基于延迟特性的NOx浓度软测量与喷氨优化

林伟俊, 李 敏, 赵 畅, 崔庆伟, 梁银河, 竹小锋,吴可泽, 杨建国

(1.浙江大学 能源清洁利用国家重点实验室,杭州 310027;2.浙江浙能兰溪发电有限责任公司,浙江金华 321100)

国内大多数电站锅炉采用选择性催化还原(SCR)脱硝系统来控制NOx排放[1]。电厂通常采用“PID+前馈+反馈”的控制方式[2],而SCR入口NOx浓度值作为前馈信号,不但影响NOx排放浓度的定值控制,还与脱硝效率高低和系统能耗大小等紧密相关,因此实现NOx生成浓度的及时准确测量至关重要。目前,SCR入口NOx浓度的测量一般采用烟气排放连续监测系统(CEMS),为了保证精密仪器的稳定工作,需设置较长的采样系统管线,导致NOx的测量值存在一定的延迟时间[3-4]。翁卫国等[5]曾采用理论计算方法得到CEMS的测量延迟时间为60 s。在实际生产中,NOx生成浓度随锅炉工况的改变而变化,若测量的延迟时间较长,则会导致前馈不及时,系统喷氨无法及时准确地跟随NOx生成浓度的变化,NOx排放浓度便容易出现瞬时波动。为了满足环保考核的要求,电厂往往设置远低于NOx排放标准的目标值,既影响经济性又会使氨的逃逸率增加,对机组造成危害[6]。为了解决时延问题,目前主流的方法有2种:一是采取改进控制方式的手段,如建立自适应控制器[7]解决系统大滞后的特性,但是系统的控制精度及动态品质难以保证;二是采取软测量方法,通过构建数学模型,对NOx生成浓度进行预测,由于软测量技术成本低廉和维护方便,因此其在工业生产过程中得到广泛应用。

得益于机器深度学习的发展,NOx生成浓度的软测量技术也趋于成熟,国内外学者相继提出了不同的软测量模型,如基于简化T-S(Takagi-Sgeno)模糊模型的在线辨识方法[8]、最小二乘支持向量机(least squares support vector machine,LS-SVM)NOx预测模型[9]、基于燃烧火焰图像深层特征的支持向量机(SVM)预测模型[10]等。以上模型的出现固然为软测量技术的发展带来了诸多可能性,但大部分研究均基于稳态工况建模,然而在锅炉实际运行过程中,工况变化往往是常态,稳态模型在实际生产中很难实现在线应用。为解决这一难点,赵征等[11]加入了辅助变量的过去时刻参数来进行动态建模,但其只考虑了辅助参数的延迟时间,仅提升了参数的工况对应准确度,仍然不足以表征锅炉的整个动态过程。锅炉是一个多变量惯性系统,如何使锅炉的动态特性在软测量模型的输入变量中得到有效表征,是对NOx生成浓度进行动态建模的关键。由于锅炉动态运行具有变量关系复杂、历史数据量庞大和噪声严重等特点[12],动态建模下的数据结构特征必然为高维耦合,如何选取合适的算法实现大数据建模成为NOx生成浓度软测量技术的另一难点。李元浩[13]首次提出利用极限梯度树提升(extreme gradient boosting,XGBoost)对锅炉运行数据进行动态建模,该算法不仅加入了正则化项防止过拟合,还通过并行提升算法速度,契合样本数据的特征,目前已在多个领域[14-16]得到有效应用。

笔者针对一台660 MW超临界机组,通过试验得到CEMS测量的延迟时间及锅炉关键控制参数调整的NOx生成响应时间,建立表征锅炉动态特性和NOx生成浓度基准的数据结构,通过正交试验扩展影响NOx生成浓度的锅炉调控设备的最大调节范围,从而建立适应锅炉动态运行工况的实时燃烧NOx生成浓度软测量模型,并应用于脱硝系统喷氨优化控制。

1 试验部分

1.1 试验对象

选用某电厂600 MW超临界机组作为研究对象,其型号为B&WB-1903/25.40-M。锅炉为超临界参数、螺旋炉膛、一次中间再热、平衡通风、固态排渣、全钢构架、露天布置的Ⅱ型锅炉。锅炉配有带循环泵的内置式启动系统,采用中速磨煤机冷一次风机正压直吹式制粉系统,前后墙对冲燃烧方式,配置B&W公司最新研制的DRB-4Z超低NOx双调风旋流燃烧器及NOx(即OFA燃尽风)喷口。相关设计参数见表1。

表1 锅炉主要设计参数

1.2 CEMS测量延迟时间

1.2.1 试验目的

结合烟气分析仪的使用,分别得到其与CEMS测量的延迟时间及自身的测量延迟时间,从而计算得到CEMS的测量延迟时间,基于此对建模数据进行匹配,进而真正意义上实现对SCR入口NOx真实值的预测,以解决CEMS测量延迟所带来的前馈不及时的问题。

上述现象产生的原因是：1)钢材：与室温下相比，300℃高温作用后的强度相差不大，弹性模量略有降低；历经600℃高温后，屈服强度、极限强度和弹性模量明显降低；2)再生混凝土强度随受热温度的提高而降低，300℃高温后变化显著；3)加载初期，钢管和混凝土共同受力，钢管屈服强度越低，弹性阶段持续时间越短，钢管屈服区域增加，核心混凝土所受约束减弱，荷载逐渐由核心混凝土承担，一旦钢管鼓曲严重，试件承载力决定于混凝土强度；4)试件S-6出现强化段的原因是钢管高温后具有强化特性，还会变软变韧，使得原方形截面易鼓曲演变成圆形，约束能力增强，承载力提高，所以各试件破坏荷载接近。

1.2.2 试验过程

具体试验安排为调整工况使NOx浓度发生变化,并在此过程中,使用烟气分析仪对SCR入口烟气成分进行连续测量,得到NOx浓度实测曲线(简称实测曲线),将实测曲线与同时段CEMS的NOx浓度测量曲线(简称CEMS曲线)进行斯皮尔曼相关性系数(Spearman rank-order correlation coefficient,SR)相关性分析,得到CEMS测量与烟气分析仪测量之间的延迟时间td1。

由图4可知,相较稳态模型,动态模型得到的软测量结果对NOx生成质量浓度真实值的跟随性更好。即使数据集均已进行了NOx生成质量浓度测量延迟时间修正,各稳态模型的软测量值曲线与真实值曲线相比仍然有一段明显的滞后时间,且跟随性较差。动态模型对延迟时间综合改善程度最佳的是XGBoost算法,延迟时间仅为10 s,最大相关度(延迟时间修正后的SR相关系数)高达0.993,而相同算法下,稳态模型的性能表现均不如动态模型。除GBDT算法外,其他算法均是动态模型的最大相关度最高,即动态模型的精度更高。

td1、td2之和即为CEMS测量延迟时间td。

td=td1+td2

(1)

1.2.3 SR相关性分析

采用SR相关性系数法[17]对实测曲线和CEMS曲线进行相关性分析。相关性系数ρs的计算公式如式(2)所示。

综上,共选取87个影响NOx生成质量浓度的参数的当前时刻值作为输入变量。

考虑到本文的建模具有高维度和大数据量的特征,初步筛选认为XGBoost[21]、梯度提升决策树(gradient boosting decision tree,GBDT)[22]、分布式梯度提升算法(light gradient boosting machine,LightGBM)[23]、随机森林(random forest,RF)[24]能较好地实现软测量效果,故选取该4种建模算法进行对比优选。XGBoost、GBDT、LightGBM都属于boosting框架,通过拟合残差的方式,不断更迭弱学习器对数据集实现高精度的软测量。RF属于bagging框架,使用组合多个弱分类器的方式提高模型的泛化性能。

(2)

(3) 表征动态工况的输入参数构建

di=Xi-Yi

(3)

式中:Xi和Yi分别为2组数据按照相同的升降序排列后,第i个数据在原始数据中的位置。

假定CEMS测量值与烟气分析仪测量值之间的延迟时间为ts(ts=0,1,2,…,k,k为预估最大延迟时间),将CEMS曲线前移ts时间,迭代计算得到一系列相关性系数值ρs,绘制ρs-ts曲线,曲线峰值对应的ts值即为td1。

1.2.4 试验结果

烟气分析仪测量延迟时间共重复进行了3次试验,结果分别为18 s、24 s和22 s,平均测量延迟时间td2为21 s。

由表2可知,CEMS测量延迟时间与机组负荷没有呈现出显著的规律性差异,A、B两侧的平均CEMS测量延迟时间分别为64 s和51 s。为简化后续建模及应用,将A、B两侧的CEMS测量延迟时间取平均值并近似为1 min。

我院门诊处方中具有潜在相互作用的氯吡格雷联合用药的调查分析 ……………………………………… 宋浩静等（17）：2429

在锅炉上共进行了30组CEMS测量延迟时间试验,得到CEMS测量延迟时间td,见表2。

表2 SCR入口NOx浓度CEMS测量延迟时间

近年来，我国在积极加强现代化经济建设的过程中，不断加深了对心理资本的研究力度，目前包含包容宽恕、谦虚沉稳、尊敬礼让等在内的人际型心理资本和乐观希望、自信勇敢、奋发进取等在内的事务型心理资本是我国广泛认可的心理资本维度。

1.3 NOx生成的响应时间

锅炉的调控与燃烧是惯性过程,从工况调整到NOx浓度变化往往有一定的响应时间[18]。锅炉给煤量(负荷)变化和风量调整等对NOx的生成有显著影响[19],它们的调整过程虽然较快(秒级),但进入炉膛后存在混合、燃烧及温度变化过程,尤其是给煤量变化仍需经历磨煤机的磨制过程,NOx的生成存在一定的响应时间,若该响应时间较长,则在锅炉动态运行过程中不容忽略,故不能用同一时刻的运行数据来表征动态运行状态下的NOx生成浓度。为有效表征锅炉的动态运行过程,以风煤调节的实际NOx生成响应时间为基准,在同一时刻数据的基础上,加入过去时刻的关键参数数据,用以表征运行NOx生成的风煤变化过程及其幅度。

影响NOx生成的主要因素是氧量和温度[20],在锅炉实际运行中,给煤量的变化总是伴随着风量的变化和氧量的波动,难以独立界定给煤量变化对NOx生成的影响,因此,将给煤量和风量的调整合并定义为风煤比(即总风量与给煤量的质量比)进行总体性分析。

同样,采用SR相关性系数法来分析风煤比变化时的NOx生成响应时间,NOx浓度已根据测量延迟时间完成修正,以图1所示的某工况为例,图中NOx生成质量浓度曲线明显滞后于风煤比的变化。由SR相关性系数分析得到图2所示曲线,由图2可知延迟时间为150 s,将NOx生成质量浓度曲线前移150 s后2条曲线趋势基本吻合。

图1 NOx生成质量浓度与风煤比的相关性

图2 不同前移时间的相关性系数

从锅炉运行历史数据中选取基本均匀分布于32%～100%负荷区间的共51组NOx生成质量浓度存在明显变化的数据,分析得到各自的生成响应时间,结果见图3。由图3可知,风煤比变化时NOx生成响应时间的平均值与中位值均在175 s左右,大部分数据处于105～235 s的区间内,总体范围约为1～5 min。

该厂家使用的牧羊公司全套膨化生产线，其配套调质器为新型组合调质器，调质时间为240～360 s，测试产品为乌龟料。在调质膨化工段前后取5组样，并测试样品的糊化度进行比较。这5组样品分别为：调质前（样品1），调质20 s左右（样品2），调质170 s左右（样品3），调质278 s（样品4），膨化颗粒成品（样品5）。使用三层组合调质器，可以使物料的淀粉糊化度达到85%以上，成品的淀粉糊化度达到96%以上。新型五轴组合调质器对调质时间的延长，对于膨化沉性料的品质提高起到了决定性作用。

图3 风煤比变化时的NOx生成响应时间

2 NOx质量浓度软测量模型构建

2.1 数据结构构建

常规的NOx生成质量浓度软测量模型通常建立在稳定工况基础上,为了提高软测量模型的在线实时可用性,亟需充分考虑NOx浓度测量的延迟时间和动态工况下的NOx生成响应时间。软测量作为1种数学计算过程,其关键点在于建模数据的准确性、全面性和数据结构的有效性。

(1) NOx浓度测量的时间修正

根据CEMS测量延迟时间的试验结果,将CEMS所测量的NOx、O2、CO浓度前移1 min。

(2) 当前时刻输入参数构建

当前时刻输入参数主要选取影响NOx生成质量浓度的工况参数。煤粉细度对燃烧进程及NOx生成有重要影响,而煤粉细度取决于磨煤机的投运及运行状态,选取6台磨煤机各自的给煤量、一次风量、出口风粉混合物温度及分离器挡板开度共24个参数作为表征。机组的负载状况同样影响燃烧整体进程,选取给水流量和供热流量2个参数作为机组负载状况的表征。配风方式与风量大小对NOx生成质量浓度有直接影响,选取前后墙各3层共36个燃烧器的中心风门开度、套筒风门开度(其中中心风门采取均等配风方式,每层燃烧器只取1个作为输入变量,套筒风门采取碗式配风方式,每层燃烧器只取3个作为输入变量)与前后墙各8个燃尽风喷口的套筒风门开度、中心风门开度及燃尽风量、总风量共58个参数作为配风方式和风量大小的表征。炉膛火焰的中心位置在一定程度上反映了炉膛的燃烧情况,选取过热器的减温水总流量和再热器的减温水总流量共2个参数作为炉膛火焰中心位置的表征。SCR入口处的氧量也是燃烧情况的重要表征之一,而氧量的测量值同样具有约1 min的延迟时间,故需进行数据匹配得到氧量的真实值作为输入参数。

我科实行PDCA循环管理后，教学效率相比往年明显提高。学生通过PDCA模式进行反复练习，增加了学生学习的主动性。在学习过程中，学生通过发现问题、查阅资料解决问题。对于部分查阅资料任不能解决的问题，经老师的指导学习可留下更加深刻的印象。这种学习模式不仅提高学生的学习效率，也提高了老师的教学效率。学生在实习期间掌握到更多、更牢固的知识。

(3)齿板锚固区牛腿效应明显，齿板与顶板交界处存在较大拉应力，在设计时宜从构造上采取措施减小应力集中，并配置足够的抗拉钢筋，确保结构不出现裂缝。当齿板锚固区预应力荷载较大时，建议适当增大齿板尺寸，锚点尽量靠近腹板及顶板，减小附加弯矩。

一直到十点，小龙准备睡了，辛娜来电话了。她解释说，今天上了老陆的当，说好的晚饭后就结束聚会，没想到大家又闹着去歌厅，歌厅出来又宵夜。辛娜说，人多，没听见电话声，再说，也不好意思拂了大家的兴。王树林说，老陆老陆又是老陆，你用得着死皮赖脸地贴着人家吗？他的兴不好拂，儿子的兴就拂得惬意？教育局怎么啦？没了他我儿子还不上高中了！辛娜不乐意了，说王树林你他妈的有病吧，老娘今晚就玩定了，不想过早点拉倒！辛娜那边就挂了电话，嘟嘟的忙音让王树林怄得不行。

式中:ρs为斯皮尔曼相关性系数;n为数据的数量;di为2个数据次序的差值。

从业标准是指对工作人员综合素质的考量，工程管理工作关系到建设项目工作人员的安危问题，对工程安全工作非常重要。安全工程管理人员的一个极小的疏忽，就可能会导致巨大的人员伤亡。在学习过程中要结合国家的从业标准，在日常学习中，添加国家的从业标准的知识技能考察。要规范学生的知识技能掌握，帮助学生建立完善的管理知识体系，更好的适应行业要求，在工作中尽可能的避免安全事故的发生，为他们从事安全工程管理工作奠定基础。

NOx的生成主要受风、煤调整的影响,包括给煤量,磨煤机投运方式、风量及其配置,锅炉负荷等。NOx的生成还存在约1～5 min的响应时间,鉴于响应时间较长,NOx的生成具有不容忽略的惯性特征,锅炉动态运行状态无法根据稳态工况下的数据集进行表征,因此在选择当前时刻参数作为输入变量的同时,将风、煤的过去时刻参数加入输入参数中,以表征影响NOx生成的关键变量的变化及其变化幅度,进而表征锅炉运行的动态工况。

受磨煤机运行特性的影响,煤调整的响应时间滞后于风的调整,因此选择1 min、3 min、5 min前时刻的磨煤机给煤量数据对煤的变化进行表征;选择1 min、2 min前时刻的磨煤机一次风量、总风量和燃尽风量数据对风的变化进行表征;选择1 min、2 min前时刻的给水流量数据间接对炉膛温度的变化进行表征。

(4) NOx生成质量浓度基准值的表征

不同锅炉的NOx生成质量浓度的基准值存在一定差异,锅炉某些设备的变化(改造、维护等)也会影响NOx生成质量浓度。此外,煤种的切换、环境的变化等都有可能影响NOx的生成质量浓度,然而环境变化属于缓变过程,煤种切换受漏斗形煤仓流动特性的影响,原煤实际进入磨煤机也为界限不分明的缓变过程。因此,将上述特性综合融入到NOx生成质量浓度基准值中。选择1 min前的SCR入口NOx质量浓度(即CEMS实测的当前SCR入口NOx质量浓度)作为输入变量。此设计的最大益处在于使软测量的NOx生成质量浓度在数值上始终保持在真实值基准,提升软测量模型的可用性。

(5) 输出参数

输出参数为经测量延迟时间修正后的SCR入口NOx质量浓度,即1 min后的CEMS测量值。

2.2 建模与优化算法

近年来，各行各业掀起了一股“岗位练兵”热潮，煤炭行业也非常重视，各单位纷纷开展了多形式的“练兵”活动。但在岗位练兵活动的实际开展中，并不是所有的人都持赞成态度，有的人认为：为什么要搞这些活动？现在工作这么辛苦，哪有时间、哪有精力？其实不然，开展岗位练兵活动主要有以下几方面的意义：能弥补工作中存在的不足。培训是岗位练兵活动内容之一，对员工按照各自岗位的不同，进行不同的学习培训，有理论的，有实践的，通过培训，对员工业务素质会有很大的提 高，可以发现自身存在的不足，使员工意识到学习的重要性，并在以后的工作中对发现的问题及时进行学习、探讨和改进，达到“干什么、练什么、缺什么、补什么”的目的。

考虑到所选取建模算法的超参数均较少,选用在低维空间表现优秀的贝叶斯优化(Bayesian optimization,BO)算法对其进行优化。BO算法是一种使用贝叶斯定理来指导搜索以找到目标函数极值的方法[25],将已迭代的参数信息作为先验,找到下一个评估位置,从而达到减少搜索时间、提升算法效率的目的。

用于补充维生素C——每天50～100mg。我一般一天吃一粒，有时候忘了吃也无所谓，如果口腔溃疡，我会吃两粒直到痊愈。

2.3 数据集

训练集为从分布式控制系统(distributed control system,DCS)导出的所需要的历史运行数据,时间间隔为1 min。历史运行数据包含了自动发电控制(automatic generation control,AGC)运行下的全负荷范围(240～665 MW)工况、正交试验的稳态工况及其调节过程的数据。

正交试验的设计目的是为了训练数据集能够尽可能覆盖全工况,从而实现模型的全工况预测。在330 MW、500 MW和660 MW 3个负荷段下,分别对燃烧器中心风门配风方式、燃烧器套筒风门配风方式、燃尽风套筒风门配风方式、磨煤机分离器挡板开度、风煤比、燃尽风率和二次风量等参数进行正交工况设计,结果见表3～表6。

表3 正交热态试验工况

表4 燃尽风套筒风门开度

表5 燃烧器套筒风门开度

表6 燃烧器中心风门开度

测试集为从DCS系统中导出的训练集时间段外的AGC运行下的历史运行数据,时间间隔为5 s。

训练集和测试集的数据概况见表7。

表7 数据集概况

2.4 评价指标

评价指标采用均方根误差(RMSE)、平均绝对误差(MAE)、平均绝对百分比误差(MAPE)和决定系数(R2),其计算公式见式(4)～式(7)。

(4)

(5)

(6)

(7)

①入选患者均符合中国2型糖尿病诊治指南[2]（2013版）中定义的2型糖尿病诊断标准，空腹血糖（FPG）≥7.0 mmol/L，餐后2 h血糖＞11.1 mmol/L的2型糖尿病患者。②患者表示知情同意，愿意参加本研究。

3 结果分析与应用

3.1 动态工况的表征效果分析

为同时验证所提出的动态工况表征的有效性与不同算法的适用性,分别构建有、无动态工况表征参数和NOx生成质量浓度基准值表征参数的2种数据集,分别简称为D1和D2,2种数据集均已进行NOx生成质量浓度测量延迟时间修正,经过D1和D2训练的模型分别简称为动态模型与稳态模型。采用XGBoost、GBDT、LightGBM和RF算法分别对2种数据集进行建模,测试集计算结果见图4和表8。

在新生儿养育室出现的爆发病例，常起因于无症状的携带产毒株金黄色葡萄球菌的看护员和父母。因此需要严格的感染控制措施，包括隔离患者，隔离护理及洗手。筛查程序可鉴别患者与接触者中的金黄色葡萄球菌携带者，包括卫生保健人员。携带者需外用消毒剂，鼻部携带者可通过局部使用抗菌药物根除。

(a)

表8 不同软测量模型性能结果

将烟气分析仪及其测量管路与NO标气瓶连接,管路系统及气体流量与现场试验一致,打开标气瓶阀门直至NO浓度基本恒定,得到烟气分析仪测量系统的测量延迟时间td2。

3.2 不同算法的建模结果分析

为验证模型的泛化性能与精度,分别对基于D1、D2数据集训练的XGBoost、GBDT、LightGBM和RF模型的软测量结果进行多项误差指标分析。为作图方便,将XGBoost简写为XGB,将LightGBM简写为LGB,结果如图5和图6所示。其中,图5(f)和图6(f)中 “>0.5%”表示软测量值与CEMS测量值之间相对误差的绝对值>0.5%的数据点数占测试集总数据点数的百分比,“>1%”和“>2%”的解释类似。

图5 D1数据集不同模型的评价指标

图6 D2数据集不同模型的评价指标

测试集是一段同时包含增减波动的长时数据集,综合图4和图5可知,在数据集D1训练下,XGBoost算法模型相较其他模型明显表现出更佳的软测量效果,各项误差指标均达到最小,除在2处曲线急剧变化的位置存在短时偏差以外,其余时刻的软测量值曲线与NOx真实值曲线几乎完全一致,软测量延迟时间由CEMS测量的60 s减至10 s。GBDT与LightGBM算法模型的软测量延迟时间均为15 s,但各项误差均较大,模型的精度偏低。RF算法模型虽然也呈现出良好的精度,多项指标接近XGBoost算法模型,但在延迟时间方面的改善效果最差,综合效果仍然不够理想。上述分析表明,XGBoost算法模型在D1数据集训练下具有最佳的软测量精度。

综合图5和图6可知,同一算法下,采用数据集D2训练而成的模型的RMSE、MAE、MAPE均显著增大,且R2的值均低于0.90,其中RF算法模型的R2更是降至0.72以下,模型的综合性能较差。上述结果进一步验证了加入动态表征参数的数据集对模型精度改善是有效的。

3.3 软测量模型的应用与效果

根据对比分析结果,采用XGBoost算法模型作为SCR入口NOx质量浓度软测量模型,将软测量模型布置在外部服务器与DCS系统进行实时数据交互,以实现SCR脱硝系统喷氨优化。在DCS喷氨控制逻辑上,将软测量值与CEMS测量值的差值作为SCR喷氨前馈的偏置值,采用偏置值模式一方面减少原喷氨控制逻辑的改动量,另一方面有利于简化喷氨优化系统的启停模式并保证运行安全性。

喷氨优化在660 MW超临界机组上投入了应用,选取投运前后各4天的数据集对应用效果进行检验,时间跨度分别为2021-12-02—2021-12-06与2021-12-09—2021-12-13(间隔的3天为调试时间),其中采集时间间隔为10 s。图7和图8分别为投运前后喷氨质量流量曲线。图9和图10分别为投运前后的烟囱总排口NOx排放质量浓度曲线。

图7 投运前的喷氨质量流量曲线

图8 投运后的喷氨质量流量曲线

图9 投运前的NOx排放质量浓度曲线

图10 投运后的NOx排放质量浓度曲线

结合图7和图8可知,投运后喷氨质量流量曲线上的“毛刺”现象显著减少,流量波动的幅度呈现更为明显的减小趋势,表明喷氨阀门的动作更加平稳。

结合图9和图10可知,NOx排放质量浓度曲线总体变化趋势与喷氨质量流量曲线基本一致。在喷氨优化前的4天里NOx排放质量浓度波动幅度超过60 mg/m3的情况共有5次,振动幅度最大时接近100 mg/m3。在喷氨优化后的4天里,NOx排放质量浓度波动幅度均未超过60 mg/m3,较投运前波动幅度显著降低。值得注意的是,除了大幅的“毛刺”外,小幅波动的幅度更是得到明显改善,曲线表现为更加“收拢”,表明喷氨优化具有明显效果。

4 结 论

(1) 脱硝系统CEMS测量延迟时间约为1 min,锅炉风、煤调节时NOx生成的响应时间总体范围约为1～5 min,以此为依据,对CEMS测量的NOx质量浓度进行时间修正,并建立了通过前一或多个时刻的运行数据来表征锅炉动态工况的软测量模型数据结构。

(2) 通过锅炉燃烧调整正交试验,获得了影响NOx生成质量浓度的关键调控设备的全可调范围运行数据,结合常态AGC动态工况下的运行数据,构成了更为全面的历史数据。

随着蒙西电力公司电力营销体制改革的不断推进[7]，大营销大服务平台的建设和发展也逐步向各下级盟市供电企业延伸和下探，逐步推进电力营销由后台向前台的转变。同时，各供电企业也在电力营销方面进行了诸多改革，以营销管控系统为平台，充分发挥资源和数据优势，不断推陈出新，完善客户服务方式，改善供电服务水平，提高电力企业的经济效应。

(3) 将BO优化算法和XGBoost等多种建模算法相结合,建立了NOx生成质量浓度软测量模型,对比分析得出动态工况表征的软测量模型具有理想的跟随性和准确性,且XGBoost软测量模型具有更优的综合性能。

(4) 将XGBoost软测量模型应用于某660 MW超临界机组,投运前后数天的数据对比表明,喷氨质量流量曲线和NOx排放质量浓度曲线中大幅的“毛刺”现象显著减少,小幅波动的幅度更是得到明显改善,曲线更加“收拢”,可以有效提升脱硝系统运行稳定性和锅炉运行安全性。