能源研究与信息  2022, Vol. 38 Issue (3): 155-160   PDF    
基于支持向量机的垃圾焚烧炉SNCR系统优化控制
洪新, 张晓斌, 何骏     
北京首创环境科技有限公司第一分公司,北京 100028
摘要:针对目前垃圾焚烧厂选择性非催化还原(SNCR)系统工程应用中的问题,提出了SNCR控制系统优化方案。引入声波测温系统测量炉膛二维温度场,实现了SNCR系统分区精准喷射还原剂。采用支持向量机建立的SNCR系统模型预测烟气氮氧化物排放浓度的准确率达98.82%。设计了SNCR系统的PLC控制逻辑,可实现对各种工况下还原剂喷入量的精确控制。该优化方案针对性地解决了SNCR系统的工程问题,提高了脱硝效率。
关键词垃圾焚烧炉     SNCR     支持向量机     声波测温    
Optimized control of selective non-catalytic reduction system in a waste incinerator based on support vector machine
HONG Xin, ZHANG Xiaobin, HE Jun     
First Branch of Beijing Capital Environmental Technology Co., Ltd., Beijing 100028, China
Abstract: Aiming at the engineering problems of selective non-catalytic reduction (SNCR) system in waste incineration plants, an optimization scheme of its control system was proposed. The acoustic pyrometry was introduced to obtain two-dimensional temperature field in the furnace for accurate injection of reducing agent by SNCR system. SNCR system model was established with the accuracy of 98.82% for the prediction of NOx emission in flue gas based on support vector machine. PLC control logics of SNCR system was designed for accurate control of reductant injection under various working conditions. The optimization scheme could solve the engineering problems of SNCR system and improved the denitration efficiency.
Key words: waste incinerator     selective non-catalytic reduction     support vector machine     acoustic pyrometry    

选择性非催化还原 ( selective non-catalytic reduction,SNCR)脱硝技术以其投资少、运行成本低等优点成为垃圾焚烧脱硝( $ {\text{N}}{{\text{O}}_x} $ )的首选方法[1-2]

李茂东等3全面概述了SNCR在城市垃圾焚烧发电锅炉中的应用研究进展,包括数值模拟、还原剂、喷嘴、垃圾床层内燃烧、二次燃烧、添加剂等方向。朱传强等4在500 t·d−1垃圾焚烧炉中进行了无软水稀释的氨水喷射SNCR的工程试验,SNCR工艺最佳温度区间为830~870 ℃,发现最优化氨氮比(物质的量的比)为1.6。白建云等5建立BP神经网络模型,实现了锅炉生成 $ {\text{N}}{{\text{O}}_x} $ 质量浓度的在线预测,测量所得 $ {\text{N}}{{\text{O}}_x} $ 质量浓度比传感器实测数据提前120 s。李红民等6提出一种喷氨量自适应模糊 PID控制策略,该策略具有超调量小、调节迅速的优点,从而实现喷氨量的实时准确控制。崔卫星等7引入机器学习模块,模块设定主调节阀氨水上限、下限,保证烟气出口 $ {\text{N}}{{\text{O}}_x} $ 的排放值小于120 mg·Nm−3,逃逸控制在 8 mg·m−3 以下。朱竹军等8设计了一种基于专家模糊的 SNCR 脱硝系统自动控制策略,应用于某电厂300 MW 循环流化床(CFB)机组,氨水量能较好地跟随 $ {\text{N}}{{\text{O}}_x} $ 的变化, $ {\text{N}}{{\text{O}}_x} $ 排放量与设定值之间的每小时平均误差小于±2 mg·Nm−3,同时氨水消耗量比手动调节降低了17.6%。吕钰等9将支持向量机应用于电站锅炉SNCR系统脱硝率预测模型中,平均相对误差和均方根误差都在2.5%以下。

SNCR技术在应用过程中存在以下问题:利用热电偶测量炉膛的温度时,同层热电偶测量数据存在偏差大的情况,测量数据不是SNCR脱硝反应的实际温度;SNCR系统 $ {\text{N}}{{\text{O}}_x} $ 脱除过程的大迟延、大惯性、多因素耦合等特性,使常规控制方法无法满足其控制要求6

本文提出垃圾焚烧炉SNCR系统优化控制方案:创新性引入声波测温系统,实现SNCR系统分区精准喷射还原剂;基于支持向量机建立SNCR系统模型,预测 $ {\text{N}}{{\text{O}}_x} $ 排放浓度,前馈调节尿素溶液流量,实现各种工况下精确控制还原剂的喷入量。

1 SNCR脱硝反应原理

SNCR技术属于燃烧后控制技术,是将尿素溶液或氨水等氨基物质在没有催化剂的情况下经雾化后喷入炉内,在800~1 050 ℃“温度窗口”条件下与 $ {\text{N}}{{\text{O}}_x} $ 反应还原生成无毒无害的氮气和水10

尿素溶液还原 $ {\text{N}}{{\text{O}}_x} $ 的化学反应方程式为

$ \qquad{\text{CO(N}}{{\text{H}}_{\text{2}}}{{\text{)}}_{\text{2}}} + {{\text{H}}_{\text{2}}}{\text{O}} \to {\text{2N}}{{\text{H}}_{\text{3}}} + {\text{C}}{{\text{O}}_{\text{2}}} $
$ \qquad4{\text{N}}{{\text{H}}_{\text{3}}} + {\text{4NO}} + {{\text{O}}_{\text{2}}} \to {\text{4}}{{\text{N}}_{\text{2}}} + {\text{6}}{{\text{H}}_{\text{2}}}{\text{O}} $
$ \qquad8{\text{N}}{{\text{H}}_3} + 6{\text{N}}{{\text{O}}_2} \to 7{{\text{N}}_2} + 12{{\text{H}}_2}{\text{O}} $

在尿素还原 $ {\text{N}}{{\text{O}}_x} $ 的同时,也会发生从尿素溶液挥发出来的 $ {\text{N}}{{\text{H}}_3} $ 分子与 $ {{\text{O}}_2} $ 的反应,即

$ \qquad4{\text{N}}{{\text{H}}_{\text{3}}} + 5{{\text{O}}_{\text{2}}} \to {\text{4NO}} + {\text{6}}{{\text{H}}_{\text{2}}}{\text{O}} $
$ \qquad4{\text{N}}{{\text{H}}_{\text{3}}} + 3{{\text{O}}_{\text{2}}} \to {\text{2}}{{\text{N}}_{\text{2}}} + {\text{6}}{{\text{H}}_{\text{2}}}{\text{O}} $

当反应温度高于“温度窗口”时, $ {\text{N}}{{\text{H}}_3} $ 的氧化反应占主要地位,尿素溶液分解出来的氨没有还原 $ {\text{N}}{{\text{O}}_x} $ ,反而和氧反应生成 $ {\text{N}}{{\text{O}}_x} $ 。反应温度是影响 SNCR 过程的主要因素。总的来说,尿素溶液还原 $ {\text{N}}{{\text{O}}_x} $ 的反应是尿素还原和氧化的两类反应相互竞争的结果,当反应温度在“温度窗口”内时还原反应占主要地位,当反应温度高于“温度窗口”时尿素的氧化反应和热力 $ {\text{N}}{{\text{O}}_x} $ 生成占主要地位。

此外,尿素溶液雾化效果也会影响 $ {\text{N}}{{\text{O}}_x} $ 脱除效果11,而它又与喷嘴型号、雾化压力、液体流量和压力等诸多因素有关。

2 基于支持向量机的SNCR系统建模

由于本文设计的带SNCR系统的垃圾焚烧炉处于建设阶段,所以选取规模、型号相同的垃圾焚烧炉的运行数据进行建模。建模对象为600 t·d−1垃圾焚烧炉的SNCR系统,该系统的核心为布置在 28.5、30.0 m标高处的尿素溶液喷射层,共设有 20支雾化喷枪。每层尿素溶液喷射层设有10支喷枪,其中锅炉第一烟道前墙布置4支喷枪,左、右墙分别布置2支喷枪,锅炉第二烟道左、右墙各布置1支喷枪。

2.1 SNCR系统模型参数

SNCR系统喷枪的雾化空气和尿素溶液均分别来自同一根压缩空气母管和尿素溶液母管,两者均装有调节阀以调节气压和水压。为了调节喷射溶液的浓度,尿素溶液母管的溶液由较浓的尿素溶液与稀释水混合而得。通过调节尿素溶液阀和稀释水阀的开度可以得到不同的尿素溶液浓度和喷射液体流量。稀释水流量、尿素溶液母管的流量及尿素溶液压力为该系统的3个参数,它们决定了还原剂的用量和雾化效果。

此外,垃圾焚烧炉的燃烧工况也会影响 $ {\text{N}}{{\text{O}}_x} $ 生成和SNCR脱硝效率。第一通道炉膛中上部温度接近脱硝反应温度。炉膛含氧量直接影响 $ {\text{N}}{{\text{O}}_x} $ 的产生,因此锅炉出口烟气含氧量也作为重要参数引入模型中。另外,锅炉的负荷工况不但会影响 $ {\text{N}}{{\text{O}}_x} $ 还原区域的温度分布,而且会影响烟气量的变化,从而影响液滴的射程和轨迹。因此,锅炉的负荷也作为一个参数引入模型中。

SNCR系统的脱硝率预测模型有 8个输入参数,分为两类:锅炉运行参数,包括主蒸汽压力、流量,锅炉出口烟气含氧量,第一通道炉膛中上部温度,烟气流速;SNCR系统参数,包括稀释水流量、尿素溶液母管的流量和尿素溶液压力。模型输出参数为 $ {\text{N}}{{\text{O}}_x} $ 排放浓度。

本文中采集焚烧炉连续平稳运行一天的DCS数据(每秒记录一次数据,最后得到172 801条数据,每条DCS数据包含9个参数)。

2.2 SNCR系统建模

支持向量机 ( support vector machines,SVM) 是Vapnik等提出的一种新的机器学习算法。该算法在样本训练过程中采用结构风险最小原则,同时兼顾泛化能力,有效地避免了过学习和欠学习现象的产生11

本文选用SVM构建SNCR系统模型,建模的流程如图1所示。从DCS获取数据后,对数据进行预处理,所有数据均有效,无需剔除。数据随机划分为训练集和测试集后,分别进行数据归一化。超参数 $ C $ (或称惩罚因子)和超参数 $ g $ 对 SVM 的性能影响最大12 $ C $ 决定模型对样本错误分类的容忍程度, $ C $ 越大,容忍程度越低,对样本的拟合能力越强,容易出现过拟合,对测试样本的预测能力减弱; $ C $ 越小,对样本的拟合能力减弱,容易出现欠拟合。 $ g $ 取值与样本的划分精细程度有关。 $ g $ 越小,SVM算法在低维空间中选择的分类曲线越复杂,算法试图将每个样本都与其他样本区分开来,容易出现过拟合; $ g $ 越大,划分的类别越粗,可能导致无法将数据区分开来,容易出现欠拟合。因此,本文采用网格搜索法来寻找最优的 $ C $ $ g $ 13。网格搜索法是指在 $ C $ $ g $ 的常用取值范围内各自按照一定数据间隔获取数值,然后将两者数值组合成一系列参数对用于验证14。该方法可以遍历 $ C $ $ g $ 的大部分可能取值,减少错失最优 $ C $ $ g $ 的可能性。

图 1 SNCR系统建模流程图 Fig.1 Flow chart of SNCR system modeling

为了全面考察该模型的预测效果,采用均方根误差 $ {R_{\rm{e}}} $ 来评价预测值和真实值之间的吻合程度,表达式为

$ \qquad R_{\rm{e}}=\sqrt{\dfrac{1}{n}{{\displaystyle \sum\limits_{i=1}^{n}{\left( \dfrac{{{y}_{i}}-{{{\hat{y}}}_{i}}}{{{{\hat{y}}}_{i}}} \right)}}^{2}}} $ (1)

式中: $ n $ 为预测样本数量; $ {y_i} $ 为预测值; ${{\hat{y}}_{i}}$ 为真实值。

最终,通过网格搜索法得到的最优参数为: $ C = 22.627\;4 $ $ g = 1.414\;2 $ 。均方根误差为0.002 55,模型预测准确率为98.82%。测试集预测值和真实值对比如图2所示。

图 2 测试集预测值和真实值对比 Fig.2 Comparison of predicted values and practical values in test set
3 SNCR控制系统

SNCR控制系统的控制器采用西门子S7 1200系列PLC,人机界面采用WINCC组态软件。数据通信部分,PLC与DCS采用PROFIBUS DP通信协议,获取主蒸汽压力、流量,锅炉出口烟气含氧量,第一通道炉膛中上部温度等DCS参数,同时获取烟气在线系统的烟气流速、 $ {\text{N}}{{\text{O}}_x} $ 排放浓度、氨逃逸浓度等参数,并上传SNCR系统运行参数。PLC与声波测温系统采用MODBUS通信协议,获取炉膛温度场分布数据。利用第三方软件实现SNCR系统模型迭代和模型输出,通过OPC标准接口与WINCC组态软件实时数据交互。

3.1 声波测温系统

针对利用热电偶测量炉膛的温度时存在的问题,引入声波测温系统测量炉膛温度,获得炉膛二维温度场,以实现SNCR系统分区精准喷射还原剂。

声波测温系统具有高分辨率、高准确性、不受辐射的影响、设备稳定等优点。声学测温方法的基本原理是基于声波在气体介质中的传播速度是该气体组分和绝对温度的函数,其关系可表示为

$ \qquad c = \sqrt {\frac{{\gamma RT}}{m}} $ (2)

式中: $c$ 为声波的传播速度,m·s−1 $ \gamma $ 为气体绝热指数,为定压比热容与定容比热容之比; $ R $ 为气体常数,8.314 J·(mol·K)−1 $ T $ 为气体绝对温度,K;m为摩尔质量,kg·mol−1

由于测温路径的距离已知,通过测量声波在发射装置和接收装置之间的传播时间 $ t $ ,可以确定声波在传播路径上的平均速度。再根据式(2)便可以求出声波传播路径上烟气的平均温度。若干条测温路径组成一个复杂的线温度网,再根据温度场重建算法计算出多个温度区域的温度,并获得断面二维温度场分布图15-17

声波测温系统在锅炉24.82 m标高处设8个声波测温点,其中前墙4个,左、右墙各2个。每个测温点同时具备发射和接收功能。声波测温系统将整个炉膛划分为8个温度场区域。每对声波发生与接收器组成一条测温线,共20条。本系统采用“一发多收”的方式,即1个测温点发出声波,其余非同侧测温点同时接收,同时计算并更新对应测温路径上的温度。图3为声波测温系统测温点布置。结合炉膛平面层间的温度差值,建立三维温度场数据。SNCR喷枪分布与温度分区对应,三维温度场能反映各支喷枪尿素溶液反应温度。SNCR系统投用时,选择最合适的温度分区喷入尿素溶液,以提高脱硝效率,同时减少因脱硝反应温度低产生的氨逃逸。

图 3 声波收发单元与喷枪布置图 Fig.3 Layout of acoustic transceiver unit and spray gun
3.2 PLC控制逻辑

PLC控制逻辑采用串级控制,控制逻辑框图如图4所示。图中:内回路采用常规 PID 控制器对阀门开度到尿素溶液流量进行控制,被控对象是尿素溶液调节阀;外回路针对各典型工况下SNCR脱硝系统设计不同的控制策略。

图 4 PLC控制逻辑框图 Fig.4 Logic block of PLC control

氨逃逸浓度低于高限制时,外回路从尿素溶液流量到 $ {\text{N}}{{\text{O}}_x} $ 排放浓度这一过程采用PID控制器进行控制。此时,为应对SNCR脱硝系统的大迟延、大惯性特性,根据SNCR系统模型 $ {\text{N}}{{\text{O}}_x} $ 排放浓度预测值,引入前馈调节18。而前馈调节的控制条件和调节值为

$|y-\hat{y}| > {y_{{\rm{set}}}}$ 时,有

$ \qquad \Delta F=F(y-\hat{y}) $ (8)

式中: $ y $ $ {\text{N}}{{\text{O}}_x} $ 排放浓度预测值; $\hat{y}$ $ {\text{N}}{{\text{O}}_x} $ 排放浓度测量值; $\mathop y\nolimits_{{\rm{set}}}$ 为死区值; $ \Delta F $ 为尿素溶液流量修正量。

$ {\text{N}}{{\text{O}}_x} $ 排放浓度达标且氨逃逸浓度超过高限制时,认定此时SNCR系统尿素喷入量超过脱硝反应的需求值。外回路以氨逃逸浓度为控制对象,采用PID控制器反向调节尿素溶液流量设定值,减少SNCR系统尿素喷入量。

烟气在线系统中 $ {\text{N}}{{\text{O}}_x} $ 和氨逃逸的在线分析仪器需要定期标定和检修,当 $ {\text{N}}{{\text{O}}_x} $ 和氨逃逸浓度测量异常时,引入专家规则,以烟气量调节尿素溶液流量设定值。根据经验设定额定烟气量下喷入的尿素溶液流量,然后根据烟气量的变化按线性比例进行调节。采用烟气量调节为近似调节,它是 $ {\text{N}}{{\text{O}}_x} $ 和氨逃逸调节的补充19

4 结 论

本文研究了600 t·d−1的垃圾焚烧炉SNCR系统,介绍了SNCR系统的优化控制方案。引入声波测温系统,实现SNCR系统分区精准喷射还原剂。采用支持向量机建立SNCR系统模型,预测 $ {\text{N}}{{\text{O}}_x} $ 排放浓度,实现各种工况下精确控制还原剂的喷入量。

参考文献
[1]
邓靖, 罗慧, 刘玉坤. 生活垃圾焚烧烟气脱硝技术对比[J]. 节能与环保, 2021(7): 66-68. DOI:10.3969/j.issn.1009-539X.2021.07.026
[2]
邹金生, 王志强. 选择性非催化还原烟气脱硝技术在垃圾焚烧发电厂的应用[J]. 华电技术, 2012, 34(5): 71-73,76.
[3]
李茂东, 杨波, 倪进飞, 等. SNCR在城市垃圾焚烧发电锅炉中的应用研究进展[J]. 节能技术, 2016, 34(1): 63-67. DOI:10.3969/j.issn.1002-6339.2016.01.016
[4]
朱传强, 胡利华, 沈宏伟, 等. 生活垃圾焚烧选择性非催化还原(SNCR)的工程试验研究[J]. 工程热物理学报, 2020, 41(8): 2089-2095.
[5]
白建云, 朱竹军, 张培华. 基于BP神经网络的循环流化床锅炉生成NOx质量浓度在线软测量 [J]. 热力发电, 2016, 45(12): 78-83. DOI:10.3969/j.issn.1002-3364.2016.12.078
[6]
李红民, 牟学成, 田兆鹏, 等. 自适应模糊PID在SNCR烟气脱硝系统中的仿真与应用[J]. 环境工程, 2017, 35(9): 87-91.
[7]
崔卫星, 吴永新, 王正权. 机器学习在SNCR控制系统中的应用[J]. 中国环保产业, 2020(7): 53-55.
[8]
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, 39(7): 34-38. DOI:10.16086/j.cnki.issn1000-0380.2017120048
[9]
吕钰, 王智化, 杨卫娟, 等. 基于支持向量机的电站锅炉SNCR系统建模[J]. 燃烧科学与技术, 2009, 15(6): 515-520. DOI:10.3321/j.issn:1006-8740.2009.06.007
[10]
王智化, 周昊, 周俊虎, 等. 不同温度下炉内喷射氨水脱除NOx的模拟与试验研究 [J]. 燃料化学学报, 2004, 32(1): 48-53. DOI:10.3969/j.issn.0253-2409.2004.01.010
[11]
周俊虎, 卢志民, 王智化, 等. 2.11兆瓦燃煤四角炉喷氨水脱硝试验[J]. 浙江大学学报:工学版, 2006, 40(6): 961-965.
[12]
史佳琪, 张建华. 基于多模型融合Stacking集成学习方式的负荷预测方法[J]. 中国电机工程学报, 2019, 39(14): 4032-4041. DOI:10.13334/j.0258-8013.pcsee.181510
[13]
奉国和. SVM分类核函数及参数选择比较[J]. 计算机工程与应用, 2011, 47(3): 123-124,128. DOI:10.3778/j.issn.1002-8331.2011.03.037
[14]
崔江, 冯赛, 张卓然, 等. 基于BLS的无刷发电机旋转整流器特征提取技术研究[J]. 中国电机工程学报, 2020, 40(12): 4004-4012.
[15]
沈国清. 基于声波理论的炉膛温度场在线监测技术研究[D]. 北京: 华北电力大学, 2007: 45-71.
[16]
吴莉. 基于声波理论的炉膛温度场重建技术研究[D]. 南京: 东南大学, 2015: 10-14.
[17]
蒲学森, 漆信东, 杨凯, 等. 声波测温在W形火焰锅炉中的应用[J]. 热力发电, 2020, 49(7): 93-97. DOI:10.19666/j.rlfd.201911166
[18]
白建云, 雷秀军. SNCR烟气脱硝系统多模型GPC-PID串级预测控制[J]. 电气自动化, 2021, 43(2): 30-34. DOI:10.3969/j.issn.1000-3886.2021.02.012
[19]
孔红. 生活垃圾焚烧厂SNCR脱硝系统的自动控制[J]. 环境卫生工程, 2018, 26(3): 23-25. DOI:10.3969/j.issn.1005-8206.2018.03.008