废液焚烧炉SCR 脱硝系统的建模及其预测控制

2021-10-27李明辉

陕西科技大学学报 2021年5期

张萍,李明辉,陈倩

(1.陕西邮电职业技术学院通信工程学院,陕西咸阳 712000;2.陕西科技大学机电工程学院,陕西西安 710021;3.陕西科技大学电气与控制工程学院,陕西西安 710021)

0 引言

有机废液在焚烧过程中,为了尽量地减少焚烧污染物的生成,焚烧炉的过空气量系数一般都取相对较大,这样就会形成较多的热力N;废液中含氮有机物的挥发含量也比较高,经过焚烧处理后最终生成大量NOx[1].故焚烧炉产生的NOx要比其他锅炉要高.而NOx排放到大气中会对生物体造成严重危害,因此,须对焚烧炉排放烟气进行脱硝处理.选择性催化还原(SCR)烟气脱硝技术脱硝效率高,且工业条件要求低,已被广泛应用.SCR 脱硝控制的重点在于采用何种控制手段来更加精确地控制喷氨量,从而确保系统出口NOx排放达到排放标准的同时减少氨逃逸量[2].

常见的控制方式有固定氨氮摩尔比控制和出口NOx定值控制[3],这两种方式均采用传统的PID 来实现对出口NOx浓度的控制.但SCR 脱硝系统存在大迟滞、大惯性、非线性等特性,已难以取得理想的控制效果.近几年来,随着先进控制算法的发展,脱硝系统的控制方式有了更多的选择.其中,模型预测控制(Model Predictive COntrol,MPC)由于能很好的适应对象的非线性、不确定性以及时变等特性[4-7],已被广泛地应用于工业过程控制领域.

文献[8]采用广义预测控制(GPC)和线性二次调节(LQR)方法,分别设计串级控制系统的主、副调节器,在一定程度上提升了系统的脱硝控制品质.文献[9]利用(RBF-ARX)混合结构实现对出口NOx的预测控制,在控制过程中起到了一定的动态调整作用,但控制过程只针对几个固定的负荷点,因而普适性不强.文献[10]将递归神经网络引入RBF神经网络的隐含层中形成混合结构网络(MS-RBFNN),将与喷氨量相关的主要状态作为MS-RBFNN 的输入,利用出口NOx 测量值与设定值的偏差对系统进行修正,实现了对喷氨量的实时修正.文献[11]利用CPSO-RBF 神经网络建立SCR 脱硝系统出口NOx的预测模型,实现了在保证出口NOx达标的情况下,减少喷氨量的控制目标,但此方法不仅计算量巨大,而且控制规律也比较复杂,很难保证实时性.

以上文献都是针对于燃煤锅炉SCR 脱硝系统出口NOx浓度的优化控制,目前对于废液焚烧炉烟气SCR 脱硝系统出口NOx浓度的优化控制研究较少.为此,笔者通过学习燃煤锅炉SCR 脱硝系统的优化控制方案,对有机废液焚烧SCR 系统进行优化控制.本文将模型预测控制引入其中,通过对SCR 反应机理进行分析,建立系统机理模型并通过实际数据对模型进行仿真验证.再利用具有较高预测精度和泛化能力的改进LSSVM 建立了系统出口NOx 的预测模型,并将其用于预测控制中.仿真结果表明,该方案能实现在出口NOx 浓度不超标的情况下,减少喷氨量,降低脱硝成本和氨逃逸的控制目标,能取得良好的控制效果.

1 SCR脱硝系统

1.1 脱硝反应机理

SCR 脱硝是指在一定温度条件下,还原剂(NH3)在催化剂的作用下有选择的和烟气中NOx发生化学反应,将NOx 还原成N2和H2O[12,13].SCR 脱硝系统反应原理如图1所示.

其主要涉及的化学反应如式(1)～(4)所示:

其中,式(1)为主反应式[14].由式(1)可以看出,喷氨量越高,反应越完全.然而,过量喷氨会加速如下副反应的发生,使得NOx重新生成.

因此,针对SCR 喷氨控制系统有两个重要的目标:一是控制出口NOx 浓度低于排放限值;二是避免喷氨过度,减少NH3的逃逸.

1.2 机理模型的建立及验证

针对SCR 反应机理,主要遵循的是Eley-Rideal机理[13],其反应的主要动力学方程为:

根据上述机理,整个还原过程可用以下公式描述:

由于SCR 反应过程复杂、参数多且彼此关联,因此很难求取参数.此外,反应条件的变化也会导致参数改变,为此,本文采用辨识方法来获取模型参数.需辨识的参数有

针对某废液焚烧工厂SCR 脱硝系统,V2O5-WO3/TiO2为其催化剂成分,还原剂为NH3.本文采用PSO 算法,在模型训练的基础上,利用已有的实际数据,对相关参数进行寻优计算.所用数据均为现场采集所得,采样间隔为1 min,剔除异常数据后,共获得有效数据700组,选取540组用作训练,剩余数据用于测试.在使用PSO 算法获取模型参数时,种群数量设置为40,寻优过程最大迭代次数为500,根据各参数的实际物理意义选取合适的范围,将模型均方根误差作为适应度函数.寻优过程如图2所示.由图2可知,模型的计算误差随着迭代次数的增加而减小,迭代近400次时,模型的精度不再发生变化.其寻优结果如表1所示.

图2 PSO 参数寻优过程

表1 机理模型参数

模型验证结果如图3所示.从图3可以看出,该模型精确性较高.为更好的对模型精度进行量化,选择模型的平均绝对百分比误差(MAPE)和均方根误差(MRSE)作为衡量指标:

式(16)、(17)中:N-样本个数；-第i个样本的实际值和预测值.

模型评价结果MRSE=5.078 mg/m3,MAPE=7.63%.由此可见模型的精度误差在可接受范围内.观察图3可知,当系统出现扰动时,模型的输出值与实际数据变化情况能保持一致.总体来说,该模型能够较为准确地对SCR 脱硝系统运行状态进行描述.

图3 SCR 机理模型验证

2 SCR预测控制系统

本文在SCR 系统出口NOx浓度控制中引入预测控制的思想,通过改进LSSVM 建立出口NOx浓度的预测模型,将SCR 机理模型与预测模型相结合,再利用AIWPSO 算法来求取最优解,最终实现保证出口NOx浓度达标的前提下,减少喷氨量,降低脱硝成本和氨逃逸率.控制系统结构图如图4所示.该系统主要由AIWPSO 滚动优化、预测模型、预测输出和SCR 烟气脱硝系统4个部分组成.

图4 喷氨量预测控制系统结构图

2.1 基于AIWPAO-LSSVM 的预测模型的建立

结合章节1.1 中脱硝反应原理可知,SCR 出口NOx浓度波动的最直接原因是SCR 入口NOx浓度的波动,尤其当入口NOx浓度波动幅度大且波动较频繁时,必将严重影响出口NOx浓度的控制效果.入口NOx浓度的准确测量直接影响喷氨量的控制.烟气流量会影响反应器入口NOx流量的变量.而烟气温度决定着催化剂的活性和反应进行的速率.因此,直接影响出口NOx 浓度的参数有喷氨量、入口NOx浓度、烟气流量、烟气温度、入口氨氮摩尔比.故选取以上参数作为模型的输入变量,以出口NOx浓度作为输出变量.

2.1.1 LSSVM 算法

LSSVM 是基于支持向量机(Support Vector Machines,SVM)的一种改进算法,它的优势相较于SVM 在于:(1)将SVM 中的不等式约束条件利用等式约束条件进行替换;(2)利用解线性方程组来求解待优化问题.这两个优势使得它在需要较少的计算资源的同时还能较快的求解问题.LSSVM的基本原理为:

设给定非线性样本数据集为:

式(18)中:xi-模型中的各输入变量;n-输入样本的维数;m-训练样本个数;yi-SCR 出口第i个NOx实测值.

引入非线性变换映射函数φ(x),将训练样本数据从低维空间映射到高维空间;

式(19)中:ω-超平面的权值系数(权矢量);b-偏置量.

LSSVM 算法采用结构风险最小化原理,并考虑函数复杂度及拟合误差,建立如下目标函数[15]:

式(20)中:ei-误差变量;一般γ＞0,作为调整误差的惩罚系数.αi≥0拉格朗日乘子,引入拉格朗日函数将约束优化问题转化为无约束优化问题:消去ω,ξ得:

用最小二乘法求解式(23),得到α和b,最终得到用核函数表示的LSSVM 非线性模型:

在常用的核函数中,高斯径向基函数具有良好的泛化能力和全局收敛性,并且函数模型相对简单[16].故本文选取其作为模型核函数:

式(25)中:σ-径向基函数的宽度.

图5为所建立的SCR 出口NOx 的LSSVM模型.

图5 SCR 出口NOx的LSSVM 模型结构图

2.1.2 AIWPSO优化的LSSVM模型

利用LSSVM 建立预测模型的过程中,参数σ、γ的选择直接影响着模型的预测精度和泛化能力,这两个参数的不合理选择直接会导致预测结果的可靠性的降低.PSO 算法相比于其他算法在收敛速度和算法实现等方面存在优势,但易于出现早熟、陷入局部极值的问题.为此,本文将文献[17]中的AIWPSO 算法应用到LSSVM 的参数寻优过程中,通过动态地寻找最优的核参数和正则化参数,在提高模型的预测精度、泛化能力的同时,建立起最佳的SCR 出口NOx的LSSVM 预测模型.

AIWPSO 算法主要对PSO 算法做出了以下几点改进以促使粒子避免出现局部收敛问题:

(1)由于PSO 算法的惯性权重ω大小对算法的优化起主导作用,所以采取了一种惯性权重非线性变化策略,该策略将迭代时域划分为初、后期,初期通过保持较大的ω值一段时间来保证较强的全局搜索性,后期保持较小的ω值一段时间来增强局部搜索能力,从而实现算法的全局和局部搜索能力的综合最优.该策略下权重ω的计算公式为:

式(26)中:ωmax、ωmin-权重的初、终值;t-当前迭代数;T-最大迭代数.

(2)为防止解的计算过程中出现陷入局部极值的可能,将变异的想法引入粒子群算法中.为了更好的判断种群的状态,参考文献[18],引入种群的适应度方差.算法借助种群的适应度方差来判断当前种群的状态,一旦算法出现“早熟”现象,则对gbest进行如下变异操作:

式(27)中:μ为服从标准正态分布的随机变量.利用式(27)给陷入局部极值的粒子一个随机的扰动操作,使其快速跳出局部极值,向真正的最优解奔袭.

AIWPSO-LSSVM 算法实现过程如图6 所示.

图6 AIWPSO-LSSVM 的出口NOx预测算法流程图

2.2 基于AIWPAO-LSSVM 的SCR 出口NOx预测分析

同章节1.2中实际数据,通过利用归一化处理的数据建立模型,再将输出结果经反归一化处理得到实际工程单位的主导变量,最后利用AIWPSO算法对σ、γ参数进行结果寻优,在LSSVM 模型中引入最终寻优结果,从而建立SCR 出口NOx浓度的预测模型.表2为AIWPSO-LSSVM 模型参数.

表2 AIWPSO-LSSVM 模型参数

选用测试集的RMSE 作为对应粒子的适应度值.算法通过在运行过程中不断地对粒子的位置和速度进行更新,直至满足设定的最大迭代次数.得到最优参数值γ=17.393 0、σ=0.338 6,将这两个参数用于改进LSSVM 的出口NOx浓度的预测.为了更好地预测模型的性能,将MAPE 和RMSE作为预测模型性能评判依据.模型的输出与实际输出如图7所示.

预测模型的RMSE=4.496 6、MAPE=6.46%,结合图7的仿真结果可以看出,该预测模型对非线性系统的辨识度较高,模型的拟合能力和预测精度高,综合来说符合作为预测模型的要求.同时,该预测模型的计算量较小,能够满足工程实际应用的要求.

图7 预测模型计算结果

3 SCR出口NOx浓度预测控制及仿真

MPC是根据模型预测输出来对控制量进行调整,通过极小化目标函数来求解最优控制量.将MPC算法转化为非线性优化问题来解决[19]:

式(28)中:yp-模型输出值;yr-出口NOx的设定值;u-喷氨量;umax、umin-喷氨变化量的上、下限;N、M-预测、控制长度;λ为控制量系数.本文将其设置为默认值1.

针对以上优化问题,本文利用AIWPSO 算法对喷氨量进行滚动优化来求取最优解.通过将上一时刻的预测误差作为当前时刻的预测误差并加以补偿来进行反馈校正.图8为MPC算法步骤.

图8 MPC算法步骤

为验证MPC 的控制效果,利用MATLAB/Simulink平台搭建脱硝控制系统并进行仿真测试,并与传统PID 控制进行分析对比.学习因子选取c1=c2=2;根据式(26)计算粒子惯性权重ω;粒子群数为20,最大迭代次数为100.喷氨量范围为0～250 kg/h,SCR 出口NOx浓度设定值在5 min时降为50 mg/m3.仿真结果如图9所示.

图9 控制系统响应曲线对比图

由图9可以看出,PID 控制在第26 min左右才能稳定在设定值附近,去掉测量延迟后响应时间为18 min.MPC 约在第11 min 就能稳定在设定值,响应时间为3 min,比PID 控制降低了约84%.相比来说,MPC能够更加快速地跟踪设定值,调节时间更短,静态性能更好.

为更进一步验证MPC的控制效果,选取图10所示测试样本段SCR 入口NOx浓度作为模型的输入变量,SCR 出口NOx浓度设定值为50 mg/m3,分析对比这两种控制方案的控制效果及喷氨量情况.

图10 SCR 入口NOx浓度

由图11可知,传统SCR 控制系统的稳定性较差,稳态控制精度不高,系统的抗干扰性能较弱,出口NOx浓度波动较大,且排放超标.相较来说,优化后的控制系统在运行过程中SCR 出口NOx浓度相对稳定,虽然在某些时刻有些波动,但大部分时间内出口NOx浓度都低于设定值.通过图11和图12可以看出,SCR 控制脱硝效率最低为68%,出口NOx浓度最高为89 mg/m3,相比来说,MPC脱硝效率最低为87%,系统更为稳定,出口NOx浓度最高为52 mg/m3,脱硝效果显著提升.从图13可以看出,与SCR 控制相比,MPC 喷氨量相对减少,控制器通过减小NH3投入量的变化实现NH3的精准投放,减少了氨逃逸量,保护了环境的同时也降低了脱硝成本.