CN112631127A - 一种scr氮氧化物含量预测控制方法和*** - Google Patents
一种scr氮氧化物含量预测控制方法和*** Download PDFInfo
- Publication number
- CN112631127A CN112631127A CN202011256976.7A CN202011256976A CN112631127A CN 112631127 A CN112631127 A CN 112631127A CN 202011256976 A CN202011256976 A CN 202011256976A CN 112631127 A CN112631127 A CN 112631127A
- Authority
- CN
- China
- Prior art keywords
- scr
- fuzzy logic
- nitrogen oxide
- logic system
- type fuzzy
- 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.)
- Granted
Links
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
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Computation (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Automation & Control Theory (AREA)
- Feedback Control In General (AREA)
Abstract
本申请实施例公开了一种SCR氮氧化物含量预测控制方法和***,用于解决现有燃煤电厂SCR控制***控制方法超调量大、调节时间长和难以稳定的问题。技术方案是采用了二型模糊逻辑***作为SCR过程氮氧化物含量模型,考虑到二型模糊逻辑***的降型操作,采用NT方法克服了KM方法费时的迭代过程;该模型能够通过反馈校正技术实时更新模型参数,克服SCR***参数时变的特性;基于二型模糊逻辑***逼近的SCR过程氮氧化物含量模型,采用约束广义预测控制器实现SCR过程氮氧化物含量的多步预测和滚动优化,克服SCR***的惯性和时滞问题,同时满足了实际SCR过程各项过程约束。喷氨控制通过DCS偏置模块实现,不用替换原有PI控制器,极大方便工程实现,同时保证了DCS安全。
Description
技术领域
本申请实施例涉及燃煤电厂SCR技术领域,具体涉及一种SCR氮氧化物含量预测控制方法和***。
背景技术
随着环境保护的迫切需要,燃煤电厂采用低氮技术来减少氮氧化物的排放,以满足严格的尾气排放要求。在低氮技术中,选择性催化还原(SCR)因其高脱硝率、结构紧凑、改造费用低等优点受到了人们的广泛关注。SCR是一种后处理脱硝技术,安装在锅炉的尾部烟道中以降低烟气中氮氧化物浓度。在氮氧化物降解过程中,氨气通过喷氨格栅进入尾部烟道,与烟气中的氮氧化物混合。然后,氮氧化物和氨气的混合气体通过催化反应区,在催化剂的作用下转化为无害的氮气和水。其中氨氮摩尔比决定了脱硝反应的效果。氨气不足会导致SCR出口氮氧化物浓度超标。相反,过量的氨气会造成二次污染,甚至阻塞和腐蚀下游设备,如空气预热器等。由于尾部烟道内混合气体的流动过程和脱硝反应,SCR脱硝过程呈现出大时滞特性。此外,脱硝过程还受到烟气温度、流速、催化剂活性等不确定扰动的影响,导致参数时变和不确定性。
燃煤电厂SCR脱硝过程中的上述特性使其难以实现有效控制。虽然PI控制器因其简单性和技术成熟而在燃煤电厂SCR脱硝过程中得到了最广泛的应用,但PI控制器的性能远远不能满足要求,导致出现SCR出口氮氧化物浓度超调量大、调节周期长、难以稳定的问题。
发明内容
为此,本申请实施例提供一种SCR氮氧化物含量预测控制方法和***。
根据本申请实施例的第一方面,提供了一种选择性催化还原SCR氮氧化物含量预测控制方法,所述方法包括:
采用二型模糊逻辑***对SCR过程氮氧化物进行建模;
采用在线算法更新二型模糊逻辑***的规则前件和规则后件参数;
采用线性化后的二型模糊逻辑***模型对SCR出口氮氧化物浓度进行多步预测;
基于二次规划技术实现SCR过程氮氧化物的喷氨量计算;
通过偏置方式与DCS原有控制器累加实现喷氨量的控制。
可选地,所述采用二型模糊逻辑***对SCR过程氮氧化物进行建模,按照如下公式:
其中,rout为SCR出口氮氧化物浓度,u1为氨流量,rin为SCR入口氮氧化物浓度;为区间二型高斯模糊隶属函数的中心值、宽度和宽度区间,为模糊规则前件可调节参数;ARX多项式系数和为模糊规则后件可调节参数。
可选地,所述SCR过程氮氧化物含量模型包括SCR入口氮氧化物浓度;
所述二型模糊逻辑***的模糊规则决定于每个输入变量的区间二型模糊隶属函数的设计数量;
二型模糊逻辑***采用具有闭环表达形式的NT降型方法;
二型模糊逻辑***的建模数据SCR出口氮氧化物浓度、氨流量和SCR入口氮氧化物浓度由DCS获取并存储。
可选地,所述采用在线算法更新二型模糊逻辑***的规则前件和规则后件参数,采用如下的误差损失函数:
其中,η为正向学习率,η>0;
将二型模糊逻辑***输出采用向量形式重写为:
在线辨识过程中,模糊规则后件采用如下递推形式的最小二乘法进行迭代更新:
P(k)=P(k-1)-K(k)ξT(k-1)P(k-1)
其中,P(k)为协方差矩阵,K(k)为增益矩阵。
可选地,所述采用线性化后的二型模糊逻辑***模型对SCR出口氮氧化物浓度进行多步预测,包括:
SCR***的非线性动态过程经过二型模糊逻辑***辨识后,首先进行如下的线性化操作:
A(z-1)rout(k)=B(z-1)u1(k-d-1)+D(z-1)rin(k-d-1)
左右两边乘以Δzpep(z-1)得到:
ΔzpCp(z-1)A(z-1)rout(k)=ΔzpCp(z-1)B(z-1)u1(k-d-1)
+ΔzpCp(z-1)D(z-1)rin(k-d-1)
引入如下的丢番图方程:
定义Gp(z-1)=Cp(z-1)B(z-1),Tp(z-1)=Cp(z-1)D(z-1),SCR过程氮氧化物含量预测值为:
可选地,所述基于二次规划技术实现SCR过程氮氧化物的喷氨量计算,包括:
定义SCR出口氮氧化物优化目标为:
其中,Np和Nu分别预测域和控制域,Np≥Nu。d为SCR***的时延。是SCR过程氮氧化物含量超前p步预测值。R(k+p)是SCR氮氧化物含量超前p步参考轨迹。Δ=1-z-1是差分算子,z-1是时序后移算子。和λ(p)分别是第p步跟踪误差和控制输入的权重。约束条件(1)、(2)和(3)分别为出口氮氧化物、喷氨量和喷氨量变化率的实际过程约束,{g}min和{g}max分别是对应变量的低限和高限;
将上式中的滚动优化目标采用向量形式重写为:
s.t.NΔu1(k)≤ΔY(k)
Ψ=2(GTΦG+λ),Ω=2GTΦ(Ξ-R),Υ=(Ξ-R)TΦ(Ξ-R)
可选地,所述通过偏置方式与DCS原有控制器累加实现喷氨量的控制,包括:
通过DCS偏执模块与原有PI控制器的喷氨指令进行累加,实现喷氨量的控制。
根据本申请实施例的第二方面,提供了一种SCR氮氧化物含量预测控制***,所述***包括:
建模模块,用于采用二型模糊逻辑***对SCR过程氮氧化物进行建模;
参数更新模块,用于采用在线算法更新二型模糊逻辑***的规则前件和规则后件参数;
多步预测模块,用于采用线性化后的二型模糊逻辑***模型对SCR出口氮氧化物浓度进行多步预测;
喷氨量计算模块,用于基于二次规划技术实现SCR过程氮氧化物的喷氨量计算;
喷氨量控制模块,用于通过偏置方式与DCS原有控制器累加实现喷氨量的控制。
根据本申请实施例的第三方面,提供了一种设备,所述设备包括:数据采集装置、处理器和存储器;所述数据采集装置用于采集数据;所述存储器用于存储一个或多个程序指令;所述处理器,用于执行一个或多个程序指令,用以执行第一方面任一项所述的方法。
根据本申请实施例的第四方面,提供了一种计算机可读存储介质,所述计算机存储介质中包含一个或多个程序指令,所述一个或多个程序指令用于执行如第一方面任一项所述的方法。
综上所述,本申请实施例提供了一种SCR氮氧化物含量预测控制方法和***,采用了二型模糊逻辑***作为SCR过程氮氧化物含量模型,考虑到二型模糊逻辑***的降型操作,采用NT方法克服了KM方法费时的迭代过程;该模型能够通过反馈校正技术实时更新模型参数,克服SCR***参数时变的特性;基于二型模糊逻辑***逼近的SCR过程氮氧化物含量模型,采用约束广义预测控制器实现SCR过程氮氧化物含量的多步预测和滚动优化,克服SCR***的惯性和时滞问题,同时满足了实际SCR过程各项过程约束。喷氨控制通过DCS偏置模块实现,不用替换原有PI控制器,极大方便工程实现,同时保证了DCS安全。
附图说明
为了更清楚地说明本发明的实施方式或现有技术中的技术方案,下面将对实施方式或现有技术描述中所需要使用的附图作简单地介绍。显而易见地,下面描述中的附图仅仅是示例性的,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据提供的附图引伸获得其它的实施附图。
本说明书所绘示的结构、比例、大小等,均仅用以配合说明书所揭示的内容,以供熟悉此技术的人士了解与阅读,并非用以限定本发明可实施的限定条件,故不具技术上的实质意义,任何结构的修饰、比例关系的改变或大小的调整,在不影响本发明所能产生的功效及所能达成的目的下,均应仍落在本发明所揭示的技术内容能涵盖的范围内。
图1为本申请实施例提供的一种SCR氮氧化物含量预测控制方法流程示意图;
图2为本申请实施例提供的一种二型模糊逻辑***结构图;
图3为本申请实施例提供的区间二型高斯隶属函数示意图;
图4为本申请实施例提供的控制结构图;
图5a为本申请实施例提供的控制量输入示意图;
图5b为本申请实施例提供的权重因子调节示意图;
图5c为本申请实施例提供的预测误差示意图;
图5d为本申请实施例提供的另一预测误差示意图;
图6为本申请实施例提供的一种SCR氮氧化物含量预测控制***框图。
具体实施方式
以下由特定的具体实施例说明本发明的实施方式,熟悉此技术的人士可由本说明书所揭露的内容轻易地了解本发明的其他优点及功效,显然,所描述的实施例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做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。
为了克服现有燃煤电厂SCR***中控制方法的问题,本发明提供了一种基于二型模糊逻辑***的SCR过程氮氧化物含量的建模与预测控制方法。该方法采用了二型模糊逻辑***作为SCR过程氮氧化物含量模型,考虑到二型模糊逻辑***的降型操作,采用NT方法克服了KM方法费时的迭代过程;该模型能够通过反馈校正技术实时更新模型参数,克服SCR***参数时变的特性;基于二型模糊逻辑***逼近的SCR过程氮氧化物含量模型,采用约束广义预测控制器实现SCR过程氮氧化物含量的多步预测和滚动优化,克服SCR***的惯性和时滞问题,同时满足了实际SCR过程各项过程约束。喷氨控制通过DCS偏置模块实现,不用替换原有PI控制器,极大方便工程实现,同时保证了DCS安全。
图1示出了本申请实施例提供的一种选择性催化还原SCR氮氧化物含量预测控制方法,所述方法包括:
步骤101:采用二型模糊逻辑***对SCR过程氮氧化物进行建模。
步骤102:采用在线算法更新二型模糊逻辑***的规则前件和规则后件参数。
步骤103:采用线性化后的二型模糊逻辑***模型对SCR出口氮氧化物浓度进行多步预测。
步骤104:基于二次规划技术实现SCR过程氮氧化物的喷氨量计算。
步骤105:通过偏置方式与DCS原有控制器累加实现喷氨量的控制。
在一种可能的实施方式中,所述步骤101采用二型模糊逻辑***对SCR过程氮氧化物含量模型进行建模。
二型模糊逻辑***二型模糊逻辑***的模糊规则由每个输入变量的区间二型模糊隶属函数的设计数量决定,不再遍历所有变量的输入空间。二型模糊逻辑***的降型操作采用具有闭环表达形式的NT方法。由DCS获取并存储二型模糊逻辑***的建模数据SCR出口氮氧化物浓度、氨流量和SCR入口氮氧化物浓度后,参考图2,基于二型模糊逻辑***的SCR过程氮氧化物含量模型为:
其中,rout为SCR出口氮氧化物浓度,u1为氨流量,rin为SCR入口氮氧化物浓度;为区间二型高斯模糊隶属函数的中心值、宽度和宽度区间,为前件可调节参数,如图3所示;ARX多项式系数和为后件可调节参数。
在一种可能的实施方式中,所述步骤102采用在线算法更新二型模糊逻辑***的规则前件和规则后件参数。
定义如下的误差损失函数:
其中,η为正向学习率,η>0。
将二型模糊逻辑***输出采用向量形式重写为:
在线辨识过程中,模糊规则后件采用如下递推形式的最小二乘法进行迭代更新:
P(k)=P(k-1)-K(k)ξT(k-1)P(k-1) (7)
其中,P(k)为协方差矩阵,K(k)为增益矩阵。
在一种可能的实施方式中,所述步骤103采用线性化后的二型模糊逻辑***模型对SCR出口氮氧化物浓度进行多步预测。
SCR***进行如下的线性化操作:
A(z-1)rout(k)=B(z-1)u1(k-d-1)+D(z-1)rin(k-d-1) (8)
引入如下的丢番图方程:
将(8)左右两边乘以Δzpep(z-1)得到
ΔzpCp(z-1)A(z-1)rout(k)=ΔzpCp(z-1)B(z-1)u1(k-d-1)
+ΔzpCp(z-1)D(z-1)rin(k-d-1) (11)
定义Gp(z-1)=Cp(z-1)B(z-1),Tp(z-1)=Cp(z-1)D(z-1);
未来p步SCR氮氧化物含量预测值为:
在一种可能的实施方式中,所述步骤104采用二次规划技术实现SCR过程氮氧化物的喷氨量计算。
定义SCR出口氮氧化物优化目标为:
其中,Np和Nu分别预测域和控制域,Np≥Nu。d为SCR***的时延。是SCR过程氮氧化物含量超前p步预测值。R(k+p)是SCR氮氧化物含量超前p步参考轨迹。Δ=1-z-1是差分算子,z-1是时序后移算子。和λ(p)分别是第p步跟踪误差和控制输入的权重。约束条件(1)、(2)和(3)分别为出口氮氧化物、喷氨量和喷氨量变化率的实际过程约束,{g}min和{g}max分别是对应变量的低限和高限。
将上式中的滚动优化目标采用向量形式重写为:
s.t.NΔu1(k)≤ΔY(k) (14)
Ψ=2(GTΦG+λ),Ω=2GTΦ(Ξ-R),Υ=(Ξ-R)TΦ(Ξ-R)
在一种可能的实施方式中,所述步骤105通过DCS偏执模块与原有PI控制器的喷氨指令进行累加,实现喷氨量的控制。
具体控制器结构图如图4所示。
为了验证本发明所设计控制方法的有效性,对SCR***进行仿真实验,被控对象为:
(1-0.7143z-1)rout(k)=z-11(-0.07143-0.1429z-1-0.07143z-2)u1(k-1)
+z-11(0.07143+0.07143z-1)rin(k-1) (17)
二型模糊逻辑***模型前件参数选取L=3,二型高斯模糊函数中心值、宽度和宽度区间初始值选取为:
后件参数初始值选取为:P(0)=106I,I为单位矩阵;预测时域选取Np=5,控制域选取Nu=1。入口氮氧化物选取rin(k)=100mg/m3,采用阶跃型设定值。SCR出口氮氧化物跟踪误差权重选取氨流量权重选取λ=10,学习率η=0.2。约束条件选取为rout,min=15,,rout,min=50,u1,min=0,u1,max=50,Δu1,min=-20,Δu1,max=20。仿真结果如图5a、图5b、图5c、图5d所示。
综上所述,本申请实施例提供了一种SCR氮氧化物含量预测控制方法,采用了二型模糊逻辑***作为SCR过程氮氧化物含量模型,考虑到二型模糊逻辑***的降型操作,采用NT方法克服了KM方法费时的迭代过程;该模型能够通过反馈校正技术实时更新模型参数,克服SCR***参数时变的特性;基于二型模糊逻辑***逼近的SCR过程氮氧化物含量模型,采用约束广义预测控制器实现SCR过程氮氧化物含量的多步预测和滚动优化,克服SCR***的惯性和时滞问题,同时满足了实际SCR过程各项过程约束。喷氨控制通过DCS偏置模块实现,不用替换原有PI控制器,极大方便工程实现,同时保证了DCS安全。
基于相同的技术构思,本申请实施例还提供了一种SCR氮氧化物含量预测控制***,如图6所示,所述***包括:
建模模块601,用于采用二型模糊逻辑***对SCR过程氮氧化物进行建模。
参数更新模块602,用于采用在线算法更新二型模糊逻辑***的规则前件和规则后件参数。
多步预测模块603,用于采用线性化后的二型模糊逻辑***模型对SCR出口氮氧化物浓度进行多步预测。
喷氨量计算模块604,用于基于二次规划技术实现SCR过程氮氧化物的喷氨量计算。
喷氨量控制模块605,用于通过偏置方式与DCS原有控制器累加实现喷氨量的控制。
基于相同的技术构思,本申请实施例还提供了一种设备,所述设备包括:数据采集装置、处理器和存储器;所述数据采集装置用于采集数据;所述存储器用于存储一个或多个程序指令;所述处理器,用于执行一个或多个程序指令,用以执行所述的方法。
基于相同的技术构思,本申请实施例还提供了一种计算机可读存储介质,所述计算机存储介质中包含一个或多个程序指令,所述一个或多个程序指令用于执行所述的方法。
本说明书中上述方法的各个实施例均采用递进的方式描述,各个实施例之间相同相似的部分互相参见即可,每个实施例重点说明的都是与其他实施例的不同之处。相关之处参见方法实施例的部分说明即可。
需要说明的是,尽管在附图中以特定顺序描述了本发明方法的操作,但这并非要求或者暗示必须按照该特定顺序来执行这些操作,或是必须执行全部所示的操作才能实现期望的结果。附加地或备选地,可以省略某些步骤,将多个步骤合并为一个步骤执行,和/或将一个步骤分解为多个步骤执行。
虽然本申请提供了如实施例或流程图的方法操作步骤,但基于常规或者无创造性的手段可以包括更多或者更少的操作步骤。实施例中列举的步骤顺序仅仅为众多步骤执行顺序中的一种方式,不代表唯一的执行顺序。在实际中的装置或客户端产品执行时,可以按照实施例或者附图所示的方法顺序执行或者并行执行(例如并行处理器或者多线程处理的环境,甚至为分布式数据处理环境)。术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、产品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、产品或者设备所固有的要素。在没有更多限制的情况下,并不排除在包括所述要素的过程、方法、产品或者设备中还存在另外的相同或等同要素。
上述实施例阐明的单元、装置或模块等,具体可以由计算机芯片或实体实现,或者由具有某种功能的产品来实现。为了描述的方便,描述以上装置时以功能分为各种模块分别描述。当然,在实施本申请时可以把各模块的功能在同一个或多个软件和/或硬件中实现,也可以将实现同一功能的模块由多个子模块或子单元的组合实现等。以上所描述的装置实施例仅仅是示意性的,例如,所述单元的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,例如多个单元或组件可以结合或者可以集成到另一个***,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口,装置或单元的间接耦合或通信连接,可以是电性,机械或其它的形式。
本领域技术人员也知道,除了以纯计算机可读程序代码方式实现控制器以外,完全可以通过将方法步骤进行逻辑编程来使得控制器以逻辑门、开关、专用集成电路、可编程逻辑控制器和嵌入微控制器等的形式来实现相同功能。因此这种控制器可以被认为是一种硬件部件,而对其内部包括的用于实现各种功能的装置也可以视为硬件部件内的结构。或者甚至,可以将用于实现各种功能的装置视为既可以是实现方法的软件模块又可以是硬件部件内的结构。
本申请可以在由计算机执行的计算机可执行指令的一般上下文中描述,例如程序模块。一般地,程序模块包括执行特定任务或实现特定抽象数据类型的例程、程序、对象、组件、数据结构、类等等。也可以在分布式计算环境中实践本申请,在这些分布式计算环境中,由通过通信网络而被连接的远程处理设备来执行任务。在分布式计算环境中,程序模块可以位于包括存储设备在内的本地和远程计算机存储介质中。
通过以上的实施方式的描述可知,本领域的技术人员可以清楚地了解到本申请可借助软件加必需的通用硬件平台的方式来实现。基于这样的理解,本申请的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来,该计算机软件产品可以存储在存储介质中,如ROM/RAM、磁碟、光盘等,包括若干指令用以使得一台计算机设备(可以是个人计算机,移动终端,服务器,或者网络设备等)执行本申请各个实施例或者实施例的某些部分所述的方法。
本说明书中的各个实施例采用递进的方式描述,各个实施例之间相同或相似的部分互相参见即可,每个实施例重点说明的都是与其他实施例的不同之处。本申请可用于众多通用或专用的计算机***环境或配置中。例如:个人计算机、服务器计算机、手持设备或便携式设备、平板型设备、多处理器***、基于微处理器的***、置顶盒、可编程的电子设备、网络PC、小型计算机、大型计算机、包括以上任何***或设备的分布式计算环境等等。
以上所述的具体实施例,对本申请的目的、技术方案和有益效果进行了进一步详细说明,所应理解的是,以上所述仅为本申请的具体实施例而已,并不用于限定本申请的保护范围,凡在本申请的精神和原则之内,所做的任何修改、等同替换、改进等,均应包含在本申请的保护范围之内。
Claims (10)
1.一种选择性催化还原SCR氮氧化物含量预测控制方法,其特征在于,所述方法包括:
采用二型模糊逻辑***对SCR过程氮氧化物进行建模;
采用在线算法更新二型模糊逻辑***的规则前件和规则后件参数;
采用线性化后的二型模糊逻辑***模型对SCR出口氮氧化物浓度进行多步预测;
基于二次规划技术实现SCR过程氮氧化物的喷氨量计算;
通过偏置方式与DCS原有控制器累加实现喷氨量的控制。
3.如权利要求1所述的方法,其特征在于,所述SCR过程氮氧化物含量模型包括SCR入口氮氧化物浓度;
所述二型模糊逻辑***的模糊规则决定于每个输入变量的区间二型模糊隶属函数的设计数量;
二型模糊逻辑***采用具有闭环表达形式的NT降型方法;
二型模糊逻辑***的建模数据SCR出口氮氧化物浓度、氨流量和SCR入口氮氧化物浓度由DCS获取并存储。
4.如权利要求1所述的方法,其特征在于,所述采用在线算法更新二型模糊逻辑***的规则前件和规则后件参数,采用如下的误差损失函数:
其中,η为正向学习率,η>0;
将二型模糊逻辑***输出采用向量形式重写为:
在线辨识过程中,模糊规则后件采用如下递推形式的最小二乘法进行迭代更新:
P(k)=P(k-1)-K(k)ξT(k-1)P(k-1)
其中,P(k)为协方差矩阵,K(k)为增益矩阵。
5.如权利要求1所述的方法,其特征在于,所述采用线性化后的二型模糊逻辑***模型对SCR出口氮氧化物浓度进行多步预测,包括:
SCR***的非线性动态过程经过二型模糊逻辑***辨识后,首先进行如下的线性化操作:
A(z-1)rout(k)=B(z-1)u1(k-d-1)+D(z-1)rin(k-d-1)
左右两边乘以Δzpep(z-1)得到:
ΔzpCp(z-1)A(z-1)rout(k)=ΔzpCp(z-1)B(z-1)u1(k-d-1)+ΔzpCp(z-1)D(z-1)rin(k-d-1)
引入如下的丢番图方程:
定义Gp(z-1)=Cp(z-1)B(z-1),Tp(z-1)=Cp(z-1)D(z-1),SCR过程氮氧化物含量预测值为:
6.如权利要求1所述的方法,其特征在于,所述基于二次规划技术实现SCR过程氮氧化物的喷氨量计算,包括:
定义SCR出口氮氧化物优化目标为:
s.t.(2)u1,min≤u1(k-1+p)≤u1,max,p=1,K,Nu
(3)Δu1,min≤Δu1(k-1+p)≤Δu1,max,p=1,K,Nu
其中,Np和Nu分别预测域和控制域,Np≥Nu;d为SCR***的时延;是SCR过程氮氧化物含量超前p步预测值;R(k+p)是SCR氮氧化物含量超前p步参考轨迹;Δ=1-z-1是差分算子,z-1是时序后移算子;和λ(p)分别是第p步跟踪误差和控制输入的权重;约束条件(1)、(2)和(3)分别为出口氮氧化物、喷氨量和喷氨量变化率的实际过程约束,{g}min和{g}max分别是对应变量的低限和高限;
将上式中的滚动优化目标采用向量形式重写为:
s.t.NΔu1(k)≤ΔY(k)
Ψ=2(GTΦG+λ),Ω=2GTΦ(Ξ-R),Υ=(Ξ-R)TΦ(Ξ-R)
7.如权利要求1所述的方法,其特征在于,所述通过偏置方式与DCS原有控制器累加实现喷氨量的控制,包括:
通过DCS偏执模块与原有PI控制器的喷氨指令进行累加,实现喷氨量的控制。
8.一种SCR氮氧化物含量预测控制***,其特征在于,所述***包括:
建模模块,用于采用二型模糊逻辑***对SCR过程氮氧化物进行建模;
参数更新模块,用于采用在线算法更新二型模糊逻辑***的规则前件和规则后件参数;
多步预测模块,用于采用线性化后的二型模糊逻辑***模型对SCR出口氮氧化物浓度进行多步预测;
喷氨量计算模块,用于基于二次规划技术实现SCR过程氮氧化物的喷氨量计算;
喷氨量控制模块,用于通过偏置方式与DCS原有控制器累加实现喷氨量的控制。
9.一种设备,其特征在于,所述设备包括:数据采集装置、处理器和存储器;
所述数据采集装置用于采集数据;所述存储器用于存储一个或多个程序指令;所述处理器,用于执行一个或多个程序指令,用以执行如权利要求1-4任一项所述的方法。
10.一种计算机可读存储介质,其特征在于,所述计算机存储介质中包含一个或多个程序指令,所述一个或多个程序指令用于执行如权利要求1-4任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011256976.7A CN112631127B (zh) | 2020-11-11 | 2020-11-11 | 一种scr氮氧化物含量预测控制方法和*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011256976.7A CN112631127B (zh) | 2020-11-11 | 2020-11-11 | 一种scr氮氧化物含量预测控制方法和*** |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112631127A true CN112631127A (zh) | 2021-04-09 |
CN112631127B CN112631127B (zh) | 2022-11-04 |
Family
ID=75302989
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011256976.7A Active CN112631127B (zh) | 2020-11-11 | 2020-11-11 | 一种scr氮氧化物含量预测控制方法和*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112631127B (zh) |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20060045801A1 (en) * | 2004-08-27 | 2006-03-02 | Alstom Technology Ltd. | Model predictive control of air pollution control processes |
CN104700374A (zh) * | 2015-03-26 | 2015-06-10 | 东莞职业技术学院 | 基于Type-2模糊逻辑***的场景图像去噪方法 |
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 |
CN108087065A (zh) * | 2017-11-01 | 2018-05-29 | 联创汽车电子有限公司 | Scr催化器氨浓度修正方法及scr处理*** |
CN108510060A (zh) * | 2018-03-12 | 2018-09-07 | 华南理工大学 | 一种基于模糊神经网络的区间二型模糊认知图模型 |
CN108837699A (zh) * | 2018-07-02 | 2018-11-20 | 大唐环境产业集团股份有限公司 | 一种基于软测量和预测控制的scr脱硝智能喷氨优化方法及*** |
CN108905554A (zh) * | 2018-06-21 | 2018-11-30 | 华能国际电力股份有限公司 | 一种scr烟气脱硝设备最低连续喷氨温度在线实时预测方法 |
CN109529620A (zh) * | 2018-12-11 | 2019-03-29 | 南京达凯电力自动化设备有限公司 | 基于声波测量温度场、流场的喷氨装置及其工作方法 |
CN110048606A (zh) * | 2019-05-23 | 2019-07-23 | 哈尔滨工业大学 | 基于区间二型自适应模糊神经网络的dc-dc升压变换器动态滑模电压控制方法 |
-
2020
- 2020-11-11 CN CN202011256976.7A patent/CN112631127B/zh active Active
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20060045801A1 (en) * | 2004-08-27 | 2006-03-02 | Alstom Technology Ltd. | Model predictive control of air pollution control processes |
CN104700374A (zh) * | 2015-03-26 | 2015-06-10 | 东莞职业技术学院 | 基于Type-2模糊逻辑***的场景图像去噪方法 |
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 |
CN108087065A (zh) * | 2017-11-01 | 2018-05-29 | 联创汽车电子有限公司 | Scr催化器氨浓度修正方法及scr处理*** |
CN108510060A (zh) * | 2018-03-12 | 2018-09-07 | 华南理工大学 | 一种基于模糊神经网络的区间二型模糊认知图模型 |
CN108905554A (zh) * | 2018-06-21 | 2018-11-30 | 华能国际电力股份有限公司 | 一种scr烟气脱硝设备最低连续喷氨温度在线实时预测方法 |
CN108837699A (zh) * | 2018-07-02 | 2018-11-20 | 大唐环境产业集团股份有限公司 | 一种基于软测量和预测控制的scr脱硝智能喷氨优化方法及*** |
CN109529620A (zh) * | 2018-12-11 | 2019-03-29 | 南京达凯电力自动化设备有限公司 | 基于声波测量温度场、流场的喷氨装置及其工作方法 |
CN110048606A (zh) * | 2019-05-23 | 2019-07-23 | 哈尔滨工业大学 | 基于区间二型自适应模糊神经网络的dc-dc升压变换器动态滑模电压控制方法 |
Non-Patent Citations (3)
Title |
---|
侯鹏飞等: "SCR烟气脱硝***多模切换DMC-PID串级预测控制", 《控制工程》 * |
王洪荣等: "SCR控制策略研究", 《汽车工程学报》 * |
赵申阳: "基于T-S模糊模型的SCR脱硝喷氨量动态矩阵预测控制", 《万方数据知识服务平台》 * |
Also Published As
Publication number | Publication date |
---|---|
CN112631127B (zh) | 2022-11-04 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Roubos et al. | Fuzzy model-based predictive control using Takagi–Sugeno models | |
Peng et al. | RBF-ARX model-based nonlinear system modeling and predictive control with application to a NOx decomposition process | |
Rosolia et al. | Learning model predictive control for iterative tasks: A computationally efficient approach for linear system | |
Cueli et al. | Iterative nonlinear model predictive control. Stability, robustness and applications | |
Charitopoulos et al. | Closed-loop integration of planning, scheduling and multi-parametric nonlinear control | |
Zhang et al. | MPC case study on a selective catalytic reduction in a power plant | |
Tenny et al. | Closed‐loop behavior of nonlinear model predictive control | |
Zhao et al. | A nonlinear industrial model predictive controller using integrated PLS and neural net state-space model | |
Kwon et al. | On stabilizing receding horizon controls for linear continuous time-invariant systems | |
Rosolia et al. | A stochastic MPC approach with application to iterative learning | |
Zeng et al. | Adaptive disturbance rejection model predictive control and its application in a selective catalytic reduction denitrification system | |
Yan et al. | Adaptive tracking control for stochastic nonlinear systems with time-varying delays using multi-dimensional Taylor network | |
Brüdigam et al. | Combined robust and stochastic model predictive control for models of different granularity | |
Wu et al. | A Simple and Fast Coordinate-Descent Augmented-Lagrangian Solver for Model Predictive Control | |
Minh et al. | Robust model predictive control for input saturated and softened state constraints | |
CN112799297B (zh) | 一种温度预测控制方法、***、设备及可读存储介质 | |
CN112631127B (zh) | 一种scr氮氧化物含量预测控制方法和*** | |
Boukezzoula et al. | Fuzzy feedback linearizing controller and its equivalence with the fuzzy nonlinear internal model control structure | |
Martí et al. | An efficient distributed algorithm for multi-stage robust nonlinear predictive control | |
MacKinnon et al. | Robust model predictive control with embedded multi-scenario closed-loop prediction | |
Haggan-Ozaki et al. | An Akaike state-space controller for RBF-ARX models | |
Li et al. | Robust model predictive control via multi-scenario reference trajectory optimization with closed-loop prediction | |
Ling et al. | A methodology for control-relevant nonlinear system identification using restricted complexity models | |
MacKinnon et al. | Robust closed-loop dynamic real-time optimization | |
Sokoler et al. | A mean-variance criterion for economic model predictive control of stochastic linear systems |
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 |