CN113488111B - 一种scr脱硝***喷氨量优化建模方法 - Google Patents

一种scr脱硝***喷氨量优化建模方法 Download PDF

Info

Publication number
CN113488111B
CN113488111B CN202110760346.1A CN202110760346A CN113488111B CN 113488111 B CN113488111 B CN 113488111B CN 202110760346 A CN202110760346 A CN 202110760346A CN 113488111 B CN113488111 B CN 113488111B
Authority
CN
China
Prior art keywords
scr
injection amount
outlet
ammonia injection
ammonia
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
Application number
CN202110760346.1A
Other languages
English (en)
Other versions
CN113488111A (zh
Inventor
司风琪
杨浩
董云山
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Southeast University
Original Assignee
Southeast University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Southeast University filed Critical Southeast University
Priority to CN202110760346.1A priority Critical patent/CN113488111B/zh
Publication of CN113488111A publication Critical patent/CN113488111A/zh
Application granted granted Critical
Publication of CN113488111B publication Critical patent/CN113488111B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16C—COMPUTATIONAL CHEMISTRY; CHEMOINFORMATICS; COMPUTATIONAL MATERIALS SCIENCE
    • G16C20/00—Chemoinformatics, i.e. ICT specially adapted for the handling of physicochemical or structural data of chemical particles, elements, compounds or mixtures
    • G16C20/10—Analysis or design of chemical reactions, syntheses or processes
    • 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
    • B01D53/346—Controlling the process
    • 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
    • B01D53/54—Nitrogen compounds
    • B01D53/56—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
    • B01D53/8628—Processes characterised by a specific catalyst
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/044—Recurrent networks, e.g. Hopfield networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16C—COMPUTATIONAL CHEMISTRY; CHEMOINFORMATICS; COMPUTATIONAL MATERIALS SCIENCE
    • G16C20/00—Chemoinformatics, i.e. ICT specially adapted for the handling of physicochemical or structural data of chemical particles, elements, compounds or mixtures
    • G16C20/30—Prediction of properties of chemical compounds, compositions or mixtures
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16C—COMPUTATIONAL CHEMISTRY; CHEMOINFORMATICS; COMPUTATIONAL MATERIALS SCIENCE
    • G16C20/00—Chemoinformatics, i.e. ICT specially adapted for the handling of physicochemical or structural data of chemical particles, elements, compounds or mixtures
    • G16C20/70—Machine learning, data mining or chemometrics
    • 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
    • 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
    • Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
    • Y02T10/00—Road transport of goods or passengers
    • Y02T10/10—Internal combustion engine [ICE] based vehicles
    • Y02T10/40—Engine management systems

Landscapes

  • Engineering & Computer Science (AREA)
  • Chemical & Material Sciences (AREA)
  • Theoretical Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Computing Systems (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Biomedical Technology (AREA)
  • Environmental & Geological Engineering (AREA)
  • Physics & Mathematics (AREA)
  • Chemical Kinetics & Catalysis (AREA)
  • Analytical Chemistry (AREA)
  • Oil, Petroleum & Natural Gas (AREA)
  • Data Mining & Analysis (AREA)
  • General Chemical & Material Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Evolutionary Computation (AREA)
  • Software Systems (AREA)
  • Artificial Intelligence (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Crystallography & Structural Chemistry (AREA)
  • Computational Linguistics (AREA)
  • Mathematical Physics (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Molecular Biology (AREA)
  • Biophysics (AREA)
  • Medical Informatics (AREA)
  • Databases & Information Systems (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Treating Waste Gases (AREA)

Abstract

本发明涉及一种SCR脱硝***喷氨量优化建模方法，是基于深度学***衡喷氨经济性出发，提高控制***的控制品质，最终提高SCR脱硝过程的调节精度和鲁棒性，解决了传统PID控制存在滞后且适应性差的技术问题。

Description

一种SCR脱硝***喷氨量优化建模方法
技术领域
本发明涉及基于深度学习的控制建模技术领域，尤其是一种SCR脱硝***喷氨量优化建模方法。
背景技术
氮氧化物是大气中的主要污染物之一，对生态环境和人类健康都有巨大的危害，而电力、热力行业生产造成的氮氧化物排放约占总排放量的45％。为此，中国要求所有火电机组的氮氧化物排放均需满足50mg/Nm3的超低排放标准。
燃煤电站机组广泛采用选择性催化还原(Selective Catalytic Reduction，SCR)技术来降低烟气中NOx含量，SCR脱硝***中化学反应的机理过程复杂，NOx浓度受烟气流量、烟气含氧量等干扰参数的影响，具有非线性、大迟延、多变量耦合等特点。传统脱硝控制***采用串级控制逻辑，通过调节喷氨量来控制SCR出口处的NOx浓度，其中，NOx浓度信号由CEMS抽样所测，测量过程存在较大滞后，因而NOx浓度的测量信号不能准确地反映SCR***运行状态，脱硝控制***的精度和准确性难以保障。
为削弱干扰参数对SCR脱硝***的不利影响，提高脱硝控制***的调节精度和鲁棒性。目前主要采用的方法包括优化喷氨量及控制器参数等。其中，传统喷氨量优化计算方法未考虑输入参数扰动的影响，计算所得的喷氨量无法及时响应SCR入口处的NOx浓度变化，即传统PID控制存在滞后且适应性差的技术问题，无法保证机组的经济性和环保性。
如何在脱硝***特性的基础上建立准确动态喷氨量计算模型，是亟需解决的问题。
发明内容
针对现有技术的缺陷，本发明提供一种SCR脱硝***喷氨量优化建模方法，目的是解决传统PID控制存在滞后且适应性差的技术问题。
本发明采用的技术方案如下：
一种SCR脱硝***喷氨量优化建模方法，包括以下步骤：
S1：根据所述SCR脱硝***的运行特性，确定SCR出口NOx及氨逃逸的特性、以及SCR脱硝***的控制***的干扰参数和影响参数；所述SCR出口NOx及氨逃逸的特性指由所述影响参数的变化而引起SCR出口NOx及氨逃逸的变化；
S2：根据SCR出口NOx的特性、所述影响参数及所述SCR的物理结构，基于GRU门控循环神经网络训练SCR出口参数预测模型；其中，所述GRU门控循环神经网络的输入为所述影响参数，输出为SCR出口NOx浓度及氨逃逸量；
S3：根据SCR出口NOx的特性，在所述SCR出口参数预测模型的基础上，基于DNN深度神经网络建立喷氨量目标值优化模型；
其中，DNN深度神经网络的输入层的输入为所述干扰参数的一阶差分值以及控制***反馈偏差Es，DNN深度神经网络的输出层的输出为喷氨量偏置值Dout；
所述反馈偏差Es经控制***的控制器输出对应的喷氨量，将所述喷氨量U与所述喷氨量偏置值Dout相加，得到优化喷氨量Qin＝U+Dout，若Qin未超过喷氨量的变化限值Qmax，则将Fin＝[Qin，Fother]输入到所述SCR出口参数预测模型中，否则输入Fin＝[Qmax，Fother]，计算SCR出口NOx浓度及氨逃逸，利用损失函数LossDNN训练所述DNN深度神经网络直至模型的精度达到要求或训练达到最大迭代次数，得到所述喷氨量目标值优化模型；Fother为喷氨量外其他的SCR出口参数预测模型输入；喷氨量的变化限值Qmax限值根据喷氨量变动速率和上下限确定；
S4：根据所述喷氨量目标值优化模型对SCR出口NOx进行动态优化。
反馈偏差Es为所述SCR出口参数预测模型计算所得的NOx浓度经控制***的延迟环节计算后，与SCR出口NOx设定值的差值；所述控制***的延迟环节是CEMS测量SCR出口NOx的纯延迟时间。
所述损失函数LossDNN的表达式如下：
Figure BDA0003147268940000021
其中，yp为SCR出口NOx浓度预测后，经延迟环节后的输出值；yr为SCR出口NOx浓度设定值；W为平均耗氨量权重系数；α为氨逃逸惩罚系数；ε为SCR反应器出口氨逃逸；εmax为氨逃逸标准限制；β为NOx浓度小时均值超限惩罚系数；ye为额定SCR出口NOx浓度设定值；ReLU表示线性整流函数，n表示样本数，i为样本编号。
所述影响参数包括SCR入口烟气流量、SCR入口NOx浓度、SCR入口氧量、喷氨量和催化剂层温度。
所述干扰参数包括负荷、SCR入口NOx浓度、SCR入口烟气流量、锅炉氧量、煤量、一次风量和二次风量。
本申请中“SCR出口”、“SCR入口”分别指SCR脱硝反应器的出口、入口。本申请中“SCR反应器”指SCR脱硝反应器。
本发明的有益效果如下：
本发明采用GRU循环神经网络建立准确的SCR出口参数预测模型，在此基础上，根据SCR出口NOx的干扰参数建立基于DNN的喷氨量目标值优化模型，以此实现SCR出口NOx的控制调节，从而抑制干扰参数对SCR脱硝***的影响，提高控制***的控制品质，最终提高SCR出口NOx的调节精度和鲁棒性。本发明建立的喷氨量目标值优化模型精度高、适应性强，提高了喷氨过程的鲁棒性、准确性及经济性。
附图说明
图1为本发明方法的流程图。
图2为本发明GRU门控循环神经网络训练得到SCR出口参数预测模型的流程示意图。
图3为本发明DNN深度神经网络训练得到喷氨量目标值优化模型的流程图。
图4为本发明具体实施例的控制***喷氨量优化后SCR出口NOx输出结果和SCR出口NOx测点数据的对比结果。
具体实施方式
以下结合附图说明本发明的具体实施方式。
本申请的一种SCR脱硝***喷氨量优化建模方法，基于的物理***为包含SCR脱硝***和控制***的火电机组，SCR出口NOx为处于变负荷运行状态中的火电机组SCR的出口NOx浓度，其中火电机组的SCR出口NOx浓度的设计值为50mg/Nm3。
如图1所示，本申请的喷氨量优化建模方法，包括以下步骤：
步骤S1：根据脱硝***的运行特性，确定SCR出口NOx的特性，并确定控制***干扰参数和影响参数；其中，SCR出口NOx的特性指由影响参数的变化而引起SCR出口NOx的变化；
其中，影响参数包括SCR入口烟气流量、SCR入口NOx浓度、SCR入口氧量、喷氨量和催化剂层温度；干扰参数包括负荷、锅炉氧量、SCR入口NOx浓度、SCR入口烟气流量、煤量、一次风量和二次风量。
步骤S2：根据所述SCR出口NOx的特性、所述控制***影响参数和所述SCR的物理结构，基于GRU门控循环神经网络的基础上训练SCR出口参数预测模型，SCR出口参数预测模型用于得到SCR脱硝***动态特性；
可参考图2，具体流程如下：
步骤S21：将上述的影响参数输入到GRU网络层，得到SCR出口NOx浓度计算值。
其中，GRU输入为Fin，Fin即包括上述SCR入口烟气流量、SCR入口NOx浓度、SCR入口氧量、喷氨量和催化剂层温度，输出Fout为SCR出口NOx浓度和氨逃逸量，输入输出的表达式为：Fout＝fGRU(Fin)；
步骤S22：按照步骤S21训练，直至得到网络参数确定的SCR出口参数预测模型Fout＝fmodel(Fin)；
其中，GRU网络层计算函数为outGRU＝fGRU(inGRU)，inGRU为GRU网络层的输入，outGRU为GRU网络层的输出。
具体地，GRU网络层包括：若隐藏单元个数为h，给定时间步长t的小批量输入xt∈Rn ×d和上一时间步单元输出***状态ht-1∈Rn×h，R为输入参数矩阵，n表示样本数，d表示输入个数；
重置门、更新门、当前记忆状态、单元输出***状态以及与预测值的计算规则的公式如下：
重置门：
rt＝σ(Wr·[ht-1，xt])；
更新门：
zt＝σ(Wz·[ht-1，xt])；
当前记忆状态：
Figure BDA0003147268940000031
rt为上述重置门的计算输出；
单元输出***状态：
Figure BDA0003147268940000032
zt为上述更新门的计算输出；
预测值的计算规则：
y＝σ(WO·ht)；
每个循环神经单元当前时间步的输出***状态ht∈Rn×h由当前时间步输入和上一个时间步***状态共同决定。
上述各公式中，σ、tanh分别为Sigmoid激活函数和双曲正切函数，Wr、Wz、
Figure BDA0003147268940000042
和Wo为对应权重矩阵，其中，Wr＝Wrx+Wrh，Wrx和Wrh分别表示输入xt和单元输出***状态ht-1对应的重置门权重矩阵，Wz＝Wzx+Wzh，Wzx和Wzh分别表示输入xt和单元输出***状态ht-1对应的更新门权重矩阵，
Figure BDA0003147268940000043
和
Figure BDA0003147268940000044
分别表示输入xt和单元输出***状态ht-1对应的当前记忆的权重矩阵。
步骤S3：根据SCR出口NOx的特性，在SCR出口参数预测模型的基础上，基于DNN深度神经网络训练喷氨量目标值优化模型；
可参考图3，具体流程如下：
S31：向DNN深度神经网络的输入层输入Din进行训练，得到DNN深度神经网络的输出层的输出喷氨量偏置值Dout；其中，Din包括上述干扰参数即负荷、锅炉氧量、SCR入口NOx浓度、SCR入口烟气流量、煤量、一次风量、二次风量的一阶差分值以及控制***的反馈偏差Es；
其中，控制***的反馈偏差Es为SCR出口参数预测模型计算所得的NOx浓度经控制***的延迟环节计算后，与SCR出口NOx设定值的差值；控制***的延迟环节是CEMS测量SCR出口NOx的纯延迟时间。
控制***中，反馈偏差Es经控制器输出喷氨量U；控制器输出的喷氨量U与喷氨量目标值优化模型的输出Dout相加得到优化喷氨量Qin，Qin＝U+Dout；
S32：若Qin未超过喷氨量的变化限值Qmax，则将[Qin，Fother]作为Fin，即Fin＝[Qin，Fother]输入到所述SCR出口参数预测模型中，否则输入Fin＝[Qmax，Fother]，计算SCR出口NOx浓度及氨逃逸，利用损失函数LossDNN训练DNN深度神经网络直至模型的精度达到要求或训练达到最大迭代次数，得到喷氨量目标值优化模型fDNN。
其中，喷氨量的变化限值Qmax根据喷氨量变动速率和上下限确定；Fother为除喷氨量外其他的SCR出口参数预测模型输入。
DNN深度神经网络的损失函数LossDNN表达式如下：
Figure BDA0003147268940000041
其中，yp为SCR出口NOx浓度预测后，经延迟环节后的输出值；yr为SCR出口NOx浓度设定值；甲为平均耗氨量权重系数；α为氨逃逸惩罚系数；ε为SCR反应器出口氨逃逸；εmax为氨逃逸标准限制；β为NOx浓度小时均值超限惩罚系数；ye为额定SCR出口NOx浓度设定值；ReLU表示线性整流函数，n表示样本数，i为样本编号。
S4：根据喷氨量目标值优化模型fDNN对所述SCR出口NOx浓度进行动态优化。
本申请以某660MW燃煤机组的脱硝控制***为算例，额定SCR出口浓度的设计值为50mg/Nm3。氨逃逸标准限制εmax为3ppm；平均耗氨量权重系数W为0.1；氨逃逸惩罚系数α为0.001；NOx浓度小时均值超限惩罚系数β为999；额定SCR出口NOx浓度设定值ye为50mg/Nm3；所用控制器为PID控制器；控制***的测量延迟环节为60秒。
图4给出了一段时间内(2020年08月10日00：00到2020年08月10日03：50)控制***喷氨量优化后SCR出口NOx输出结果和SCR出口NOx测点数据的对比。进一步统计后，对于整个测试集，优化前其均方根误差(RMSE)为3.242mg/Nm3，优化后为0.903mg/Nm3。对于整个脱硝过程，平均喷氨量下降了1.252kg/Nm3，控制***的控制精度及经济性都有提高。

Claims (5)

1.一种SCR脱硝***喷氨量优化建模方法，其特征在于，包括以下步骤：
S1：根据所述SCR脱硝***的运行特性，确定SCR出口NOx及氨逃逸的特性、以及SCR脱硝***的控制***的干扰参数和影响参数；所述SCR出口NOx及氨逃逸的特性指由所述影响参数的变化而引起SCR出口NOx及氨逃逸的变化；
S2：根据SCR出口NOx的特性、所述影响参数及所述SCR的物理结构，基于GRU门控循环神经网络训练SCR出口参数预测模型；其中，所述GRU门控循环神经网络的输入为所述影响参数，输出为SCR出口NOx浓度及氨逃逸量；
S3：根据SCR出口NOx的特性，在所述SCR出口参数预测模型的基础上，基于DNN深度神经网络建立喷氨量目标值优化模型；
其中，DNN深度神经网络的输入层的输入为所述干扰参数的一阶差分值以及控制***反馈偏差Es，DNN深度神经网络的输出层的输出为喷氨量偏置值Dout；
所述反馈偏差Es经控制***的控制器输出对应的喷氨量U，将所述喷氨量U与所述喷氨量偏置值Dout相加，得到优化喷氨量Qin＝U+Dout，若Qin未超过喷氨量的变化限值Qmax，则将Fin＝[Qin，Fother]输入到所述SCR出口参数预测模型中，否则输入Fin＝[Qmax，Fother]，计算SCR出口NOx浓度及氨逃逸，利用损失函数LossDNN训练所述DNN深度神经网络直至模型的精度达到要求或训练达到最大迭代次数，得到所述喷氨量目标值优化模型；其中，Fother为除了喷氨量外其他的SCR出口参数预测模型输入；
S4：根据所述喷氨量目标值优化模型对SCR出口NOx进行动态优化。
2.根据权利要求1所述的SCR脱硝***喷氨量优化建模方法，其特征在于，所述反馈偏差Es为所述SCR出口参数预测模型计算所得的NOx浓度经控制***的延迟环节计算后，与SCR出口NOx设定值的差值；所述控制***的延迟环节是CEMS测量SCR出口NOx的纯延迟时间。
3.根据权利要求2所述的SCR脱硝***喷氨量优化建模方法，其特征在于，所述损失函数LossDNN的表达式如下：
Figure FDA0003147268930000011
其中，yp为SCR出口NOx浓度预测后，经延迟环节的输出值；yr为SCR出口NOx浓度设定值；W为平均耗氨量权重系数；α为氨逃逸惩罚系数；ε为SCR反应器出口氨逃逸；εmax为氨逃逸标准限制；β为NOx浓度小时均值超限惩罚系数；ye为额定SCR出口NOx浓度设定值；ReLU表示线性整流函数，n表示样本数，i为样本编号。
4.根据权利要求1所述的SCR脱硝***喷氨量优化建模方法，其特征在于，所述影响参数包括SCR入口烟气流量、SCR入口NOx浓度、SCR入口氧量、喷氨量和催化剂层温度。
5.根据权利要求1所述的SCR脱硝***喷氨量优化建模方法，其特征在于，所述干扰参数包括负荷、SCR入口烟气流量、SCR入口NOx浓度、锅炉氧量、煤量、一次风量和二次风量。
CN202110760346.1A 2021-07-05 2021-07-05 一种scr脱硝***喷氨量优化建模方法 Active CN113488111B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110760346.1A CN113488111B (zh) 2021-07-05 2021-07-05 一种scr脱硝***喷氨量优化建模方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110760346.1A CN113488111B (zh) 2021-07-05 2021-07-05 一种scr脱硝***喷氨量优化建模方法

Publications (2)

Publication Number Publication Date
CN113488111A CN113488111A (zh) 2021-10-08
CN113488111B true CN113488111B (zh) 2022-11-22

Family

ID=77941091

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110760346.1A Active CN113488111B (zh) 2021-07-05 2021-07-05 一种scr脱硝***喷氨量优化建模方法

Country Status (1)

Country Link
CN (1) CN113488111B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114664389B (zh) * 2022-03-24 2023-09-22 南方电网电力科技股份有限公司 一种尿素水解制氨反应条件的预测方法及装置

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104826492A (zh) * 2015-04-23 2015-08-12 华北电力大学（保定） 一种选择性催化还原法烟气脱硝喷氨控制***的改进方法
CN107694337A (zh) * 2017-11-03 2018-02-16 吉林省电力科学研究院有限公司 基于神经网络预测控制的燃煤机组scr烟气脱硝控制方法
CN108837698A (zh) * 2018-07-02 2018-11-20 大唐环境产业集团股份有限公司 基于先进测量仪表和先进控制算法的scr脱硝喷氨优化方法及***

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104826492A (zh) * 2015-04-23 2015-08-12 华北电力大学（保定） 一种选择性催化还原法烟气脱硝喷氨控制***的改进方法
CN107694337A (zh) * 2017-11-03 2018-02-16 吉林省电力科学研究院有限公司 基于神经网络预测控制的燃煤机组scr烟气脱硝控制方法
CN108837698A (zh) * 2018-07-02 2018-11-20 大唐环境产业集团股份有限公司 基于先进测量仪表和先进控制算法的scr脱硝喷氨优化方法及***

Also Published As

Publication number Publication date
CN113488111A (zh) 2021-10-08

Similar Documents

Publication Publication Date Title
CN109190848B (zh) 一种基于时延预估的SCR***NOx排放浓度预测方法
CN109062053B (zh) 一种基于多变量校正的脱硝喷氨控制方法
CN109343349B (zh) 一种基于喷氨量补偿器的scr烟气脱硝优化控制***和方法
CN109583585B (zh) 一种电站锅炉壁温预测神经网络模型的构建方法
CN110368808B (zh) 一种scr烟气脱硝***的喷氨量控制方法及***
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
CN112488145B (zh) 一种基于智能化方法的NOx在线预测方法及***
CN111897373B (zh) 一种基于模型预测的scr脱硝装置喷氨流量调节方法
CN110597070B (zh) 火电机组***模型参数的辨识方法
CN113488111B (zh) 一种scr脱硝***喷氨量优化建模方法
CN115018158A (zh) 一种基于BWOA-BiGRU-LAM的SCR出口NOx排放预测方法
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
CN112613237B (zh) 一种基于LSTM的CFB机组NOx排放浓度的预测方法
CN115049139A (zh) 一种针对水泥烧成脱硝***的多指标模型预测控制方法
WO2022095534A1 (zh) 一种预测火电厂氨逃逸的方法
CN109046021B (zh) 一种强自适应能力的scr***精确喷氨控制方法
Tang et al. Predictive control of SCR denitrification system in thermal power plants based on GA‐BP and PSO
CN117270387A (zh) 基于深度学习的scr脱硝***低氨逃逸控制方法和***
CN115034486A (zh) 水泥窑烟气iSNCR脱硝预测控制方法
CN114021819B (zh) 基于分数阶灰色延时模型的火电厂氮氧化物含量预测方法
CN115113519A (zh) 一种煤-煤气混烧锅炉脱硝***出口NOx浓度预警方法
CN112231978A (zh) 一种基于人工神经网络的锅炉烟气酸露点测试方法
CN113485106B (zh) 一种火电厂氮氧化物浓度的控制方法
Zhang et al. Application of fuzzy Smith control in SCR de-NOx system

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