基于入口 NOx质量浓度修正的脱硝系统多模型预测控制策略及其应用案例

建立不同锅炉工况下基于欧式距离聚类的总给煤量长短期记忆神经网络预测模型,对入口处的NOx质量浓度数据进行修正,其验证集上的均方根误差为3.53 mg·m-3.该结果优于常见的回归方法深度神经网络与随机森林回归的预测结果.以此为基础,研究了基于入口 NOx质量浓度修正的多模型预测控制(MMPC),设计并进行了脱硝系统仿真.仿真结果表明,与原有控制条件相比,基于入口 NOx质量浓度修正的MMPC策略使脱硝系统出口 NOx质量浓度波动幅度减小了 63.7％,并能满足出口质量浓度指标为40 mg·m-3时的控制要求,实现卡边控制.现场工程应用结果表明:在高、中、低负荷正常运行的工况条件下,入口修正-MMPC策略可将出口NOx质量浓度波动分别控制在±10.6 mg·m-3、±5.5mg·m-3、±4.9 mg·m-3,以标准差来衡量波动幅度即分别减小了53.4％、74.7％、64.6％,此控制水平优于原有控制效果;在出口 NOx质量浓度易超标并出现高浓度氨逃逸的快速变负荷工况下,升、降负荷出口 NOx质量浓度波动分别控制在±6mg·m-3、±5mg·m-3,此控制水平仍优于原有控制效果.本研究的入口修正-MMPC控制策略可实现不同负荷、工况下的喷氨控制,减小出口 NOx波动幅度,降低后续设备低温腐蚀的风险,从而提高SNCR/SCR联合脱硝系统运行的经济性和安全性.