CN108940596B - 一种基于混合模型的电除尘系统优化控制方法 - Google Patents
一种基于混合模型的电除尘系统优化控制方法 Download PDFInfo
- Publication number
- CN108940596B CN108940596B CN201810764514.2A CN201810764514A CN108940596B CN 108940596 B CN108940596 B CN 108940596B CN 201810764514 A CN201810764514 A CN 201810764514A CN 108940596 B CN108940596 B CN 108940596B
- Authority
- CN
- China
- Prior art keywords
- electric precipitation
- model
- precipitation system
- electric
- parameters
- 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
Images
Classifications
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B03—SEPARATION OF SOLID MATERIALS USING LIQUIDS OR USING PNEUMATIC TABLES OR JIGS; MAGNETIC OR ELECTROSTATIC SEPARATION OF SOLID MATERIALS FROM SOLID MATERIALS OR FLUIDS; SEPARATION BY HIGH-VOLTAGE ELECTRIC FIELDS
- B03C—MAGNETIC OR ELECTROSTATIC SEPARATION OF SOLID MATERIALS FROM SOLID MATERIALS OR FLUIDS; SEPARATION BY HIGH-VOLTAGE ELECTRIC FIELDS
- B03C3/00—Separating dispersed particles from gases or vapour, e.g. air, by electrostatic effect
- B03C3/34—Constructional details or accessories or operation thereof
- B03C3/66—Applications of electricity supply techniques
- B03C3/68—Control systems therefor
-
- 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
-
- 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
- Y02P80/00—Climate change mitigation technologies for sector-wide applications
- Y02P80/10—Efficient use of energy, e.g. using compressed air or pressurized fluid as energy carrier
Landscapes
- Engineering & Computer Science (AREA)
- Automation & Control Theory (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)
- Electrostatic Separation (AREA)
- Feedback Control In General (AREA)
Abstract
本发明涉及一种基于混合模型的电除尘系统优化控制方法,包括电除尘系统机理与数据混合的建模方法:通过电除尘系统的颗粒物脱除机理与实际运行数据的有机结合,实现电除尘系统变工况下的出口浓度精确预测;电除尘系统变工况能耗评价方法:获得不同参数下系统能耗的变化规律;基于群智能算法的系统运行多参数优化方法:将上述方法结合,获得在特定排放目标和多变运行工况下的最优能量注入策略。本发明从理论、架构和算法层面对电除尘系统的运行策略进行了创新,突破了多变工况、多电场、多极配形式等带来的模型精度低甚至模型失配、能耗评估误差大、运行参数优化困难等问题,从而实现工业烟气中颗粒物的可靠节能高效脱除。
Description
技术领域
本发明属于节能环保技术领域,具体涉及一种基于混合模型的电除尘系统优化控制方法。
背景技术
我国以煤炭为主的能源结构在短期内难以根本改变,作为燃煤烟气颗粒物脱除的主流技术之一,电除尘系统利用高压直流电源在放电极和收尘极之间形成高压静电场,使颗粒物在静电场中荷电,并获得沿电场方向的趋进速度,进而被收尘极收集。由于工业电除尘系统大多由多个通道并联,而每个通道又由多个电场串联组成,每个电场由一台功率在50至200kW的高压电源驱动,使系统的额定功率最高可达3MW以上,是燃煤烟气颗粒物减排系统中的主要耗能设备之一。电除尘系统的设计指标大都留有裕量,在日常运行过程中,系统往往在额定功率之下运行,但由于各个电场的设计和运行参数大都各不相同,使得颗粒物在电除尘器内部的荷电迁移等过程难以精确描述,这给电除尘系统的运行优化带来了困难,以至于当前的电除尘运行仍主要依靠工程师的经验进行调试,并以人工操纵为主要运行方式。
当前出现了包括浊度闭环控制、最佳闪络率控制、恒流控制、恒压控制等在内的电除尘系统运行方式,在一定程度上实现了颗粒物排放达标与系统运行经济性的协调。但随着污染减排装置的运行要求不断提高,在进一步挖掘电除尘系统优化运行潜力时,主流的运行方式存在以下问题:
一、当前的运行方法主要基于运行经验,缺乏对电除尘器中颗粒物脱除过程的精确描述,因此运行波动较大,需要较高的运行裕量以实现出口浓度的持续达标,运行能耗偏高;
二、锅炉负荷、煤种等参数会对电除尘系统入口烟气包括颗粒物浓度、流速、温度、湿度等参数造成较大影响,如何建立多变工况下的电除尘系统精确模型是亟待解决的问题;
三、电除尘系统是一个由多电场串并联组成的多输入单输出系统,算法搜索或人工调试由于缺乏能耗评价方法,获得的运行参数往往是次优解,难以实现多通道多电场的参数最优。
由此可见,运行状态精确描述、系统能耗准确评估和运行点优化设定是实现电除尘系统的可靠节能高效运行的关键。本发明基于混合模型的电除尘系统优化控制方法,将运行数据与电除尘系统颗粒物脱除机理结合,实现电除尘系统颗粒物脱除过程的精确描述,结合适用于变工况的系统能耗评估方法及基于群智能算法的多参数优化方法,突破电除尘系统节能降耗与稳定达标的矛盾,实现电除尘系统可靠节能高效运行。
发明内容
本发明针对现有电除尘系统运行能耗高、出口浓度波动大、现有运行方式难以挖掘系统节能降耗潜力的问题,提出一种基于混合模型的电除尘系统优化控制方法。该方法将颗粒物静电场中脱除机理和运行数据融合,建立机理与数据混合模型,实现多变工况下出口浓度的精确预测;建立多变气氛、不同极配形式的电场能耗准确评估方法和适用于多参数寻优的群智能算法,实现电除尘系统多电场的运行参数实时优化,进而在保证排放可靠性的同时有效降低系统运行成本,提高系统的适应性、灵活性和经济性。本发明可以替代现有的电除尘系统控制系统,在服务器上完成工况分析和运行优化,并将优化运行值直接写入电除尘系统各电场电源控制器,较传统的电除尘系统控制系统在模型精确性、能耗评估准确性、参数优化水平等方面都有较大的提高,同时机理与数据融合的建模方式对于工况变化等复杂应用情景的适应性更强,可以大大减少控制系统调试时间,提高系统的实用性和可靠性。
为达到上述目的,本发明提供以下技术方案:
一种基于混合模型的电除尘系统优化控制方法,包括电除尘系统机理与数据混合的建模方法、电除尘系统变工况能耗评价方法、基于群智能算法的系统运行多参数优化方法,
电除尘系统机理与数据混合的建模方法:通过电除尘系统的颗粒物脱除机理与实际运行数据的有机结合,实现电除尘系统变工况下的出口浓度预测;
电除尘系统变工况能耗评价方法:获得不同参数下系统能耗的变化规律;
基于群智能算法的系统多参数运行优化方法:将电除尘系统机理与数据混合的建模方法与电除尘系统变工况能耗评价方法结合,获得在特定排放目标和多变运行工况下的最优能量注入策略,实现电除尘系统可靠达标的节能运行。
本发明从理论、架构和算法层面对电除尘系统的运行策略进行了创新,突破了多变工况、多电场、多极配形式等带来的模型精度低甚至模型失配、能耗评估误差大、运行参数优化困难等问题,从而实现工业烟气中颗粒物的可靠节能高效脱除。
作为优选,所述电除尘系统机理与数据混合的建模方法使用电除尘过程中放电、颗粒物荷电、颗粒物迁移脱除过程作为机理模型部分,并利用数据模型进一步消除机理模型的预测误差。
作为优选,放电过程使用修正的Townsend放电和Cooperman伏安特性模型描述;荷电过程使用拟合的Lawless模型描述;迁移脱除过程使用参数修正的Deutsch模型描述,修正参数包括比例、偏差和指数;数据模型使用深度神经网络等深度学习算法,并使用关键影响参数作为模型输入。
本发明机理与数据混合模型包括但不限于:
电除尘过程机理模型通过指数、比例等多种修正因子修正,可以保证不同设计参数、不同烟气参数、不同运行方式下的预测能力和泛化能力;
深度网络模型通过在线更新保证误差修正效果。
作为优选,电除尘系统机理与数据混合的建模方法中机理模型和数据模型部分采用线性叠加的方法实现混合。
作为优选,所述电除尘系统变工况能耗评价方法为:通过分析电除尘系统放电机理和运行数据,获得变工况下电除尘系统电源一次(低压)侧注入功率受二次(高压)侧运行伏安特性的影响规律。
作为优选,二次侧伏安特性的多参数包括气体温度、湿度、压力、密度、离子迁移率;根据电源形式、变压器形式、变换器形式,获得不同实际功率下能量转化效率,以获得二次侧伏安特性与一次侧功率的关系;根据线板式反应器电晕放电机理,获得二次侧伏安特性与二次侧多参数之间关系,进而建立二次侧多参数与一次侧参数的相互关系,以描述多参数下不同二次侧运行参数对一次侧功率影响。
作为优选,基于群智能算法的多参数优化方法以电除尘系统机理与数据混合的建模方法获得的模型为寻优对象,以电除尘系统变工况能耗评价方法获得的不同参数下系统运行能耗为优化目标,通过群智能算法实现不同入口浓度和扰动参数下特定排放目标的运行参数最优值。
作为优选,基于群智能算法的系统运行多参数优化方法使用多变量非线性连续系统的算法,在寻优过程中结合电除尘系统运行的多个约束,群智能算法进行计算的初始化、并行计算、变异优化。以提升寻优效率,保证结果最优。
作为优选,所述多变量非线性连续系统的算法包括改进的遗传算法、蚁群算法、粒子群算法,所述约束包括起晕、击穿、闪络率。
作为优选,所述电除尘系统机理与数据混合的建模方法为:
机理与数据混合的电除尘系统预测模型由电除尘系统机理模型和电除尘系统数据修正模型耦合而成;其中,电除尘系统机理模型按照电除尘各电场的极线形式、极线间距、线-板间距、板面积、烟气参数建立电晕放电、颗粒荷电、迁移脱除过程模型,并进一步获得各电场在不同工况下的分级粒径脱除效率为:
ηdp=f(u2,dp,rough,A,d,Q,di,P,Cin,α,β,γ)
其中,ηdp为分级粒径脱除效率;u2为二次电压;dp为颗粒粒径;rough为极线等效粗糙度;A为收尘板面积;d为极线等效直径;Q为烟气流速;di为离子迁移率;P为烟气压强;Cin为进口颗粒物浓度;α,β,γ为比例、偏置和指数修正参数,由数学回归方法获得;
同时,对典型煤质和负荷的入口颗粒物进行采样,获得入口浓度与负荷的相互关系Cin(load)及粒径分布C(dp),以获得分级粒径脱除效率;
基于实施对象的在线运行参数包括烟气、电气和锅炉负荷的历史数据,利用电除尘系统机理模型,获得机理模型的预测误差,并以误差为训练样本,以各电场二次电压和负荷值为输入量,以梯度下降的方式训练结构为[10,15,25,15,10]的深度神经网络;将数据模型与机理模型进行线性耦合,获得电除尘系统机理与数据融合的预测模型;
所述电除尘系统变工况能耗评价方法为:
通过获得极线形式、气流参数和颗粒浓度对二次侧放电特性的影响,获得不同极线形式、气流参数和颗粒浓度下的二次侧伏安特性曲线:
γ=9(U2-Uc+sy E1)2-12(sy E1)2
其中,C1,C2为修正参数,I2为二次电流,U2为二次电压,Uc为起晕电压,ε0为真空介电常数,sx为极线间距,sy为线板间距,Cp,m为颗粒浓度,qp为颗粒荷电量,rc为极线直径,ρ为颗粒密度,γ为中间参数、E1为平均场强、ρp,a为空间电荷密度、reff为极线有效半径、dp为颗粒粒径;
通过分析开关频率、整流器参数和变压器参数对低压侧能量转化效率影响,获得电源在不同运行功率下的能量转化率:
ηi=ηs(f)ηrηt
其中,ηi为电源i的总体效率;ηs(f)为开关器件转换效率;ηr为整流器效率;ηt为变压器效率;
将实时伏安特性与能量转化效率结合,获得系统的实际能耗:
其中,P为总能耗;n为电源数量;Ui为电源i的二次电压;Ii为电源i的二次电流;
所述基于群智能算法的系统运行多参数优化方法为:
根据实时入口工况、出口浓度和出口目标,在寻优范围内初始化n个运行电压组合,并利用电除尘系统机理与数据混合模型获得n个组合的排放,利用电除尘系统变工况能耗评价方法获得n个组合的能耗,根据各个组合的排放和成本获得当前最优工况及全局参数更新率,并进行迭代,直至收敛至最优工况,并将优化后的结果传输给电源控制器,实现各电场参数的优化调节。
本发明基于群智能算法的多参数优化方法具有优化运行参数、降低系统能耗、保证可靠卡边运行的作用。
本发明的有益效果在于:
(1)传统电除尘系统运行受到系统认识程度、工程师经验和多参数同时调节困难的限制,运行能耗偏高,波动偏大;本发明不同于传统的电除尘控制系统,通过机理与数据融合的建模方法,不易受不同设计参数、不同运行工况、不同运行方式的影响,预测精度高、泛化能力强;利用能耗评估方法获得更精确全面的系统能耗,并基于群智能算法的多参数优化方法可以更深入挖掘系统优化潜力,实现系统的高可靠低成本运行;
(3)本发明通过对电除尘系统颗粒物脱除机理的系统性研究分析,结合深度学习方法和群智能算法,实现变工况变负荷的颗粒物浓度精确预测和运行参数优化,突破传统电除尘系统控制建模和寻优面临的瓶颈,提升系统运行的可靠性和经济性,具有很好的技术与应用价值。
附图说明
图1为本发明基于混合模型的电除尘系统优化控制方法原理示意图;
图2为本发明电除尘系统机理与数据混合的建模方法原理示意图;
图3为本发明电除尘系统变工况能耗评价方法原理示意图。
具体实施方式
下面将结合附图对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施案例,而不是全部的实施案例。基于本发明中的实施案例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施案例,都属于本发明保护的范围。
参照图1,本实施例的实施对象为一个单通道四电场线板式电除尘器,其中每个电场由一个高频高压电源驱动,电除尘系统所使用的高频高压电源通过三相整流桥及滤波电路将工频三相电整流为直流,并通过由IGBT及电容组成的逆变桥逆变为额定频率为20kHz的高频交流电,该高频交流电通过高频变压器升压,之后进入高压整流桥整流为负直流高压,作用在电除尘器电场上形成电晕放电。电源控制器通过调节高频高压电源的固体开关频率调节包括二次电压、二次电流等在内的运行参数。
基于群智能算法的系统运行多参数优化方法根据实时入口工况、出口浓度和出口目标,在寻优范围内初始化n个运行电压组合,并利用电除尘系统机理与数据混合模型获得n个组合的排放,利用电除尘系统变工况能耗评价方法获得n个组合的能耗,根据各个组合的排放和成本获得当前最优工况及全局参数更新率,并进行迭代,直至收敛至最优工况,并将优化后的结果传输给电源控制器,实现各电场参数的优化调节。
如图2所示,本实施例中的机理与数据混合的电除尘系统预测模型由电除尘系统机理模型和电除尘系统数据修正模型耦合而成。其中,电除尘系统机理模型按照电除尘各电场的极线形式、极线间距、线-板间距、板面积、烟气参数等参数建立电晕放电、颗粒荷电、迁移脱除等过程机理模型,并进一步获得各电场在不同工况下的分级粒径脱除效率为:
ηdp=f(u2,dp,rough,A,d,Q,di,P,Cin,α,β,γ)
其中,ηdp为分级粒径脱除效率;u2为二次电压;dp为颗粒粒径;rough为极线等效粗糙度;A为收尘板面积;d为极线等效直径;Q为烟气流速;di为离子迁移率;P为烟气压强;Cin为进口颗粒物浓度;α,β,γ为比例、偏置和指数修正参数,由数学回归方法获得。
同时,对典型煤质和负荷的入口颗粒物进行采样,获得入口浓度与负荷的相互关系Cin(load)及粒径分布C(dp),以获得精确的分级粒径脱除效率。
基于实施对象的在线运行参数包括烟气、电气和锅炉负荷等历史数据,利用电除尘系统机理模型,获得机理模型的预测误差,并以误差为训练样本,以各电场二次电压和负荷值为输入量,以梯度下降的方式训练结构为[10,15,25,15,10]的深度神经网络。将数据模型与机理模型进行线性耦合,获得电除尘系统机理与数据融合的预测模型。
图3为本发明实施案例提供的电除尘系统变工况能耗评价方法原理示意图,通过获得极线形式、气流参数和颗粒浓度对高压侧放电特性的影响,获得不同极线形式、气流参数和颗粒浓度下的高压侧伏安特性曲线:
γ=9(U2-Uc+sy E1)2-12(sy E1)2
其中,C1,C2为修正参数,I2为二次电流,U2为二次电压,Uc为起晕电压,ε0为真空介电常数,sx为极线间距,sy为线板间距,Cp,m为颗粒浓度,qp为颗粒荷电量,rc为极线直径,ρ为颗粒密度,γ为中间参数、E1为平均场强、ρp,a为空间电荷密度、reff为极线有效半径、dp为颗粒粒径;
通过分析开关频率、整流器参数和变压器参数对低压侧能量转化效率影响,获得电源在不同运行功率下的能量转化率:
ηi=ηs(f)ηrηt
其中,ηi为电源i的总体效率;ηs(f)为开关器件转换效率;ηr为整流器效率;ηt为变压器效率;
将实时伏安特性与能量转化效率结合,获得系统的实际能耗:
其中,P为总能耗;n为电源数量;Ui为电源i的二次电压;Ii为电源i的二次电流。
本实施例的总体实施方式为:采集电除尘系统电气、烟气和锅炉负荷等的历史数据,结合颗粒物在静电场中的脱除机理、线板式反应器放电特性和高频高压电源效率特性,并通过数据驱动方法,获得电除尘系统颗粒物脱除精确预测模型和变负荷能耗评价方法,结合群智能算法,根据具体运行目标和约束,实现多电场电除尘系统可靠达标的节能优化运行。
通过以上实施方案,本发明可以在保证电除尘系统出口颗粒物浓度满足要求的前提下,能耗下降30%以上,电除尘系统出口颗粒物排放浓度波动下降20%以上,实现电除尘系统的经济可靠卡边运行。
Claims (7)
1.一种基于混合模型的电除尘系统优化控制方法,其特征在于:包括电除尘系统机理与数据混合的建模方法、电除尘系统变工况能耗评价方法、基于群智能算法的系统运行多参数优化方法,
电除尘系统机理与数据混合的建模方法:通过电除尘系统的颗粒物脱除机理与实际运行数据的有机结合,实现电除尘系统变工况下的出口浓度预测;
电除尘系统变工况能耗评价方法:获得不同参数下系统能耗的变化规律;
基于群智能算法的系统多参数运行优化方法:将电除尘系统机理与数据混合的建模方法与电除尘系统变工况能耗评价方法结合,获得在特定排放目标和多变运行工况下的最优能量注入策略,实现电除尘系统可靠达标的节能运行;
所述电除尘系统机理与数据混合的建模方法使用电除尘过程中放电、颗粒物荷电、颗粒物迁移脱除过程作为机理模型部分,并利用数据模型进一步消除机理模型的预测误差;
放电过程使用修正的Townsend放电和Cooperman伏安特性模型描述;荷电过程使用拟合的Lawless模型描述;迁移脱除过程使用参数修正的Deutsch模型描述,修正参数包括比例、偏差和指数;数据模型使用深度学习算法,并使用关键影响参数作为模型输入;
电除尘系统机理与数据混合的建模方法中机理模型和数据模型部分采用线性叠加的方法实现混合。
2.根据权利要求1所述的基于混合模型的电除尘系统优化控制方法,其特征在于:所述电除尘系统变工况能耗评价方法为:通过分析电除尘系统放电机理和运行数据,获得变工况下电除尘系统电源一次侧注入功率受二次侧运行伏安特性的影响规律。
3.根据权利要求2所述的基于混合模型的电除尘系统优化控制方法,其特征在于:二次侧伏安特性的多参数包括气体温度、湿度、压力、密度、离子迁移率;根据电源形式、变压器形式、变换器形式,获得不同实际功率下能量转化效率,以获得二次侧伏安特性与一次侧功率的关系;根据线板式反应器电晕放电机理,获得二次侧伏安特性与二次侧多参数之间关系,进而建立二次侧多参数与一次侧参数的相互关系,以描述多参数下不同二次侧运行参数对一次侧功率影响。
4.根据权利要求1所述的基于混合模型的电除尘系统优化控制方法,其特征在于:基于群智能算法的多参数优化方法以电除尘系统机理与数据混合的建模方法获得的模型为寻优对象,以电除尘系统变工况能耗评价方法获得的不同参数下系统运行能耗为优化目标,通过群智能算法实现不同入口浓度和扰动参数下特定排放目标的运行参数最优值。
5.根据权利要求4所述的基于混合模型的电除尘系统优化控制方法,其特征在于:基于群智能算法的系统运行多参数优化方法使用多变量非线性连续系统的算法,在寻优过程中结合电除尘系统运行的多个约束,群智能算法进行计算的初始化、并行计算、变异优化。
6.根据权利要求5所述的基于混合模型的电除尘系统优化控制方法,其特征在于:所述多变量非线性连续系统的算法包括改进的遗传算法、蚁群算法、粒子群算法,所述约束包括起晕、击穿、闪络率。
7.根据权利要求1所述的基于混合模型的电除尘系统优化控制方法,其特征在于:所述电除尘系统机理与数据混合的建模方法为:
机理与数据混合的电除尘系统预测模型由电除尘系统机理模型和电除尘系统数据修正模型耦合而成;其中,电除尘系统机理模型按照电除尘各电场的极线形式、极线间距、线-板间距、板面积、烟气参数建立电晕放电、颗粒荷电、迁移脱除过程模型,并进一步获得各电场在不同工况下的分级粒径脱除效率为:
ηdp=f(u2,dp,rough,A,d,Q,di,P,Cin,α,β,γ)
其中,ηdp为分级粒径脱除效率;u2为二次电压;dp为颗粒粒径;rough为极线等效粗糙度;A为收尘板面积;d为极线等效直径;Q为烟气流速;di为离子迁移率;P为烟气压强;Cin为进口颗粒物浓度;α,β,γ为比例、偏置和指数修正参数,由数学回归方法获得;
同时,对典型煤质和负荷的入口颗粒物进行采样,获得入口浓度与负荷的相互关系Cin(load)及粒径分布C(dp),以获得分级粒径脱除效率;
基于实施对象的在线运行参数包括烟气、电气和锅炉负荷的历史数据,利用电除尘系统机理模型,获得机理模型的预测误差,并以误差为训练样本,以各电场二次电压和负荷值为输入量,以梯度下降的方式训练结构为[10,15,25,15,10]的深度神经网络;将数据模型与机理模型进行线性耦合,获得电除尘系统机理与数据融合的预测模型;
所述电除尘系统变工况能耗评价方法为:
通过获得极线形式、气流参数和颗粒浓度对二次侧放电特性的影响,获得不同极线形式、气流参数和颗粒浓度下的二次侧伏安特性曲线:
γ=9(U2-Uc+sy E1)2-12(sy E1)2
其中,C1,C2为修正参数,I2为二次电流,U2为二次电压,Uc为起晕电压,ε0为真空介电常数,sx为极线间距,sy为线板间距,Cp,m为颗粒浓度,qp为颗粒荷电量,rc为极线直径,ρ为颗粒密度,γ为中间参数、E1为平均场强、ρp,a为空间电荷密度、reff为极线有效半径、dp为颗粒粒径;
通过分析开关频率、整流器参数和变压器参数对低压侧能量转化效率影响,获得电源在不同运行功率下的能量转化率:
ηi=ηs(f)ηrηt
其中,ηi为电源i的总体效率;ηs(f)为开关器件转换效率;ηr为整流器效率;ηt为变压器效率;
将实时伏安特性与能量转化效率结合,获得系统的实际能耗:
其中,P为总能耗;n为电源数量;Ui为电源i的二次电压;Ii为电源i的二次电流;
所述基于群智能算法的系统运行多参数优化方法为:
根据实时入口工况、出口浓度和出口目标,在寻优范围内初始化n个运行电压组合,并利用电除尘系统机理与数据混合模型获得n个组合的排放,利用电除尘系统变工况能耗评价方法获得n个组合的能耗,根据各个组合的排放和成本获得当前最优工况及全局参数更新率,并进行迭代,直至收敛至最优工况,并将优化后的结果传输给电源控制器,实现各电场参数的优化调节。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810764514.2A CN108940596B (zh) | 2018-07-12 | 2018-07-12 | 一种基于混合模型的电除尘系统优化控制方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810764514.2A CN108940596B (zh) | 2018-07-12 | 2018-07-12 | 一种基于混合模型的电除尘系统优化控制方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108940596A CN108940596A (zh) | 2018-12-07 |
CN108940596B true CN108940596B (zh) | 2020-05-26 |
Family
ID=64484030
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810764514.2A Active CN108940596B (zh) | 2018-07-12 | 2018-07-12 | 一种基于混合模型的电除尘系统优化控制方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108940596B (zh) |
Families Citing this family (20)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109343342A (zh) * | 2018-11-23 | 2019-02-15 | 江苏方天电力技术有限公司 | 基于遗传算法的电除尘器节能优化方法和系统 |
CN109759235B (zh) * | 2019-01-25 | 2020-05-12 | 国网江苏省电力有限公司检修分公司 | 一种变压器防尘装置及其集尘极电压设计方法 |
CN109858709B (zh) * | 2019-03-01 | 2022-08-19 | 联想(北京)有限公司 | 一种优化焦炭生产的方法、装置和设备 |
CN111036404B (zh) * | 2019-12-24 | 2022-12-09 | 河南经方云科技有限公司 | 一种电子除尘设备 |
CN111077869B (zh) * | 2019-12-31 | 2023-04-28 | 国电九江发电有限公司 | 一种大数据智能控制布袋除尘器优化控制方法及系统 |
CN111624887A (zh) * | 2020-06-08 | 2020-09-04 | 福建龙净环保股份有限公司 | 电除尘控制方法及相关装置 |
CN112099343B (zh) * | 2020-07-29 | 2022-06-17 | 福建龙净环保股份有限公司 | 基于神经网络的电除尘系统智能节能优化方法及其介质 |
CN112000003B (zh) * | 2020-08-31 | 2022-09-16 | 新疆大学 | 一种基于分数阶控制器的氧化槽的温度控制方法 |
CN112731377B (zh) * | 2020-12-15 | 2024-03-26 | 郑州大学 | 一种介电常数反演方法、路基检测方法和检测系统 |
CN112916207A (zh) * | 2021-01-19 | 2021-06-08 | 无锡混沌能源技术有限公司 | 一种高压静电除雾控制系统、方法、装置及介质 |
CN112934468A (zh) * | 2021-01-27 | 2021-06-11 | 华能国际电力股份有限公司营口电厂 | 一种电除尘系统防止频繁闪络的方法 |
CN112934467A (zh) * | 2021-01-27 | 2021-06-11 | 华能国际电力股份有限公司营口电厂 | 基于生产负荷的电除尘整流变压器输出功率智能控制方法 |
CN113145309B (zh) * | 2021-03-12 | 2023-06-16 | 山西晋浙环保科技有限公司 | 电除尘器设计选型方法 |
CN113499856A (zh) * | 2021-05-11 | 2021-10-15 | 浙江大学 | 多电场多通道电除尘装置的智能协同控制系统与方法 |
CN114210460B (zh) * | 2021-11-30 | 2023-01-06 | 华中科技大学 | 基于具有电场梯度的收集网阵列的电晕放电除雾集水装置 |
CN114558694B (zh) * | 2022-02-28 | 2022-12-20 | 广东大唐国际雷州发电有限责任公司 | 一种燃煤电厂智能电除尘设备及除尘方法 |
CN114904655B (zh) * | 2022-05-07 | 2023-12-19 | 福建龙净环保股份有限公司 | 一种单电场节能控制方法及装置 |
CN116651617B (zh) * | 2023-05-06 | 2023-11-14 | 浙江佳环电子有限公司 | 电除尘变频调幅高压电源及其高压输出控制方法 |
CN117358424B (zh) * | 2023-10-11 | 2024-04-26 | 国能神皖合肥发电有限责任公司 | 一种电除尘闪络限流控制方法及装置 |
CN117339759B (zh) * | 2023-12-04 | 2024-04-09 | 浙江大维高新技术股份有限公司 | 除尘器数字孪生系统及方法 |
Family Cites Families (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101498457B (zh) * | 2009-03-02 | 2010-08-25 | 杭州电子科技大学 | 一种锅炉燃烧优化的方法 |
CN106931453B (zh) * | 2017-02-27 | 2018-02-16 | 浙江大学 | 循环流化床生活垃圾焚烧锅炉NOx排放的预测系统及方法 |
CN107016176A (zh) * | 2017-03-24 | 2017-08-04 | 杭州电子科技大学 | 一种混合智能锅炉综合燃烧优化方法 |
CN107213990B (zh) * | 2017-05-08 | 2019-04-23 | 浙江大学 | 电除尘系统性能评估及运行优化系统 |
CN107748955B (zh) * | 2017-10-16 | 2020-09-08 | 浙江大学 | 一种燃煤电厂超低排放环保岛能效评估方法 |
-
2018
- 2018-07-12 CN CN201810764514.2A patent/CN108940596B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN108940596A (zh) | 2018-12-07 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108940596B (zh) | 一种基于混合模型的电除尘系统优化控制方法 | |
CN102710000B (zh) | 一种电动汽车充电机充电模块的并联均流电路 | |
CN103337001B (zh) | 考虑最佳期望输出与荷电状态的风电场储能容量优化方法 | |
CN105514968B (zh) | 一种基于升降压式和隔离型dc/dc电路的直流电力弹簧拓扑及其控制方法 | |
CN108876163B (zh) | 综合因果分析与机器学习的暂态功角稳定快速评估方法 | |
CN105978016A (zh) | 一种基于最优潮流的多端柔性直流输电系统优化控制方法 | |
CN113499856A (zh) | 多电场多通道电除尘装置的智能协同控制系统与方法 | |
CN105170333A (zh) | 静电除尘用电源的模糊预测控制系统及方法 | |
CN103887792B (zh) | 一种含分布式电源的低压配电网建模方法 | |
CN113191542A (zh) | 一种智慧环保碳排放管理服务平台 | |
CN114632624B (zh) | 一种电除尘运行优化系统及优化方法 | |
CN110488907A (zh) | 一种用于光伏发电的混合步长最大功率跟踪控制方法 | |
CN103186160A (zh) | 一种光伏发电最大功率点跟踪的自调节控制方法 | |
CN101333669A (zh) | 锌电解过程电能优化方法 | |
Cui et al. | Building a prediction model of solar power generation based on improved Grey Markov Chain | |
CN114266471A (zh) | 一种面向冷热电多能流耦合综合能源的能效评价方法 | |
CN105652658A (zh) | 基于光伏电场数据分析及实时环境监测的有功控制系统 | |
CN106527138B (zh) | 一种光伏逆变器直流侧电阻参数波动系数预测方法 | |
CN107742886B (zh) | 一种热电联合系统负荷峰值同时系数的预测方法 | |
CN110426646A (zh) | Soc平衡端点算法电化学储能电站能效指标计算方法 | |
Wang et al. | New Energy Utilization Rate and Coal Energy Economic Development Based on the Fuzzy Network Algorithm | |
CN1467310A (zh) | 锌电解过程分时供电优化调度技术 | |
Liu et al. | Optimization of Distribution Network Data Management Mode Based on BP Neural Network Algorithm and Atlas Technology | |
CN111027830B (zh) | 一种基于机器学习的供电可靠性指标分级预测方法 | |
Zhang et al. | Research on Optimized Energy Management Strategy Based on Micro-trip Recognition |
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 |