CN109426144B - 基于随机森林模型的电站锅炉烟气脱硝方法 - Google Patents
基于随机森林模型的电站锅炉烟气脱硝方法 Download PDFInfo
- Publication number
- CN109426144B CN109426144B CN201710725552.2A CN201710725552A CN109426144B CN 109426144 B CN109426144 B CN 109426144B CN 201710725552 A CN201710725552 A CN 201710725552A CN 109426144 B CN109426144 B CN 109426144B
- Authority
- CN
- China
- Prior art keywords
- nox
- denitration
- concentration
- variable parameters
- flue gas
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- UGFAIRIUMAVXCW-UHFFFAOYSA-N Carbon monoxide Chemical compound [O+]#[C-] UGFAIRIUMAVXCW-UHFFFAOYSA-N 0.000 title claims abstract description 40
- 239000003546 flue gas Substances 0.000 title claims abstract description 40
- 238000007637 random forest analysis Methods 0.000 title claims abstract description 32
- 238000000034 method Methods 0.000 title claims abstract description 19
- QGZKDVFQNNGYKY-UHFFFAOYSA-N Ammonia Chemical compound N QGZKDVFQNNGYKY-UHFFFAOYSA-N 0.000 claims abstract description 80
- 229910021529 ammonia Inorganic materials 0.000 claims abstract description 40
- 238000002347 injection Methods 0.000 claims abstract description 17
- 239000007924 injection Substances 0.000 claims abstract description 17
- 230000001419 dependent effect Effects 0.000 claims abstract description 14
- QVGXLLKOCUKJST-UHFFFAOYSA-N atomic oxygen Chemical compound [O] QVGXLLKOCUKJST-UHFFFAOYSA-N 0.000 claims abstract description 6
- IJGRMHOSHXDMSA-UHFFFAOYSA-N nitrogen Substances N#N IJGRMHOSHXDMSA-UHFFFAOYSA-N 0.000 claims abstract description 6
- 229910052757 nitrogen Inorganic materials 0.000 claims abstract description 6
- 239000001301 oxygen Substances 0.000 claims abstract description 6
- 229910052760 oxygen Inorganic materials 0.000 claims abstract description 6
- 239000000843 powder Substances 0.000 claims abstract description 6
- 238000012549 training Methods 0.000 claims abstract description 5
- 238000005507 spraying Methods 0.000 claims abstract description 4
- 238000012937 correction Methods 0.000 claims description 13
- 230000001105 regulatory effect Effects 0.000 claims description 5
- 230000010354 integration Effects 0.000 claims description 3
- 238000003066 decision tree Methods 0.000 description 13
- 238000005070 sampling Methods 0.000 description 6
- 230000008569 process Effects 0.000 description 5
- 238000012360 testing method Methods 0.000 description 5
- 238000006243 chemical reaction Methods 0.000 description 4
- 238000004422 calculation algorithm Methods 0.000 description 3
- 239000003054 catalyst Substances 0.000 description 3
- 238000011217 control strategy Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 230000009471 action Effects 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 238000002485 combustion reaction Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 238000013138 pruning Methods 0.000 description 2
- 238000012216 screening Methods 0.000 description 2
- 238000004088 simulation Methods 0.000 description 2
- 239000000779 smoke Substances 0.000 description 2
- BIGPRXCJEDHCLP-UHFFFAOYSA-N ammonium bisulfate Chemical compound [NH4+].OS([O-])(=O)=O BIGPRXCJEDHCLP-UHFFFAOYSA-N 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000003197 catalytic effect Effects 0.000 description 1
- 238000010531 catalytic reduction reaction Methods 0.000 description 1
- 239000003638 chemical reducing agent Substances 0.000 description 1
- 235000019504 cigarettes Nutrition 0.000 description 1
- 230000001427 coherent effect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000007254 oxidation reaction Methods 0.000 description 1
- 239000000243 solution Substances 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B13/00—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion
- G05B13/02—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric
- G05B13/04—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators
- G05B13/042—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators in which a parameter or coefficient is automatically adjusted to optimise the performance
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B01—PHYSICAL OR CHEMICAL PROCESSES OR APPARATUS IN GENERAL
- B01D—SEPARATION
- B01D53/00—Separation of gases or vapours; Recovering vapours of volatile solvents from gases; Chemical or biological purification of waste gases, e.g. engine exhaust gases, smoke, fumes, flue gases, aerosols
- B01D53/34—Chemical or biological purification of waste gases
- B01D53/74—General processes for purification of waste gases; Apparatus or devices specially adapted therefor
- B01D53/86—Catalytic processes
- B01D53/8621—Removing nitrogen compounds
- B01D53/8625—Nitrogen oxides
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B01—PHYSICAL OR CHEMICAL PROCESSES OR APPARATUS IN GENERAL
- B01D—SEPARATION
- B01D53/00—Separation of gases or vapours; Recovering vapours of volatile solvents from gases; Chemical or biological purification of waste gases, e.g. engine exhaust gases, smoke, fumes, flue gases, aerosols
- B01D53/34—Chemical or biological purification of waste gases
- B01D53/74—General processes for purification of waste gases; Apparatus or devices specially adapted therefor
- B01D53/86—Catalytic processes
- B01D53/8621—Removing nitrogen compounds
- B01D53/8625—Nitrogen oxides
- B01D53/8631—Processes characterised by a specific device
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B11/00—Automatic controllers
- G05B11/01—Automatic controllers electric
- G05B11/36—Automatic controllers electric with provision for obtaining particular characteristics, e.g. proportional, integral, differential
- G05B11/42—Automatic controllers electric with provision for obtaining particular characteristics, e.g. proportional, integral, differential for obtaining a characteristic which is both proportional and time-dependent, e.g. P. I., P. I. D.
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B13/00—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion
- G05B13/02—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric
- G05B13/04—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators
- G05B13/048—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators using a predictor
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/243—Classification techniques relating to the number of classes
- G06F18/24323—Tree-organised classifiers
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B01—PHYSICAL OR CHEMICAL PROCESSES OR APPARATUS IN GENERAL
- B01D—SEPARATION
- B01D2251/00—Reactants
- B01D2251/20—Reductants
- B01D2251/206—Ammonium compounds
- B01D2251/2062—Ammonia
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B01—PHYSICAL OR CHEMICAL PROCESSES OR APPARATUS IN GENERAL
- B01D—SEPARATION
- B01D2258/00—Sources of waste gases
- B01D2258/02—Other waste gases
- B01D2258/0283—Flue gases
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Chemical & Material Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Environmental & Geological Engineering (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Data Mining & Analysis (AREA)
- Automation & Control Theory (AREA)
- Analytical Chemistry (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Biomedical Technology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Chemical & Material Sciences (AREA)
- Oil, Petroleum & Natural Gas (AREA)
- Chemical Kinetics & Catalysis (AREA)
- General Engineering & Computer Science (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Treating Waste Gases (AREA)
Abstract
本发明属于电厂脱硝技术领域,提出一种基于随机森林模型的电站锅炉烟气脱硝方法。包括以下步骤:S1:确定训练模型的自变量参数为烟气脱硝***的OFA风门指令、低氮风门指令、二次风压、排粉机运行状态、炉膛氧量、机组主蒸汽流量,因变量参数为SCR反应器入口NOx浓度;S2:记录烟气脱硝***各自变量参数及因变量参数的历史数据;S3:由各自变量参数及因变量参数的历史数据输入至随机森林模型,得到随机森林脱硝模型,S4:脱硝时由烟气脱硝***各自变量参数输入随机森林脱硝模型得出SCR反应器入口NOx浓度预测值,S5:由SCR反应器入口NOx浓度预测值计算出供氨调门开度进行喷氨脱硝。本发明解决了现有技术中SCR喷氨量控制***控制对象非线性、大迟延的问题。
Description
技术领域
本发明属于发电厂脱硝技术领域,涉及一种基于随机森林模型的电站锅炉烟气脱硝方法。
背景技术
SCR烟气脱硝技术,是将还原剂氨喷入烟气中,利用催化剂将烟气中的NOx转化为N2和水。但是,在烟气脱硝的同时,催化剂可以使部分烟气中SO2氧化生成SO3,并与SCR脱硝过程中未反应的氨反应生成具有粘性硫酸氢氨,硫酸氢氨会对催化床层和空预器造成危害的。
目前火力发电机组中脱硝***按照锅炉***的设计,脱硝***反应区分别布置在两侧烟道上,位置位于空预器和省煤器之间。
脱硝出口NOx浓度的稳定控制、减少氨逃逸量,能够保证空预器长期安全运行、脱硝效率和催化剂寿命。氨逃逸以及脱硝运行的经济性等方面在脱硝过程中均要平衡控制,鲁棒性较强的控制策略在脱硝控制中显得尤为重要。
现有脱硝控制技术存在的问题:
(1)脱硝控制***中采集的NOx与烟囱净烟气处的排放数值偏差大。
因脱硝***反应区随锅炉***分为两侧布置,两个反应区出口的NOx浓度测量值不能保证完全一致,这就导致脱硝***喷氨自动调节***如何控制出口参数,才能够与烟从净烟气处的测量值保持一致。
(2)同时由于烟囱出口净烟气测点位置与脱硝出口烟气测点位置之间相差一段距离,导致两个测量值之间存在较大的时间延迟问题,对脱硝喷氨自动调节***的参数整定带来了较大困难。
(3)对于不同的锅炉***,燃烧过程中产生的NOx浓度也不同。对于NOx浓度较大的锅炉,轻微的波动都有可能造成烟囱净烟气处的NOx排放浓度超标。对于脱硝***的稳定控制是关系到火力发电厂NOx排放参数稳定的关键。
发明内容
本发明提出基于随机森林模型的电站锅炉烟气脱硝方法,解决了现有技术中SCR喷氨量控制***控制对象非线性、大迟延的问题。
本发明的技术方案是这样实现的:
基于随机森林模型的电站锅炉烟气脱硝方法,包括以下步骤:
S1:确定训练模型的自变量参数为烟气脱硝***的OFA风门指令、低氮风门指令、二次风压、排粉机运行状态、炉膛氧量、机组主蒸汽流量,因变量参数为SCR反应器入口NOx浓度;
S2:记录烟气脱硝***各自变量参数及因变量参数的历史数据;
S3:由各自变量参数及因变量参数的历史数据输入至随机森林模型,得到随机森林脱硝模型,
S4:脱硝时由烟气脱硝***各自变量参数输入随机森林脱硝模型得出SCR反应器入口NOx浓度预测值,
S5:由SCR反应器入口NOx浓度预测值计算出供氨调门开度进行喷氨脱硝。
作为进一步的技术方案,所述SCR反应器入口NOx浓度预测值经过空预器出口NOx设定修正、空预器出口NOx修正、机组主蒸汽流量修正后再计算脱硝喷氨量。
作为进一步的技术方案,SCR反应器入口NOx浓度预测值经过空预器出口NOx设定修正、空预器出口NOx修正、机组主蒸汽流量修正的具体流程为,
S51:SCR反应器入口NOx浓度预测值减去空预器出口NOx浓度设定值,得到值A,空预器出口NOx与空预器出口NOx的时间微分求和得到值M,
S52:A乘以机组主蒸汽流量后除以系数k得到值B,
S53:B与B的时间微分求和得到值C,空预器出口NOx浓度设定值与M的之差的比例积分值N,
S54:作为前馈量的C与作为主调输出的N求和得到值D,
S55:D与脱硝喷氨量之差的比例积分得到供氨调门开度。
本发明使用原理及有益效果为:
1、本发明针对SCR喷氨量控制***控制对象非线性、大迟延的特点,在烟气脱硝***的大量变化参数中,在大量数据处理模型中经过无数试验模拟筛选,经过复杂的大数据计算,确定了计算自变量参数为OFA风门指令、低氮风门指令、二次风压、排粉机运行状态、炉膛氧量、机组主蒸汽流量为最佳自变量参数,以及确定了随机森林模型为最佳拟合模型,通过这些自变量参数以及随机森林模型的高效结合,从而实现了因变量参数SCR反应器入口NOx浓度的高效拟合,如图1所示,拟合度达到了91.47%,因而解决了实际生产难以解决的问题,同时本发明现场SCR喷氨控制采用空预器出口NOx设定修正、空预器出口NOx修正、机组主蒸汽流量修正构成的带前馈的串级控制策略,进一步保证了控制的精确性。为克服空预器出口NOx浓度测量迟延,利用空预器出口NOx的变化趋势对其进行修正,提前控制,起到了部分超前调节的作用,由于SCR反应器出口NOx浓度分布不均、不具代表性,空预器出口烟道烟气流场较稳定,测量空预器出口NOx浓度参与脱硝喷氨自调是切实可行的,为克服SCR入口NOx测量信号存在迟延问题,从SCR入口NOx主要影响因素入手,创造性的找出了可以提前反映入口NOx变化的前馈量来***入口NOx变化。
2、本发明还加入了干预逻辑,能够进一步实现高效控制并保证控制的及时性,可以满足机组超低排放要求,同时减小过量喷氨造成空预器堵塞风险,在脱硝喷氨自调回路中引入干预逻辑,进而保证各级天气预警下烟囱净烟气处NOx的稳定控制。干预逻辑包括空预器出口NOx浓度设定值干预逻辑和净烟气NOx干预逻辑,空预器出口NOx浓度设定值干预逻辑根据各级天气预警,分别设置“解除控制”、“橙色预警”、“黄色预警”、“红色预警”四个按钮,不同的按钮对应不同的NOx设定值。净烟气NOx干预逻辑通过对净烟气NOx和空预器出口NOx浓度趋势的判断,引发干预逻辑动作,将供氨调门切手动,同时自动将供氨调门开至一定值,待参数正常后将供氨自调投入自动。
附图说明
下面结合附图和具体实施方式对本发明作进一步详细的说明。
图1为本发明中烟气脱硝***各自变量参数输入随机森林脱硝模型得出SCR反应器入口NOx浓度预测值与实际值的拟合度曲线,纵坐标为SCR反应器入口NOx浓度预测值,横坐标为自变量综合值;
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
本发明提出的基于随机森林模型的电站锅炉烟气脱硝方法,包括以下步骤:
S1:确定训练模型的自变量参数为烟气脱硝***的OFA(空气分级燃烧)风门指令、低氮风门指令、二次风压、排粉机运行状态、炉膛氧量、机组主蒸汽流量,因变量参数为SCR(选择性催化还原法)反应器入口NOx浓度;
S2:记录烟气脱硝***各自变量参数及因变量参数的历史数据;
S3:由各自变量参数及因变量参数的历史数据输入至随机森林模型,得到随机森林脱硝模型,
S4:脱硝时由烟气脱硝***各自变量参数输入随机森林脱硝模型得出SCR反应器入口NOx浓度预测值,
S5:由SCR反应器入口NOx浓度预测值计算出供氨调门开度进行喷氨脱硝。
进一步,所述SCR反应器入口NOx浓度预测值经过空预器出口NOx设定修正、空预器出口NOx修正、机组主蒸汽流量修正后再计算脱硝喷氨量。
进一步,SCR反应器入口NOx浓度预测值经过空预器出口NOx设定修正、空预器出口NOx修正、机组主蒸汽流量修正的具体流程为,
S51:SCR反应器入口NOx浓度预测值减去空预器出口NOx浓度设定值,得到值A,空预器出口NOx与空预器出口NOx的时间微分求和得到值M,
S52:A乘以机组主蒸汽流量后除以系数k得到值B,
S53:B与B的时间微分求和得到值C,空预器出口NOx浓度设定值与M的之差的比例积分值N,
S54:作为前馈量的C与作为主调输出的N求和得到值D,
S55:D与脱硝喷氨量之差的比例积分得到供氨调门开度。
本发明针对SCR喷氨量控制***控制对象非线性、大迟延的特点,在烟气脱硝***的大量变化参数中,在大量数据处理模型中经过无数试验模拟筛选,经过复杂的大数据计算,在众多自变量参数与拟合模型中,确定了计算自变量参数为OFA风门指令、低氮风门指令、二次风压、排粉机运行状态、炉膛氧量、机组主蒸汽流量以及与拟合模型随机森林模型结合在一起为最佳组合,通过这些自变量参数以及随机森林模型的高效结合,从而实现了因变量参数SCR反应器入口NOx浓度的高效拟合,至于随机森林模型如何去拟合,为本领域技术人员熟知常识,这里不作赘述,可参考如下随机森林模型具体算法:
决策树
决策树是一个树结构(可以是二叉树或非二叉树)。其每个非叶节点表示一个特征属性上的测试,每个分支代表这个特征属性在某个值域上的输出,而每个叶节点存放一个类别。使用决策树进行决策的过程就是从根节点开始,测试待分类项中相应的特征属性,并按照其值选择输出分支,直到到达叶子节点,将叶子节点存放的类别作为决策结果。
随机森林是用随机的方式建立一个森林,森林里面有很多的决策树组成,随机森林的每一棵决策树之间是没有关联的。在得到森林之后,当有一个新的输入样本进入的时候,就让森林中的每一棵决策树分别进行一下判断,看看这个样本应该属于哪一类,然后看看哪一类被选择最多,就预测这个样本为那一类。
在建立每一棵决策树的过程中,有两点需要注意采样与完全***。首先是两个随机采样的过程,随机森林对输入的数据要进行行、列的采样。对于行采样,采用有放回的方式,也就是在采样得到的样本集合中,可能有重复的样本。假设输入样本为N个,那么采样的样本也为N个。这样使得在训练的时候,每一棵树的输入样本都不是全部的样本,使得相对不容易出现过度拟合。然后进行列采样,从M个feature中,选择m个(m<<M)。之后就是对采样之后的数据使用完全***的方式建立出决策树,这样决策树的某一个叶子节点要么是无法继续***的,要么里面的所有样本的都是指向的同一个分类。一般很多的决策树算法都一个重要的步骤——剪枝,但是这里不这样干,由于之前的两个随机采样的过程保证了随机性,所以就算不剪枝,也不会出现过度拟合。
决策树中***属性的两个选择度量:
1)信息增益
随机森林模型任意样本分类的期望信息:
a)I(S1,S2,……,Sm)=∑Pilog2(Pi)(i=1..m)
其中,数据集为S,m为S的分类数目,Pi≈|Si/|S|,Ci为某分类标号,Pi为任意样本属于Ci的概率,Si为分类Ci上的样本数。
b)I(S1,S2,……,Sm)越小,S1,S2,……,Sm就越有序(越纯),分类效果就越好。
c)由属性A划分为子集的熵:
A为属性,具有V个不同的取值,S被A划分为V个子集S1,S2,……,Sv,Sij是子集Sj中类Ci的样本数。E(A)=∑(S1j+……+Smj)/S*I(S1j,……,Smj)。
d)信息增益:Gain(A)=I(S1,S2,……,Sm)。
e)***属性选择规则:选择具有最大信息增益的属性为***属性。
2)基尼指数
a)集合T包含N个类别的记录,那么其Gini指标(基尼系数)就是pj类别j出现的频率。
b)***属性选择规则:选择具有最小Ginisplit的属性为***属性(对于每个属性都要遍历所有可能的分割方法)。
如图1所示,纵坐标为SCR反应器入口NOx浓度预测值,横坐标为6个自变量参数综合值,从图中反应的准确率达到了91.47%,而此些自变量参数通过线性模型试验的准确率只为46.29%,通过K近邻的准确率为72.08%,因而解决了实际生产难以解决的问题,同时本发明现场SCR喷氨控制采用空预器出口NOx设定修正、空预器出口NOx修正、机组主蒸汽流量修正构成的带前馈的串级控制策略,进一步保证了控制的精确性。为克服空预器出口NOx浓度测量迟延,利用空预器出口NOx的变化趋势对其进行修正,提前控制,起到了部分超前调节的作用,由于SCR反应器出口NOx浓度分布不均、不具代表性,空预器出口烟道烟气流场较稳定,测量空预器出口NOx浓度参与脱硝喷氨自调是切实可行的,为克服SCR入口NOx测量信号存在迟延问题,从SCR入口NOx主要影响因素入手,创造性的找出了可以提前反映入口NOx变化的前馈量来***入口NOx变化。
本发明还加入了干预逻辑,能够进一步实现高效控制并保证控制的及时性,可以满足机组超低排放要求,同时减小过量喷氨造成空预器堵塞风险,在脱硝喷氨自调回路中引入干预逻辑,进而保证各级天气预警下烟囱净烟气处NOx的稳定控制。干预逻辑包括空预器出口NOx浓度设定值干预逻辑和净烟气NOx干预逻辑,空预器出口NOx浓度设定值干预逻辑根据各级天气预警,分别设置“解除控制”、“橙色预警”、“黄色预警”、“红色预警”四个按钮,不同的按钮对应不同的NOx设定值。净烟气NOx干预逻辑通过对净烟气NOx和空预器出口NOx浓度趋势的判断,引发干预逻辑动作,将供氨调门切手动,同时自动将供氨调门开至一定值,待参数正常后将供氨自调投入自动。
以上所述仅为本发明的较佳实施例而已,并不用以限制本发明,凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (2)
1.基于随机森林模型的电站锅炉烟气脱硝方法,其特征在于,包括以下步骤:
S1:确定训练模型的自变量参数为烟气脱硝***的OFA风门指令、低氮风门指令、二次风压、排粉机运行状态、炉膛氧量、机组主蒸汽流量,因变量参数为SCR反应器入口NOx浓度;
S2:记录烟气脱硝***各自变量参数及因变量参数的历史数据;
S3:由各自变量参数及因变量参数的历史数据输入至随机森林模型,得到随机森林脱硝模型,
S4:脱硝时由烟气脱硝***各自变量参数输入随机森林脱硝模型得出SCR反应器入口NOx浓度预测值,
S5:由SCR反应器入口NOx浓度预测值计算出供氨调门开度进行喷氨脱硝,
其中,所述SCR反应器入口NOx浓度预测值经过空预器出口NOx浓度设定修正、空预器出口NOx浓度修正、机组主蒸汽流量修正后再计算脱硝喷氨量。
2.根据权利要求1所述的基于随机森林模型的电站锅炉烟气脱硝方法,其特征在于,SCR反应器入口NOx浓度预测值经过空预器出口NOx浓度设定修正、空预器出口NOx浓度修正、机组主蒸汽流量修正的具体流程为,
S51:SCR反应器入口NOx浓度预测值减去空预器出口NOx浓度设定值,得到值A,空预器出口NOx浓度与空预器出口NOx浓度的时间微分求和得到值M,
S52:A乘以机组主蒸汽流量后除以系数k得到值B,
S53:B与B的时间微分求和得到值C,空预器出口NOx浓度设定值与M的之差的比例积分得到 值N,
S54:作为前馈量的C与作为主调输出的N求和得到值D,
S55:D与脱硝喷氨量之差的比例积分得到供氨调门开度。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710725552.2A CN109426144B (zh) | 2017-08-22 | 2017-08-22 | 基于随机森林模型的电站锅炉烟气脱硝方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710725552.2A CN109426144B (zh) | 2017-08-22 | 2017-08-22 | 基于随机森林模型的电站锅炉烟气脱硝方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109426144A CN109426144A (zh) | 2019-03-05 |
CN109426144B true CN109426144B (zh) | 2021-07-16 |
Family
ID=65497955
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710725552.2A Active CN109426144B (zh) | 2017-08-22 | 2017-08-22 | 基于随机森林模型的电站锅炉烟气脱硝方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109426144B (zh) |
Families Citing this family (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111968708B (zh) * | 2020-10-23 | 2020-12-29 | 浙江浙能技术研究院有限公司 | 一种基于随机森林和lstm神经网络的scr脱硝喷氨量预测方法 |
TWI824333B (zh) * | 2020-11-11 | 2023-12-01 | 臺泥資訊股份有限公司 | 基於選擇性非觸媒脫硝還原系統的最適化氨水暨氮氧化物控制方法 |
CN114545866A (zh) | 2020-11-11 | 2022-05-27 | 台泥资讯股份有限公司 | 控制煤耗***的方法 |
CN112651166B (zh) * | 2020-11-24 | 2023-03-28 | 呼和浩特科林热电有限责任公司 | 脱硝***入口氮氧化物浓度预测方法、装置及脱硝*** |
CN114326387A (zh) * | 2021-12-07 | 2022-04-12 | 江苏方天电力技术有限公司 | 一种火电机组脱硝控制装置及控制方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2004043575A1 (ja) * | 2002-11-01 | 2004-05-27 | The Chugoku Electric Power Co., Inc. | 脱硝触媒管理方法および脱硝触媒管理装置 |
CN103605287A (zh) * | 2013-08-05 | 2014-02-26 | 浙江大学 | 循环流化床锅炉床温预测***及方法 |
CN105404145A (zh) * | 2015-10-22 | 2016-03-16 | 西安西热控制技术有限公司 | 基于指数预测和时滞预估补偿的脱硝新型串级控制方法 |
CN106681381A (zh) * | 2017-01-03 | 2017-05-17 | 华北电力大学 | 一种基于智能前馈信号的scr脱硝***喷氨量优化控制***及方法 |
CN106842962A (zh) * | 2017-04-13 | 2017-06-13 | 东南大学 | 基于变约束多模型预测控制的scr脱硝控制方法 |
-
2017
- 2017-08-22 CN CN201710725552.2A patent/CN109426144B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2004043575A1 (ja) * | 2002-11-01 | 2004-05-27 | The Chugoku Electric Power Co., Inc. | 脱硝触媒管理方法および脱硝触媒管理装置 |
CN103605287A (zh) * | 2013-08-05 | 2014-02-26 | 浙江大学 | 循环流化床锅炉床温预测***及方法 |
CN105404145A (zh) * | 2015-10-22 | 2016-03-16 | 西安西热控制技术有限公司 | 基于指数预测和时滞预估补偿的脱硝新型串级控制方法 |
CN106681381A (zh) * | 2017-01-03 | 2017-05-17 | 华北电力大学 | 一种基于智能前馈信号的scr脱硝***喷氨量优化控制***及方法 |
CN106842962A (zh) * | 2017-04-13 | 2017-06-13 | 东南大学 | 基于变约束多模型预测控制的scr脱硝控制方法 |
Non-Patent Citations (1)
Title |
---|
基于Spark大数据平台的火电厂节能分析;张兴;《中国优秀硕士学位论文全文数据库(电子期刊) 信息科技辑》;20160815;第I138-629页 * |
Also Published As
Publication number | Publication date |
---|---|
CN109426144A (zh) | 2019-03-05 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109426144B (zh) | 基于随机森林模型的电站锅炉烟气脱硝方法 | |
CN107243257B (zh) | 适合全负荷的智能喷氨控制*** | |
CN107526292B (zh) | 一种基于入口NOx浓度预测的调控喷氨量的方法 | |
CN112580250A (zh) | 基于深度学习的火电机组脱硝***及优化控制方法 | |
CN113433911B (zh) | 基于浓度精准预测的脱硝装置喷氨精准控制***与方法 | |
CN107561941A (zh) | 一种火电机组脱硝***的全工况达标排放控制方法 | |
CN105629738A (zh) | Scr烟气脱硝***控制方法及设备 | |
CN110263452B (zh) | 一种烟道内烟气时间分布特性分析方法、***及脱硝*** | |
CN110263395A (zh) | 基于数值模拟和数据分析的电厂脱硝运行优化方法及*** | |
CN111522290A (zh) | 一种基于深度学习方法的脱硝控制方法和*** | |
CN113094986B (zh) | 垃圾焚烧炉烟气中污染物排放量预测模型构建方法及应用 | |
CN111589302A (zh) | 燃煤电厂scr脱硝性能预测方法、装置、设备和存储介质 | |
CN112667613B (zh) | 基于多延时特性多变量校正的烟气NOx预测方法及*** | |
CN107831651A (zh) | 煤粉电站锅炉scr与sncr脱硝***协同控制方法 | |
CN110585921A (zh) | 一种双喷氨格栅选择催化还原脱硝装置及其喷氨优化方法 | |
Qiao | A novel online modeling for NOx generation prediction in coal-fired boiler | |
CN115685743A (zh) | 一种智能控制燃煤锅炉及其智能预测调控烟气排放方法 | |
CN112286060A (zh) | 一种基于遗传算法和模糊控制技术的热网温度控制方法 | |
CN117031938A (zh) | 一种城市固废焚烧炉膛温度的模糊神经网络控制方法 | |
KR102291800B1 (ko) | 보일러 연소 모델 도출 장치 및 방법 | |
CN207478283U (zh) | 一种火电机组脱硝实时控制装置 | |
CN106773675A (zh) | 火电机组预测函数控制简化方法及其应用 | |
CN109933884A (zh) | 一种面向燃煤机组scr脱硝***神经网络逆控制的方法 | |
CN115113519A (zh) | 一种煤-煤气混烧锅炉脱硝***出口NOx浓度预警方法 | |
CN117991639B (zh) | 基于机器学习的燃煤电厂多目标燃烧优化控制方法及装置 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |