CN113433911B - 基于浓度精准预测的脱硝装置喷氨精准控制***与方法 - Google Patents
基于浓度精准预测的脱硝装置喷氨精准控制***与方法 Download PDFInfo
- Publication number
- CN113433911B CN113433911B CN202110736767.0A CN202110736767A CN113433911B CN 113433911 B CN113433911 B CN 113433911B CN 202110736767 A CN202110736767 A CN 202110736767A CN 113433911 B CN113433911 B CN 113433911B
- Authority
- CN
- China
- Prior art keywords
- model
- denitration device
- ammonia injection
- control
- prediction
- 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
- QGZKDVFQNNGYKY-UHFFFAOYSA-N Ammonia Chemical compound N QGZKDVFQNNGYKY-UHFFFAOYSA-N 0.000 title claims abstract description 248
- 229910021529 ammonia Inorganic materials 0.000 title claims abstract description 124
- 238000000034 method Methods 0.000 title claims abstract description 47
- 238000005507 spraying Methods 0.000 title claims description 17
- 238000002347 injection Methods 0.000 claims abstract description 97
- 239000007924 injection Substances 0.000 claims abstract description 97
- 239000003245 coal Substances 0.000 claims description 30
- 230000004044 response Effects 0.000 claims description 25
- 238000004422 calculation algorithm Methods 0.000 claims description 20
- 230000000694 effects Effects 0.000 claims description 20
- 239000011159 matrix material Substances 0.000 claims description 19
- 238000012937 correction Methods 0.000 claims description 17
- 238000005457 optimization Methods 0.000 claims description 17
- 238000013528 artificial neural network Methods 0.000 claims description 10
- 238000005516 engineering process Methods 0.000 claims description 10
- 238000004891 communication Methods 0.000 claims description 8
- 239000002245 particle Substances 0.000 claims description 8
- 230000008569 process Effects 0.000 claims description 8
- 238000012216 screening Methods 0.000 claims description 8
- 238000011156 evaluation Methods 0.000 claims description 7
- 230000007246 mechanism Effects 0.000 claims description 7
- 230000006870 function Effects 0.000 claims description 6
- 239000000779 smoke Substances 0.000 claims description 6
- 238000002485 combustion reaction Methods 0.000 claims description 5
- 238000005096 rolling process Methods 0.000 claims description 5
- UGFAIRIUMAVXCW-UHFFFAOYSA-N Carbon monoxide Chemical compound [O+]#[C-] UGFAIRIUMAVXCW-UHFFFAOYSA-N 0.000 claims description 4
- 239000003344 environmental pollutant Substances 0.000 claims description 4
- 239000003546 flue gas Substances 0.000 claims description 4
- 238000012544 monitoring process Methods 0.000 claims description 4
- 231100000719 pollutant Toxicity 0.000 claims description 4
- 238000004364 calculation method Methods 0.000 claims description 3
- 238000011217 control strategy Methods 0.000 claims description 3
- 238000010606 normalization Methods 0.000 claims description 3
- 238000010926 purge Methods 0.000 claims description 3
- 230000006403 short-term memory Effects 0.000 claims description 3
- 238000007619 statistical method Methods 0.000 claims description 3
- 238000012546 transfer Methods 0.000 claims description 3
- 108091027981 Response element Proteins 0.000 claims description 2
- 238000012545 processing Methods 0.000 claims description 2
- 230000007787 long-term memory Effects 0.000 claims 1
- 230000007547 defect Effects 0.000 abstract description 4
- 238000005259 measurement Methods 0.000 description 12
- 230000008859 change Effects 0.000 description 5
- 238000010586 diagram Methods 0.000 description 5
- 230000007774 longterm Effects 0.000 description 4
- VHUUQVKOLVNVRT-UHFFFAOYSA-N Ammonium hydroxide Chemical compound [NH4+].[OH-] VHUUQVKOLVNVRT-UHFFFAOYSA-N 0.000 description 3
- 235000011114 ammonium hydroxide Nutrition 0.000 description 3
- MWUXSHHQAYIFBG-UHFFFAOYSA-N nitrogen oxide Inorganic materials O=[N] MWUXSHHQAYIFBG-UHFFFAOYSA-N 0.000 description 3
- RAHZWNYVWXNFOC-UHFFFAOYSA-N Sulphur dioxide Chemical compound O=S=O RAHZWNYVWXNFOC-UHFFFAOYSA-N 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 230000007797 corrosion Effects 0.000 description 2
- 238000005260 corrosion Methods 0.000 description 2
- 230000008878 coupling Effects 0.000 description 2
- 238000010168 coupling process Methods 0.000 description 2
- 238000005859 coupling reaction Methods 0.000 description 2
- 238000009826 distribution Methods 0.000 description 2
- 230000015654 memory Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000009467 reduction Effects 0.000 description 2
- 239000000243 solution Substances 0.000 description 2
- 230000009466 transformation Effects 0.000 description 2
- 238000013519 translation Methods 0.000 description 2
- QAOWNCQODCNURD-UHFFFAOYSA-L Sulfate Chemical compound [O-]S([O-])(=O)=O QAOWNCQODCNURD-UHFFFAOYSA-L 0.000 description 1
- 230000001174 ascending effect Effects 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 239000003054 catalyst Substances 0.000 description 1
- 230000003828 downregulation Effects 0.000 description 1
- 239000000428 dust Substances 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 230000000737 periodic effect Effects 0.000 description 1
- 238000004886 process control Methods 0.000 description 1
- 238000011946 reduction process Methods 0.000 description 1
- 230000006641 stabilisation Effects 0.000 description 1
- 238000011105 stabilization Methods 0.000 description 1
- 238000012549 training Methods 0.000 description 1
- 238000011426 transformation method Methods 0.000 description 1
- 238000012795 verification Methods 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
- G05B19/00—Programme-control systems
- G05B19/02—Programme-control systems electric
- G05B19/418—Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS] or computer integrated manufacturing [CIM]
- G05B19/41865—Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS] or computer integrated manufacturing [CIM] characterised by job scheduling, process planning, material flow
-
- 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
- G05B2219/00—Program-control systems
- G05B2219/30—Nc systems
- G05B2219/33—Director till display
- G05B2219/33273—DCS distributed, decentralised controlsystem, multiprocessor
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/02—Total factory control, e.g. smart factories, flexible manufacturing systems [FMS] or integrated manufacturing systems [IMS]
Landscapes
- Engineering & Computer Science (AREA)
- General Engineering & Computer Science (AREA)
- Manufacturing & Machinery (AREA)
- Quality & Reliability (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Automation & Control Theory (AREA)
- Treating Waste Gases (AREA)
- Feedback Control In General (AREA)
Abstract
本发明涉及一种基于浓度精准预测的脱硝装置喷氨精准控制***与方法，所述喷氨精准控制***包括电站信息***、脱硝装置入口NOx浓度预测模型、多模型预测控制模块、脱硝装置控制对象。本发明通过***脱硝装置入口NOx浓度，为脱硝装置喷氨量控制提供精准前馈，同时建立多变负荷工况下的多模型预测控制模块，实现脱硝装置喷氨量的精准控制，克服脱硝***的大延迟、大惯性及强非线性缺点；在大范围变负荷工况下，本发明在保证出口NOx浓度达标的情况下，大幅提高了脱硝装置喷氨量控制的经济性与稳定性。
Description
技术领域
本发明属于脱硝***喷氨装置优化技术领域，具体涉及一种基于浓度精准预测的脱 硝装置喷氨精准控制***与方法。
背景技术
煤炭燃烧会产生氮氧化物、二氧化硫和烟尘等污染物，对大气环境和人体健康都会 造成危害。
SNCR/SCR耦合脱硝技术，是结合SNCR技术与SCR技术发展起来的一种联合工 艺，兼具SNCR技术投资成本低、SCR技术脱硝效率高的特点。然而，由于脱硝*** 入口NOx浓度测量滞后性大、测准难度高，***强非线性的特点，采用SNCR和SCR 耦合脱硝技术的CFB锅炉存在喷氨量无法精准控制的问题，喷氨量过少时，会导致NOx 浓度超出排放标准；喷氨量过多时会出现氨逃逸，对大气造成污染，且会生成硫酸盐导 致空预器、催化剂堵塞严重，对设备安全造成影响。
为了在保证出口烟气NOx浓度达标的前提下，提升脱硝装置喷氨过程的经济性及稳定性，需要建立适当的脱硝装置入口NOx浓度预测模型与出口NOx浓度控制方法， 对脱硝***喷氨量进行精准控制。
发明内容
为了克服现有技术存在的不足，本发明提供了一种基于浓度精准预测的脱硝装置喷 氨精准控制***与方法；本发明通过***脱硝装置入口NOx浓度，为脱硝装置喷 氨量控制提供精准前馈，同时建立多变负荷工况下的多模型预测控制模块，实现脱硝装 置喷氨量的精准控制，克服脱硝***的大延迟、大惯性及强非线性缺点。
本发明所采用的技术方案是：
一种基于浓度精准预测的脱硝装置喷氨精准控制***，所述喷氨精准控制***包括 电站信息***、脱硝装置入口NOx浓度预测模型、多模型预测控制模块、脱硝装置控 制对象；
所述电站信息***包括电厂OPC(OLE for Process Control)服务器及DCS控制设备，电站信息***与脱硝装置入口NOx浓度预测模型进行通信连接，将DCS数据实时 传输到脱硝装置入口NOx浓度预测模型中；脱硝装置入口NOx浓度预测模型计算得到 提前于污染物排放连续监测***(Continuous Emission Monitoring System,CEMS)表计 的当前时刻出口NOx预测值，再将预测值作为前馈输入到多模型预测控制模块中；
所述多模型预测控制模块以动态矩阵控制为内核，以脱硝装置入口NOx浓度预测模型作为前馈，通过典型工况划分了不同子区间模型，实现大范围变负荷工况下喷氨装 置的精准控制；
所述脱硝装置控制对象包括脱硝装置喷氨装置阀门开度及喷氨泵频率。
作为优选，所述脱硝装置入口NOx浓度预测模型为基于长短期记忆神经网络(LSTM)算法建立的脱硝装置入口NOx浓度预测模型；模型针对锅炉脱硝装置入口 NOx浓度表计测量不准、滞后性大的问题，对锅炉总给煤量的历史典型运行工况进行 数据聚类，对超参数进行优化后建立了适应锅炉大范围变负荷变工况下的全局LSTM神 经网络预测模型，消除CEMS***的测量滞后误差，对脱硝装置入口NOx浓度进行精 准预测；所述脱硝装置入口NOx浓度预测模型通过下述步骤建立：
(1)从机理上分析锅炉机组运行状况(分析CFB锅炉NOx生成及脱除机理)，选 取影响NOx生成及脱除的参数作为模型输入特征变量，以脱硝装置入口NOx浓度预测 值作为模型输出值；
(2)利用互信息的统计学方法分析选取的输入特征变量与输出值的关系，计算两者之间的互信息值，并结合经验知识形成判断逻辑，即互信息值低的输入特征删除，保 留高互信息值的输入特征变量；
(3)对输入特征进行标准化，标准化处理公式如下：
式中，x为输入特征变量，μ为输入特征变量的均值，σ为输入特征变量的标准差；
(4)引入小波变换方法来确定输入/输出特征之间的延迟，消除由于仪器自身波动而引起的信号波动，将原始数据库的数据与不同输入/输出特征建立联系，确定不同特 征之间的响应时间差，最终确定历史、实时数据与不同输入/输出特征之间的响应时间 差，小波变换公式为：
式中，a为尺度因子，b为平移因子，＜f(t)，ψa，b(t)>表示两个函数的内积，*表 示取共轭；
(5)对所选特征量的历史数据进行工况辨识，筛选出稳定工况、吹扫工况以及变负荷工况，并针对变负荷工况根据给煤量进行聚类分段；考虑到不同锅炉、运行工况、 煤质条件对锅炉NOx排放特性影响较大，通过欧式聚类方法分析可以代表锅炉运行特 征的瞬时总给煤量，找到***运行的若干典型工况，针对多个典型工况划分子区间模型； 基于此子区间模型开发大范围变负荷工况下入口NOx浓度预测模型。
(6)选取LSTM(长短期记忆神经网络)算法为基础进行建模，基于LSTM原理 建立脱硝装置入口NOx浓度预测模型，并确定超参数；超参数确定后，即可建立脱硝 装置入口NOx浓度预测模型。
作为优选，所述输入特征变量包括给煤量、一次风量、二次风量、炉床温度、炉膛出口烟温、主蒸汽流量、烟气O2体积百分比；所述超参数包括预测时间步长、回溯时 间步长、隐含层数目和隐含层节点数。
作为优选，计算输入特征变量与输出值之间的互信息值时，采用最小冗余最大相关 算法和经验知识作为评价指标，评价公式为：
式中，x为输入特征变量，y为输出值，S为特征{xi}的集合，I为x,y之间的互信息值。
作为优选，建立脱硝装置入口NOx浓度预测模型后，进行超参数的调整，再进行 模型准确度的验证。
本发明针对锅炉脱硝装置入口NOx浓度表计测量不准、滞后性大等问题，对锅炉总给煤量的历史典型运行工况进行数据聚类，建立了适应锅炉变工况下的全局LSTM神 经网络预测模型，对脱硝装置入口NOx浓度进行测量修正；与此同时，建立基于上述 脱硝装置入口NOx浓度测量修正为前馈的多模型预测控制模块，所述多模型预测控制 模块以动态矩阵预测控制(dynamic matrix control，DMC)为内核，主要分为模型预测、 滚动优化和反馈校正三个部分。
特别地，多模型预测控制模块在动态矩阵控制的基础上添加前馈部分，将脱硝装置 入口NOx浓度预测模型输出值作为前馈输入到多模型预测控制模块中，与反馈校正一起对喷氨量进行协同控制。
特别地，多模型预测控制模块基于满负荷、高负荷、中负荷、低负荷等不同负荷工况段建立多个子区间预测模型，在不同的负荷工况下以加权切换的方式保证在大范围变负荷工况下脱硝***出口NOx控制效果的稳定性。
本发明还提供了一种基于浓度精准预测的脱硝装置喷氨精准控制方法，将上述喷氨 精准控制***以模块的形式内嵌于脱硝DCS***中，与脱硝DCS***进行实时通信， 当锅炉燃烧状况发生变化时，将脱硝装置入口NOx浓度预测模型的输出值作为前馈输 入到多模型预测控制模块中；与此同时，多模型预测控制模块在线识别当前负荷工况， 对当前时刻喷氨量进行反馈校正，通过设定好的前馈反馈比例，结合出口NOx设定值， 对喷氨量进行滚动优化，给脱硝装置控制对象发送控制指令增加或减少喷氨量，从而实 现对出口NOx浓度的排放控制。
作为优选，所述方法具体包括下述步骤：
步骤1：首先建立喷氨精准控制***，与脱硝装置原DCS***建立实时通信，喷 氨精准控制***以模块的形式内嵌于脱硝DCS***中；
步骤2：构建喷氨精准控制***硬件平台后，基于算法技术建立脱硝装置入口NOx浓度预测模型；
步骤3：完成脱硝装置入口NOx浓度预测模型的构建后，根据输入特征变量得到 最优的输出值，同时消除了各输入特征的时间差对输出特征的影响，获得最佳预测效果， 满足作为控制前馈的要求；
步骤4：多模型预测控制包括出口NOx前馈预测模型和出口NOx控制模型，出口 NOx前馈预测模型是风量、煤量、入口NOx浓度对出口NOx的阶跃响应关系，出口 NOx控制模型是喷氨量/风量对出口NOx浓度的阶跃响应关系；基于互信息筛选筛选结 果优选风量、煤量、入口NOx浓度作为出口NOx控制的前馈模型输入参数；优选喷氨 量/风量作为出口NOx控制量模型输入参数；
步骤5：选取动态矩阵预测控制作为多模型预测控制模块的基础控制策略，动态矩阵预测控制内的预测模型为阶跃响应模型，可以通过带纯滞后的一阶惯性***模型表 示，并通过粒子群算法获取各子区间带纯滞后的一阶惯性***的最优参数；
步骤6：步骤5建立多模型预测控制模块后，通过现场调试的方式进一步调节阶跃响应模型的参数；在现场调试时，工况发生变化，模型中主要改变的量为比例环节Kpi， 而响应环节Tpi及滞后环节Tdi基本保持不变；
步骤7：多模型预测控制模块基于满负荷、高负荷、中负荷、低负荷等不同负荷工况段建立多个子区间预测模型，以加权切换的方式保证在大范围变负荷工况下脱硝装置出口NOx控制效果的稳定性；
步骤8：多模型预测控制模块在控制过程中将当前风量、煤量及脱硝装置入口NOx浓度输出值作为前馈根据当前负荷工况输入到到对应的子区间预测模型中，然后与动态矩阵控制模型中的反馈校正模块一起对喷氨量进行前馈-反馈协同控制，计算下一次控 制的喷氨优化量du，然后传递给脱硝控制对象以计算脱硝装置喷氨装置阀门开度及喷 氨泵频率，最后将经过喷氨控制后的出口NOx浓度通过反馈校正模块重新进行下一步 的喷氨量du的计算，实现喷氨装置的精准控制。
作为优选，多模型预测控制模块采用根据炉膛出口温度进行欧式距离聚类的方式进 行工况划分，建立不同工况下的子区间模型。
作为优选，在阶跃响应模型建立阶段，通过带纯滞后的一阶惯性***模型表示：
式中，KPi代表比例环节，TPi代表响应环节，Tdi代表纯滞后环节，Xi(s)代表***输入，Y(s)代表***输出，Gi(s)代表***传递函数；
采用动态惯性权重的改进型粒子群寻优算法获取各子区间带纯滞后的一阶惯性系 统的最优参数，寻找在划定的典型工况子区间下的多模型预测控制模块，动态惯性权重调整的公式为：
式中，w为惯性权重，R为当前迭代次数，Rmax为最大迭代次数。
作为优选，在每一个工况子区间模型运行区间，根据出口NOx浓度相对于喷氨量、总风量以及给煤量输入参数的实际比例、惯性及延迟参数对模型进行整定；出口NOx 的设定值选取在35～45mg/m3。
本发明的有益效果在于：
本发明可以对脱硝装置入口NOx浓度进行精准预测，再以前馈的形式输入到以动态响应矩阵为内核的多变负荷工况下多模型预测控制模块中，克服了脱硝***控制的大惯性、大延迟性及强非线性；在大范围变负荷工况下，本发明在保证出口NOx浓度达 标的情况下，大幅提高了脱硝装置喷氨量控制的经济性与稳定性。
附图说明
图1是本发明脱硝装置入口NOx浓度预测模型建立的流程图；
图2是本发明的原理图；
图3是本发明应用在某CFB电厂升负荷工况下控制效果图；
图4是本发明应用在某CFB电厂降负荷工况下控制效果图；
图5是本发明应用在某CFB电厂稳定负荷工况下控制效果图；
图6是本发明应用在某CFB电厂长期控制效果图及与原有控制对比图。
具体实施方式
为了更清楚地说明本发明的技术方案，下面结合附图和实施例对本发明作进一步说 明，但本发明所要保护的范围并不限于此。在下文的描述中，给出了大量具体的细节以便提供对本发明更为彻底的理解。然而，对于本领域技术人员而言显而易见的是，本发 明可以无需一个或多个这些细节而得以实施。应当理解，本发明的实施并不局限于下面 的实施例，对本发明所做的任何形式上的变通和/或改变都将落入本发明保护范围。
实施例1
参照图1，图2，本发明针对CFB锅炉机组大范围变负荷工况运行的特点，提出了 一种基于入口NOx浓度精准预测的脱硝装置喷氨精准控制***，可以对喷氨装置进行 精准控制；所述喷氨精准控制***包括电站信息***、脱硝装置入口NOx浓度预测模 型、多模型预测控制模块、脱硝装置控制对象；
所述电站信息***包括电厂OPC服务器及DCS控制设备，本发明在对机组实时控制时，脱硝装置入口NOx浓度预测模型通过与电厂OPC服务器通信连接，将DCS数 据实时传输到脱硝装置入口NOx浓度预测模型中；脱硝装置入口NOx浓度预测模型计 算得到提前于CEMS表计的当前时刻出口NOx预测值，输入到多模型预测控制模块中 作为前馈；
所述多模型预测控制模块以动态矩阵控制为内核，以脱硝装置入口NOx浓度预测模型作为前馈，通过典型工况划分了不同子区间模型以适配脱硝***的强非线性，实现 大范围变负荷工况下喷氨装置的精准控制；
所述脱硝装置控制对象包括脱硝装置喷氨装置阀门开度及喷氨泵频率，其中阀门开 度与氨水流量间具有非线性关系，在本发明所选实例中采取固定阀门开度，仅控制喷氨泵频率的方式对氨水流量进行控制。
所述脱硝装置入口NOx浓度预测模型为基于长短期记忆神经网络(LSTM)算法 建立的脱硝装置入口NOx浓度预测模型；模型针对CFB锅炉脱硝装置入口NOx浓度 表计测量不准、滞后性大的问题，对锅炉总给煤量的历史典型运行工况进行数据聚类， 对超参数进行优化后建立了适应锅炉大范围变负荷变工况下的全局LSTM神经网络预 测模型，消除CEMS***的测量滞后误差，对脱硝***入口NOx浓度进行精准预测； 所述脱硝装置入口NOx浓度预测模型采用机理与数据结合的方式进行建模，建立步骤 如下：
(1)从数据库中取得数据：从机理上分析CFB机组运行状况(分析CFB锅炉NOx 生成及脱除机理)，选取影响NOx生成及脱除的参数作为模型输入特征变量，以脱硝装 置入口NOx浓度预测值作为模型输出值；所述影响NOx生成及脱除的特征变量包括给 煤量、一次风量、二次风量、炉床温度、炉膛出口烟温、主蒸汽流量、烟气O2体积百 分比；
(2)互信息特征量选择：利用互信息的统计学方法分析选取的输入特征变量与输出值的关系，计算两者之间的互信息值，并形成判断逻辑；计算输入特征变量与输出值 之间的互信息值时，采用最小冗余最大相关算法和经验知识作为评价指标，评价公式为：
式中，x为输入特征变量，y为输出值，S为特征{xi}的集合，I为x,y之间的互信息值；
根据评价公式筛选出关联性强的输入特征，删除互信息值低的输入特征，保留高互 信息值的输入特征变量；
(3)数据标准化处理：由于部分输入特征之间存在数量级的差距，为避免影响模型权重更新速度，还需要对输入特征进行标准化，标准化后的特征分布是以0为均值， 1为标准差的正态分布；标准化处理公式如下：
式中，x为输入特征变量，μ为输入特征变量的均值，σ为输入特征变量的标准差；
(4)小波变换确定特征量延时：由于控制模型确定的输入特征对入口NOX浓度影响具有时序性，因此引入“信号的时间-尺度(时间-频率)分析方法”，即引入小波变 换方法来确定输入/输出特征之间的延迟，消除由于仪器自身波动而引起的信号波动， 将原始数据库的数据与不同输入/输出特征建立联系，确定不同特征之间的响应时间差， 最终确定历史、实时数据与不同输入/输出特征之间的响应时间差，小波变换公式为：
式中，a为尺度因子，b为平移因子，＜f(t)，ψa，b(t)>表示两个函数的内积，*表 示取共轭；
(5)分析数据工况：对所选特征量的历史数据进行工况辨识，筛选出稳定工况、 吹扫工况以及变负荷工况，并针对变负荷工况根据给煤量进行聚类分段，聚类方式选取 欧氏距离聚类；
考虑到不同锅炉、运行工况、煤质条件对锅炉NOx排放特性影响较大，通过欧式 聚类方法分析可以代表锅炉运行特征的瞬时总给煤量，找到***运行的若干典型工况， 针对多个典型工况划分子区间模型，(变工况LSTM模型一、变工况LSTM模型二、变 工况LSTM模型三)基于此子区间模型开发大范围变负荷工况下入口NOx浓度预测模 型；
(6)选取LSTM算法为基础进行建模，基于LSTM神经网络原理建立脱硝装置入 口NOx浓度预测模型，并确定预测时间步长(prediction time step)、回溯时间步长(look-back time step)、隐含层数目(hidden layers)和隐含层节点数(hidden neural) 四个超参数；其中，预测时间步长由实际预测需求与准确度共同确定，回溯时间步长是 在相同的网络结构下通过预训练获得的最优解，隐含层数目和隐含层节点数采用粒子群 优化算法对网络隐藏层结构寻优获得；四个超参数确定后，即可建立脱硝装置入口NOx 浓度预测模型；
(7)建立基于LSTM的脱硝装置入口NOx浓度预测模型后，进行超参数的调整， 再进行模型准确度的验证。
由此建立的离线LSTM脱硝装置入口NOx浓度预测模型具有较好的预测效果，能 够在大范围变负荷工况下对脱硝装置入口NOx浓度进行精准***，降低甚至消除 了由于CEMS表计延迟造成的滞后性。
本发明针对锅炉脱硝装置入口NOx浓度表计测量不准、滞后性大等问题，对锅炉总给煤量的历史典型运行工况进行数据聚类，建立了适应锅炉变工况下的全局LSTM神 经网络预测模型，对脱硝装置入口NOx浓度进行测量修正；与此同时，建立基于上述 脱硝装置入口NOx浓度测量修正为前馈的多模型预测控制模块，所述多模型预测控制 模块以动态矩阵预测控制(dynamic matrix control,DMC)为内核，主要分为模型预测、滚 动优化和反馈校正三个部分。
特别地，多模型预测控制模块在动态矩阵控制的基础上添加前馈部分，将脱硝装置 入口NOx浓度预测模型输出值作为前馈输入到多模型预测控制模块中，与反馈校正一起对喷氨量进行协同控制。
特别地，多模型预测控制模块基于满负荷、高负荷、中负荷、低负荷等不同负荷工况段建立多个子区间预测模型，在不同的负荷工况下以加权切换的方式保证在大范围变负荷工况下脱硝***出口NOx控制效果的稳定性。
采用上述***的基于浓度精准预测的脱硝装置喷氨精准控制方法，将上述喷氨精准 控制***以模块的形式内嵌于脱硝DCS***中，与脱硝DCS***进行实时通信，当锅 炉燃烧状况发生变化时，将脱硝装置入口NOx浓度预测模型的输出值作为前馈输入到 多模型预测控制模块中；与此同时，多模型预测控制模块在线识别当前负荷工况，对当 前时刻喷氨量进行反馈校正，通过设定好的前馈反馈比例，结合出口NOx设定值，对 喷氨量进行滚动优化，给脱硝装置控制对象发送控制指令增加或减少喷氨量，从而实现 对出口NOx浓度的排放控制。
所述喷氨精准控制方法具体包括下述步骤：
步骤1：首先建立喷氨精准控制***，包括服务器、上位机、DO/IO接口、控制机 柜、数据采集仪、数据传输器、数据处理中心、新增在线监测仪表(可选)等，构成在 线控制***，与脱硝装置原DCS***建立实时通信，喷氨精准控制***以模块的形式 内嵌于脱硝DCS***中；
步骤2：构建喷氨精准控制***硬件平台后，基于算法技术建立脱硝装置入口NOx浓度预测模型；脱硝装置入口NOx浓度预测模型的建立方法如实施例1所述；
步骤3：完成脱硝装置入口NOx浓度预测模型的构建后，根据输入特征得到最优 的输出值，同时消除了各输入特征的时间差对输出特征的影响，获得最佳预测效果，满 足作为控制前馈的要求；
步骤4：多模型预测控制包括出口NOx前馈预测模型和出口NOx控制模型，出口 NOx前馈预测模型是风量、煤量、入口NOx浓度对出口NOx的阶跃响应关系，出口 NOx控制模型是喷氨量/风量对出口NOx浓度的阶跃响应关系；基于互信息筛选筛选结 果优选风量、煤量、入口NOx浓度作为出口NOx控制的前馈模型输入参数；优选喷氨 量/风量作为出口NOx控制量模型输入参数；
步骤5：选取动态矩阵预测控制作为多模型预测控制模块的基础控制策略，动态矩阵预测控制内的预测模型为阶跃响应模型，可以通过带纯滞后的一阶惯性***模型表 示，并通过粒子群算法获取各子区间带纯滞后的一阶惯性***的最优参数；
步骤6：步骤5建立多模型预测控制模块后，通过现场调试的方式进一步调节阶跃响应模型的参数；在现场调试时，工况发生变化，模型中主要改变的量为比例环节Kpi， 而响应环节Tpi及滞后环节Tdi基本保持不变；
步骤7：多模型预测控制模块基于满负荷、高负荷、中负荷、低负荷等不同负荷工况段建立多个子区间预测模型，以加权切换的方式保证在大范围变负荷工况下脱硝***出口NOx控制效果的稳定性；
步骤8：多模型预测控制模块在控制过程中将当前风量、煤量及脱硝装置入口NOx浓度输出值作为前馈，根据当前负荷工况输入到对应的子区间预测模型中，然后与动态 矩阵控制模型中的反馈校正模块一起对喷氨量进行前馈-反馈协同控制，计算下一次控 制的喷氨优化量，然后传递给脱硝控制对象以计算脱硝装置喷氨装置阀门开度及喷氨泵 频率，最后将经过喷氨控制后的出口NOx浓度通过反馈校正模块重新进行下一步的喷 氨量du的计算，实现喷氨装置的精准控制。
多模型预测控制模块以动态矩阵控制为内核，通过各个输入参数的阶跃响应进行叠 加，对脱硝***喷氨装置喷氨量进行控制。
多模型预测控制模块根据炉膛出口温度进行欧式距离聚类的方式进行工况划分，建 立不同工况下的子区间模型。值得注意的是，不同子区间预测模型的各个输入参数的阶跃响应是不同的，需要通过粒子群算法或现场调试进行参数整定。
作为优选，在阶跃响应模型建立阶段，通过带纯滞后的一阶惯性***模型表示：
式中，KPi代表比例环节，TPi代表响应环节，Tdi代表纯滞后环节，Xi(s)代表***输入，Y(s)代表***输出，Gi(s)代表***传递函数；
采用动态惯性权重的改进型粒子群寻优算法获取各子区间带纯滞后的一阶惯性系 统的最优参数，寻找在划定的典型工况子区间下的多模型预测控制模块，动态惯性权重调整的公式为：
式中，w为惯性权重，R为当前迭代次数，Rmax为最大迭代次数。
进一步地，在投入多模型预测控制模块的电厂实际在线控制中，应在每一个工况子 模型运行区间根据出口NOx浓度相对于喷氨量、总风量以及给煤量等输入参数的实际比例、惯性及延迟参数对模型进行整定，以期达到大范围变负荷工况下的最优控制效果。
进一步地，出口NOx的设定值选取在35～45mg/m3，以保证在不超过50mg/m3的 NOx排放浓度限值的情况下，最大程度上减少喷氨量，提升脱硝***喷氨经济性。
本发明采用数据与机理结合的方法，通过分析影响NOx生成的重要影响因素，选取关键特征，基于长短期记忆神经网络(LSTM)算法建立了在线脱硝装置入口NOx 浓度测量修正模型，通过锅炉数据***NOx浓度，减小甚至消除CEMS浓度测量 滞后误差，实现了脱硝装置入口NOx浓度的精准预测。
在电厂在线控制过程中，入口NOx浓度预测模型输出的入口NOx浓度输出值与一次风量、给煤量等反映锅炉侧燃烧变化的参数一起作为前馈实时输入到多模型预测控制模块中，与动态矩阵模型的反馈校正模块一起对脱硝装置喷氨量进行协同控制，实现脱 硝装置喷氨量的精准控制。
实施例2
以某220t/h循环流化床煤粉炉的实际控制流程及短期、长期控制效果为例，详细叙 述本发明内容：
(1)选取4个给煤量、2个一次风量、2个二次风量、10个炉床温度、2个炉膛出 口烟温、1个主蒸汽流量、1个烟气O2体积百分比共22个输入特征变量，基于最近两 个月的运行给煤量数据进行聚类，确定聚类中心为12.1t/h、18.0t/h、26.0t/h；经过数据 与处理后输入LSTM模型中，选取预测时间步长为14，回溯时间步长为30，2层隐藏 层，每层128个隐藏层节点；以此超参数配置建立LSTM模型进行脱硝装置入口NOx 浓度预测；
(2)确定动态矩阵控制模型的M＝1，P＝80，R＝5000，Q＝0.05，前馈反馈比例为0.01，采用改进粒子群寻优方法辨识各子区间模型的阶跃响应参数；对多模型预测控制 模块进行升负荷、降负荷、稳定负荷以及长时间控制效果验证，效果如图3～6所示。
如图3所示，升负荷工况下，随着负荷的上升，原有控制方法下喷氨量相对较高，氨逃逸现象较为严重；不同于原有控制方法，多模型预测控制模块具有对NOx浓度预 测的功能，能够精准判断浓度变化趋势，其喷氨量随着锅炉负荷提升缓慢提高，并保证 氨逃逸量稳定处于较低水平；此外，本发明出口NOx浓度波动范围较小，标准差相对 原有控制方法降低79.3％。
如图4所示，在降负荷工况下，***要求喷氨量逐步下降以降低出口氨逃逸的大小， 避免造成过度喷氨；在原有控制方法下，经过多次喷氨量的下调，出口NOx浓度呈现 上升趋势，并且出现超标状态；多模型预测控制模块相比于原有控制方法出口NOx浓 度的平均值更高、喷氨量下降更平滑，说明了在负荷下降的过程中，多模型预测控制模 块能够更明确地调节喷氨量，使得出口NOx浓度维持在一定范围内。
常规波动负荷工况下，在原有控制和多模型预测控制两种控制方法下，喷氨量、出口NOx浓度和氨逃逸随时间变化如图5所示；与原有控制相比，多模型预测控制模块 下喷氨量变化相对更加稳定；智能控制出口NOx平均值更接近于浓度设定值 (40mg/m3)，且其波动较小，相较原有控制方法标准差减小了90.49％；这是因为多模 型预测控制模块具有预测效果，能够对入口NOx浓度变化提前做出反应。
在220t/h燃煤热电机组中，分别使用原有控制和多模型预测控制模块对此机组的典 型工况进行控制，由于锅炉的负荷根据供蒸汽的需求呈现昼高夜低的周期性变化，每24小时为一完整周期，为验证长时间下的工作状况，选用48小时(两个完整周期)进 行主要参数的分析。图6展现了两种控制方式下，蒸汽量、喷氨量、氨逃逸率和出口 NOx浓度的变化趋势。由图可见，原有控制与多模型预测控制模块的入口蒸汽量浓度 基本相同，证明其工况负荷也基本相同；但原有控制的喷氨量相对较大、氨逃逸率相对 较高、出口NOx浓度波动明显；而多模型预测控制模块的喷氨量稳定在150L/h以下， 降低了脱硝过程中的氨水消耗量；同时氨逃逸率接近于零，避免了氨逃逸所造成的设备 腐蚀问题；出口NOx浓度稳定在40mg/m3附近，幅度波动较小，这证明了多模型预测 控制模块能在保证出口NOx浓度稳定的前提下，降低氨水使用量以及氨逃逸率，有助 于降低脱硝过程中的物耗并避免设备腐蚀。
以上结合实施例对本发明进行了详细说明，但所述内容仅为本发明的具体实施方式，但并不能因此而理解为对本发明专利范围的限制。应当指出的是，对于本领域的普 通技术人员来说，在不脱离本发明构思的前提下，凡依本发明申请范围所做出的若干变 形与改进等，均应仍属于本发明的专利涵盖范围之内。
Claims (9)
1.一种基于浓度精准预测的脱硝装置喷氨精准控制***，其特征在于：所述喷氨精准控制***包括电站信息***、脱硝装置入口NOx浓度预测模型、多模型预测控制模块、脱硝装置控制对象；
所述电站信息***包括电厂OPC服务器及DCS控制设备，电站信息***与脱硝装置入口NOx浓度预测模型进行通信连接，将DCS数据实时传输到脱硝装置入口NOx浓度预测模型中；脱硝装置入口NOx浓度预测模型计算得到提前于污染物排放连续监测***表计的当前时刻出口NOx预测值，再将预测值作为前馈输入到多模型预测控制模块中；
所述多模型预测控制模块以动态矩阵控制为内核，以脱硝装置入口NOx浓度预测模型作为前馈，通过典型工况划分了不同子区间模型；
所述脱硝装置控制对象包括脱硝装置喷氨装置阀门开度及喷氨泵频率；
所述脱硝装置入口NOx浓度预测模型为基于长短期记忆神经网络算法建立的脱硝装置入口NOx浓度预测模型；所述脱硝装置入口NOx浓度预测模型通过下述步骤建立：
(1)从机理上分析锅炉机组运行状况，选取影响NOx生成及脱除的参数作为模型输入特征变量，以脱硝装置入口NOx浓度预测值作为模型输出值；
(2)利用互信息的统计学方法分析选取的输入特征变量与输出值的关系，计算两者之间的互信息值，并形成判断逻辑；
(3)对输入特征进行标准化，标准化处理公式如下：
式中，x为输入特征变量，μ为输入特征变量的均值，σ为特征的标准差；
(4)引入小波变换方法来确定输入/输出特征之间的延迟，将原始数据库的数据与不同输入/输出特征建立联系，确定不同特征之间的响应时间差，最终确定历史、实时数据与不同输入/输出特征之间的响应时间差；
(5)对所选特征变量的历史数据进行工况辨识，筛选出稳定工况、吹扫工况以及变负荷工况，并针对变负荷工况根据给煤量进行聚类分段；
(6)选取LSTM算法为基础进行建模，基于LSTM原理建立脱硝装置入口NOx浓度预测模型，并确定超参数；超参数确定后，即可建立脱硝装置入口NOx浓度预测模型。
2.根据权利要求1所述基于浓度精准预测的脱硝装置喷氨精准控制***，其特征在于：所述输入特征变量包括给煤量、一次风量、二次风量、炉床温度、炉膛出口烟温、主蒸汽流量、烟气O2体积百分比；所述超参数包括预测时间步长、回溯时间步长、隐含层数目和隐含层节点数。
3.根据权利要求1所述基于浓度精准预测的脱硝装置喷氨精准控制***，其特征在于：计算输入特征变量与输出值之间的互信息值时，采用最小冗余最大相关算法和经验知识作为评价指标，评价公式为：
mRMR:
式中，x为输入特征变量，y为输出值，S为特征{xi}的集合，I为x,y之间的互信息值。
4.根据权利要求1所述基于浓度精准预测的脱硝装置喷氨精准控制***，其特征在于：建立脱硝装置入口NOx浓度预测模型后，进行超参数的调整，再进行模型准确度的验证。
5.一种基于浓度精准预测的脱硝装置喷氨精准控制方法，其特征在于：将权利要求1-4任一种喷氨精准控制***以模块的形式内嵌于脱硝DCS***中，与脱硝DCS***进行实时通信，当锅炉燃烧状况发生变化时，将脱硝装置入口NOx浓度预测模型的输入特征变量和输出值作为前馈输入到多模型预测控制模块中；与此同时，多模型预测控制模块在线识别当前负荷工况，对当前时刻喷氨量进行反馈校正，通过设定好的前馈反馈比例，结合出口NOx设定值，对喷氨量进行滚动优化，给脱硝装置控制对象发送控制指令增加或减少喷氨量，从而实现对出口NOx浓度的排放控制。
6.根据权利要求5所述基于浓度精准预测的脱硝装置喷氨精准控制方法，其特征在于：所述方法具体包括下述步骤：
步骤1：首先建立喷氨精准控制***，与脱硝装置原DCS***建立实时通信，喷氨精准控制***以模块的形式内嵌于脱硝DCS***中；
步骤2：构建喷氨精准控制***硬件平台后，基于算法技术建立脱硝装置入口NOx浓度预测模型；
步骤3：完成脱硝装置入口NOx浓度预测模型的构建后，根据输入特征变量得到最优的输出值，同时消除了各输入特征的时间差对输出特征的影响，获得最佳预测效果，满足作为控制前馈的要求；
步骤4：多模型预测控制包括出口NOx浓度前馈预测模型和出口NOx浓度控制量模型，出口NOx浓度前馈预测模型是风量、煤量、入口NOx浓度对出口NOx浓度的阶跃响应关系，出口NOx浓度控制模型是喷氨量/风量对出口NOx浓度的阶跃响应关系；
步骤5：选取动态矩阵预测控制作为多模型预测控制模块的基础控制策略，动态矩阵预测控制内的预测模型为阶跃响应模型；
步骤6：步骤5建立多模型预测控制模块后，通过现场调试的方式进一步调节阶跃响应模型的参数；
步骤7：多模型预测控制模块基于不同负荷工况段建立多个子区间预测模型，以加权切换的方式保证在大范围变负荷工况下脱硝装置出口NOx控制效果的稳定性；
步骤8：多模型预测控制模块在控制过程中将当前风量、煤量及脱硝装置入口NOx浓度输出值作为前馈，根据当前负荷工况输入到对应的子区间预测模型中，然后与动态矩阵控制模型中的反馈校正模块一起对喷氨量进行前馈-反馈协同控制，计算下一次控制的喷氨优化量，然后传递给脱硝控制对象以计算脱硝装置喷氨装置阀门开度及喷氨泵频率，最后将经过喷氨控制后的出口NOx浓度通过反馈校正模块重新进行下一步的喷氨量的计算，实现喷氨装置的精准控制。
7.根据权利要求6所述基于浓度精准预测的脱硝装置喷氨精准控制方法，其特征在于：多模型预测控制模块根据炉膛出口温度进行欧式距离聚类的方式进行工况划分，建立不同工况下的子区间模型。
8.根据权利要求6或7所述基于浓度精准预测的脱硝装置喷氨精准控制方法，其特征在于：在阶跃响应模型建立阶段，通过带纯滞后的一阶惯性***模型表示：
式中，KPi代表比例环节，TPi代表响应环节，Tdi代表纯滞后环节，Xi(s)代表***输入，Y(s)代表***输出，Gi(s)代表***传递函数；
采用动态惯性权重的改进型粒子群寻优算法获取各子区间带纯滞后的一阶惯性***的最优参数，寻找在划定的典型工况子区间下的多模型预测控制模块，动态惯性权重调整的公式为：
式中，w为惯性权重，R为当前迭代次数，Rmax为最大迭代次数。
9.根据权利要求7所述基于浓度精准预测的脱硝装置喷氨精准控制方法，其特征在于：在每一个工况子区间模型运行区间，根据出口NOx浓度相对于喷氨量、总风量以及给煤量输入参数的实际比例、惯性及延迟参数对模型进行整定；出口NOx的设定值选取在35～45mg/m3。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110736767.0A CN113433911B (zh) | 2021-06-30 | 2021-06-30 | 基于浓度精准预测的脱硝装置喷氨精准控制***与方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110736767.0A CN113433911B (zh) | 2021-06-30 | 2021-06-30 | 基于浓度精准预测的脱硝装置喷氨精准控制***与方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN113433911A CN113433911A (zh) | 2021-09-24 |
| CN113433911B true CN113433911B (zh) | 2022-05-20 |
Family
ID=77758188
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110736767.0A Active CN113433911B (zh) | 2021-06-30 | 2021-06-30 | 基于浓度精准预测的脱硝装置喷氨精准控制***与方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113433911B (zh) |
Families Citing this family (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113856457B (zh) * | 2021-09-27 | 2024-04-02 | 京能（锡林郭勒）发电有限公司 | 一种用于低热值褐煤的NOx排放控制*** |
| CN114609986A (zh) * | 2022-03-16 | 2022-06-10 | 中国中材国际工程股份有限公司 | 基于预测控制的水泥分解炉脱硝调控优化***和方法 |
| CN115155310B (zh) * | 2022-07-13 | 2024-04-26 | 浙江大学 | 一种scr脱硝***喷氨精准优化方法 |
| CN115598974B (zh) * | 2022-09-02 | 2024-02-20 | 南京天洑软件有限公司 | 基于线性***辨识的脱硝***模型预测控制方法和装置 |
| CN115309129A (zh) * | 2022-10-11 | 2022-11-08 | 华电电力科学研究院有限公司 | 一种scr脱硝效能自动寻优调控方法和*** |
| CN116253446B (zh) * | 2023-03-24 | 2024-01-30 | 青岛思普润水处理股份有限公司 | 一种污水处理智能曝气设置方法 |
Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| 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 |
| CN108628177A (zh) * | 2018-07-02 | 2018-10-09 | 大唐环境产业集团股份有限公司 | 一种基于模型自适应pid的scr脱硝智能喷氨优化方法及*** |
| 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*** |
| CN109062053A (zh) * | 2018-08-31 | 2018-12-21 | 江苏国信靖江发电有限公司 | 一种基于多变量校正的脱硝喷氨控制方法 |
| CN112221347A (zh) * | 2020-08-11 | 2021-01-15 | 华电电力科学研究院有限公司 | 一种scr脱硝***精准喷氨控制方法 |
| CN112418284A (zh) * | 2020-11-16 | 2021-02-26 | 华北电力大学 | 一种全工况电站scr脱硝***的控制方法及*** |
| CN112580250A (zh) * | 2020-11-12 | 2021-03-30 | 山东纳鑫电力科技有限公司 | 基于深度学习的火电机组脱硝***及优化控制方法 |
| CN112619394A (zh) * | 2020-11-24 | 2021-04-09 | 呼和浩特科林热电有限责任公司 | 脱硝喷氨自适应控制方法、装置及脱硝*** |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108803309A (zh) * | 2018-07-02 | 2018-11-13 | 大唐环境产业集团股份有限公司 | 一种基于软测量和模型自适应的scr脱硝智能喷氨优化方法及*** |
-
2021
- 2021-06-30 CN CN202110736767.0A patent/CN113433911B/zh active Active
Patent Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| 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 |
| CN108628177A (zh) * | 2018-07-02 | 2018-10-09 | 大唐环境产业集团股份有限公司 | 一种基于模型自适应pid的scr脱硝智能喷氨优化方法及*** |
| 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*** |
| CN109062053A (zh) * | 2018-08-31 | 2018-12-21 | 江苏国信靖江发电有限公司 | 一种基于多变量校正的脱硝喷氨控制方法 |
| CN112221347A (zh) * | 2020-08-11 | 2021-01-15 | 华电电力科学研究院有限公司 | 一种scr脱硝***精准喷氨控制方法 |
| CN112580250A (zh) * | 2020-11-12 | 2021-03-30 | 山东纳鑫电力科技有限公司 | 基于深度学习的火电机组脱硝***及优化控制方法 |
| CN112418284A (zh) * | 2020-11-16 | 2021-02-26 | 华北电力大学 | 一种全工况电站scr脱硝***的控制方法及*** |
| CN112619394A (zh) * | 2020-11-24 | 2021-04-09 | 呼和浩特科林热电有限责任公司 | 脱硝喷氨自适应控制方法、装置及脱硝*** |
Non-Patent Citations (2)
| Title |
|---|
| Control Strategy for Denitrification Efficiency of Coal-Fired Power Plant Based on Deep Reinforcement Learning;Jigao Fu et.;《Special Section on Advances in Machine Learning and Cognitive Computing for Industry Applications》;20200402;第8卷;第65127-65136页 * |
| 基于改进型多模型预测控制的喷氨优化算法及其应用;盛锴 等;《热能动力工程》;20210220;第36卷(第2期);第138-144页 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN113433911A (zh) | 2021-09-24 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN113433911B (zh) | 基于浓度精准预测的脱硝装置喷氨精准控制***与方法 | |
| CN109062053B (zh) | 一种基于多变量校正的脱硝喷氨控制方法 | |
| CN110368808B (zh) | 一种scr烟气脱硝***的喷氨量控制方法及*** | |
| CN104826492B (zh) | 一种选择性催化还原法烟气脱硝喷氨控制***的改进方法 | |
| CN112580250A (zh) | 基于深度学习的火电机组脱硝***及优化控制方法 | |
| CN105629738A (zh) | Scr烟气脱硝***控制方法及设备 | |
| CN107561941A (zh) | 一种火电机组脱硝***的全工况达标排放控制方法 | |
| CN105786035B (zh) | 基于试探式预测控制技术的火电机组scr脱硝优化控制*** | |
| 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*** | |
| CN110263452A (zh) | 一种烟道内烟气时间分布特性分析方法、***及脱硝*** | |
| CN111829003A (zh) | 一种电厂燃烧控制***及控制方法 | |
| CN111897373A (zh) | 一种基于模型预测的scr脱硝装置喷氨流量调节方法 | |
| CN104715142A (zh) | 一种电站锅炉NOx排放动态软测量方法 | |
| CN112742187A (zh) | 一种脱硫***中pH值的控制方法及装置 | |
| CN114721263B (zh) | 基于机器学习和智能优化算法的水泥分解炉智慧调控方法 | |
| Qiao | A novel online modeling for NOx generation prediction in coal-fired boiler | |
| CN115145152A (zh) | 一种锅炉燃烧与脱硝过程协同优化控制的方法 | |
| CN107561944A (zh) | 一种基于拉盖尔模型的脱硝***自适应预测控制方法 | |
| CN112613237B (zh) | 一种基于LSTM的CFB机组NOx排放浓度的预测方法 | |
| CN109833773A (zh) | 一种高效脱硝氨流量精确控制方法 | |
| CN116720446B (zh) | 一种锅炉水冷壁渣层厚度实时监测方法 | |
| JPH08339204A (ja) | 火力発電プラント自律適応最適化制御システム | |
| CN109933884B (zh) | 一种面向燃煤机组scr脱硝***神经网络逆控制的方法 | |
| CN112783115A (zh) | 一种蒸汽动力***的在线实时优化方法及装置 | |
| CN116036849A (zh) | 一种cfb锅炉烟气脱硝自动控制方法及*** |
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 |