一種變負荷工況下火電廠鍋爐NOx排放控制方法與流程
2023-08-05 02:41:41
本發明涉及NOx排放控制
技術領域：
，具體是一種變負荷工況下火電廠鍋爐NOx排放控制方法。
背景技術：
：電站鍋爐排放的汙染物主要包括NOx和SO2，目前脫硫技術已被廣泛應用於電廠中，並取得了良好的效果，而對NOx的排放控制尚處於起步階段。由於鍋爐運行中大部分參數都會對NOx排放量產生影響且火電廠鍋爐各運行參數之間存在著複雜的耦合關係，給鍋爐的NOx排放量的預測與控制帶來了很大困難。合理的控制鍋爐運行參數能夠保證滿足鍋爐負荷的前提下達到最佳NOx排放量，有效降低鍋爐燃燒汙染物的排放，提高鍋爐運行效率。申請號為CN201510958383.8的中國專利「一種三次風濃淡分離降低鍋爐NOx排放的系統及方法」提供了一種三次風濃淡分離降低鍋爐NOx排放的系統及方法，不改變鍋爐原有制粉系統，在三次風排粉機出口增加煤粉濃淡分離器，將三次風有效分離為濃淡兩股氣流，濃煤粉流替代部分二次風，在主燃燒區形成欠氧環境，增強主燃燒區氣氛的還原性，減少NOx的排放；淡煤粉流噴入主燃燒區上部，迅速著火燃燒消耗氧氣，增強爐內NOx還原能力；主燃燒區減少的二次風量補充到高位燃盡風，保證了爐內煤粉的燃盡率。對於低揮發分無煙煤，可降低NOx排放40％以上。該技術方案中通過在鍋爐NOx排放系統基礎上進行改進，以及調整各部分之間工作過程、調整燃燒過程實現鍋爐低NOx排放。技術實現要素：本發明的目的在於提供一種變負荷工況下火電廠鍋爐NOx排放控制方法。本發明的技術方案：一種變負荷工況下火電廠鍋爐NOx排放控制方法，包括：建立鍋爐負荷預測模型和NOx排放預測模型；結合鍋爐負荷預測模型和NOx排放預測模型的預測結果，以滿足鍋爐負荷要求且NOx的排放量最小為優化目標，求解火電廠鍋爐最優控制量；將火電廠鍋爐最優控制量下發到火電廠鍋爐控制其運行。所述建立鍋爐負荷預測模型和NOx排放預測模型，包括：獲取火電廠鍋爐工作的歷史數據；將最小二乘支持向量機模型的正則化參數值和核函數參數值作為粒子，採用差分進化算法進行優化得到最小二乘支持向量機模型，作為鍋爐負荷預測模型或NOx排放預測模型。所述火電廠鍋爐工作的歷史數據，包括：火電廠鍋爐控制量、爐膛壓力、各磨煤機入口一次風溫、前包牆出口煙氣含氧量、後包牆出口煙氣含氧量和歷史時刻的鍋爐負荷量、歷史時刻的NOx排放量；其中的火電廠鍋爐控制量包括：鍋爐總燃料量、鍋爐主給水流量、各磨煤機入口風量、總一次風量、總二次風量；其中的鍋爐總燃料量、鍋爐主給水流量、各磨煤機入口風量、總一次風量、總二次風量和歷史時刻的鍋爐負荷量，作為鍋爐負荷預測的歷史數據；其中的鍋爐總燃料量、鍋爐主給水流量、各磨煤機入口風量、總一次風量、總二次風量、爐膛壓力、各磨煤機入口一次風溫、前包牆出口煙氣含氧量、後包牆出口煙氣含氧量和歷史時刻的NOx排放量，作為NOx排放預測的歷史數據。所述將最小二乘支持向量機模型的正則化參數值和核函數參數值作為粒子，採用差分進化算法(DE)進行優化得到最小二乘支持向量機模型，作為鍋爐負荷預測模型或NOx排放預測模型，具體包括：初始化差分進化算法的參數；針對每個粒子對應的正則化參數值、核函數參數值和火電廠鍋爐工作的歷史數據，構建最小二乘支持向量機模型，得到多個最小二乘支持向量機模型；計算每個粒子所構建的最小二乘支持向量機模型的平均絕對誤差值，作為每個粒子的適應函數值，根據適應函數值更新個體歷史最優解以及全局最優解；判斷是否達到最大迭代次數：若是，則輸出最小二乘支持向量機模型的參數以及正則化參數和核函數參數，確定最終的鍋爐負荷預測模型或NOx排放預測模型；否則更新粒子，進行下一次迭代更新。所述結合鍋爐負荷預測模型和NOx排放預測模型的預測結果，以滿足鍋爐負荷要求且NOx的排放量最小為優化目標，求解火電廠鍋爐最優控制量，具體包括：獲取鍋爐負荷要求、NOx排放要求以及爐膛壓力、各磨煤機入口一次風溫、前包牆出口煙氣含氧量、後包牆出口煙氣含氧量；將火電廠鍋爐控制量作為粒子，以滿足鍋爐負荷要求且NOx的排放量最小為優化目標，結合鍋爐負荷預測模型和NOx排放預測模型的預測結果，採用差分進化算法進行優化得到火電廠鍋爐最優控制量。所述將火電廠鍋爐控制量作為粒子，以滿足鍋爐負荷要求且NOx的排放量最小為優化目標，結合鍋爐負荷預測模型和NOx排放預測模型的預測結果，採用差分進化算法進行優化得到火電廠鍋爐最優控制量，具體包括：初始化差分進化算法參數；利用鍋爐負荷預測模型計算每個粒子對應的鍋爐負荷；若計算出的鍋爐負荷達到鍋爐負荷要求，則利用NOx排放預測模型計算粒子對應的NOx排放量預測值；同時計算粒子的適應度函數值；若計算出的鍋爐負荷未達到鍋爐負荷要求，則將當前粒子的適應函數值賦最大值；確定適應度函數值最小的粒子，並更新粒子的個體最優解和粒子群的全局最優解；若粒子群的全局最優解所對應的NOx排放量滿足NOx排放要求，則當前粒子群的全局最優解對應的火電廠鍋爐控制量即火電廠鍋爐最優控制量，否則，判斷是否達到最大迭代次數：若達到最大迭代次數，則當前粒子群的全局最優解對應的火電廠鍋爐控制量即火電廠鍋爐最優控制量；若未達到最大迭代次數，則更新粒子，進行下一次迭代更新。所述的方法，還包括：在火電廠鍋爐在最優控制量下運行時實時採集火電廠鍋爐工作數據；計算當前時刻的鍋爐負荷量與鍋爐負荷量預測值之間的誤差、當前時刻的NOx排放量與NOx排放量預測值之間的誤差；當連續l個時刻的鍋爐負荷量預測值或NOx排放量預測值大於相應的指定誤差閾值時，利用當前工作數據重新建立鍋爐負荷預測模型或NOx排放預測模型。有益效果：針對電廠低NOx排放的需要和合理的運行參數控制問題，本發明根據火電廠鍋爐工作的歷史數據建立鍋爐負荷預測模型和NOx排放預測模型；結合鍋爐負荷預測模型和NOx排放預測模型的預測結果，以滿足鍋爐負荷要求且NOx的排放量最小為優化目標，求解火電廠鍋爐最優控制量；將火電廠鍋爐最優控制量下發到火電廠鍋爐控制其運行。本發明方法能夠在保證火電廠鍋爐負荷的同時獲得最低NOx排放的控制參數，從而達到提高發電效率、減少NOx排放目的，滿足生產要求。附圖說明圖1是本發明具體實施方式中的變負荷工況下火電廠鍋爐NOx排放控制方法流程圖；圖2是本發明具體實施方式中的步驟1流程圖；圖3是本發明具體實施方式中的步驟2流程圖；圖4是本發明具體實施方式中鍋爐負荷和NOx排放量建模誤差分析圖，(a)是鍋爐負荷建模誤差分析圖，(b)是NOx排放量建模誤差分析圖；圖5是本發明具體實施方式中鍋爐負荷和NOx排放量預測誤差分析圖，(a)是鍋爐負荷預測誤差分析圖，(b)是NOx排放量預測誤差分析圖；圖6是本發明具體實施方式中升負荷情況下NOx排放量控制效果對比圖；圖7是本發明具體實施方式中降負荷情況下NOx排放量控制效果對比圖。具體實施方式下面結合附圖對本發明的具體實施方式進行詳細說明。以下以火電廠發電過程為例，實施本發明的變負荷工況下火電廠鍋爐NOx排放控制方法，數據情況見表1。表1數據情況預測模型輸入維數輸出維數歷史數據樣本數預測樣本數鍋爐負荷911000590NOx排放量1611000590本實施方式提供一種如圖1所示的變負荷工況下火電廠鍋爐NOx排放控制方法，包括：步驟1：建立鍋爐負荷預測模型和NOx排放預測模型；所述鍋爐負荷預測模型的輸入量為鍋爐總燃料量、鍋爐主給水流量、各磨煤機入口風量、總一次風量、總二次風量和前一時刻的鍋爐負荷量，輸出量為當前時刻的鍋爐負荷量；所述NOx排放預測模型的輸入量為鍋爐總燃料量、鍋爐主給水流量、A磨煤機入口風量、B磨煤機入口風量、D磨煤機入口風量、E磨煤機入口風量、總一次風量、總二次風量、爐膛壓力、A磨煤機入口一次風溫、B磨煤機入口一次風溫、D磨煤機入口一次風溫、E磨煤機入口一次風溫、前包牆出口煙氣含氧量、後包牆出口煙氣含氧量和前一時刻的NOx排放量，輸出量為當前時刻NOx排放量；所述鍋爐負荷預測模型和NOx排放預測模型均採用最小二乘支持向量機(LS-SVM)的方法，通過差分進化算法(DE)優化得到最小二乘支持向量機(LS-SVM)模型的參數。如圖2所示，步驟1包括如下步驟：步驟1-1：獲取火電廠鍋爐工作的歷史數據，包括火電廠鍋爐控制量、爐膛壓力、A磨煤機入口一次風溫、B磨煤機入口一次風溫、D磨煤機入口一次風溫、E磨煤機入口一次風溫、前包牆出口煙氣含氧量、後包牆出口煙氣含氧量和歷史時刻的鍋爐負荷量、歷史時刻的NOx排放量；其中的火電廠鍋爐控制量包括：鍋爐總燃料量、鍋爐主給水流量、A磨煤機入口風量、B磨煤機入口風量、D磨煤機入口風量、E磨煤機入口風量、總一次風量、總二次風量；其中的鍋爐總燃料量、鍋爐主給水流量、A磨煤機入口風量、B磨煤機入口風量、D磨煤機入口風量、E磨煤機入口風量、總一次風量、總二次風量和歷史時刻的鍋爐負荷量，作為鍋爐負荷預測的歷史數據；其中的鍋爐總燃料量、鍋爐主給水流量、A磨煤機入口風量、B磨煤機入口風量、D磨煤機入口風量、E磨煤機入口風量、總一次風量、總二次風量、爐膛壓力、A磨煤機入口一次風溫、B磨煤機入口一次風溫、D磨煤機入口一次風溫、E磨煤機入口一次風溫、前包牆出口煙氣含氧量、後包牆出口煙氣含氧量和歷史時刻的NOx排放量，作為NOx排放預測的歷史數據；鍋爐負荷預測的歷史數據或NOx排放預測的歷史數據，表示如下：DATA＝{(xi，Yi)|i＝1，2，…，1000}其中，輸入數據xi∈Rn，n表示輸入數據的維數，針對鍋爐負荷預測的歷史數據，n＝9(鍋爐總燃料量、鍋爐主給水流量、A磨煤機入口風量、B磨煤機入口風量、D磨煤機入口風量、E磨煤機入口風量、總一次風量、總二次風量和某歷史時刻的鍋爐負荷量)，針對NOx排放的歷史數，n＝16(鍋爐總燃料量、鍋爐主給水流量、A磨煤機入口風量、B磨煤機入口風量、D磨煤機入口風量、E磨煤機入口風量、總一次風量、總二次風量、爐膛壓力、A磨煤機入口一次風溫、B磨煤機入口一次風溫、D磨煤機入口一次風溫、E磨煤機入口一次風溫、前包牆出口煙氣含氧量、後包牆出口煙氣含氧量和某歷史時刻的NOx排放量)，xi＝[xi，1，xi，2，…，xi，n]，i表示歷史時刻；輸出數據Yi∈R，Yi為下一時刻鍋爐負荷量或下一時刻NOx排放量；步驟1-2：將最小二乘支持向量機(LS-SVM)模型的正則化參數值和核函數參數值作為粒子，採用差分進化算法(DE)進行優化得到最小二乘支持向量機(LS-SVM)模型，作為鍋爐負荷預測模型或NOx排放預測模型；步驟1-2-1：初始化差分進化算法(DE)的參數：設定縮放因子F＝0.5和交叉參數CR＝0.9，隨機產生第0代粒子sj，0∈Rm(j＝1，2，…，M)，sj，0＝[k1，…，km]，kj≥0表示正則化參數值和核函數參數值，M＝100表示粒子的個數，m＝2表示粒子維數(正則化參數值和核函數參數值)，M個粒子sj，g對應M組正則化參數值和核函數參數值，設置最大迭代次數初始化當前迭代次數g＝0，個體歷史最優解以及全局最優解sgb；步驟1-2-2：針對每個粒子sj，g對應的正則化參數值、核函數參數值和鍋爐負荷預測的歷史數據或NOx排放預測的歷史數據，構建最小二乘支持向量機(LS-SVM)模型，得到M個最小二乘支持向量機(LS-SVM)模型，如公式(1)所示：其中，表示當前時刻的輸入向量x∈Rn的預測輸出值，x＝[x1，x2，…，xn]，n是輸入向量的維數，ai，b表示最小二乘支持向量機(LS-SVM)模型的參數，N＝1000表示鍋爐負荷預測的歷史數據的樣本數目或者NOx排放的歷史數據的樣本數目，本實施方式選用RBF核函數，即K(x，xi)＝exp(-||x-xi||2/σ2)，σ為RBF核函數參數。正則化參數為解決優化問題構建最小二乘支持向量機(LS-SVM)模型過程中的重要參數，直接影響著最小二乘支持向量機(LS-SVM)模型的準確性。步驟1-2-3：計算每個粒子sj，g所構建的最小二乘支持向量機(LS-SVM)模型的平均絕對誤差值εj，作為每個粒子的適應函數值f(sj，g)＝εj，根據適應函數值更新個體歷史最優解以及全局最優解sgb；εj計算公式如公式(2)所示，並根據計算結果更新以及sgb，若粒子當前的適應函數值小於其個體歷史最優解，則將當前的粒子更新為個體歷史最優解，若當前粒子群的全局最優解的適應函數值小於歷史全局最優解，則將當前粒子群的全局最優解更新為全局最優解；步驟1-2-4：判斷是否達到最大迭代次數若是，則輸出最小二乘支持向量機(LS-SVM)模型的參數ai，b以及正則化參數和核函數參數，確定最終的鍋爐負荷預測模型或NOx排放預測模型；否則按照公式(3)、(4)、(5)更新粒子，進行下一次迭代更新，g＝g+1，執行步驟1-2-2；vj＝sr3，g+F*(sr1，g-sr2，g)(3)其中，r1、r2、r3∈{1，2，…，M}，為互不相同的整數；rand∈[0，1]是隨機數，vj表示第j個差分合成的新粒子，uj表示變異後的第j個粒子，f(uj)表示差分變異後第j個粒子的適應函數值，f(sj，g)表示第g代第j個粒子的適應函數值。步驟2：結合鍋爐負荷預測模型和NOx排放預測模型的預測結果，以滿足鍋爐負荷要求且NOx的排放量最小為優化目標，求解火電廠鍋爐最優控制量；如圖3所示，步驟2具體包括：步驟2-1：獲取鍋爐負荷要求、NOx排放要求以及爐膛壓力、A磨煤機入口一次風溫、B磨煤機入口一次風溫、D磨煤機入口一次風溫、E磨煤機入口一次風溫、前包牆出口煙氣含氧量、後包牆出口煙氣含氧量；步驟2-2：將火電廠鍋爐控制量作為粒子，以滿足鍋爐負荷要求且NOx的排放量最小為優化目標，結合鍋爐負荷預測模型和NOx排放預測模型的預測結果，採用差分進化算法(DE)進行優化得到火電廠鍋爐最優控制量；步驟2-2-1：初始化差分進化算法(DE)參數：設定縮放因子F和交叉參數CR，隨機產生第0代粒子sj，0∈Rm(j＝1，2，…，M)，sj，0＝[k1，k2，…，kM]，kj≥0表示鍋爐總燃料量、鍋爐主給水流量、A磨煤機入口風量、B磨煤機入口風量、D磨煤機入口風量、E磨煤機入口風量、總一次風量、總二次風量，M＝100表示粒子的個數，m＝8表示粒子維數(鍋爐總燃料量、鍋爐主給水流量、A磨煤機入口風量、B磨煤機入口風量、D磨煤機入口風量、E磨煤機入口風量、總一次風量、總二次風量)，設置最大迭代次數初始化當前迭代次數g＝0，個體歷史最優解以及全局最優解sgb；步驟2-2-2：利用鍋爐負荷預測模型計算每個粒子對應的鍋爐負荷；步驟2-2-3：判斷計算出的鍋爐負荷是否達到鍋爐負荷要求：是，則執行步驟2-2-5；否則執行步驟2-2-4；步驟2-2-4：將當前粒子的適應函數值賦最大值，本實施方式中賦值10000，執行步驟2-2-6；步驟2-2-5：利用NOx排放預測模型計算粒子對應的NOx排放量預測值；同時計算粒子的適應度函數值；其中，l＝3表示預測步長；表示第j個粒子對應的NOx排放量預測值，Rj為第j個粒子對應的NOx排放量參考值；步驟2-2-6：確定適應度函數值最小的粒子，並更新和sgb；若粒子當前的適應函數值小於其個體歷史最優解，則將當前的粒子更新為個體歷史最優解，若當前粒子群的全局最優解的適應函數值小於歷史全局最優解，則將當前粒子群的全局最優解更新為全局最優解；步驟2-2-7：判斷粒子群中適應度函數值最小的粒子(即全局最優解)所對應的NOx排放量是否滿足NOx排放要求，如果滿足執行步驟2-2-10，否則執行步驟2-2-8；步驟2-2-8：判斷是否達到最大迭代次數是，則執行步驟2-2-10，否則執行步驟2-2-9；步驟2-2-9：按公式(3)～(5)更新粒子，進行下一次迭代更新，g＝g+1，執行步驟2-2-2；步驟2-2-10：當前粒子群中適應度函數值最小的粒子(即全局最優解)對應的火電廠鍋爐控制量即火電廠鍋爐最優控制量；步驟3：將火電廠鍋爐最優控制量下發到火電廠鍋爐控制其運行；步驟4：在火電廠鍋爐在最優控制量下運行時實時採集火電廠鍋爐工作數據，包括爐膛壓力、A磨煤機入口一次風溫、B磨煤機入口一次風溫、D磨煤機入口一次風溫、E磨煤機入口一次風溫、前包牆出口煙氣含氧量、後包牆出口煙氣含氧量和當前時刻的鍋爐負荷量、當前時刻的NOx排放量；步驟5：計算當前時刻的鍋爐負荷量與鍋爐負荷量預測值之間的誤差、當前時刻的NOx排放量與NOx排放量預測值之間的誤差；步驟6：當連續l個時刻的鍋爐負荷量預測值或NOx排放量預測值大於相應的指定誤差閾值時，返回步驟1，利用當前工作數據重新建立鍋爐負荷預測模型或NOx排放預測模型。鍋爐負荷預測模型的建模誤差、NOx排放預測模型的建模誤差分別如圖4(a)～(b)所示，當前時刻的鍋爐負荷量與鍋爐負荷量預測值之間的誤差、當前時刻的NOx排放量與NOx排放量預測值之間的誤差分別如圖5(a)～(b)所示。從表2中看出，建模負荷和NOx排放量的最大誤差分別為2.0655MW和4.1609mg/m3，建模負荷和NOx排放量的平均絕對誤差為0.5238MW和0.7547mg/m3；預測負荷和NOx排放量的最大誤差分別為1.7957MW和9.1981mg/m3，預測負荷和NOx排放量的平均絕對誤差為0.4967MW和2.8856mg/m3，可以滿足實際運行需要。表2建模與預測結果統計分析在降負荷和升負荷情況下NOx排放量優化對比圖分別見圖6和圖7。從圖6和圖7中看出，通過本發明所提方法，在變負荷的情況下，優化控制後的NOx排放量的值明顯低於未優化前的值，可以達到控制NOx排放量的目的，獲得較高的燃燒經濟性，具有廣闊的應用前景。當前第1頁1 2 3