【技术】天洑数据建模实施案例集锦（1）- 电厂脱硝系统的优化控制

随着现代控制理论日益成熟，生产朝着大型化、复杂化的方向发展，尤其是面对非线性、强耦合、大滞后系统，传统的PID控制难以满足苛刻的约束条件和高质量的控制要求，先进控制理论（Advanced Control Theory）开始逐渐应用于航天、汽车和电子等领域，有利于提升设备的安全性、稳定性和运行效率。

1. 由于锅炉负荷波动大的现象以及锅炉本身存在的热迟滞效应，脱硝系统无法及时响应氮氧化物NOx的浓度波动，脱硝效率不理想；

2. 为了保证烟道末端氮氧化物NOx的浓度满足国家超低排放的要求，电厂通常采用末端烟道过量喷氨的行为降低NOx浓度；

3. 过量喷氨的行为会导致催化剂积灰和空预器堵塞等现象，降低锅炉的运行效率，增加锅炉运行成本。

由于脱硝系统存在较大的热迟滞效应且难以建立脱硝系统的物理化学模型，因此选取“预测控制”、“优化控制”和“反馈校正”结合的控制方案，使用机器学习（Machine Learning）的技术建立脱硝系统的预测模型，使用启发式优化算法进行“最优”控制参数的求解。

图1 脱硝系统优化控制的解决方案

1. 对被控变量、前馈变量和操作变量进行数据分析和特征工程，选取预测模型的外因变量，并确定预测模型的滞后阶数。

2. 使用组合模型的技术，将线性统计模型和外因回归模型以一定方式进行组合，得到精度更高的预测模型。相对于线性统计模型，组合预测模型对下一时刻的预测精度R2从96.2%提升到99.3%。

3. 使用多目标优化算法，确定优化控制问题中各个目标的相对权重，以此建立单目标优化问题并求解，得到有限预测时域内的最优控制参数。

4. 基于反馈校正的控制策略，在每个时刻使用最优的控制参数进行系统控制，再通过传感器采集下一时刻的前馈变量和被控变量数值，并重新求解上述优化问题，以实现脱硝系统控制的稳定性和鲁棒性。

1. 提前预知氮氧化物浓度的变化

通过机器学习的方法，精确快速的捕捉脱硝系统NOx的浓度变化情况，减少锅炉的热迟滞效应带来的影响，为脱硝系统合理性的优化控制提供数据支撑。

2. 实现有限时域内的最优控制

通过启发式优化算法的求解，得到未来一段时间内的“最优”控制参数，再基于滚动优化的手段，不断对系统的输入输出状态进行修正，从而实现脱硝系统的稳定控制，减少过量喷氨的行为。

图2 某电厂脱销控制系统