CN113485111B - 制浆***的寻优控制方法及*** - Google Patents
制浆***的寻优控制方法及*** Download PDFInfo
- Publication number
- CN113485111B CN113485111B CN202110791365.0A CN202110791365A CN113485111B CN 113485111 B CN113485111 B CN 113485111B CN 202110791365 A CN202110791365 A CN 202110791365A CN 113485111 B CN113485111 B CN 113485111B
- Authority
- CN
- China
- Prior art keywords
- concentration
- predicted
- value
- outlet
- time
- 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
- 238000004537 pulping Methods 0.000 title claims abstract description 123
- 238000000034 method Methods 0.000 title claims abstract description 41
- 239000002002 slurry Substances 0.000 claims abstract description 44
- 235000019738 Limestone Nutrition 0.000 claims abstract description 36
- 239000006028 limestone Substances 0.000 claims abstract description 36
- 238000012937 correction Methods 0.000 claims description 24
- 238000006477 desulfuration reaction Methods 0.000 claims description 19
- 230000023556 desulfurization Effects 0.000 claims description 19
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 14
- 238000012545 processing Methods 0.000 claims description 13
- 238000012549 training Methods 0.000 claims description 12
- 238000005303 weighing Methods 0.000 claims description 9
- 238000005457 optimization Methods 0.000 claims description 7
- 238000003860 storage Methods 0.000 claims description 7
- 238000001914 filtration Methods 0.000 claims description 5
- 238000007781 pre-processing Methods 0.000 claims description 5
- 238000012216 screening Methods 0.000 claims description 5
- 238000010521 absorption reaction Methods 0.000 description 9
- 239000002994 raw material Substances 0.000 description 8
- 235000008733 Citrus aurantifolia Nutrition 0.000 description 7
- 235000011941 Tilia x europaea Nutrition 0.000 description 7
- 239000004571 lime Substances 0.000 description 7
- 230000008859 change Effects 0.000 description 5
- 238000006243 chemical reaction Methods 0.000 description 5
- 230000000694 effects Effects 0.000 description 5
- UGFAIRIUMAVXCW-UHFFFAOYSA-N Carbon monoxide Chemical compound [O+]#[C-] UGFAIRIUMAVXCW-UHFFFAOYSA-N 0.000 description 4
- 239000003546 flue gas Substances 0.000 description 4
- 230000003647 oxidation Effects 0.000 description 4
- 238000007254 oxidation reaction Methods 0.000 description 4
- 230000008569 process Effects 0.000 description 4
- 238000004088 simulation Methods 0.000 description 4
- NINIDFKCEFEMDL-UHFFFAOYSA-N Sulfur Chemical compound [S] NINIDFKCEFEMDL-UHFFFAOYSA-N 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 239000010440 gypsum Substances 0.000 description 3
- 229910052602 gypsum Inorganic materials 0.000 description 3
- 239000011593 sulfur Substances 0.000 description 3
- 229910052717 sulfur Inorganic materials 0.000 description 3
- 230000007613 environmental effect Effects 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 239000000779 smoke Substances 0.000 description 2
- UCKMPCXJQFINFW-UHFFFAOYSA-N Sulphide Chemical compound [S-2] UCKMPCXJQFINFW-UHFFFAOYSA-N 0.000 description 1
- 230000002159 abnormal effect Effects 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 238000000889 atomisation Methods 0.000 description 1
- 239000006227 byproduct Substances 0.000 description 1
- GBAOBIBJACZTNA-UHFFFAOYSA-L calcium sulfite Chemical compound [Ca+2].[O-]S([O-])=O GBAOBIBJACZTNA-UHFFFAOYSA-L 0.000 description 1
- 235000010261 calcium sulphite Nutrition 0.000 description 1
- 239000007795 chemical reaction product Substances 0.000 description 1
- 238000004140 cleaning Methods 0.000 description 1
- 239000013078 crystal Substances 0.000 description 1
- 125000004122 cyclic group Chemical group 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000007599 discharging Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 230000005484 gravity Effects 0.000 description 1
- 238000002156 mixing Methods 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- RAFRTSDUWORDLA-UHFFFAOYSA-N phenyl 3-chloropropanoate Chemical compound ClCCC(=O)OC1=CC=CC=C1 RAFRTSDUWORDLA-UHFFFAOYSA-N 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 238000005096 rolling process Methods 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 239000007921 spray Substances 0.000 description 1
- 238000005507 spraying Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
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
- B01D53/46—Removing components of defined structure
- B01D53/48—Sulfur compounds
- B01D53/50—Sulfur oxides
- B01D53/501—Sulfur oxides by treating the gases with a solution or a suspension of an alkali or earth-alkali or ammonium compound
- B01D53/502—Sulfur oxides by treating the gases with a solution or a suspension of an alkali or earth-alkali or ammonium compound characterised by a specific solution or suspension
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B01—PHYSICAL OR CHEMICAL PROCESSES OR APPARATUS IN GENERAL
- B01D—SEPARATION
- B01D2251/00—Reactants
- B01D2251/40—Alkaline earth metal or magnesium compounds
- B01D2251/404—Alkaline earth metal or magnesium compounds of calcium
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B01—PHYSICAL OR CHEMICAL PROCESSES OR APPARATUS IN GENERAL
- B01D—SEPARATION
- B01D2251/00—Reactants
- B01D2251/60—Inorganic bases or salts
- B01D2251/606—Carbonates
-
- 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)
- Chemical & Material Sciences (AREA)
- Health & Medical Sciences (AREA)
- Chemical Kinetics & Catalysis (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Analytical Chemistry (AREA)
- General Chemical & Material Sciences (AREA)
- Oil, Petroleum & Natural Gas (AREA)
- Biomedical Technology (AREA)
- Artificial Intelligence (AREA)
- Environmental & Geological Engineering (AREA)
- Evolutionary Computation (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Automation & Control Theory (AREA)
- Paper (AREA)
- Feedback Control In General (AREA)
Abstract
本发明实施例提供一种制浆***的寻优控制方法及***，属于火电机组技术领域。所述方法包括：获取所述制浆***一个时间段内的实时运行参数；根据所述实时运行参数和预测元模型，进行制浆***的出口SO2浓度预测，获得出口SO2浓度预测值；对获得的出口SO2浓度预测值进行修正；将修正后的出口SO2浓度预测值导入关联规则模型，输出修正后的出口SO2浓度预测值对应的制浆***的最优运行方案；根据所述最优运行方案进行所述制浆***的提前调整。本发明方案通过对制浆***运行参数预测而进行***提前调整，保证了制浆***所产出的石灰石浆液密度永远处于预设标准值。
Description
技术领域
本发明涉及火电机组技术领域，具体地涉及一种制浆***的寻优控制方法及一种制浆***的寻优控制***。
背景技术
脱硫***是火电机组不可或缺的环保***，主要用于进行锅炉排烟的脱硫工作，保证最终排放烟气含硫量符合排放标准，避免环境硫污染。主流的脱硫***均是将烟气中的含有的硫化学转化为石膏进行二次利用，在转换过程中，需要使用反应原料与SO2接触并反应获得亚硝酸钙。该反应原料便是石灰石浆液，石灰石浆液依靠石灰原料和水在制浆***中配比混合获得。制浆***产出的石灰石浆液密度至关重要，若密度过高，会造成大量的石灰原料浪费，若密度过低又会使得脱硫效果不佳。所以制浆***必须稳定运行在预设曲线上，才能保证所产出的石灰石浆液密度稳定在预设标准。在现有的控制方法中，制浆***根据预设规则进行控制，通过控制石灰原料和水配比进行产出石灰石浆液密度控制。若后续***发生故障，例如加水阀堵塞，均会破坏石灰原料和水配比，造成石灰石浆液密度偏差。针对目前制浆***控制方法存在的弊端，需要创造一种新的制浆***的寻优控制方法。
发明内容
本发明实施方式的目的是提供一种制浆***的寻优控制方法及***，以至少解决现有控制方法无法保证石灰石浆液密度永远处于预设标准值的问题。
为了实现上述目的，本发明第一方面提供一种制浆***的寻优控制方法，所述制浆***用于为脱硫***提供石灰石浆液，所述方法包括：获取所述制浆***一个时间段内的实时运行参数；根据所述实时运行参数和预测元模型，进行制浆***的出口SO2浓度预测，获得出口SO2浓度预测值；对获得的出口SO2浓度预测值进行修正；将修正后的出口SO2浓度预测值导入关联规则模型，输出修正后的出口SO2浓度预测值对应的制浆***的最优运行方案；根据所述最优运行方案进行所述制浆***的提前调整。
可选的，所述根据所述实时运行参数和预测元模型，进行未来一段时间的制浆***的出口SO2浓度预测，包括：根据预处理规则对所述实时运行参数进行处理；其中，所述预处理规则包括：无效值过滤、缺失值填充和统一标准处理；将预处理后的运行参数导入至预测元模型中，通过训练获得未来一段时间的制浆***的出口SO2浓度预测值。
可选的，所述方法还包括构建预测元模型，包括：获取脱硫***的历史运行参数；从所述历史运行参数中筛选出与制浆***的出口SO2浓度值存在关联的运行参数作为训练样本数据；通过预设LSTM算法进行所述训练样本数据训练，获得用于制浆***的出口SO2浓度预测的预测元模型。
可选的，所述根据所述实时运行参数和预测元模型，进行制浆***的出口SO2浓度预测，获得出口SO2浓度预测值，包括：S11)根据当前预测时刻的实时运行参数，进行未来被预测时间段的出口SO2浓度值预测，获得所述被预测时间段内各个被预测时刻对应的出口SO2浓度预测值；其中，所述被预测时间段的截止时刻为下一个预测时刻；S12)重复步骤S11)，其中每到达一个预测时刻，进行一次出口SO2浓度值预测；其中每两个预测时刻之间的间隔时间相同，每两个预测时刻之间的间隔时间作为一个被预测时间段；所述对获得的出口SO2浓度预测值进行修正，包括：S21)选取一个被预测时间段中的一个被预测时刻的SO2浓度预测值，并在时间节点到达该被预测时刻时，获取该被预测时刻的SO2浓度实际值；S22)根据该被预测时刻的SO2浓度实际值对该被预测时刻的SO2浓度预测值进行修正，并根据修正路径获得当前预测时刻的修正方案；S23)以当前预测时刻的修正方案进行相邻下一个被预测时间段的出口SO2浓度预测值修正；S24)重复步骤S21)-S23)，其中每个预测时刻的修正方案均来自于上一个被预测时间段。
可选的，所述方法还包括构建关联规则模型，包括：获取脱硫***的历史运行参数；从所述历史运行参数中筛选出制浆***的出口SO2浓度值以及对应时刻的制浆***的工作状态；根据预设Apriori算法寻找所述制浆***的出口SO2浓度值和对应时刻的制浆***的工作状态之间的关联关系，输出包含所述关联关系的关联规则模型。
可选的，所述制浆***的工作状态包括：加水阀的开合程度和称重给料机的送料规则。
可选的，所述将修正后的出口SO2浓度预测值导入关联规则模型，输出修正后的出口SO2浓度预测值对应的制浆***的最优运行方案，包括：将修正后的出口SO2浓度预测值导入关联规则模型，通过所述关联规则模型根据预设优化目标输出对应的制浆***的最优运行方案；其中，所述制浆***的最优运行方案包括：加水阀的最佳开合程度和称重给料机的最佳送料规则。
可选的，所述预设优化目标为：所述制浆***中的石灰石浆液密度维持在1250±10Kg/m3。
本发明第二方面提供一种制浆***的寻优控制***，所述制浆***用于为脱硫***提供石灰石浆液，所述***包括：采集单元，用于获取所述制浆***的实时运行参数；预测单元，用于根据所述实时运行参数和预测元模型，进行制浆***的出口SO2浓度预测，获得出口SO2浓度预测值；处理单元，用于：通过修正模型对所述出口SO2浓度预测值进行修正；将修正后的出口SO2浓度预测值导入关联规则模型，输出修正后的出口SO2浓度预测值对应的制浆***的最优运行方案；执行单元，用于根据所述最优运行方案进行所述制浆***的提前调整。
另一方面，本发明提供一种计算机可读储存介质，该计算机可读存储介质上储存有指令，其在计算机上运行时使得计算机执行上述的制浆***的寻优控制方法。
通过上述技术方案，根据制浆***的历史运行规律，训练获得预测元模型，然后根据当前的运行参数和预测元模型进行未来一段时间运行参数预测，并根据预测的运行参数判断制浆***在未来一段时间是否会存在运行曲线偏差。根据预测时间节点的预测值和实际值进行模型修正，保证后续预测值的准确性，当识别到存在异常风险时，根据预测值进行提前调整，保证制浆***运行到预测时间节点时，已经完成调整，从而保证制浆***产生的石灰石浆液密度永远保持在预设标准值。
本发明实施方式的其它特征和优点将在随后的具体实施方式部分予以详细说明。
附图说明
附图是用来提供对本发明实施方式的进一步理解，并且构成说明书的一部分，与下面的具体实施方式一起用于解释本发明实施方式，但并不构成对本发明实施方式的限制。在附图中：
图1是本发明一种实施方式提供的制浆***的寻优控制方法的步骤流程图；
图2是本发明一种实施方式提供的SO2浓度预测的步骤流程图；
图3是本发明一种实施方式提供的制浆***的寻优控制***的***结构图。
附图标记说明
10-采集单元；20-预测单元；30-处理单元；40-执行单元。
具体实施方式
以下结合附图对本发明的具体实施方式进行详细说明。应当理解的是，此处所描述的具体实施方式仅用于说明和解释本发明，并不用于限制本发明。
图3是本发明一种实施方式提供的制浆***的寻优控制***的***结构图。如图3所示，本发明实施方式提供一种制浆***的寻优控制***，所述***包括：采集单元10，用于获取所述制浆***一个时间段内的实时运行参数；预测单元20，根据所述实时运行参数和预测元模型，在当前预测时刻进行未来一段时间的制浆***的出口SO2浓度预测值序列，获得出口SO2浓度预测值；处理单元30，用于：通过修正模型对所述出口SO2浓度预测值进行修正；将修正后的出口SO2浓度预测值导入关联规则模型，输出修正后的出口SO2浓度预测值对应的制浆***的最优运行方案；执行单元40，用于根据所述最优运行方案进行所述制浆***的提前调整。
在脱硫***，在引风机的作用下，烟气进入脱硫***的吸收塔，吸收塔为逆流喷淋空塔结构，集吸收和氧化功能为一体，吸收塔的上部分为吸收区，下部分为氧化区。烟气与吸收塔内的循环浆液逆向接触，烟气中的剩余硫化物被循环浆液向下冲刷反应，从而实现脱硫的效果。脱硫***一般设置有3-5台浆液循环泵，每一台浆液循环泵对应向一层雾化喷淋层提供循环浆液。在吸收区的上部分设置有二级除雾器，吸收SO2后的浆液进入循环氧化区，在循环氧化区中，亚硫酸钙被鼓入的空气氧化成石膏晶体，与此同时，由制浆***向吸收氧化***供给新鲜的石灰石浆液。反应塔底部的反应生成物浆液达到一定密度时排至脱硫副产品***，经过脱水形成石膏。其中，制浆***产出的石灰石浆液密度至关重要，若密度过高，会造成大量的石灰原料浪费，若密度过低又会使得脱硫效果不佳。为了能够在保证脱硫效果的前提下，尽量降低石灰原料的使用量，优选的将石灰石浆液的密度设定为1250Kg/m3，作为制浆***的寻优控制，优选的需要将石灰石浆液持续保证在1250Kg/m3，优选的设定为可在1250±10Kg/m3内浮动。
图1是本发明一种实施方式提供的制浆***的寻优控制方法的方法流程图。如图1所示，本发明实施方式提供一种制浆***的寻优控制方法，所述方法包括：
步骤S10：获取所述制浆***的实时运行参数。
具体的，受制浆***的调控延迟特性，从开始***调整到调整完成，中间会存在较长的时间延迟，所以想要保持制浆***产出的石灰石浆液稳定在预设密度值附近，进行实时的调控是无法满足需求的。即当识别到需要进行***调整后，到完成调整使得石灰石浆液回到设定值，中间会造成一段时间石灰石浆液偏离设定值。该时间段内便会造成***的暂时排放超标，是无法满足规定的排放需求的。所以想要保证石灰石浆液持续稳定在预设密度，就必须在石灰石浆液密度发生变化前完成***调整，使得***运行到石灰石浆液偏离预设密度时间节点时，***重新将石灰石浆液调整回来。所以，需要进行石灰石浆液密度预测，预测未来一段时间后，石灰石浆液是否会偏离预设值，用以决定是否需要进行提前调整。在进行石灰石浆液密度预测时，需要根据当前的运行参数进行后续运行参数预测。因为受运行参数变化规律，石灰石浆液密度不存在突变的情况，均是存在一定的变化曲线，通过变化曲线上前端的点，可以在一定程度上预测后续的点。该预测规律，与各制浆***的运行规律相关。想要通过当前于运行参数预测后续的运行参数，就必须准确采集实时的运行参数。优选的，采集单元10在原制浆***的控制单元位置构建，通过原制浆***的运行状态监测模块进行对应的运行参数采集。然后通过原控制单元进行对应的运行参数采集。
步骤S20：根据所述实时运行参数和预测元模型，进行制浆***的出口SO2浓度预测，获得出口SO2浓度预测值。
具体的，获得***的实时的运行参数后，便需要根据当前的运行参数进行后续运行参数预测。受***中各部件的运行工况不同，所采集到的运行参数无论是格式还是数值均存在很大的区别，若直接利用这些信息进行后续运行参数预测，不仅会造成预测时间延迟，还会造成预测结果不准确，所以，想要准确进行制浆***出口SO2浓度预测，如图2，包括以下步骤：
步骤S201：进行实时运行参数预处理。
具体的，首先进行实时运行参数过滤，例如时域滤波方法或平舆滤波方法，将运行参数中无效信息进行剔除，仅保留与制浆***出口SO2浓度相关的运行参数内容。然后进行缺失值处理，无论是采集过程总造成的信息确实，还是无法直接采集的运行参数，均需要通过已知的信息进行这些缺失信息填充。优选的，才有单维估计法和多为估计法协同的方式进行缺失值处理，即保证的单一缺失值的填充，还实现了相关缺失值的填充。完成缺失值填充后，还需要进行各运行参数的统一标准化处理。因为各U币性参数对制浆***出口SO2浓度影响比重存在区别，例如某些参数数值很大，该参数数值变化对制浆***出口SO2浓度影响程度很小，若直接将该参数作为工况模拟参数，会造成模拟偏差很大的情况。为了避免降低高影响权重参数的影响效果或增大低影响权重参数的影响效果，需要根据各运行参数的实际影响权重进行工况模拟。根据预设标准化处理方法，例如min-max标准化和Z-Score标准化，使得各个测点的数据均处于同一数据量级，具有一致的影响权重。
步骤S202：构建制浆***出口SO2浓度预测元模型。
具体的，获得完整且标准一致的实时运行参数后，还需要对应的预测元模型进行未来一段时间运行参数模拟，该预测元模型需要与对应制浆***契合。所以需要获取制浆***的历史运行参数，该历史运行参数中包括有制浆***和运行参数的演变规律。优选的，将历史运行参数拆解为多个部分，一分部最为训练样本数据，通过预设LSTM算法进行所述训练样本数据训练，获得制浆***出口SO2浓度预测元模型。然后再用一部分历史运行参数对获得的预测元模型进行验证和修正，最后在用一部分历史运行参数对预测元模型进行训练测试，保证最终的预测元模型稳定且准确。
步骤S203：进行未来一段时间制浆***出口SO2浓度预测。
具体的，获得预测元模型后，将预处理完成后的实时运行参数导入到预测元模型中，根据预测元模型训练规则，输出对应一段时间后的制浆***出口SO2浓度。优选的，以滑动窗口的形式获取最新时间窗口内的数据并进行数据的清洗、空值处理以及数据标准化等数据预处理操作，并将处理好的数据输入到预测模型中，模型输出该时间窗口内的预测结果，随着时间窗口的滑动，模型依次输出目标变量的预测值，最终形成目标变量的时间序列值，该时间序列值包括未来各预测时间点和对应时间点的制浆***出口SO2浓度。
步骤S30：对获得的出口SO2浓度预测值进行修正。
具体的，制浆***的运行状态是在动态变化的，所以预测元模型获得的预测值可能存在一部分偏差，为了解决***动态变化过程中的偏差问题，需要实时对获得的预测值进行修正。当前的修正状态可以代表***的当前运行状态，然后根据当前的修正规则对临近的预测时间点的预测数据进行提前修正，可以极大解决偏差问题。例如，在时间节点0，***预测了时间节点1的制浆***出口SO2浓度值，当***运行到时间节点1时，***会采集实时真实的制浆***出口SO2浓度值，将该真实的浓度值与0点预测的制浆***出口SO2浓度预测值进行对比，若二者存在偏差，则生成从预测值到真实值的修正规则。然后在时间节点1进行时间节点2的制浆***出口SO2浓度预测，获得预测值后，根据时间节点1获得的修正规则对时间节点2的制浆***出口SO2浓度预测值进行提前修订。在时间节点2再次进行验证和修订，更新出新的修正规则，以此类推，保证后续修正规则的持续更新，提高预测值的准确率。
步骤S40：将修正后的出口SO2浓度预测值导入关联规则模型，输出修正后的出口SO2浓度预测值对应的制浆***的最优运行方案。
具体的，将修正后的出口SO2浓度预测值导入预设关联规则模型；所述关联规则模型根据预设优化目标输出对应的制浆***运行最优方案。通过背景技术已知，本发明提出的制浆***的寻优控制方法的核心目的是保证在制浆***运行过程中，石灰石浆液的密度始终维持在1250±10Kg/m3。我们是通过出口SO2浓度来进行表征，但最终目的还是为了优化出石灰石浆液密度浮动在预设值的优化路线。所以该预设关联规则模型，体现了制浆***出口SO2浓度值和对应时刻的制浆***的工作状态之间的关联关系。在进行最优方案模拟前，需要首先获得该关联规则模型。获取脱硫***的历史运行参数；筛选出其中各时刻的制浆***出口SO2浓度值和对应时刻的制浆***的工作状态；根据预设Apriori算法寻找所述制浆***出口SO2浓度值和对应时刻的制浆***的工作状态之前的关联关系，并输出包含所述关联关系的关联规则模型。确定优化目标为石灰石浆液密度维持在1250Kg/m3后，选择对象输出在未来的采样点上与数值1250的残差平方和最小为最优控制目标，随着新数据源源不断的到来，控制模型也在不断进行滚动优化，形成控制闭环，从而保证石灰石浆液密度维持在1250±10Kg/m3。根据模型输出结果，可以获得直接调整石灰石浆液密度的加水阀与称重给料机的控制规则。当预测密度过高，对应增大加水阀供水量或减少称重给料机的石灰供应量，具体调整规则以最少调整量为准。
步骤S50：根据所述最优运行方案进行所述制浆***的提前调整。
具体的，处理单元30获得调整后加水阀的开合程度和称重给料机的送料规则后，根据最少调节量基准，生成对应的执行指令，然后将该执行指令发送到执行单元40。执行单元40在原制浆***控制单元位置进行构建，利用原制浆***的控制回路进行加水阀和称重给料机控制。执行单元40接收到指令就，将该指令传输到制浆***控制单元，通过控制单元完成加水阀和称重给料机提前调整，使得***运行到预测时间节点时，已经完成调整。
本发明实施方式还提供一种计算机可读储存介质，该计算机可读存储介质上储存有指令，其在计算机上运行时使得计算机执行上述的制浆***的寻优控制方法。
本领域技术人员可以理解实现上述实施方式的方法中的全部或部分步骤是可以通过程序来指令相关的硬件来完成，该程序存储在一个存储介质中，包括若干指令用以使得单片机、芯片或处理器(processor)执行本发明各个实施方式所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
以上结合附图详细描述了本发明的可选实施方式，但是，本发明实施方式并不限于上述实施方式中的具体细节，在本发明实施方式的技术构思范围内，可以对本发明实施方式的技术方案进行多种简单变型，这些简单变型均属于本发明实施方式的保护范围。另外需要说明的是，在上述具体实施方式中所描述的各个具体技术特征，在不矛盾的情况下，可以通过任何合适的方式进行组合。为了避免不必要的重复，本发明实施方式对各种可能的组合方式不再另行说明。
此外，本发明的各种不同的实施方式之间也可以进行任意组合，只要其不违背本发明实施方式的思想，其同样应当视为本发明实施方式所公开的内容。
Claims (9)
1.一种制浆***的寻优控制方法，所述制浆***用于为脱硫***提供石灰石浆液，其特征在于，所述方法包括：
获取所述制浆***的实时运行参数；
根据所述实时运行参数和预测元模型，进行制浆***的出口SO2浓度预测，获得出口SO2浓度预测值；包括：
S11)根据当前预测时刻的实时运行参数，进行未来被预测时间段的出口SO2浓度值预测，获得所述被预测时间段内各个被预测时刻对应的出口SO2浓度预测值；其中，所述被预测时间段的截止时刻为下一个预测时刻；
S12)重复步骤S11)，其中每到达一个预测时刻，进行一次出口SO2浓度值预测；其中每两个预测时刻之间的间隔时间相同，每两个预测时刻之间的间隔时间作为一个被预测时间段；
对获得的出口SO2浓度预测值进行修正；包括：
S21)选取一个被预测时间段中的一个被预测时刻的SO2浓度预测值，并在时间节点到达该被预测时刻时，获取该被预测时刻的SO2浓度实际值；
S22)根据该被预测时刻的SO2浓度实际值对该被预测时刻的SO2浓度预测值进行修正，并根据修正路径获得当前预测时刻的修正方案；
S23)以当前预测时刻的修正方案进行相邻下一个被预测时间段的出口SO2浓度预测值修正；
S24)重复步骤S21)-S23)，其中每个预测时刻的修正方案均来自于上一个被预测时间段；
将修正后的出口SO2浓度预测值导入关联规则模型，输出修正后的出口SO2浓度预测值对应的制浆***的最优运行方案；
根据所述最优运行方案进行所述制浆***的提前调整。
2.根据权利要求1所述的方法，其特征在于，所述根据所述实时运行参数和预测元模型，进行制浆***的出口SO2浓度预测，获得出口SO2浓度预测值，包括：
根据预处理规则对所述实时运行参数进行处理；其中，所述预处理规则包括：无效值过滤、缺失值填充和统一标准处理；
将预处理后的运行参数导入至预测元模型中，通过训练获得制浆***的出口SO2浓度预测值。
3.根据权利要求1所述的方法，其特征在于，所述方法还包括：
构建预测元模型，包括：
获取脱硫***的历史运行参数；
从所述历史运行参数中筛选出与制浆***的出口SO2浓度值存在关联的运行参数作为训练样本数据；
通过预设LSTM算法进行所述训练样本数据训练，获得用于制浆***的出口SO2浓度预测的预测元模型。
4.根据权利要求1所述的方法，其特征在于，所述方法还包括构建关联规则模型，包括：
获取脱硫***的历史运行参数；
从所述历史运行参数中筛选出制浆***的出口SO2浓度值以及对应时刻的制浆***的工作状态；
根据预设Apriori算法寻找所述制浆***的出口SO2浓度值和对应时刻的制浆***的工作状态之间的关联关系，输出包含所述关联关系的关联规则模型。
5.根据权利要求4所述的方法，其特征在于，所述制浆***的工作状态包括：
加水阀的开合程度和称重给料机的送料规则。
6.根据权利要求5所述的方法，其特征在于，所述将修正后的出口SO2浓度预测值导入关联规则模型，输出修正后的出口SO2浓度预测值对应的制浆***的最优运行方案，包括：
将修正后的出口SO2浓度预测值导入关联规则模型，通过所述关联规则模型根据预设优化目标输出对应的制浆***的最优运行方案；其中，所述制浆***的最优运行方案包括：
加水阀的最佳开合程度和称重给料机的最佳送料规则。
7.根据权利要求6所述的方法，其特征在于，所述预设优化目标为：
所述制浆***中的石灰石浆液密度维持在1250±10Kg/m3。
8.一种制浆***的寻优控制***，所述制浆***用于为脱硫***提供石灰石浆液，其特征在于，所述***包括：
采集单元，用于获取所述制浆***的实时运行参数；
预测单元，用于根据所述实时运行参数和预测元模型，进行制浆***的出口SO2浓度预测，获得出口SO2浓度预测值；包括：
S11)根据当前预测时刻的实时运行参数，进行未来被预测时间段的出口SO2浓度值预测，获得所述被预测时间段内各个被预测时刻对应的出口SO2浓度预测值；其中，所述被预测时间段的截止时刻为下一个预测时刻；
S12)重复步骤S11)，其中每到达一个预测时刻，进行一次出口SO2浓度值预测；其中每两个预测时刻之间的间隔时间相同，每两个预测时刻之间的间隔时间作为一个被预测时间段；
处理单元，用于：
通过修正模型对所述出口SO2浓度预测值进行修正；包括：
S21)选取一个被预测时间段中的一个被预测时刻的SO2浓度预测值，并在时间节点到达该被预测时刻时，获取该被预测时刻的SO2浓度实际值；
S22)根据该被预测时刻的SO2浓度实际值对该被预测时刻的SO2浓度预测值进行修正，并根据修正路径获得当前预测时刻的修正方案；
S23)以当前预测时刻的修正方案进行相邻下一个被预测时间段的出口SO2浓度预测值修正；
S24)重复步骤S21)-S23)，其中每个预测时刻的修正方案均来自于上一个被预测时间段；
将修正后的出口SO2浓度预测值导入关联规则模型，输出修正后的出口SO2浓度预测值对应的制浆***的最优运行方案；
执行单元，用于根据所述最优运行方案进行所述制浆***的提前调整。
9.一种计算机可读储存介质，该计算机可读存储介质上储存有指令，其在计算机上运行时使得计算机执行权利要求1至7中任一项权利要求所述的制浆***的寻优控制方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110791365.0A CN113485111B (zh) | 2021-07-13 | 2021-07-13 | 制浆***的寻优控制方法及*** |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110791365.0A CN113485111B (zh) | 2021-07-13 | 2021-07-13 | 制浆***的寻优控制方法及*** |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN113485111A CN113485111A (zh) | 2021-10-08 |
| CN113485111B true CN113485111B (zh) | 2024-02-20 |
Family
ID=77939208
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110791365.0A Active CN113485111B (zh) | 2021-07-13 | 2021-07-13 | 制浆***的寻优控制方法及*** |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113485111B (zh) |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116440670B (zh) * | 2023-04-12 | 2023-10-31 | 华能伊春热电有限公司 | 一种石灰石浆液密度稳定性控制方法 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| EP2846203A2 (en) * | 2013-09-10 | 2015-03-11 | Alstom Technology Ltd | Automatic tuning control system for air pollution control systems |
| CN109603494A (zh) * | 2018-11-13 | 2019-04-12 | 北京国电龙源环保工程有限公司 | 基于大数据的脱硫装置吸收循环***优化运行方法及吸收循环*** |
| CN110263395A (zh) * | 2019-06-06 | 2019-09-20 | 东南大学 | 基于数值模拟和数据分析的电厂脱硝运行优化方法及*** |
| CN111275335A (zh) * | 2020-01-20 | 2020-06-12 | 华电莱州发电有限公司 | 一种基于数据驱动的浆液循环泵寻优方法及*** |
| CN112736909A (zh) * | 2020-12-28 | 2021-04-30 | 智光研究院(广州)有限公司 | 储能***实时控制方法、装置、电子设备和存储介质 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US10565522B2 (en) * | 2016-07-25 | 2020-02-18 | General Electric Company | System modeling, control and optimization |
-
2021
- 2021-07-13 CN CN202110791365.0A patent/CN113485111B/zh active Active
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| EP2846203A2 (en) * | 2013-09-10 | 2015-03-11 | Alstom Technology Ltd | Automatic tuning control system for air pollution control systems |
| CN109603494A (zh) * | 2018-11-13 | 2019-04-12 | 北京国电龙源环保工程有限公司 | 基于大数据的脱硫装置吸收循环***优化运行方法及吸收循环*** |
| CN110263395A (zh) * | 2019-06-06 | 2019-09-20 | 东南大学 | 基于数值模拟和数据分析的电厂脱硝运行优化方法及*** |
| CN111275335A (zh) * | 2020-01-20 | 2020-06-12 | 华电莱州发电有限公司 | 一种基于数据驱动的浆液循环泵寻优方法及*** |
| CN112736909A (zh) * | 2020-12-28 | 2021-04-30 | 智光研究院(广州)有限公司 | 储能***实时控制方法、装置、电子设备和存储介质 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN113485111A (zh) | 2021-10-08 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110263988B (zh) | 一种基于电厂脱硫***的数据运行优化方法 | |
| CN111804146B (zh) | 一种智能喷氨控制方法以及智能喷氨控制装置 | |
| US8577822B2 (en) | Data-driven approach to modeling sensors wherein optimal time delays are determined for a first set of predictors and stored as a second set of predictors | |
| NO333425B1 (no) | Prediktiv styring av styringsprosess for luftforurensning | |
| NO335836B1 (no) | Kaskadestyring av en gjennomsnittsverdi av en prosessparameter til en ønsket verdi | |
| CN109062053A (zh) | 一种基于多变量校正的脱硝喷氨控制方法 | |
| CN111522290A (zh) | 一种基于深度学习方法的脱硝控制方法和*** | |
| NO332740B1 (no) | Kontroller for å lede drift av et luftforurensningskontrollsystem | |
| 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*** | |
| CN112506162B (zh) | 一种基于数据模型和机理运算的氧化风***控制方法 | |
| CN113485111B (zh) | 制浆***的寻优控制方法及*** | |
| CN113469449B (zh) | 脱硫***的寻优控制方法及*** | |
| 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 | |
| CN111598308B (zh) | 基于回归和二重pso算法解决浆液循环泵组合优化方法 | |
| CN115400571A (zh) | 脱硫吸收塔自动供浆方法及装置 | |
| CN111450694B (zh) | 一种基于多目标优化的脱硫***工业控制器和控制方法 | |
| CN111008735B (zh) | 预测排放管理***及方法 | |
| Kong et al. | Prediction and optimization of a desulphurization system using CMAC neural network and genetic algorithm | |
| CN112023650A (zh) | 一种全工况自适应的pH调节*** | |
| Li et al. | Intelligent partition of operating condition-based multi-model control in flue gas desulfurization | |
| CN111174824B (zh) | 一种酸雾排放的管控平台 | |
| CN114759557A (zh) | 一种燃煤机组agc调节性能预测方法 | |
| CN112415148A (zh) | 一种基于在线学习的湿法脱硫***CaSO3软测量方法 | |
| Prunescu et al. | Modelling and L 1 adaptive control of pH in bioethanol enzymatic process |
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 |