基于多变量广义预测控制算法的脱硝优化研究及应用.pdf

基于多变量广义预测控制算法的脱硝优化研究及应用张晓东1，王鹏飞2，刘乐21. 中国国电科技环保集团公司，北京 100761；2. 北京国电智深控制技术有限公司，北京 100085摘 要大型火力发电机组脱硝系统被控对象具有大迟延、大惯性、受干扰因素多以及不同负荷下的被控对象模型变化大等特性，传统的PID控制不能满足控制要求。为解决这一问题，利用递推最小二乘法（recursive least square，RLS）建立了脱硝系统多变量模型，并基于多变量广义预测控制构建了脱硝系统优化控制策略，同时将该策略应用于某电厂330 MW亚临界机组。实践结果表明无论是稳态工况还是复杂的变负荷工况，脱硝优化控制策略都能够很好地控制脱硝系统出口NOx浓度，大大降低了NOx浓度的波动，减少了尿素使用量，实现了脱硝系统稳定经济运行。关键词火力发电机组；脱硝系统；优化控制；多变量广义预测控制；出口NOx中图分类号 TK223.7；TM621.9；X701 文献标志码 A DOI 10.11930/j.issn.1004-9649.2019010090 引言当前，中国的电力能源结构中火电比例依旧占60以上，以煤为主的一次能源格局在相当长的时期内难以改变，决定了火力发电仍将承担国内电力供应的主要角色。同时，生态环境的保护日趋严格，火力发电节能减排工作的重要性愈发凸显，任务也更加艰巨。NOx排放量是火电机组烟气污染物排放的主要严控指标。根据环保部门的排放要求，火电机组NOx的排放质量浓度不得超过50 mg/m3。因此，迫切需要研发出一套高精度的脱硝优化控制策略，以确保火电机组氮氧化物排放达标。脱硝系统的研究重点在于，如何利用精准的控制策略来控制喷氨量，以提高脱硝效率和减少氨逃逸率[1]。近几年来，脱硝控制越来越受到人们的重视。文献[2]提出了一种带死区的无模型自适应控制策略用于脱硝优化控制，并进行了仿真试验研究。文献[3]提出了一种SCR脱硝定值控制策略，并利用PSO算法对参数进行寻优，相较于传统的串级PID，其能更好地抑制内扰。文献[4-5]提出基于神经网络实现自适应的控制策略，但神经网络计算速度慢，无法满足实时控制的要求。文献[6]提出了多模型自适应控制与MD-TDOF-PID控制相结合的控制策略，并进行了仿真实验，取得了不错的仿真效果。文献[7]提出了专家模糊控制策略并将其应用于脱硝控制，但该策略需要根据现场专家经验来设定规则，不具有普遍的应用价值。文献[8]采用前馈与PID相结合的控制策略，并在1 000 MW机组上进行了应用。文献[9]使用单变量广义预测控制对脱硝系统进行优化，实际应用中取得了不错的效果，但其在机组变负荷过程中的控制效果不是十分理想。文献[10]提出了一种SCR Control系统模型，可有效改善SCR脱硝系统的控制特性，满足超低排放的要求。本文基于递推最小二乘法（recursive leastsquare，RLS）构建了脱硝系统多变量模型，在此基础上运用多变量广义预测控制技术设计了脱硝系统优化控制策略。该控制策略已于2018年7月投入稳定运行。与原有的PID控制效果进行相比，新的控制策略提高了脱硝系统出口NOx的控制精度，减小了波动幅度和喷氨流量，提升了脱硝系统的稳定性和经济性。1 脱硝系统及其模型在线辨识1.1 脱硝系统某电厂330 MW亚临界机组SCR烟气脱硝系统结构如图1所示。收稿日期2019−01−13； 修回日期2019−04−30。第 52 卷 第 10 期中国电力Vol. 52, No. 102019 年 10 月ELECTRIC POWER Oct. 2019178SCR脱硝工艺采用选择性催化还原方法，SCR脱硝系统（以下简称SCR）反应机理复杂，且影响出口NOx浓度的变量较多，常规控制器的控制效果不理想，拟设计更优的自动控制系统控制喷氨量，以最合理的喷氨量保证脱硝效率，提高控制精度。1.2 脱硝系统模型在线辨识最小二乘算法[11]是系统辨识中参数估计的最基本方法。递推最小二乘算法应用最广，与一般最小二乘方法相比，它不需要大矩阵求逆运算，计算量小、计算速度快且收敛速度快，可实时在线应用。根据实际工程经验以及理论分析，SCR入口NOx浓度、喷氨流量以及烟气流量的变化都会对脱硝系统出口NOx浓度产生较大影响，因此将SCR入口NOx浓度、喷氨流量、烟气流量作为输入量，将SCR出口NOx浓度作为输出量，对模型进行辨识。选取机组负荷160330 MW的历史运行数据，采样间隔为5 s，剔除异常值数据后，将40 000组数据作为样本[12]，其中36 000组为训练数据，4 000组为测试数据。SCR脱硝模型测试结果如图2所示。通过辨识得到SCR入口NOx浓度与SCR出口NOx浓度的传递函数模型为Gs 032889441s113541s18829s1e 30s（1）喷氨流量与SCR出口NOx浓度的传递函数模型为Gs 0688872s110715s13405s1e 468s（2）烟气流量与SCR出口NOx浓度的传递函数模型为Gs 053689042s111911s11065s1e 406s（3）利用均方根误差（root mean square error，RMSE）以及平均绝对百分比误差（mean absolutepercentage error，MAPE）对模型的准确度进行评价，其公式为RMSEvuuut n∑i1yi ˆyi2n（4）MAPE 1nn∑i1yi ˆyiyi（5）yi ˆyi式中表示实际值；表示模型计算输出；n为样本数量。经过计算，可得多变量模型的NOx质量浓度均方根误差为4.926 mg/m3，平均绝对百分比误差为9.13。这一结果表明，该脱硝多变量模型具有较高的精度，可作为该脱硝系统的模型。2 多变量广义预测控制优化策略2.1 多变量广义预测控制算法广义预测控制算法（generalized predictivecontrol，GPC）[13-14]作为一种源于工业实践而产生的控制算法，一经提出就受到各界的广泛重视，氨气站氨气稀释空气混合器省煤器出口来烟气NOxNH3N2H2O去空气预热器吹灰器SCR 催化剂图 1 SCR烟气脱硝系统结构示意Fig. 1 Structural diagram of SCR flue gasdenitrification system4030555045356560703 0000 1 000 2 000 4 000SCR 出口NOx 质量浓度/mgm−3测量样本个数实际测量值；模型计算输出图 2 SCR脱硝模型测试结果Fig. 2 Test results of SCR denitrification model第 10 期 张晓东等基于多变量广义预测控制算法的脱硝优化研究及应用179现已广泛应用于各行各业[15-20]，但由于SCR系统反应机理复杂，影响脱硝系统出口NOx浓度的影响因素比较多，简单的PID控制或单变量广义预测控制往往无法满足控制要求，因此本文基于多变量广义预测控制算法设计了脱硝优化控制策略。采用多输入多输出CARIMA模型[21]，表示为Az 1yk Bz 1uk 1 k∆（6）Az 1 Bz 1 na nb z 1yk ukk ∆ ∆ 1 z 1式中、为、阶的的多项式；为m维的系统输出；为p维的系统输入；为m维的系统噪声；为差分算子；。其中Az 11A1z 1 Anaz na（7）Bz 11B1z 1 Bnbz nb（8）Ai m m Bi m p式中是一个维的矩阵；是一个维的矩阵。假设控制系统的目标函数为J N∑j1jjyk jjk ydk jjj2ImNu∑j1jj △uk j 1jj2 （9）yk jjk yk diag 1; ; p i≥0式中是的第j步预测；为半正定矩阵，通常取，。ydk j是设定值的柔滑向序列，由式（10）产生。{ ydk ykydk j ydk j 1Im yrk;j1; ;N（10） diag 1; ; m 0≤ i＜1 yrk式中，；是一个m维设定值向量。引入矩阵丢番图方程组I Ej∆Az jFj j1;;N（11）EjBGjz jHj j1;;N（12）式中Ej E0E1z 1 Ej 1z j 1（13）Fj F0F1z 1 Fnaz na（14）Gj G0G1z 1 Gj 1z j 1（15）Hj H0H1z 1 Hnb 1z nb 1（16）Ei Fi Gi Hi p m式中和为m维的方阵；和为维的方阵。定义Y 0BBBBBBBBBBByk1jkyk jjk1CCCCCCCCCCCAm N;∆Uk0BBBBBB∆uk∆ukNu 11CCCCCCAp Nu则可得预测方程为YkG∆UkY0k（17）Y0k Fjz 1ykHjz 1∆Uk 1（18）式中G266666666666666666666666666664G0 0 0G1 G0 0 0GNu 1 GNu 2 G0 GN 1 GN 2 GN Nu377777777777777777777777777775（19）2.2 脱硝优化控制策略基于多变量预测控制设计了脱硝优化控制策略；针对该机组因煤质差经常发生断煤及堵塞磨煤机（简称磨）等情况，根据机组实际运行中不同磨组的断煤以及堵磨对脱硝控制系统的影响规律，在控制系统中加入了断煤及堵煤的判断信号，并将该信号加入前馈中，以有效抑制磨煤机在断煤及堵磨后脱硝系统出口NOx浓度大幅波动的情况，使控制系统能稳定运行。脱硝优化控制策略如图3所示。3 控制效果对比基于多变量广义预测控制算法的脱硝优化控多变量预测控制器SCR 脱硝系统SCR 脱硝模型在线辨识入口NOx浓度喷氨流量烟气流量NOx 浓度设定值NOx浓度实际值智能前馈控制器断煤信号调门开度出口 NOx 浓度−图 3 某电厂330 MW亚临界机组脱硝优化控制策略Fig. 3 Optimal control strategy of denitrification中国电力第 52 卷180制策略于2018年7月在某电厂330 MW亚临界机组中进行了应用。截取了稳态工况和动态工况下优化控制与PID控制数据，采样周期为24 s，采样个数为600个。负荷稳定工况下NOx浓度控制效果对比结果如图47所示，由图可见，在190 MW时，PID控制下的NOx质量浓度最大偏差为8 mg/m3，300 MW高负荷时，一直存在较大的偏差；而脱硝优化控制的结果为无论机组处于低负荷还是高负荷，都能很好地保持控制精度，NOx质量浓度最大偏差为4 mg/m3。变负荷工况下NOx浓度控制效果对比如图811所示。由图可见，在变负荷的工况下，脱硝优化控4030555045357565706080 200195190185180175170165160300 400 5000 100 200 600SCR 出口NOx 质量浓度/mgm−3采样个数发电功率/MWSCR 出口 NOx 浓度设定值；SCR 出口 NOx 浓度实际值；发电功率图 4 负荷稳定工况下190 MW负荷下 PID控制曲线Fig. 4 PID control curve under 190 MW stableload condition4030555045357565706080 200195190185180175170165160300 400 5000 100 200 600SCR 出口NOx 质量浓度/mgm−3采样个数发电功率/MWSCR 出口 NOx 浓度设定值；SCR 出口 NOx 浓度实际值；发电功率图 5 负荷稳定工况下190 MW负荷下脱硝优化控制曲线Fig. 5 Denitration optimization control curve under190 MW stable load condition3020504090708060330320310300290280270260300 400 5000 100 200 600SCR 出口NOx 质量浓度/mgm−3采样个数发电功率/MWSCR 出口 NOx 浓度设定值；SCR 出口 NOx 浓度实际值；发电功率图 6 负荷稳定工况下300 MW负荷下 PID控制曲线Fig. 6 PID Control curve under 300 MW stableload condition30205040708060320310300290280270260300 400 5000 100 200 600SCR 出口NOx 质量浓度/mgm−3采样个数发电功率/MWSCR 出口 NOx 浓度设定值；SCR 出口 NOx 浓度实际值；发电功率图 7 负荷稳定工况下300 MW负荷下脱硝优化控制曲线Fig. 7 Denitrification optimal control curve under 300MW stable load condition1003020506040280260240220200180160300 400 5000 100 200 600SCR 出口NOx 质量浓度/mgm−3采样个数发电功率/MWSCR 出口 NOx 浓度设定值；SCR 出口 NOx 浓度实际值；发电功率图 8 小范围变负荷时PID控制曲线Fig. 8 PID control curve under small load variations1003020506040280260240220200180160300 400 5000 100 200 600SCR 出口NOx 质量浓度/mgm−3采样个数发电功率/MWSCR 出口 NOx 浓度设定值；SCR 出口 NOx 浓度实际值；发电功率图 9 小范围变负荷时脱硝优化控制曲线Fig. 9 Denitration optimization control curve under smallload variations第 10 期 张晓东等基于多变量广义预测控制算法的脱硝优化研究及应用181制时SCR出口NOx质量浓度的最大波动为12 mg/m3，而原有PID控制NOx质量浓度偏差最大可达20 mg/m3。为了说明新的优化控制策略提高了脱硝系统运行的经济性，选取优化控制系统投入前后日发电量高中低各2组数据，对尿素使用量进行统计，结果如表1所示。从表1可以看出，采用优化控制策略后尿素使用量均有所减少，有效降低了发电成本，提高了经济效益。4 结语实践结果表明采用本文提出的优化控制策略后，某电厂330 MW机组脱硝系统出口NOx浓度在不同工况下均能达到控制要求，特别在机组大范围变负荷时，NOx浓度波动问题得到较好的抑制。与原有PID控制系统相比，在大范围变负荷时，出口NOx质量浓度波动值由20 mg/m3降至12 mg/m3；在小范围变负荷时，出口NOx质量浓度波动值由8 mg/m3降至4 mg/m3。此外，在提高出口NOx排放控制精度的同时，有效减少了喷氨量，提高了经济效益。参考文献李刚, 胡森, 武宝会. 基于模糊自适应Smith的SCR喷氨量串级控制系统[J]. 热力发电, 2014, 438 147–150.LI Gang, HU Sen, WU Baohui. Fuzzy self-adaptive Smith cascadecontrol system for spraying ammonia in SCR reactors[J]. ThermalPower Generation, 2014, 438 147–150.[1]顾志国, 孙阳阳, 钟祎勍, 等. 带死区的无模型自适应控制[J]. 热力发电, 2015, 4410 86–90.GU Zhiguo, SUN Yangyang, ZHONG Yiqing, et al. Model freeadaptive control for dead zone[J]. Thermal Power Generation, 2015,4410 86–90.[2]王瑾, 董泽. 基于粒子群优化的选择性催化还原脱硝控制系统仿真[J]. 电力科学与工程, 2014, 303 25–28.WANG Jin, DONG Ze. Simulation and optimization of SCR flue gasdenitrification automatic control system based on PSO algorithm[J].Electric Power Science and Engineering, 2014, 303 25–28.[3]周洪煜, 张振华, 张军, 等. 超临界锅炉烟气脱硝喷氨量混结构-径向基函数神经网络最优控制[J]. 中国电机工程学报, 2011, 315108–113.ZHOU Hongyu, ZHANG Zhenhua, ZHANG Jun, et al. Mixedstructure-radial basis function neural network optimal control onspraying ammonia flow for supercritical boiler flue gasdenitrification[J]. Proceedings of the CSEE, 2011, 315 108–113.[4]周洪煜, 赵乾, 张振华, 等. 烟气脱硝喷氨量SA-RBF神经网络最优[5]表 1 优化控制投入前后尿素使用量对比Table 1 Comparison of urea usage before and after theapplication of denitrification optimal control优化前发电量/GW·h优化后发电量/GW·h优化前尿素使用量/g·kW·h–1优化后尿素使用量/g·kW·h–14.47 4.51 0.899 0.7944.65 4.62 0.905 0.7965.76 5.70 0.953 0.8726.05 6.15 0.947 0.8697.13 7.08 0.964 0.8936.92 6.83 0.972 0.901300504090708060320280300260240200180160300 400 5000 100 200 600SCR 出口NOx 质量浓度/mgm−3采样个数发电功率/MW1001020220SCR 出口 NOx 浓度设定值；SCR 出口 NOx 浓度实际值；发电功率图 10 大范围变负荷时PID控制曲线Fig. 10 PID control curve under large-scale loadvariations300504090708060320280300260240200180160300 400 5000 100 200 600SCR 出口NOx 质量浓度/mgm−3采样个数发电功率/MW1001020220SCR 出口 NOx 浓度设定值；SCR 出口 NOx 浓度实际值；发电功率图 11 大范围变负荷时脱硝优化控制曲线Fig. 11 Denitration optimization control curve underlarge-scale load variations中国电力第 52 卷182控制[J]. 控制工程, 2012, 196 947–951.ZHOU Hongyu, ZHAO Qian, ZHANG Zhenhua, et al. Sensitivityanalysis radial basis function neural network control on sprayingammonia flow denitrification[J]. Control Engineering of China, 2012,196 947–951.陈瑞君, 郭保会. 火电厂SCR脱硝系统多模型自适应控制[J]. 自动化与仪器仪表, 20174 4–7.[6]朱竹军, 白建云, 刘林仙. 专家模糊控制在SNCR脱硝系统中的研究及应用[J]. 自动化仪表, 2018, 397 34–38.ZHU Zhujun, BAI Jianyun, LIU Linxian. Research and application ofexpert fuzzy control in SNCR denitrification system[J]. ProcessAutomation Instrumentation, 2018, 397 34–38.[7]郭凌云. 1 000 MW超临界机组SCR脱硝优化控制系统的研究与应用[J]. 仪器仪表用户, 2018, 259 87–89.GUO Lingyun. Research and application of SCR denitrificationoptimal control system for 1 000 MW supercritical unit[J]. ElectronicInstrumentation Customers, 2018, 259 87–89.[8]来长胜, 白建云, 印江. 广义预测控制算法在CFB锅炉SNCR烟气脱硝系统中的应用[J]. 热力发电, 2016, 4512 109–113.LAI Changsheng, BAI Jianyun, YIN Jiang. Application ofgeneralized predictive control algorithm in selective non-catalyticreduction flue gas denitrification system[J]. Thermal PowerGeneration, 2016, 4512 109–113.[9]武宝会, 李刚, 薛大禹, 等. SCR Control脱硝控制系统研究及其在660 MW机组的应用[J]. 中国电力, 2017, 5011 175–179.WU Baohui, LI Gang, XUE Dayu, et al. Study on SCR controldenitrification injection control system and its application in a 660MW unit[J]. Electric Power, 2017, 5011 175–179.[10]邓自立. 最优估计理论及其应用[M]. 哈尔滨 哈尔滨工业大学出版社, 2005 48-57.[11]吕游, 刘吉臻, 赵文杰, 等. 基于分段曲线拟合的稳态检测方法[J].仪器仪表学报, 2012, 331 194–200.LV You, LIU Jizhen, ZHAO Wenjie, et al. Steady-state detecting based on piecewise curve fitting[J]. Chinese Journal ofScientific Instrument, 2012, 331 194–200.[12]CLARKE D W, MOHTADI C, TUFFS P S. Generalized predictivecontrol-part I. The basic algorithm[J]. Automatica, 1987, 232137–148.[13]CLARKE D W, MOHTADI C, TUFFS P S. Generalized predictivecontrol-part II. Extensions and interpretations[J]. Automatica, 1987,232 149–160.[14]胡耀华, 贾欣乐. 具有约束条件的船舶运动预测控制[J]. 控制理论与应用, 2000, 174 542–547.[15]HU Yaohua, JIA Xinle. Generalized predictive control of shipssubject to state constraints[J]. Control Theory and Applications,2000, 174 542–547.王建国, 苟晓卫. 基于在线辨识的锅炉中间点温度GPC-PID控制[J]. 控制工程, 2013, 204 631–634.WANG Jianguo, GOU Xiaowei. GPC-PID control for boilerintermediate point temperature based on online identification[J].Control Engineering of China, 2013, 204 631–634.[16]彭艳, 吴伟清, 刘梅, 等. 无人艇航迹跟踪GPC-PID串级控制[J].控制工程, 2014, 212 245–248.PENG Yan, WU Weiqing, LIU Mei, et al. USV tracking controlbased on cascade GPC-PID[J]. Control Engineering of China, 2014,212 245–248.[17]董晓坤, 方勇纯, 张雪波. 原子力显微镜系统广义预测控制与成像[J]. 控制理论与应用, 2015, 328 1058–1063.DONG Xiaokun, FANG Yongchun, ZHANG Xuebo. Generalizedpredictive control and imaging for atomic force microscopesystems[J]. Control Theory and Applications, 2015, 3281058–1063.[18]蔡利军, 朱豫才, 吕霞, 等. 模型预测控制在超超临界机组AGC协调控制和主汽温控制中的应用[J]. 中国电力, 2018, 517 68–77.CAI Lijun, ZHU Yucai, LV Xia, et al. MPC Applications in AGCCCS and steam temperature control on two ultra-supercritical coal-fired power generation units[J]. Electric Power, 2018, 517 68–77.[19]高耀岿, 胡勇, 曾德良, 等. 基于磨出口温度定值优化的制粉系统多变量预测控制[J]. 动力工程学报, 2017, 3710 814–820.GAO Yaokui, HU Yong, ZENG Deliang, et al. Multivariablepredictive control of a pulverizing system based on outlet temperatureoptimization of the coal mill[J]. Journal of Chinese Society of PowerEngineering, 2017, 3710 814–820.[20]席袼庚. 预测控制[M]. 北京 国防工业出版社, 1993.[21]作者简介张晓东1975，男，硕士，高级工程师，从事电气控制与信息化研究，E-mail ；王鹏飞1991，男，硕士，工程师，从事电站自动控制与运行优化研究，E-mail ；刘乐1981，男，硕士，工程师，从事电气控制与信息化研究，E-mail 。（责任编辑 刘明）第 10 期 张晓东等基于多变量广义预测控制算法的脱硝优化研究及应用183Research and Application of Denitrification Optimal Control Based on Multi-Variable Generalized Predictive Control AlgorithmsZHANG Xiaodong1, WANG Pengfei2, LIU Le21. Guodian Technology 2. Beijing Guodian Zhishen Control Technology Co., Ltd., Beijing 100085, ChinaAbstract For the denitrification control system of large thermal power unit, because of the characteristics of its controlled object,such as the large time delay and inertia, the impacts from multiple interference factors and model variations under different loads,traditional PID control strategy cannot meet the requirements. Regarding this problem, a multi-variable model of denitrificationsystem is constructed by recursive least square , and then an optimal control strategy for denitrification system is establishedbased on multi-variable generalized predictive control. Meanwhile, this strategy has been applied in 330 MW subcritical unit of apower plant. From the practical results it is shown that the proposed denitration optimization control strategy based on multi-variablegeneralized predictive control has effectively controlled NOx concentration at the denitration outlet and suppressed the fluctuation ofNOx concentration, whether the system is operated under steady state or complex variable load conditions. The usage of urea has alsobeen reduced such that the stable and economic operation of the denitration system is achieved.Keywords thermal power generating unit; denitration system; optimize control; multi-variable generalized predictive control; NOx atoutlet上接第154页Effect of Flue Gas Composition on Mercury Removal by Injecting RiceHusk-Derived Activated CarbonTAO Jun1, GU Xiaobing1, HUANG Tianfang2, LIU Shuai2, HU Peng2, DONG Lu2,HUANG Yaji2, DUAN Yufeng21. Datang Environment Industry Group Co., Ltd., Beijing 100097, China; 2. Key Laboratory of Energy Thermal Conversion and Control ofMinistry of Education, School of Energy and Environment, Southeast University, Nanjing 210096, ChinaAbstract The flue gas mercury removal experiment was carried out on a 0.3MW pilot scale circulating fluidized bed test facility byinjecting biomass based activated carbon which is originally derived from rice husk and then modified by halogenated ammonium.Effects of exit temperature of the SCR and flue gas, concentration of SO2 and NO on the injection demercuration efficiency werediscussed. The ASTM Standard D 6784-02 OHM Ontario was applied to measure the concentration of mercury from thecoal-fired flue gas. The results showed that both the mercury removal efficiency and elemental mercury conversion efficiency go upwith the elevated flue gas temperature; The existence of NO can enhance the mercury removal effect but SO2 will inhibit it on theother way. The mercury removal efficiency could reach about 90 with this modified type o