本发明涉及一种基于LSTM神经网络的燃煤烟气三氧化硫阶梯控制方法，包括步骤：获得燃煤机组脱硝反应器出口烟气中SO3浓度及对应时段该燃煤机组的历史运行数据，形成数据库；建立、训练并校验基于LSTM神经网络的脱硝反应器出口烟气中SO3浓度预测模型。本发明的有益效果是：建立了基于LSTM神经网络的脱硝反应器出口烟气中SO3浓度预测模型，采用数据库中的部分数据对基于LSTM神经网络的脱硝反应器出口烟气中SO3浓度预测模型进行训练，用数据库中的剩余数据与预测模型的预测结果进行比对，并计算预测模型的预测结果存在的预测误差，对预测结果进行准确性判断。
1.一种基于LSTM神经网络的燃煤烟气三氧化硫阶梯控制方法，其特征在于，包括以下步骤：步骤1、获得燃煤机组脱硝反应器出口烟气中SO3浓度及对应时段该燃煤机组的历史运行数据，形成数据库；
步骤2、建立、训练并校验基于LSTM神经网络的脱硝反应器出口烟气中SO3浓度预测模型；
步骤3、建立基于燃煤机组脱硝反应器出口NH3浓度的空预器入口SO3浓度阶梯控制策略；
步骤4、在燃煤机组尾部烟道安装并调试碱液喷射SO3脱除装置，计算不同运行工况下碱液喷射反应物摩尔比M，建立燃煤机组所对应的碱液喷射反应物摩尔比M的数据表；碱液喷射反应物摩尔比M为碳酸钠与三氧化硫物质的量的比，M=n（Na2CO3）：n（SO3）；
步骤5、确定脱硝反应器出口SO3浓度值Cin、空预器入口SO3目标浓度Cout和碱液喷射反应物摩尔比M；
步骤7、计算碱液喷射SO3脱除装置碱液喷射系统喷枪最优投运支数。
2.根据权利要求1所述基于LSTM神经网络的燃煤烟气三氧化硫阶梯控制方法，其特征在于：步骤1中数据库中脱硝反应器出口烟气中SO3浓度检测数据大于2000组。
3.根据权利要求1所述基于LSTM神经网络的燃煤烟气三氧化硫阶梯控制方法，其特征在于：步骤1中，现场对燃煤机组脱硝反应器出口烟气中SO3浓度进行人工检测，并调取对应时段该燃煤机组的历史运行数据，形成数据库；历史运行数据包括机组负荷、煤质分析参数、锅炉燃烧参数、脱硝参数和原烟气SO2浓度。
4.根据权利要求1所述基于LSTM神经网络的燃煤烟气三氧化硫阶梯控制方法，其特征在于，步骤2具体包括以下步骤：步骤2.1、建立基于LSTM神经网络的脱硝反应器出口烟气中SO3浓度预测模型，基于部分数据库数据，将机组负荷、煤质分析参数和锅炉燃烧参数作为浓度预测模型的输入，将脱硝反应器出口SO3浓度值作为浓度预测模型的输出，训练浓度预测模型；
步骤2.2、将数据库中剩余数据与浓度预测模型的预测数据进行比对，通过求均方根误差的方式来计算预测误差；预测误差的计算公式如下：上式中， 表示均方根误差，为数据长度， 表示i时刻脱硝反应器出口烟气中SO3浓度预测值， 表示i时刻脱硝反应器出口烟气中SO3浓度的人工实测值；当预测误差RMSE＜10%时，认为基于LSTM神经网络的脱硝反应器出口烟气中SO3浓度预测模型的预测结果准确。
5.根据权利要求4所述基于LSTM神经网络的燃煤烟气三氧化硫阶梯控制方法，其特征在于：步骤2.1中煤质分析参数包括水分、挥发分、灰分、固定碳和发热量；锅炉燃烧参数包括总煤量、燃烧温度和氧量；脱硝参数包括脱硝入口温度、脱硝效率和面速度。
6.根据权利要求1所述基于LSTM神经网络的燃煤烟气三氧化硫阶梯控制方法，其特征在于，步骤3具体为：得到硫酸氢铵生成速率与烟气中NH3和SO3浓度之间的关系，进行实验室小试试验，综合小试试验结果和空预器厂家经验数据，得到硫酸氢铵生成速率与烟气中NH3和SO3浓度之间的关系;根据燃煤机组脱硝反应器出口NH3浓度，对空预器入口SO3浓度进行阶梯控制，具体阶梯控制策略为：当脱硝反应器出口NH3浓度≤1ppm时，将空预器入口烟气中SO3浓度控制在36mg/m³附近；
当1ppm＜脱硝反应器出口NH3浓度＜3ppm时，将空预器入口烟气中SO3浓度控制在18mg/m³附近；
当脱硝反应器出口NH3浓度≥3ppm时，将空预器入口烟气中SO3浓度控制在7mg/m³附近。
7.根据权利要求1所述基于LSTM神经网络的燃煤烟气三氧化硫阶梯控制方法，其特征在于，步骤4中：脱硝反应器出口SO3浓度值Cin的最大值是Cin‑max，Cin‑max为碱液喷射SO3脱除装置所安装机组脱硝反应器出口烟气达到的最高SO3浓度。
8.根据权利要求1所述基于LSTM神经网络的燃煤烟气三氧化硫阶梯控制方法，其特征在于，步骤4中：碱液喷射SO3脱除装置由碱液制备系统、压缩空气系统和碱液喷射系统组成；碱液选用质量浓度在5%～15%之间的碳酸钠溶液；碱液喷射系统对碱液的雾化粒径为40～80μm，喷嘴雾化角度为40°～80°，压缩空气压力为0.2～0.3MPa，碱液压力为0.2～
0.25MPa，碱液雾化流量为30～200L/h，压缩空气消耗量为80～500L/min；碱液喷射系统按网格布置多支喷枪，每支喷枪上安装多个喷嘴；每支喷枪前端安装流量计和电动调节阀。
9.根据权利要求4所述基于LSTM神经网络的燃煤烟气三氧化硫阶梯控制方法，其特征在于，步骤5具体包括以下步骤：步骤5.1、燃煤机组常规运行时，根据基于LSTM神经网络的脱硝反应器出口烟气中SO3浓度预测模型预测得到的SO3浓度预测值 ，确定脱硝反应器出口SO3浓度值Cin：上式中，⌈ ⌉为向上取整符号；
步骤5.2、根据燃煤机组脱硝反应器出口的NH3浓度确定空预器入口SO3目标浓度Cout值；
步骤5.3、结合Cin和Cout，查表确定碱液喷射反应物摩尔比M。
10.根据权利要求9所述基于LSTM神经网络的燃煤烟气三氧化硫阶梯控制方法，其特征在于：步骤6中计算碱液喷射流量的方式为：
根据步骤5确定的Cin值、Cout值和M值，结合碱液浓度CNa2CO3、SO3的摩尔质量MSO3、Na2CO3的摩尔质量MNa2CO3和标准状态下脱硝反应器出口干基烟气总流量V，计算碱液喷射SO3脱除装置碱液喷射流量Q，计算公式如下：上式中，CNa2CO3以质量百分比计，MSO3的单位为g/mol，MNa2CO3的单位为g/mol；V的单位为Nm³/h，Q的单位为kg/h；
设喷射系统布置喷枪支数为N，每支喷枪上喷嘴数为m，每个喷嘴工作流量范围为[, ],则喷枪最优投运支数N满足以下公式：N为满足上式条件的最大整数。
一种基于LSTM神经网络的燃煤烟气三氧化硫阶梯控制方法
技术领域
[0001] 本发明属于燃煤机组烟气中硫氧化物的脱除技术领域，尤其涉及一种基于LSTM神经网络的燃煤烟气三氧化硫阶梯控制方法。
背景技术
[0002] 我国是煤炭消耗大国，超60%的煤炭用于发电，加强对燃煤电厂烟气污染物的治理是打赢蓝天保卫战的重要举措。煤电机组超低排放改造后，常规烟气污染物已得到有效控制，但以SO3、可凝结颗粒物为代表的非常规污染物的控制难题亟待解决。
[0003] 燃煤烟气中SO3不但难以实现浓度实时在线监测，且易与脱硝反应器出口氨逃逸（NH3）反应生成硫酸氢铵（SO3+NH3+H2O→NH4HSO4，粘性极强）堵塞脱硝下游设备，凝结形成硫酸酸雾，腐蚀设备及烟道；硫酸酸雾排放后造成生态破坏并危害人体健康。
[0004] 现有的燃煤烟气中SO3脱除技术大多选择向机组脱硝反应器进口烟道喷入碱性颗粒（干粉），控制脱硝反应器下游空气预热器进口烟道内烟气中SO3浓度≤5ppm（17.9mg/m³）的控制策略；该脱除方法及控制策略存在以下几点不足：
[0005] 1.碱性颗粒本身粒径不均，与烟气混合不均匀，影响SO3脱除效率；
[0006] 2.未与烟气中SO3反应的碱性颗粒易引起脱硝反应器中脱硝催化剂微孔堵塞和碱中毒，影响脱硝催化剂使用寿命；
[0007] 3.粗放式地将空预期入口烟气中SO3浓度控制在5ppm以内，未充分考虑NH3与SO3反应生成硫酸氢铵的客观条件，导致碱性颗粒大量过喷，影响系统运行整体经济性。
发明内容
[0008] 本发明的目的是克服现有技术中的不足，提供一种基于LSTM神经网络的燃煤烟气三氧化硫阶梯控制方法。
[0009] 这种基于LSTM神经网络的燃煤烟气三氧化硫阶梯控制方法，包括以下步骤：
[0010] 步骤1、获得燃煤机组脱硝反应器出口烟气中SO3浓度及对应时段该燃煤机组的历史运行数据，形成数据库；
[0011] 步骤2、建立、训练并校验基于LSTM神经网络的脱硝反应器出口烟气中SO3浓度预测模型；
[0012] 步骤3、建立基于燃煤机组脱硝反应器出口NH3浓度的空预器入口SO3浓度阶梯控制策略；
[0013] 步骤4、在燃煤机组尾部烟道安装并调试碱液喷射SO3脱除装置，计算不同运行工况下碱液喷射反应物摩尔比M，建立燃煤机组所对应的碱液喷射反应物摩尔比M的数据表；
[0014] 步骤5、确定脱硝反应器出口SO3浓度值Cin、空预器入口SO3目标浓度Cout和碱液喷射反应物摩尔比M；
[0015] 步骤6、计算碱液喷射SO3脱除装置碱液喷射流量；
[0016] 步骤7、计算碱液喷射SO3脱除装置碱液喷射系统喷枪最优投运支数。
[0017] 作为优选，步骤1中数据库中脱硝反应器出口烟气中SO3浓度检测数据大于2000组。
[0018] 作为优选，步骤1中，现场对燃煤机组脱硝反应器出口烟气中SO3浓度进行人工检测，并调取对应时段该燃煤机组的历史运行数据，形成数据库；历史运行数据包括机组负荷、煤质分析参数、锅炉燃烧参数、脱硝参数和原烟气SO2浓度。
[0019] 作为优选，步骤2具体包括以下步骤：
[0020] 步骤2.1、建立基于LSTM神经网络的脱硝反应器出口烟气中SO3浓度预测模型，基于部分数据库数据，将机组负荷、煤质分析参数和锅炉燃烧参数作为浓度预测模型的输入，将脱硝反应器出口SO3浓度值作为浓度预测模型的输出，训练浓度预测模型；
[0021] 步骤2.2、将数据库中剩余数据与浓度预测模型的预测数据进行比对，通过求均方根误差的方式来计算预测误差；预测误差的计算公式如下：
[0022]
[0023] 上式中， 表示均方根误差，为数据长度， 表示i时刻脱硝反应器出口烟气中SO3浓度预测值， 表示i时刻脱硝反应器出口烟气中SO3浓度的人工实测值；当预测误差RMSE＜10%时，认为基于LSTM神经网络的脱硝反应器出口烟气中SO3浓度预测模型的预测结果准确。
[0024] 作为优选，步骤2.1中煤质分析参数包括水分、挥发分、灰分、固定碳和发热量；锅炉燃烧参数包括总煤量、燃烧温度和氧量；脱硝参数包括脱硝入口温度、脱硝效率和面速度。
[0025] 作为优选，步骤3具体为：
[0026] 得到硫酸氢铵生成速率与烟气中NH3和SO3浓度之间的关系，进行实验室小试试验，综合小试试验结果和空预器厂家经验数据，得到硫酸氢铵生成速率与烟气中NH3和SO3浓度之间的关系；
[0027] 根据燃煤机组脱硝反应器出口NH3浓度，对空预器入口SO3浓度进行阶梯控制，具体阶梯控制策略为：
[0028] 当脱硝反应器出口NH3浓度≤1ppm时，将空预器入口烟气中SO3浓度控制在36mg/m³附近；
[0029] 当1ppm＜脱硝反应器出口NH3浓度＜3ppm时，将空预器入口烟气中SO3浓度控制在18mg/m³附近；
[0030] 当脱硝反应器出口NH3浓度≥3ppm时，将空预器入口烟气中SO3浓度控制在7mg/m³附近。
[0031] 作为优选，步骤4中：脱硝反应器出口SO3浓度值Cin的最大值是Cin‑max，Cin‑max为碱液喷射SO3脱除装置所安装机组脱硝反应器出口烟气达到的最高SO3浓度。
[0032] 作为优选，步骤4中：碱液喷射SO3脱除装置由碱液制备系统、压缩空气系统和碱液喷射系统组成；碱液选用质量浓度在5%～15%之间的碳酸钠溶液；碱液喷射系统对碱液的雾化粒径为40～80μm，喷嘴雾化角度为40°～80°，压缩空气压力为0.2～0.3MPa，碱液压力为0.2～0.25MPa，碱液雾化流量为30～200L/h，压缩空气消耗量为80～500L/min；碱液喷射系统按网格布置多支喷枪，每支喷枪上安装多个喷嘴；每支喷枪前端安装流量计和电动调节阀；碱液喷射反应物摩尔比M为碳酸钠与三氧化硫物质的量的比，M=n（Na2CO3）：n（SO3）。
[0033] 作为优选，步骤5具体包括以下步骤：
[0034] 步骤5.1、燃煤机组常规运行时，根据基于LSTM神经网络的脱硝反应器出口烟气中SO3浓度预测模型预测得到的SO3浓度预测值 ，确定脱硝反应器出口SO3浓度值Cin：
[0035]
[0036] 上式中，⌈ ⌉为向上取整符号；
[0037] 步骤5.2、根据燃煤机组脱硝反应器出口的NH3浓度确定空预器入口SO3目标浓度Cout值；
[0038] 步骤5.3、结合Cin和Cout，查表确定碱液喷射反应物摩尔比M。
[0039] 作为优选：
[0040] 步骤6中计算碱液喷射流量的方式为：
[0041] 根据步骤5确定的Cin值、Cout值和M值，结合碱液浓度CNa2CO3、SO3的摩尔质量MSO3、Na2CO3的摩尔质量MNa2CO3和标准状态下脱硝反应器出口干基烟气总流量V，计算碱液喷射SO3脱除装置碱液喷射流量Q，计算公式如下：
[0042]
[0043] 上式中，CNa2CO3以质量百分比计，MSO3的单位为g/mol，MNa2CO3的单位为g/mol；V的单位为Nm³/h，Q的单位为kg/h；
[0044] 步骤7中计算喷枪最优投运支数的方式具体为：
[0045] 设喷射系统布置喷枪支数为N，每支喷枪上喷嘴数为m，每个喷嘴工作流量范围为[, ],则喷枪最优投运支数N满足以下公式：
[0046]
[0047] N为满足上式条件的最大整数。
[0048] 本发明的有益效果是：
[0049] 本发明提供一种创新、安全、高效、经济的用于脱除燃煤机组烟气中三氧化硫的控制方法；本发明建立了基于LSTM神经网络的脱硝反应器出口烟气中SO3浓度预测模型，采用数据库中的部分数据对基于LSTM神经网络的脱硝反应器出口烟气中SO3浓度预测模型进行训练，用数据库中的剩余数据与预测模型的预测结果进行比对，并计算预测模型的预测结果存在的预测误差，对预测结果进行准确性判断；
[0050] 本发明根据预测得到的燃煤机组脱硝反应器出口NH3浓度（即氨逃逸控制水平），对空预器入口烟气中SO3浓度进行阶梯控制；建立燃煤机组对应的碱液喷射反应物摩尔比M的数据表；然后计算碱液喷射流量，得到喷枪最优投运支数，进而降低空预器中硫酸氢铵沉积速率，减缓空预器阻力上升趋势，保障燃煤机组长期安全稳定运行。
附图说明
[0051] 图1为碱液喷射SO3脱除装置示意图；
[0052] 图2为基于LSTM神经网络的脱硝反应器出口烟气中SO3浓度预测模型示意图；
[0053] 图3为本发明实施例中硫酸氢铵生成速率与烟气中NH3和SO3浓度的关系示意图；
[0054] 图4为本发明实施例中兴电厂4号机组碱液喷射装置示意图；
[0055] 图5为本发明实施例中样本的SCR出口SO3浓度预测曲线图；
[0056] 图6为本发明实施例中样本的SCR出口SO3浓度预测误差曲线图；
[0057] 图7为本发明实施例中A、B两侧空预器差压变化趋势图。
[0058] 附图标记说明：脱硝反应器1，空预期2，碱液储罐3，碱液泵4，流量计5，喷枪及雾化喷头6，炉膛7。
具体实施方式
[0059] 下面结合实施例对本发明做进一步描述。下述实施例的说明只是用于帮助理解本发明。应当指出，对于本技术领域的普通人员来说，在不脱离本发明原理的前提下，还可以对本发明进行若干修饰，这些改进和修饰也落入本发明权利要求的保护范围内。
[0060] 实施例一
[0061] 本申请实施例一提供了一种基于LSTM神经网络的燃煤烟气三氧化硫阶梯控制方法：
[0062] 步骤1、在现场对燃煤机组的脱硝反应器出口烟气中SO3浓度进行人工检测，并调取对应时段该燃煤机组的历史运行数据（大于2000组），历史运行数据包括机组负荷、煤质分析参数（水分、挥发分、灰分、固定碳和发热量）、锅炉燃烧参数（总煤量、燃烧温度和氧量）、脱硝参数（脱硝入口温度、脱硝效率和面速度）和原烟气SO2浓度，形成数据库；
[0063] 步骤2、建立、训练并校验基于LSTM神经网络的脱硝反应器出口烟气中SO3浓度预测模型；
[0064] 步骤2.1、建立基于LSTM神经网络的脱硝反应器出口烟气中SO3浓度预测模型，基于部分数据库数据，将机组负荷、煤质分析参数和锅炉燃烧参数作为基于LSTM神经网络的脱硝反应器出口烟气中SO3浓度预测模型的输入，将脱硝反应器出口SO3浓度值作为基于LSTM神经网络的脱硝反应器出口烟气中SO3浓度预测模型的输出，训练基于LSTM神经网络的脱硝反应器出口烟气中SO3浓度预测模型；
[0065] 步骤2.2、将数据库中剩余数据与预测数据进行比对，通过求均方根误差（RMSE）的方式来计算预测误差，验证基于LSTM神经网络的脱硝反应器出口烟气中SO3浓度预测模型输出的SO3浓度值的准确性；预测误差的计算公式如下：
[0066]
[0067] 上式中， 表示均方根误差，为数据长度， 表示i时刻脱硝反应器出口烟气中SO3浓度预测值， 表示i时刻脱硝反应器出口烟气中SO3浓度的人工实测值；当预测误差RMSE＜10%时，认为基于LSTM神经网络的脱硝反应器出口烟气中SO3浓度预测模型的预测结果准确；
[0068] 步骤3、建立基于燃煤机组脱硝反应器出口NH3浓度的空预器入口SO3浓度阶梯控制策略；由于煤电机组脱硝反应器出口氨逃逸（NH3）浓度要求控制在3ppm（2.3mg/m³）以内，一般机组运行人员将脱硝出口氨逃逸控制在1ppm（0.8mg/m³）以内，通过实验室小试探明当NH3浓度分别为1ppm、3ppm时（H2O浓度6%），SO3浓度对硫酸氢铵生成速率的影响，试验结果如图3；
[0069] 可以明显发现：当NH3=3ppm时，当SO3浓度大于2ppm时，硫酸氢铵生成速率快速上升；当NH3=1ppm时，当SO3浓度大于10ppm时，硫酸氢铵生成速率快速上升；综合试验结果和空预器厂家经验数据，为减缓空预器压差上升速率（因NH3与SO3反应生成硫酸氢铵，造成堵塞），根据步骤2中建立的基于LSTM神经网络的脱硝反应器出口烟气中SO3浓度预测模型预测得到的燃煤机组脱硝反应器出口NH3浓度（即氨逃逸控制水平），对空预器入口SO3目标浓度Cout进行如下表1所示的阶梯控制；
[0070] 表1 空预器入口SO3目标浓度控制依据表
[0071]
[0072] 上表1中的内容具体为：
[0073] 当脱硝反应器出口NH3浓度≤1ppm时，将空预器入口烟气中SO3浓度控制在36mg/m³附近；当1ppm＜脱硝反应器出口NH3浓度＜3ppm时，将空预器入口烟气中SO3浓度控制在18mg/m³附近；当脱硝反应器出口NH3浓度≥3ppm时，将空预器入口烟气中SO3浓度控制在
7mg/m³附近；
[0074] 步骤4、在燃煤机组尾部烟道安装并调试碱液喷射SO3脱除装置，通过实验，分别得到当脱硝反应器出口SO3浓度值（Cin）为10mg/m³、20mg/m³、30mg/m³、40mg/m³、50mg/m³、60mg/m³、70mg/m³、80mg/m³、90mg/m³、100mg/m³……Cin‑max时，分别控制空预器入口SO3目标浓度（Cout）为36mg/m³、18mg/m³、7mg/m³所需要的反应物摩尔比M（M=n（Na2CO3）：n（SO3）），建立如下表2所示燃煤机组对应的碱液喷射反应物摩尔比M的数据表；
[0075] 表2 碱液喷射反应物摩尔比数据表
[0076]
[0077] 此处需说明以下几点：（1）Cin‑max值根据装置所安装机组脱硝反应器出口烟气可能达到的最高SO3浓度而定；（2）Cin＜Cout时，碱液喷射SO3脱除装置退出运行；（3）经现场控制变量试验发现：脱硝反应器入口温度、烟气流量等参数对SO3脱除效率几无影响，因此认为影响反应物摩尔比的关键参数主要是初始SO3浓度，即Cin。
[0078] 步骤5、根据脱硝反应器出口NH3浓度，确定空预器入口SO3目标浓度Cout;根据脱硝反应器出口烟气中SO3浓度预测模型的预测结果 ，确定脱硝反应器出口SO3浓度值Cin；结合Cin和Cout，查表确定碱液喷射反应物摩尔比M；
[0079] 步骤5.1、燃煤机组常规运行时，根据基于LSTM神经网络的脱硝反应器出口烟气中SO3浓度预测模型预测得到的SO3浓度预测值 ，确定脱硝反应器出口SO3浓度值Cin：
[0080]
[0081] 上式中，⌈ ⌉为向上取整符号；
[0082] 步骤5.2、根据燃煤机组脱硝反应器出口的NH3浓度确定空预器入口SO3目标浓度Cout值；
[0083] 步骤5.3、结合Cin和Cout，查表确定碱液喷射反应物摩尔比M；
[0084] 步骤6、计算碱液喷射流量：根据步骤5确定的Cin值、Cout值和M值，结合碱液浓度CNa2CO3、SO3的摩尔质量MSO3、Na2CO3的摩尔质量MNa2CO3和标准状态下脱硝反应器出口干基烟气总流量V，计算碱液喷射SO3脱除装置碱液喷射流量Q，计算公式如下：
[0085]
[0086] 上式中，CNa2CO3以质量百分比计，MSO3的单位为g/mol，MNa2CO3的单位为g/mol；V的单位为Nm³/h，Q的单位为kg/h；
[0087] 步骤7、计算喷枪最优投运支数：若喷射系统布置喷枪支数为N，每支喷枪上喷嘴数为m，每个喷嘴工作流量范围为[ , ],则喷枪最优投运支数N满足以下公式：
[0088]
[0089] N为满足上式条件的最大整数；确定喷枪最优投运支数N后，在选择投运喷枪时，尽可能覆盖烟道截面。
[0090] 实施例二
[0091] 在实施例一的基础上，本申请实施例二提供了实施例一中方法在实际中的应用：
[0092] 在A电厂4号机组B侧脱硝反应器出口安装了碱液喷射SO3脱除装置，装置系统图如图1所示；如图4所示，该碱液喷射SO3脱除装置由碱液制备系统（包括自动加药系统和碱液储罐）、压缩空气系统（包括压缩空气储罐）和碱液喷射系统（包括减压阀、多个流量计（如流量计1至流量计5）、多个吹扫气装置和多个喷嘴）组成。碱液制备系统用以制备质量浓度为10%的碳酸钠溶液。碱液喷射系统安装在机组B侧脱硝反应器出口烟道处，共设计5支喷枪，每支喷枪上设计3个雾化喷嘴（共15个喷嘴，即喷嘴1‑1、喷嘴1‑2、喷嘴1‑3、喷嘴2‑1、…喷嘴
5‑3），喷嘴雾化角度为60°，雾化粒径为40～70μm，压缩空气压力为0.25MPa，碱液压力为
0.2MPa，雾化喷嘴工作流量范围为50～150L/h。
[0093] 同时，利用历史数据库，基于机组锅炉燃烧、煤质分析、脱硝运行等关键参数，在B侧脱硝反应器出口建立了如图2所示的基于LSTM神经网络的脱硝反应器出口烟气中SO3浓度预测模型，经比对，该模型预测误差RMSE值为6.86%，满足误差阈值。
[0094] 经试验测得，如图5和图6所示，当A电厂4号机组燃用高硫煤、在恶劣工况下运行时，脱硝反应器出口烟气中SO3浓度均未超过70mg/m³，故设定Cin‑max=70mg/m³。试验测得碱液喷射反应物摩尔比数据表如下表3。
[0095] 表3 碱液喷射反应物摩尔比数据表（A电厂4号机组）
[0096]
[0097] 以A电厂4号机组100%BMCR负荷出力为例，碱液喷射SO3脱除装置碱液喷射总流量及喷枪投运支数如下表4。
[0098] 表4 碱液喷射装置运行参数表（A电厂4号机组100%BMCR）
[0099]
[0100] 本装置于2020年1月9日至2021年7月9日在A电厂4号机组B侧脱硝反应器出口至B侧空预器进口烟道上应用后，A、B两侧空预器差压变化趋势如图7；本发明方法的应用，有效减缓了B侧空预器差压上升趋势，大大减少了空预器下游引风机电耗，保障了煤电机组关键设备的安全、稳定运行。
[0101] 经校验核算，A电厂4号机组脱除每公斤SO3需消耗Na2CO3固体6.18～6.36kg，消耗水55～58kg，消耗压缩空气9275～9540m³，每年约脱除150～270吨SO3，运行成本100～150万元/年，为机组减少三大风机电耗、空预器运维费用、启停机费用、限负荷发电量、环保克扣、煤炭采购成本等费用约1000万元/年，经济和环境效益明显。
