CN105629738A - Scr烟气脱硝系统控制方法及设备 - Google Patents

Abstract

本发明公开了一种SCR烟气脱硝系统控制方法及设备，其中，SCR烟气脱硝系统控制方法包括：根据锅炉运行参数和SCR烟气脱硝系统的NOx的采样浓度，使用第一RBF神经网络获得锅炉燃烧后生成的NOx的预测值；根据所述NOx的预测值和所述SCR烟气脱硝系统的运行参数，使用第二RBF神经网络获得用于进行SCR烟气脱硝的各喷氨阀的喷氨量设定值；使用基于DMC的喷氨量控制器，按照各喷氨阀的喷氨量设定值控制总喷氨量，进行SCR烟气脱硝处理。通过本发明，可有效提高脱硝效率，降低SCR脱硝系统出口NH₃逃逸率。

Description

SCR烟气脱硝系统控制方法及设备

技术领域

本发明涉及烟气脱硝技术领域，特别是涉及一种SCR(SelectiveCatalyticReduction，选择性催化还原法)烟气脱硝系统控制方法及设备。

背景技术

随着我国对环境保护政策要求的逐年提高，火电机组排放烟气中的NOx(氮氧化物)已纳入严格监管，SCR的烟气脱硝技术因其具有很高的脱硝率、技术可靠、结构简单且氨气逃逸率小等优点已成为燃煤电站锅炉控制NOx排放的主要选择。

SCR是指在催化剂的作用下，利用还原剂(如NH₃、液氨、尿素)来“有选择性”地与烟气中的NOx反应并生成无毒无污染的N₂(氮气)和H₂O(水)，SCR是保障脱硝系统安全连续运行，满足脱硝系统性能指标的重要组成部分。目前，SCR通过直接读取脱硝入口处NOx浓度测量值作为计算喷氨量的一个重要依据，然而，NOx浓度测量传感器在测量过程中存在较长时间的滞后(一般为5～10分钟)，造成了NOx浓度测量值偏离较大，不能很好地实现喷氨量的准确设定，进而导致氨逃逸率较高。当氨逃逸率过高时，剩余的氨会与烟气中SO₃和H₂O反应生成硫酸氢氨(NH₄HSO₄)，易造成锅炉后续设备(例如空预器)的积灰、堵塞等问题，且过量的供氨量还使脱硝系统成本增大。

由上可见，目前的SCR烟气脱硝过程存在着脱硝入口处NOx浓度测量信号滞后，氨逃逸率较高，脱硝系统成本高，整体脱硝效率较低的问题。

发明内容

鉴于上述问题，本发明的目的在于提供一种SCR烟气脱硝系统控制方法及设备，以解决目前的SCR烟气脱硝过程存在着脱硝入口处NOx浓度测量信号滞后，氨逃逸率较高，脱硝系统成本高，整体脱硝效率较低的问题。

为解决上述问题，本发明提供了一种SCR烟气脱硝系统控制方法，包括：根据锅炉运行参数和SCR烟气脱硝系统的NOx(氮氧化物)的采样浓度，使用第一RBF(Radialbasisfunction，径向基函数)神经网络获得锅炉燃烧后生成的NOx的预测值；根据所述NOx的预测值和所述SCR烟气脱硝系统的运行参数，使用第二RBF神经网络获得用于进行SCR烟气脱硝的各喷氨阀的喷氨量设定值；使用基于DMC(DynamicMatrixControl，动态矩阵控制)的喷氨量控制器，按照各喷氨阀的喷氨量设定值控制总喷氨量，进行SCR烟气脱硝处理。

为解决上述问题，本发明还提供了一种SCR烟气脱硝系统控制设备，包括：第一RBF神经网络模块，用于根据锅炉运行参数和SCR烟气脱硝系统的氮氧化物NOx的采样浓度，使用第一RBF神经网络获得锅炉燃烧后生成的NOx的预测值；第二RBF神经网络模块，用于根据所述NOx的预测值和所述SCR烟气脱硝系统的运行参数，使用第二RBF神经网络获得用于进行SCR烟气脱硝的各喷氨阀的喷氨量设定值；DMC控制模块，用于使用基于DMC的喷氨量控制器，按照各喷氨阀的喷氨量设定值控制总喷氨量，进行SCR烟气脱硝处理。

本发明提供的SCR烟气脱硝系统控制方案中，通过第一RBF神经网络，建立锅炉燃烧可调输入变量(包括锅炉运行参数和SCR烟气脱硝系统的NOx的采样浓度)与脱硝入口处NOx浓度之间的非线性预测模型，从而预测脱硝入口处NOx浓度，为喷氨量的准确计算奠定基础；采用第二RBF神经网络，建立脱硝系统输入输出优化模型，将NOx的预测值和SCR烟气脱硝系统的运行参数等作为网络输入，将喷氨量、脱硝效率作为网络输出来训练神经网络获得优化模型，通过该模型准确获取喷氨量及分布比例，合理调整NH₃的浓度场，减少NH₃的逃逸率，降低脱硝系统成本，提高脱硝效率。此外，本方案还基于DMC控制喷氨量，以解决传统PID控制器(ProportionIntegrationDifferentiation，比例-积分-微分控制器)不能实现变工况下喷氨量的准确控制的问题。本方案的DMC控制喷氨量与PID控制器相似，根据设定值和过程变量之间的偏差和偏差变化率决定如何最好的控制过程，但与传统PID控制器不同的是，它通过前N个采样值来分析偏差和偏差变化率来实现控制，使控制器可以观察到过程的动态特性，其基于大量历史数据趋势指导控制，可实现对脱硝系统喷氨量的大滞后、强非线性等特点的比较精确控制，保证优化策略实施。

可见，本发明通过准确预测脱硝入口NOx浓度，控制进入脱硝系统的烟气温度，优化喷氨总量和喷氨阀门的喷氨量，达到了提高反应器中催化剂活性和调整NH₃的浓度场分布均匀性，有效解决了电厂锅炉低负荷运行脱硝效率低的问题。该方案可有效提高脱硝效率，降低SCR脱硝系统出口NH₃逃逸率，避免锅炉后续设备(例如空预器)的积灰、堵塞，降低NOx排放，提高锅炉脱硝系统的安全性、可靠性、和经济性。

附图说明

下面，参照附图对本发明所涉及的SCR烟气脱硝系统控制方法及设备进行说明。当结合附图考虑时，通过参照下面的详细描述，能够更完整更好地理解本发明以及容易得知其中许多伴随的优点，但此处所说明的附图用来提供对本发明的进一步理解，构成本申请的一部分，本发明的示意性实施例及其说明用于解释本发明，并不构成对本发明的不当限定，其中：

图1是本实施例中的一种SCR烟气脱硝系统控制方法的步骤流程图；

图2是本实施例中的一种SCR烟气脱硝系统控制方法的原理图；

图3是本实施例中的一种基于DMC控制的脱销系统的控制过程示意图；

图4是本实施例中的一种DMC控制器的原理图；

图5是本实施例中的一种SCR烟气脱硝系统控制设备的结构框图；

图6是本实施例中的另一种SCR烟气脱硝系统控制设备的结构框图。

具体实施方式

为使本发明的目的、技术方案和优点更加清楚。下面将对本发明的技术方案进行清楚完整的描述，显然所描述的实施例是本发明的一部分实施例，而不是全部实施例。基于本发明的实施例，本领域的普通技术人员在没有作出创造性劳动的前提下所获得的所有其他实施例，都属于本发明保护的范围。

SCR脱硝是在合适的工作温度(290-430摄氏度)范围内且有氧参与的条件下，还原剂在催化剂作用下有选择性地将烟气中的NOx还原为无毒无污染的N₂和H₂O的过程。对SCR脱硝系统的优化设计与运行的关键在于如何尽可能保证反应器内烟气的流动场、温度场及反应物的浓度场均匀分布，以确保设计要求的脱硝效率并降低氨气逃逸量。由于SCR脱硝系统的设备结构比较复杂且体型巨大，难以对已投入运行的SCR脱硝系统进行试验研究或采用常规搭建试验台的方法进行研究。但随着计算机技术的发展，人们可以利用计算机工具对SCR脱硝系统进行研究，进一步来优化改善SCR脱硝系统，以为SCR脱硝的还原反应提供最有利的条件，从而提高烟气脱硝效率。

为此，本发明在保证下游设备的安全稳定运行的基础上，对SCR脱硝系统进行优化，以使其有较高的脱硝效率。SCR脱硝系统的优化性能指标主要包括两个：脱硝效率和氨气逃逸率。因此，本发明中：(一)建立锅炉燃烧可调输入变量与脱硝入口处NOx浓度之间的非线性预测模型，即第一RBF神经网络，以克服入口处NOx测量值严重滞后的问题；(二)在满足脱硝反应条件和脱硝效率的前提下，建立脱硝系统输入输出优化模型，即第二RBF神经网络，通过该模型准确获取喷氨量及分布比例，合理调整NH₃的浓度场，避免过量NH₃逃逸；(三)鉴于传统PID不能实现变工况下喷氨量的准确控制，本发明提出一种新的基于数据模型，即DMC的控制算法，可实现对脱硝系统喷氨量的大滞后、强非线性等特点的比较精确的控制，能够保证优化策略的实施。其中，第一部分属于外部优化，即对脱硝系统的输入进行控制与优化；后两部分为脱硝系统内部优化，即对脱硝设备本身的优化，使脱硝设备工作在最佳工作点附近。

以下，对本发明的上述SCR烟气脱硝系统控制方案进行详细说明。

如图1所示，是本实施例中的一种SCR烟气脱硝系统控制方法的步骤流程图。该SCR脱硝系统控制方法包括以下步骤：S101，根据锅炉运行参数和SCR烟气脱硝系统的NOx的采样浓度，使用第一RBF神经网络获得锅炉燃烧后生成的NOx的预测值；S102，根据NOx的预测值和SCR烟气脱硝系统的运行参数，使用第二RBF神经网络获得用于进行SCR烟气脱硝的各喷氨阀的喷氨量设定值；使用基于DMC的喷氨量控制器，按照各喷氨阀的喷氨量设定值控制总喷氨量，进行SCR烟气脱硝处理。

传统脱销系统直接读取脱硝入口处NOx浓度测量值作为作为计算喷氨量的一个重要依据。然而，NOx浓度测量传感器在测量过程中存在较长时间的滞后(一般为5～10min)，造成了计算喷氨量上的较大误差。为此，一些优化方法对测量值进行了一定的修正，但是由于各种原因的影响(例如升降负荷、燃烧调整等)，使得带有修正系数的NOx浓度测量值仍然偏离较大，因此不能很好地实现喷氨量的准确设定。而本发明中，通过建立锅炉燃烧可调输入变量(配煤和配风等相关变量)与脱硝入口处NOx浓度之间的非线性预测模型(第一RBF神经网络)，克服入口处NOx严重滞后问题，并为下一步准确计算喷氨量奠定基础。

具体地，本发明方案根据锅炉运行参数和SCR烟气脱硝系统的NOx的采样浓度，使用第一RBF神经网络获得锅炉燃烧后生成的NOx的预测值的步骤包括：通过第一RBF神经网络的输入层获取锅炉运行参数和SCR烟气脱硝系统的NOx的采样浓度；通过第一RBF神经网络的隐含层，使用径向基函数对输入层接收的锅炉运行参数和NOx的采样浓度进行变换处理；通过第一RBF神经网络的输出层输出变换处理的结果，获得锅炉燃烧后生成的NOx的预测值。

RBF神经网络的基本思想是：用径向基函数作为隐单元“基”，构成隐含层空间，隐含层对输入矢量进行变换，将低维的模式输入数据变换到高维空间内，使得在低维空间内的线性不可分问题在高维空间内线性可分。RBF神经网络结构简单、训练简洁而且学习收敛速度快，能够逼近任意非线性函数。

RBF神经网络属于多层前向神经网络，它是一种三层前向网络，第一层为输入层，本例中输入层为锅炉当前运行参数；第二层为隐含层，其中隐单元的个数由所描述的问题而定，隐单元的变换函数是对中心点径向对称且衰减的非负非线性函数，本例中使用径向基函数对输入层输入的锅炉运行参数进行函数变换，隐含层神经元数量I应小于等于输入向量个数。本例中I选为23，当I<P时需要对基函数中心进行聚类，这里我们使用K-均值聚类算法来找出I个径向基函数中心位置。中心一旦确定就固定了，接着要确定径向基函数的宽度。RBF神经网络的径向基函数选用高斯函数，通常宽度可取， 其中，d_max为所选取中心之间的最大距离；第三层为输出层，它对输入模式做出响应，本例中输出为锅炉燃烧后生成NOx预测值。最后，SCR烟气脱硝系统入口的NOx浓度采样值用来作为真值实现神经网络的学习与权值训练，直到误差满足要求。权值的学习与训练仍采用采用梯度下降迭代的最小二乘法(LeastMeanSquare,LMS)算法。其中，LMS算法输入为RBF网络隐层的输出；RBF网络输出层的神经元只是对隐层神经元的输出加权求和。

本发明方案中，在对SCR烟气脱硝系统的NOx的浓度进行采样，获取NOx的采样浓度时，NOx浓度的采样值来自于系统NOx浓度传感器，通过DCS系统直接读取，DCS中已对该数据已经进行了处理，按照优化周期每次读取即可。

本发明方案中，锅炉运行参数包括：机组负荷、煤质测量值、一次总风量，各层二次风量、磨煤机出口风温、烟气含氧量、给煤机各层偏置信号、和前次实测的滞后NOx浓度。这些变量可以有效表征锅炉当前运行情况，但不限于此，在实际应用中，本领域技术人员可以根据实际需要，调整或增加相应的锅炉当前运行情况的参数。

优选地，在通过RBF神经网络的输出层输出变换处理的结果，获得锅炉燃烧后生成的NOx的预测值的步骤之后，还可以使用往期NOx测量值对NOx的预测值进行修正，使脱硝系统的预测结果一直保持在可接受的误差范围之内，而不会发生大的预测偏离。

NOx测量值有较大的滞后性(滞后一般在10分钟左右，滞后时间有一定的不确定性)，实时控制时不能使用该测量值。当前NOx测量值实际上反映的是n个时刻以前的NOx浓度(大概10min以前)，也就是说它实际应该与n个时刻以前的预测值相似，因此，可以利用这个测量值对模型的预测误差进行一定的估计，一旦超出了规定预测误差范围(相对误差在±8％以内)后，预测模型需要进行一定的更新，加入新样本，剔除时间最久的相应的旧样本，进行预测模型的重新训练。其中，整个模型修正过程中，n个时刻可以通过现场实验获取。

另外，SCR脱硝系统往往由于设计水平、烟道布位和现场空间的限制等因素影响，造成SCR入口的烟气流速不均匀，导致NH₃的浓度场不均匀，出现部分区域NOx含量偏低而NH₃逃逸量很大，或部分区域NH₃逃逸虽少但NOx含量偏高等问题。当氨逃逸率过高时，剩余的氨会与烟气中SO₃和H₂O反应生成硫酸氢氨(NH₄HSO₄)，易造成锅炉后续设备(例如空预器)的积灰、堵塞等问题，且过量的供氨量还使脱硝系统成本增大。为此，建立基于第二RBF神经网络的NH₃设定值及分布比例的优化模型，该模型在控制喷氨分布均匀的前提下，提高脱硝效率。

具体地，本发明方案中，根据NOx的预测值和SCR烟气脱硝系统的运行参数，使用第二RBF神经网络获得用于进行SCR烟气脱硝的各喷氨阀的喷氨量设定值的步骤包括：根据NOx的预测值和SCR烟气脱硝系统的运行参数，建立正向的SCR烟气脱硝系统的运行特性模型；根据运行特性模型，使用遗传算法确定各喷氨阀的喷氨量设定值。

优选地，上述SCR烟气脱硝系统的运行参数包括：脱硝反应器入口NOx浓度、氨气流量、氨空比、喷氨调节阀、脱硝反应器差压、脱硝反应器出口氧量、反应器入口烟气温度。这些变量可以有效表征脱硝系统当前运行情况，可以与通过第一RBF神经网络获得的NOx的预测值一起，作为确定各喷氨阀的喷氨量设定值的参数。

本发明的方案中，使用遗传算法确定各喷氨阀的喷氨量设定值的步骤包括：使用遗传算法搜索径向基函数网络的连接权值和神经元的偏置值；根据连接权值和神经元的偏置值，确定各喷氨阀的喷氨量设定值。

遗传算法(GeneticAlgorithm，GA)是一类借鉴生物界的进化规律(适者生存、优胜劣汰遗传机制)演化而来的随机化搜索方法。它模拟“适者生存，优胜劣汰”的进化机制的概率搜索算法。该算法以适应度函数为依据，通过对种群个体进行遗传操作完成结构重组迭代，可以实现一种自适应全局优化概率搜索的算法过程。由于它在计算精度的要求方面，具有基因算法与其他优化算法相比较，具有计算时间少，鲁棒性高以及收敛速度快等优点。本发明方案中，采用GA搜索径向基函数网络的连接权值和神经元的偏置值，求取最能够适配输入和输出映射的网络结构和参数。

其中，径向基函数网络为根据代价函数，使用遗传算法训练后的径向基函数网络；其中，代价函数为锅炉的实际脱硝效率和径向基函数网络的输出间的最小均方误差函数。例如，构造锅炉实际脱硝效率和径向基函数网络输出间的最小均方误差(MinimumSquareError,MSE)为代价函数，然后利用遗传算法来训练径向基函数的中心、宽度、和连接权值，使训练后的径向基网络函数能够适配锅炉燃烧系统的输入和输出数据。

再者，针对喷氨量控制，在已有的脱硝优化系统中，几乎都沿用传统的PID或改进PID控制算法。然而，事实表明，并不是所有工业过程都可以用PID回路来控制，例如多变量、非线性、时变等过程都需要用更为先进的控制技术。电厂煤粉锅炉脱硝系统中流量和NOx浓度测量装置存在较长时间的滞后，烟气与还原剂氨气在催化剂作用下的时间复杂性存在强非线性，使得脱硝过程具有大滞后、大惯性、强非线性等特点，目前普遍采用的PID及其改进算法均无法实现准确、快速的控制，控制效果不佳，不能为脱硝系统在线优化策略的实施提供可靠保障。为此，本发明的方案中，基于DMC的喷氨量控制器运行，为脱硝系统在线优化策略的实施提供可靠保障。

首先，DMC控制器原理如图4所示，控制器输入e(k)＝r(k)-y(k)，其中，r(k)为被控量设定值，y(k)为被控量测量值；e(k)，e(k-1),…,e(k-N)分别为采样时刻k,k-1,…,k-N的设定值与测量值偏差，△e(k)＝[e(k)-e(k-1)]/T为采样时刻k的偏差变化率(T为采样周期)。

$\begin{array}{cc}{p}_j\left(n\right)=\underset{i=1}{\overset{N}{\&Sigma;}}{W}_{ij}\left(n\right){e_i}^{\&prime;}\left(n\right);& {e_i}^{\&prime;}\left(n\right)=\left[\begin{array}{ccccc}e\left(k\right)& \mathrm{\&Delta;}e\left(k\right)& e(k-1)& \mathrm{...}& e(k-N)\end{array}\right]\end{array}$

v(n)＝K_c[o(n)+e(n)]

其中，n代表第n次迭代，p(n)是神经网络隐含层输入，q(n)是神经网络隐含层的输出，下标j代表隐含层第j个节点，o(n)是神经网络输出层的输入，N代表往回倒退的时刻，N≥2。v(n)是DMC控制器的输出，Kc(Kc>0)是DMC控制器的增益，其值由具体的控制对象数量级和执行机构的量程决定。为核函数，对于核函数的选取，有多种选择如，高斯函数、三角核函数、双指数核函数等，本发明实施例中采用高斯核函数RBF函数。W_ij和h_j是神经网络权值，权值的学习算法按下式计算：

${\mathrm{\&Delta;W}}_{ij}\left(n\right)=\mathrm{\&eta;}\&CenterDot;K_c\&CenterDot;e\left(n\right)q_j\left(n\right)(1-q_j(n\left)\right)\left(e_i{\left(n\right)}^{\&prime;}\right)\underset{k=1}{\overset{N}{\&Sigma;}}{h}_k\left(n\right)$

Δh_j(n)＝η·K_c·e(n)·q_j(n)

其中，η为学习因子(0≤η≤1)。

神经网络可根据需要更新其权值来改变动态模块的行为。网络学习的算法是以偏差最小为目标，这与反馈控制的目标相一致。网络的训练即DMC控制器的训练采用典型实验数据进行。当过程动态特性发生变化的时候，权值的自适应能力帮助控制器减小偏差。基于神经网络的DMC控制器能记忆一部分历史数据，为了解过程动态特性提供有价值的信息。相比之下，数字式PID控制器只保留当前和之前的两个采样数据。在这一点上，PID控制器几乎没有任何记忆能力，而DMC拥有一个记忆控制器所必需的记忆能力。

具体到本发明方案中，每个喷氨阀均采用一个DMC控制器(本例中共有两个喷氨阀)，每个DMC控制器实现一个喷氨阀的喷氨量给定值控制，给定值来源于上一层优化(第二RBF神经网络)输出结果，所有喷氨阀的控制合并起来间接实现了喷氨总量的控制。具体步骤包括：对于每个DMC控制器，假设当前时刻为k时刻，则控制器输入为k时刻、k-1时刻、k-2时刻的喷氨量采样值与设定值的偏差与偏差变化率，而控制器的输出只有一个变量——喷氨阀的开度。也即，根据往期喷氨总量的采样值及往期各喷氨阀的喷氨量设定值的采样值，使用DMC确定各喷氨阀的喷氨量设定值的偏差和偏差变化率；根据各喷氨阀的喷氨量设定值的偏差和偏差变化率，按照使用第二RBF神经网络获得的各喷氨阀的喷氨量设定值控制总喷氨量。

一个具体实例如图3所示，在脱硝系统的关键控制回路——喷氨量控制中，应用DMC控制器实现喷氨量的精确控制，保证优化策略的有效实施。为了不破坏原有DCS控制系统，本实例中将DMC控制回路并接在DCS中的PID控制器旁边，可构成相互切换的双路控制系统，这样对原有系统不会产生任何改变。

图3中，喷氨量设定值来自于优化模型的输出，DMC控制器的权重参数的训练，采用前期PID控制试验，即将选择开关闭合到PID控制回路，在不同的给定值下，通过调整PID参数使系统到达某种稳态，从而获得过程试验数据(给定值变化范围内，至少完成5组以上不同设定值的控制实验)。依据过程试验数据对DMC控制器(神经网络)进行训练，DMC的输入为连续n个时刻的喷氨量给定值与测量值偏差与偏差变化率，在本例中DMC控制器的n取为3，则神经网络共有6个输入分别为k时刻、k-1时刻、k-2时刻的偏差与偏差变化率，本例中输出为一个控制量——喷氨阀的开度，喷氨阀为执行机构。对于核函数的选取，有多种选择(如，高斯函数、三角核函数、双指数核函数等)。本发明中采用高斯核函数。按照以上所构造的网络结构，可以训练该DMC控制器使其匹配输入数据x_p(p＝1,2,···,6)到输出数据d_q(q＝1)之间的映射关系。

本例中DMC控制器中的隐含层神经元个数I＝6，通常情况下，I≤P，P为DMC输入变量个数。高斯核函数中有一个参数需要确定，即核宽度σ。这里，σ用下式计算：其中，d_max为所I个径向基函数中心之间的最大距离。也可通过其它寻优算法来寻找合适的核函数宽度，即合适的核函数宽度应该使得输出误差和最小。

DMC训练获得学习权值w_ki(k＝1,2···,K；i＝1,2···,P)。权值的学习仍采用采用梯度下降迭代的最小二乘法(LeastMeanSquare,LMS)方法，LMS算法需要注意的两点是：第一，LMS算法输入为RBF网络隐层的输出；第二，RBF网络输出层的神经元只是对隐层神经元的输出加权求和。

以下，不失一般性，以600MW燃煤锅炉(四角切圆)为例，对本发明的方案进行举例说明。

如图5所示，是本实施例中的一种SCR烟气脱硝系统控制方法的原理图。

由图中可见，通过基于RBF神经网络的脱硝入口NOx预测模型，即第一RBF神经网络，生成NOx的预测值，并发送给第二RBF神经网络。脱硝入口NOx的预测模型采用径向基网络强大的非线性拟合功能，解决锅炉脱硝系统的多变量非线性预测建模的技术难题。径向基函数网络模块具有较强的适应复杂环境和多目标控制要求的能力(自组织，自学习，自适应)，通过有效的数据训练，建立锅炉脱销系统NOx的预测模型，并在运行过程中，利用滞后的测量值对预测模型的输出进行动态修正，使脱硝系统的预测结果一直保持在可接受的误差范围之内(相对误差在±8％以内)，而不至于发生大的预测偏离。

在600MW燃煤锅炉(四角切圆)的应用场景中，预测模型的建立过程包括：脱硝入口NOx预测模型的输入变量选择为机组负荷、一次总风量、二次总风量、燃烧器摆角、7层SOFA燃尽风门开度、炉膛各层二次风门开度(包括AA层、A层、AB层、B层、BC层、C层、CD层、D层、DE层、E层、EF层、F层、FF层)、煤质测量值(灰分、挥发分、低位发热量三个测量值)、6层磨煤机出口风温、烟气含氧量、6层给煤机偏置信号、当前实测的滞后NOx浓度等，这些变量可以有效表征锅炉当前运行情况，包括风煤配比、煤质波动以及负荷变化等因素，因此，能够很好的预测出锅炉燃烧后NOx的实时变化值。此外，将滞后的当前NOx测量值也作为重要因素考虑进预测模型中，可以对预测模型的输出进行动态修正，使脱硝系统的预测结果不会发生较大的预测偏离。

修正时，因当前NOx测量值实际上反映的是当前时刻之前某一时刻的NOx浓度预测值(大概10min以前)，也就是说它实际应该与向前推第n个时刻的预测值相似，因此，可以利用这个测量值作为估计真值对模型的预测误差进行一定的评估，即将当前测量值减去第n个时刻的预测值，再求相对误差，一旦相对误差超出了规定预测误差范围(相对误差在±8％以内)后，预测模型需要进行一定的更新，加入新样本和新的测量值，剔除时间最久的相应的旧样本，进行预测模型的重新训练，实现模型的调整。

第二RBF神经网络接收了第一RBF神经网络的NOx的预测值，以及SCR烟气脱硝系统的运行参数，可以作为确定NH₃设定值及喷氨阀调节比例的依据。首先，基于试验和运行数据建立正向得脱销系统运行RBF模型，之后依据模型实现基于遗传算法的在线喷氨量和调节阀开度的在线寻优。该模型综合学习了与脱硝效率有关的主要状态量信息，实现了运行变量与脱硝系统出口NOx浓度和出口氨逃逸率之间的非线性关系，最后，依据该模型反向求取最佳喷氨量和喷氨调节阀等的可调参数，实现脱销系统优化运行。

在600MW燃煤锅炉(四角切圆)的应用场景中，第二RBF神经网络的建立过程包括：正向第二RBF神经网络模型的建立，输入变量选择为脱硝入口NOx预测值、氨气流量(A/B侧)、氨空比(A/B侧)、喷氨调节阀(A/B侧)、脱硝反应器差压(A/B侧)、脱硝反应器出口氧量(A/B侧)、反应器入口烟气温度(A/B侧)等共13个变量，这些变量可以有效表征脱硝系统当前运行情况，因此，能够较好的反映脱硝系统当前的运行情况。在建立第二RBF神经网络模型之后，采用遗传算法对最佳喷氨量和喷氨调节阀等可调变量寻找最佳值。

本发明方案中，采用GA搜索径向基函数网络的连接权值和神经元的偏置值，求取最能够适配输入和输出映射的网络结构和参数。通过构造锅炉实际脱硝效率和径向基函数网络输出间的最小均方误差(MinimumSquareError,MSE)为代价函数，然后利用遗传算法来训练径向基函数的中心、宽度、和连接权值，使训练后的径向基网络函数能够适配锅炉燃烧系统的输入和输出数据。

在确定了最佳喷氨量和最佳喷氨调节阀等可调变量的数值后，通过基于DMC控制器进行喷氨实时控制。由于传统的PID采用固定了NOx出口控制逻辑实现喷氨量控制，存在响应时间慢、调节时间长，且动态误差非常大，造成了控制效果不佳，无法实现准确跟踪和快速控制等问题。在本发明方案中，如果仍然沿用传统的PID控制器，控制效果并不是很理想，无法保证优化策略的有效实施。为此，本发明方案中，采用了DMC控制器对控制逻辑进行优化。脱硝系统在线优化在原有DCS控制系统的基础上做上一层监督控制，不改变脱硝系统的现有硬件，因此可以保证电厂脱硝系统运行的安全性和稳定性。该优化具有全面协调系统的功能，可以直接给出优化运行方案或直接参与运行优化控制，一定程度上，弥补了DCS系统的不足。

与现有的电厂DCS系统中没有脱硝系统的优化策略或优化程序，只实现人工输入给定值下的PID闭环控制相比，本发明实施例提供的系统对输入的给定值通过优化策略自动给出脱硝控制的设定值。因此，在一定程度上可以弥补DCS系统的不足。此外，由于原有DCS系统在脱硝喷氨量控制上采用的是PID控制，而脱销系统呈现出较强的非线性和时变性，因此，传统的PID往往不能取得较好的控制效果，为此，在不改变DCS系统上增加了旁路控制器——DMC非线性控制器，该控制器旁路与原有DCS控制器可实现在线人工切换，不影响原有系统的运行。而增加的脱硝系统优化策略部分也是位于原有DCS系统之外，通过优化策略获得的优化设定值可以给DMC控制器，也可以当切换到原有DCS控制器时，给PID控制器作为设定值。因此，逻辑上说，该优化策略位于DCS上层的监督控制层。

通过本发明的SCR烟气脱硝系统控制方案，(1)采用径向基函数(RadialBasisFunction,RBF)网络建立煤粉锅炉脱硝系统入口处NOx浓度的预测模型，该模型可有效克服脱硝入口处NOx浓度测量信号存在长时间滞后问题。此外，采用滞后的测量值动态微调神经网络权值，实现预测误差修正，保证神经网络预测偏差始终在允许范围内。(2)鉴于传统PID不能实现变工况下喷氨量的准确控制，本发明提出基于数据模型(DMC)的控制算法，该方法与PID控制器相似，根据设定值和过程变量之间的偏差和偏差变化率决定如何最好的控制过程，但与传统PID控制器不同的是，它通过前N个采样值来分析偏差和偏差变化率来实现控制，这就使控制器可以观察到过程的动态特性。因此，DMC是基于大量历史数据趋势指导控制，可实现对脱硝系统喷氨量的大滞后、强非线性等特点的比较精确控制，保证优化策略实施。(3)在锅炉燃烧过程受到煤质、环境温度、锅炉设备大修等工况变化的影响时，在历史训练用数据中合理融入新发生数据，定期更新原有的神经网络模型，以适应随时可能发生的工况变化。按照时间由近及远变化的情况，赋予数据一定的遗忘因子，距离当前时刻越远的数据的遗忘程度越高，当前数据则“无遗忘”地融入训练数据集。这样，可保证在线更新后的网络能够“及时地”适应变化后的外部工况，实现模型更新。

基于上述的SCR烟气脱硝系统控制方案，本发明还提供了一种SCR烟气脱硝系统控制设备。本领域技术人员应当明了，该设备用于实现上述的SCR烟气脱硝系统控制方案，鉴于上述的SCR烟气脱硝系统控制方案的描述，对本发明实施例中提供的SCR烟气脱硝系统控制设备的描述较为简单，其中的相同或相关部分可参考前述SCR烟气脱硝系统控制方案中的描述。

如图3所示，是本实施例中的一种SCR烟气脱硝系统控制设备的结构框图。

该SCR烟气脱硝系统控制设备包括：第一RBF神经网络模块201，用于根据锅炉运行参数和SCR烟气脱硝系统的NOx的采样浓度，使用第一RBF神经网络获得锅炉燃烧后生成的NOx的预测值；第二RBF神经网络模块202，用于根据NOx的预测值和SCR烟气脱硝系统的运行参数，使用第二RBF神经网络获得用于进行SCR烟气脱硝各喷氨阀的喷氨量设定值；DMC控制模块203，用于使用基于DMC的喷氨量控制器，按照各喷氨阀的喷氨量设定值控制总喷氨量，进行SCR烟气脱硝处理。

本实施例的SCR烟气脱硝系统控制设备，通过第一RBF神经网络模块201建立锅炉燃烧可调输入变量(配煤和配风等相关变量)与脱硝入口处NOx浓度之间的非线性预测模型，克服入口处NOx严重滞后问题，并为下一步准确计算喷氨量奠定基础；通过第二RBF神经网络模块202，在满足脱硝反应条件和脱硝效率的前提下，建立脱硝系统输入输出优化模型，通过该模型准确获取喷氨量及分布比例，合理调整NH3的浓度场，避免过量NH3逃逸；通过DMC控制模块203，解决了传统PID不能实现变工况下喷氨量的准确控制的问题，实现了对脱硝系统喷氨量的大滞后、强非线性等特点的比较精确的控制，能够保证优化策略的实施。

如图4所示，是本实施例中的另一种SCR烟气脱硝系统控制设备的结构框图，该SCR烟气脱硝系统控制设备对图3中所示的SCR烟气脱硝系统控制设备进行了进一步优化。

该优化后的SCR烟气脱硝系统控制设备包括：第一RBF神经网络模块301，用于根据锅炉运行参数和SCR烟气脱硝系统的NOx的采样浓度，使用第一RBF神经网络获得锅炉燃烧后生成的NOx的预测值；第二RBF神经网络模块302，用于根据NOx的预测值和SCR烟气脱硝系统的运行参数，使用第二RBF神经网络获得用于进行SCR烟气脱硝的各喷氨阀的喷氨量设定值；DMC控制模块303，用于使用基于DMC的喷氨量控制器，按照各喷氨阀的喷氨量设定值控制总喷氨量，进行SCR烟气脱硝处理。

优选地，第一RBF神经网络模块301包括：输入层模块3011，用于通过第一RBF神经网络的输入层获取锅炉运行参数和SCR烟气脱硝系统的NOx的采样浓度；隐含层模块3012，用于通过第一RBF神经网络的隐含层，使用径向基函数对输入层接收的锅炉运行参数和NOx的采样浓度进行变换处理；输出层模块3013，用于通过第一RBF神经网络的输出层输出变换处理的结果，获得锅炉燃烧后生成的NOx的预测值。

优选地，第一RBF神经网络模块301还包括：修正模块3014，用于在输出层模块3013通过第一RBF神经网络的输出层输出变换处理的结果，获得锅炉燃烧后生成的NOx的预测值之后，使用往期NOx测量值对NOx的预测值进行修正。

优选地，锅炉运行参数包括：机组负荷、煤质测量值、一次总风量，各层二次风量、磨煤机出口风温、烟气含氧量、给煤机各层偏置信号、和前次实测的滞后NOx浓度。

优选地，第二RBF神经网络模块302包括：运行模型模块3021，用于根据NOx的预测值和SCR烟气脱硝系统的运行参数，建立正向的SCR烟气脱硝系统的运行特性模型；遗传算法模块3022，用于根据运行特性模型，使用遗传算法确定各喷氨阀的喷氨量设定值。

优选地，遗传算法模块3022在使用遗传算法确定各喷氨阀的喷氨量设定值时：使用遗传算法搜索径向基函数网络的连接权值和神经元的偏置值；根据连接权值和神经元的偏置值，确定各喷氨阀的喷氨量设定值。

优选地，径向基函数网络为根据代价函数，使用遗传算法训练后的径向基函数网络；其中，代价函数为锅炉的实际脱硝效率和径向基函数网络的输出间的最小均方误差函数。

优选地，SCR烟气脱硝系统的运行参数包括：脱硝反应器入口NOx浓度、氨气流量、氨空比、喷氨调节阀、脱硝反应器差压、脱硝反应器出口氧量、反应器入口烟气温度。

优选地，DMC控制模块303包括：偏差确定模块3031，用于根据往期喷氨总量的采样值及往期各喷氨阀的设定值的采样值，使用DMC确定各喷氨阀的喷氨量设定值的偏差和偏差变化率；喷氨控制模块3032，用于根据各喷氨阀的喷氨量设定值的偏差和偏差变化率，按照使用第二RBF神经网络获得的各喷氨阀的喷氨量设定值控制总喷氨量，进行SCR烟气脱硝处理。

本发明实施例提供的SCR烟气脱硝系统控制设备中，通过第一RBF神经网络模块301，建立锅炉燃烧可调输入变量(包括锅炉运行参数和SCR烟气脱硝系统的NOx的采样浓度)与脱硝入口处NOx浓度之间的非线性预测模型，从而预测脱硝入口处NOx浓度，为喷氨量的准确计算奠定基础；采用第二RBF神经网络模块302，建立脱硝系统输入输出优化模型，将NOx的预测值和SCR烟气脱硝系统的运行参数等作为网络输入，将喷氨量、脱硝效率作为网络输出来训练神经网络获得优化模型，通过该模型准确获取喷氨量及分布比例，合理调整NH₃的浓度场，减少NH₃的逃逸率，降低脱硝系统成本，提高脱硝效率。此外，还通过DMC控制模块303，解决了传统PID控制器(ProportionIntegrationDifferentiation，比例-积分-微分控制器)不能实现变工况下喷氨量的准确控制的问题，其通过前N个采样值来分析偏差和偏差变化率来实现控制，使控制器可以观察到过程的动态特性，其基于大量历史数据趋势指导控制，可实现对脱硝系统喷氨量的大滞后、强非线性等特点的比较精确控制，保证优化策略实施。

可见，本发明实施例提供的SCR烟气脱硝系统控制设备通过准确预测脱硝入口NOx浓度，控制进入脱硝系统的烟气温度，优化喷氨总量和喷氨阀门的喷氨量，达到了提高反应器中催化剂活性和调整NH₃的浓度场分布均匀性，有效解决了电厂锅炉低负荷运行脱硝效率低的问题。该设备可有效提高脱硝效率，降低SCR脱硝系统出口NH₃逃逸率，避免锅炉后续设备(例如空预器)的积灰、堵塞，降低NOx排放，提高锅炉脱硝系统的安全性、可靠性、和经济性。

最后应说明的是：以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。

Claims (10)

1.一种选择性催化还原法SCR烟气脱硝系统控制方法，其特征在于，包括：

根据锅炉运行参数和SCR烟气脱硝系统的氮氧化物NOx的采样浓度，使用第一径向基函数RBF神经网络获得锅炉燃烧后生成的NOx的预测值；

根据所述NOx的预测值和所述SCR烟气脱硝系统的运行参数，使用第二RBF神经网络获得用于进行SCR烟气脱硝的各喷氨阀的喷氨量设定值；

使用基于动态矩阵控制DMC的喷氨量控制器，按照各喷氨阀的喷氨量设定值控制总喷氨量，进行SCR烟气脱硝处理。

2.根据权利要求1所述的方法，其特征在于，所述根据锅炉运行参数和SCR烟气脱硝系统的氮氧化物NOx的采样浓度，使用第一径向基函数RBF神经网络获得锅炉燃烧后生成的NOx的预测值的步骤包括：

通过所述第一RBF神经网络的输入层获取锅炉运行参数和SCR烟气脱硝系统的NOx的采样浓度；

通过所述第一RBF神经网络的隐含层，使用径向基函数对所述输入层接收的所述锅炉运行参数和所述NOx的采样浓度进行变换处理；

通过所述第一RBF神经网络的输出层输出所述变换处理的结果，获得锅炉燃烧后生成的NOx的预测值。

3.根据权利要求2所述的方法，其特征在于，在通过所述第一RBF神经网络的输出层输出所述变换处理的结果，获得锅炉燃烧后生成的NOx的预测值的步骤之后，还包括：

使用往期NOx测量值对所述NOx的预测值进行修正。

4.根据权利要求1至3任一项所述的方法，其特征在于，所述锅炉运行参数包括：机组负荷、煤质测量值、一次总风量，各层二次风量、磨煤机出口风温、烟气含氧量、给煤机各层偏置信号、和前次实测的滞后NOx浓度。

5.根据权利要求1所述的方法，其特征在于，根据所述NOx的预测值和所述SCR烟气脱硝系统的运行参数，使用第二RBF神经网络获得用于进行SCR烟气脱硝的各喷氨阀的喷氨量设定值的步骤包括：

根据所述NOx的预测值和所述SCR烟气脱硝系统的运行参数，建立正向的SCR烟气脱硝系统的运行特性模型；

根据所述运行特性模型，使用遗传算法确定各喷氨阀的喷氨量设定值。

6.根据权利要求5所述的方法，其特征在于，所述使用遗传算法确定各喷氨阀的喷氨量设定值的步骤包括：

使用遗传算法搜索径向基函数网络的连接权值和神经元的偏置值；根据所述连接权值和神经元的偏置值，确定各喷氨阀的喷氨量设定值。

7.根据权利要求6所述的方法，其特征在于，所述径向基函数网络为根据代价函数，使用遗传算法训练后的径向基函数网络；其中，所述代价函数为所述锅炉的实际脱硝效率和所述径向基函数网络的输出间的最小均方误差函数。

8.根据权利要求5至7任一项所述的方法，其特征在于，所述SCR烟气脱硝系统的运行参数包括：脱硝反应器入口NOx浓度、氨气流量、氨空比、喷氨调节阀、脱硝反应器差压、脱硝反应器出口氧量、反应器入口烟气温度。

9.根据权利要求1所述的方法，其特征在于，所述使用基于DMC的喷氨量控制器，按照各喷氨阀的喷氨量设定值控制总喷氨量的步骤包括：

根据往期喷氨总量的采样值及往期各喷氨阀的喷氨量设定值的采样值，使用DMC确定各喷氨阀的喷氨量设定值的偏差和偏差变化率；

根据各喷氨阀的喷氨量设定值的偏差和偏差变化率，按照使用第二RBF神经网络获得的各喷氨阀的喷氨量设定值控制总喷氨量。

10.一种选择性催化还原法SCR烟气脱硝系统控制设备，其特征在于，包括：

第一RBF神经网络模块，用于根据锅炉运行参数和SCR烟气脱硝系统的氮氧化物NOx的采样浓度，使用第一径向基函数RBF神经网络获得锅炉燃烧后生成的NOx的预测值；

第二RBF神经网络模块，用于根据所述NOx的预测值和所述SCR烟气脱硝系统的运行参数，使用第二RBF神经网络获得用于进行SCR烟气脱硝的各喷氨阀的喷氨量设定值；

DMC控制模块，用于使用基于动态矩阵控制DMC的喷氨量控制器，按照各喷氨阀的喷氨量设定值控制总喷氨量，进行SCR烟气脱硝处理。