燃煤发电厂运行中烟气脱硝预测与控制技术研究

1 绪论

燃煤发电长期以来一直是我国电力生产的重要支柱。在百万机组纷纷上马的今天，煤电机组仍占装机容量的半壁江山[1]。燃煤发电过程中排放的氮氧化物 NOₓ会造成大气污染、光化学烟雾和酸雨等众多问题。2012 年初，国家实施《火电厂大气污染物排放标准》（GB13223-2011）等法规，对NOₓ排放浓度提出更为严格的要求。

SCR（选择性催化还原）系统脱硝效率通常可达 80%～90%⁰/21 ，但运行效果受烟气温度分布、负荷波动、氨氮配比、催化剂中毒及堵塞等多种因素影响。一旦控制失当，容易出现脱硝超排或氨逃逸增加，从而导致环保事故[3]。

传统脱硝自动控制系统多采用简单的比例积分微分PID 控制，主要基于出口NOₓ浓度反馈对喷氨量调节。但由于烟气成分和负荷波动具有强时变、非线性和大延迟特征，PID 控制难以满足精细调整的要求。因此，引入先进的预测建模与控制方法成为大势所趋[4]。

2 SCR 脱硝系统原理与运行特点

SCR 系统主要由喷氨系统、混合器、催化剂反应器和烟道组成。其基本化学反应如下：

反应发生在300~400℃ 的最佳温度窗口内，若温度过低反应速率下降，温度过高则会造成副反应生成NO^[5]∘ 。

在工程运行中，SCR 系统的特点主要体现在以下几个方面：

负荷依赖性强：机组负荷变化直接影响烟气量与温度，导致NOₓ浓度

空间分布不均匀：烟道截面上NOₓ浓度和流场分布不均，喷氨不均易引起氨逃逸；

催化剂性能衰减：长期运行会造成催化剂中毒、磨损和活性下降；

控制多目标冲突：既要保证 NO_X 排放达标，又要尽量减少氨耗和氨

因此，仅凭经验调节和传统自动控制手段难以保证系统稳定性与经济性。

3 烟气NOₓ排放预测建模方法

3.1 机理建模

基于流体力学和化学反应动力学的机理模型能够反映反应机理与流动特性，但需要大量实验参数，建模复杂，变量难以控制，且实践成本高，难以大规模应用[7]。

3.2 数据驱动建模

传感器性能提升和数据采集系统的发展，为数据驱动方法的实际应用铺平了道路，以下是几种常用的数据驱动建模的特点：

BP 神经网络：利用多层传感器对NOₓ浓度进行非线性拟合，具有较好的预测能力[8]。

长短期记忆网络LSTM：通过分析处理时间序列数据，输出NOₓ浓度随负荷变化的动态特

支持向量机SVM：只需采集小样本，即可实现良好的泛化性能，模型训练开销大[10]。

集成学习方法（XGBoost、随机森林等）：集成多模型以提高预测精度和鲁棒性，在复杂工况下表现突出[11]。3.3 建模流程

一般包括数据采集、特征选择、模型训练与验证几个环节。输入变量通常包括锅炉负荷、烟气温度、 O₂ ₂ 浓度、NH₃/NOₓ 摩尔比等。模型性能通过均方误差（MSE）、平均绝对误差（MAE）等指标进行评估[12]。

4 SCR 脱硝预测控制策略

4.1 模型预测控制（MPC）

MPC 基于预测模型，在有限预测时域内优化控制量，使目标函数最小化，具有处理多变量耦合与约束的优点。其优化目标函数一般为：

其中ypred为预测 NOₓ 浓度，yref为设定值，Δu k 为氨喷射调节量，λ为权重系数[13]。

4.2 模糊控制

模糊控制无需精确数学模型，可通过“若-则”规则实现非线性调节，适合 SCR 的复杂工况[14]。

4.3 自适应与强化学习控制

近年来，自适应控制与强化学习逐渐应用于 SCR 系统。强化学习能够通过与环境交互不断优化喷氨策略，实现近似全局最优控制[15]。

5 工程案例与应用分析

某 630 MW 燃煤机组在 SCR 系统中引入LSTM 预测模型与MPC 控制策略后，相比传统 PID 控制，出口NOₓ浓度波动范围缩小 35% ，氨逃逸降低 20% ，运行成本显著下降[16]。另一项研究基于XGBoost 的NOₓ预测模型，在华东某电厂 SCR 系统中实际应用，取得预测精度达到 95% 以上的好成绩，实现了动态负荷下的稳定运行[17]。这些案例表明，预测与控制的结合的控制策略能够显著提升SCR 系统性能。

6 发展趋势与展望未来研究方向主要包括：

数字孪生技术：构建虚拟电厂脱硝系统，实现运行仿真与预测控制一体化[18]；

边缘计算与云协同：提升大规模机组数据处理与实时优化能力；

模型可解释性：提高数据驱动模型的可观测性，增强工程人员的信心；

智能化自适应控制：结合强化学习与 MPC，形成自主优化的控制框架。

7 结论

本文系统通过研究燃煤机组 SCR 脱硝系统的运行原理与特点，重点分析了NOₓ 排放预测模型与控制方法。研究表明，数据驱动的预测模型能够有效提高 NO_x 浓度预测精度，而基于MPC 的预测控制策略能够兼顾脱硝效率与氨逃逸控制。未来，数字孪生与智能化自适应控制将成为研究热点。该研究为燃煤机组高效、清洁运行提供了技术支撑。

参考文献

[1] 李勇, 王文峰. 燃煤电厂烟气脱硝技术现状与发展趋势[J]. 热能动力工程, 2020, 35(6): 1-7.

[2] 张晓明, 陈立国. SCR 脱硝技术在燃煤机组中的应用[J]. 电力科学与工程, 2019, 35(4): 45-52.

[3] 王鹏飞, 刘建国. 燃煤锅炉 NOₓ 排放特性及控制研究进展[J]. 中国电机工程学报, 2018, 38(20):5895-5906.

[4] 刘涛, 郑凯. 燃煤电厂 SCR 脱硝系统的控制策略研究[J]. 动力工程学报, 2021, 41(3): 72-80.

[5] 赵宏伟, 王志强. SCR 脱硝反应动力学研究进展[J]. 环境工程学报, 2019, 13(5): 2105-2113.

[6] 高建华, 孙彦. SCR 系统运行优化与氨逃逸控制[J]. 热能动力工程, 2021, 36(8): 34-40.

[7] 李强, 吴天. 基于机理模型的 SCR 脱硝系统模拟研究[J]. 中国电机工程学报, 2017, 37(12): 3567-3574.

[8] 周立新, 郑伟. BP 神经网络在 SCR 脱硝 NOₓ 预测中的应用[J]. 电力系统自动化, 2019, 43(7): 95-101.

[9] 王磊, 赵刚. 基于 LSTM 的燃煤机组 NOₓ 排放预测研究[J]. 热力发电, 2020, 49(3): 118-124.

[10] 郑凯, 刘洋. 支持向量机在脱硝系统预测建模中的应用[J]. 电力建设, 2018, 39(10): 22-28.

[11] 陈飞, 李明. 基于 XGBoost 的 SCR 脱硝 NOₓ 浓度预测研究[J]. 电力科学与工程, 2021, 37(2): 56-62.