基于深度强化学习的水泥分解炉掺烧污泥脱硝优化控制研究
目前中国水泥工业正快速发展，水泥生产量占世界总生产量60%以上，在水泥生产过程中会产生大量的大气污染物，如NOx（主要为NO）等。选择性非催化还原技术反应温度窗口为860~1050℃，与分解炉内温度接近，是目前最适用于水泥窑炉脱硝技术。水泥分解炉工况复杂，炉内高浓度CaO对脱硝有明显抑制作用，为减小CaO以及其他因素（氨水停留时间、混合均匀度）对脱硝的影响，常喷入过量氨水，未参与还原反应的氨随烟气进入后续设备，造成氨逃逸，与酸性气体反应形成的铵盐会堵塞和腐蚀下游设备,影响系统的运行安全，同时多余的氨还会在高温环境发生氧化反应生成额外的NOx，恶化脱硝效果。在分解炉中掺烧污泥可显著减少燃料用量以及有效减少NOx排放，污泥掺烧过程中含氮基团热解生成NH3和HCN等还原性气体是主要的脱硝还原剂，但污泥掺烧过多会削弱NOx还原，此时NH3和HCN等前驱体发生氧化反应生成NO，也不利于NOx控制。 本文以国内某日产6000t水泥厂的水泥分解炉为研究对象，提出了一种基于深度确定性策略梯度（DeepDeterministicPolicyGradient,DDPG）算法的SNCR脱硝优化控制模型，将SNCR出口NOx浓度和脱硝成本加入待优化目标，结合强化学习优秀的决策控制能力对SNCR脱硝过程的喷氨量和污泥掺烧量进行了优化，实现了氨逃逸、NOx浓度和脱硝成本的多目标优化。利用现场实际运行数据对优化控制模型进行仿真验证的结果表明，模型可输出合理的喷氨量和污泥掺烧量组合，减少了SNCR出口NOx浓度波动，提高机组运行稳定性，并有效降低NOx排放浓度和脱硝成本，实现对SNCR脱硝系统的优化控制。本文主要的研究结论如下： （1）针对掺烧污泥的水泥窑炉SNCR脱硝系统影响氨逃逸因素复杂多样和软测量建模预测问题，考虑脱硝过程各变量的相关性和系统非线性特征，提出了一种基于Lasso-XGBoost/LightGBM组合特征筛选方案和DBSCAN特征聚类的QPIO-SVR氨逃逸浓度预测模型，MSE为0.51，MAPE为3.46%，R2为0.99，对比其他模型，本模型性能最优。模型特征敏感性分析表明，分解炉温度、喷氨量、污泥掺烧量和喷水量对氨逃逸预测存在显著影响，其中喷氨量、污泥掺烧量和喷水量作为可控变量在掺烧污泥的水泥分解炉SNCR脱硝优化控制应着重关注。 （2）数据驱动模型对建模数据及特征敏感，引入冗余信息会降低模型预测精度和增加训练时间。采用DBSCAN聚类算法对数据进行聚类后，再进行训练集和测试集的划分可以提高模型的泛化性能，并对特征进行选择以剔除对模型输出影响较弱的冗余变量，之后采用Optuna对LightGBM的超参数进行优化，建立了预测精度较高的SNCR出口NOx浓度预测模型，对比分析了所建立的预测模型与其他预测模型的误差表现和拟合曲线，所建立模型RMSE和MAPE分别为6.80和3.48%，可满足DDPG优化控制模型的预测需求。 （3）以脱硝成本和NOx排放浓度为优化目标，采用DDPG算法对水泥SNCR脱硝工艺参数进行优化，当喷氨量和污泥掺烧量分别控制在427.87L/h，9.78t/h时，NOx排放浓度值为225.99mg/Nm3，氨逃逸值8.68ppm，脱硝运行成本1747.11元/h。对比其他优化算法结果和常规工况，DDPG优化控制模型的参数优化结果表现出更好的经济性和环保性，说明在智能体和环境不断交互的过程中，通过对动作进行合理的奖励，能够通过深度学习优秀的学习能力和强化学习的决策能力输出智能体动作的最优解。 （4）利用现场实际运行数据对DDPG优化控制模型进行仿真及效果验证，优化控制前NOx排放浓度最大值为298mg/Nm3，最小值为70mg/Nm3，均方差为46.77mg/Nm3。优化控制后NOx排放浓度最大值为243.66mg/Nm3，最小值为104.00mg/Nm3，均方差为25.96mg/Nm3。经优化控制模型作用后，NOx排放浓度更加稳定且控制效果能够满足控制目标。对比人工调控策略，DDPG优化控制模型以最大化带延迟的奖励信息作为动作输出的目标，在智能体和环境不断交互的过程中，滚动优化actor策略网络和critic价值网络的神经网络结构，最终模型可输出合理的喷氨量和污泥掺烧量组合，减少SNCR出口NOx浓度波动，降低NOx排放浓度和脱硝成本，实现对SNCR脱硝系统的多目标优化控制。
水泥分解炉;氮氧化物;排放浓度;脱硝系统;选择性非催化还原;污泥掺烧量;喷氨量;深度强化学习
华南理工大学
硕士
工程热物理
刘定平
2022
中文
X781.5;X701
2022-12-23（万方平台首次上网日期，不代表论文的发表时间）