可解释的变负荷下燃煤机组SCR反应器入口NO_(x)质量浓度预测模型OA北大核心CSTPCD

燃煤电厂灵活调峰过程NO_(x)测量往往存在滞后现象,导致选择性催化还原(selective satalytic reduction,SCR)脱硝喷氨控制系统响应不及时,易造成喷氨量过高或过低,从而造成SCR反应器出口NO_(x)质量浓度波动剧烈和氨逃逸率增大。为实现喷氨阀门的提前快速调节并考虑影响燃煤锅炉NO_(x)排放量的因素存在耦合性,提出了一种基于卷积神经网络(convolutional neural network,CNN)和长短时记忆(long short-term memory,LSTM)神经网络混合模型的SCR反应器入口NO_(x)预测模型。利用一台330 MW燃煤电站锅炉的运行参数,通过Pearson系数法计算特征变量之间的相关性,筛选出相关性较大的特征,并定义模型的输入矩阵和输出矩阵,采用随机搜索算法进行优化,以提高预测性能。进一步利用SHAP算法对黑箱模型进行解释,并通过Simulink仿真验证了带有NO_(x)预测的控制效果。结果表明:CNN-LSTM预测模型在调峰负荷变化时,能够以较高的精度预测SCR反应器入口NO_(x)质量浓度的变化,并能提前25s为喷氨控制系统提供反馈;优化后的喷氨控制策略降低了出口NO_(x)质量浓度与设定值间的标准差(降低28%),并提升了NH_(3)/NO_(x)的响应速度,减小最大氨逃逸量22%。该研究结果可为灵活调峰机组的智慧SCR脱硝技术及燃烧优化提出有效的指导。