基于RBF神经网络的燃煤火电机组脱硝自动控制

2023-11-25何志瞧梁龙飞

机械与电子 2023年11期

何志瞧,李敏,梁龙飞

(1.浙江浙能兰溪发电有限责任公司,浙江金华 321100;2.北京华电天创智能控制技术有限公司,北京 102200)

0 引言

现阶段,人们环保意识逐渐加强,燃煤火电机组排放至大气中的氮氧化物受到广泛关注。氮氧化物经过物理与化学作用后,会污染大气环境[1-3],对人们生产与生活造成不利影响。脱硝装置是目前处理燃煤火电机组排放的氮氧化物的重要设备,能够有效排出氮气与水,缓解大气污染问题。为进一步提升氮氧化物的处理效果,需研究脱硝装置控制方法[4]。张金营[5]利用γ增量型阶梯式广义法,预测控制火电机组脱硝,结合相位补偿策略提升脱硝控制效果,该方法可有效控制火电机组脱硝,降低出口烟气NOx浓度;王天堃[6]利用神经网络控制火电机组脱硝,结合动态矩阵控制算法,提升神经网络泛化效果,利用该网络实现脱硝控制,该方法可有效控制火电机组脱硝。但这2种方法均需按照全局的样本数据设置初始值,而参数设置过程较为烦琐且数据量较大,影响控制效果。RBF神经网络具备收敛效率高、近似随机非线性函数等优势,应用效果较优。为此,研究基于RBF神经网络的燃煤火电机组脱硝自动控制方法,提升自动控制效果,以期解决大气污染问题。

1 燃煤火电机组脱硝自动控制

1.1 燃煤火电机组脱硝装置

燃煤火电机组脱硝装置如图1所示。

图1 燃煤火电机组脱硝装置

通过烟气省煤器旁路挡板,控制燃煤火电机组脱硝装置的温度,利用控制阀控制喷氨量,并与烟气混合后,送入反应区,在催化剂作用下产生催化反应[7-8],转换烟气内的NOx,获取无害的氮气与水蒸气,实现烟气净化。

当喷氨量较多时,副反应速度变快,再次产生NOx,降低燃煤火电机组脱硝效率。同时还会与SO3发生反应,产生(NH4)2SO4[9],留在催化剂表面,堵塞其通道,还会腐蚀空预器受热面,提升氨气逃逸率,造成二次污染[10-11]。

利用RBF神经网络,设计燃煤火电机组脱硝自动控制方法,严格控制喷氨量,确保脱硝效率较快,以期将氨量逃逸率控制在合理区间。

1.2 基于RBF神经网络的脱硝自动控制

利用RBF神经网络,自动控制燃煤火电机组脱硝,令RBF网络的输入是X=[X1,X2,X3,X4]=[x(t),u(t),T(t),P(t)],其中,x(t)为t时刻燃煤火电机组脱硝入口烟气NOx浓度;u(t)为t时刻喷氨量;T(t)为t时刻燃煤火电机组脱硝烟气入口温度;P(t)为t时刻燃煤火电机组负荷。

假设隐含层H的径向基函数中心为C,阈值为b1=[b11,b12,…,b1Q]。

H的输出为

(1)

δ2为输出的方差;xi为第i个向量,记作R=[r1,r2,…,rQ];bi为阈值。

(2)

φ(·)为非负非线性函数;y(t)为燃煤火电机组脱硝喷氨量。

1.3 基于敏感度法的脱硝自动控制优化

利用敏感度法(sensitivity analysis,SA)优化RBF网络结构,分析输入值对其相应输出值的影响,以给定值为目标更新输入值,以输入值符合燃煤火电机组脱硝自动控制期望为止[12]。

SA的原则是分析RBF的H与输出层间的关系,自我分裂获取对输出值y(t)影响较大的神经元,去掉对y(t)无影响的神经元,完成RBF神经网络结构自动修正。

RBF网络学习过程中的样本为(X,Y),第i个样本输入与输出向量为xi、yi;样本数量为Q。令RBF网络展开Q组样本学习,最终获取一个存在Q个节点的H。SA将H输出的值R为输入量,量化H输出对RBF输出形成的影响,公式为

(3)

rh为SA法的第h个神经元输入;S(h)为whφ(rh)对输出y的灵敏度;wh为第h个神经元权重;R=whφ(rh)时,y的值为E(y|R=whφ(rh));λ为量化系数;Vh为rh的方差;V(y)为y的方差。

假设傅里叶变换whφ(rh)的取值区间是[αh,βh],公式为

(4)

z为傅里叶变换系数;fh为第h个神经元最佳频率。经过傅里叶变换后RBF的输入为

(5)

F(z)为傅里叶变换函数;fj″为第j″个输出层神经元最佳频率;z∈(-π,π)。

因此,可得

(6)

因为傅里叶变换的输入参数不存在耦合效应,所以求解S(h)时仅选择基频中的傅里叶振幅,降低迭代次数,则式(6)变更为

(7)

利用SA优化RBF网络结构的性能评价指标函数为

(8)

具体步骤如下:

a.利用已知燃煤火电机组脱硝相关参数组建的样本X,训练RBF网络,H中的神经元数量为Q。

b.初始训练结束,确定H输出的极值。

d.扩展h内神经元,阈值为ε;若第h个神经元在t时刻,形成Gh,max,同时在Gh≥ε情况下,神经元符合条件,开始分裂,那么新分裂出的第h+1个与第h个神经元初始参数为

(9)

wh(t)、wh+1(t)分别为第h个、第h+1个神经元权值;常数ξ∈(0,0.4);Ch(t)、Ch+1(t)分别为t时刻第h个、第h+1个神经元的径向基函数中心;σh(t)、σh+1(t)为径向基函数宽度。

e.确定神经元剔除方法,若H内第h个神经元在t时刻出现最小Gh,同时在Gh<ε情况下,去掉该神经元,与第h个神经元欧氏距离最近的神经元设置成hh,那么去掉第h个神经元后,第hh个神经元的公式为

(10)

rhh为输入。

f.修正H内神经元的C、σ与w,以梯度下降法作为修正方法,公式为

(11)

gC、gσ、gw分别为C、σ与w的学习速率;γ为修正系数。

g.达到期望误差时结束算法,完成RBF网络结构自动修正,在自动修正后的RBF网络内,输入燃煤火电机组脱硝相关数据X=[X1,X2,X3,X4]=[x(t),u(t),T(t),P(t)],输出燃煤火电机组脱硝喷氨量[13-15],结合脱硝喷氨量完成燃煤火电机组脱硝自动控制。

2 实验分析

以某省第3热电厂2×300 MW燃煤火电机组脱硝装置为实验对象,该脱硝装置型号是HG-1025/17.5-TM11。该燃煤火电机组脱硝装置入口处烟气量在1.89×106m3/h左右,烟气温度为380～430 ℃,令煤中元素氮含量是1.16%,最低脱硝率75%,最大出口NOx浓度为50 mg/m3,最大喷氨量为340 kg/h,最大氨气逃逸量为0.6 mg/m3,最大SO2/SO3转化率为1%,利用本文方法自动控制该燃煤火电机组脱硝装置。

在燃煤火电机组负荷匀速变化时,利用本文方法自动控制该燃煤火电机组脱硝装置,分析本文方法的自动控制效果,分析了燃煤火电机组负荷,具体如图2所示。

图2 燃煤火电机组负荷

应用本文方法自动控制前后,该脱硝装置的出口NOx浓度、喷氨量、氨气逃逸量和脱硝率变化情况如图3～图6所示。

图3 出口NOx浓度

图5 氨气逃逸量

图6 脱硝率

根据图3～图6可知,在负荷匀速变化时,应用该方法后,脱硝装置出口NOx浓度有所下降;应用本文方法前的喷氨量波动幅度较大,应用本文方法后可降低喷氨量及波动幅度;应用本文方法后还可有效降低脱硝装置的氨气逃逸量;应用本文方法后能够有效提升脱硝率,令该脱硝装置的脱硝率迅速升至96%左右,明显高于应用前。实验表明,应用本文方法自动控制燃煤火电机组脱硝后,可有效降低脱硝装置出口NOx浓度、喷氨量和氨气逃逸量,并提升脱硝率。

在燃煤火电机组存在负荷扰动时,分析本文方法自动控制燃煤火电机组脱硝的效果,分析结果如表1所示。

表1 不同负荷扰动时本文方法的脱硝自动控制效果

根据表1可知,在不同负荷扰动时,本文方法仍然能够有效自动控制燃煤火电机组脱硝,随着负荷扰动的增加,出口NOx浓度、喷氨量、氨气逃逸量和SO2/SO3转化率均随之增长,脱硝率随之下降;当负荷扰动达到160%时,出口NOx浓度、喷氨量、氨气逃逸量、SO2/SO3转化率与脱硝率均趋势稳定,出口NOx浓度、喷氨量、氨气逃逸量、SO2/SO3转化率均未超过最大值,脱硝率也大于设置最低值,说明本文方法具备较优的脱硝自动控制效果。