引言电厂锅炉燃烧产生的氮氧化物排放到大气中会造成环境污染[1]。传统火力发电厂采用两种措施减少氮氧化物的排放，如在燃烧中减少氮氧化物的排放，利用分阶段燃烧或改进的燃烧器减少煤炭燃烧产生的氮氧化物；在燃烧后减少氮氧化物的排放，通过增加脱硝装置对尾部烟气进行脱硝。机组负荷的频繁波动对提高燃煤电厂运行效率和控制污染物提出挑战。选择性催化还原(SCR)烟气脱硝技术对煤炭燃烧产生的氮氧化物进行催化还原，在烟气中加入NH3，通过催化剂与氮氧化物进行化学反应，实现脱除氮氧化物的目的。SCR可以去除90%的氮氧化物[2]。喷氨控制是SCR脱硝系统控制的关键。机组运行工况发生变化时，如更换煤种或出现负荷和燃烧工况频繁波动现象，SCR入口的氮氧化物浓度会受到很大干扰，喷氨量难以保证NH3/NOx处于最佳反应比例[3]。喷氨量过少会导致SCR出口的NOx排放浓度超标，而喷氨量过高会降低脱硝效率，造成空预器堵塞问题，影响锅炉的安全运行，逃逸的氨气还会增加运行成本，造成二次环境污染。因此，建立准确的SCR脱硝系统动态模型，对实现喷氨的优化控制和减少污染物排放具有重要意义。目前，SCR脱硝建模方法分为基于催化化学反应机理的机理建模[4]和黑箱建模[5]。黑箱建模方法主要利用统计方法或机器学习，如支持向量机[6]等方法，采用大量运行数据进行模型训练，与机理建模方法相比，黑箱建模方法具有模型精度高、建模周期短的优势。廖永进[7]等以广东某电厂350 MW锅炉为研究对象，采用径向基函数(RBF)神经网络法，以锅炉负荷、烟气体积流量、SCR烟气温度、脱硝进口NOx质量浓度以及喷氨质量流量等为输入变量，以SCR脱硝效率为输出变量，建立关系模型，实现对SCR脱硝效率及脱硝出口NOx质量浓度的预测。温鑫[8]等提出基于深度双向LSTM的SCR系统NOx排放预测模型，结合向前、向后两个时间方向的数据关系，将多个双向LSTM层叠加，通过多层神经网络学习时间序列的深层特征，同时添加全连接层对非线性特征进行加权处理，解决了长时间序列的梯度消失以及梯度爆炸问题，实现了数据的深层次特征挖掘。许壮[9]等基于火电厂的历史运行数据，结合主成分分析(PCA)和随机森林(RF)方法，建立了SCR脱硝反应器出口NOx质量浓度预测模型，结果表明采用PCA变量选择方法确定SCR系统模型的输入变量具有可行性。以某660 MW亚临界燃煤机组SCR脱硝系统为研究对象，利用历史运行数据，建立基于深度神经网络的SCR脱硝系统预测模型，旨在为SCR喷氨控制器设计与优化提供依据。1研究对象与方法1.1研究对象某660 MW超临界参数变压直流锅炉为东方锅炉厂生产的单炉膛、一次再热、平衡通风、露天布置、固态排渣、全钢构架、悬吊结构Π型锅炉。BMCR工况锅炉蒸发量1 950 t/h，额定蒸汽压力25.4 MPa，额定蒸汽温度571 ℃，再热蒸汽温度569 ℃。SCR系统采用液氨作为还原剂，液氨气化后经稀释风机稀释，由喷氨格栅送入SCR脱硝反应器入口，与烟气混合后，在催化剂作用下与烟气中的NOx发生选择性催化还原反应。脱硝系统采用V2O5-WO3/TiO2型蜂窝式催化剂，催化剂分3层布置在反应器内。SCR脱硝系统出口NOx值受很多因素影响，主要包括机组负荷、SCR脱硝系统入口NOx值、喷氨流量、SCR脱硝系统反应温度、上一时刻SCR脱硝系统出口NOx值等。其中，控制变量为喷氨流量，其他特征为状态变量。因此，SCR脱硝系统预测模型输入变量为当前及过去时刻的机组负荷、SCR脱硝系统入口NOx值、喷氨流量、SCR脱硝系统反应温度、SCR脱硝系统出口NOx值。模型输出为下一时刻的SCR脱硝系统出口NOx值。采集机组连续3 d的运行数据，采样周期为3 s，前两天数据用于模型训练，最后一天数据用于模型验证，各参数变化范围如表1所示。10.3969/j.issn.1004-7948.2023.02.004.T001表1SCR脱硝系统预测模型参数值参数数值机组负荷/MW242.83~659.23SCR入口NOx值/(mg/m3)170.38~620.71SCR喷氨流量/(kg/h)22.57~196.87SCR反应温度/℃336.24~391.57SCR出口NOx值/(mg/m3)4.52~136.251.2深度神经网络深度神经网络一般由1个输入层、多个隐藏层和1个输出层组成。深度神经网络由1组嵌套函数组成，模型输入与权重值相乘后通过激活函数射影，使其具有非线性表达能力，其数学表达式为：z1=σ1W0zx+b0z (1)zl=σ1Wl-1zzl-1+bl-1z, l=2,...,m (2)式中：x——输入值；W0z和b0z——第1层的权值；σ1——第1层的激活函数。神经网络的输出为最后一层的值zm。1.3基于深度神经网络的SCR脱硝系统预测建模模型输入特征具有不同的尺度，采用归一化处理，在模型训练过程中引入EarlyStopping方法，该方法可通过人为设置停止条件控制训练迭代步数。训练模型的评价指标连续高于之前训练的最好结果时，立即停止模型的训练。激活函数选用线性整流函数(ReLU)，采用Adam优化器对深度神经网络模型进行训练。使用均方误差(RMSE)评价标准对模型进行评价。RMSE=1m∑i=1my^i-yi2 (3)2结果与讨论基于深度神经网络对SCR脱硝系统预测建模时，需要对时间步长、网络层数、隐藏层节点数等参数进行优化。时间步长调参结果如图1所示。时间步长过小或过大均会导致RMSE较大，时间步长为2时，训练集和测试集的RMSE均最小。在保证模型精度的情况下，考虑计算所需时间和资源，最终选择模型的时间步长为2。10.3969/j.issn.1004-7948.2023.02.004.F001图1时间步长调参结果神经网络隐藏层数量调参结果如图2所示。隐藏层节点数量调参结果如图3所示。随着隐藏层数量的增加，模型的表达能力增强，隐藏层超过3层时，模型过拟合现象明显，在保证模型精度的情况下，考虑计算所需时间和模型的泛化能力，最终选择隐藏层数量为3层。随着隐藏层节点数量指数的增加，模型的拟合能力提升明显，节点数量超过8个时，模型的拟合能力提升不明显，但泛化能力降低，最终确定每个隐藏层节点数量为8个。10.3969/j.issn.1004-7948.2023.02.004.F002图2隐藏层数量调参结果10.3969/j.issn.1004-7948.2023.02.004.F003图3隐藏层节点数量调参结果深度神经网络模型预测误差分布散点如图4所示。训练集所有点均紧密分布在对角线周围，表明模型具有良好的预测能力；测试集所有点均紧密地分布在对角线周围，表明模型具有良好的泛化能力。图4深度神经网络模型预测误差分布散点10.3969/j.issn.1004-7948.2023.02.004.F4a1（a）训练集10.3969/j.issn.1004-7948.2023.02.004.F4a2（b）测试集深度神经网络模型绝对误差频率分布如图5所示。训练集中约83.32%样本的误差小于0.4 mg/m3，测试集中约58.78%样本的误差小于0.4 mg/m3，测试集上最大的误差为1.6 mg/m3，分布仅为4.73%。10.3969/j.issn.1004-7948.2023.02.004.F005图5深度神经网络模型绝对误差频率分布3结语SCR脱硝系统可以通过控制氨的注入有效减少氮氧化物的排放。能源结构、负荷波动、反应器动态特性和系统延迟等因素对精确控制氨注入量造成巨大挑战。为了实现高精度的氮氧化物排放预测，提出基于时间序列特征的深度神经网络建模方法预测反应器动态特性和系统延迟。建模实现了对t+1时刻SCR出口NOx的精确估算，测试集上的最大绝对误差仅为1.6 mg/m3。