燃煤机组脱硝智能控制关键技术研究及应用

江溢洋

(合肥综合性国家科学中心能源研究院(安徽省能源实验室)，合肥 230031)

随着环境保护的要求提高，燃煤电厂采用各种手段以抑制氮氧化物的排放，而选择性催化还原(selective catalytic reduction，SCR)烟气脱硝技术应用最为成熟和广泛。通过将制备的氨气通入布置在烟道的SCR反应器中，在一定温度和催化剂条件下与烟气中的氮氧化物反应达到脱硝的效果。国内大型燃煤机组SCR烟气脱硝控制系统由于控制逻辑设计不完善、现场测量易失真、流场分布不均等问题，造成控制品质不佳、自动控制难以投入，往往伴随着氨气的过喷现象，不仅造成资源的浪费，过高的氨逃逸率带来硫酸氢铵的生成，会对催化床层和空气预热器造成危害，还给机组安全性和经济性带来很大影响[1]。

本文对燃煤机组现有脱硝控制中存在的控制滞后、测量失真等一系列问题展开针对性研究，并形成系统的解决方案。

1 脱硝控制存在的难点

1.1 脱硝反应过程呈现大滞后特性

脱硝过程涉及多种化学反应，其中氨气与烟气中的氮氧化物需要在SCR反应器中的催化剂表面进行反应，因此整个脱硝过程可分为氨气在催化剂表面的吸附过程、解吸附过程、气相氮氧化物的还原过程、被吸收的氨氧化过程。由于反应过程的复杂，造成氮氧化物实际变化经历漫长的过程，通过现场试验的分析，整个反应过程长达3 min。

1.2 氮氧化物浓度受锅炉燃烧影响大、波动大

燃煤机组排放的烟气中存在大量的氮氧化物。由于锅炉燃烧是一个复杂的过程，造成氮氧化物的生成具有多重原因：燃烧过程助燃的空气在高温下生成热力型氮氧化物；空气中的氮元素与燃料中的碳氢离子团等反应生成快速型氮氧化物；燃料中含有的氮化合物经过热分解又氧化生成燃料型氮氧化物[2]。另一方面，随着燃煤机组应对调峰、调频的需要，负荷频繁大幅变动，同时燃烧煤种多变，进一步增加了氮氧化物浓度变化的不确定性。

1.3 氮氧化物测量仪表测量滞后、测量易失真

目前SCR反应器前后布置的氮氧化物仪表长期工作在高温、高尘环境中，一段时间后常常出现失真、甚至倒挂现象。由于烟气分析仪表多采用抽取反应式，一般测量管路长达50～70 m，造成测量的滞后，经过测试滞后时间达3～5 min。

1.4 氮氧化物排放要求与喷氨经济性的矛盾

通过对脱硝反应中氨氮摩尔比与脱硝效率之间的关系进行分析，在一定范围内，随着氨气量的增加，脱硝效率有明显提升，但是当氨气量达到一个渐进值后，进一步提高脱硝效率所需的氨气量将呈指数上升，进而氨逃逸量也将成指数上升，因此需要权衡脱硝效率和喷氨经济性二者间的关系。

2 脱硝设定值自寻优技术

上述分析了脱硝效率和喷氨经济性的矛盾，更重要的是氨逃逸量的增加不仅会造成催化剂中毒和污染环境，而且会与烟气中的SO3反应生成黏性很高的硫酸氢铵沉积在下游烟道中，造成空气预热器堵塞等问题，使得风机设备出力增大，而且危及设备运行安全[3]。

目前现有的脱硝系统控制思路大都只考虑NOx浓度控制精度问题，在实现NOx浓度的精确控制后，通过人为操作提高控制设定值，从而间接减少喷氨量和氨逃逸量。在实际运行中，遇到极端工况，当NOx浓度有较大变化时，仅依靠自动控制策略往往仍有滞后。这时通常需要运行人员对设定值进行调整实现人工干预(尤其是预防NOx超标时)。这在一定程度上，削弱了系统自动化控制水平。

为了优化解决该问题，本文采用智能寻优技术提出了一种脱硝系统氮氧化物控制方法，实现了排放达标前提下的最优喷氨，避免了过量喷氨引起的设备隐患，提高了经济性和安全性。

脱硝设定值自寻优系统结构见图1，通过智能寻优方法实现脱硝系统运行优化。其中，控制模块是氮氧化物控制的主体部分。应急模块用于当监测到出口NOx浓度由于异常工况引起大幅变化时，快速改变设定值进行干预调整，补偿控制模块控制量输出，并在趋于稳定后，逐渐恢复至原设定值状态。节能模块根据出口NOx浓度控制品质，实时调整设定值。当控制品质好时，增大设定值，以减少控制过程整体喷氨量；当控制品质差时，减小设定值，保证NOx浓度控制时波动不超过允许上限。

图1 脱硝设定值自寻优系统结构图

通过节能模块和应急模块实时监测控制品质状态，自动调整脱硝系统设定值，实现对脱硝控制系统控制目标智能寻优。对上文中提到的两种实际中常发生的情况，起到了优化运行及节能降耗的作用，同时也补充了现有脱硝系统的控制手段。

3 基于LSTM氮氧化物预测技术

氮氧化物的生成与锅炉燃烧有关，而锅炉的燃烧过程又是一个极其复杂的过程，涉及到相关众多变量参数之间相互交叉影响，而且各变量的影响程度和时间先后各有不同。这样给现场对烟气中氮氧化物的预测研究带来了相当大的困难。因此，迫切需要更好和更有效地利用过程动态信息和统计信息预测氮氧化物生成的方法[4]。

长短期记忆网络(long and short term memory network,LSTM)是一种特殊的循环神经网络，通过选择性的对变量信息的记忆和过滤实现对各变量长短时间间隔信息有效学习处理，能够学习长期依赖关系。LSTM的典型结构包括遗忘门、输入门、输出门，以此来计算某一个时刻的整个结构的状态(细胞状态)及系统输出。遗忘门根据上一时刻的输出及当前时刻的输入以判断对上一时刻细胞状态的信息的保留和遗忘；输入门决定让多少新的信息加入到细胞状态中来；输出门通过综合更新的细胞状态和系统输入计算得出当前时刻的系统输出。

通过对大范围变负荷工况下，分析各参数变量与入口NOx浓度变化数据，确定LSTM预测模型的主要输入变量为锅炉主控输出、总风量主控输出、燃料主控输出、一次风压主控输出。

本文采用基于锅炉控制因素作为氮氧化物预测的辅助变量，能够更快地反映出机组在变负荷及工况变化时对锅炉燃烧的调整，实现对燃烧生成的氮氧化物的预测。同时选用控制变量作为辅助变量，还克服了过程仪表测量数据出现的失真等问题，精简了对数据进行繁琐的处理过程。通过某厂实际历史数据计算，运用该方法具有很好的预测效果，结果见图2。通过准确地对烟气氮氧化物的预测，能够帮助解决脱硝系统大滞后对象控制问题，实现控制过程的快速性与稳定性。

图2 基于LSTM算法的NOx浓度预测值与实测值

4 氮氧化物软测量方法

氮氧化物分析仪由于工作环境恶劣，取样探头极易受到污损，因此均设计有定期吹扫、标定的功能。当氮氧化物仪表进行定期吹扫、标定时，其测量值会出现剧烈突变，为了消除控制影响，往往输出值保持不变，即进入“测量盲区”，此时无法测量氮氧化物实际浓度。另外，实际调研中某些电厂脱硝出口两侧NOx浓度延宽度和深度方向有较大变化，NOx浓度场分布极其不均匀。脱硝两侧出口烟气自动监控系统(continuous emission monitoring system, CEMS)显示值与参比值平均值差距也较大，CEMS测点不具有代表性，不能反应烟道的真实情况[5]。

为了解决以上问题，采用一种基于物理机理脱硝系统氮氧化物软测量方法，其原理见图3。在脱硝反应中氨气以一定的氨氮摩尔比参与反应，反应后烟气下游多余的氨被称为氨逃逸，因此氨逃逸的量能够间接反映氮氧化物浓度的准确性。将本侧氨逃逸测点数据，作为辅助测量变量实现对脱硝出口氮氧化物实际浓度的估计。对于脱硝测点定期吹扫时，仪表进入“盲区”，无法测量氮氧化物的含量的问题，考虑到A、B侧脱硝系统所处理烟气均取自锅炉尾部烟道，在定期吹扫时间内，由于烟气成分的变化造成的氮氧化物浓度变化的趋势和程度相当，因此在吹扫时，利用另一侧脱硝出口测点数据辅助对本侧氮氧化物实际浓度进行估计。

图3 基于物理机理脱硝系统氮氧化物软测量原理图

实际运用中，通过各辅助变量的权重系数，来调整不同测点数据对脱硝出口氮氧化物实际浓度的影响。该方法通过软件手段，解决了因测量故障、定期吹扫等因素引起的信号失真问题，为氮氧化物的精确控制，降低氨逃逸率起到了重要作用。

5 工程应用

将上述各项控制技术综合应用在某660 MW超临界机组上，通过试验和数据分析，有效地提高了机组脱硝系统控制品质及运行稳定性。稳定负荷时，脱硝系统氮氧化物的质量浓度控制偏差在4.2 mg/m3左右；变负荷时，脱硝系统氮氧化物质量浓度控制偏差将被控制在6.5 mg/m3左右。有效提高了脱硝系统控制目标值，降低氨逃逸率的同时，减少系统喷氨量。

提高系统控制品质后，在保证氮氧化物排放标准前提下，控制目标值平均提高4.5 mg/m3，喷氨流量平均下降10%，与此同时氨逃逸率得到降低，减少了系统硫酸氢铵的形成，降低了机组空气预热器等设备堵塞的风险。更主要的是减少了机组氮氧化物浓度超标现象。

6 结论

为了有效应对脱硝控制中存在的控制滞后、测量失真等一系列问题，本文通过三个技术方向：脱硝设定值自寻优、氮氧化物预测、氮氧化物软测量，设计了基于先进控制方法的脱硝控制策略，并应用于某660 MW超临界机组脱硝控制系统优化工作中，实际应用效果证明，该脱硝控制策略不但提高了不同负荷工况下出口NOx浓度控制稳定性，而且在同等控制要求下有效地减少了氨气使用量，进而降低了氨逃逸率，确保了脱硝控制系统稳定与经济运行。