CN116036849A - 一种cfb锅炉烟气脱硝自动控制方法及*** - Google Patents
一种cfb锅炉烟气脱硝自动控制方法及*** Download PDFInfo
- Publication number
- CN116036849A CN116036849A CN202211565197.4A CN202211565197A CN116036849A CN 116036849 A CN116036849 A CN 116036849A CN 202211565197 A CN202211565197 A CN 202211565197A CN 116036849 A CN116036849 A CN 116036849A
- Authority
- CN
- China
- Prior art keywords
- denitration
- model
- ammonia injection
- control
- cfb boiler
- 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.)
- Pending
Links
Images
Classifications
-
- 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
- B01D53/77—Liquid phase processes
- B01D53/79—Injecting reactants
-
- 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
- B01D53/30—Controlling by gas-analysis apparatus
-
- 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
-
- 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
-
- 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
-
- 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)
- Chemical & Material Sciences (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Analytical Chemistry (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Environmental & Geological Engineering (AREA)
- General Chemical & Material Sciences (AREA)
- Oil, Petroleum & Natural Gas (AREA)
- Chemical Kinetics & Catalysis (AREA)
- Biophysics (AREA)
- Computing Systems (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Life Sciences & Earth Sciences (AREA)
- Treating Waste Gases (AREA)
Abstract
本发明公开了一种CFB锅炉烟气脱硝自动控制方法,该方法包括以下步骤:S1、实时采集并记录不同时刻CFB锅炉内反应参数作为测定数据;S2、将所述测定数据代入脱硝控制模型进行预测并输出脱硝控制量;S3、根据所述脱硝控制量对喷氨调节阀进行调节控制实际喷氨量;S4、测量实际脱硝效率作为依据对所述脱硝控制模型进行优化修正;本发明还公开了一种CFB锅炉烟气脱硝自动控制***。本发明通过利用灰色模型对历史脱硝大数据进行建模,结合马尔科夫预测模型,能够精确地对未来监测周期内数据进行预测,同时配合自适应的脱硝控制模型计算得到精确的脱硝控制量,从而对喷氨量进行精准调节控制,保证脱硝效率质量。
Description
技术领域
本发明涉及烟气脱硝技术领域,具体来说,涉及一种CFB锅炉烟气脱硝自动控制方法及***。
背景技术
煤作为主要的一次能源,在电站锅炉、工业锅炉和各种相关工业领域的动力设备以及居民生活等的能源消耗中占有很大的比例。特别是近年来随着我国经济的发展,对电的需求大幅度地增加,极大的增加了煤的消耗。由于大量煤炭在燃烧过程中释放出SO2、NO2等污染物带来严重的环境污染和生态破坏,降低了居民的生活质量。
随着日益严格的环保要求标准,循环流化床(CFB)锅炉依靠自身特性已不足以满足烟气排放标准要求,而选择性非催化还原(SNCR)脱硝工艺具有成本低、占地面积小、设施简单等优点,适于老电厂及中小型机组的脱硝改造。循环流化床锅炉SNCR脱硝***综合脱硝效率可达50%~70%,满足现有环保标准要求。然而,由于受煤质条件变动、运行工况不稳定、运行操作不到位等因素影响,实际运行中存在各种问题,难以实现达标排放。
选择性非催化还原法(SNCR)技术是一种不用催化剂,在锅炉炉膛温度区域为800~1100℃的范围内喷入还原剂(如氨水、液氨或尿素等),还原剂在高温环境下迅速分解成NH3并与烟气中的NOx发生还原反应,生成无害的N2和H2О的脱硝工艺。SNCR***由还原剂储罐、多层还原剂喷入装置及相应的控制***组成。为保证脱硝反应能以最少的喷氨量达到最好的还原效果,使还原剂与烟气良好地混合,降低对回转式空气预热器造成堵塞和腐蚀的概率,使喷入的NH3充分反应,还原剂按锅炉负荷改变引起温度变化的原则被多点喷射到炉膛内最有效的部位。
但是喷氨流量的精确、合理控制是SNCR工艺高效运行的前提。由于NH3与NOx的反应是一个大迟延、大惯性的过程,加之NOx在线监测仪表CEMS的过滤-连续抽样-冷凝-二次过滤-化学分析过程也具有显著的迟延性,在此类大迟延的***中,喷氨流量调节门改变后,总需要经过一个漫长的迟延时间,才能波及NOx监测量改变,因此传统的PID控制总是发生明显的滞后性超调甚至呈发散特性。不仅如此,锅炉排烟NOx含量的变化是一个很复杂的过程,受到来自机组负荷、风量、煤量、煤种、低氮燃烧器顶部燃尽风SOFA风门开度等参数影响很大,且都具有不同的迟延特性,传统的手动控制、PID自动控制等现场控制手段难以解决此类工业控制难题。
针对相关技术中的问题,目前尚未提出有效的解决方案。
发明内容
针对相关技术中的问题,本发明提出一种CFB锅炉烟气脱硝自动控制方法及***,以克服现有相关技术所存在的上述技术问题。
为此,本发明采用的具体技术方案如下:
根据本发明的一个方面,提供了一种CFB锅炉烟气脱硝自动控制方法,该方法包括以下步骤:
S1、实时采集并记录不同时刻CFB锅炉内反应参数作为测定数据;
S2、将所述测定数据代入脱硝控制模型进行预测并输出脱硝控制量;
S3、根据所述脱硝控制量对喷氨调节阀进行调节控制实际喷氨量;
S4、测量实际脱硝效率作为依据对所述脱硝控制模型进行优化修正。
进一步的,所述实时采集并记录不同时刻CFB锅炉内反应参数作为测定数据包括以下步骤:
S11、设定并按照监测周期对所述CFB锅炉进行实时监测;
S12、测量所述CFB锅炉内的床温、风量及给煤量参数确定锅炉负荷;
S13、测量所述CFB锅炉内烟气中NOx气体的浓度,作为初始浓度;
S14、获取当前所述监测周期内喷氨调节阀的开合度;
S15、获取并记录当前所述监测周期与当前所述开合度前提下的喷氨量,作为初始喷氨量;
S16、将同一所述监测周期内的所述锅炉负荷、所述初始浓度、所述开合度及所述初始喷氨量作为某一监测周期的测定数据。
进一步的,将所述测定数据代入脱硝控制模型进行预测并输出脱硝控制量包括以下步骤:
S21、结合历史脱硝浓度大数据构建灰色马尔科夫预测模型;
S22、结合历史喷氨量大数据小脑模型神经网络构建喷氨调节模型;
S23、将所述灰色马尔科夫预测模型与所述脱硝控制神经网络构建满足脱硝控制策略的脱硝控制模型;
S24、将所述测定数据依次代入所述脱硝控制模型中,输出脱硝控制量。
进一步的,所述结合历史脱硝浓度大数据构建灰色马尔科夫预测模型包括以下步骤:
S211、以历史脱硝浓度大数据作为基础数据构建灰色预测模型;
S212、向所述灰色模型中输入仿真数据集进行仿真预测,并输出仿真预测结果;
S213、根据所述仿真预测结果,计算真实值与预测值之间的相对误差,并通过误差范围对状态区间进行划分;
S214、将当前状态经过若干步骤转移到下一状态的概率组合形成状态转移概率矩阵;
S215、根据当前状态与所述状态转移矩阵对下一时刻的状态进行预测。
进一步的,所述结合历史喷氨量大数据小脑模型神经网络构建喷氨调节模型包括以下步骤:
S221、利用高斯函数作为小脑模型神经网络的基函数构建初始模型;
S222、将历史喷氨量大数据进行扩充并划分为训练集与测试集;
S223、将所述训练集代入所述初始模型进行训练得到喷氨调节模型;
S223、利用所述测试集对所述喷氨调节模型进行测试训练与验证。
进一步的,将所述测定数据依次代入所述脱硝控制模型中,输出脱硝控制量包括以下步骤:
S241、将当前监测周期所述测定数据中的锅炉负荷、初始浓度及开合度代入所述喷氨调节模型中输出结果,作为基础喷氨量;
S242、将当前监测周期所述测定数据中的初始浓度代入所述灰色马尔科夫预测模型中进行预测得到下一监测周期的浓度预测结果;
S243、计算所述浓度预测结果与当前监测周期内所述初始浓度的差值,结合所述CFB锅炉的工况参数计算得到相应的补偿喷氨量;
S244、将所述基础喷氨量与所述补偿喷氨量之和与修正系数、校正系数相乘得到下一监测周期的实际喷氨量,并作为脱硝控制量。
进一步的,根据所述脱硝控制量对喷氨调节阀进行调节控制实际喷氨量采用串级控制策略,控制的主参数为所述初始浓度,副参数为所述开合度,基准量为所述脱硝控制量。
进一步的,所述测量实际脱硝效率作为依据对所述脱硝控制模型进行优化修正包括以下:
S41、实时测量实际出口处的NOx气体的浓度,计算实际脱硝效率;
S42、将当前所述监测周期的实际脱硝效率代入修正公式计算得到下一监测周期的修成系数;
S43、将所述修正系数代入至所述脱硝控制模型中进行下一监测周期的脱硝控制量的计算;
S44、当连续多个监测周期的实际脱硝效率均低于预设安全阈值时,***发出预警警告,利用人工手动检查脱硝流程并修改校正系数。
进一步的,所述修正公式为:
式中,η表示修正系数;
S表示当前监测周期的实际脱硝效率;
Smin表示预设脱硝效率标准的最小值;
Smax表示预设脱硝效率标准的最大值。
根据本发明的另一个方面,还提供了一种CFB锅炉烟气脱硝自动控制***,该***包括:CFB锅炉主体、实时监测单元、自动控制单元、喷氨调节阀及监管控制中心;
其中,所述CFB锅炉主体,用于提供烟气的脱硝还原环境;
所述实时监测单元,用于实时获取锅炉参数与烟气中NOx气体浓度;
所述自动控制单元,用于根据监测数据实现喷氨的自适应调节控制;
所述喷氨调节阀,用于改变开合度控制喷氨量;
所述监管控制中心,用于实现***的远程监管与参数调节输入。
本发明的有益效果为:通过利用灰色模型对历史脱硝大数据进行建模,结合马尔科夫预测模型,能够精确地对未来监测周期内数据进行预测,同时配合自适应的脱硝控制模型计算得到精确的脱硝控制量,从而对喷氨量进行精准调节控制,以消除由于监测信号、反应延迟等时间滞后对CFB锅炉内SNCR技术进行还原脱硝的影响,进而保证脱硝效率及脱硝质量;同时,根据实时监测CFB锅炉内运行参数与烟气进出的NOx气体浓度,实时计算出实际脱硝效率对脱硝控制模型输入反馈修正指令,进一步提高自动化控制的精确度,能够根据实际运行状况进行自适应动态调节,避免锅炉内某个参数骤变导致的还原脱硝的效率与效果;通过加入自动预警警告***,能够在长期运行过程中,出现自动控制误差的情况下,及时提醒人工进行检修排查,最大程度降低***的损失与危害,进而提高自动化控制***的安全性与稳定性;此外,本***信号反馈指令传输效率及时快速,有效解决传统脱硝工艺中信号滞后、惯性大的难题。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例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本发明的一些实施例,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,还可以根据这些附图获得其他的附图。
图1是根据本发明实施例的一种CFB锅炉烟气脱硝自动控制方法的流程图;
图2是根据本发明实施例的一种CFB锅炉烟气脱硝自动控制***的***框图。
图中:
1、CFB锅炉主体;2、实时监测单元;3、自动控制单元;4、喷氨调节阀;5、监管控制中心。
具体实施方式
为进一步说明各实施例,本发明提供有附图,这些附图为本发明揭露内容的一部分,其主要用以说明实施例,并可配合说明书的相关描述来解释实施例的运作原理,配合参考这些内容,本领域普通技术人员应能理解其他可能的实施方式以及本发明的优点,图中的组件并未按比例绘制,而类似的组件符号通常用来表示类似的组件。
根据本发明的实施例,提供了一种CFB锅炉烟气脱硝自动控制方法。
现结合附图和具体实施方式对本发明进一步说明,如图1所示,根据本发明实施例的CFB锅炉烟气脱硝自动控制方法,该方法包括以下步骤:
S1、实时采集并记录不同时刻CFB锅炉内反应参数作为测定数据;
其中,所述实时采集并记录不同时刻CFB锅炉内反应参数作为测定数据包括以下步骤:
S11、设定并按照监测周期对所述CFB锅炉进行实时监测;
S12、测量所述CFB锅炉内的床温、风量及给煤量参数确定锅炉负荷;
S13、测量所述CFB锅炉内烟气中NOx气体的浓度,作为初始浓度;
S14、获取当前所述监测周期内喷氨调节阀的开合度;
S15、获取并记录当前所述监测周期与当前所述开合度前提下的喷氨量,作为初始喷氨量;
S16、将同一所述监测周期内的所述锅炉负荷、所述初始浓度、所述开合度及所述初始喷氨量作为某一监测周期的测定数据。
S2、将所述测定数据代入脱硝控制模型进行预测并输出脱硝控制量;
其中,将所述测定数据代入脱硝控制模型进行预测并输出脱硝控制量包括以下步骤:
S21、结合历史脱硝浓度大数据构建灰色马尔科夫预测模型;
历史脱硝浓度大数据选择CFB锅炉利用SNCR技术进行脱硝过程中,锅炉内部进口处NOx气体浓度的变化数据,将变化数据同样设定为按照周期变化的序列依次排列。
马尔科夫(Markov)预测法是一种关于事件发生的概率预测方法。它是根据事件的目前状况来预测其将来各个时刻(或时期)变动状况的一种预测方法。通过对事物不同状态的初始概率和状态的转移概率来预测未来事物的状态。
其中,所述结合历史脱硝浓度大数据构建灰色马尔科夫预测模型包括以下步骤:
S211、以历史脱硝浓度大数据作为基础数据构建灰色预测模型;
设定某时间段内历史脱硝浓度大数据为原始序列,表达式为:并且数列为负,根据原始序列得到一次累加生成数据序列,即则灰色预测模型的一阶线性微分方程可表示为:其中a表示发展系数,a的大小和符号反应了原始序列与一次累加数据序列的发展态势,b表示灰作用量。
通过最小二乘法与构造矩阵可求取a、b的值,并以此构建灰色预测模型,即
S212、向所述灰色模型中输入仿真数据集进行仿真预测,并输出仿真预测结果;
S213、根据所述仿真预测结果,计算真实值与预测值之间的相对误差,并通过误差范围对状态区间进行划分;
状态区间可表示为:Ei=[Li,Hi],其中,Li表示下限,Hi表示上限。
S214、将当前状态经过若干步(k步)骤转移到下一状态的概率组合形成状态转移概率矩阵;
设序列xt在状态Ei的状态概率为pi(t)=p(xt=i),若序列xt从状态Ei转移到下一个时间状态Ej的转移概率为pij,则pij=p(xt+1=j|xt=i),是在时刻t处于状态i的条件下到时刻t+1转移到状态j的概率。如果t+1时刻的取值只取决于t时刻的值及转移概率,那么这种时间序列就称为马尔科夫链。pij为马尔科夫链在t时刻的一步转移概率。
状态Ei转移到状态Ej的次数为mij,状态Ei出现的次数为Mi,则状态Ei转移到Ej的概率为pij,那么k步的转移概率称为t时刻从状态i经过k步到达状态j的概率。因此,k步转移概率矩阵为k步转移概率组合成的矩阵。
S215、根据当前状态与所述状态转移矩阵对下一时刻的状态进行预测。S22、结合历史喷氨量大数据小脑模型神经网络构建喷氨调节模型;
历史喷氨量大数据包括具体的喷氨量,以及每个喷氨量所对应的NOx气体的初始浓度与CFB锅炉的负荷等参数,不同的锅炉环境均需要喷入不同剂量的还原剂进行脱硝,因此不同喷氨量多对应的参数也不相同。
其中,所述结合历史喷氨量大数据小脑模型神经网络构建喷氨调节模型包括以下步骤:
S221、利用高斯函数作为小脑模型神经网络的基函数构建初始模型;
初始模型的表达式为:
式中,Nx表示输入xj的维数,uk,j表示基函数的中心,σk,j表示基函数的方差,k表示映***度决定的输入量化技术。
S222、将历史喷氨量大数据进行扩充并划分为训练集与测试集;
S223、将所述训练集代入所述初始模型进行训练得到喷氨调节模型;
S223、利用所述测试集对所述喷氨调节模型进行测试训练与验证。
S23、将所述灰色马尔科夫预测模型与所述脱硝控制神经网络构建满足脱硝控制策略的脱硝控制模型;
S24、将所述测定数据依次代入所述脱硝控制模型中,输出脱硝控制量。
其中,将所述测定数据依次代入所述脱硝控制模型中,输出脱硝控制量包括以下步骤:
S241、将当前监测周期所述测定数据中的锅炉负荷、初始浓度及开合度代入所述喷氨调节模型中输出结果,作为基础喷氨量;
S242、将当前监测周期所述测定数据中的初始浓度代入所述灰色马尔科夫预测模型中进行预测得到下一监测周期的浓度预测结果;
S243、计算所述浓度预测结果与当前监测周期内所述初始浓度的差值,结合所述CFB锅炉的工况参数计算得到相应的补偿喷氨量;
S244、将所述基础喷氨量与所述补偿喷氨量之和与修正系数、校正系数相乘得到下一监测周期的实际喷氨量,并作为脱硝控制量。
S3、根据所述脱硝控制量对喷氨调节阀进行调节控制实际喷氨量;
根据所述脱硝控制量对喷氨调节阀进行调节控制实际喷氨量采用串级控制策略,控制的主参数为所述初始浓度,副参数为所述开合度,基准量为所述脱硝控制量。
S4、测量实际脱硝效率作为依据对所述脱硝控制模型进行优化修正。
其中,所述测量实际脱硝效率作为依据对所述脱硝控制模型进行优化修正包括以下:
S41、实时测量实际出口处的NOx气体的浓度,计算实际脱硝效率;
S42、将当前所述监测周期的实际脱硝效率代入修正公式计算得到下一监测周期的修成系数;
其中,所述修正公式为:
式中,η表示修正系数;
S表示当前监测周期的实际脱硝效率;
Smin表示预设脱硝效率标准的最小值;
Smax表示预设脱硝效率标准的最大值。
S43、将所述修正系数代入至所述脱硝控制模型中进行下一监测周期的脱硝控制量的计算;
S44、当连续多个监测周期的实际脱硝效率均低于预设安全阈值时,***发出预警警告,利用人工手动检查脱硝流程并修改校正系数。
当实际脱硝效率出现连续偏差时,此时可能会存在某些参数的异常,因此需要人工进行故障排查与检修,保证***的有效运行,而影响SNCR烟气脱硝***脱硝效率的主要因素如下:
1)锅炉过量空气系数:过量空气系数对CFB锅炉的NOx生成及排放影响较大,过量空气系数越大生成的NOx越多,适当地减小过量空气系数可以大大降低NOx的生成;但过量空气系数又受到锅炉负荷、炉膛温度﹑燃料燃烧情况等诸多因素的影响。
2)机组负荷:机组负荷对NOx的生成起主要作用,负荷越大,燃料量越多,NOx质量浓度越高;现在电网负荷分配采用区域控制偏差(ACE)技术,使得机组的负荷变化较大,造成锅炉燃烧***很不稳定,燃料量、风量、过量空气系数等变化很大,NOx排放质量浓度波动剧烈。
3)测点安装位置:NOx分析仪一般安装在引风机后,脱硫塔入口处。经现场实际测验,当机组负荷发生变化时,NOx测量值发生相应变化的迟延时间在2~3min之间,迟延相当大。
4)炉膛温度:炉膛温度高会加剧NH3的氧化热分解而减少还原剂,同时增加了氨逃逸量;炉膛温度太低又会降低NH3的还原反应速度。
根据本发明的另一个实施例,如图2所示,还提供了一种CFB锅炉烟气脱硝自动控制***,该***包括:CFB锅炉主体1、实时监测单元2、自动控制单元3、喷氨调节阀4及监管控制中心5;
其中,所述CFB锅炉主体1,用于提供烟气的脱硝还原环境;
所述实时监测单元2,用于实时获取锅炉参数与烟气中NOx气体浓度;
所述自动控制单元3,用于根据监测数据实现喷氨的自适应调节控制;
所述喷氨调节阀4,用于改变开合度控制喷氨量;
所述监管控制中心5,用于实现***的远程监管与参数调节输入。
综上所述,借助于本发明的上述技术方案,通过利用灰色模型对历史脱硝大数据进行建模,结合马尔科夫预测模型,能够精确地对未来监测周期内数据进行预测,同时配合自适应的脱硝控制模型计算得到精确的脱硝控制量,从而对喷氨量进行精准调节控制,以消除由于监测信号、反应延迟等时间滞后对CFB锅炉内SNCR技术进行还原脱硝的影响,进而保证脱硝效率及脱硝质量;同时,根据实时监测CFB锅炉内运行参数与烟气进出的NOx气体浓度,实时计算出实际脱硝效率对脱硝控制模型输入反馈修正指令,进一步提高自动化控制的精确度,能够根据实际运行状况进行自适应动态调节,避免锅炉内某个参数骤变导致的还原脱硝的效率与效果;通过加入自动预警警告***,能够在长期运行过程中,出现自动控制误差的情况下,及时提醒人工进行检修排查,最大程度降低***的损失与危害,进而提高自动化控制***的安全性与稳定性;此外,本***信号反馈指令传输效率及时快速,有效解决传统脱硝工艺中信号滞后、惯性大的难题。
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 (6)
1.一种CFB锅炉烟气脱硝自动控制方法,其特征在于,该方法包括以下步骤:
S1、实时采集并记录不同时刻CFB锅炉内反应参数作为测定数据;
S2、将所述测定数据代入脱硝控制模型进行预测并输出脱硝控制量;
S3、根据所述脱硝控制量对喷氨调节阀进行调节控制实际喷氨量;
S4、测量实际脱硝效率作为依据对所述脱硝控制模型进行优化修正;所述实时采集并记录不同时刻CFB锅炉内反应参数作为测定数据包括以下步骤:
S11、设定并按照监测周期对所述CFB锅炉进行实时监测;
S12、测量所述CFB锅炉内的床温、风量及给煤量参数确定锅炉负荷;
S13、测量所述CFB锅炉内烟气中NOx气体的浓度,作为初始浓度;
S14、获取当前所述监测周期内喷氨调节阀的开合度;
S15、获取并记录当前所述监测周期与当前所述开合度前提下的喷氨量,作为初始喷氨量;
S16、将同一所述监测周期内的所述锅炉负荷、所述初始浓度、所述开合度及所述初始喷氨量作为某一监测周期的测定数据;
将所述测定数据代入脱硝控制模型进行预测并输出脱硝控制量包括以下步骤:
S21、结合历史脱硝浓度大数据构建灰色马尔科夫预测模型;
S22、结合历史喷氨量大数据小脑模型神经网络构建喷氨调节模型;
S23、将所述灰色马尔科夫预测模型与所述脱硝控制神经网络构建满足脱硝控制策略的脱硝控制模型;
S24、将所述测定数据依次代入所述脱硝控制模型中,输出脱硝控制量;所述结合历史脱硝浓度大数据构建灰色马尔科夫预测模型包括以下步骤:
S211、以历史脱硝浓度大数据作为基础数据构建灰色预测模型;
S212、向所述灰色模型中输入仿真数据集进行仿真预测,并输出仿真预测结果;
S213、根据所述仿真预测结果,计算真实值与预测值之间的相对误差,并通过误差范围对状态区间进行划分;
S214、将当前状态经过若干步骤转移到下一状态的概率组合形成状态转移概率矩阵;
S215、根据当前状态与所述状态转移矩阵对下一时刻的状态进行预测;
所述结合历史喷氨量大数据小脑模型神经网络构建喷氨调节模型包括以下步骤:
S221、利用高斯函数作为小脑模型神经网络的基函数构建初始模型;
S222、将历史喷氨量大数据进行扩充并划分为训练集与测试集;
S223、将所述训练集代入所述初始模型进行训练得到喷氨调节模型;
S223、利用所述测试集对所述喷氨调节模型进行测试训练与验证。
2.根据权利要求1所述的一种CFB锅炉烟气脱硝自动控制方法,其特征在于,将所述测定数据依次代入所述脱硝控制模型中,输出脱硝控制量包括以下步骤:
S241、将当前监测周期所述测定数据中的锅炉负荷、初始浓度及开合度代入所述喷氨调节模型中输出结果,作为基础喷氨量;
S242、将当前监测周期所述测定数据中的初始浓度代入所述灰色马尔科夫预测模型中进行预测得到下一监测周期的浓度预测结果;
S243、计算所述浓度预测结果与当前监测周期内所述初始浓度的差值,结合所述CFB锅炉的工况参数计算得到相应的补偿喷氨量;
S244、将所述基础喷氨量与所述补偿喷氨量之和与修正系数、校正系数相乘得到下一监测周期的实际喷氨量,并作为脱硝控制量。
3.根据权利要求2所述的一种CFB锅炉烟气脱硝自动控制方法,其特征在于,根据所述脱硝控制量对喷氨调节阀进行调节控制实际喷氨量采用串级控制策略,控制的主参数为所述初始浓度,副参数为所述开合度,基准量为所述脱硝控制量。
4.根据权利要求3所述的一种CFB锅炉烟气脱硝自动控制方法,其特征在于,所述测量实际脱硝效率作为依据对所述脱硝控制模型进行优化修正包括以下:
S41、实时测量实际出口处的NOx气体的浓度,计算实际脱硝效率;
S42、将当前所述监测周期的实际脱硝效率代入修正公式计算得到下一监测周期的修成系数;
S43、将所述修正系数代入至所述脱硝控制模型中进行下一监测周期的脱硝控制量的计算;
S44、当连续多个监测周期的实际脱硝效率均低于预设安全阈值时,***发出预警警告,利用人工手动检查脱硝流程并修改校正系数。
6.一种CFB锅炉烟气脱硝自动控制***,用于实现权利要求1-5中任一项所述的CFB锅炉烟气脱硝自动控制方法,其特征在于,该***包括:CFB锅炉主体、实时监测单元、自动控制单元、喷氨调节阀及监管控制中心;
其中,所述CFB锅炉主体,用于提供烟气的脱硝还原环境;
所述实时监测单元,用于实时获取锅炉参数与烟气中NOx气体浓度;
所述自动控制单元,用于根据监测数据实现喷氨的自适应调节控制;
所述喷氨调节阀,用于改变开合度控制喷氨量;
所述监管控制中心,用于实现***的远程监管与参数调节输入。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211565197.4A CN116036849A (zh) | 2022-12-07 | 2022-12-07 | 一种cfb锅炉烟气脱硝自动控制方法及*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211565197.4A CN116036849A (zh) | 2022-12-07 | 2022-12-07 | 一种cfb锅炉烟气脱硝自动控制方法及*** |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116036849A true CN116036849A (zh) | 2023-05-02 |
Family
ID=86120812
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211565197.4A Pending CN116036849A (zh) | 2022-12-07 | 2022-12-07 | 一种cfb锅炉烟气脱硝自动控制方法及*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116036849A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117452829A (zh) * | 2023-12-25 | 2024-01-26 | 北京可视化智能科技股份有限公司 | 一种脱硝智能决策方法、***、终端及存储介质 |
-
2022
- 2022-12-07 CN CN202211565197.4A patent/CN116036849A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117452829A (zh) * | 2023-12-25 | 2024-01-26 | 北京可视化智能科技股份有限公司 | 一种脱硝智能决策方法、***、终端及存储介质 |
CN117452829B (zh) * | 2023-12-25 | 2024-02-27 | 北京可视化智能科技股份有限公司 | 一种脱硝智能决策方法、***、终端及存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112580250A (zh) | 基于深度学习的火电机组脱硝***及优化控制方法 | |
CN106681381A (zh) | 一种基于智能前馈信号的scr脱硝***喷氨量优化控制***及方法 | |
CN113433911B (zh) | 基于浓度精准预测的脱硝装置喷氨精准控制***与方法 | |
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 | |
CN104826493B (zh) | 一种选择性催化还原法烟气脱硝***的控制方法 | |
CN102778538B (zh) | 一种基于改进支持向量机的锅炉飞灰含碳量软测量方法 | |
CN105629736B (zh) | 数据驱动的火电机组scr脱硝扰动抑制预测控制方法 | |
RU2013130996A (ru) | Оптимизированное интегрированное управление для электростанции, работающей на сжигании кислородного топлива | |
CN105069185A (zh) | 一种利用烟气压差法建立空预器清洁因子计算模型的方法及应用 | |
CN103759277A (zh) | 燃煤电站锅炉智能吹灰闭环控制方法、装置和*** | |
CN116036849A (zh) | 一种cfb锅炉烟气脱硝自动控制方法及*** | |
CN110263452A (zh) | 一种烟道内烟气时间分布特性分析方法、***及脱硝*** | |
CN111897373A (zh) | 一种基于模型预测的scr脱硝装置喷氨流量调节方法 | |
CN115145152A (zh) | 一种锅炉燃烧与脱硝过程协同优化控制的方法 | |
CN112613237B (zh) | 一种基于LSTM的CFB机组NOx排放浓度的预测方法 | |
CN112329959A (zh) | 一种热力设备智能运维***及方法 | |
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 | |
CN116776770B (zh) | 基于cfd数值模拟耦合bp神经网络缓解锅炉高温腐蚀的方法 | |
CN112461995A (zh) | 一种预测火电厂氨逃逸的方法 | |
CN117270387A (zh) | 基于深度学习的scr脱硝***低氨逃逸控制方法和*** | |
CN113488111B (zh) | 一种scr脱硝***喷氨量优化建模方法 | |
Fu et al. | Prediction model of desulfurization efficiency of coal-fired power plants based on long short-term memory neural network | |
CN207478283U (zh) | 一种火电机组脱硝实时控制装置 | |
CN115657466A (zh) | 一种智能控制氨气输入量的锅炉*** |
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 |