CN110094251B - 基于分时段多模型建模的scr催化剂性能劣化分析方法 - Google Patents
基于分时段多模型建模的scr催化剂性能劣化分析方法 Download PDFInfo
- Publication number
- CN110094251B CN110094251B CN201910368057.XA CN201910368057A CN110094251B CN 110094251 B CN110094251 B CN 110094251B CN 201910368057 A CN201910368057 A CN 201910368057A CN 110094251 B CN110094251 B CN 110094251B
- Authority
- CN
- China
- Prior art keywords
- scr
- steady
- concentration
- time
- unit
- 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
- 239000003054 catalyst Substances 0.000 title claims abstract description 85
- 230000015556 catabolic process Effects 0.000 title claims abstract description 26
- 238000006731 degradation reaction Methods 0.000 title claims abstract description 26
- 238000004458 analytical method Methods 0.000 title abstract description 19
- 230000000694 effects Effects 0.000 claims abstract description 37
- 239000003638 chemical reducing agent Substances 0.000 claims abstract description 27
- 238000012216 screening Methods 0.000 claims abstract description 14
- 238000012549 training Methods 0.000 claims abstract description 9
- 238000000034 method Methods 0.000 claims description 27
- UGFAIRIUMAVXCW-UHFFFAOYSA-N Carbon monoxide Chemical compound [O+]#[C-] UGFAIRIUMAVXCW-UHFFFAOYSA-N 0.000 claims description 22
- 239000003546 flue gas Substances 0.000 claims description 22
- QGZKDVFQNNGYKY-UHFFFAOYSA-N Ammonia Chemical group N QGZKDVFQNNGYKY-UHFFFAOYSA-N 0.000 claims description 11
- QVGXLLKOCUKJST-UHFFFAOYSA-N atomic oxygen Chemical compound [O] QVGXLLKOCUKJST-UHFFFAOYSA-N 0.000 claims description 11
- 239000001301 oxygen Substances 0.000 claims description 11
- 229910052760 oxygen Inorganic materials 0.000 claims description 11
- 238000004140 cleaning Methods 0.000 claims description 7
- 238000005070 sampling Methods 0.000 claims description 5
- 238000010438 heat treatment Methods 0.000 claims description 4
- 229910000069 nitrogen hydride Inorganic materials 0.000 claims description 4
- 238000004422 calculation algorithm Methods 0.000 claims description 3
- 238000004364 calculation method Methods 0.000 claims description 3
- XSQUKJJJFZCRTK-UHFFFAOYSA-N Urea Chemical compound NC(N)=O XSQUKJJJFZCRTK-UHFFFAOYSA-N 0.000 claims description 2
- 239000004202 carbamide Substances 0.000 claims description 2
- 238000012512 characterization method Methods 0.000 claims description 2
- 230000011218 segmentation Effects 0.000 claims description 2
- 238000000605 extraction Methods 0.000 abstract description 2
- 238000012706 support-vector machine Methods 0.000 abstract 1
- 238000012843 least square support vector machine Methods 0.000 description 21
- 238000012360 testing method Methods 0.000 description 12
- 229910021529 ammonia Inorganic materials 0.000 description 4
- 238000001514 detection method Methods 0.000 description 4
- 238000011156 evaluation Methods 0.000 description 3
- 238000005299 abrasion Methods 0.000 description 2
- 230000006866 deterioration Effects 0.000 description 2
- 239000000428 dust Substances 0.000 description 2
- 239000010881 fly ash Substances 0.000 description 2
- 238000012423 maintenance Methods 0.000 description 2
- 231100000572 poisoning Toxicity 0.000 description 2
- 230000000607 poisoning effect Effects 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 238000005245 sintering Methods 0.000 description 2
- 238000012935 Averaging Methods 0.000 description 1
- 230000002411 adverse Effects 0.000 description 1
- 229910052783 alkali metal Inorganic materials 0.000 description 1
- 150000001340 alkali metals Chemical class 0.000 description 1
- 238000003556 assay Methods 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000002485 combustion reaction Methods 0.000 description 1
- 238000007418 data mining Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 239000003344 environmental pollutant Substances 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 230000002349 favourable effect Effects 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 238000009533 lab test Methods 0.000 description 1
- 238000002156 mixing Methods 0.000 description 1
- 238000012821 model calculation Methods 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 231100000719 pollutant Toxicity 0.000 description 1
- 238000003303 reheating Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 239000000779 smoke Substances 0.000 description 1
- 238000000638 solvent extraction Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000010998 test method Methods 0.000 description 1
- 238000010977 unit operation Methods 0.000 description 1
- 238000005406 washing Methods 0.000 description 1
Images
Classifications
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F01—MACHINES OR ENGINES IN GENERAL; ENGINE PLANTS IN GENERAL; STEAM ENGINES
- F01N—GAS-FLOW SILENCERS OR EXHAUST APPARATUS FOR MACHINES OR ENGINES IN GENERAL; GAS-FLOW SILENCERS OR EXHAUST APPARATUS FOR INTERNAL COMBUSTION ENGINES
- F01N11/00—Monitoring or diagnostic devices for exhaust-gas treatment apparatus, e.g. for catalytic activity
-
- 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
- G16C20/90—Programming languages; Computing architectures; Database systems; Data warehousing
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F01—MACHINES OR ENGINES IN GENERAL; ENGINE PLANTS IN GENERAL; STEAM ENGINES
- F01N—GAS-FLOW SILENCERS OR EXHAUST APPARATUS FOR MACHINES OR ENGINES IN GENERAL; GAS-FLOW SILENCERS OR EXHAUST APPARATUS FOR INTERNAL COMBUSTION ENGINES
- F01N2550/00—Monitoring or diagnosing the deterioration of exhaust systems
- F01N2550/02—Catalytic activity of catalytic converters
-
- 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)
- Computing Systems (AREA)
- Theoretical Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Crystallography & Structural Chemistry (AREA)
- Databases & Information Systems (AREA)
- Software Systems (AREA)
- Chemical Kinetics & Catalysis (AREA)
- Combustion & Propulsion (AREA)
- Mechanical Engineering (AREA)
- General Engineering & Computer Science (AREA)
- Exhaust Gas Treatment By Means Of Catalyst (AREA)
Abstract
本发明公开一种基于分时段多模型建模的SCR催化剂性能劣化分析方法,步骤包括:采集机组的历史数据库中相关参数较长时间跨度的运行数据,对机组负荷和SCR入口NOx浓度的常规区间进行工况划分;将运行数据按照时间划分成多个区段,根据机组负荷和SCR入口NOx浓度对每一区段内的运行数据进行稳态筛选得到稳态样本,对稳态样本进行离散化抽取,得到尽可能覆盖全工况的稳态样本作为建模样本;利用LSSVM对各个区段的建模样本进行训练,最终得到各时间区段SCR脱硝系统的全工况模型集;选取典型工况输入集,利用LSSVM模型得到各时间区段的输入输出对应关系,用脱除单位NOx消耗的还原剂流量表征催化剂活性,最终得到SCR催化剂的性能劣化趋势,为催化剂换装提供指导。
Description
技术领域
本发明涉及一种催化剂性能劣化分析方法,具体是涉及一种基于分时段多模型建模的SCR催化剂性能劣化分析方法,属于SCR脱硝催化剂管理领域。
背景技术
随着生态环保约束的进一步趋紧,我国对火电机组污染物排放的要求越来越严格,采用SCR系统对锅炉燃烧烟气进行脱硝处理已然成为火电厂的主流选择。目前,我国燃煤机组的SCR脱硝装置大都采用高温高尘的布置工艺。采用这种布置方式时,烟气无需进行再热即可满足SCR催化剂的活性温度要求,投资和运行成本较低。然而,此种工艺的SCR催化剂运行环境较为恶劣,烟气中的飞灰会造成催化剂的磨损和堵塞,飞灰中的碱金属也会导致催化剂中毒。此外,省煤器出口烟气温度过高还会造成催化剂烧结。催化剂运行过程中的磨损、堵塞、中毒和烧结现象,会导致催化剂活性性能的不断下降,也即催化剂的性能劣化。SCR催化剂是脱硝系统的关键部件,其活性性能对SCR系统的脱硝水平和运行成本具有决定性的影响,特别是在脱硝旁路取消的情况下,SCR脱硝装置与锅炉甚至整个机组运行安全性和经济性之间关联更加紧密,催化剂的活性评估与性能劣化分析对机组安全经济环保运行具有重要意义。
目前,比较普遍采用的催化剂活性检测手段主要是实验室检测方法和现场试验分析方法。实验室检测方法对催化剂活性进行检验的方法是,将催化剂中提前布置的试验块或者现场采集的催化剂样本送到专门的实验室进行化验。然而,由于SCR反应器内流场存在一定程度的分布不均,催化剂化验样本的活性并不能够很好地代表整个反应器的脱硝性能;同时,催化剂的取样工作一般需要在机组停机检修时才能进行,而国内机组连续运行时间普遍较长,催化剂采样检测次数受到限制,对实验室检测方法的时效性和准确性造成不利影响。对于现场实验分析方法,该方法利用现场试验数据来计算SCR反应器的整体脱硝性能,有效克服了传统实验室检测方法样本代表性差的问题,现场试验次数不受机组启停的限制。但是现场试验方法的成本较高,且每次现场试验都需要向电网申请稳定的机组负荷以满足试验所需的烟气条件,实际操作过程中该方法也会受到试验次数的影响。因此,有必要提出一种准确的、时效性强的催化剂活性分析方法来满足火电机组的SCR催化剂活性评估和性能劣化分析的现实需求。
现役燃煤机组大都配备分布式控制系统和厂级监控信息系统,SCR脱硝系统运行过程中记录了SCR进出口NOx浓度、还原剂流量以及脱硝效率等参数海量的运行数据,这些数据能够直接或间接地反映SCR催化剂的活性状态。然而,SCR脱硝系统是一个复杂的非线性系统,运行数据具有混杂、高维和时序等特点,同时,非稳态工况数据波动幅度大,系统各变量的统计特性不稳定,不利于系统静态特性的研究。此外,SCR催化剂性能劣化是一个缓慢过程,稳态工况数据中包含的催化剂性能的知识信息,在不同的时段也各不相同。因此,利用有效的数据挖掘手段,从SCR系统不同时段的运行数据中获取稳定的、准确的催化剂活性信息,对研究SCR系统脱硝催化剂的性能劣化分析与寿命管理具有重要意义。
发明内容
发明目的:针对现有的SCR催化剂活性检测手段存在的不足,本发明提供一种基于分时段多模型建模的SCR催化剂性能劣化分析方法。
技术方案:本发明所述的基于分时段多模型建模的SCR催化剂性能劣化分析方法,包括如下步骤:
(1)从SIS数据库中采集SCR脱硝催化剂活性相关参数的历史运行数据,得到原始样本D;
(2)以机组负荷和SCR入口NOx浓度为指标对机组常规运行区间进行工况划分,划分的网格尽可能多地包含原始样本D中的数据;
(3)按照时间区段将原始样本D分割成m个时段形成样本集{Di}(1≤i≤m);
(4)以机组负荷和SCR入口NOx浓度为稳态判定条件对样本集{Di}进行稳态筛选,得到稳态运行数据样本集{SDi}(1≤i≤m),对稳态样本{SDi}进行数据清洗,对清洗后的稳态样本进行离散化抽样,得到尽可能均匀分布的全工况稳态建模样本集
{MDi}(1≤i≤m);
(5)采用最小二乘支持向量机(LSSVM)算法对稳态建模样本集{MDi}进行训练,得到各个时间区段SCR脱硝系统的全工况LSSVM模型集{Mi}(1≤i≤m),模型输入为机组负荷、SCR入口NOx浓度、SCR入口烟气温度、SCR入口氧量和SCR出口NOx浓度,模型输出为还原剂流量;本步骤中,训练LSSVM模型时采用的是对应时段内尽可能离散的稳态数据样本,所得模型能够在全工况范围内具有较高的预测精度;
(6)根据步骤(2)中所划网格确定n个典型工况,SCR入口NOx浓度采用各典型工况网格中心点所对应数值,形成一组典型工况输入集DIn×5;其中,选取样本分布最多的负荷工况所对应的机组负荷作为典型工况集的机组负荷,对应SCR出口NOx浓度、烟气温度和SCR入口氧量为机组常规运行区间内所有样本对应参数的平均值;基于本步骤,可在固定烟气流量、出口NOx浓度、温度和氧量的基础上,全面考察不同入口NOx浓度下的还原剂流量消耗,以此来分析SCR催化剂的活性;
(7)将步骤(6)中典型工况输入样本集DIn×5分别输入步骤(5)中的LSSVM模型集{Mi}(1≤i≤m),得到m个模型对应的典型工况输出集DOn×1,即同一组输入集在不同时段对应的输出集,根据模型集的输出结果分析SCR催化剂的活性。
上述步骤(7)中,根据模型集的输出结果分析SCR催化剂活性的方法为:定义β值,计算LSSVM模型集中各个模型的β值,作为对应时段SCR催化剂活性的表征值,得到机组SCR脱硝催化剂的性能劣化趋势;其中,β值计算方法具体为:
SCR催化剂活性用脱除单位NOx消耗的还原剂流量来表征,还原剂可为液氨、尿素等;表征方式为
则α∝β,即SCR催化剂的活性与还原剂流量成反比,与机组负荷和SCR系统进、出口NOx质量浓度之差成正比。较优的,对于LSSVM模型集中的任一模型,取n个典型工况计算得所得β值的算数平均值作为该模型的β值;采用多个典型工况的β值的算术平均值表征催化剂活性,其结果更具有稳定性。
上述步骤(1)中,SCR催化剂活性相关参数一般包括:机组负荷、SCR入口NOx浓度、SCR入口烟气温度、还原剂流量、SCR入口氧量和SCR出口NOx浓度;由于现场的烟气流量测点准确性较差,采用机组负荷来表征烟气流量。优选的,采集所述历史运行数据时,整体时间跨度以2年以上为宜,取数间隔可根据整体时间跨度适当选取,一般在1min以内,考虑分析数据量的大小,最好为30~60秒。
上述步骤(2)中,工况划分时,以机组负荷和SCR入口NOx浓度为边界条件,对机组常规运行区间进行工况划分。
上述步骤(3)中,对数据进行时段分割时,时间跨度最好为一个月,近似认为一个月内SCR催化剂活性变化不大。
优选的,步骤(4)中,进行稳态筛选时,将10min内机组负荷波动幅度不超过10MW、SCR入口NOx浓度波动幅度不超过50mg/m3的工况判定为稳态工况,采用该段时间内各输入输出参数(即机组负荷、SCR入口NOx浓度、SCR入口烟气温度、还原剂流量、SCR入口氧量和SCR出口NOx浓度)的算术平均值作为稳态工况点,稳态工况点能够在一定程度上削弱数据噪声,且能够较好地代表该段稳定工况的运行状态;对稳态样本进行数据清洗过程为过滤稳态样本中包含死值的失真样本,死值数据可能是传感器故障或者数据传输通道故障的结果。
有益效果:与现有技术相比,本发明的优点在于:本发明的方法采用数据建模方式,在火电机组实际运行数据的基础上,利用稳态筛选方法提取稳态数据,基于LSSVM建立SCR脱硝系统模型,计算不同时间段脱除单位NOx所消耗的还原剂流量,利用不同时间段对应LSSVM模型的β值表征催化剂活性,提高了SCR催化剂性能劣化分析的稳定性和准确性。
附图说明
图1为本发明的方法流程图。
图2为实施例中2016年2月份数据的稳态筛选结果;
图3为实施例中2016年2月份LSSVM模型的预测结果;
图4为实施例中SCR催化剂的性能劣化分析结果。
具体实施方式
下面结合附图对本发明的技术方案作进一步说明。
如图1,本发明的基于分时段多模型建模的SCR催化剂性能劣化分析方法,该方法依赖火电机组SCR脱硝系统运行数据对脱硝催化剂性能劣化趋势进行建模分析,主要包括历史数据采样、数据清洗、工况划分、时间区段分割、稳态筛选、LSSVM模型训练、典型工况集选取、SCR催化剂活性分析等核心步骤。首先采集机组的历史数据库中相关参数较长时间跨度的运行数据,针对机组负荷和SCR入口NOx浓度的常规运行区间进行工况划分;将运行数据按照时间顺划分成多个区段,对每一区段内的数据,以机组负荷和SCR入口NOx浓度为筛选条件对运行数据进行稳态筛选得到稳态样本,对稳态样本进行离散化抽取,得到尽可能覆盖全工况的稳态样本作为建模样本;利用最小二乘支持向量机对各个区段的建模样本进行训练,最终得到各个时间区段SCR脱硝系统的全工况模型集;选取典型工况输入集,利用最小二乘支持向量机(LSSVM)模型得到各个时间区段的输入输出对应关系,用脱除单位NOx消耗的还原剂流量表征催化剂活性,最终得到SCR催化剂的性能劣化趋势,为催化剂换装提供指导。
以某660MW燃煤机组SCR脱硝系统为例。该机组的SCR系统采用高温高尘的布置工艺,还原剂采用液氨,锅炉设置两台反应器,催化剂为板式催化剂,催化剂采用“2+1”布置模式,在2016年9月~12月机组检修期间进行了催化剂的换装加装。采用本发明提出的方法对该机组的催化剂活性进行分析,结合图1所示流程,具体操作如下:
(1)原始数据采集
从SIS历史数据库中采集从2014年12月1日到2019年2月1日之间非停机时段的机组负荷、SCR入口NOx浓度、SCR入口烟气温度、还原剂流量、SCR入口氧量和SCR出口NOx浓度的历史运行数据,取数间隔为1min,原始样本共计1185840组,参数区间分布如表1。
表1 参数分布区间统计
(2)工况划分
以机组负荷和SCR入口NOx浓度为指标对机组运行工况进行划分,工况划分时只针对常规区间,机组负荷和SCR入口NOx浓度的步长均取50,共划分成48个工况。
(3)时间区段分割
以月为单位,将清洗后的数据分为39个时间区段,对每个时间区段内的数据分别进行如下步骤(4)~(5)的处理过程。
(4)稳态筛选
将10分钟内机组负荷波动幅度不超过10MW、SCR入口NOx浓度波动幅度不超过50mg/m3作为判定条件,对该月份数据进行稳态筛选,对筛选结果中的失真数据清洗后进行归一化处理,最终得到各个稳态时段内的稳态工况点样本,这些稳态工况点样本能够在一定程度上削弱数据噪声,且能够较好地代表该段稳定工况的运行状态。以2016年2月份的数据为例,稳态筛选并进行数据清洗和均值处理后,得到稳态工况点样本共计1205组,如图2。
(5)LSSVM模型集训练
LSSVM的核函数类型为径向基核函数:
式中,xi和xj为两个样本;σ2为径向基内核的方差。LSSVM模型参数根据PSO算法寻优确定。从步骤(5)中获得的稳态样本中抽取尽可能离散的300组作为LSSVM模型的训练样本,另外抽取尽可能离散的60组样本作为测试样本。采用均方根误差(Root Mean SquaredError,RMSE)和平均相对误差(Mean Relate Error,MRE)作为模型评价指标,计算方法如下:
式中:n为测试样本个数,yp和yt分别为模型预测值和样本真实值。
该月份的建模结果如表2,可以看出,所建的LSSVM模型训练样本的均方根误差为9.70kg/h,测试样本的均方根误差为9.94kg/h;训练样本的平均相对误差为3.91%,测试样本的平均相对误差为4.52%;该月份LSSVM模型的预测结果如图3。可见模型的精度较高,泛化能力强。
表2 2016年2月份建模结果
(6)典型工况集确定
对各负荷工况的数据量进行统计划分,最终确定,所选时间段内机组负荷为500MW左右的样本数量最多,选择该负荷作为典型工况集的负荷;选择清洗后的所有样本烟气温度的算术平均值作为典型工况集的烟气温度;选择SCR入口NOx浓度的6个区间中心值作为典型工况集的SCR入口NOx浓度;选择对应区间的入口氧量算术平均值作为典型工况集的入口氧量;典型工况集的SCR出口NOx浓度根据机组实际NOx排放水平确定。最终典型工况输入集如下表3和表4
表3 典型工况输入集(换装前)
表4 典型工况输入集(换装后)
(7)SCR催化剂性能劣化分析
将步骤(6)中确定的典型工况输入集分别输入步骤(5)中的LSSVM模型集中,得到各个模型的输出集。对于每个模型,利用输出集和输入集计算β值,将6个典型工况的β值取平均作为该月份SCR催化剂活性的表征值,从而得到催化剂的性能劣化趋势曲线,如图4所示。
通过现场调研得知,该机组在2016年9月~12月机组停机检修期间进行了催化剂的换装加装。从图4中可以看出,换装前后β值均呈现上升趋势,这是因为随着机组运行时间的增加,催化剂的活性降低,表现为脱除单位NOx所消耗的还原剂逐渐增加;催化剂换装加装后,SCR反应器的整体催化剂活性变强,β值出现阶跃性下降,但换装前后β值的平均水平并未显著降低,这是由于催化剂换装加装前后,机组的出口NOx浓度的控制水平不同;所研究时间段内,催化剂换装前后机组的SCR出口NOx浓度的平均控制水平分别为50.65mg/m3和21.10mg/m3,NOx排放水平不同时,对应的氨逃逸水平也不同。SCR出口NOx浓度越低,脱硝过程引起的氨逃逸量就越大,β值的平均水平也越高。由于燃煤电站的氨逃逸量的测量值可靠性差,氨逃逸量无法准确地引入模型计算中去,因此,实际应用中确定换装节点的β限值时,应考虑机组的NOx排放控制水平。
综上所述,电厂可以根据SCR系统的出口NOx浓度控制水平和氨逃逸水平,规定换装节点时的β限值,借助催化剂性能劣化趋势线,确定催化剂的换装时间。
Claims (5)
1.基于分时段多模型建模的SCR催化剂性能劣化分析方法,其特征在于,包括如下步骤:
(1)从SIS数据库中采集SCR脱硝催化剂活性相关参数的历史运行数据,得到原始样本D;所述SCR催化剂活性相关参数包括:机组负荷、SCR入口NOx浓度、SCR入口烟气温度、还原剂流量、SCR入口氧量和SCR出口NOx浓度;所述机组负荷用于表征烟气流量;
(2)以机组负荷和SCR入口NOx浓度为指标对机组常规运行区间进行工况划分,划分的网格尽可能多地包含原始样本D中的数据;
(3)按照时间区段将原始样本D分割成m个时段形成样本集{Di}(1≤i≤m);
(4)以机组负荷和SCR入口NOx浓度为稳态判定条件对样本集{Di}进行稳态筛选,得到稳态运行数据样本集{SDi}(1≤i≤m),对稳态样本{SDi}进行数据清洗,对清洗后的稳态样本进行离散化抽样,得到尽可能均匀分布的全工况稳态建模样本集{MDi}(1≤i≤m);进行稳态筛选时,将10min内机组负荷波动幅度不超过10MW、SCR入口NOx浓度波动幅度不超过50mg/m3的工况判定为稳态工况,采用该段时间内各输入输出参数的算术平均值作为稳态工况点;所述对稳态样本进行数据清洗过程为过滤稳态样本中包含死值的失真样本;
(5)采用LSSVM算法对稳态建模样本集{MDi}进行训练,得到LSSVM模型集{Mi}(1≤i≤m),模型输入为机组负荷、SCR入口NOx浓度、SCR入口烟气温度、SCR入口氧量和SCR出口NOx浓度,模型输出为还原剂流量;
(6)根据步骤(2)中所划网格确定n个典型工况,SCR入口NOx浓度采用各典型工况网格中心点所对应数值,形成一组典型工况输入集DIn×5;其中,选取样本分布最多的负荷工况所对应的机组负荷作为典型工况集的机组负荷,对应SCR出口NOx浓度、烟气温度和SCR入口氧量为机组常规运行区间内所有样本对应参数的平均值;
(7)将步骤(6)中典型工况输入样本集DIn×5分别输入步骤(5)中的LSSVM模型集{Mi}(1≤i≤m),得到m个模型对应的典型工况输出集DOn×1,即同一组输入集在不同时段对应的输出集,根据模型集的输出结果分析SCR催化剂的活性;所述根据模型集的输出结果分析SCR催化剂活性的方法为:定义β值,计算LSSVM模型集中各个模型的β值,作为对应时段SCR催化剂活性的表征值,得到机组SCR脱硝催化剂的性能劣化趋势;其中,所述β值计算方法为:
SCR催化剂活性用脱除单位NOx消耗的还原剂流量来表征,即
则α∝β,即SCR催化剂的活性与还原剂流量成反比,与机组负荷和SCR系统进、出口NOx质量浓度之差成正比。
2.根据权利要求1所述的基于分时段多模型建模的SCR催化剂性能劣化分析方法,其特征在于,对于LSSVM模型集中的任一模型,取n个典型工况计算所得β值的算数平均值作为该模型的β值。
3.根据权利要求1所述的基于分时段多模型建模的SCR催化剂性能劣化分析方法,其特征在于,所述还原剂为液氨或尿素。
4.根据权利要求1所述的基于分时段多模型建模的SCR催化剂性能劣化分析方法,其特征在于,步骤(1)中,采集所述历史运行数据时,整体时间跨度为2年以上,取数间隔为1min以内。
5.根据权利要求1所述的基于分时段多模型建模的SCR催化剂性能劣化分析方法,其特征在于,步骤(3)中,对数据进行时段分割时,时间跨度为一个月。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910368057.XA CN110094251B (zh) | 2019-05-05 | 2019-05-05 | 基于分时段多模型建模的scr催化剂性能劣化分析方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910368057.XA CN110094251B (zh) | 2019-05-05 | 2019-05-05 | 基于分时段多模型建模的scr催化剂性能劣化分析方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110094251A CN110094251A (zh) | 2019-08-06 |
CN110094251B true CN110094251B (zh) | 2020-06-02 |
Family
ID=67446794
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910368057.XA Active CN110094251B (zh) | 2019-05-05 | 2019-05-05 | 基于分时段多模型建模的scr催化剂性能劣化分析方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110094251B (zh) |
Families Citing this family (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
DE112020006667T5 (de) * | 2020-02-04 | 2023-03-09 | Mitsubishi Heavy Industries, Ltd. | Vorhersagevorrichtung, Anlage, Vorhersageverfahren, Programm und Konfigurationsprogramm |
CN112461995A (zh) * | 2020-11-03 | 2021-03-09 | 西安热工研究院有限公司 | 一种预测火电厂氨逃逸的方法 |
CN113009890B (zh) * | 2021-01-25 | 2021-12-31 | 南京工业大学 | 一种基于bmo-lssvm的火电厂scr烟气脱硝控制系统的优化控制方法 |
CN113806346B (zh) * | 2021-08-25 | 2024-07-16 | 浙江浙能台州第二发电有限责任公司 | 一种基于大数据分析的汽轮机劣化趋势测量方法及终端机 |
TWI794077B (zh) * | 2022-04-11 | 2023-02-21 | 中國鋼鐵股份有限公司 | 觸媒活性的監測方法與硫磺工場 |
CN116130016A (zh) * | 2023-02-01 | 2023-05-16 | 中国汽车技术研究中心有限公司 | 一种scr催化剂性能智能标定方法 |
CN117056333B (zh) * | 2023-10-11 | 2024-01-12 | 北京市生态环境监测中心 | 远程在线评估重型车净化装置的净化效率的方法及装置 |
Family Cites Families (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106248864B (zh) * | 2016-07-13 | 2018-11-02 | 大唐南京环保科技有限责任公司 | 一种基于海量运行数据的scr脱硝催化剂寿命预测方法 |
CN107103176B (zh) * | 2017-01-17 | 2020-10-20 | 东南大学 | 基于多源信息融合技术的燃煤锅炉scr催化剂寿命评价方法 |
CN108956886B (zh) * | 2018-07-23 | 2020-12-01 | 润电能源科学技术有限公司 | 一种脱硝系统cems测量特性的评估方法及系统 |
CN109493250B (zh) * | 2018-11-06 | 2021-09-07 | 大唐南京环保科技有限责任公司 | 一种scr反应器的脱硝能力的评估方法 |
-
2019
- 2019-05-05 CN CN201910368057.XA patent/CN110094251B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN110094251A (zh) | 2019-08-06 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110094251B (zh) | 基于分时段多模型建模的scr催化剂性能劣化分析方法 | |
CN111804146B (zh) | 一种智能喷氨控制方法以及智能喷氨控制装置 | |
CN107103176B (zh) | 基于多源信息融合技术的燃煤锅炉scr催化剂寿命评价方法 | |
CN109493250B (zh) | 一种scr反应器的脱硝能力的评估方法 | |
CN106248864B (zh) | 一种基于海量运行数据的scr脱硝催化剂寿命预测方法 | |
CN104297008A (zh) | 基于现场性能测试的脱硝装置潜能评估与预测方法 | |
CN110580936B (zh) | 中低温scr脱硝催化剂的寿命预测方法及系统 | |
CN112232571B (zh) | 一种废气主要污染物浓度的预测方法 | |
CN110716512A (zh) | 一种基于燃煤电站运行数据的环保装备性能预测方法 | |
CN113792988B (zh) | 一种企业在线监测数据异常识别方法 | |
CN109709260A (zh) | 一种scr脱硝催化剂的全寿命管理方法 | |
CN103955202B (zh) | 一种基于燃煤电厂脱硫系统数据自动诊断甄别方法 | |
CN111582639B (zh) | 一种脱硝系统运行状态评估系统 | |
CN112461995A (zh) | 一种预测火电厂氨逃逸的方法 | |
CN116050644A (zh) | 一种基于灰色模型预测大坝变形极值的方法 | |
CN117630283A (zh) | 燃煤发电企业在线碳排放监测方法与系统 | |
CN113505497B (zh) | 湿法烟气脱硫吸收塔浆液品质监测方法及系统 | |
CN116805065B (zh) | 一种煤粉加热炉燃烧器监测数据智能管理方法 | |
CN115113519A (zh) | 一种煤-煤气混烧锅炉脱硝系统出口NOx浓度预警方法 | |
CN104504237A (zh) | 一种燃煤电厂脱硝系统数据自动诊断甄别模型 | |
CN111539154A (zh) | 一种汽轮机运行性能变化的定量评估方法 | |
CN105809304B (zh) | 电厂和治污设施生产运行参数相关性分析的方法 | |
CN115201408A (zh) | 一种全工况下脱硫出口二氧化硫浓度预测方法 | |
CN116272360A (zh) | 基于scr脱硝系统出口氮氧化物浓度预测的脱硝方法及系统 | |
CN111651938B (zh) | 基于热力计算与大数据的变煤质机组出力预测方法 |
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 |