Research on Performance Prediction of Coal-fired Power Plant Denitrification Device Based on Online Monitoring Data

doi:10.12096/j.2096-4528.pgt.20106

Abstract

Abstract:

The precise control of pollutant removal in thermal power plants has always received wide attention. By applying big data analysis technology to the denitration system of a 600 MW generator set, the in-depth mining research on environmental protection online monitoring data under complex conditions was carried out, and the impact of pollution can be obtained efficiently and accurately. By analyzing the key factors of the performance of waste removal equipment, combined with the principle of pollutant removal, the input and output elements of the environmental pollution index predict ion model was determined, the resource consumption indicators in the denitration system were characterized, and the big data of the unit environmental pollution index forecast model was built. The results show that after rationally cleaning the associated parameters in the process, the results of the key factor analysis are consistent with the results of the qualitative analysis of the removal mechanism of environmental pollutants. The trained model can not only reproduce the current environmental performance with high precision, but also has the ability to predict environmental performance. The specific analysis of the selective catalytic reduction (SCR) system can provide a certain theoretical basis and data support for the implementation of further precise control of other environmental protection equipment in thermal power plants.

Key words: thermal power plant, big data, ultra-low emission, denitration system

CLC Number:

TK 09

Cunqin RUAN, Zhigang HONG, Peican LAI, Jianhua ZHANG, Xikun LIN, Jiang ZHOU, Qianwei FENG, Yang ZHANG. Research on Performance Prediction of Coal-fired Power Plant Denitrification Device Based on Online Monitoring Data[J]. Power Generation Technology, 2023, 44(1): 100-106.

Figures/Tables 8

References 27

1	赵国栋，易欢欢，糜万军．大数据时代的历史机遇[M]．北京：清华大学出版社，2013．
	ZHAO G D， YI H H， MI W J ．Historical opportunities in the era of big data[M]．Beijing：Tsinghua University Press，2013．
2	王建民．《生态环境大数据建设总体方案》政策解读[J]．环境保护，2016，44(14)：12-14． doi:10.14026/j.cnki.0253-9705.2016.14.001
	WANG J M ．Interpretation to the Master Plan of Ecological Environment Big Data[J]．Environmental Protection，2016，44(14)：12-14． doi:10.14026/j.cnki.0253-9705.2016.14.001
3	白浩，袁智勇，梁朔，等．基于大数据处理的配网运行效率关联性分析[J]．电力系统保护与控制，2020，48(6)：61-67．
	BAI H， YUAN Z Y， LIANG S，et al ．Correlation analysis of distribution network operation efficiency based on big data processing[J]．Power System Protection and Control，2020，48(6)：61-67．
4	陈人杰，李华取，彭晓涛，等．基于改进TOPSIS的新能源大数据服务项目评价研究[J]．电力建设，2021，42(3)：126-134． doi:10.12204/j.issn.1000-7229.2021.03.015
	CHEN R J， LI H Q， PENG X T，et al ．Study on evaluation method for new energy big data service project applying improved TOPSIS[J]．Electric Power Construction，2021，42(3)：126-134． doi:10.12204/j.issn.1000-7229.2021.03.015
5	国家统计局能源统计司．中国能源统计年鉴[M]．北京：中国统计出版社． 2018．
	Department of Energy Statistics， National Bureau of Statistics ．China energy statistical yearbook[M]．Beijing：China Statistics Press． 2018．
6	郑婷婷，周月桂，金圻烨．燃煤电厂多种烟气污染物协同脱除超低排放分析[J]．热力发电，2017，46(4)：10-15． doi:10.3969/j.issn.1002-3364.2017.04.010
	ZHENG T T， ZHOU Y G， JIN Q Y ．Integrated removal and ultra-low emission of multiple pollutants for coal-fired power plants[J]．Thermal Power Generation，2017，46(4)：10-15． doi:10.3969/j.issn.1002-3364.2017.04.010
7	赵春生，杨君君，王婧，等．燃煤发电行业低碳发展路径研究[J]．发电技术，2021，42(5)：547-553． doi:10.12096/j.2096-4528.pgt.21054
	CHUANG C S， YANG J J， QANG J，et al ．Research on low-carbon development path of coal-fired power industry[J]．Power Generation Technology，2021，42(5)：547-553． doi:10.12096/j.2096-4528.pgt.21054
8	杨勇平．燃煤发电系统能源高效清洁利用的基础研究综述[J]．发电技术，2019，40(4)：308-315． doi:10.12096/j.2096-4528.pgt.19107
	YANG Y P ．Review of basic research on energy clean and efficient utilization in coal-fired power systems[J]．Power Generation Technology，2019，40(4)：308-315． doi:10.12096/j.2096-4528.pgt.19107
9	帅伟，李立，崔志敏，等．基于实测的超低排放燃煤电厂主要大气污染物排放特征与减排效益分析[J]．中国电力，2015，11(3)：131-137．
	SHUAI W， LI L， CUI Z M，et al ．Analysis of primary air pollutant emission characteristics and reduction efficiency for ultra-Low emission coal-fired power plants based on actual measurement[J]．Electric Power，2015，11(3)：131-137．
10	朱法华，王临清．煤电超低排放的技术经济与环境效益分析[J]．环境保护，2014，21(11)：28-33．
	ZHU F H， WANG L Q ．Analysis on technology-economy and environment benefit of ultra-low emission from coal-fired power units[J]．Environmental Protection，2014，21(11)：28-33．
11	徐振，莫华，杨光俊，等．火电厂大气污染物自动监测达标判定现状与国际经验借鉴[J]．环境影响评价，2018，40(1)：38-41．
	XU Z， MO H， YANG G J，et al ．Present situation and international experience of using continuous emissions monitoring to assess the compliance with emission limit values of air pollutants for thermal power plants[J]．Environmental Impact Assessment，2018，40(1)：38-41．
12	朱法华，王圣．煤电大气污染物超低排放技术集成与建议[J]．环境影响评价，2014(5)：25-29． doi:10.3969/j.issn.1674-2842.2014.05.009
	ZHU F H， WANG S ．Coal power generation technology integration and recommendations for ultra-low emission of air pollutants[J]．Environmental Impact Assessment，2014(5)：25-29． doi:10.3969/j.issn.1674-2842.2014.05.009
13	史文峥，杨萌萌，张绪辉，等．燃煤电厂超低排放技术路线与协同脱除[J]．中国电机工程学报，2016，36(16)：4308-4318．
	SHI W Z， YANG M M， ZHANG X H，et al ．Coal-fired power plant ultra-low emission technology route and coordinated removal[J]．Proceedings of the CSEE，2016，36(16)：4308-4318．
14	中国环境保护产业协会．燃煤电厂烟气超低排放技术[M]．北京：中国电力出版社，2015．
	China Environmental Protection Industry Association ．Ultra-low emission technology of coal-fired power plant flue gas[M]．Beijing：China Electric Power Press，2015．
15	张东霞，苗新，刘丽平．智能电网大数据技术发展研究[J]．中国电机工程学报，2015，35(1)：2-12． doi:10.13334/j.0258-8013.pcsee.2015.01.001
	ZHANG D X， MIAO X， LIU L P ．Research on development strategy for smart grid big data[J]．Proceedings of the CSEE，2015，35(1)：2-12． doi:10.13334/j.0258-8013.pcsee.2015.01.001
16	杨新民，曾卫东，肖勇．火电站智能化现状及展望[J]．热力发电，2019，48(9)：1-8．
	YANG X M， ZENG W D， XIAO Y ．Present situation and prospect of thermal power plant intelligentization[J]．Thermal Power Generation，2019，48(9)：1-8．
17	曾德良，杨婷婷，程晓，等．数据挖掘方法在实时厂级负荷优化分配中的应用[J]．中国电机工程学报，2010，30(11)：109-114．
	ZENG D L， YANG T T， CHENG X，et al ．Application of data mining method in real-time optimal load dispatching of power plant[J]．Proceedings of the CSEE，2010，30(11)：109-114．
18	彭小圣，邓迪元，程时杰，等．面向智能电网应用的电力大数据关键技术[J]．中国电机工程学报，2015，35(3)：503-511．
	PENG X S， DENG D Y， CHENG S J，et al ．Key technologies of electric power big data and its application prospects in smart grid[J]．Proceedings of the CSEE，2015，35(3)：503-511．
19	张磊．大规模互联网图像检索与模式挖掘[J]．中国科学：信息科学，2013，43：1641-1653． doi:10.1360/n112013-00058
	ZHANG L ．Large-scale web image search and pattern mining[J]．Scientia Sinica Informationis，2013，43：1641-1653． doi:10.1360/n112013-00058
20	刘炳含，付忠广，王鹏凯，等．大数据挖掘技术在燃煤电站机组能耗分析中的应用研究[J]．中国电机工程学报，2018，38(12)：3578-3587．
	LIU B H， FU Z G， WANG P K，et al ．Big data mining technology application in energy consumption analysis of coal-fired power plant units[J]．Proceedings of the CSEE，2018，38(12)：3578-3587．
21	胡水星．大数据及其关键技术的教育应用实证分析[J]．远程教育杂志，2015，33(5)：46-53． doi:10.3969/j.issn.1672-0008.2015.05.006
	HU S X ．An empirical analysis of big data and its key technology in educational practice[J]．Journal of Distance Education，2015，33(5)：46-53． doi:10.3969/j.issn.1672-0008.2015.05.006
22	刘吉臻，胡勇，曾德良，等．智能发电厂的架构及特征[J]．中国电机工程学报，2017，37(22)：6463-6473．
	LIU J Z， HU Y， ZENG D L，et al ．Architecture and feature of smart power generation[J]．Proceedings of the CSEE，2017，37(22)：6463-6473．
23	刘云霞．数据预处理[M]．厦门：厦门大学出版社，2011． doi:10.1109/iceceng.2011.6057992
	LIU Y X ．Data preprocessing[M]．Xiamen：Xiamen University Press，2011． doi:10.1109/iceceng.2011.6057992
24	陈宝树，党齐民．Web数据挖掘中的数据预处理[J]．计算机工程，2002，28(7)：125-127． doi:10.3969/j.issn.1000-3428.2002.07.051
	CHEN B S， DANG Q M ． Data preprocess in Web data mining[J]．Computer Engineering，2002，28(7)：125-127． doi:10.3969/j.issn.1000-3428.2002.07.051
25	刘炳含，付忠广，王永智，等.基于并行计算的大数据挖掘技术及其在电站锅炉性能优化中的应用[J]．动力工程学报，2018，38(6)：431-439． doi:10.3969/j.issn.1674-7607.2018.06.002
	LIU B H， FU Z G， WANG Y Z，et al ．Big data mining technology based on parallel algorithm and its application in power plant boiler performance optimization[J]．Journal of Chinese Society of Power Engineering，2018，38(6)：431-439． doi:10.3969/j.issn.1674-7607.2018.06.002
26	王大荣，张忠占．线性回归模型中变量选择方法综述[J]．数理统计与管理，2010，29(4)：615-627．
	WANG D R， ZHANG Z Z ．Variable selection for linear regression models：a survey[J]．Journal of Applied Statistics and Management，2010，29(4)：615-627．
27	丁世飞，齐丙娟，谭红艳.支持向量机理论与算法研究综述[J]．电子科技大学学报，2011，40(1)：2-10． doi:10.3969/j.issn.1001-0548.2011.01.001
	DING S F， QI B J， TAN H Y ．An overview on theory and algorithm of support vector machines[J]．Journal of University of Electronic Science and Technology of China，2011，40(1)：2-10． doi:10.3969/j.issn.1001-0548.2011.01.001

参数	设计值	备注
烟气量/(m³/h)	2 285 629	标态、干基、6%O₂
设计烟气温度/℃	364	—
烟尘质量浓度/(g/m³)	41	标态、干基、6%O₂
NO _x 质量浓度/(mg/m³)	300	标态、干基、6%O₂
SO₂质量浓度/(mg/m³)	3 000	标态、干基、6%O₂
SO₃质量浓度/(mg/m³)	30	标态、干基、6%O₂
O₂质量分数/%	3.29	干基
H₂O质量分数/%	7.78	—

参数	设计值	备注
烟气量/(m³/h)	2 285 629	标态、干基、6%O₂
设计烟气温度/℃	364	—
烟尘质量浓度/(g/m³)	41	标态、干基、6%O₂
NO _x 质量浓度/(mg/m³)	300	标态、干基、6%O₂
SO₂质量浓度/(mg/m³)	3 000	标态、干基、6%O₂
SO₃质量浓度/(mg/m³)	30	标态、干基、6%O₂
O₂质量分数/%	3.29	干基
H₂O质量分数/%	7.78	—

序号	评价指标	A侧出口NO _x 浓度	B侧出口NO _x 浓度	A侧氨逃逸浓度	B侧氨逃逸浓度	脱硝电耗
1	R²	0.93	0.87	0.86	0.96	0.91
2	E_RMSE	7.8	4.36	0.05	0.2	7.75
3	E_MAE	5.2	3.03	0.04	0.09	5.7
4	E_MAPE	0.128	0.07	0.15	0.13	0.03

序号	评价指标	A侧出口NO _x 浓度	B侧出口NO _x 浓度	A侧氨逃逸浓度	B侧氨逃逸浓度	脱硝电耗
1	R²	0.93	0.87	0.86	0.96	0.91
2	E_RMSE	7.8	4.36	0.05	0.2	7.75
3	E_MAE	5.2	3.03	0.04	0.09	5.7
4	E_MAPE	0.128	0.07	0.15	0.13	0.03

参数	满负荷工况	中负荷工况	低负荷工况
原烟气量/(km³/h)	3 540.7	3 787.8	3 307.5
原烟气温度/℃	114.9	110.3	101.5
原烟气压力/kPa	2.46	1.76	1.28
脱硝系统总风量/(km³/h)	2 094.6	1 843.8	1 346.5
总一次风流量/(km³/h)	468.2	392.3	304.8
A侧热二次风流量/(km³/h)	796.0	684.4	449.0
B侧热二次风流量/(km³/h)	835.9	757.9	594.2
脱硝A侧入口温度/℃	342.0	336.7	303.8
脱硝B侧入口温度/℃	344.2	329.4	296.3
脱硝A侧入口NO _x 质量浓度/(mg/m³)(折算值)	246.90	149.23	243.58
脱硝B侧入口NO _x 质量浓度/(mg/m³)(折算值)	270.54	251.64	305.71
脱硝A侧入口O₂质量分数/%	2.3	2.6	6.2
脱硝B侧入口O₂质量分数/%	4.6	3.0	5.0
脱硝A侧还原剂耗量/(kg/h)	83.80	45.74	43.21
脱硝B侧还原剂耗量/(kg/h)	86.26	33.96	34.27