热力发电

参与反应物质	对应热力学方程	对应状态方程
H₂O	NASA7^[19]	IAPWS95^[21]
Na⁺，OH^–	Shomate^[20]	恒容模型
H⁺，O₂，SO₄^2–，H₂CO₃
HCO₃^–，HCO₃^2–，H₂SO₃	恒压模型	恒容模型
HSO₃^–，SO₃^2–，SO₂，SO₂（qs）

参与反应物质	对应热力学方程	对应状态方程
H₂O	NASA7^[19]	IAPWS95^[21]
Na⁺，OH^–	Shomate^[20]	恒容模型
H⁺，O₂，SO₄^2–，H₂CO₃
HCO₃^–，HCO₃^2–，H₂SO₃	恒压模型	恒容模型
HSO₃^–，SO₃^2–，SO₂，SO₂（qs）

机理与数据融合驱动的碳捕集预处理系统动力学预测研究

PDF下载

陈园园 ¹^,² , 蒋月月 ³ , 金泉至 ³ , 张寅 ² , 吴其荣 ¹^,⁴

热力发电 | 热能科学研究 2026,55(6): 115-124

收起

热力发电 |热能科学研究 2026 , 55 (6) : 115 -124

机理与数据融合驱动的碳捕集预处理系统动力学预测研究

全屏

陈园园¹^,², 蒋月月³, 金泉至³, 张寅², 吴其荣¹^,⁴

作者信息

^1.上海交通大学智慧能源创新学院，上海 200240

^2.上海电力股份有限公司，上海 200126

^3.上海明华电力科技有限公司，上海 200090

^4.重庆远达烟气治理特许经营有限公司，重庆 401122

通讯作者:

吴其荣（1984），男，博士，研究员，主要研究方向为碳减排与污染治理，wqr20021@qq.com。

作者简介:

陈园园（1981），女，硕士，高级经济师，主要研究方向为智慧能源及碳捕集，chenyuanyuan@spic.com.cn。

Kinetic prediction study of carbon capture pretreatment system driven by mechanism and data fusion

Yuanyuan CHEN¹^,², Yueyue JIANG³, Quanzhi JIN³, Yin ZHANG², Qirong WU¹^,⁴

Affiliations

^1.College of Smart Energy, Shanghai Jiao Tong University, Shanghai 200240, China

^2.Shanghai Electric Power Company Limited, Shanghai 200126, China

^3.Shanghai Minghua Electric Power Science & Technology Co., Ltd., Shanghai 200090, China

^4.Technology Branch of Chongqing Yuanda Flue Gas Control Franchise Co., Ltd., Chongqing 401122, China

出版时间: 2026-06-25 doi: 10.19666/j.rlfd.202509037

文章导航

摘要

收起

【目的】

碳捕集预处理系统面临高能耗、高运行成本及净化效率不稳定等问题，其中洗涤液pH值的波动显著影响SO₂吸收效率。以某电厂碳捕集预处理系统为研究对象，提出了一种融合机理模型与数据驱动的混合建模方法。

【方法】

该方法结合化学反应动力学机理和决策树机器学习算法优势，利用Python工具构建模型，对洗涤液pH值与出口SO₂排放质量浓度等关键参数进行精准预测，并通过实际运行数据验证。

【结果】

结果表明，该模型对pH值和出口SO₂排放质量浓度相关系数分别为0.85和0.80，体现出较好的模拟效果，并基于实际运行数据，对入口烟气温度、液气比、碱液添加量等关键操作参数进行了敏感性分析，模型表现出了较好的跟随性。

【结论】

该模型为后续碳捕集预处理系统的工艺优化、能耗降低及稳定运行提供了理论依据。

关键词

碳捕集 / 烟气预处理 / 机理建模 / 数据驱动 / pH值预测

Abstract

收起

[Objective]

The carbon capture pretreatment system faces challenges such as high energy consumption, unstable purification efficiency, and significant fluctuations in SO₂ absorption efficiency due to variations in pH value of washing solution. This study proposes a hybrid modeling method combining mechanism models with data-driven by taking the carbon capture pretreatment system in a power plant as the research object.

[Methods]

By integrating chemical reaction kinetics and decision tree algorithms, the model is implemented in Python to predict key parameters accurately, including the pH value of the washing solution and the SO₂ mass concentration at the system outlet.

[Results]

The model yields a correlation coefficient of 0.85 and 0.80 for the pH value of the washing solution and the SO₂ mass concentration at the system outlet, respectively. The values fall within an acceptable error band, indicating the proposed model has good simulation performance. Moreover, a sensitivity analysis driven by baseline plant data further reveals that the model faithfully reproduces the system response to perturbations in inlet flue-gas temperature, liquid-to-gas ratio, and alkali feed rate.

[Conclusion]

These outcomes furnish a quantitative foundation for subsequent optimization of the CO₂-capture pretreatment system, offering clear avenues for energy minimization and robust steady-state operation.

Key words

carbon capture / flue gas pretreatment / mechanism modeling / data-driven / pH value prediction

引用本文

陈园园, 蒋月月, 金泉至, 张寅, 吴其荣. 机理与数据融合驱动的碳捕集预处理系统动力学预测研究. 热力发电, 2026 , 55 (6) : 115 -124 . DOI: 10.19666/j.rlfd.202509037

Yuanyuan CHEN, Yueyue JIANG, Quanzhi JIN, Yin ZHANG, Qirong WU. Kinetic prediction study of carbon capture pretreatment system driven by mechanism and data fusion[J]. Thermal Power Generation, 2026 , 55 (6) : 115 -124 . DOI: 10.19666/j.rlfd.202509037

正文

收起

化石燃料发电厂尤其是燃煤电厂是主要的固定CO₂集中排放源，对燃煤电厂进行碳捕集改造是实现“双碳”目标的重要途径之一^[1]。基于化学吸收法的燃烧后烟气碳捕集技术由于投资成本低、技术成熟等优点，是当前火电厂碳捕集的主流技术路线^[2]。烟气预处理系统是化学吸收法碳捕集系统中的关键流程之一，主要作用是冷却、去除烟气中部分水以及含有的少量SO₂、SO₃等强酸性物质，减少对后续吸收剂的影响和管道腐蚀^[3]。

实际运行中，碳捕集预处理系统常面临能耗高、成本高、净化效率不稳定等问题。这主要是因为洗涤前烟气流量和SO₂含量在设计范围内波动大，循环洗涤液流量、含量不能即时相应调整，且运行多依赖手动操作，往往为了保证脱硫效率，将pH值控制在较高范围内（pH：7~9），造成频繁、过量加入碱液，运行能耗和成本也随之增加。系统优化是碳捕集预处理系统高效、稳定运行的迫切需求，通过构建虚拟模型，可以在不影响实际操作的情况下进行模拟和预测，分析关键参数的影响规律，为运行优化提供决策依据。

传统的动力学预测和控制大多采用逻辑算法实现，近年来随着AI等智能技术的发展，基于机理和数据融合的方式实现关键动力学参数的预测与控制得到一定发展。机理与数据驱动混合建模已成为过程工业智能化的前沿方向，广泛应用于复杂的反应、传热以及流动系统研究^[4-5]。Zhuang等人^[6]基于数据驱动与机理模型相结合的方式，对碳捕集系统的CO₂含量波动情况进行了预测，实现平均均方根误差为0.123。邱韬等^[7]针对湿法脱硫pH值控制存在大滞后、大惯性问题，采用带扰动抑制的广义预测控制方法，设计了脱硫pH值先进控制策略，大幅提升了脱硫系统pH值控制的稳定性和快速性。Xu等人^[8]将机器学习模型应用于pH值预测和石灰用量控制，以增强中和过程的自动化控制，通过相关分析、交叉验证和网格搜索技术进行了优化，实现了调节阀与pH值的联动控制。Wang等人^[9]提出了基于条件驱动的软传感模型，并用于实时的SO₂质量浓度预测。相关研究表明利用数字技术开展碳捕集或减排技术优化，有利于提高能源效率，降低能耗^[10]。但针对高能耗的碳捕集系统的研究较少，尤其是针对碳捕集预处理系统的有效预测和控制。实际工程中，预处理系统内动力学反应过程复杂，液相体积无法直接测量，传统的控制策略滞后性大，单纯的机理建模和逻辑控制无法精确模拟反应过程，而利用数据驱动模型能有效解决并弥补上述不足^[11]。本文以某电厂碳捕集预处理系统为研究对象，通过建立精确的机理与数据驱动的混合动力学模型来模拟预处理系统的关键参数，为后续运行优化提供理论指导。

1　碳捕集预处理系统工艺原理

收起

1.1　工艺流程

某电厂碳捕集预处理系统主要包含洗涤塔、碱液箱、泵及冷却器，其工艺流程如图1所示。来自脱硫后的烟气（约52 ℃，常压），进入洗涤塔与逆流的碳酸钠溶液接触，脱硫降温（40 ℃）后，再经引风机升压后进入吸收、再生系统，洗涤塔产生的烟气冷凝水回流至脱硫系统。实际运行中，通过控制洗涤液的pH值在7~9内来调整碱液添加量，从而保证洗涤塔出口SO₂质量浓度低于10 mg/m³，本文气体均在标准状态下测量。

图1中：Q₀表示洗涤塔入口烟气流量，m³/h；T₀表示入口烟气温度，℃；p₀表示入口烟气压力，kPa；U₀表示入口烟气湿度，%；C₀表示入口烟气中SO₂质量浓度，mg/m³；W₀表示洗涤塔入口烟气中O₂体积分数，%；p₁表示洗涤塔出口液体压力，kPa；T₁表示洗涤塔出口液体温度，℃；T₂表示循环冷却器出口液体温度，℃；h₁表示碱液箱液位，m；h₂表示洗涤塔液位，m；Q₃表示出口烟气流量，m³/h；T₃表示出口烟气温度，℃；p₂表示出口烟气压力，kPa；U₁表示出口烟气湿度，%；C₁表示出口烟气中SO₂质量浓度，mg/m³；W₁表示出口烟气中O₂体积分数，%。

1.2　洗涤塔传质机理

洗涤塔内气液传质过程应用气液双膜理论分析。传质能力由界面浓差推动力、气相传质系数

K G,SO 2

、液相传质系数

K L,SO 2

及有效传质比表面积α决定^[12-14]，计算公式为：

N SO 2 = α ⋅ K ([SO 2 (aq)] − H ⋅ [SO 2 (g)])

(1)

α = 1.729 α w (L ρ L d p S μ L) 0.14 (G ρ G d p S μ G) − 0.22 (H D) − 0.75

(2)

1 K = H K G,SO 2 + 1 K L,SO 2

(3)

K G,SO 2 = 5.23 (G ρ G d p S μ G) 0.7 (μ G ρ G D SO 2,G) 1 / 3 × (α w d p) − 1.7 (D SO 2,G d p)

(4)

K L,SO 2 = 0.021 (L ρ L d p S μ L) 0.49 (μ L ρ L D SO 2, L) − 0.5 × (α w d p) − 0.49 (μ L g ρ L) 1 / 3

(5)

式中：

N SO 2

为气液传质通量，kmol/（m²/s）；α为有效传质比表面积，m²/m³；[SO₂（aq）]为液相SO₂浓度，kmol/m³；[SO₂（g）]为气相SO₂浓度，kmol/m³；K为总传质系数，m/s；

K G,SO 2

为气相传质系数，m/s；

K L,SO 2

为液相传质系数，m/s；H为亨利常数；G为烟气流量，m³/s；L为循环液流量，m³/s；ρ_G为烟气密度，kg/m³；ρ_L为循环液密度，kg/m³；μ_G为烟气黏度，Pa·s；μ_L为循环液黏度，Pa⋅s；

D SO 2, G

为气相SO₂扩散系数，m²/s；

D SO 2, L

为液相SO₂扩散系数，m²/s；α_w为浸润比表面积，m²/m³；S为界面面积，m²；d_p为填料直径，m；H为塔高，m；D为塔径，m。

1.3　洗涤塔内化学反应机理

洗涤塔是预处理系统的核心设备。在洗涤塔内，烟气中的SO₂首先从气相进入液相，与Na₂CO₃反应生成亚硫酸盐或硫酸盐，其主要化学反应如下。

Na₂CO₃水解反应：

HCO 3 − + H 2 O ⇌ H 2 CO 3 + OH − CO 3 2 − + H 2 O ⇌ HCO 3 − + OH −

Na₂SO₃水解反应：

SO 3 2 − + H 2 O ⇌ HSO 3 − + OH − HSO 3 − + H 2 O ⇌ H 2 SO 3 + OH −

酸碱中和反应：

当pH > 9，

2 CO 3 2 − + H 2 O(L) + SO 2 (aq) ⇌ 2 HCO 3 − + SO 3 2 −

当4 < pH < 7，

2 HCO 3 − + SO 2 (aq) ⇌ H 2 O (L) + SO 3 2 − + 2 CO 2 (aq) SO 3 2 − + SO 2 (aq) + H 2 O (L) ⇌ 2 HSO 3 −

副反应：

2 SO 3 2 − + O 2 (aq) → 2 SO 4 2 −

在洗涤塔运行过程中，循环洗涤液与烟气中的SO₂的反应可以根据碱液泵的启停划分为2个部分：1）当碱液泵阀门开启时，Na₂CO₃溶液自碱液箱流入洗涤塔，此时pH值较高，Na₂CO₃是塔内脱硫反应的主要成分，与SO₂可迅速反应生成亚硫酸氢钠（NaHSO₃），随着pH值的下降，NaHSO₃生成增多，循环液中以亚硫酸钠（Na₂SO₃）和亚硫酸氢钠（NaHSO₃）组成的混合液为主；2）若碱液泵阀门关闭，则Na₂SO₃与NaHSO₃混合缓冲溶液成为主要反应物。亚硫酸根-亚硫酸氢根（SO₃^2--HSO₃^-）缓冲体系能够一定程度维持洗涤液的pH值在合适的范围内，因此，pH值对洗涤塔内的化学反应平衡过程有着决定性的影响，其变化情况与循环液SO₃^2-浓度高度关联，是预处理系统控制的核心因素。同时，出口SO₂质量浓度是洗涤塔动力学过程的结果体现。因此，本文选择pH值和出口SO₂质量浓度作为预测的关键参数。

2　机理与数据融合驱动混合建模方法

收起

2.1　建模方法

化学过程模拟大多都是以机理模型为主，机理模型能实现可解释性和高精度，但是稳健性不足。一方面很容易受到异常值或缺失值的干扰，化学过程模拟中依赖的许多参数难以在线测量，并且传感器的误差较大，容易故障，这些都会影响结果的可靠性。更重要的是，仿真需要依靠丰富的经验和对反应全过程的深刻理解，任何理解上的偏差都会严重干扰仿真结果的准确性。所以对于一些难以估计的过程变量，采用经过约束的机器学习来回归预测，能保证结果的可靠性^[15-16]。

为了同时保证模型可解释性和稳健性，本研究采用“机理与数据融合驱动”的混合建模方法，混合模型架构如图2所示。混合模型由机理模型和数据驱动模型构成，机理模型主要包括化学反应方程、热力学方程、动力学方程、质量和能量方程等，以有效体现洗涤塔内的整个反应过程为主。而数据驱动模型主要用来描述塔体的相关参数变化影响，如洗涤塔液位变化、pH值的变化等过程，实际计算过程中，基于初始输入数据，采用机器学习算法进行数据驱动的回归预测。数据驱动输出的预测结果将作为输入值串联耦合到机理模型中参与计算，从而建立“机理与数据融合驱动”的混合模型。

2.2　模型评价指标

pH值是循环液主要成分的重要量化指标，它既是保证预处理系统中SO₂去除效果和决定碱液添加量的关键控制参数，也是过程模拟准确性和可靠性的重要表征。因此，对pH值和出口SO₂质量浓度的模拟和预测非常重要。

为了定量评价模型的预测性能，采用均方根误差δ_RMSE（root mean square error）、平均绝对百分比误差δ_MAPE（mean absolute percentage error，MAPE）、相关系数C_orr（correlation coefficient）作为评价指标^[17]，评估预测值与实际值的一致性。均方根误差和平均绝对百分比误差的值越小，表明模型预测值越接近实际值，相关系数越接近1说明模型越能预测真实趋势。3种评价指标的计算公式为：

δ RMSE = 1 n ∑ i = 1 n (y^i − y i) 2

(6)

δ MAPE = 1 n ∑ i = 1 n | y^i − y i y i |

(7)

C orr = ∑ (y i − y ¯ i) (y^i − y^¯) ∑ (y i − y ¯ i) 2 ∑ (y^i − y^¯)

(8)

式中：n为样本总数；

y^i

为预测值；y_i为实际值；

y ¯ i

为实际值的平均值；

y^-

为预测值的平均值。

3　预处理系统混合建模

收起

3.1　数据采集和预处理

某电厂碳捕集预处理系统在线监测数据采集时间间隔为1 min，为提升实际数据质量，对在线监测数据进行预处理，以去除异常和停机等数据的干扰。对输入数据进行筛选，以线性插值替换异常值（主要由于传感器吹扫导致）和缺失值，优化后的数据进行标记并存档。

3.2　机理模型构建

3.2.1　机理模型模拟过程

机理模型的模拟过程如图3所示，输入的当前t时刻参数根据控制方程进行衡算，得到的结果再通过热力学-状态方程模型计算系统热力学变量以及各个物质的热力学变量，随后将热力学参数传递给化学动力学模型计算出各个物质的含量，含量计算完成后，意味着t时刻的所有参数均已确定。t时刻状态的结果作为下一轮t+1时刻的输入进行下一轮计算，不断迭代直到系统达到稳态或者时间达到设定时间上限。模型随时间迭代计算直至稳态，或预设的时间上限。

3.2.2　控制方程

该电厂碳捕集预处理系统选用的是填料塔反应器，由于SO₂和Na₂CO₃的反应速率很快，为了简化反应，模拟时不考虑流体流动和质量浓度梯度的影响，因此，本次建模的反应器采用0维全混合模型，忽略空间变化，主要满足质量守恒、物料守恒和能量守恒方程，分别为：

d m d t = ∑ in m ˙ in − ∑ out m ˙ out

(9)

d (m Y k) d t = ∑ in m ˙ in Y k, in − ∑ out m ˙ out Y k, out + m ˙ k, gen

(10)

d H d t = Q ˙ + ∑ in m ˙ in h in − ∑ out m ˙ out h out

(11)

式中：

m ˙ in

为入口质量流量，kg/s；

m ˙ out

为出口质量流量，kg/s；Y_k，in为入口k物质的质量分数；Y_k，out为出口k物质的质量分数；

m ˙ k, gen

为生成k物质的质量流量，kg/s；h_in为入口质量焓，kJ/kg；h_out为出口质量焓，kJ/kg。

3.2.3　热力学-状态方程

热力学-状态方程指联立热力学参数方程与反应物质的状态方程（如理想气体模型、理想液体模型等）。依据热力学关系式，在给定的温度和压强条件下计算系统的热力学参数。通过将系统热力学参数按照各组分的质量分数进行分配，可以得到各组分的热力学参数。在此基础上，利用最小吉布斯自由能法^[18-22]，可以计算出各物质的热力学参数以及平衡常数。

热力学参数方程和状态方程的类型繁多，通常是基于温度变化对热力学参数进行拟合而得到的曲线。机理建模中，针对不同的反应物质选择合适的热力学-状态方程，如表1所示。洗涤塔中的主要反应均在液相中进行，因此采用恒压和恒容模型。由于反应过程中并未涉及复杂的气相反应，且洗涤过程的温度在50 ℃左右，压力维持在1个标准大气压左右，因此，模拟过程中未使用气体状态方程。

循环液中主要的反应离子为亚硫酸根簇，在模拟过程中，计算出HSO₃^–和SO₃^2–浓度在0.001 5 mol/L左右，结合折算出Na⁺浓度和循环液的浓度，计算出循环液离子强度约0.006 mol/kg，远小于0.01 mol/kg，因此循环液属于稀溶液范畴，离子间的影响可以被忽略^[22]。

3.2.4　化学动力学方程

确定平衡常数之后，就得到了反应进行的最终程度，再联立所有化学反应速率方程（式（12））进行动力学求解，化学速率常数根据阿伦尼乌斯方程（式（13））计算。

r p j = k j ⋅ ∏ i c r j i

(12)

k j = A j ⋅ e − E j R T

(13)

式中：k_j为第j个反应的反应速率常数；r_pj为第j个反应的生成物反应速率，kmol/s；

c r j i

为第j个反应第i种反应物浓度，kmol/m³；A_j为第j个反应的反应因子；E_j为第j个反应的活化能，J/mol。

3.2.5　机理模型计算

采用美国加州理工学院开发的Cantera化学反应计算库^[23]，以该电厂碳捕集预处理系统的DCS在线数据及阀门启停信号为模型输入，构建机理模型并求解，预测洗涤塔出口循环液pH值。为了保证模型一致性，除了模型启动阶段，pH值在之后的任意时段不会作为模型的输入。机理模型计算如图4所示，其中，烟气输入参数有入口烟气湿度U₀、入口烟气干基流量Q₀、入口烟气温度T₀、入口烟气压力p₀、入口烟气中SO₂浓度C₀、入口烟气中O₂浓度W₀；循环液输入参数有循环冷却器出口溶液温度T₂、碳酸钠溶液浓度及H₂SO₃、HSO₃^–、SO₃^2–浓度。

烟气预处理系统的0维全混合模型划分为气液反应部分（主要指气液接触区域，体积为V₁）和溶液混合部分（主要指洗涤塔下方混合区域，体积为V₂），所以体积作为模型中唯一的尺度变量，并采用浓度作为混合模型的物料输入形式。由于洗涤液循环系统的具体工作流量缺失，为了保证一致性，将烟气输入根据V₁换算为反应浓度。经过观察与分析，洗涤塔存在2个影响pH值的稀释过程，即烟气中水蒸气的冷凝和循环液的阶段性排放。它们直接导致洗涤塔溶液混合部分的体积变化，从而引起循环液中亚硫酸根簇的浓度和pH值的变化。因此，要计算洗涤塔出口pH值，必须先确定稀释系数D，然后再将稀释系数作用到循环液的反应离子中，计算公式为：

D = V 2 (t) V 2 (t + 1)

(14)

V 2 (t + 1) = V 2 (t) + (Q 1 − Q 2) × 1

(15)

c t, i = D ⋅ c t 0, i

(16)

式中：D为稀释系数；V_2（t）为t时刻对应的溶液混合部分体积，m³；V_2（t+1）为t+1时刻对应的溶液混合部分体积，m³；Q₁为单位时间内烟气中水蒸气的冷凝量，m³/min；Q₂为单位时间内循环液的排放量，m³/min；

c t 0, i

为未经过稀释修正的混合液i反应物浓度，mol/L；c_t，i为经过稀释修正的混合液i反应物浓度，mol/L；1为模型计算的时间间隔1 min。

然而，冷凝量Q₁和循环液排放量Q₂无法进行实际测量。尝试通过软测量的方法来实现，但由于Q₂需要在Q₁的基础上进行计算，无法实现2个变量在时间轴上的同步，因此，通过建立数据驱动模型来计算。

3.3　数据驱动模型构建

3.3.1　数据驱动建模方法

本文中冷凝量Q₁和循环液排放量Q₂的计算所需参数量有限，盲目选择高参数模型容易导致过拟合^[24]，因此采用决策树回归算法进行二次开发。决策树回归（decision tree regressor）是一种用于解决连续值预测问题的决策树模型，因其可解释性强和良好的稳健性，在工业界被广泛使用^[25-26]。其核心思想是通过递归划分特征空间，使得每个叶节点内的样本目标值尽可能相似（通常用均值作为预测输出），并通过最小化均方根误差δ_MSE（mean squared error，MSE）损失函数来选择最优分裂。δ_MSE的计算公式为：

δ MSE = 1 n ∑ i = 1 n (y^i − y i) 2

(17)

式中：n为样本总数；

y^i

为预测值；y_i为实际值。

3.3.2　数据驱动模型计算

由于洗涤塔截面积不变，洗涤塔液位的变化能直接反映出溶液混合部分的体积V₂的变化。通过观察排液泵的启停信号和液位高度的变化关系，发现洗涤塔液位上升过程主要是烟气冷凝的作用，下降过程则是冷凝和排放的共同作用，计算公式为：

Δ H 1 = Q 1 × Δ t 1 S

(18)

Δ H 2 = (Q 1 − Q 2) × Δ t 2 S

(19)

式中：ΔH₁为液位上升过程中液位增加量，m；Δt₁为液位上升过程对应的时间段，min；S为洗涤塔截面积，m²；Q₁为单位时间内烟气中水蒸气的冷凝量，m³/min；ΔH₂为液位下降过程中液位增加量，m；Q₂为单位时间内循环液的排放量，m³/min；Δt₂为液位下降过程对应的时间段，min。

所以将数据集X分成液位上升（x₁）和下降两部分（x₂），先通过上升部分训练出冷凝作用的影响，再将冷凝量Q₁纳入下降部分的训练，得到循环液排放量Q₂。

模型1用于计算冷凝量Q₁，标签值为液位上升阶段根据液位差折算的循环液单位时间内体积增加量，则模型1可表示为Q₁=f（x₁，ΔH₁，t₁）。建立模型2用于计算循环液排放量Q₂，标签值为液位下降阶段折算的循环液单位时间内体积增加量，则模型2可表示为Q₂=f（x₂， Q₁，∆H₂，t₂）。Q₁和Q₂的模型计算如图5所示。

模型1和模型2均采用回归树模型，具体计算过程如图6所示。先是通过t时刻前的5 000个数据构建训练集，预测t时刻后5 000个数据，并采用滑动窗口方式连续训练与预测。在训练过程中，对于个别受噪声干扰较大的变量如Q₀和U₀，采用指数滑动平均进行降噪处理。为避免大数值变量掩盖小数值变量的特征，对所有输入参数进行归一化处理。数据集进一步划分为训练集与测试集，通过网格搜索最小化均方根误差以获得最优模型参数组合，并在测试集上进行模型验证。

滑动过程中，模型1测试平均均方根误差为0.011 3，训练平均均方根误差为0.010 7；模型2的测试平均均方根误差为0.012 0，训练平均均方根误差为0.013 5。模型均未发生过拟合现象，且精度均达到要求。

4　混合模型计算和验证

收起

通过数据驱动模型（模型1和模型2）计算得到Q₁和Q₂，从而得到稀释系数D，再纳入机理模型中进行计算，得到洗涤塔出口循环液pH值和SO₂质量浓度模拟值。

4.1　pH值

混合模型模拟pH值与实际pH值的对比如图7所示。由图7可见，混合模型模拟的pH值能够紧跟实际pH值的变化，两者在正常工作范围的趋势吻合，在pH值低于6.0的异常工作范围依然保持敏感性，这说明模型具备稳健性。在接近9 000 min的模拟时间内，从模型的评价指标中得出均方根误差为0.185，平均绝对百分比误差为1.6%，C_orr为0.85，模拟结果与实际结果的趋势吻合度较高，说明模型可靠性较好。

4.2　SO₂质量浓度

针对SO₂的模拟结果，从混合模型的评价指标中得出均方根误差为0.197，平均绝对百分比误差为36.1%，C_orr为0.80。上述指标整体低于模型对pH值预测的效果，主要归因于当前机组已完成超低排放改造，导致SO₂实际排放量已普遍低于监测传感器的方法检出限。在此低质量浓度区间内，传感器输出信号受噪声干扰显著，导致噪声幅值高于真实信号，表现为信噪比恶化。具体而言，实测SO₂质量浓度的相对标准偏差（RSD）达2.15（>1），进一步验证了噪声对信号的显著掩盖效应。尽管如此，C_orr仍维持在0.80左右，表明模型对SO₂出口质量浓度变化趋势的捕捉仍具备一定的可靠性。

混合模型模拟SO₂质量浓度与实际SO₂质量浓度的对比情况如图8所示。由图8可见，在该时间段存在一次异常工况，实际SO₂质量浓度骤升至1.5 mg/m³，而模型同步预测的峰值为4.6 mg/m³，虽绝对幅值存在偏差，但异常点被精准锁定。而对应时段的实际和模拟pH值也同步出现显著变化，进一步证实模型对异常扰动的高敏感度。上述结果表明，即便在极端条件下，混合模型仍能有效捕捉洗涤塔动力学的非线性响应，具备可靠的异常工况识别能力。对于正常工况，图8显示模拟与实际值在变化趋势上高度一致，验证了模型具备良好的可靠性。

4.3　异常工况模型检验

为验证混合建模策略的有效性，本文选取图8所示的极端工况，系统对比了实测数据、混合模型模拟结果，以及仅扣除排液稀释效应、同时扣除排液与冷凝稀释效应2种“部分修正”的情景。图9与图10分别为稀释效应对模拟循环液pH值及出口SO₂质量浓度的影响。

由图9与图10可见，凡未充分考虑冷凝稀释的模型均无法再现异常工况，且与实测值存在量级性偏差。鉴于该工况时段烟气含湿量在10%~11%之间，产生的大量冷凝水导致洗涤液碱度被急剧稀释。上述比对不仅确证了混合建模的必要性，也揭示了冷凝水量作为关键隐式变量在洗涤塔稳定运行中的决定性作用。

5　敏感性分析

收起

为确定洗涤塔系统性能的核心影响因素，本研究基于其数学模型开展敏感性分析，重点考察入口烟气温度、液气比与碱液添加量3个关键操作变量。对所选参数的原始数据施加特定倍率的扰动，通过模型计算结果来评估各个参数对洗涤塔的影响。

5.1　入口烟气温度

通过调整入口烟气温度为基准温度的±5 ℃和±10 ℃做敏感性分析，结果如图11和图12所示。由图11与图12可见，随着入口烟气温度的升高，出口SO₂质量浓度显著上升，同时洗涤塔循环液pH值有所下降。这一变化趋势与工程实际高度吻合，其主要原因在于碱液吸收SO₂是一个放热过程，温度升高促使反应逆向进行，同时降低了SO₂在液相中的溶解度^[27]。

5.2　液气比

通过调节循环液流量，将液气比控制在1.0~5.0 L/m³，其对出口SO₂质量浓度的影响如图13所示。由图13可见，随着液气比的提高，出口SO₂质量浓度呈指数级下降，并在液气比为3.0 L/m³时趋于饱和。具体而言，当液气比从1.0 L/m³增至2.0 L/m³时，SO₂质量浓度下降了63%。在液气比为2.0 L/m³时，吸收过程已达到饱和点；当液气比超过2.0 L/m³后，出口SO₂质量浓度变化趋于平缓，如图13中曲面平滑部分所示。实际运行中采用的液气比为2.8 L/m³，可考虑适当降低碱液循环量，将液气比调整至2.0 L/m³，以优化运行效率。

5.3　碱液添加量

液气比表征洗涤塔传质能力，而碱液添加量则直接决定SO₂化学吸收程度。进行碱液添加量的敏感性分析，图14和图15分别为碱液添加量对出口SO₂质量浓度和循环液pH值的影响。由图14和图15可见：当碱液添加量减少至原来的0.9~0.5倍时，由于碱液吸收能力不足，出口SO₂质量浓度显著上升；同时，系统pH值呈线性降低趋势，但下降幅度较为平缓。

6　结论

收起

本文提出了一种机理与数据融合驱动的混合建模方法，用于提升碳捕集预处理系统关键动力学参数的预测精度。结果表明，该模型对核心变量pH值的预测与实际值的拟合度较高，均方根误差为0.185，平均绝对百分比误差值为1.6%，C_orr为0.85。对SO₂质量浓度预测结果显示其对极端状况下的极值有较好体现，均方根误差和平均绝对百分比误差分别为0.197和36.1%，C_orr值为0.80。

出口SO₂质量浓度随入口烟气温度升高显著增加，系统pH值相应降低，该现象与工程实践一致，主要源于SO₂碱液吸收为放热反应及其溶解度随温度上升而下降。提高液气比可显著降低出口SO₂质量浓度，液气比在1.0~2.0 L/m³的范围内效果最为明显；超过2.0 L/m³后效率提升趋于平缓。建议将液气比从2.8 L/m³适度调整至2.0 L/m³，可在维持脱硫效果的同时降低运行能耗。碱液添加量减少将导致出口SO₂质量浓度显著上升及pH值降低，故需保持适量添加以确保系统吸收能力与稳定运行。

相关模型的建立为碳捕集预处理系统的动力学仿真和模拟优化提供了支撑，为工艺改进与自动控制提供决策支持。为后续的碳捕集全流程动态仿真奠定可扩展基础，可实现跨工艺、跨场景的快速迁移和部署。

基金

收起

国家重点研发计划项目(2024YFB4106404)
上海市科技重大专项(BH0200090)

参考文献

收起

文献

收起

参考文献引证文献

排序方式：

[1]

WANG

P T

, YANG

, LI

J Q

, et al. Carbon capture and storage in China’s power sector: optimal planning under the 2℃ constraint[J]. Applied Energy, 2020, 263:114694.1-114694.11.

[2]

吴其荣，陶建国，范宝成，等. 燃煤电厂开展大规模碳捕集的技术路线选择及经济敏感性分析[J]. 热力发电，2022，51（10）：28-34.

Qirong

, TAO

Jianguo

, FAN

Baocheng

, et al. Technical route selection and economic sensitivity analysis of large-scale carbon capture in coal-fired power plant[J]. Thermal Power Generation, 2022, 51(10): 28-34.

[3]

方梦祥，王涛，张翼，等. 烟气二氧化碳化学吸收技术[M]. 北京：化学工业出版社，2023：200.

FANG

Mengxiang

, WANG

Tao

, ZHANG

, et al. Chemical absorption technology of flue gas carbon dioxide[M]. Beijing: Chemical Industry Press, 2023: 200.

[4]

李卓. 混合建模方法研究及其在化学化工过程中的应用[D]. 杭州：浙江工业大学，2019：1.

Zhuo

. Research on hybrid modeling methods and their applications in chemical and chemical engineering processes[D]. Hangzhou: Zhejiang University of Technology, 2019: 1.

[5]

李晓光. 混合建模方法研究及其在化工过程中的应用[D]. 北京：北京化工大学，2008：1.

Xiaoguang

. Research on hybrid modeling methods and their applications in chemical processes[D]. Beijing: Beijing University of Chemical Technology, 2008: 1.

[6]

ZHUANG

Y L

, LIU

Y X

, AHMED

, et al. A hybrid data-driven and mechanistic model soft sensor for estimating CO₂ concentrations for a carbon capture pilot plant[J]. Computers in Industry, 2022, 143(1): 103747.

[7]

邱韬，刘祎，徐胜朝，等. 基于预测控制的脱硫系统pH值控制方法研究[J]. 工业控制计算机，2021，34（10）：35-37.

QIU

Tao

, LIU

, XU

Shengzhao

, et al. Research on pH control method of desulfurization system based on predictive control[J]. Industrial Control Computer, 2021, 34(10): 35-37.

[8]

, ZENG

, BERNARD

, et al. Data-driven prediction of neutralizer pH and valve position towards precise control of chemical dosage in a wastewater treatment plant[J]. Journal of Cleaner Production, 2022, 348: 131360.

[9]

WANG

, CHEN

, ZHAO

. A data-driven soft sensor model for coal-fired boiler SO₂ concentration prediction with non-stationary characteristic[J]. Energy, 2024, 300: 131522.

[10]

LIU

, ZHANG

, SHEN

. Technology-driven carbon reduction: analyzing the impact of digital technology on china’s carbon emission and its mechanism[J]. Technological Forecasting and Social Change, 2024, 200: 123124.

[11]

张梦轩，刘洪辰，王敏，等. 化工过程的智能混合建模方法及应用[J]. 化工进展，2021，40（4）：1765-1776.

ZHANG

Mengxuan

, LIU

Hongchen

, WANG

Min

, et al. Intelligent hybrid modeling methods and applications for chemical processes[J]. Chemical Industry and Engineering Progress, 2021, 40(4): 1765-1776.

[12]

ONDA

, TAKEUCHI

, MAEDA

. The absorption of oxygen into sodium sulphite solutions in a packed column[J]. Chemical Engineering Science, 1972, 27(2): 449-451.

[13]

ZHU

, ZHAO

, YANG

, et al. Continuous SO₂ absorption and desorption in regenerable flue gas desulfurization with ethylenediamine-phosphoric acid solution: a rate-based dynamic modeling[J]. Fuel, 2021, 92(2): 120263.

[14]

EBRAHIMI

, PICIOREANU

, KLEEREBEZEM

, et al. Rate-based modelling of SO₂ absorption into aqueous NaHCO₃/Na₂CO₃ solutions accompanied by the desorption of CO₂[J]. Chemical Engineering Science, 2003, 58(16): 3589-3600.

[15]

BISHNU

S K

, ALNOURI

S Y

, AL-MOHANNADI

D M

. Computational applications using data driven modeling in process systems: a review[J]. Digital Chemical Engineering, 2023, 8: 100111.

[16]

, WANG

, LIAO

, et al. Solvent-based post-combustion CO₂ capture for power plants: a critical review and perspective on dynamic modelling, system identification, process control and flexible operation[J]. Applied Energy, 2020, 257: 113941.

[17]

李瑞连，曾德良，张光明，等. 基于机理和数据混合模型的SD-WFGD系统SO₂浓度动态预测[J]. 动力工程学报，2024，44（7）：1118-1128.

Ruilian

, ZENG

Deliang

, ZHANG

Guangming

, et al. Dynamic prediction of SO₂ concentration in SD-WFGD system based on hybrid mechanistic and data-driven model[J]. Journal of Chinese Society of Power Engineering, 2024, 44(7): 1118-1128.

[18]

WHITE

W B

, JOHNSON

S M

, DANTZIG

G B

. Chemical equilibrium in complex mixtures[J]. Journal of Chemical Physics, 1958, 28(5): 751-755.

[19]

MCBRIDE

B J

, ZEHE

M J

, GORDON

. NASA glenn coefficients for calculating thermodynamic properties of individual species: technical report NASA/TP-2002-211556[R]. National Aeronautics and Space Administration, 2002: 1.

[20]

National Institute of Standards and Technology. NIST chemistry WebBook[EB/OL]. (2024-01-22) [2025-04-19]. https://webbook.nist.gov/chemistry/.

[21]

WAGNER

, PRUß

. The IAPWS formulation 1995 for the thermodynamic properties of ordinary water substance for general and scientific use[J]. Journal of Physical and Chemical Reference Data, 2002, 31(2): 387-535.

[22]

SKOOG

D A

, WEST

D M

, HOLLER

F J

, et al. Fundamentals of analytical chemistry[J]. 9th ed., international ed. Analytical and Bioanalytical Chemistry, 2013, 405(25): 7903-7904.

[23]

GOODWIN

D G

, MOFFAT

H K

, SPETH

R L

. Cantera: an object-oriented software toolkit for chemical kinetics, thermodynamics, and transport processes[J]. Zenodo, 2018.

[24]

NEYSHABUR

, LI

, BHOJANAPALLI

, et al. Towards understanding the role of over-parametrization in generalization of neural networks[J]. Statistics, arXiv preprint arXiv: 2018, 1805: 12076.

[25]

KOTSIANTIS

S B

. Decision trees: a recent overview[J]. Artificial Intelligence Review, 2013, 39(4): 261-283.

[26]

RAHUL

, GUPTA

K N

, DUTTA

N N

. Performance assessment of ensemble decision trees-based fault detection system in a chemical process[J]. International Journal of Applied Engineering Research, 2018, 13(9): 7190-7196.

[27]

苏翔鹏，刁永发，杨青杰. 基于RBF神经网络的双碱法脱硫塔SO₂排放量预测方法[J]. 热力发电，2017，46（10）：58-63.

Xiangpeng

, DIAO

Yongfa

, YANG

Qingjie

. Prediction of SO₂ emission from dual alkali desulfurization tower based on RBF neural network[J]. Thermal Power Generation, 2017, 46(10): 58-63.

2026年第55卷第6期

PDF下载

364

135

引用本文

BibTeX

文章信息

doi: 10.19666/j.rlfd.202509037

接收时间：2025-09-13
首发时间：2026-08-14
出版时间：2026-06-25

补充材料

相关文章

文章信息

作者

出版历史

收稿日期：2025-09-13
修回日期：2025-10-19
录用日期：2025-11-18

基金

National Key Research and Development Program(2024YFB4106404)

国家重点研发计划项目(2024YFB4106404)

Shanghai Major Science and Technology Projects(BH0200090)

上海市科技重大专项(BH0200090)

作者信息

^1.上海交通大学智慧能源创新学院，上海 200240

^2.上海电力股份有限公司，上海 200126

^3.上海明华电力科技有限公司，上海 200090

^4.重庆远达烟气治理特许经营有限公司，重庆 401122

通讯作者:

吴其荣（1984），男，博士，研究员，主要研究方向为碳减排与污染治理，wqr20021@qq.com。

参考文献

分享链接

https://castjournals.cast.org.cn/joweb/rlfd/CN/10.19666/j.rlfd.202509037

分享至

全文二维码

扫描看全文

引用本文

BibTeX

本文的引用情况

2种不同金属材料的力学参数

科 Family	属数 Number of genus	种数 Number of species	占总种数比例 Percentage of total species (%)	属 Genus	种数 Number of species	占总种数比例 Percentage of total species (%)
鹅膏菌科Amanitaceae	2	11	5.26	鹅膏菌属 Amanita	10	4.78
小菇科 Mycenaceae	2	12	5.74	丝盖伞属 Inocybe	5	2.39
多孔菌科 Polyporaceae	8	14	6.70	蜡蘑属 Laccaria	5	2.39
红菇科 Russulaceae	3	23	11.00	小皮伞属 Marasmius	6	2.87
				小菇属 Mycena	11	5.26
				光柄菇属 Pluteus	5	2.39
				红菇属 Russula	17	8.13
				栓菌属 Trametes	5	2.39

关闭全屏

BibTeX
EndNote
RefWorks
TxT