2017, Vol. 38
2. 吉林省电力科学研究院有限公司, 吉林 长春 130021
2. Jilin Electric Power Research Institute Co., Ltd., Changchun 130021, China
SCR(selective catalytic reduction)——选择性催化还原法是目前技术最成熟、应用最广泛的烟气脱硝技术[1].脱硝系统中, 在催化剂的作用下, 利用还原剂NH3有选择性地与烟气中的NOx反应并生成无毒无污染的N2和H2O.脱硝控制系统根据计算得出的氨气流量值来控制氨气调节门的开度, 进而实现氨气流量的自动控制.
目前电厂普遍采用PID控制喷氨量, 当机组的负荷在稳定状态时, 可取得较好的控制效果, 但在变工况条件下, 系统呈现出非线性、大滞后性, 则难以确保最佳喷氨量.喷氨量过少, 无法保证NOx排放标准；喷氨量过多, 不仅造成氨的浪费, 而且又造成新的污染.因此采用常规的控制方式往往难以取得较好的控制效果.
SCR喷氨系统控制方面的研究起初主要是针对现有的PID控制系统进行优化, 如引入负荷和参数整定等[2].文献[3]提出基于混合结构径向基函数网络型系数的自回归模型(RBF-ARX, radial basis function-auto-regressive with extra inputs)来预测控制喷氨量, 但釆用的是几个固定负荷点上的数据来建立模型, 与控制系统实际运行情况存在较大偏差.文献[4]设计了基于混结构RBF神经网络的喷氨流量最优控制系统, 但隐含层的神经元个数选择为固定值, 不能保证所选择的隐含层个数是最优值.文献[5]将Smith预估器与自抗扰控制技术相结合, 用于SCR脱硝控制系统.文献[6]针对变工况情况, 采用SA-RBF(sensitivity analysis-radial basis function)神经网络控制方法能够精确地控制喷氨量, 具有良好的适应能力.文献[3-6]所采用的先进方法仅是与传统的PID进行了比较, 先进控制方法明显优于PID控制.而文献[7]采用先进预测控制(MPC, model predictive control)方法进行仿真分析, 并且与现场实测进行了对比, 结果表明MPC可使出口NOx的波动范围变小.预测控制技术因其对模型要求较低、易于在线计算、控制效果较好等优点, 逐渐在过程控制领域得到越来越广泛的应用.相关文献中, 神经网络在预测控制中可以有两个用途[3-6]：一是非线性系统的神经网络建模；二是滚动优化问题的神经网络求解.本文先通过神经网络模型辨识出SCR系统, 然后用神经网络进行滚动优化, 从而对喷氨量进行有效控制.
1 预测控制的基本方法原理预测控制框图如图 1所示[8].图中:v为可测扰动, r为输出目标值, u是控制量.d是不可测扰动, 直接作用于目标.y是测量的输出, 可以评估实际输出值的准确性与否.z是影响测量准确性的噪声.yr为设定目标值，y是实际输出值.
|
图 1 模型预测控制框架 Fig.1 Model predictive control framework |
预测控制算法首先估计系统的模型, 在基于模型的前提下, 利用过程模型预测出系统在一定激励的作用下之后有限时刻内的响应.之后, 在限定条件下和惩罚函数的作用下一步一步求解最优值, 将得到的当前控制量作用于系统.通过检测实时的系统输出信息来对未来动态行为的预测进行及时修正.预测控制可分为3个步骤, 归结为预测模型、滚动优化和反馈校正3条原理[9].
2 SCR系统模型的建立 2.1 样本的选取为了能给模型网络提供全面、正确反映系统特性的输入与输出数据对, 采集并投入网络训练的数据应满足以下3点特性:遍历性、致密性和相容性[10].使学习样本尽可能囊括对象可能存在的所有状态空间情况, 并且在一定空间范围内的学习样本密度要合适, 这样才能把对象特性采集到.
本文讨论的影响SCR脱硝效率的因素主要有:① 入口NOx浓度；② SCR反应装置处的温度；③ 机组负荷(发电机有功功率)；④ SCR装置喷氨量.在电厂中上述因素通过现场监测系统可获得, 测得的数据分为A组和B组.考虑到脱硝机组是对称的, 故这里只讨论A组情况.输入数据如图 2所示.输出数据如图 3所示.
|
图 2 输入数据 Fig.2 Input data |
|
图 3 输出数据 Fig.3 Output data |
从图 3可以看出, 该输出值存在饱和现象.即当喷氨量达到一定上限时, SCR脱硝系统输出NOx浓度不再变低, 即此时的喷氨量有一些是以氨逃逸的形式出去的, 所以应从采集的数据中选取喷氨量相对不大的时间段数据.从图 2中可以看出温度变化量不大, 这里不再讨论.这里将采用动态神经网络, 利用神经网络的无限逼近非线性性能, 对SCR脱硝系统进行模型辨识.
2.2 训练数据的处理由于现场存在一些高频信号, 对这些数据先进行了高频滤波, 得到如图 4的输入数据和如图 5的输出数据曲线.
|
图 4 滤波后输入数据 Fig.4 Filtered input data |
|
图 5 滤波后输出数据 Fig.5 Filtered output data |
BP学习算法的性能评价函数是均方误差.不断地将网络输出与实际输出作比较, 然后每走一步就检查偏离目标轨迹的程度.再在基于当前位置的情况下, 调整下一步的行动方向.对于每个输入样本, 网络实际输出就与期望输出比较, 最速梯度法就会调整网络权值参数的大小, 这样便可减小均方误差, 优化性能函数[8].
经过多次调试, 选择输入层延时为10个采样周期, 输出延时为2个采样周期, 隐含层个数选择60个, 隐含层激活函数选择了非负对数logsig(x)函数.得到的预测仿真图与实际比较如图 6所示.由图 6可知预测相对较准确, 均方差为0.755 3, 在数据跳跃较大处误差偏离会稍大, 但仍然属于允许范围.为了进一步对网络模型进行分析, 作出了线性回归曲线, 如图 7所示.
|
图 6 预测与实测对比 Fig.6 Comparison between forecast and actual measurement |
|
图 7 预测与实测线性回归性 Fig.7 Predictive and measured linear regression (a)—训练:R=0.998 13; (b)—验证:R=0.993 60; (c)—测试:R=0.994 99; (d)—总体:R=0.996 88. |
由图 7可知, 对于训练数据、测试数据、校验数据, 其神经网络预测数据与实际数据的相似度都在0.99以上, 整体相似度达到0.996.可知相似度较好.
3 神经网络预测控制在预测控制作用中, 为了实现对未来输出进行多步预测, 在文献中已出现了多种方法[11].其中的一种方法是当控制时域为P步时, 就根据时间顺序建立P个网络, 其中隐含层采用Sigmoid函数(神经元的作用函数), 即
|
则第s个BP网络可表示为
|
(1) |
其中:角标s表示第s个BP网络；xi为第i个隐节点的输入, 对应的输出为zi; wijs表示输入节点j到隐节点i的连接权系数；wi0s表示隐节点i的输入偏移值; w0s为输入节点的输入偏移值.这P个网络的工作原理相同, 都是采用非线性自回归原理建立的网络.不同之处在于它们的输入量在时间上是相继错开的, 这样便能使网络输出反映未来不同时刻的输出预测值.而且这些网络在学习过程和实时预测都可以并行进行, 因此该方法可行, 且十分有效[12-13].
2.3节得到了SCR的预测模型, 从而得到了输入输出的映射关系.现在讨论其预测控制问题.根据预测控制的基本思路, 可以把神经网络的预测控制思路用图 8表示.
|
图 8 神经网络预测控制框图 Fig.8 Neural network predictive control block diagram |
在图 8中, 通过不断向前求解代价函数的最小值.在每一时刻, 求解一个非线性优化问题, 得到下一个控制作用量, 以此类推, 得到整个想要的控制域.2.3节中建立的神经网络模型, 在这里有两个作用, 一是作为预测模型, 二是其逆映射可以作为性能函数J(k)的优化根据, 具体过程如下.其中在时刻k的优化性能指标J(k)可表示为
|
(2) |
式中: 
将目标性能函数对输入值u(k+h－1)(h=1, …, P)求偏导:
|
(3) |
式中, 当s < h时
|
(4) |
式(4) 中等式右侧的
|
(5) |
而式(4) 中等式右侧的
|
(6) |
最终有
|
(7) |
这样, 可以初始设置一组控制量um(k), 利用模型(1) 计算出
|
(8) |
其中α为步长, 梯度值可根据式(7) 计算得到.将这一迭代过程反复进行, 一直到得到最小的J(k), 这时的u(k)便可作为最优控制量作用到系统中实施.
在基于神经网络预测控制原理的基础上, 搭建了控制系统框图.系统框图主要由三部分组成:信号输入(即输入时间序列)、控制优化部分、SCR脱硝系统部分.其中输入时间序列以采集到的数据为信号；优化部分采用梯度下降法(采用步长为0.5), 编写了一个S函数, S函数主要进行出口NOx浓度的优化, 通过不断迭代, 利用最速梯度法求得最优的喷氨量；SCR脱硝系统由得到的神经网络模型代替.控制方案搭建框图如图 9所示.
|
图 9 控制模块搭建图 Fig.9 Control module to build the map |
搭建好系统框图后, 设置仿真环境.设置仿真时间为50 s, 仿真步长为定步长1.0 s, 每1 s后读取时间序列里的数据, 通过时间序列的不断推进, 求得NOx浓度的输出.
为了得到较理想的数据, S函数里设定的迭代次数较长.仿真中分析了50个数据, 得到出口NOx浓度(图 10).实际测得的数据中, 氮氧化物排放量的最小值为47.85 mg/m3.而本文所提的方法, 氮氧化物排放量都在30 mg/m3以下, 优于实际测量值.
|
图 10 预测控制仿真图 Fig.10 Predictive control simulation diagram |
从图 10可知, 虽然有一些NOx出口浓度不稳定, 跳跃较大, 但大部分时间NOx出口浓度可以跟踪在设定值附近.从仿真的结果来看, 前50步控制效果较好；在预测时域较长之后, 控制效果逐渐不理想, 因此若能结合PID控制, 当入口NOx变化较剧烈, 用前馈先脱除一部分NOx物质, 这样控制效果会更好一些.
4 结论1) 针对电厂脱硝的控制问题进行了研究, 利用自回归观察采集到的一周数据, 从中选取了喷氨量相对不大的时间段数据, 尽量避免过量喷氨的影响.
2) 通过神经网络预测脱硝系统模型, 仿真结果表明预测出的数据和实际对比比较理想.
3) 采用基于神经网络的预测控制方法对喷氨量进行控制, 使用最速梯度法对性能函数进行优化, 然后作用于SCR脱硝系统, 结果表明预测模型输出能够追踪设定值.
| [1] | Jiang N, Shang K F, Lu N, et al. High-efficiency removal of NOx from flue gas by multitooth wheel-cylinder corona discharge plasma facilitated[J]. IEEE Transactions on Plasma Science, 2016, 44(11): 2738–2744. DOI:10.1109/TPS.2016.2609140 |
| [2] |
罗子湛, 孟立新.
燃煤电站SCR烟气脱硝喷氨自动控制方式优化[J]. 电站系统工程, 2010, 26(4): 29–31.
( Luo Zi-zhan, Meng Li-xin. Ammonia flow automatic control mode optimization of SCR flue gas DeNOx for coal-fired power plant[J]. Power System Engineering, 2010, 26(4): 29–31. ) |
| [3] | Peng H, Ozaki T, Toyoda Y, et al. RBF-ARX model based nonlinear system modeling and predictive control with application to a NOx decomposition process[J]. Control Engineering Practice, 2004, 12(2): 191–203. DOI:10.1016/S0967-0661(03)00050-9 |
| [4] |
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, 31(5): 108–113.
( Zhou Hong-yu, Zhang Zhen-hua, Zhang Jun, et al. Mixed structure-radial basis function neural network optimal control on spraying smmonia flow for supercritical boiler flue gas denitrification[J]. Proceedings of the CSEE, 2011, 31(5): 108–113. ) |
| [5] |
姜家国, 郭为民, 刘延泉, 等.
选择性催化还原脱硝系统Smith预估自抗扰控制[J]. 热力发电, 2016, 45(1): 54–59.
( Jiang Jia-guo, Guo Wei-min, Liu Yan-quan, et al. Auto disturbance rejection control based on Smith predictor in SCR denitrification system[J]. Thermal Power Generation, 2016, 45(1): 54–59. ) |
| [6] |
周洪煜, 赵乾, 张振华, 等.
烟气脱硝喷氨量SA-RBF神经网络最优控制[J]. 控制工程, 2012, 19(6): 947–951.
( Zhou Hong-yu, Zhao Qian, Zhang Zhen-hua, et al. Sensitivity analysis radial basis function neural network control on spraying ammonia flow denitrification[J]. Control Engineering of China, 2012, 19(6): 947–951. ) |
| [7] | Wu X, Shen J, Sun S, et al. Data-driven disturbance rejection predictive control for SCR denitrification system[J]. Industrial & Engineering Chemistry Research, 2016, 55: 5923–5930. |
| [8] | McKinley T L, Alleyne A G. Adaptive model predictive control of an SCR catalytic converter system for automotive applications[J]. IEEE Transactions on Control Systems Technology, 2012, 20(6): 1533–1547. DOI:10.1109/TCST.2011.2169494 |
| [9] | Hunt K J, Sbarbaro D, Zbikowski R, et al. Neural networks for control systems a survey[J]. Automatica, 1992, 28(6): 1083–1112. DOI:10.1016/0005-1098(92)90053-I |
| [10] | Golshan M, Macgregor J F. Latent variable model predictive control (LV-MPC) for trajectory tracking in batch processes[J]. Journal of Process Control, 2010, 20(4): 538–550. DOI:10.1016/j.jprocont.2010.01.007 |
| [11] | Yang T T, Gao Y.Neural networks control on spraying ammonia flow of SCR system[C]//2016 Chinese Control and Decision Conference.Shanghai, 2016:838-842. |
| [12] | Baljit S R, James S, Udaya K M. Model predictive direct slope control for power converters[J]. IEEE Transactions on Power Electronics, 2017, 32(3): 2278–2289. DOI:10.1109/TPEL.2016.2558523 |
| [13] | Camacho D E F, Bordons D C. Model predictive control[M]. New York: Springer, 2004. |