CN104793651B - 水泥生产中sncr烟气脱硝系统的喷氨量控制方法 - Google Patents
水泥生产中sncr烟气脱硝系统的喷氨量控制方法 Download PDFInfo
- Publication number
- CN104793651B CN104793651B CN201510188180.5A CN201510188180A CN104793651B CN 104793651 B CN104793651 B CN 104793651B CN 201510188180 A CN201510188180 A CN 201510188180A CN 104793651 B CN104793651 B CN 104793651B
- Authority
- CN
- China
- Prior art keywords
- spraying amount
- ammonia spraying
- flue gas
- ammonia
- cement kiln
- 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.)
- Expired - Fee Related
Links
Landscapes
- Treating Waste Gases (AREA)
Abstract
一种水泥生产中SNCR烟气脱硝系统的喷氨量控制方法:①在水泥窑分解炉内设置至少两层喷氨区;②在喷氨区进口设置温度传感器、烟气流量检测传感器和第一NOx浓度检测传感器,在水泥窑分解炉的出口设置第二NOx浓度检测传感器和NH3浓度检测传感器;③配备安装了喷氨量BP神经网络预测模型的喷氨量控制系统,根据接收到的水泥窑分解炉进口的烟气温度、烟气流量、烟气中NOx的浓度信息和水泥窑分解炉出口烟气中NOx的浓度、NH3浓度信息通过喷氨量BP神经网络预测模型给出水泥窑分解炉内的总喷氨量及各层喷氨区的喷氨量比例,并根据所给出的总喷氨量及各层喷氨区的喷氨量比例控制氨总流量调节阀和各分流量调节阀的状态,实现喷氨量的实时控制。
Description
技术领域
本发明属于水泥生产中的烟气脱硝技术领域,特别涉及一种水泥生产中选择性非催化还原烟气脱硝系统的喷氨量控制方法。
背景技术
目前,烟气中氮氧化物(NOX)的治理已经成为我国空气污染治理的当务之急。我国的水泥产量约占全球的50%,近年来呈迅速增涨趋势,每年新增的水泥产量占全球新增产量的80%以上,水泥行业排放的NOX约占整个排放量的10-12%,已是居火力发电、汽车尾气之后的NOx第三排放大户。我国在“十二五”规划《关于水泥产业节能减排的指导意见》中提出,到2015年底,水泥工业的NOx排放量要比2009年减少25%。因此,水泥行业脱硝形势十分严峻。
关于水泥生产中烟气的脱硝,目前主要采用选择性非催化还原(Selective NoCatalytic Reduction,其缩写为SNCR,本专利申请文件中,以“SNCR”表示选择性非催化还原)法,所述SNCR法是指在适合烟气脱硝的温度区喷入氨水,在不使用催化剂的条件下将烟气中的NOx还原成无毒的氮气和水,从而实现烟气中NOx脱除的工艺。SNCR工艺应用中,关键是喷氨量的控制,喷氨量不足,难以使所排放烟气中的NOx浓度达标;喷氨量过大,不仅造成氨的浪费,而且还会造成新的NH3逃逸污染。
关于喷氨量的控制,通常采用比例-积分-微分控制器(Proportion IntegrationDifferentiation,简称PID控制器),所述PID控制器通过水泥窑分解炉进口烟气中的NOx浓度与烟气流量得到进口烟气中NOx含量,再将NOx含量与NH3/NOx摩尔比(0.7-1.3之间)相乘得到所需的基本喷氨量,并根据出口烟气中NOx的含量反馈来修正所需喷入的氨量。然而,经PID控制器运算后发出调节阀开度指令控制喷氨流量,难以克服系统的非线性和滞后性,难以实现喷氨量的实时准确控制。
发明内容
本发明的目的在于克服现有技术的不足,提供一种水泥生产中SNCR烟气脱硝系统的喷氨量控制方法,以实现喷氨量的实时准确控制,提高烟气中NOx的去除率,减少氨逃逸。
本发明所述水泥生产中SNCR烟气脱硝系统的喷氨量控制方法,其技术方案如下:
①在水泥窑分解炉(1)内设置至少两层喷氨区,各层喷氨区分别配备相应的喷枪,各层喷氨区的喷枪分别由对应层喷氨区的氨流量调节阀控制其喷氨量,各层喷氨区氨流量调节阀与氨总流量调节阀连接;
②在水泥窑分解炉(1)的喷氨区进口设置温度传感器、烟气流量检测传感器和第一NOx浓度检测传感器,在水泥窑分解炉(1)的出口设置第二NOx浓度检测传感器和NH3浓度检测传感器;
③配备安装了喷氨量BP神经网络预测模型的喷氨量控制系统,该控制系统分别与所述温度传感器、烟气流量检测传感器、第一NOx浓度检测传感器、第二NOx浓度检测传感器、NH3浓度检测传感器及各层喷氨区氨流量调节阀和氨总流量调节阀连接,根据接收到的水泥窑分解炉进口的烟气温度、烟气流量、烟气中NOx的浓度信息和水泥窑分解炉出口烟气中NOx的浓度、NH3浓度信息通过喷氨量BP神经网络预测模型给出水泥窑分解炉内的总喷氨量及各层喷氨区的喷氨量比例,并根据喷氨量BP神经网络预测模型所给出的总喷氨量及各层喷氨区的喷氨量比例控制氨总流量调节阀和各层喷氨区氨流量调节阀的状态,实现喷氨量的实时控制。
本发明所述水泥生产中SNCR烟气脱硝系统的喷氨量控制方法,其喷氨量控制系统所安装的喷氨量BP神经网络预测模型通过构建和训练得到,构建和训练的方法如下:
①喷氨量BP神经网络预测模型的构建
喷氨量BP神经网络预测模型由输入层、隐含层和输出层组成;设置输入层神经元为Q(t)、Xin(t)、T(t)、Xout(t+1)和U(t+1),其中,Q(t)为t时刻水泥窑分解炉的进口烟气流量,Xin(t)为t时刻水泥窑分解炉进口烟气中NOx的浓度,T(t)为t时刻水泥窑分解炉的进口烟气温度,Xout(t+1)为(t+1)时刻水泥窑分解炉的出口烟气中NOx的浓度,U(t+1)为(t+1)时刻水泥窑分解炉的出口烟气中NH3的浓度;设置输出层神经元为y(t)和y1(t)/y2(t)…/yn(t),其中y(t)为t时刻水泥窑分解炉内的总喷氨量,y1(t)/y2(t)…/yn(t)为t时刻各层喷氨区的喷氨量比例,n为水泥窑分解炉中喷射区的层数;隐含层根据Kolmogorov定理设置,为L=2*N+1,其中N为输入层神经元的数量。
②喷氨量BP神经网络预测模型的训练
在水泥窑分解炉的某一工况下设定不同的总喷氨量和各层喷射区喷氨量的不同比例,测定出一系列不同的总喷氨量和各层喷射区喷氨量的不同比例所对应的水泥窑分解炉出口烟气中的NOx浓度和NH3浓度,以所获得的上述数据为样本数据;设定水泥窑分解炉出口烟气中NOx浓度的目标值和NH3浓度的目标值,选择水泥窑分解炉出口烟气中NOx浓度和NH3浓度均小于或等于所述设定目标值的样本数据作为进行归一化处理的样本数据,然后用进行归一化处理的样本数据对构建的喷氨量BP神经网络预测模型进行训练。
本发明所述水泥生产中SNCR烟气脱硝系统的喷氨量控制方法,水泥窑分解炉内的喷氨区设置在进口烟气温度为850~1050℃的区域。
与现有技术相比,本发明具有以下有益效果:
1、由于本发明方法采用安装了喷氨量BP神经网络预测模型的喷氨量控制系统对水泥生产中SNCR烟气脱硝系统的喷氨量进行控制,因而可根据水泥窑分解炉进口的烟气温度、烟气流量、烟气中NOx的浓度变化对水泥窑分解炉内各层喷氨区的喷氨量及总喷氨量进行实时调整,使水泥窑分解炉出口烟气中NOx的浓度、NH3浓度保持在小于或等于所设定的目标值,不仅实现了烟气中NOx的达标排放,提高了NOx去除率,而且大大减少了氨逃逸。
2、对现有水泥生产中SNCR烟气脱硝系统的喷氨量控制系统稍加改造,就可使用本发明所述方法,因而本发明所述方法易于推广使用。
附图说明
图1是本发明所述水泥生产中SNCR烟气脱硝系统的喷氨量控制方法的一种设备配置和流程图;
图2是喷氨量BP神经网络预测模型的结构图;
图中,1—分解炉,2—第一层喷氨区,3—第二层喷氨区,4—第一层喷氨区氨流量调节阀,5—第二层喷氨区氨流量调节阀,6—氨总流量调节阀,7—流量计,8—输氨泵,9—氨水储罐,10—烟囱,11—出口烟气检测仪(包括第二NOx浓度检测传感器和NH3浓度检测传感器),12—进口烟气检测仪(包括温度传感器,烟气流量检测传感器,第一NOx浓度检测传感器),13—烟气,14—安装了喷氨量BP神经网络预测模型的喷氨量控制系统,15—喷枪。
图3是BP神经网络的训练过程图。
具体实施方式
下面通过实施例对本发明所述水泥生产中SNCR烟气脱硝系统的喷氨量控制方法作进一步说明。
实施例1:喷氨量BP神经网络预测模型的构建和训练
①喷氨量BP神经网络预测模型的构建
本实施例中,喷氨量BP神经网络预测模型由输入层、隐含层和输出层组成,如图2所示。设置输入层神经元为Q(t)、Xin(t)、T(t)、Xout(t+1)和U(t+1),其中,Q(t)为t时刻水泥窑分解炉的进口烟气流量,Xin(t)为t时刻水泥窑分解炉进口烟气中NOx的浓度,T(t)为t时刻水泥窑分解炉的进口烟气温度,Xout(t+1)为(t+1)时刻水泥窑分解炉的出口烟气中NOx的浓度,U(t+1)为(t+1)时刻水泥窑分解炉的出口烟气中NH3的浓度;设置输出层神经元为y(t)和y1(t)/y2(t),其中y(t)为t时刻水泥窑分解炉内的总喷氨量,y1(t)/y2(t)为t时刻第一层喷氨区与第二层喷氨区喷氨量的比例;隐含层根据Kolmogorov定理设置,为L=2*N+1,其中N为输入层神经元的数量,即L=2*5+1=11。
②喷氨量BP神经网络预测模型的训练
▲样本数据的收集
在某水泥厂水泥窑分解炉内的850~1050℃区域设置两层喷氨区,第一层喷氨区设置在水泥窑分解炉的900~1050℃处,第二层喷氨区设置在水泥窑分解炉的850~960℃处,各层喷氨区的喷枪分别由不同的分流量调节阀控制其喷氨量,各分流量调节阀与氨总流量调节阀连接,在水泥窑分解炉的喷氨区进口前设置温度传感器、烟气流量检测传感器和第一NOx浓度检测传感器,在水泥窑分解炉的出口设置第二NOx浓度检测传感器和NH3浓度检测传感器;根据所检测的水泥窑分解炉的进口烟气流量、烟气温度和烟气中NOx浓度施加不同的总喷氨量并使各层喷射区以不同的比例喷氨,得到一系列对应的水泥窑分解炉出口烟气中的NOx浓度和NH3浓度,由此得到一系列样本数据,见下表1:
表1所收集的样本数据
▲进行归一化处理的样本数据的选择
设定水泥窑分解炉出口烟气中的NOx浓度目标值为200ppm,NH3浓度目标值为5ppm。以所设定的NOx浓度目标值和NH3浓度目标值从收集的样本数据中选择出进行归一化处理的样本数据,进行归一化处理的样本数据的条件是:出口烟气中的NOx浓度和NH3浓度均小于或等于NOx浓度目标值和NH3浓度目标值。因此,选用表1中符合条件的25个样本作为归一化处理的样本数据。
▲BP神经网络预测模型的训练
BP神经网络预测模型的训练步骤如下:
(1)数据归一化
将选择出的进行归一化处理的样本数据用sigmoid变换函数进行归一化处理,其输出值在0.1~0.9之间;
(2)训练函数
采用Matlab7神经网络工具箱函数对喷氨量BP神经网络预测模型进行研究。BP网络默认的训练函数是trainlm,具有迭代次数少,收敛速度快,精度高等优点。
(3)传递函数
选择Sigmoid双曲线正切函数作为隐含层神经元的传递函数,Matlab调用格式为tansig;由于函数的输出值位于[0,1]之间,所以选择S型对数函数作为输出层神经元的传递函数,Matlab调用格式为logsig。
(4)BP网络的预测性能评价指标
神经网络的训练准则是以误差为基准,均方误差为各输出单元误差平方之和。单个输入样本的误差和p个样本总误差分别为:
式中:y(k)(p)和d(k)(p)分别为输出层第k个样本的预测值与实际值。总误差的值越小,说明预测值和实际值的差别越小,预测精读就越高。
(5)BP网络的训练参数
BP网络训练的参数初始设定值为:训练次数1000次,训练目标0.0001,学习率为0.01.在满足训练精度及达到误差要求的前提下,不改变初始设定值;若误差达不到训练目标,则加大训练次数,或调整训练目标,直至网络达到要求为止。如图3所示的BP神经网络的训练过程图,说明trainlm训练方法在设定的参数下能够收敛,并且收敛速度很快。进一步说明所选取的BP神经网络能够快速且较为准确地预测总喷氨量和喷氨比例。
②训练结果的验证
用下述表2中的数据样本对经步骤②训练的喷氨量BP神经网络预测模型进行验证,结果表明,喷氨量BP神经网络预测模型给出的总喷氨量和两层喷氨区的喷氨比例与实际值相差较小,训练样本预测值的相对误差绝大部分落在0-6%之间,预测值相对误差小于6%的样本数据点占总的样本数据的比率达到85%以上。这说明该模型能够较精确地反映进口和出口烟气的性质与喷氨量之间的内在联系,能够较为准确地预测氨水的喷射量和喷氨比例。
表2验证数据样本
实施例2:水泥生产中SNCR烟气脱硝系统的喷氨量控制
本实施例的设备配置见图1,在水泥窑分解炉1内的850~1050℃区域设置两层喷氨区,第一层喷氨区2设置在水泥窑分解炉的900-1050℃处,第二层喷氨区3设置在水泥窑分解炉的850-960℃处,第一层喷氨区和第二层喷氨区配备了相应的喷枪15,第一层喷氨区和第二层喷氨区的喷枪15分别由第一层喷氨区氨流量调节阀4和第二层喷氨区氨流量调节阀5控制其喷氨量,第一层喷氨区氨流量调节阀4、第二层喷氨区氨流量调节阀5与氨总流量调节阀6连接;在水泥窑分解炉1的喷氨区进口前设置进口烟气检测仪12(包括温度传感器,烟气流量检测传感器,第一NOx浓度检测传感器),在水泥窑分解炉1的出口设置出口烟气检测仪11(包括第二NOx浓度检测传感器和NH3浓度检测传感器);配备的喷氨量控制系统14安装了实施例1所述的喷氨量BP神经网络预测模型,所述喷氨量控制系统14分别与进口烟气检测仪12(包括温度传感器,烟气流量检测传感器,第一NOx浓度检测传感器)、出口烟气检测仪11(包括第二NOx浓度检测传感器和NH3浓度检测传感器)及各分流量调节阀4、5和氨总流量调节阀6连接,根据接收到的水泥窑分解炉进口的烟气温度、烟气流量、烟气中NOx的浓度信息和水泥窑分解炉出口烟气中NOx的浓度、NH3浓度信息,通过喷氨量BP神经网络预测模型给出水泥窑分解炉内的总喷氨量及各层喷氨区的喷氨量比例,并根据喷氨量BP神经网络预测模型所给出的总喷氨量及第一层喷氨区与第一层喷氨区的喷氨量比例控制氨总流量调节阀6和各分流量调节阀4、5的状态,实现喷氨量的实时控制。
试验表明,在喷氨量控制系统14的控制下,第一层喷氨区和第二层喷氨区的喷氨量及总喷氨量根据水泥窑分解炉进口的烟气温度、烟气流量、烟气中NOx的浓度变化得到了实时调整,水泥窑分解炉出口烟气中NOx的浓度、NH3浓度被控制在小于或等于实施例1所设定的目标值。
本实施例中,喷氨量控制系统14为安装了实施例1所述的喷氨量BP神经网络预测模型的工业控制计算机,第一层喷氨区氨流量调节阀4、第二层喷氨区氨流量调节阀5和总氨流量调节阀6均采用电动阀。
Claims (2)
1.一种水泥生产中SNCR烟气脱硝系统的喷氨量控制方法,其特征在于:
①在水泥窑分解炉(1)内设置至少两层喷氨区,各层喷氨区分别配备相应的喷枪,各层喷氨区的喷枪分别由对应层喷氨区的氨流量调节阀控制其喷氨量,各层喷氨区氨流量调节阀与氨总流量调节阀连接;
②在水泥窑分解炉(1)的喷氨区进口设置温度传感器、烟气流量检测传感器和第一NOx浓度检测传感器,在水泥窑分解炉(1)的出口设置第二NOx浓度检测传感器和NH3浓度检测传感器;
③配备安装了喷氨量BP神经网络预测模型的喷氨量控制系统,该控制系统分别与所述温度传感器、烟气流量检测传感器、第一NOx浓度检测传感器、第二NOx浓度检测传感器、NH3浓度检测传感器及各层喷氨区氨流量调节阀和氨总流量调节阀连接,根据接收到的水泥窑分解炉进口的烟气温度、烟气流量、烟气中NOx的浓度信息和水泥窑分解炉出口烟气中NOx的浓度、NH3浓度信息通过喷氨量BP神经网络预测模型给出水泥窑分解炉内的总喷氨量及各层喷氨区的喷氨量比例,并根据喷氨量BP神经网络预测模型所给出的总喷氨量及各层喷氨区的喷氨量比例控制氨总流量调节阀和各层喷氨区氨流量调节阀的状态,实现喷氨量的实时控制;
所述喷氨量BP神经网络预测模型通过构建和训练得到,构建和训练的方法如下:
①喷氨量BP神经网络预测模型的构建
喷氨量BP神经网络预测模型由输入层、隐含层和输出层组成;设置输入层神经元为Q(t)、Xin(t)、T(t)、Xout(t+1)和U(t+1),其中,Q(t)为t时刻水泥窑分解炉的进口烟气流量,Xin(t)为t时刻水泥窑分解炉进口烟气中NOx的浓度,T(t)为t时刻水泥窑分解炉的进口烟气温度,Xout(t+1)为(t+1)时刻水泥窑分解炉的出口烟气中NOx的浓度,U(t+1)为(t+1)时刻水泥窑分解炉的出口烟气中NH3的浓度;设置输出层神经元为y(t)和y1(t)/y2(t)…/yn(t),其中y(t)为t时刻水泥窑分解炉内的总喷氨量,y1(t)/y2(t)…/yn(t)为t时刻各层喷氨区的喷氨量比例,n为水泥窑分解炉中喷射区的层数;隐含层根据Kolmogorov定理设置,为L=2*N+1,其中N为输入层神经元的数量;
②喷氨量BP神经网络预测模型的训练
在水泥窑分解炉的某一工况下设定不同的总喷氨量和各层喷射区喷氨量的不同比例,测定出一系列不同的总喷氨量和各层喷射区喷氨量的不同比例所对应的水泥窑分解炉出口烟气中的NOx浓度和NH3浓度,以所获得的上述数据为样本数据,上述数据是指水泥窑分解炉的进口烟气流量、烟气温度和烟气中NOx浓度及相应的总喷氨量、各层喷射区的喷氨量比例和对应的水泥窑分解炉出口烟气中的NOx浓度和NH3浓度;
设定水泥窑分解炉出口烟气中NOx浓度的目标值和NH3浓度的目标值,选择水泥窑分解炉出口烟气中NOx浓度和NH3浓度均小于或等于所述设定目标值的样本数据作为进行归一化处理的样本数据,然后用进行归一化处理的样本数据对构建的喷氨量BP神经网络预测模型进行训练。
2.根据权利要求1所述的水泥生产中SNCR烟气脱硝系统的喷氨量控制方法,其特征在于水泥窑分解炉内的喷氨区设置在进口烟气温度为850~1050℃的区域。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510188180.5A CN104793651B (zh) | 2015-04-20 | 2015-04-20 | 水泥生产中sncr烟气脱硝系统的喷氨量控制方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510188180.5A CN104793651B (zh) | 2015-04-20 | 2015-04-20 | 水泥生产中sncr烟气脱硝系统的喷氨量控制方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN104793651A CN104793651A (zh) | 2015-07-22 |
CN104793651B true CN104793651B (zh) | 2017-08-25 |
Family
ID=53558535
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201510188180.5A Expired - Fee Related CN104793651B (zh) | 2015-04-20 | 2015-04-20 | 水泥生产中sncr烟气脱硝系统的喷氨量控制方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN104793651B (zh) |
Families Citing this family (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105597537B (zh) * | 2015-10-26 | 2018-09-14 | 烟台龙源电力技术股份有限公司 | 基于预测控制技术的脱硝控制方法 |
CN105700570B (zh) * | 2016-04-15 | 2020-07-28 | 中国大唐集团科学技术研究院有限公司西北分公司 | 一种火电厂scr脱硝控制方法 |
CN106693700A (zh) * | 2017-01-20 | 2017-05-24 | 北京帕莫瑞科技有限公司 | 一种喷氨量控制系统和方法 |
CN108786428A (zh) * | 2018-06-07 | 2018-11-13 | 光大环保技术研究院(南京)有限公司 | 一种sncr脱硝最优控制系统和控制方法 |
CN109215743A (zh) * | 2018-09-04 | 2019-01-15 | 南京工业大学 | 一种基于新型bp神经网络建模的沼气生产过程的预测方法 |
CN110263997A (zh) * | 2019-06-19 | 2019-09-20 | 燕山大学 | 一种基于深度神经网络的水泥生产线烟气NOx浓度预测方法 |
CN110471375B (zh) * | 2019-07-08 | 2020-07-28 | 杭州电子科技大学 | 一种水泥脱硝过程的抗干扰优化跟踪方法 |
CN110652856B (zh) * | 2019-08-26 | 2022-07-22 | 光大环保技术研究院(南京)有限公司 | 一种基于模型的sncr控制系统 |
CN112933913B (zh) * | 2021-02-08 | 2022-08-30 | 国家能源集团国源电力有限公司 | 喷氨控制方法、装置及煤燃烧系统 |
CN113144843A (zh) * | 2021-03-16 | 2021-07-23 | 国家能源集团国源电力有限公司 | 喷氨控制方法及装置 |
CN113534862B (zh) * | 2021-07-09 | 2024-05-03 | 北京航空航天大学合肥创新研究院(北京航空航天大学合肥研究生院) | 培养腔的气体浓度控制系统以及方法 |
CN115245735A (zh) * | 2022-06-16 | 2022-10-28 | 浙江省生态环境科学设计研究院 | 基于预测控制模型的水泥窑烟气iSNCR控制方法 |
Family Cites Families (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP5875823B2 (ja) * | 2011-10-04 | 2016-03-02 | アズビル株式会社 | 環境提供装置、環境提供方法、及び微粒子検出装置の評価方法 |
CN104020792A (zh) * | 2014-05-23 | 2014-09-03 | 国家电网公司 | 一种电厂烟气脱硝自动控制系统 |
CN103977695B (zh) * | 2014-06-05 | 2016-09-28 | 株洲三特环保节能股份有限公司 | 一种脱除水泥窑炉烟气中氮氧化物的方法及系统 |
CN104399360B (zh) * | 2014-11-14 | 2017-02-22 | 华能国际电力股份有限公司 | 一种基于SNCR‑SCR联用的NOx与汞联合脱除工艺及装置 |
-
2015
- 2015-04-20 CN CN201510188180.5A patent/CN104793651B/zh not_active Expired - Fee Related
Also Published As
Publication number | Publication date |
---|---|
CN104793651A (zh) | 2015-07-22 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN104793651B (zh) | 水泥生产中sncr烟气脱硝系统的喷氨量控制方法 | |
CN107243257B (zh) | 适合全负荷的智能喷氨控制系统 | |
CN109304086B (zh) | 一种电站锅炉scr脱硝精细化喷氨控制方法 | |
CN112156649B (zh) | 一种基于大数据及萤火虫算法的多层级精细化智能脱硝系统及方法 | |
CN103592407B (zh) | 一种电厂scr脱硝系统催化剂活性在线监测方法 | |
CN104722203B (zh) | 一种加热炉烟气的scr脱硝控制系统和方法 | |
CN110395286B (zh) | 一种列车车内空气品质监测与通风调控方法、系统 | |
CN110263452B (zh) | 一种烟道内烟气时间分布特性分析方法、系统及脱硝系统 | |
CN112613237B (zh) | 一种基于LSTM的CFB机组NOx排放浓度的预测方法 | |
CN110299188A (zh) | 基于ga变量选择的scr烟气脱硝系统grnn建模方法 | |
CN106731786A (zh) | 基于aig不同区域对nh3浓度分布影响的scr喷氨格栅分区方法 | |
CN106485022B (zh) | 一种循环流化床锅炉脱硫脱硝运行优化控制的建模方法 | |
CN106054608A (zh) | 用于垃圾焚烧烟气脱硝sncr的模糊控制方法及系统 | |
CN111489605B (zh) | 基于Simulink与WinCC的喷氨优化控制仿真系统 | |
CN115245735A (zh) | 基于预测控制模型的水泥窑烟气iSNCR控制方法 | |
CN116189791A (zh) | 一种scr系统氨氮双控喷氨优化方法、装置及存储介质 | |
CN109046021B (zh) | 一种强自适应能力的scr系统精确喷氨控制方法 | |
CN105224730A (zh) | 一种高压共轨电控柴油机原始no2排放量预测方法 | |
WO2024021943A1 (zh) | 基于scr反应动力学模型的喷氨优化方法、装置及介质 | |
CN112426856B (zh) | 一种烟气脱硫流场模拟方法、系统和装置 | |
CN113970937A (zh) | 一种scr脱硝精准喷氨控制方法 | |
CN115624847A (zh) | 水泥窑自适应精准脱硝控制系统 | |
CN113488111B (zh) | 一种scr脱硝系统喷氨量优化建模方法 | |
CN109647155A (zh) | 活性炭脱硫脱硝系统的喷氨量控制方法和装置 | |
CN115034486A (zh) | 水泥窑烟气iSNCR脱硝预测控制方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
EXSB | Decision made by sipo to initiate substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant | ||
CF01 | Termination of patent right due to non-payment of annual fee | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20170825 Termination date: 20210420 |