李運泉*，江志銘，白凱杰，冀光普，鄧 聰

（1.廣東省特種設備檢測研究院順德檢測院，廣東 佛山 528000；2.華南理工大學 機械與汽車工程學院，廣東廣州 510641；3.國家工業(yè)鍋爐質量檢驗檢測中心（廣東），廣東 佛山 528000）

引言

國家統(tǒng)計局2016-2020 年廢氣中主要污染物排放數(shù)據(jù)顯示，廢氣中的SO2、NOx 與粉塵的排放量盡管在逐年下降，但總排放量依舊巨大。第二次全國污染源普查公報顯示，電力、熱力生產和供應業(yè)在SO2與NOx 排放量位居前兩位[1]，大量的SO2與NOx 被排放到空氣中，經大量的化學反應，將會對區(qū)域環(huán)境、人體造成嚴重的危害，如對人體造成器官病變、腐蝕建筑物和機械設備等。鍋爐作為我國工業(yè)生產行業(yè)主要動力設備之一，其主要通過燃燒化石能源將化學能轉換成熱能，利用蒸汽、高溫水等推動各種生產設備運行，有利的保障了我國工業(yè)發(fā)展和社會經濟效應。因此，嚴格地控制鍋爐NOx、SO2、粉塵的排放是減少污染、控制環(huán)境必不可少的措施之一[2]。

圖1 2016-2020 年我國廢氣中主要污染物排放

目前，在各種污染物脫除的過程中，對燃煤鍋爐排放煙氣中的污染物去除主要是通過超低排放系統(tǒng)實現(xiàn)的，其工藝流程見圖2[3]。在實際操作過程中，超低排放系統(tǒng)主要是各子設備根據(jù)其主要去除污染物進行相對獨立的控制運行，針對獨立設備對單一污染物進行高效脫除，并沒有將多設備間的協(xié)同去除機理納入考慮范圍，極大的提高了設備的運行成本。因此，對超低排放系統(tǒng)的各單一設備進行整體考量，對多設備進行協(xié)同優(yōu)化控制，具有重要的社會經濟效應。

圖2 燃煤鍋爐發(fā)電廠污染物協(xié)同脫除流程圖

現(xiàn)分析了國內外燃煤鍋爐的脫硫除塵現(xiàn)狀及多目標優(yōu)化研究現(xiàn)狀，針對燃煤鍋爐超低排放系統(tǒng)的系統(tǒng)特性，提出基于能效分析的鍋爐協(xié)同減污優(yōu)化方案。

1 燃煤鍋爐的脫硫除塵現(xiàn)狀

目前我國在燃煤鍋爐生產作業(yè)過程中主要使用以下四種煙氣脫硫工藝，分別是噴霧干燥法、循環(huán)流化床法脫硫工藝、石灰石- 石膏濕法煙氣脫硫工藝和煙氣氨法脫硫工藝。其中石灰石- 石膏濕法煙氣脫硫工藝在我國脫硫工藝中發(fā)展最成熟而且應用最廣泛，它不僅使用成本低，工作效率高，而且利用率比較高，可以循環(huán)使用，能達到相關要求[4]。

高效除塵技術主要包括干式電除塵技術、電袋復合除塵技術、濕式電除塵技術等。目前，我國燃煤電廠主要以電除塵器為主，隨著環(huán)保要求的不斷趨嚴，除塵效率要求越來越高，除了增加電場數(shù)量，各種高效電除塵技術應用更加廣泛，同時，采用布袋除塵器和電袋復合除塵器的比例也逐步提高。

2 脫硫/除塵預測國內外研究現(xiàn)狀

燃煤鍋爐SO2與粉塵的排放濃度受到給煤品質、磨煤機運行方式、鍋爐機組負荷等多種因素的耦合影響，其內部機理往往比較復雜，為搭建SO2/粉塵濃度預測模型帶來了極大的難度和挑戰(zhàn)。

我國大多數(shù)燃煤電廠使用濕法煙氣脫硫（WFGD）作為除去SO2的主要方法。目前，WFGD 的運行缺乏預測出口濃度的精確建模方法，更不用說優(yōu)化方法了。在煙氣SO2/粉塵排放預測方面，崔劍等人[5]以物料平衡法為基礎，對煉鐵廠燒結工序進行解析,結合經驗估算法的分配因子,耦合生產過程的物質流、能量流，建立了燒結二氧化硫排放預測模型，其人為因素影響較大，不適用于精準預測。Wang 等人[6]提出了一種基于改進遺傳算法（GAMS 算法）的火電廠煙塵實時預測系統(tǒng)，優(yōu)化了現(xiàn)有系統(tǒng)的煙霧和粉塵預測時間，可以在短時間內對火電廠的煙塵進行準確監(jiān)測。神經網(wǎng)絡和遺傳算法在鍋爐煙氣SO2和粉塵的排放濃度預測方面具有較大的優(yōu)勢，但目前尚存在預測精度不夠、數(shù)據(jù)特征選取困難等問題，因此本文將在神經網(wǎng)絡、遺傳算法的基礎上，對多參數(shù)進行降維，利用Stacking集成模型提高預測的精度和準確性。

3 燃煤鍋爐的能耗研究現(xiàn)狀

WFGD 的工作狀態(tài)和運行參數(shù)往往根據(jù)專家的經驗進行調控，但由于各專家的理論與實際經驗有差距，可能會出現(xiàn)過量排放和材料浪費的情況。早期的研究側重于實驗數(shù)據(jù)和反應機制的脫硫裝置的最佳運行。 Wang 等人[7]開發(fā)了一個技術經濟模型，用于分析由熱電聯(lián)產（CHP）工廠和燃氣鍋爐組成的混合供暖系統(tǒng)，以進行峰值負荷補償。盡管這些研究在一定程度上提高了脫硫效率，但優(yōu)化的程度往往與專家經驗有較大的關聯(lián)，同時，機理建模過程通常以理想狀態(tài)為標準，對模型進行了假設與簡化，無法準確描述復雜過程，在實際應用中會受到一定的限制。因此，不少學者為了能將工況更好的優(yōu)化，整合了數(shù)據(jù)挖掘技術及實驗的結果。Zhao 等人[8]針對影響燃煤電廠清潔生產（CP）的各種因素，從時間成本和經濟成本方面引入貝葉斯網(wǎng)絡和設計結構矩陣（DSM），評估CP 過程中的各種風險，便于企業(yè)家選擇低成本、低風險的CP 來執(zhí)行。Terhag 等人[9]應用強化學習算法來尋找最佳清潔策略，通過使用策略梯度算法，優(yōu)化輸入，并使用這種自適應方法來比較適合不同已知參數(shù)的策略，提高污染物去除率。神經網(wǎng)絡和遺傳算法等結合實驗數(shù)據(jù)分析的方法在優(yōu)化燃煤鍋爐單系統(tǒng)的脫污能力上具有一定的效應，但將脫硫、除塵系統(tǒng)結合起來考慮共同優(yōu)化時，其樣本維度、量級、數(shù)據(jù)間的耦合性均較大，需要從多方面、多角度去考慮。

4 多目標優(yōu)化的研究現(xiàn)狀

在多目標優(yōu)化的眾多方法中，傳統(tǒng)的方法是向單目標優(yōu)化問題方向轉化，然后再進行針對性的求解。其中，對目標進行規(guī)劃、約束及線性加權等都是較為廣泛使用的途徑。李俊甫[10]針對提高鍋爐熱效率同時減少酸性氧化物SO2和NOx 排放這一綜合優(yōu)化目標，提出了基于雙種群灰狼算法（DGWO）優(yōu)化核極限學習機（KELM）的鍋爐建模方法，提高了電廠鍋爐熱效率，降低了SO2排放量和NOx 排放量。薛西若等人[11]針對發(fā)電廠中脫硫效果與發(fā)電廠經濟性之間的關系，采用多目標優(yōu)化的方法對火電廠負荷分配問題進行了研究，提出改進的遺傳算法(NSGA-Ⅱ)，利用函數(shù)gamultiobj 考慮了經濟和環(huán)境排放的多目標負荷分配問題。

5 協(xié)同優(yōu)化的研究進展

協(xié)同優(yōu)化(CollaborativeOptimization，CO)是由Kroo教授在1994 年提出的一種用于模型分解的策略[12]。協(xié)同優(yōu)化通過將整個復雜系統(tǒng)分解成相對簡單的分支系統(tǒng)，通過系統(tǒng)級別的一致性約束實現(xiàn)各子學科的耦合關系。系統(tǒng)級負責協(xié)調學科級的不一致信息并求得最優(yōu)解，學科級利用本學科的先進方法，在約束下進行求解，提高了求解效率。目前，在運載火箭，空間飛機，高速民用運輸，海底車輛等多領域的實際問題中已經成功應用了協(xié)同思想。在燃煤鍋爐協(xié)同優(yōu)化方面，目前有少量學者對此進行了研究。Zheng 等人[13]針對燃煤電廠難實現(xiàn)燃煤煙氣污染物的低成本高效去除問題，建立了超低排放系統(tǒng)的協(xié)同優(yōu)化模型，包括運行成本的系統(tǒng)級模型和脫硝、脫硫和除塵的三個學科級模型，針對超低排放系統(tǒng)的優(yōu)化方法，提出一種具有動態(tài)罰函數(shù)的改進協(xié)同優(yōu)化方法。Ji 等人[14]提出了一種基于罰函數(shù)的顆粒負荷成本優(yōu)化粒子群優(yōu)化算法，以成本最低為目標，考慮氧化鐵氧化過程增重、原料燃燒損失和脫硫量對顆粒產物化學成分和成本的影響，構建了顆粒配比優(yōu)化模型，給出了基于罰函數(shù)的顆粒群優(yōu)化算法，優(yōu)化了造粒成本。

6 基于數(shù)據(jù)分析的鍋爐協(xié)同減污優(yōu)化

針對超低排放系統(tǒng)各子系統(tǒng)耦合關系，如圖3 所示，利用機器學習、深度學習等技術手段，對燃煤鍋爐的運行數(shù)據(jù)進行實時監(jiān)測分析，提出基于數(shù)據(jù)分析的鍋爐協(xié)同減污優(yōu)化措施。具體實施路線如下：

圖3 各子系統(tǒng)耦合關系示意圖

（1） 通過研究燃煤鍋爐超低排放系統(tǒng)脫去污染物的機理，利用LightGBM/PCA 算法對收集的燃煤鍋爐實際運行數(shù)據(jù)進行數(shù)據(jù)降維，對各子系統(tǒng)進行特征重要度計算，確定影響各子系統(tǒng)效率的關鍵因素，對數(shù)據(jù)進行預處理。利用隨機森林、支持向量機、神經網(wǎng)絡等個體學習器，結合元學習器構建Stacking 集成學習模型，對SOx/粉塵濃度排放濃度進行預測，將預測結果傳遞給協(xié)同控制器。

（2） 構建燃煤鍋爐協(xié)同優(yōu)化控制系統(tǒng)，搭建多目標優(yōu)化的級聯(lián)修正自抗擾控制 MADRC 仿真模塊，通過利用改進遺傳算法優(yōu)化、多目標粒子群算法優(yōu)化等單函數(shù)或多函數(shù)，引入動態(tài)罰函數(shù)對全局進行協(xié)同優(yōu)化，構建基于多目標優(yōu)化算法的MADRC 協(xié)同控制器，搭建基于燃煤鍋爐經濟性分析的脫硫除塵系統(tǒng)控制，將系統(tǒng)級優(yōu)化目標傳遞給優(yōu)化子系統(tǒng)。

（3） 對脫硫、除塵子系統(tǒng)進行參數(shù)局部尋優(yōu)建模，通過灰狼算法、粒子群算法等單標準函數(shù)或混合函數(shù)測試尋優(yōu)性能，構建脫硫/除塵控制子系統(tǒng)的模型辨識，達到系統(tǒng)級優(yōu)化結果。

（4） 采用實驗的方法，在之前的理論分析和實驗的結合，驗證燃煤鍋爐脫硫除塵協(xié)同優(yōu)化控制的有效性與可行性。

7 結論

在國家大力推進節(jié)能降碳，推動建設環(huán)境友好型社會的號召下，對電廠燃煤鍋爐進行高效污染物去除，減少有毒有害物質的排放具有十分重要的社會價值。利用機器學習等技術手段，通過大數(shù)據(jù)分析鍋爐實時運行數(shù)據(jù)，綜合考慮各子系統(tǒng)間的耦合關系，構建超低排放系統(tǒng)協(xié)同優(yōu)化方案，不僅能更高效率的降低各污染物的排放濃度，且能從系統(tǒng)層面減少各運行成本，為企業(yè)獲取更高的投資回報。