CN110094251B - 基于分时段多模型建模的scr催化剂性能劣化分析方法 - Google Patents

Abstract

本发明公开一种基于分时段多模型建模的SCR催化剂性能劣化分析方法，步骤包括：采集机组的历史数据库中相关参数较长时间跨度的运行数据，对机组负荷和SCR入口NO_x浓度的常规区间进行工况划分；将运行数据按照时间划分成多个区段，根据机组负荷和SCR入口NO_x浓度对每一区段内的运行数据进行稳态筛选得到稳态样本，对稳态样本进行离散化抽取，得到尽可能覆盖全工况的稳态样本作为建模样本；利用LSSVM对各个区段的建模样本进行训练，最终得到各时间区段SCR脱硝***的全工况模型集；选取典型工况输入集，利用LSSVM模型得到各时间区段的输入输出对应关系，用脱除单位NO_x消耗的还原剂流量表征催化剂活性，最终得到SCR催化剂的性能劣化趋势，为催化剂换装提供指导。

Description

基于分时段多模型建模的SCR催化剂性能劣化分析方法

技术领域

本发明涉及一种催化剂性能劣化分析方法，具体是涉及一种基于分时段多模型建模的SCR催化剂性能劣化分析方法，属于SCR脱硝催化剂管理领域。

背景技术

随着生态环保约束的进一步趋紧，我国对火电机组污染物排放的要求越来越严格，采用SCR***对锅炉燃烧烟气进行脱硝处理已然成为火电厂的主流选择。目前，我国燃煤机组的SCR脱硝装置大都采用高温高尘的布置工艺。采用这种布置方式时，烟气无需进行再热即可满足SCR催化剂的活性温度要求，投资和运行成本较低。然而，此种工艺的SCR催化剂运行环境较为恶劣，烟气中的飞灰会造成催化剂的磨损和堵塞，飞灰中的碱金属也会导致催化剂中毒。此外，省煤器出口烟气温度过高还会造成催化剂烧结。催化剂运行过程中的磨损、堵塞、中毒和烧结现象，会导致催化剂活性性能的不断下降，也即催化剂的性能劣化。SCR催化剂是脱硝***的关键部件，其活性性能对SCR***的脱硝水平和运行成本具有决定性的影响，特别是在脱硝旁路取消的情况下，SCR脱硝装置与锅炉甚至整个机组运行安全性和经济性之间关联更加紧密，催化剂的活性评估与性能劣化分析对机组安全经济环保运行具有重要意义。

目前，比较普遍采用的催化剂活性检测手段主要是实验室检测方法和现场试验分析方法。实验室检测方法对催化剂活性进行检验的方法是，将催化剂中提前布置的试验块或者现场采集的催化剂样本送到专门的实验室进行化验。然而，由于SCR反应器内流场存在一定程度的分布不均，催化剂化验样本的活性并不能够很好地代表整个反应器的脱硝性能；同时，催化剂的取样工作一般需要在机组停机检修时才能进行，而国内机组连续运行时间普遍较长，催化剂采样检测次数受到限制，对实验室检测方法的时效性和准确性造成不利影响。对于现场实验分析方法，该方法利用现场试验数据来计算SCR反应器的整体脱硝性能，有效克服了传统实验室检测方法样本代表性差的问题，现场试验次数不受机组启停的限制。但是现场试验方法的成本较高，且每次现场试验都需要向电网申请稳定的机组负荷以满足试验所需的烟气条件，实际操作过程中该方法也会受到试验次数的影响。因此，有必要提出一种准确的、时效性强的催化剂活性分析方法来满足火电机组的SCR催化剂活性评估和性能劣化分析的现实需求。

现役燃煤机组大都配备分布式控制***和厂级监控信息***，SCR脱硝***运行过程中记录了SCR进出口NO_x浓度、还原剂流量以及脱硝效率等参数海量的运行数据，这些数据能够直接或间接地反映SCR催化剂的活性状态。然而，SCR脱硝***是一个复杂的非线性***，运行数据具有混杂、高维和时序等特点，同时，非稳态工况数据波动幅度大，***各变量的统计特性不稳定，不利于***静态特性的研究。此外，SCR催化剂性能劣化是一个缓慢过程，稳态工况数据中包含的催化剂性能的知识信息，在不同的时段也各不相同。因此，利用有效的数据挖掘手段，从SCR***不同时段的运行数据中获取稳定的、准确的催化剂活性信息，对研究SCR***脱硝催化剂的性能劣化分析与寿命管理具有重要意义。

发明内容

发明目的：针对现有的SCR催化剂活性检测手段存在的不足，本发明提供一种基于分时段多模型建模的SCR催化剂性能劣化分析方法。

技术方案：本发明所述的基于分时段多模型建模的SCR催化剂性能劣化分析方法，包括如下步骤：

(1)从SIS数据库中采集SCR脱硝催化剂活性相关参数的历史运行数据，得到原始样本D；

(2)以机组负荷和SCR入口NO_x浓度为指标对机组常规运行区间进行工况划分，划分的网格尽可能多地包含原始样本D中的数据；

(3)按照时间区段将原始样本D分割成m个时段形成样本集{D_i}(1≤i≤m)；

(4)以机组负荷和SCR入口NO_x浓度为稳态判定条件对样本集{D_i}进行稳态筛选，得到稳态运行数据样本集{SD_i}(1≤i≤m)，对稳态样本{SD_i}进行数据清洗，对清洗后的稳态样本进行离散化抽样，得到尽可能均匀分布的全工况稳态建模样本集

{MD_i}(1≤i≤m)；

(5)采用最小二乘支持向量机(LSSVM)算法对稳态建模样本集{MD_i}进行训练，得到各个时间区段SCR脱硝***的全工况LSSVM模型集{M_i}(1≤i≤m)，模型输入为机组负荷、SCR入口NO_x浓度、SCR入口烟气温度、SCR入口氧量和SCR出口NO_x浓度，模型输出为还原剂流量；本步骤中，训练LSSVM模型时采用的是对应时段内尽可能离散的稳态数据样本，所得模型能够在全工况范围内具有较高的预测精度；

(6)根据步骤(2)中所划网格确定n个典型工况，SCR入口NO_x浓度采用各典型工况网格中心点所对应数值，形成一组典型工况输入集DI_n×5；其中，选取样本分布最多的负荷工况所对应的机组负荷作为典型工况集的机组负荷，对应SCR出口NO_x浓度、烟气温度和SCR入口氧量为机组常规运行区间内所有样本对应参数的平均值；基于本步骤，可在固定烟气流量、出口NO_x浓度、温度和氧量的基础上，全面考察不同入口NO_x浓度下的还原剂流量消耗，以此来分析SCR催化剂的活性；

(7)将步骤(6)中典型工况输入样本集DI_n×5分别输入步骤(5)中的LSSVM模型集{M_i}(1≤i≤m)，得到m个模型对应的典型工况输出集DO_n×1，即同一组输入集在不同时段对应的输出集，根据模型集的输出结果分析SCR催化剂的活性。

上述步骤(7)中，根据模型集的输出结果分析SCR催化剂活性的方法为：定义β值，计算LSSVM模型集中各个模型的β值，作为对应时段SCR催化剂活性的表征值，得到机组SCR脱硝催化剂的性能劣化趋势；其中，β值计算方法具体为：

SCR催化剂活性用脱除单位NO_x消耗的还原剂流量来表征，还原剂可为液氨、尿素等；表征方式为

式中，α为脱除单位NO_x所消耗的还原剂流量，表征催化剂的活性，α越小，活性越大；

为SCR入口NH₃的摩尔浓度，

为SCR入口NO_x的摩尔浓度，

为SCR出口NO_x的摩尔浓度；

其中，

式中，

为SCR***进、出口测得的NO_x的质量浓度；

为NO_x的相对分子质量；

式中，Q_还原剂为还原剂流量，

为还原剂中NH₃的质量分数，

为NH₃的相对分子质量；Q_烟为烟气流量，且Q_烟＝λ×P，P为机组负荷，λ为机组负荷与SCR入口烟气流量的比例关系；

令

则α∝β，即SCR催化剂的活性与还原剂流量成反比，与机组负荷和SCR***进、出口NO_x质量浓度之差成正比。较优的，对于LSSVM模型集中的任一模型，取n个典型工况计算得所得β值的算数平均值作为该模型的β值；采用多个典型工况的β值的算术平均值表征催化剂活性，其结果更具有稳定性。

上述步骤(1)中，SCR催化剂活性相关参数一般包括：机组负荷、SCR入口NOx浓度、SCR入口烟气温度、还原剂流量、SCR入口氧量和SCR出口NO_x浓度；由于现场的烟气流量测点准确性较差，采用机组负荷来表征烟气流量。优选的，采集所述历史运行数据时，整体时间跨度以2年以上为宜，取数间隔可根据整体时间跨度适当选取，一般在1min以内，考虑分析数据量的大小，最好为30～60秒。

上述步骤(2)中，工况划分时，以机组负荷和SCR入口NO_x浓度为边界条件，对机组常规运行区间进行工况划分。

上述步骤(3)中，对数据进行时段分割时，时间跨度最好为一个月，近似认为一个月内SCR催化剂活性变化不大。

优选的，步骤(4)中，进行稳态筛选时，将10min内机组负荷波动幅度不超过10MW、SCR入口NO_x浓度波动幅度不超过50mg/m³的工况判定为稳态工况，采用该段时间内各输入输出参数(即机组负荷、SCR入口NOx浓度、SCR入口烟气温度、还原剂流量、SCR入口氧量和SCR出口NO_x浓度)的算术平均值作为稳态工况点，稳态工况点能够在一定程度上削弱数据噪声，且能够较好地代表该段稳定工况的运行状态；对稳态样本进行数据清洗过程为过滤稳态样本中包含死值的失真样本，死值数据可能是传感器故障或者数据传输通道故障的结果。

有益效果：与现有技术相比，本发明的优点在于：本发明的方法采用数据建模方式，在火电机组实际运行数据的基础上，利用稳态筛选方法提取稳态数据，基于LSSVM建立SCR脱硝***模型，计算不同时间段脱除单位NO_x所消耗的还原剂流量，利用不同时间段对应LSSVM模型的β值表征催化剂活性，提高了SCR催化剂性能劣化分析的稳定性和准确性。

附图说明

图1为本发明的方法流程图。

图2为实施例中2016年2月份数据的稳态筛选结果；

图3为实施例中2016年2月份LSSVM模型的预测结果；

图4为实施例中SCR催化剂的性能劣化分析结果。

具体实施方式

下面结合附图对本发明的技术方案作进一步说明。

如图1，本发明的基于分时段多模型建模的SCR催化剂性能劣化分析方法，该方法依赖火电机组SCR脱硝***运行数据对脱硝催化剂性能劣化趋势进行建模分析，主要包括历史数据采样、数据清洗、工况划分、时间区段分割、稳态筛选、LSSVM模型训练、典型工况集选取、SCR催化剂活性分析等核心步骤。首先采集机组的历史数据库中相关参数较长时间跨度的运行数据，针对机组负荷和SCR入口NO_x浓度的常规运行区间进行工况划分；将运行数据按照时间顺划分成多个区段，对每一区段内的数据，以机组负荷和SCR入口NO_x浓度为筛选条件对运行数据进行稳态筛选得到稳态样本，对稳态样本进行离散化抽取，得到尽可能覆盖全工况的稳态样本作为建模样本；利用最小二乘支持向量机对各个区段的建模样本进行训练，最终得到各个时间区段SCR脱硝***的全工况模型集；选取典型工况输入集，利用最小二乘支持向量机(LSSVM)模型得到各个时间区段的输入输出对应关系，用脱除单位NO_x消耗的还原剂流量表征催化剂活性，最终得到SCR催化剂的性能劣化趋势，为催化剂换装提供指导。

以某660MW燃煤机组SCR脱硝***为例。该机组的SCR***采用高温高尘的布置工艺，还原剂采用液氨，锅炉设置两台反应器，催化剂为板式催化剂，催化剂采用“2+1”布置模式，在2016年9月～12月机组检修期间进行了催化剂的换装加装。采用本发明提出的方法对该机组的催化剂活性进行分析，结合图1所示流程，具体操作如下：

(1)原始数据采集

从SIS历史数据库中采集从2014年12月1日到2019年2月1日之间非停机时段的机组负荷、SCR入口NO_x浓度、SCR入口烟气温度、还原剂流量、SCR入口氧量和SCR出口NO_x浓度的历史运行数据，取数间隔为1min，原始样本共计1185840组，参数区间分布如表1。

表1 参数分布区间统计

(2)工况划分

以机组负荷和SCR入口NO_x浓度为指标对机组运行工况进行划分，工况划分时只针对常规区间，机组负荷和SCR入口NO_x浓度的步长均取50，共划分成48个工况。

(3)时间区段分割

以月为单位，将清洗后的数据分为39个时间区段，对每个时间区段内的数据分别进行如下步骤(4)～(5)的处理过程。

(4)稳态筛选

将10分钟内机组负荷波动幅度不超过10MW、SCR入口NO_x浓度波动幅度不超过50mg/m³作为判定条件，对该月份数据进行稳态筛选，对筛选结果中的失真数据清洗后进行归一化处理，最终得到各个稳态时段内的稳态工况点样本，这些稳态工况点样本能够在一定程度上削弱数据噪声，且能够较好地代表该段稳定工况的运行状态。以2016年2月份的数据为例，稳态筛选并进行数据清洗和均值处理后，得到稳态工况点样本共计1205组，如图2。

(5)LSSVM模型集训练

LSSVM的核函数类型为径向基核函数：

式中，x_i和x_j为两个样本；σ²为径向基内核的方差。LSSVM模型参数根据PSO算法寻优确定。从步骤(5)中获得的稳态样本中抽取尽可能离散的300组作为LSSVM模型的训练样本，另外抽取尽可能离散的60组样本作为测试样本。采用均方根误差(Root Mean SquaredError，RMSE)和平均相对误差(Mean Relate Error，MRE)作为模型评价指标，计算方法如下：

式中：n为测试样本个数，y_p和y_t分别为模型预测值和样本真实值。

该月份的建模结果如表2，可以看出，所建的LSSVM模型训练样本的均方根误差为9.70kg/h，测试样本的均方根误差为9.94kg/h；训练样本的平均相对误差为3.91％，测试样本的平均相对误差为4.52％；该月份LSSVM模型的预测结果如图3。可见模型的精度较高，泛化能力强。

表2 2016年2月份建模结果

(6)典型工况集确定

对各负荷工况的数据量进行统计划分，最终确定，所选时间段内机组负荷为500MW左右的样本数量最多，选择该负荷作为典型工况集的负荷；选择清洗后的所有样本烟气温度的算术平均值作为典型工况集的烟气温度；选择SCR入口NO_x浓度的6个区间中心值作为典型工况集的SCR入口NO_x浓度；选择对应区间的入口氧量算术平均值作为典型工况集的入口氧量；典型工况集的SCR出口NO_x浓度根据机组实际NO_x排放水平确定。最终典型工况输入集如下表3和表4

表3 典型工况输入集(换装前)

表4 典型工况输入集(换装后)

(7)SCR催化剂性能劣化分析

将步骤(6)中确定的典型工况输入集分别输入步骤(5)中的LSSVM模型集中，得到各个模型的输出集。对于每个模型，利用输出集和输入集计算β值，将6个典型工况的β值取平均作为该月份SCR催化剂活性的表征值，从而得到催化剂的性能劣化趋势曲线，如图4所示。

通过现场调研得知，该机组在2016年9月～12月机组停机检修期间进行了催化剂的换装加装。从图4中可以看出，换装前后β值均呈现上升趋势，这是因为随着机组运行时间的增加，催化剂的活性降低，表现为脱除单位NO_x所消耗的还原剂逐渐增加；催化剂换装加装后，SCR反应器的整体催化剂活性变强，β值出现阶跃性下降，但换装前后β值的平均水平并未显著降低，这是由于催化剂换装加装前后，机组的出口NO_x浓度的控制水平不同；所研究时间段内，催化剂换装前后机组的SCR出口NO_x浓度的平均控制水平分别为50.65mg/m³和21.10mg/m³，NO_x排放水平不同时，对应的氨逃逸水平也不同。SCR出口NO_x浓度越低，脱硝过程引起的氨逃逸量就越大，β值的平均水平也越高。由于燃煤电站的氨逃逸量的测量值可靠性差，氨逃逸量无法准确地引入模型计算中去，因此，实际应用中确定换装节点的β限值时，应考虑机组的NO_x排放控制水平。

综上所述，电厂可以根据SCR***的出口NO_x浓度控制水平和氨逃逸水平，规定换装节点时的β限值，借助催化剂性能劣化趋势线，确定催化剂的换装时间。

Claims (5)

1.基于分时段多模型建模的SCR催化剂性能劣化分析方法，其特征在于，包括如下步骤：

(1)从SIS数据库中采集SCR脱硝催化剂活性相关参数的历史运行数据，得到原始样本D；所述SCR催化剂活性相关参数包括：机组负荷、SCR入口NOx浓度、SCR入口烟气温度、还原剂流量、SCR入口氧量和SCR出口NO_x浓度；所述机组负荷用于表征烟气流量；

(2)以机组负荷和SCR入口NO_x浓度为指标对机组常规运行区间进行工况划分，划分的网格尽可能多地包含原始样本D中的数据；

(3)按照时间区段将原始样本D分割成m个时段形成样本集{D_i}(1≤i≤m)；

(4)以机组负荷和SCR入口NO_x浓度为稳态判定条件对样本集{D_i}进行稳态筛选，得到稳态运行数据样本集{SD_i}(1≤i≤m)，对稳态样本{SD_i}进行数据清洗，对清洗后的稳态样本进行离散化抽样，得到尽可能均匀分布的全工况稳态建模样本集{MD_i}(1≤i≤m)；进行稳态筛选时，将10min内机组负荷波动幅度不超过10MW、SCR入口NO_x浓度波动幅度不超过50mg/m³的工况判定为稳态工况，采用该段时间内各输入输出参数的算术平均值作为稳态工况点；所述对稳态样本进行数据清洗过程为过滤稳态样本中包含死值的失真样本；

(5)采用LSSVM算法对稳态建模样本集{MD_i}进行训练，得到LSSVM模型集{M_i}(1≤i≤m)，模型输入为机组负荷、SCR入口NO_x浓度、SCR入口烟气温度、SCR入口氧量和SCR出口NO_x浓度，模型输出为还原剂流量；

(6)根据步骤(2)中所划网格确定n个典型工况，SCR入口NO_x浓度采用各典型工况网格中心点所对应数值，形成一组典型工况输入集DI_n×5；其中，选取样本分布最多的负荷工况所对应的机组负荷作为典型工况集的机组负荷，对应SCR出口NO_x浓度、烟气温度和SCR入口氧量为机组常规运行区间内所有样本对应参数的平均值；

(7)将步骤(6)中典型工况输入样本集DI_n×5分别输入步骤(5)中的LSSVM模型集{M_i}(1≤i≤m)，得到m个模型对应的典型工况输出集DO_n×1，即同一组输入集在不同时段对应的输出集，根据模型集的输出结果分析SCR催化剂的活性；所述根据模型集的输出结果分析SCR催化剂活性的方法为：定义β值，计算LSSVM模型集中各个模型的β值，作为对应时段SCR催化剂活性的表征值，得到机组SCR脱硝催化剂的性能劣化趋势；其中，所述β值计算方法为：

SCR催化剂活性用脱除单位NO_x消耗的还原剂流量来表征，即

式中，α为脱除单位NO_x所消耗的还原剂流量，表征催化剂的活性，α越小，活性越大；

为SCR入口NH₃的摩尔浓度，

为SCR入口NO_x的摩尔浓度，

为SCR出口NO_x的摩尔浓度；

其中，

式中，

为SCR***进、出口测得的NO_x的质量浓度；

为NO_x的相对分子质量；

式中，Q_还原剂为还原剂流量，

为还原剂中NH₃的质量分数，

为NH₃的相对分子质量；Q_烟为烟气流量，且Q_烟＝λ×P，P为机组负荷，λ为机组负荷与SCR入口烟气流量的比例关系；

令

则α∝β，即SCR催化剂的活性与还原剂流量成反比，与机组负荷和SCR***进、出口NO_x质量浓度之差成正比。

2.根据权利要求1所述的基于分时段多模型建模的SCR催化剂性能劣化分析方法，其特征在于，对于LSSVM模型集中的任一模型，取n个典型工况计算所得β值的算数平均值作为该模型的β值。

3.根据权利要求1所述的基于分时段多模型建模的SCR催化剂性能劣化分析方法，其特征在于，所述还原剂为液氨或尿素。

4.根据权利要求1所述的基于分时段多模型建模的SCR催化剂性能劣化分析方法，其特征在于，步骤(1)中，采集所述历史运行数据时，整体时间跨度为2年以上，取数间隔为1min以内。

5.根据权利要求1所述的基于分时段多模型建模的SCR催化剂性能劣化分析方法，其特征在于，步骤(3)中，对数据进行时段分割时，时间跨度为一个月。

Images