搜索
英译文：通过神经网络监测4.8MV电厂排放的污染物摘要本文的主要目的是为了解决对燃烧室排放的污染物进行监测的神经网络监测软件传感器的发展及其相关的问题。目的是要证明能作为替代常规分析设备监控系统的软件传感器的潜力。初步结果来自于意大利卡利亚里SantaGilla研究中心运营的一个4.8兆瓦的电力试验工厂。2002年埃尔塞维尔科技有限公司版权所有。关键词：软件传感器;神经网络;污染物排放量;电厂1.引言廉价的高性能计算平台的可用性和分散控制系统的问世，极大地促进了基于模型的先进控制系统（AMBCS）的实现，可以提供显著的效益和工厂的改善。AMBCS依赖于适当过程模型和过程变量测量的可用性，这直接关系到代表过程的性能指标。通常，AMBCS不接受人们在采样时间内获取主过程变量（PV）（例如，成分或产品质量指标）。这个缺点可以通过使用预估器（软件或虚拟传感器），依据更容易测量的二级过程变量预估主要过程变量的值来克服。换句话说，主要过程变量是通过合适的过程模型现成的耦合变量间接测量。当然，一个有效的即时过程模型必须满足两个要求：简约，以保证实时仿真和准确性，确保模型正确地恢复相关过程的动态特性。在这方面，人工神经网络提供了一个功能强大的易嵌入软件传感器结构开发过程模型的建模环境。尽管大量文章讨论神经网络在工业监测和控制中的银改用神经，即聚合物的质量控制，连续测量验证，生物过程的监控，推理控制——很少有研究涉及电厂和燃烧系统。对于200兆瓦燃油的滚筒式单元机组，卢和霍格[7]开发了一种基于神经的“运作模式”来预测水蒸汽的压力和动力输出作为相关运行参数的函数。神经网络模型通过从电厂第一原则模型的“综合实验”获得的数据进行了标定。在最近的研究[中5]，对电厂NOx排放的神经模糊控制模型的发展进行了讨论。制定了一个25MW流化燃烧床模型。污染物排放监测的应用，大大得益于软件传感器的有效实施。事实上，遵守环保法规是一个排放着极大地促进空气污染的一氧化碳，二氧化碳，氮氧化物，二氧化硫能源生产企业的关键因素。公众不断增长的环境和健康风险意识是改善燃烧系统的运行效率的驱动力。在最近几年，许多国家都执行更加严厉空气污染物排放法规。例如，20世纪90年代初以来，EPA（美国环保局）要求对所有排放污染物生产设施所排放的CO，二氧化碳，氮氧化物，二氧化硫，挥发性有机化合物持续监测。化学工程行业也面临着这样的环境问题因为降低经营成本，以保持市场地位的关键因素，化学工程行业也面临着这样的环境问题。对于符合法规性，最关键的问题之一，涉及到关于遵守污染物排放的监控过程性能合适的测量。事实上，这将需要安装基于硬件的持续排放监测系统（CEMS），而不是依靠昂贵和高维护成本的分析设备。通常情况下，使用分析设备是不可行的，因为不可接受的测量时间延迟，缺乏专用设备，低容错。近日，环保局发出一项规定（40CFR75.40），它允许使用通过过程模型或任何其他类型的推理工具检测污染物的基于软件的污染物持续性监测系统（参数监测系统，PMS，[10]）。以PMS取代传统的CEMS的可以带来巨大经济效益：成本可削减50％，同时可以减少超过三分之二的维修费用。另一个的关键效益是其有作为后备潜力监视系统潜力，用于替代停用的分析设备，或用于验证测量领域。软件传感器也许是有用的，因为如果嵌入在推理控制结构，除了固定/维护成本效益，他们也可以让污染物排放（CO，VOC和NOx）最小化和工艺优化。这可以很容易地通过控制空气—燃料比以避免不可接受的炉低温，氮氧化物排放量高，内燃机局部有大量的CO和未燃燃料。很少有研究讨论监测工业烟囱烟气中的污染物参数化模型。最近，Matsumuraetal.[8]等开发的软件传感器——基于ARX模型——用来监测火电厂烟气中的Nox。自动推断测量装置是通过控制氨注射量来催化还原（SCR），其可以减少烟囱氮氧化物排放量。还通过了一个类似的方法，由Liu和Daley[6]开发了一种基于ARX模型的自适应预测控制氮氧化物排放的模型。氮氧化物排放量监测的参数化模型是为一个实验室规模的燃烧系统而制定。最近的一项研究[3]讨论的发展预测监测系统（PEMS），推断5一个5MMkcal/h试验炉所排放烟气中CO,CO2,O2,和NOx的浓度水平。推理系统是基于校准与动力学模型，稳态数据直接取自试验厂炉。本文的目的是为了解决与开发以神经网络为基础的污染物监测软件传感器。我们从意大利国家电网公司中运营与SantaGilla研究中心（卡利亚里，意大利）的试点的电厂获得的报告和讨论结果。2.试点电厂在试点电厂，进行基于神经网络的软件传感器的开发和利用测试，从其炉中获得的实验数据被描绘图1。燃烧室的试验工厂，4:8万千瓦的额定功率，与真正工厂的热力学和动力学相似，坐落于VadoLigure(Savona,Italy).（萨沃纳意大利）。炉分为两部分，因为它是工业燃烧的情况下的系统。通常情况下，在辐射第一环节，大部分热量被收回用于生产高压蒸汽，而在第二对流环节，热量被由烟雾预先加热的水恢复。试点工厂并不意味着产生电能，但可评估电厂新燃料和操作条件的性能。燃烧产生的热量通过位于辐射和对流段中由冷却旋管构成的冷却系统。两个区域进行这样的设计，是为了保持与VadoLigure电厂的热力学和动力学相似。在辐射部分，燃烧器在三个层面上配对，从而实现正反面共12个燃烧器的锅炉。此外，有吧6个过度燃烧热空气喷嘴和四个再燃喷嘴。图1.燃烧室的示意图。试点电厂配备热电偶，及提供相关的过程变量的测量流量和压力表。出口气体CO,CO2,O2,NOx,和SO2的分析采用常规分析设备（基于硬件的传感器）。所有这些信息都是自动获取和存储在动态数据库。该工厂被选中，因为除了很好监测，还展出了关键功能：燃料转换。事实上，这炉可用四种不同类型的燃料：煤粉，天然气，油，奥里乳化油。实际上，天然气只用在起步阶段。论文的最终目的是要提出软件传感器来推测来自电厂排放的污染物的发展的一般方法。由于测量的SantaGilla电厂是与那些真正的发电厂略有不同，这是值得说几句关于基于神经网络的软件传感器测量的选择。通常情况下，在实际电厂发电或生产蒸汽提供了一个工厂的额定功率（热负荷）的措施。现在，试点电厂不产生任何电力或蒸汽，因此，实际的工厂热负荷只能通过冷却周围的能量平衡估计系统。过量空气百分比是与污染物产生量（CO和NOx）密切相关的另一个关键过程变量。因此，必须在软件传感器输入中占一些。试点电厂以各种燃料为供应，这需要提供对燃料的流量提供信息的过程变量的软件传感器。其他两个重要输入，强烈地影响最终未燃尽的物种和氮氧化物的浓度。一个是OFA的百分比，由过热空气流量比总进气流量来定义，另一个是再燃流量[2]。其他也适用于真正的电厂的测量，分别为：进风温度，烟气出口温度，和在燃烧室中的氧气。实际上，后者的过程变量是一个强烈的实地性氧气测量，只有与实际剩余氧浓度相关。要观测的变量有出口烟雾中的一氧化碳，氮氧化物，氧气的浓度。实际上，氧气是不是一个实际的污染物，但它作为控制炉一个重要的燃烧性能指标。这就是为什么，估计的过程变量时包含它。3.软件传感器我们的想法是从方便测量的变量开始，开发一个能够估计有关过程变量（污染物排放水平）的推理工具。这相当于从一个不完整的状态变量集，重建了一个动态的起动系统的状态空间。论文前面（即[1]）已经证明，对于提供选定一个适当的输入集的动态系统中，常规前馈神经网络传感器软件的潜力。开发传感器软件进行在线应用，要求很简单，因为他们在DCS中直接执行。这一切都要求软件工具，必须尽可能简单和紧凑。因此，我们决定建立一个单一的软件传感器能够监测，在使用所有的燃料类型时排放的烟雾中CO2，Nox和O2的浓度。开发一个单一的软件传感器，能处理燃料转换的和两个不同的燃料混合（通常指煤粉，天然气，石油，奥里油）的情况。我们将综合描述促成软件传感器输入选择的理由。因为工业机密的原因，我们不能明确列出。输入选择赖于治理燃烧过程物理化学过程的知识。我们的目标是开发一个单一的软件传感器，可以在所有的燃料的情况下使用，因此燃料的流量已被选中作为输入变量。在这种方式中，神经网络，提供足够的信息来识别在每个瞬间燃烧的燃料或混合物的性质。不幸的是，所以不能区分油和奥里乳化油，因为他们通过相同的供料管道。热负荷可以用来区分两种燃料，事实上，他们表现出不同的燃烧热，因此，在相同的燃料流量下，得到不同的热负荷。其他重要的过程变量，OFA的比例，再燃流量，一﹑二次风的流量，极大地影响了NOx和CO的形成，这些变量传递发生燃烧过程时的化学条件信息。尤其是一次风流量，与使用的燃料类型（输送煤需要更多的空气，而它正是输送煤载体）;二次风的显着控制二氧化碳和氮氧化物的形成。虽然多余空气对CO产生的影响是相当简单，但对于NOx的形成确不是如此[2]。增加多余的空气的肯定促进有机C的碳的完全燃烧产生二氧化碳，从而减少CO的产生。相反，氮氧化物的生产呈现出最大值。例如，在燃气炉的氮氧化物的最大生成量达到过剩空气的10-20％。而对于非常强烈和非常微弱的火焰（就得到的燃料而言）氮氧化物的浓度相当低[2]。这种表现与存在于化学计量比最大时达到的温度峰值相关。此外，最佳的效率和最低氮氧化物浓度的要求是相互冲突的。例如，工业燃烧器应营运于有10％多余空气的情况下，以保证为最佳效率，因此，减少氮氧化物的生产，试图通过分段运输，要么燃料或燃烧空气。在第一种方法，燃气分开的两个阶段（一区和二区）注入。在第一阶段燃烧发生在燃料较少的地方，而在第二阶段空气—燃料比带回到最佳整体价值（约10％的过剩空气）。第二方法，燃烧空气被分成两个部分，而不是燃料。通过这种方式，在第一阶段，燃烧发生在富燃料条件的地方，而在第二阶段恢复到燃料稀少的条件。上演了燃油燃烧器对气体燃料更合适，而燃气燃烧器是比较合适的处理液体燃料（即石油）。对于像液体燃料，通过再燃可以更有效地减少氮氧化物的产生。在这种方法中，燃烧室配备了可注入再燃燃料通常是甲烷或天然气的二次燃烧阶段装置。再燃燃料与氮氧化物（来自主燃烧区）反应生成氮来减少氮氧化物[9]。未反应（过剩）的燃料离开二次燃烧室，将在增加额外的助燃空气充分燃烧。实际上，这是适用于SantaGilla试点工厂的方法。通常情况下，至少在燃烧室，即时的氧气浓度测量是可以的。这种测量方法提供了一个燃烧室内当时的化学条件和燃烧效率想法。因此，燃烧室当地的氧气浓度的也被用来作为基于神经网络软件传感器的输入。总的来说，以知识为基础的选择办法，导致选择八个输入，设置过程变量来描述炉性能。图2.出口处CO的浓度。另一个重要的问题，开发神经网络模型时，隐藏层和每个隐层神经元的数量。此问题已得到解决，最终的目标是获得尽可能简单的结构。在设计一个合适的实验活动必须投入更多注意力。有必要选择可能发生在电厂正常运作所有可能的情况下的实验数据。数据从一个试验工厂，应该意识到在不同的作业条件测试，其不能代表稳定状态（“正常”）的条件。事实上，运行状况每1或2小时都会改变。神经软件传感器校准和验证实验使用的数据，由跨越了几天6秒的采样间隔的操作得到。数据集分为两部分。第一部分，占整体的三分之二数据，被用来作为校准∕验证的数据集，而第二部分，用作为测试数据集。实验数据集是代表由于燃料转换，和在空气和燃料流速的变化等实际的瞬态条件的运行状态。原始实验数据使用前，我们不得不预先处理他们，以消除出口的处的杂散信号和0-峰数据（参见图2，在最坏的情况，提出）。发生O-峰是在煤炭利用喷嘴而不是专门设计的使用固体燃料的燃烧器工作。在这种情况下，喷嘴堵塞，并提供上升到一个间歇性的燃料输送。这种机制，促进喷嘴附近的一个快速的耗氧量，最终导致局部在丰富的混合燃料条件燃烧的过程（燃料过量关于计量值）。因此，产生的CO显著地增加到高达1000ppm的浓度峰。事实上，当煤在正确设计的喷嘴燃烧情况时，这些异常的燃烧条件并没有观察到。因此，我们对待其“不感兴趣”。通常情况下，正常的燃烧条件下一段时间内收回顺序相同的特征