CN105404145B - 基于指数预测和时滞预估补偿的脱硝新型串级控制方法 - Google Patents
基于指数预测和时滞预估补偿的脱硝新型串级控制方法 Download PDFInfo
- Publication number
- CN105404145B CN105404145B CN201510697037.9A CN201510697037A CN105404145B CN 105404145 B CN105404145 B CN 105404145B CN 201510697037 A CN201510697037 A CN 201510697037A CN 105404145 B CN105404145 B CN 105404145B
- Authority
- CN
- China
- Prior art keywords
- mrow
- mtd
- msub
- msup
- mtr
- 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
- 238000000034 method Methods 0.000 title claims abstract description 27
- QGZKDVFQNNGYKY-UHFFFAOYSA-N Ammonia Chemical compound N QGZKDVFQNNGYKY-UHFFFAOYSA-N 0.000 claims abstract description 102
- 229910021529 ammonia Inorganic materials 0.000 claims abstract description 50
- 238000002347 injection Methods 0.000 claims description 38
- 239000007924 injection Substances 0.000 claims description 38
- 239000003245 coal Substances 0.000 claims description 27
- 239000013598 vector Substances 0.000 claims description 24
- 239000003546 flue gas Substances 0.000 claims description 22
- UGFAIRIUMAVXCW-UHFFFAOYSA-N Carbon monoxide Chemical compound [O+]#[C-] UGFAIRIUMAVXCW-UHFFFAOYSA-N 0.000 claims description 20
- QVGXLLKOCUKJST-UHFFFAOYSA-N atomic oxygen Chemical compound [O] QVGXLLKOCUKJST-UHFFFAOYSA-N 0.000 claims description 14
- 239000001301 oxygen Substances 0.000 claims description 14
- 229910052760 oxygen Inorganic materials 0.000 claims description 14
- 239000011159 matrix material Substances 0.000 claims description 12
- 230000008859 change Effects 0.000 claims description 9
- 238000005507 spraying Methods 0.000 claims description 9
- 238000004364 calculation method Methods 0.000 claims description 8
- 238000013178 mathematical model Methods 0.000 claims description 5
- 238000005070 sampling Methods 0.000 claims description 4
- 101000802640 Homo sapiens Lactosylceramide 4-alpha-galactosyltransferase Proteins 0.000 claims description 3
- 102100035838 Lactosylceramide 4-alpha-galactosyltransferase Human genes 0.000 claims description 3
- 101150036841 minJ gene Proteins 0.000 claims description 3
- 238000007405 data analysis Methods 0.000 claims description 2
- 239000007921 spray Substances 0.000 abstract 1
- MWUXSHHQAYIFBG-UHFFFAOYSA-N nitrogen oxide Inorganic materials O=[N] MWUXSHHQAYIFBG-UHFFFAOYSA-N 0.000 description 9
- 238000010586 diagram Methods 0.000 description 7
- RAHZWNYVWXNFOC-UHFFFAOYSA-N Sulphur dioxide Chemical compound O=S=O RAHZWNYVWXNFOC-UHFFFAOYSA-N 0.000 description 6
- 238000005516 engineering process Methods 0.000 description 6
- 238000002485 combustion reaction Methods 0.000 description 5
- 238000006243 chemical reaction Methods 0.000 description 4
- 239000003344 environmental pollutant Substances 0.000 description 4
- 231100000719 pollutant Toxicity 0.000 description 4
- 239000000428 dust Substances 0.000 description 3
- 230000007613 environmental effect Effects 0.000 description 3
- 238000004519 manufacturing process Methods 0.000 description 3
- 238000005259 measurement Methods 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 239000000779 smoke Substances 0.000 description 3
- 238000010531 catalytic reduction reaction Methods 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 229910000069 nitrogen hydride Inorganic materials 0.000 description 2
- 230000001105 regulatory effect Effects 0.000 description 2
- 238000010977 unit operation Methods 0.000 description 2
- 230000009471 action Effects 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 239000003054 catalyst Substances 0.000 description 1
- 238000001311 chemical methods and process Methods 0.000 description 1
- 239000003795 chemical substances by application Substances 0.000 description 1
- 230000001276 controlling effect Effects 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 239000000843 powder Substances 0.000 description 1
- 238000010926 purge Methods 0.000 description 1
- 230000035484 reaction time Effects 0.000 description 1
- 238000006722 reduction reaction 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
- G05B13/041—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 variable is automatically adjusted to optimise the performance
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Computation (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Automation & Control Theory (AREA)
- Other Investigation Or Analysis Of Materials By Electrical Means (AREA)
- Feedback Control In General (AREA)
Abstract
本发明公开了一种基于指数预测和时滞预估补偿的脱硝新型串级控制方法，该方法利用数据采集系统中的主要参数建立SCR系统入口NOx浓度指数预测模型，SMITH时滞预估补偿模型和多变量喷氨需求量前馈，克服SCR系统的大迟延，大惯性；相比传统串级控制方式，实现脱硝装置更加安全、经济、节能运行。
Description
技术领域：
本发明涉及燃煤电厂污染物排放控制领域，具体涉及一种基于选择催化还原(SCR，Selective Catalytic Reduction)技术的烟气脱硝装置的优化控制方法。
背景技术：
我国以燃煤电站为主的电力供应格局在未来相当长的时间内不会发生根本性改变，因此燃煤电厂污染物排放问题一直是人们关注的热点。为改善环境质量，防治火电厂大气污染物排放造成的污染，环保部组织对《火电厂大气污染物排放标准》进行了第三次修订，被称为史上最严格的火电排放标准(GB 13223－2011)从2014年7月1日起正式执行，意味着现有燃煤锅炉二氧化硫、氮氧化物、烟尘排放标准将从400毫克/立方米、450毫克/立方米、50毫克/立方米，分别提高到200毫克/立方米、100毫克/立方米、30毫克/立方米，重点地区提高到50毫克/立方米、100毫克/立方米、20毫克/立方米。
选择性催化剂还原(SCR，Selective Catalytic Reduction)法的烟气脱硝技术因其脱硝效率高(可达到90％以上)、对锅炉运行影响较小、装置结构简单、反应条件易于控制、技术成熟、运行可靠、不形成二次污染等优点，是目前国际上应用最为成熟的烟气脱硝技术，也是国内火电机组普遍采用的脱硝技术。该技术中，氨气作为脱硝剂被喷入高温烟气流经的脱硝装置中，在催化剂的作用下将烟气中NOX还原成为N2和H2O,SCR烟气脱硝基本原理图如附图2所示：
相关化学反应如下:
4NO+4NH3+O2＝4N2+6H2O
6NO+4NH3＝5N2+6H2O
4NH3+2NO2+O2＝3N2+6H2O
NO2+NO+2NH3＝2N2+3H2O
6NO2+8NH3＝7N2+12H2O
脱硝系统中的喷氨控制系统性能，直接影响到氨气逃逸量和脱硝系统的经济运行指标。喷氨量不足，会造成排放烟气中NOX浓度高于环保部门限值；喷氨过量不仅会增加运行成本，造成NH3的二次污染，而且NH3与烟气中的SO3反应生成NH4HSO4和(NH4)2SO4等物质，腐蚀下游设备,并增大系统阻力。
氨气和NOX存在一定的化学反应时间，而且NOX测量系统的20米以上的取样距离与预处理过程使得脱硝系统的喷氨量控制系统变为典型的纯延迟大惯性系统。目前常规火电机组脱硝系统的喷氨量控制普遍采用带有前馈信号的单回路PID调节器或串级PID调节器。由于常规PID控制基于当前控制偏差计算获得当前时刻控制输出，对于克服纯延迟大惯性存在先天不足；并且目前大型火电机组入炉煤粉煤质的在线实时测量尚不能实现，风量测量误差大引起的NOX总量不准问题普遍存在，导致喷氨调节器的前馈信号偏差较大。因此控制系统难以投入自动方式运行，NOX超标排放或氨逃逸量大等情况普遍存在。
为解决电站脱硝装置喷氨优化控制问题，必须提高NOX生成量的估计精度，并采用具有针对大滞后对象的控制方法，实现电站脱硝系统的安全、经济控制。
发明内容：
本发明的目的在于针对现有技术的不足，提供了一种基于指数预测和时滞预估补偿的脱硝新型串级控制方法。
为达到上述目的，本发明采用如下的技术方案予以实现：
基于指数预测和时滞预估补偿的脱硝新型串级控制方法，包括以下步骤：
1)通过数据分析系统采集二次风门开度值，SCR系统入口NOx浓度，SCR系统入口烟气氧含量，SCR系统出口NOx浓度，SCR系统喷氨阀门开度，SCR系统喷氨流量，机组负荷，总风量，总煤量；将采集的二次风门开度值进行算术平均得到二次风门挡板平均开度；
2)通过二次风门平均开度，总风量，总煤量，机组负荷和SCR系统入口烟气氧含量，构建如下的指数模型：
(NOx)预测＝50(ln(W1))0.025·((300/W2)0.65-0.6)·(W3 0.005-0.001)·(W4 0.05-0.1)·((W5/2)0.1-0.1)
W1——二次风门平均开度；
W2——为机组总风量；
W3——为机组负荷；
W4——为风/煤比，为总风量除以总煤量；
W5——SCR系统入口烟气氧含量；
该指数模型所得到的NOx浓度预测值与SCR入口NOx浓度在数值和变化趋势上一致，但是时间提前，将该NOx浓度预测值替代SCR入口NOx浓度值引入到脱硝串级自动控制逻辑中，以改善SCR系统的迟延性；
3)在SCR脱硝串级自动控制逻辑中，在主调PID输出后引入SMITH预估二阶串级迟延控制回路，其传递方程为：
其中，T1，T2，τ分别为喷氨流量对应SCR出口NOx浓度回路的一阶惯性时间、二阶惯性时间和迟延时间，s表示拉普拉斯算子；
4)在引入步骤2)和步骤3)SMITH预估二阶串级迟延控制回路的基础上，采用多变量喷氨前馈，将SCR系统入口NOX浓度进行微分得到SCR系统入口NOX变化速率，以及机组负荷，SCR系统入口烟气氧含量，风/煤比，二次风门平均开度进行喷氨量需求值前馈计算，达到基于指数预测和时滞预估补偿脱硝控制。
本发明进一步的改进在于，步骤3)中，喷氨流量对应SCR出口NOx浓度回路的一阶惯性时间、二阶惯性时间和迟延时间，通过SCR系统出口NOx浓度，SCR系统喷氨阀门开度和SCR系统喷氨流量进行标准辨识得到，其具体的数学模型如下：
建立时序单进单出动态数学普适模型如下：
A(z-1)z(k)＝B(z-1)u(k)+v(k)
式中，u(k)为SCR系统喷氨流量；z(k)为SCR系统出口NOx浓度；v(k)为均值为0的随机噪声；多项式A(z-1)和B(z-1)分别为传递函数分母项和分子项，其表达式为：
其中，a1,a2…ana是传递函数分母项参数，b1,b2…bnb是传递函数分子项参数，将此模型写成最小二乘格式：
z(k)＝h(k)θ+v(k)
式中，h(k)为可观测的数据向量；θ为由传递函数参数项组成的辨识数据矩阵；
令则有：
其中，ZL为SCR出口NOx浓度时间数据列，HL为SCR出口NOx浓度时间数据列和喷氨流量时间数据列组成的观测数据向量，na、nb均为时序数，于是，式z(k)＝h(k)θ+v(k)的矩阵形式为：
ZL＝HLθ+VL
VL＝[v(1),v(2),…,v(l)]T
VL即为白噪声数据向量，根据极致原理和最小损失函数原理，得到θ的最小二乘估计为：
为达到在非白噪声下的辨识参数误差估计，引入辅助矩阵如下：
其中，h*(k)为辅助变量数据序列；则将改写为下式：
选取构建纯滞后模型辅助变量，即纯滞后辅助变量x(k)为SCR系统喷氨流量时序值，
x(k)＝u(k-nb)
其中，辅助向量h*(k)为：
h*(k)＝[-u(k-nb-1),…,-u(k-nb-na),u(k-1),…,u(k-nb)]
故递推辅助变量最小二乘法的辨识递推算式为：
K(k)＝P(k-1)h*T(k)[h(k)P(k-1)h*T(k)+λ(k)]-1
P(k)＝[P-1(k-1)+hT(k)h(k)]-1＝[I-K(k)h(k)]P(k-1)/λ(k)
其中，λ(k)＝0.99，K(k)，P(k)均为递推向量，通过上述三式得到θ中各项参数；
从新取差分传递函数y(k)如下：
y(k)＝-a1y(k-1)-a2y(k-2)+b1u(k-d-1)+b2u(k-d-2)+b3u(k-d-3)
观测向量h(k)及参数矩阵θ为：
h(k)＝[-y(k-1),…-y(k-2),u(k-d-1),…u(k-d-3)]，θ＝[a1,a2,b1,b2,b3]T
由前面求取的各项参数作为初始化参数；从新选取辅助变量如下：
h*(k)＝[-u(k-4),-u(k-5),u(k-1),u(k-2),u(k-3)]
构建损失函数J(k,d)的递推公式如下：
其中，最小化损失函数minJ(k,d)即为损失函数中的最小值，λ＝0.99，d即为系统纯迟延时间常数，对于未知系统，设定d范围为[dmin,dmax]；
采用最小损失函数的方法将延迟时间d和系统增益K、第一惯性时间T1以及第二惯性时间T2一起辨识，具体实现方法如下：
1)假设纯迟延时间已知，计算出输入输出的观测向量h(k)，利用辅助变量最小二乘法辨识递推公式得出参数估计值得到纯延迟的估计值
2)假设参数估计值是正确的，让d从dmin变化到dmax，从而得到dmax-dmin+1个观测向量，进而最小化损失函数递推公式中的dmax-dmin+1个损失函数值；选择使损失函数值最小的d作为第k步的估计值，并作为初始迟延时间返回步骤1)，用于k+1步的参数估计中，直到参数与迟延时间d达到收敛；
3)将收敛后的和d作为参数，构建离散传递函数方程为：
4)基于采样时间t＝3s，将上述离散传递函数方程转化为连续传递方程为：
其中，K为系统增益，T1，T2，τ分别为系统的第一惯性时间，第二惯性时间和迟延时间。
本发明进一步的改进在于，步骤4)中，将SCR系统入口NOX变化速率乘以1.5，机组负荷乘以0.02，SCR系统入口烟气氧含量乘以0.8，风/煤比乘以0.1，二次风门平均开度乘以0.1，然后将上述计算得到的结果求和，其总和为喷氨量需求值前馈。
相对于现有技术，本发明提出根据机组运行的历史数据，建立基于锅炉主要运行参数与SCR系统NOX生成量间的指数关系模型，用预估的NOX生成量与实际测得的NOx生成量进行权重相加形成新的NOx生成量数值，并采用SMITH预估控制原理作为喷氨控制的调节器补偿量，克服SCR系统的大迟延，大惯性等特点，实现脱硝装置的安全与经济运行。
附图说明：
图1为控制系统信号采集示意图。
图2为SCR原理图。
图3为基于指数模型预测NOx生成量示意图。
图4为Smith预估补偿原理示意图。
图5为喷氨量前馈示意图。
具体实施方式：
以下结合附图和实施例对本发明作进一步的详细说明。
1、建立大型电站锅炉燃烧控制参数与NOX生成量间的数学模型。燃煤锅炉煤粉燃烧是一个极其复杂的物理化学过程，该过程不仅与煤质与炉型密切相关，而且与锅炉负荷、各层给煤机的煤量、配风等密切相关，且难以理论定量计算，最终NOX的排放是燃烧过程产生与脱硝装置喷氨共同作用的结果。本发明将根据特定机组运行的历史数据，建立基于主要运行参数的指数数学模型预测NOX生成量。如附图3所示，通过二次风门挡板平均开度，总风量，总煤量，机组负荷和烟气氧含量等主要运行变量，在机组近期运行的历史数据中，寻找不同的负荷段附近NOx生成浓度变化与其他运行参数变化的对应关系。构建如下的指数模型：
(NOx)预测＝50(ln(W1))0.025·((300/W2)0.65-0.6)·(W3 0.005-0.001)·(W4 0.05-0.1)·((W5/2)0.1-0.1)
W1——二次风门平均开度；
W2——为机组总风量；
W3——为机组负荷；
W4——为风/煤比，为总风量除以总煤量；
W5——SCR系统入口烟气氧含量；
根据不同的机组运行数据，可以适当调整模型参数，确保模型的实时性与有效性。当机组煤质不变的情况下，该模型可以提前预测SCR系统入口NOx浓度及其变化趋势；当机组煤质缓慢变化时，可以通过参数的微调应对该模型预测的不足，实时、快速跟踪燃烧过程参数与NOX生成量间的关系。
由于目前火电厂燃煤品质变化绝大多数都是一个缓慢过程，因此该模型可以反映机组各种工况下、煤质缓慢变化条件下的燃烧过程参数与NOX生成量间的关系，因此可以较准确预测当前工况下机组NOX生成量，相较于SCR入口的测量值，预测值具有大概100s的提前，利用该信号作为前馈不仅有利于消除SCR的迟延性，而且该值可作为入口测量管吹扫时的参考值。
2、采用具有预测功能的SMITH预估器作为调节器，实现电站脱硝系统喷氨量的自动控制。具有SMITH预估器的喷氨量自动控制系统如图4所示：
R(s)—NOX排放设定值，Y(s)—NOX排放设定值，D(s)—调节器传递函数，G(s)—控制对象传递函数，X1(s)—控制对象输出，X2(s)—Smith预估器输出，m(s)—调节器输出(喷氨阀门开度)，e(s)—设定值与被调量偏差，e-τs—纯滞后因子。在本说明中，预估控制回路为二阶串级迟延控制回路，其传递方程为：
其中，T1，T2，τ分别为喷氨流量对应SCR出口NOx浓度回路的一阶惯性时间、二阶惯性时间和迟延时间，s表示拉普拉斯算子；其中一阶惯性时间、二阶惯性时间和迟延时间，通过SCR系统出口NOx浓度，SCR系统喷氨阀门开度和SCR系统喷氨流量进行辨识得到。其具体的数学模型如下：
建立时序单进单出动态数学普适模型如下：
A(z-1)z(k)＝B(z-1)u(k)+v(k)
式中，u(k)为SCR系统喷氨流量；z(k)为SCR系统出口NOx浓度；v(k)为均值为0的随机噪声；多项式A(z-1)和B(z-1)分别为传递函数分母项和分子项，其表达式为：
其中，a1,a2…ana是传递函数分母项参数，b1,b2…bnb是传递函数分子项参数，将此模型写成最小二乘格式：
z(k)＝h(k)θ+v(k)
式中，h(k)为可观测的数据向量；θ为由传递函数参数项组成的辨识数据矩阵；
令则有：
其中，ZL为SCR出口NOx浓度时间数据列，HL为SCR出口NOx浓度时间数据列和喷氨流量时间数据列组成的观测数据向量，na、nb均为时序数，于是，式z(k)＝h(k)θ+v(k)的矩阵形式为：
ZL＝HLθ+VL
VL＝[v(1),v(2),…,v(l)]T
VL即为白噪声数据向量，根据极致原理和最小损失函数原理，得到θ的最小二乘估计为：
为达到在非白噪声下的辨识参数误差估计，引入辅助矩阵如下：
其中，h*(k)为辅助变量数据序列；则将改写为下式：
选取构建纯滞后模型辅助变量，即纯滞后辅助变量x(k)为SCR系统喷氨流量时序值，
x(k)＝u(k-nb)
其中，辅助向量h*(k)为：
h*(k)＝[-u(k-nb-1),…,-u(k-nb-na),u(k-1),…,u(k-nb)]
故递推辅助变量最小二乘法的辨识递推算式为：
K(k)＝P(k-1)h*T(k)[h(k)P(k-1)h*T(k)+λ(k)]-1
P(k)＝[P-1(k-1)+hT(k)h(k)]-1＝[I-K(k)h(k)]P(k-1)/λ(k)
其中，λ(k)＝0.99，K(k)，P(k)均为递推向量，通过上述三式得到θ中各项参数；
从新取差分传递函数y(k)如下：
y(k)＝-a1y(k-1)-a2y(k-2)+b1u(k-d-1)+b2u(k-d-2)+b3u(k-d-3)
观测向量h(k)及参数矩阵θ为：
h(k)＝[-y(k-1),…-y(k-2),u(k-d-1),…u(k-d-3)]，θ＝[a1,a2,b1,b2,b3]T
由前面求取的各项参数作为初始化参数；从新选取辅助变量如下：
h*(k)＝[-u(k-4),-u(k-5),u(k-1),u(k-2),u(k-3)]
构建损失函数J(k,d)的递推公式如下：
其中最小化损失函数minJ(k,d)即为损失函数中的最小值，λ＝0.99，d即为系统纯迟延时间常数，对于未知系统，设定d范围为[dmin,dmax]；
采用最小损失函数的方法将延迟时间d和系统增益K、第一惯性时间T1以及第二惯性时间T2一起辨识，具体实现方法如下：
1)假设纯迟延时间已知，计算出输入输出的观测向量h(k)，利用辅助变量最小二乘法辨识递推公式得出参数估计值得到纯延迟的估计值
2)假设参数估计值是正确的，让d从dmin变化到dmax，从而得到dmax-dmin+1个观测向量，进而最小化损失函数递推公式中的dmax-dmin+1个损失函数值；选择使损失函数值最小的d作为第k步的估计值，并作为初始迟延时间返回步骤1)，用于k+1步的参数估计中，直到参数与迟延时间d达到收敛；
3)将收敛后的和d作为参数，构建离散传递函数方程为：
4)基于采样时间t＝3s，将上述离散传递函数方程转化为连续传递方程为：
其中，K为系统增益，T1，T2，τ分别为系统的第一惯性时间，第二惯性时间和迟延时间。
3、采用多变量喷氨前馈。将入口NOX变化速率，机组负荷，烟气氧含量，风煤比，二次风门平均开度等多变量引入到喷氨量需求值计算前馈中，通过对不同变量的不同权重叠加，满足各种工况下的喷氨量需求计算。将SCR系统入口NOX变化速率乘以1.5，机组负荷乘以0.02，SCR系统入口烟气氧含量乘以0.8，风/煤比乘以0.1，二次风门平均开度乘以0.1，然后将上述计算得到的结果求和。其总和为喷氨量需求值前馈，其原理示意图如图5所示。
Claims (2)
1.基于指数预测和时滞预估补偿的脱硝新型串级控制方法，其特征在于，包括以下步骤：
1)通过数据分析系统采集二次风门开度值，SCR系统入口NOx浓度，SCR系统入口烟气氧含量，SCR系统出口NOx浓度，SCR系统喷氨阀门开度，SCR系统喷氨流量，机组负荷，总风量，总煤量；将采集的二次风门开度值进行算术平均得到二次风门挡板平均开度；
2)通过二次风门平均开度，总风量，总煤量，机组负荷和SCR系统入口烟气氧含量，构建如下的指数模型：
(NOx)预测＝50(ln(W1))0.025·((300/W2)0.65-0.6)·(W3 0.005-0.001)·(W4 0.05-0.1)·((W5/2)0.1-0.1)
W1——二次风门平均开度；
W2——为机组总风量；
W3——为机组负荷；
W4——为风/煤比，为总风量除以总煤量；
W5——SCR系统入口烟气氧含量；
该指数模型所得到的NOx浓度预测值与SCR入口NOx浓度在数值和变化趋势上一致，但是时间提前，将该NOx浓度预测值替代SCR入口NOx浓度值引入到脱硝串级自动控制逻辑中，以改善SCR系统的迟延性；
3)在SCR脱硝串级自动控制逻辑中，在主调PID输出后引入SMITH预估二阶串级迟延控制回路，其传递方程为：
<mrow>
<mi>T</mi>
<mrow>
<mo>(</mo>
<mi>s</mi>
<mo>)</mo>
</mrow>
<mo>=</mo>
<mfrac>
<mn>1</mn>
<mrow>
<mo>(</mo>
<mn>1</mn>
<mo>+</mo>
<msub>
<mi>T</mi>
<mn>1</mn>
</msub>
<mi>s</mi>
<mo>)</mo>
<mo>(</mo>
<mn>1</mn>
<mo>+</mo>
<msub>
<mi>T</mi>
<mn>2</mn>
</msub>
<mi>s</mi>
<mo>)</mo>
</mrow>
</mfrac>
<mrow>
<mo>(</mo>
<mn>1</mn>
<mo>-</mo>
<msup>
<mi>e</mi>
<mrow>
<mo>-</mo>
<mi>&tau;</mi>
<mi>s</mi>
</mrow>
</msup>
<mo>)</mo>
</mrow>
</mrow>
其中，T1，T2，τ分别为喷氨流量对应SCR出口NOx浓度回路的一阶惯性时间、二阶惯性时间和迟延时间，s表示拉普拉斯算子；
4)在引入步骤2)和步骤3)SMITH预估二阶串级迟延控制回路的基础上，采用多变量喷氨前馈，将SCR系统入口NOX浓度进行微分得到SCR系统入口NOX变化速率，以及机组负荷，SCR系统入口烟气氧含量，风/煤比，二次风门平均开度进行喷氨量需求值前馈计算，达到基于指数预测和时滞预估补偿脱硝控制；
其中，步骤3)中，喷氨流量对应SCR出口NOx浓度回路的一阶惯性时间、二阶惯性时间和迟延时间，通过SCR系统出口NOx浓度，SCR系统喷氨阀门开度和SCR系统喷氨流量进行标准辨识得到，其具体的数学模型如下：
建立时序单进单出动态数学普适模型如下：
A(z-1)z(k)＝B(z-1)u(k)+v(k)
式中，u(k)为SCR系统喷氨流量；z(k)为SCR系统出口NOx浓度；v(k)为均值为0的随机噪声；多项式A(z-1)和B(z-1)分别为传递函数分母项和分子项，其表达式为：
<mfenced open = "{" close = "">
<mtable>
<mtr>
<mtd>
<mrow>
<mi>A</mi>
<mrow>
<mo>(</mo>
<msup>
<mi>z</mi>
<mrow>
<mo>-</mo>
<mn>1</mn>
</mrow>
</msup>
<mo>)</mo>
</mrow>
<mo>=</mo>
<mn>1</mn>
<mo>+</mo>
<msub>
<mi>a</mi>
<mn>1</mn>
</msub>
<msup>
<mi>z</mi>
<mrow>
<mo>-</mo>
<mn>1</mn>
</mrow>
</msup>
<mo>+</mo>
<msub>
<mi>a</mi>
<mn>2</mn>
</msub>
<msup>
<mi>z</mi>
<mrow>
<mo>-</mo>
<mn>2</mn>
</mrow>
</msup>
<mo>+</mo>
<mo>...</mo>
<mo>+</mo>
<msub>
<mi>a</mi>
<msub>
<mi>n</mi>
<mi>a</mi>
</msub>
</msub>
<msup>
<mi>z</mi>
<mrow>
<mo>-</mo>
<msub>
<mi>n</mi>
<mi>a</mi>
</msub>
</mrow>
</msup>
</mrow>
</mtd>
</mtr>
<mtr>
<mtd>
<mrow>
<mi>B</mi>
<mrow>
<mo>(</mo>
<msup>
<mi>z</mi>
<mrow>
<mo>-</mo>
<mn>1</mn>
</mrow>
</msup>
<mo>)</mo>
</mrow>
<mo>=</mo>
<msub>
<mi>b</mi>
<mn>1</mn>
</msub>
<msup>
<mi>z</mi>
<mrow>
<mo>-</mo>
<mn>1</mn>
</mrow>
</msup>
<mo>+</mo>
<msub>
<mi>b</mi>
<mn>2</mn>
</msub>
<msup>
<mi>z</mi>
<mrow>
<mo>-</mo>
<mn>2</mn>
</mrow>
</msup>
<mo>+</mo>
<msub>
<mi>b</mi>
<mn>3</mn>
</msub>
<msup>
<mi>z</mi>
<mrow>
<mo>-</mo>
<mn>3</mn>
</mrow>
</msup>
<mo>+</mo>
<mo>...</mo>
<mo>+</mo>
<msub>
<mi>b</mi>
<msub>
<mi>n</mi>
<mi>b</mi>
</msub>
</msub>
<msup>
<mi>z</mi>
<mrow>
<mo>-</mo>
<msub>
<mi>n</mi>
<mi>b</mi>
</msub>
</mrow>
</msup>
<mn>...</mn>
</mrow>
</mtd>
</mtr>
</mtable>
</mfenced>
其中，是传递函数分母项参数，是传递函数分子项参数，将此模型写成最小二乘格式：
z(k)＝h(k)θ+v(k)
式中，h(k)为可观测的数据向量；θ为由传递函数参数项组成的辨识数据矩阵；
令k＝1,2,…,L，则有：
<mrow>
<msub>
<mi>Z</mi>
<mi>L</mi>
</msub>
<mo>=</mo>
<mfenced open = "[" close = "]">
<mtable>
<mtr>
<mtd>
<mrow>
<mi>z</mi>
<mrow>
<mo>(</mo>
<mn>1</mn>
<mo>)</mo>
</mrow>
</mrow>
</mtd>
</mtr>
<mtr>
<mtd>
<mrow>
<mi>z</mi>
<mrow>
<mo>(</mo>
<mn>2</mn>
<mo>)</mo>
</mrow>
</mrow>
</mtd>
</mtr>
<mtr>
<mtd>
<mo>.</mo>
</mtd>
</mtr>
<mtr>
<mtd>
<mo>.</mo>
</mtd>
</mtr>
<mtr>
<mtd>
<mo>.</mo>
</mtd>
</mtr>
<mtr>
<mtd>
<mrow>
<mi>z</mi>
<mrow>
<mo>(</mo>
<mi>L</mi>
<mo>)</mo>
</mrow>
</mrow>
</mtd>
</mtr>
</mtable>
</mfenced>
<mo>,</mo>
<msub>
<mi>H</mi>
<mi>L</mi>
</msub>
<mo>=</mo>
<mfenced open = "[" close = "]">
<mtable>
<mtr>
<mtd>
<mrow>
<mi>h</mi>
<mrow>
<mo>(</mo>
<mn>1</mn>
<mo>)</mo>
</mrow>
</mrow>
</mtd>
</mtr>
<mtr>
<mtd>
<mrow>
<mi>h</mi>
<mrow>
<mo>(</mo>
<mn>2</mn>
<mo>)</mo>
</mrow>
</mrow>
</mtd>
</mtr>
<mtr>
<mtd>
<mo>.</mo>
</mtd>
</mtr>
<mtr>
<mtd>
<mo>.</mo>
</mtd>
</mtr>
<mtr>
<mtd>
<mo>.</mo>
</mtd>
</mtr>
<mtr>
<mtd>
<mrow>
<mi>h</mi>
<mrow>
<mo>(</mo>
<mi>L</mi>
<mo>)</mo>
</mrow>
</mrow>
</mtd>
</mtr>
</mtable>
</mfenced>
<mo>=</mo>
<mfenced open = "[" close = "]">
<mtable>
<mtr>
<mtd>
<mrow>
<mo>-</mo>
<mi>z</mi>
<mrow>
<mo>(</mo>
<mn>0</mn>
<mo>)</mo>
</mrow>
</mrow>
</mtd>
<mtd>
<mn>...</mn>
</mtd>
<mtd>
<mrow>
<mo>-</mo>
<mi>z</mi>
<mrow>
<mo>(</mo>
<mn>1</mn>
<mo>-</mo>
<msub>
<mi>n</mi>
<mi>a</mi>
</msub>
<mo>)</mo>
</mrow>
</mrow>
</mtd>
<mtd>
<mrow>
<mi>u</mi>
<mrow>
<mo>(</mo>
<mn>0</mn>
<mo>)</mo>
</mrow>
</mrow>
</mtd>
<mtd>
<mn>...</mn>
</mtd>
<mtd>
<mrow>
<mi>u</mi>
<mrow>
<mo>(</mo>
<mn>1</mn>
<mo>-</mo>
<msub>
<mi>n</mi>
<mi>b</mi>
</msub>
<mo>)</mo>
</mrow>
</mrow>
</mtd>
</mtr>
<mtr>
<mtd>
<mrow>
<mo>-</mo>
<mi>z</mi>
<mrow>
<mo>(</mo>
<mn>1</mn>
<mo>)</mo>
</mrow>
</mrow>
</mtd>
<mtd>
<mn>...</mn>
</mtd>
<mtd>
<mrow>
<mo>-</mo>
<mi>z</mi>
<mrow>
<mo>(</mo>
<mn>2</mn>
<mo>-</mo>
<msub>
<mi>n</mi>
<mi>a</mi>
</msub>
<mo>)</mo>
</mrow>
</mrow>
</mtd>
<mtd>
<mrow>
<mi>u</mi>
<mrow>
<mo>(</mo>
<mn>1</mn>
<mo>)</mo>
</mrow>
</mrow>
</mtd>
<mtd>
<mn>...</mn>
</mtd>
<mtd>
<mrow>
<mi>u</mi>
<mrow>
<mo>(</mo>
<mn>2</mn>
<mo>-</mo>
<msub>
<mi>n</mi>
<mi>b</mi>
</msub>
<mo>)</mo>
</mrow>
</mrow>
</mtd>
</mtr>
<mtr>
<mtd>
<mo>.</mo>
</mtd>
<mtd>
<mo>.</mo>
</mtd>
<mtd>
<mo>.</mo>
</mtd>
<mtd>
<mo>.</mo>
</mtd>
<mtd>
<mo>.</mo>
</mtd>
<mtd>
<mo>.</mo>
</mtd>
</mtr>
<mtr>
<mtd>
<mo>.</mo>
</mtd>
<mtd>
<mo>.</mo>
</mtd>
<mtd>
<mo>.</mo>
</mtd>
<mtd>
<mo>.</mo>
</mtd>
<mtd>
<mo>.</mo>
</mtd>
<mtd>
<mo>.</mo>
</mtd>
</mtr>
<mtr>
<mtd>
<mo>.</mo>
</mtd>
<mtd>
<mo>.</mo>
</mtd>
<mtd>
<mo>.</mo>
</mtd>
<mtd>
<mo>.</mo>
</mtd>
<mtd>
<mo>.</mo>
</mtd>
<mtd>
<mo>.</mo>
</mtd>
</mtr>
<mtr>
<mtd>
<mrow>
<mo>-</mo>
<mi>z</mi>
<mrow>
<mo>(</mo>
<mi>L</mi>
<mo>-</mo>
<mn>1</mn>
<mo>)</mo>
</mrow>
</mrow>
</mtd>
<mtd>
<mn>...</mn>
</mtd>
<mtd>
<mrow>
<mo>-</mo>
<mi>z</mi>
<mrow>
<mo>(</mo>
<mi>L</mi>
<mo>-</mo>
<msub>
<mi>n</mi>
<mi>a</mi>
</msub>
<mo>)</mo>
</mrow>
</mrow>
</mtd>
<mtd>
<mrow>
<mi>u</mi>
<mrow>
<mo>(</mo>
<mi>L</mi>
<mo>-</mo>
<mn>1</mn>
<mo>)</mo>
</mrow>
</mrow>
</mtd>
<mtd>
<mn>...</mn>
</mtd>
<mtd>
<mrow>
<mi>u</mi>
<mrow>
<mo>(</mo>
<mi>L</mi>
<mo>-</mo>
<msub>
<mi>n</mi>
<mi>b</mi>
</msub>
<mo>)</mo>
</mrow>
</mrow>
</mtd>
</mtr>
</mtable>
</mfenced>
</mrow>
<mrow>
<mi>&theta;</mi>
<mo>=</mo>
<msup>
<mrow>
<mo>&lsqb;</mo>
<msub>
<mi>a</mi>
<mn>1</mn>
</msub>
<mo>,</mo>
<msub>
<mi>a</mi>
<mn>2</mn>
</msub>
<mo>...</mo>
<msub>
<mi>a</mi>
<msub>
<mi>n</mi>
<mi>a</mi>
</msub>
</msub>
<mo>,</mo>
<msub>
<mi>b</mi>
<mn>1</mn>
</msub>
<mo>,</mo>
<msub>
<mi>b</mi>
<mn>2</mn>
</msub>
<mo>...</mo>
<msub>
<mi>b</mi>
<msub>
<mi>n</mi>
<mi>b</mi>
</msub>
</msub>
<mo>&rsqb;</mo>
</mrow>
<mi>T</mi>
</msup>
</mrow>
其中，ZL为SCR出口NOx浓度时间数据列，HL为SCR出口NOx浓度时间数据列和喷氨流量时间数据列组成的观测数据向量，na、nb均为时序数，于是，式z(k)＝h(k)θ+v(k)的矩阵形式为：
ZL＝HLθ+VL
VL＝[v(1),v(2),…,v(l)]T
VL即为白噪声数据向量，根据极致原理和最小损失函数原理，得到θ的最小二乘估计为：
<mrow>
<mover>
<mi>&theta;</mi>
<mo>^</mo>
</mover>
<mo>=</mo>
<msup>
<mrow>
<mo>(</mo>
<msup>
<msub>
<mi>H</mi>
<mi>L</mi>
</msub>
<mi>T</mi>
</msup>
<msub>
<mi>H</mi>
<mi>L</mi>
</msub>
<mo>)</mo>
</mrow>
<mrow>
<mo>-</mo>
<mn>1</mn>
</mrow>
</msup>
<msup>
<msub>
<mi>H</mi>
<mi>L</mi>
</msub>
<mi>T</mi>
</msup>
<msub>
<mi>Z</mi>
<mi>L</mi>
</msub>
</mrow>
为达到在非白噪声下的辨识参数误差估计，引入辅助矩阵如下：
<mrow>
<msubsup>
<mi>H</mi>
<mi>L</mi>
<mo>*</mo>
</msubsup>
<mo>=</mo>
<mfenced open = "[" close = "]">
<mtable>
<mtr>
<mtd>
<mrow>
<mi>h</mi>
<mo>*</mo>
<mrow>
<mo>(</mo>
<mn>1</mn>
<mo>)</mo>
</mrow>
</mrow>
</mtd>
</mtr>
<mtr>
<mtd>
<mrow>
<mi>h</mi>
<mo>*</mo>
<mrow>
<mo>(</mo>
<mn>2</mn>
<mo>)</mo>
</mrow>
</mrow>
</mtd>
</mtr>
<mtr>
<mtd>
<mo>.</mo>
</mtd>
</mtr>
<mtr>
<mtd>
<mo>.</mo>
</mtd>
</mtr>
<mtr>
<mtd>
<mo>.</mo>
</mtd>
</mtr>
<mtr>
<mtd>
<mrow>
<mi>h</mi>
<mo>*</mo>
<mrow>
<mo>(</mo>
<mi>L</mi>
<mo>)</mo>
</mrow>
</mrow>
</mtd>
</mtr>
</mtable>
</mfenced>
</mrow>
其中，h*(k)为辅助变量数据序列；则将改写为下式：
<mrow>
<mover>
<mi>&theta;</mi>
<mo>^</mo>
</mover>
<mo>=</mo>
<msup>
<mrow>
<mo>(</mo>
<msubsup>
<mi>H</mi>
<mi>L</mi>
<msup>
<mo>*</mo>
<mi>T</mi>
</msup>
</msubsup>
<msub>
<mi>H</mi>
<mi>L</mi>
</msub>
<mo>)</mo>
</mrow>
<mrow>
<mo>-</mo>
<msup>
<mn>1</mn>
<mi>T</mi>
</msup>
</mrow>
</msup>
<msub>
<mi>H</mi>
<mi>L</mi>
</msub>
<msup>
<mo>*</mo>
<mi>T</mi>
</msup>
<msub>
<mi>Z</mi>
<mi>L</mi>
</msub>
<mo>=</mo>
<msub>
<mi>&theta;</mi>
<mn>0</mn>
</msub>
<mo>+</mo>
<msup>
<mrow>
<mo>(</mo>
<mfrac>
<mn>1</mn>
<mi>L</mi>
</mfrac>
<msubsup>
<mi>H</mi>
<mi>L</mi>
<msup>
<mo>*</mo>
<mi>T</mi>
</msup>
</msubsup>
<msub>
<mi>H</mi>
<mi>L</mi>
</msub>
<mo>)</mo>
</mrow>
<mrow>
<mo>-</mo>
<mn>1</mn>
</mrow>
</msup>
<mrow>
<mo>(</mo>
<mfrac>
<mn>1</mn>
<mi>L</mi>
</mfrac>
<msubsup>
<mi>H</mi>
<mi>L</mi>
<msup>
<mo>*</mo>
<mi>T</mi>
</msup>
</msubsup>
<msub>
<mi>V</mi>
<mi>L</mi>
</msub>
<mo>)</mo>
</mrow>
</mrow>
选取构建纯滞后模型辅助变量，即纯滞后辅助变量x(k)为SCR系统喷氨流量时序值，
x(k)＝u(k-nb)
其中，辅助向量h*(k)为：
h*(k)＝[-u(k-nb-1),…,-u(k-nb-na),u(k-1),…,u(k-nb)]
故递推辅助变量最小二乘法的辨识递推算式为：
<mrow>
<mover>
<mi>&theta;</mi>
<mo>^</mo>
</mover>
<mrow>
<mo>(</mo>
<mi>k</mi>
<mo>)</mo>
</mrow>
<mo>=</mo>
<mover>
<mi>&theta;</mi>
<mo>^</mo>
</mover>
<mrow>
<mo>(</mo>
<mi>k</mi>
<mo>-</mo>
<mn>1</mn>
<mo>)</mo>
</mrow>
<mo>+</mo>
<mi>K</mi>
<mrow>
<mo>(</mo>
<mi>k</mi>
<mo>)</mo>
</mrow>
<mo>&lsqb;</mo>
<mi>z</mi>
<mrow>
<mo>(</mo>
<mi>k</mi>
<mo>)</mo>
</mrow>
<mo>-</mo>
<mi>h</mi>
<mrow>
<mo>(</mo>
<mi>k</mi>
<mo>)</mo>
</mrow>
<mover>
<mi>&theta;</mi>
<mo>^</mo>
</mover>
<mrow>
<mo>(</mo>
<mi>k</mi>
<mo>-</mo>
<mn>1</mn>
<mo>)</mo>
</mrow>
<mo>&rsqb;</mo>
</mrow>
K(k)＝P(k-1)h*T(k)[h(k)P(k-1)h*T(k)+λ(k)]-1
P(k)＝[P-1(k-1)+hT(k)h(k)]-1＝[I-K(k)h(k)]P(k-1)/λ(k)
其中，λ(k)＝0.99，K(k)，P(k)均为递推向量，通过上述三式得到θ中各项参数；
从新取差分传递函数y(k)如下：
y(k)＝-a1y(k-1)-a2y(k-2)+b1u(k-d-1)+b2u(k-d-2)+b3u(k-d-3)
观测向量h(k)及参数矩阵θ为：
h(k)＝[-y(k-1),…-y(k-2),u(k-d-1),…u(k-d-3)]，θ＝[a1,a2,b1,b2,b3]T
由前面求取的各项参数作为初始化参数；从新选取辅助变量如下：
h*(k)＝[-u(k-4),-u(k-5),u(k-1),u(k-2),u(k-3)]
构建损失函数J(k,d)的递推公式如下：
<mfenced open = "{" close = "">
<mtable>
<mtr>
<mtd>
<mi>J</mi>
<mo>(</mo>
<mi>k</mi>
<mo>,</mo>
<mi>d</mi>
<mo>)</mo>
<mo>=</mo>
<mi>min</mi>
<mi> </mi>
<mi>J</mi>
<mo>(</mo>
<mi>k</mi>
<mo>,</mo>
<mi>d</mi>
<mo>)</mo>
<mo>,</mo>
<mo>&ForAll;</mo>
<mi>d</mi>
<mo>&Element;</mo>
<mo>&lsqb;</mo>
<msub>
<mi>d</mi>
<mrow>
<mi>m</mi>
<mi>i</mi>
<mi>n</mi>
</mrow>
</msub>
<mo>,</mo>
<msub>
<mi>d</mi>
<mrow>
<mi>m</mi>
<mi>a</mi>
<mi>x</mi>
</mrow>
</msub>
<mo>&rsqb;</mo>
</mtd>
</mtr>
<mtr>
<mtd>
<mi>J</mi>
<mo>(</mo>
<mi>k</mi>
<mo>,</mo>
<mi>d</mi>
<mo>)</mo>
<mo>=</mo>
<mi>&lambda;</mi>
<mi>J</mi>
<mo>(</mo>
<mi>k</mi>
<mo>-</mo>
<mn>1</mn>
<mo>,</mo>
<mi>d</mi>
<mo>)</mo>
<mo>+</mo>
<msup>
<mrow>
<mo>&lsqb;</mo>
<mi>y</mi>
<mrow>
<mo>(</mo>
<mi>k</mi>
<mo>)</mo>
</mrow>
<mo>-</mo>
<mi>h</mi>
<mrow>
<mo>(</mo>
<mi>k</mi>
<mo>,</mo>
<mi>d</mi>
<mo>)</mo>
</mrow>
<mover>
<mi>h</mi>
<mo>^</mo>
</mover>
<mrow>
<mo>(</mo>
<mi>k</mi>
<mo>)</mo>
</mrow>
<mo>&rsqb;</mo>
</mrow>
<mn>2</mn>
</msup>
</mtd>
</mtr>
</mtable>
</mfenced>
其中，最小化损失函数minJ(k,d)即为损失函数中的最小值，λ＝0.99，d即为系统纯迟延时间常数，对于未知系统，设定d范围为[dmin,dmax]；
采用最小损失函数的方法将延迟时间d和系统增益K、第一惯性时间T1以及第二惯性时间T2一起辨识，具体实现方法如下：
1)假设纯迟延时间已知，计算出输入输出的观测向量h(k)，利用辅助变量最小二乘法辨识递推公式得出参数估计值得到纯延迟的估计值
2)假设参数估计值是正确的，让d从dmin变化到dmax，从而得到dmax-dmin+1个观测向量，进而最小化损失函数递推公式中的dmax-dmin+1个损失函数值；选择使损失函数值最小的d作为第k步的估计值，并作为初始迟延时间返回步骤1)，用于k+1步的参数估计中，直到参数与迟延时间d达到收敛；
3)将收敛后的和d作为参数，构建离散传递函数方程为：
<mrow>
<mi>G</mi>
<mrow>
<mo>(</mo>
<mi>z</mi>
<mo>)</mo>
</mrow>
<mo>=</mo>
<mfrac>
<mrow>
<msub>
<mi>b</mi>
<mn>3</mn>
</msub>
<msup>
<mi>z</mi>
<mrow>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>2</mn>
<mo>-</mo>
<mi>d</mi>
<mo>)</mo>
</mrow>
</mrow>
</msup>
<mo>+</mo>
<msub>
<mi>b</mi>
<mn>2</mn>
</msub>
<msup>
<mi>z</mi>
<mrow>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>1</mn>
<mo>-</mo>
<mi>d</mi>
<mo>)</mo>
</mrow>
</mrow>
</msup>
<mo>+</mo>
<msub>
<mi>b</mi>
<mn>1</mn>
</msub>
<msup>
<mi>z</mi>
<mi>d</mi>
</msup>
</mrow>
<mrow>
<msub>
<mi>a</mi>
<mn>2</mn>
</msub>
<msup>
<mi>z</mi>
<mrow>
<mo>-</mo>
<mn>2</mn>
</mrow>
</msup>
<mo>+</mo>
<msub>
<mi>a</mi>
<mn>1</mn>
</msub>
<msup>
<mi>z</mi>
<mrow>
<mo>-</mo>
<mn>1</mn>
</mrow>
</msup>
<mo>+</mo>
<mn>1</mn>
</mrow>
</mfrac>
</mrow>
4)基于采样时间t＝3s，将上述离散传递函数方程转化为连续传递方程为：
<mrow>
<mi>G</mi>
<mrow>
<mo>(</mo>
<mi>s</mi>
<mo>)</mo>
</mrow>
<mo>=</mo>
<mfrac>
<mrow>
<msup>
<mi>Ke</mi>
<mrow>
<mo>-</mo>
<mi>&tau;</mi>
<mi>s</mi>
</mrow>
</msup>
</mrow>
<mrow>
<mo>(</mo>
<mn>1</mn>
<mo>+</mo>
<msub>
<mi>T</mi>
<mn>1</mn>
</msub>
<mi>s</mi>
<mo>)</mo>
<mo>(</mo>
<mn>1</mn>
<mo>+</mo>
<msub>
<mi>T</mi>
<mn>2</mn>
</msub>
<mi>s</mi>
<mo>)</mo>
</mrow>
</mfrac>
</mrow>
其中，K为系统增益，T1，T2，τ分别为系统的第一惯性时间，第二惯性时间和迟延时间。
2.根据权利要求1所述的基于指数预测和时滞预估补偿的脱硝新型串级控制方法，其特征在于，步骤4)中，将SCR系统入口NOX变化速率乘以1.5，机组负荷乘以0.02，SCR系统入口烟气氧含量乘以0.8，风/煤比乘以0.1，二次风门平均开度乘以0.1，然后将上述计算得到的结果求和，其总和为喷氨量需求值前馈。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201510697037.9A CN105404145B (zh) | 2015-10-22 | 2015-10-22 | 基于指数预测和时滞预估补偿的脱硝新型串级控制方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201510697037.9A CN105404145B (zh) | 2015-10-22 | 2015-10-22 | 基于指数预测和时滞预估补偿的脱硝新型串级控制方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN105404145A CN105404145A (zh) | 2016-03-16 |
| CN105404145B true CN105404145B (zh) | 2018-01-16 |
Family
ID=55469696
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201510697037.9A Active CN105404145B (zh) | 2015-10-22 | 2015-10-22 | 基于指数预测和时滞预估补偿的脱硝新型串级控制方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN105404145B (zh) |
Families Citing this family (17)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105786034B (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 | 一种锅炉脱硝出口氮氧化物含量的控制系统及方法 |
| CN109426144B (zh) * | 2017-08-22 | 2021-07-16 | 邢台国泰发电有限责任公司 | 基于随机森林模型的电站锅炉烟气脱硝方法 |
| CN107803114B (zh) * | 2017-12-04 | 2020-06-16 | 烟台龙源电力技术股份有限公司 | 一种脱硝控制系统及其控制方法与控制装置 |
| CN108363304B (zh) * | 2018-03-09 | 2021-01-22 | 西安西热控制技术有限公司 | 一种离散化粒子群寻优二阶惯性迟延模型辨识方法 |
| CN108319146B (zh) * | 2018-03-09 | 2020-08-11 | 西安西热控制技术有限公司 | 一种径向基神经网络基于离散粒子群训练的方法 |
| CN108983597B (zh) * | 2018-08-23 | 2021-03-12 | 广东电网有限责任公司 | 一种近似纯滞后的方法及装置 |
| CN108990521B (zh) * | 2018-09-30 | 2023-11-10 | 江苏农牧科技职业学院 | 一种基于嵌入式的收割机割台集成控制系统 |
| CN109190848B (zh) * | 2018-10-17 | 2024-06-07 | 大唐环境产业集团股份有限公司 | 一种基于时延预估的SCR系统NOx排放浓度预测方法 |
| CN109782582A (zh) * | 2019-01-14 | 2019-05-21 | 中国华能集团清洁能源技术研究院有限公司 | 基于匀加速运动等价的sncr脱硝系统控制装置的控制方法 |
| CN112650050B (zh) * | 2020-11-23 | 2022-07-01 | 贵州金元茶园发电有限责任公司 | 基于数据建模和多前馈pid的化学加氨自动控制方法 |
| CN113033873B (zh) * | 2021-03-02 | 2022-02-22 | 华电邹县发电有限公司 | 基于入炉煤质测量的脱硫系统入口硫氧化物含量预测方法 |
| CN113110348B (zh) * | 2021-04-27 | 2022-08-26 | 国能南京电力试验研究有限公司 | SCR脱硝NOx浓度的趋近二阶小惯性对象预估算法 |
| CN113893685B (zh) * | 2021-09-30 | 2024-04-09 | 湖北华电江陵发电有限公司 | 一种基于滞后惯性补偿的脱硝系统先进控制系统及方法 |
| CN115025616B (zh) * | 2022-06-14 | 2023-09-15 | 西安热工研究院有限公司 | 一种火电机组尿素法scr脱硝技术自动控制方法 |
| CN115297270B (zh) * | 2022-10-10 | 2023-04-18 | 长春长光睿视光电技术有限责任公司 | 一种航空光学面阵相机自动调光控制系统及其控制方法 |
| CN115591378B (zh) * | 2022-12-12 | 2023-03-31 | 清华大学 | 火电机组scr脱硝的前馈补偿和扰动抑制控制系统及方法 |
| CN116820003B (zh) * | 2023-06-27 | 2024-03-19 | 中国航发沈阳发动机研究所 | 一种喷口总线通讯控制时滞阈值确定方法 |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104131872A (zh) * | 2014-07-16 | 2014-11-05 | 潍柴动力股份有限公司 | 一种scr反应器温度的控制方法和装置 |
| CN104607042A (zh) * | 2014-12-26 | 2015-05-13 | 东南大学 | 一种基于约束预测控制的scr脱硝系统及方法 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JPH07325603A (ja) * | 1994-05-31 | 1995-12-12 | Kawasaki Heavy Ind Ltd | 制御系の調整方法 |
-
2015
- 2015-10-22 CN CN201510697037.9A patent/CN105404145B/zh active Active
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104131872A (zh) * | 2014-07-16 | 2014-11-05 | 潍柴动力股份有限公司 | 一种scr反应器温度的控制方法和装置 |
| CN104607042A (zh) * | 2014-12-26 | 2015-05-13 | 东南大学 | 一种基于约束预测控制的scr脱硝系统及方法 |
Non-Patent Citations (1)
| Title |
|---|
| "基于主元分析的SCR烟气脱硝系统入口NOx生成量预测模型";王林 等;《热力发电》;20150830;第44卷(第8期);摘要，第85-88页 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN105404145A (zh) | 2016-03-16 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN105404145B (zh) | 基于指数预测和时滞预估补偿的脱硝新型串级控制方法 | |
| CN105629736B (zh) | 数据驱动的火电机组scr脱硝扰动抑制预测控制方法 | |
| CN112580250A (zh) | 基于深度学习的火电机组脱硝系统及优化控制方法 | |
| CN109343349B (zh) | 一种基于喷氨量补偿器的scr烟气脱硝优化控制系统和方法 | |
| CN107243257B (zh) | 适合全负荷的智能喷氨控制系统 | |
| CN107561941A (zh) | 一种火电机组脱硝系统的全工况达标排放控制方法 | |
| CN105597537B (zh) | 基于预测控制技术的脱硝控制方法 | |
| CN107526292B (zh) | 一种基于入口NOx浓度预测的调控喷氨量的方法 | |
| CN105786035A (zh) | 基于试探式预测控制技术的火电机组scr脱硝优化控制系统 | |
| CN105498497A (zh) | 多变量控制的烟气脱硫脱硝一体化设备及其控制方法 | |
| CN113433911B (zh) | 基于浓度精准预测的脱硝装置喷氨精准控制系统与方法 | |
| 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 | |
| CN104226110A (zh) | 一种燃煤锅炉scr脱硝控制方法与控制系统 | |
| CN107544288A (zh) | 一种脱硝优化控制方法和系统 | |
| CN106362561B (zh) | 一种基于炉内流场的集群sncr控制方法 | |
| CN109766596A (zh) | 一种脱硝经济运行的专家系统构建方法 | |
| CN106842962A (zh) | 基于变约束多模型预测控制的scr脱硝控制方法 | |
| CN209387613U (zh) | 便携式喷氨调平智能测量分析系统 | |
| CN106621738A (zh) | 一种降低脱硝逃逸氨控制方法 | |
| CN110501901A (zh) | 基于全负荷精准脱硝要求的scr喷氨调节优化的方法 | |
| Liu et al. | Anticipatory NH3 injection control for SCR system based on the prediction of the inlet NOx concentration | |
| CN113970937A (zh) | 一种scr脱硝精准喷氨控制方法 | |
| CN113578007A (zh) | 一种基于分区喷氨的燃煤烟气scr脱硝调控系统及方法 | |
| CN109933884B (zh) | 一种面向燃煤机组scr脱硝系统神经网络逆控制的方法 | |
| CN205323522U (zh) | 多变量控制的烟气脱硫脱硝一体化设备 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| C06 | Publication | ||
| PB01 | Publication | ||
| C10 | Entry into substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |