基于数据驱动的脱硝优化人工智能控制系统在电厂中的应用

摘要：随着环保要求的日益严格，火电厂脱硝控制的精准性和高效性愈发重要。本文深入探讨基于数据驱动的脱硝优化控制系统，详细阐述其架构、关键技术、模型构建与训练方法，以及在实际应用中的优势与效果评估。利用国内某电厂30万机组脱硝系统进行试验验证，通过数据驱动的方式，能够有效提升脱硝控制的性能，出口氮氧化物浓度曲线波动减小，吨蒸汽耗氨量降低11.95%，大大降低了运行成本并减少污染物排放，为火电厂的可持续发展提供有力支持。

关键词：数据驱动；脱硝优化；控制系统；火电厂

1、引言

氮氧化物（NOx）作为被世界各国公认的大气污染指标之一，燃煤电厂中烟气的排放是主要来源之一。目前燃煤电厂已完成了脱硝系统改造，但是目前已运行的选择性催化还原（SCR）脱硝系统控制效果并不理想，NOx出口浓度波动较大，导致现场运行人员不得不调低设定值，采用过量喷氨的方式来抑制出口NOx环保超标，严重影响脱硝系统及下游设备的正常运行。首先过量喷氨造成了极大的成本浪费，同时引起氨逃逸增加，加剧空气预热器堵塞和腐蚀，增加引风机电耗，缩短催化剂使用寿命等【1】。传统的脱硝控制系统存在诸多局限性，如控制模型难以精确建立、变工况适应性差、氨逃逸率难以有效控制等。随着大数据技术和人工智能算法的快速发展，基于数据驱动的脱硝优化控制系统应运而生，为解决传统脱硝控制难题提供了新的途径。

2、基于数据驱动的脱硝优化控制系统架构

2.1数据采集层

数据采集层负责从火电厂的分布式控制系统（DCS）中采集与脱硝系统相关的运行数据。燃煤锅炉产生的NOx主要有燃料型和热力型Nox，这些NOx的形成不仅与燃料类型和燃烧器结构有关，而且与锅炉的操纵参数有关，（如机组负荷、给煤量、送风量、炉膛烟温、烟气流量、氧量等），同时需采集SCR 反应器入口和出口的 NOx 浓度、喷氨量、氨逃逸等。采集的数据需具有高频率、大规模的特点，同时应包含尽可能多的负荷工况及变负荷工况运行条件，为后续的数据处理和模型训练提供充足的信息来源。

2.2数据预处理层

由于采集到的数据可能存在噪声、异常值和数据缺失等问题，需要进行预处理。数据预处理主要包括数据清洗、滞后分析数据对齐、异常值处理，剔除异常值往往可以增加模型的泛化能力，根据观察每个变量的分布情况，剔除异常数据。如使用箱线图、3西格玛统计等手段对数据进行异常值检测及处理。

使用箱线图对数据进行异常值检测的原理为：通过计算四分位数加减 1.5 倍四分位距，即是计算Q1－1.5IQR 和 Q3+1.5IQR 的值，其中Q1代表上四分位数，Q3代表下四分位数，IQR为Q3和Q1的差值。规定落在这一区间之外的数据为异常点，也就是小于Q1－1.5IQR或者大于Q3+1.5IQR的样本点。如下图1展示了箱型图的原理

图1：箱型图结构原理

在3西格玛统计学习方法中，代表标准差，代表均值，样本数据服从正态分布的情况下可得：

1）数值分布在)中的概率为0.6826

2）数值分布在)中的概率为0.9544

3）数值分布在)中的概率为0.9974

可以认为，Y 的取值几乎全部集中在)区间内，超出这个范围的可能性仅占不到0.3%，将这部分数据定义为异常值。如下图2展示了3西格玛概率分布图。

图2：3西格玛概率分布图

根据数据统计理论，当两个变量之间的Pearson相关系数满足ρx,y>0.4时，变量之间具有中等或较强的相关性。因此，选取相关变量作为辅助变量，预测SCR入口NOx浓度。各辅助变量与SCR入口NOx浓度的相关性如图3所示，以SCR反应器B侧面数据为例。

图3：相关性热力图

2.3模型构建与训练层

采用数据驱动的建模方法，如人工神经网络（ANN）、支持向量机（SVM）或深度学习算法（如卷积神经网络CNN、循环神经网络RNN等）构建脱硝系统模型。根据预处理后的历史数据，将一部分数据作为训练集，用于模型的参数学习和优化；另一部分数据作为验证集，用于评估模型的性能和防止过拟合。通过不断调整模型的结构和参数，使模型能够准确地预测脱硝过程中的关键变量，如SCR反应器入口、出口的NOx浓度等。

2.4优化控制层

基于训练好的模型，优化控制层根据当前的锅炉运行工况和环保要求，计算出最佳的喷氨量等控制策略。该层采用优化算法，如遗传算法（GA）、粒子群优化算法（PSO）等，在满足NOx排放标准的前提下，最小化氨的使用量，从而降低运行成本并减少氨逃逸对下游设备的腐蚀和对环境的二次污染【2】

喷氨阀门开度作为优化算法中的决策变量，也就是在实际工况中需通过数据驱动作调整的设置点变量。优化目标是均值小于环保限定值，确定在当前工况下的设置点变量就是最终的优化结果，但是改变设置点变量会造成工况改变，为了维持工况稳定，需加入约束条件，通过历史数据分析，设置点变量在合理区间内进行寻优，输出为最佳喷氨阀门开度，优化具体流程如图4所示：

图4：优化流程图

2.5监控与评估层

    实时监控脱硝系统的运行状态，包括实际的NOx排放浓度、氨逃逸率、喷氨量等参数，并与优化控制系统的设定值进行对比。根据对比结果，对系统的性能进行评估，及时发现系统运行中的异常情况和潜在问题。同时，根据评估结果对模型和控制策略进行反馈调整，不断提高系统的可靠性和稳定性。

3、关键技术

3.1数据挖掘技术

    从海量的运行数据中挖掘出与脱硝控制相关的潜在规律和特征。通过关联分析找出锅炉运行参数与NOx生成量之间的关系，通过聚类分析对不同工况下的运行数据进行分类，以便针对不同工况建立更精准的控制模型。

3.2机器学习算法

    人工神经网络具有强大的非线性映射能力，能够很好地拟合脱硝过程中的复杂关系。支持向量机在小样本数据情况下具有较好的泛化能力，可用于处理部分工况数据不足的情况。深度学习算法如CNN可以自动提取数据的空间特征，RNN能够处理时序数据，对于脱硝过程中的动态变化和历史数据的利用具有优势。

3.3数据驱动优化控制技术

   基于模型对未来脱硝系统行为进行预测，计算未来一段时间内的控制动作序列，并根据当前系统状态和预测模型，在每个控制周期内选择最佳控制策略。数据驱动优化控制能够考虑系统的约束条件，如喷氨量的上下限、NOx排放标准等，实现优化控制喷氨阀门开度。

4、电厂实际应用效果评估

4.1适应工况变化、提高脱硝效率

火电厂的运行工况复杂多变，基于数据驱动的模型能够快速学习和适应火电厂运行工况的变化，如负荷波动、煤种变化等，保证脱硝系统在不同工况下都能稳定高效运行。采用基于数据驱动的脱硝优化控制系统能够根据实时工况准确地控制喷氨量，能有效控制出口NOx浓度波动，使SCR反应器出口的NOx浓度更接近排放标准，提高脱硝效率，减少NOx排放【3】。

图5：出口NOx现场DCS控制画面

4.2降低氨逃逸率

    氨逃逸现象一直是火电厂脱硝过程中面临的严峻挑战。过高的氨逃逸率不仅会造成氨资源的浪费，还会引发一系列严重的附加问题。通过优化控制，避免氨的过量喷射，有效降低氨逃逸率，减少对空气预热器等下游设备的堵塞和腐蚀，延长设备使用寿命，降低维护成本。

4.3节能降耗

在满足排放要求前提下，调整出口NOx浓度设定值卡边控制为目标，优化控制喷氨量，吨蒸汽耗氨量降低11.95%，年化节约15万元以上；同时精准的喷氨可降低运行维护成本，减轻空预器堵塞，减少空预器清洁费用年化节约15万元以上；降低引风机电耗，年化节约50万元以上；降低氨逃逸，延长催化剂使用周期，年化节约30万元以上，大大提高了火电厂的经济效益和能源利用效率。

5、结论

基于数据驱动的脱硝优化人工智能控制系统为火电厂脱硝控制提供了一种创新的解决方案。通过构建完善的系统架构，运用数据挖掘、机器学习等关键技术，建立精准的预测及优化模型并进行有效的优化控制，该系统在提高脱硝效率、降低氨逃逸率、适应工况变化和节能降耗等方面具有显著优势。经过实际应用效果评估，该系统能够有效提升火电厂脱硝控制的整体水平，满足日益严格的环保要求，同时提高火电厂的经济效益和可持续发展能力。随着大数据和人工智能技术的不断发展，基于数据驱动的脱硝优化控制系统将在电力行业得到更广泛的应用和进一步的完善。

参考文献：

[1]归毅.基于BP神经网络的SCR脱硝效率预测模型研究[D].华北电力大学,2011.

[2]蒋来来.基于LSSVM优化的电厂NOx排放预测方法研究[D].华北电力大学,2021.

[3]董威,林子杰,王雅昀.基于CIFE-FOA-DELM的SCR脱硝入口NOx浓度预测方法研究[J].电力科技与环保,2024,40(03):313-320.