全国的30%以上[1]，带来了酸雨、PM2.5污染等环境问题。为达成2020年火电机组实现超低排放的目标，诸多学者对此进行了研究。降低火电机组NOx排放的措施主要分为燃烧中控制和燃烧后控制，其中燃烧中控制主要是利用浓淡燃烧、燃料分级或改进燃烧器等方式。文献[2]通过优化锅炉配风、适当提高入炉煤的挥发分等方式，降低NOx排放。文献[3]改造了600 MW对冲燃烧锅炉的燃烧器，采用全炉膛分级燃烧技术，使NOx浓度降低到300 mg/m3左右。文献[4]总结了通过神经网络等方法建立锅炉的黑箱模型后综合优化锅炉燃烧的方法。但燃烧中控制NOx的方式作用有限，且有可能影响锅炉燃烧效率，所以燃烧后控制成为降低NOx排放的主要手段。目前多数机组采用选择性催化还原（SCR）烟气脱硝系统，但是SCR烟气脱硝方式存在大延迟、大惯性的特点，传统的PID控制器难以实现机组工况发生较大变化时喷氨量的精确控制，易导致喷氨不足NOx排放过量或喷氨过多造成二次污染。文献[5]利用RBF神经网络建立SCR出口NOx模型，并通过混沌粒子群算法计算最优喷氨量。文献[6]提出了一种基于神经元PID的控制策略，通过神经元网络权重和自适应参数实现优化，仿真结果表明该方法控制效果良好。文献[7-9]研究了预测控制在脱硝控制系统的应用。神经网络或预测控制等算法虽然控制效果优于PID控制，但比较复杂，且在线计算最优控制率计算量大。因此，本文提出一种利用SVR进行前馈补偿的SCR系统控制策略，既保留了原有的PID串级结构，以保证控制系统的稳定性，同时利用SVR的快速性及时适应系统变化，实现精确控制。

1    SVR原理

支持向量回归机（Support Vector Regression）是Cortes和Vapnik于1995年首先提出的，建立在统计学习理论的VC维理论和结构风险最小原理基础上，根据有限的样本信息在特定训练样本的学习精度和无错误地识别任意样本的能力之间寻求最佳折中，它在解决小样本、非线性及高维模式识别问题上表现出许多特有的优势。

在SVR中将原本回归中的平方差误差损失函数简化为ε敏感度，表示函数的拟合精度，在误差ε之内的误差置0，在该范围之外使用简单线性损失函数：

2    SVR前馈补偿器设计

2.1    数据选择及处理

影响SCR出口NOx浓度的因素有很多，主要的可测扰动包括以下三方面：

（1）机组负荷。机组负荷的变化主要影响到锅炉的过量空气系数，而过量空气系数变化会导致锅炉燃烧充分性变化，一般情况下NOx排放量随着过量空气系数的减小而减小。

（2）二次风量。二次风量是影响分级燃烧技术的重要因素，二次风合适可以有效降低锅炉主燃烧区的O2浓度，从而减少NOx生成，同时可以提高锅炉的效率。

（3）燃尽风量。一般来说燃尽风可以有效抑制NOx生成，但大量的燃尽风会降低锅炉燃烧的稳定性，并且增加飞灰含碳量，影响锅炉的热效率。

因此，在选择数据方面主要考虑了机组的给煤量、各层二次风量和各个燃尽风门开度，输出为SCR出口NOx含量。

由于支持向量机回归对样本要求较高，机组历史运行数据中可能有异常值或故障信息，对回归的准确性产生一定影响，因此需要对数据进行预处理。

预处理主要包括数据清理和数据标准化。数据清理是指剔除与多数样本偏离较大的样本，采用3σ检验准则，即样本偏离平均值超过3倍标准差则剔除。图1中圆圈为剔除的样本。

由于选择的各個信号如给煤量、二次风量等量纲不同，在使用之前需要进行标准化处理，采用Z-score标准化方法。具体而言，对于变量x，样本数为n，则Z-score标准化处理后数据为：

2.2    SVR前馈补偿器设计

SVR离线时的训练过程如下：

（1）根据所选输入、输出变量，取其历史运行数据;

（2）对输入变量进行数据处理;

（3）确定SVR的参数，包括不敏感系数、惩罚系数和核函数;

（4）根据上述SVR原理进行训练。

由于SVR训练所需样本数量少，训练速度相比神经网络等较快，所以在离线训练后可以采用在线更新的方式。在线更新时保持SVR的参数不变，每次取一定数量的样本训练，下一时刻时从样本队列中删除最后一个样本，加入新样本，从而实现样本集保持数量不变并不断更新。

利用方家庄电厂历史数据中的200个采样点进行训练，并在训练后利用接下来4 000 s的数据检验SVR输出的准确性，检验结果如图2、图3所示。

从图2、图3中可以看出SVR可以准确反映NOx出口浓度的变化趋势，在个别点的相对误差超过10%，但大部分数据相对误差都在5%以内，可见SVR回归比较准确。

SVR前馈补偿器的结构如图4所示，包括数据处理、SVR拟合以及PD控制器三部分。首先根据上述数据处理方法对采集的给煤量、二次风量和燃尽风量进行处理，然后将处理好的数据输送给训练好的SVR函数，得到后续的NOx浓度变化量，将当前时刻NOx浓度与SVR函数输出值的偏差作为PD控制器的输入信号，从而计算出补偿信号。

3    工程应用

根据上述SVR前馈补偿器，在原本串级PID控制的基础上，提出了基于SVR前馈补偿的SCR出口NOx浓度控制策略，其结构如图5所示。

其中串级控制系統中的γ1和γ2为喷氨流量反馈系数和SCR出口NOx浓度反馈系数，G1（s）为喷氨阀门开度与喷氨流量大小的传递函数，G2（s）为氨气流量与SCR出口NOx浓度的传递函数。主调节器和副调节器的参数依然保持“内快外慢”的基本特性不变。

在SVR参数选择上，需要确定不敏感系数、惩罚系数C和核函数。其中惩罚系数C>0，表示输出值与实际值之间误差的程度大小，C越大模型输出精度越高，但有可能出现过拟合。不敏感系数越小模型精度越高，但同样可能出现过拟合的现象。因此，在多次离线训练尝试后取C=220，ε=0.01，核函数按上文所述取径向基函数。

在方家庄电厂的SCR脱硝控制系统中采用基于SVR前馈补偿的SCR出口NOx控制策略，其控制效果如图6所示。

4    结语

针对目前SCR脱硝串级控制器在机组负荷大范围变化时控制品质变差的问题，根据支持向量回归原理设计了SVR前馈补偿控制器，并提出了基于SVR前馈补偿的脱硝控制策略。在方家庄电厂实际投用的效果表明，该方法可以有效抑制负荷以及风量变化等扰动带来的SCR出口NOx浓度波动，较原有串级控制系统有更好的抗干扰性。

[参考文献]

[1] 郦建国，朱法华，孙雪丽.中国火电大气污染防治现状及挑战[J].中国电力，2018，51（6）：1-10.

[2] 刘建航，盛喜兵，刘学书，等.300 MW机组超低排放脱硝喷氨经济运行优化研究[J].山东电力技术，2018，45（9）：60-62.

[3] 应明良，戴成峰，胡伟锋，等.600 MW机组对冲燃烧锅炉低氮燃烧改造及运行调整[J].中国电力，2011，44（4）：55-58.

[4] 张晓宇，范永胜，沈炯，等.燃煤锅炉燃烧优化控制发展趋势[J].华北电力技术，2016（12）：31-37.

[5] 任志玲，赵博雅，赵星，等.基于CPSO-RBF神经网络喷氨量的最优控制[J].测控技术，2018，37（12）：38-41.

[6] 赵海涛，郭少娟.基于神经元PID的SCR脱硝控制系统研究[J].自动化仪表，2017，38（5）：20-23.

[7] 叶蒙双，冯晓露，张政江.先进预测控制在SCR控制系统中的运用[J].科学技术与工程，2016，16（10）：155-158.

[8] 马平，王凯宸，梁薇.基于前馈有约束DMC的锅炉烟气脱硝控制系统设计[J].热力发电，2017，46（11）：73-79.

[9] 孟范伟，徐博，吕晓永，等.神经网络预测控制在SCR烟气脱硝系统中应用[J].东北大学学报（自然科学版），2017，38（6）：778-782.

[10] 谢碧霞.大型锅炉燃烧系统的支持向量机建模方法的研究[D].保定：华北电力大学，2018.

收稿日期：2019-12-09

作者简介：陈铁锋（1973—），男，宁夏银川人，高级工程师，研究方向：火电厂生产管理。