电站锅炉采用选择性催化还原脱硝装置控制策略优化及应用分析

2018-07-13王福珍刘锁清

山西电力 2018年3期

王福珍，刘锁清

（山西大学动力工程系，山西太原 030001）

0 引言

目前，大型火电机组普遍采用了选择性催化还原 SCR（selective catalytic reduction）脱硝装置，负荷波动、设备启停、自动发电控制及一次调频的投运、煤质变化等原因将产生燃烧过程变化。随着国家对环保标准提高，新的氮氧化物排放标准得到严格执行[1-2]，SCR出口氮氧化物NOx浓度值越低，氨逃逸会越严重，逃逸氨容易在220～260℃温度范围内形成具有粘性的硫酸氢铵ABS（ammonium bisulfate），会对催化剂层和空气预热器造成危害，严重时危及机组安全运行[3-4]，近年来已有大量文献报道。

SCR装置运行时NH3和SO3的摩尔比是生成的ABS形成的主要原因；另外，NH3和SO3的浓度也是重要因素，一般认为氨逃逸量在2 μL/L以下不会生成ABS，运行时尽量不要超过32 μL/L[5]。

目前，众多科研工作者对SCR喷氨控制策略进行了大量研究工作，金秀章[6]等研究了加权多模型自适应控制策略对NOx浓度进行控制，秦天牧[7]等利用多尺度核偏最小二乘法建模，与预测控制方法结合进行了研究，刘静伟[8]等采用模糊Smith预估进行了优化研究，谈晨伟[9]等针对脱硝系统普遍存在的约束，给出求解方法，并将区间控制思想引入到预测控制进行了研究。

1 SCR烟气脱硝系统

某电厂660 MW超临界机组SCR烟气脱硝工艺系统如图1所示。液氨由氨存储器流入蒸发器中蒸发为30℃左右的氨气，经过缓冲罐稳压后与稀释风机送入的空气混合，再经过喷氨控制阀调整氨流量后经喷嘴喷出，与烟气充分混合。混合气体在一定温度范围内，在催化剂作用，发生选择性催化还原反应，生成环境友好的氮气和水，达到脱硝的目的。

图1 SCR脱硝工艺系统示意图

喷氨量的多少成为影响脱硝效率的主要因素：喷氨过少，导致烟气中NOx反应不足，排放超标；喷氨过多，增加反应器中氨浓度，提高副反应速度，影响脱硝效率；同时过量的NH3与SO3反应生成ABS，使得催化剂失活、堵塞，从而降低脱硝效率，严重时危及机组安全运行；此外，过量的氨逃逸排出也将形成污染。

SCR反应机理复杂，传统的比例微分积分PID(proportion integral differential)控制器控制效果不能满足运行环保要求，需要对控制系统优化设计，满足脱硝效率的同时尽量减少控制喷氨量，提高不同负荷下及负荷波动时NOx控制品质，达到环保要求，减少氨逃逸，缓解催化剂和空气预热器堵塞。

2 SCR智能喷氨控制系统介绍

2.1 控制策略系统

SCR系统喷氨控制的难点在于氨摩尔量的准确测量，主要原因是烟气量不易直接准确测量，通常通过锅炉燃烧侧状态量数据计算得到。为克服测量信号存在的滞后性，通过空气流量快速检测负荷变化；计算出的NOx流量乘以摩尔比即为所需氨量；净氨气的质量流量通过喷射母管测得的体积流量经温度、压力修正获得；负荷变化预喷氨控制由于脱硝系统存在明显的NOx反应器催化剂反馈滞后和NOx分析仪响应滞后的问题，控制回路中加入大负荷变化预喷氨气措施。总之，控制策略将预测、神经网络、前馈、反馈等多种方法融合，适应NOx与喷氨之间多工况，大迟延的控制系统[10]，如图2所示。

图2 智能综合控制方案

2.2 BP神经网络建立NOx排放模型

锅炉是一个多入、多出的具有黑箱特性非线性系统，各变量之间耦合性强，燃烧系统每个参数的变化都会对锅炉运行产生影响，各种因素会互相交错，很难用常规数学方法进行建模。BP神经网络可以模拟锅炉燃烧系统多影响因素与NOx浓度之间的关系，对BP神经网络的改进，可提高泛化能力，然后与粒子群寻优算法结合，更好地对锅炉燃烧系统优化。基于BP神经网络的锅炉NOx排放特性模型结构如图3所示，选用3层的BP神经网络建立模型，输入变量经过运行历史数据挖掘分析对NOx浓度影响较大的因素。x1、x2、x3为输入层NOx排放质量浓度节点，y1、y2、y3为输出层NOx排放浓度节点。输入、输出层变量如表1所示。

图3 3层BP神经网络结构

2.3 模型精度评价

模型精度评价指标采用均方根误差RMSE（root mean square error） RRMSE进行评价，计算公式为

表1 输入和输出层变量

其中，yi为测量值，yj为预测值，n为预测样本个数[11]。其预测和评价指标可以达到2.8 mg/m3，具有较高的精度，同时具有较强的学习和泛化能力。

2.4 智能控制方案实现方式

对生成的智能综合控制方案程序化，形成控制软件并离线调试，取得仿真结果。由于喷氨系统被控对象参数具有不确定性，动态延迟特性，分散控制系统DCS（distributed control system）组态无法实现复杂的控制算法，采用独立的可编程逻辑控制器PLC（programmable logic control）外挂设备实现喷氨控制程序，外挂设备与DCS通讯连接，控制输出通过DCS实现喷氨指令，同时外挂系统与原控制系统无扰切换，设计为安全过渡，两个控制系统之间投入和切除简单方便，以保障机组安全运行，如图4所示。

图4 SCR喷氨智能控制实施方案

3 智能喷氨控制应用结果和分析

SCR喷氨智能综合控制系统在某660 MW机组脱硝系统上实际应用，结合应用情况对控制结果进行分析。

3.1 通讯安全设计及实现

PLC与DCS通过通讯进行数据交换，为运行安全，保留原设计方案，当通讯故障时，系统自动无扰切换回原控制方式。PLC侧使用CPU上的COM口进行通讯，其支持工业标准的MODBUS232从站通讯协议。在2个接口之间增加了1个MODBUS485转MODBUS232转换器，从而实现支持两种通讯协议的端口之间的互联。

3.2 原控制方案运行结果

原控制方案设计运行时候存在以下问题。稳定负荷状态，氨耗量计算不准确，排放浓度差异较大，氨逃逸严重。通过实际运行数据追踪，负荷稳定运行330 MW时，脱硝效率分别为54%，出口NOx排放浓度则分别为55 mg/m3，距离排放要求值100 mg/m3有较大差距，过喷氨严重，加剧空气预热器堵塞，也造成二次氨污染排放。

变负荷运行时，氨耗量计算不能及时跟上脱硝出口NOx浓度变化。负荷变化过程中NOx浓度变化幅度比较大，如图5所示。

图5 原控制方案变负荷时运行曲线

从图5中可以看出，负荷从400 MW降到330 MW过程中，NOx排放浓度从70 mg/m3骤然升高到104 mg/m3，表明在原控制策略系统下NOx排放浓度受负荷变化影响剧烈。

NOx排放浓度信号作为反馈没有参与闭环控制，SCR出口NOx排放变化范围宽，受锅炉侧运行参数影响大，不利于经济环保运行。通过实际运行数据追踪，负荷稳定运行330 MW、576 MW时，脱硝效率分别为54%、55%，出口NOx排放质量浓度则分别为55 mg/m3、70 mg/m3。

3.3 智能控制运行结果及分析

重新设计负荷修正系数，引入反馈，在小范围内对尿素需求量进行修正，脱硝效率设置为60±5%范围内，变负荷时引入一些燃烧侧参数提高响应速度，达到了运行控制预期。

负荷运行在330 MW、450 MW、650 MW时，脱硝效率均设置为60%，SCR出口NOx排放质量浓度则分别为80～85 mg/m3，均方根误差为7.8 mg/m3。主要利用神经网络对各稳定负荷运行时NOx生成浓度以及烟气流量软测量结果计算比较准确，从而及时获得比较准确的喷氨需求量，结合反馈、前馈的综合智能优化控制系统使得NOx排放浓度保持稳定。

变负荷运行在500～660 MW、660～450 MW时，人工手动小幅干预（脱硝效率变化2%～3%），SCR出口NOx排放质量浓度则分别为80～100 mg/m3，实现自动投入运行。

图6 升负荷NOx随负荷变化曲线

从图6可以看出，负荷从500 MW升高到660 MW过程中，运行人员小幅干预，脱硝变化率为3%，负荷升高过程中NOx排放浓度先升高再降低。主要是升负荷时锅炉参数变化对NOx生成有影响，负荷变化作为扰动信号作用到喷氨量，喷氨动作滞后性使NOx浓度升高，而快速反馈使喷氨略微过量，NOx浓度降低，最终随着负荷稳定，NOx质量浓度最后稳定在93 mg/m3左右，其过程中计算均方根误差为8.9 mg/m3。

图7 降负荷NOx随负荷变化曲线

从图7可以看看出，负荷从660 MW降低到500 MW过程中，运行人员小幅干预，脱硝变化率为3%，负荷升高过程中NOx排放质量浓度先降低再升高，且波动幅度较大。主要是降负荷参数扰动使喷氨量增加，NOx质量浓度从93 mg/m3升高到84 mg/m3，而负荷降低过程中NOx生成量减小，喷氨量减小速率小于NOx生成速率，使NOx质量浓度升高；因为引入锅炉燃烧侧参数做反馈，降负荷时燃烧侧参数变化幅度大，所以导致NOx质量浓度波动幅度大，其过程中计算均方根误差为9.4 mg/m3。

负荷频繁变化运行在660 MW～450 MW～600 MW时，升降负荷过程中NOx，如图8所示。