機器學習在SNCR控制系統中的應用
針對目前垃圾焚燒發電廠SNCR 系統自動控制投入率低下，對出口氮氧化物（NOx）的跟蹤滯后，無法有效控制氨逃逸的現狀，對SNCR控制系統采用機器學習模塊進行優化。通過挖掘、分析各種工況數據，可實現對各種工況條件下的還原劑噴入量的精確控制。文章主要闡述了機器學習在垃圾焚燒發電廠SNCR 控制系統中的應用。
近年來，隨著城市化的不斷發展，文化、生活質量的提高，城市環境質量的標準也在逐步提高，垃圾焚燒發電廠的尾氣排放標準越來越嚴格，尤其是對垃圾焚燒尾氣中氮氧化物（NOx）的排放標準更加嚴格。在SNCR 脫硝方式下，通過采用機器學習對控制系統進行優化改造，不但能夠實現 NOx 達標排放、降低氨逃逸、減少噴槍損耗，并且能降低 SNCR 使用的單位生產成本。
機器學習的原理
目前，垃圾焚燒發電廠主流的 SNCR 控制系統采用 PLC 或 DCS，通過經典 PID 控制實現對出口 NOx 的排放控制。控制原理見圖 1。
氨水調節閥采用串級PID調節方式，主PID以NOx 指標為被控參數，副 PID以氨水流量為被控參數，主PID調節輸出作為副PID調節的給定值，副PID 調節輸出控制氨水調節閥的開度。
由于 SNCR 工藝在加入還原劑后有一定的反應時間，是一個滯后系統，同時信號的測量相對實際工況的變化也是比較滯后的，所以當前觀察到的工況不是實時的工況，而是在此之前某一個時刻的工況，具有強耦合、非線性、多變性、大滯后等特點，為了及時響應工況的變化，處理系統的控制必須采用超馳優化控制。同時，也需要對不同工況下還原劑的逃逸進行跟蹤和控制，以保證控制指標的穩定。傳統的串級PID 調節存在反應滯后、調節困難的問題，無法做到全自動投入。因此考慮加入機器學習模塊（見圖 2）。
采用機器學習模塊可設定主調節閥氨水上限、下限，改善了傳統控制方法無法精確調整輸出幅值的難題，從而達到優化控制NOx排放，降低氨逃逸的目的。
應用效果
加入了機器學習的SNCR優化工程,顯著提高了自動投入率。在工況波動較大的情況下也能及時跟蹤鍋爐負荷(主蒸汽量)的變化, 自動投入率達99.9%以上。
實現了如下控制:啟停機時的沖洗控制、噴射閥的順序控制、系統的聯鎖保護、配方選擇控制、軟水流量的自動控制、氨水用量自學習控制、氨水投入量的自動控制。
對機器學習改造前后脫硝系統的相關數據進行比較，比較結果見下表。
結語
通過分析NOx排放值和鍋爐主蒸汽量等信號的變化，采用機器學習控制技術來克服調節過程存在的控制非線性、死區大及反應不靈敏等問題。對影響SNCR效果的數據進行挖掘,模擬人工操作,先使系統超調,然后再迅速拉回,通過不斷的自主學習,大大縮短了響應時間,解決了SNCR控制系統反應滯后、氨逃逸控制困難等問題。SNCR優化控制實施之后,煙氣出口NOx的排放值(< 120mg/Nm3) ,優于國家標準(< 200mg/Nm3)。在滿足排放標準的同時,氨逃逸控制在8ppm以下。具備機器學習功能的SNCR控制系統可產生良好的環境效益,在垃圾焚燒發電行業中具有較高的經濟價值和市場推廣價值。
使用微信“掃一掃”功能添加“谷騰環保網”
