CN110310714A - 一种燃煤电站脱硝催化剂剩余寿命预测方法 - Google Patents

Abstract

本发明公开了一种燃煤电站脱硝催化剂剩余寿命预测方法，采集燃煤电站实测的催化剂相对活性数据；判断已获得的催化剂相对活性数据是否为等时距测量数据，对已获得的催化剂相对活性数据进行处理使其等时距化；构建催化剂活性退化状态空间模型；利用得到的催化剂活性退化状态空间模型结合随机滤波算法对催化剂的剩余活性进行预测。通过本发明预测的结果有助于对燃煤电站脱硝系统催化剂维护进行优化以保证污染物脱除效率以及节约成本，从而为总体的节能减排优化控制提供支持。

Description

一种燃煤电站脱硝催化剂剩余寿命预测方法

技术领域

本发明涉及脱硝催化剂寿命管理技术领域，特别是一种燃煤电站脱硝催化剂剩余寿命预测方法。

背景技术

燃煤火力发电仍然是我国电力供应的主要来源，同时也是能源消耗大户和污染物排放的一大来源，随着节能减排的深入和要求的不断提高，对于燃煤电站的节能减排需求也在不断提高。

为了降低NO_x的污染排放，燃煤电站一般会进行脱硝处理，目前主流以及我国目前普遍采用的是选择性催化还原技术(Selective Catalytic Reduction，SCR)。而催化剂是SCR脱硝技术的核心。在SCR脱硝装置的运行过程中，催化剂的活性逐渐的降低，会影响氮氧化物的脱除效果。当催化剂活性过低时，需要对催化剂进行增加、更换或再生的方式来提高脱硝性能。催化剂的活性直接影响着NO_x的脱除效率，对于催化剂剩余活性的预测并制定科学的更换策略对SCR系统有着重要的意义。

通常情况下，多数电厂会定期提取催化剂样品在实验室中进行测试来监测其活性，并通过催化剂的活性状态来决定是否对催化剂进行更换。但这种策略往往会错过催化剂活性的最佳更换时间，更换过早会浪费催化剂的剩余使用价值，而更换过晚会降低NO_x的脱除效率。因此，如何对现有催化剂的剩余使用时间(寿命)做出预测从而及时的进行更换以保证氮氧化物脱除效率的同时能够最大限度的发挥催化剂的作用具有重要的研究价值。

中国专利申请号201610213903.7公开的一种“对燃煤锅炉脱硝装置中的催化剂活性估计方法”，该方法通过数据采集系统的相关运行参数结合催化剂定期化验数据和脱硝工艺与结构参数能够在线估计催化剂的活性参数。并提出一种局部替换模型，在催化剂活性小于50％时进行替换，有助于提高催化剂的使用效率。但该方法局限性在于其是实时计算催化剂活性，当催化剂活性到达临界值时，若锅炉工况无法满足催化剂更换条件时同样无法及时更换。若能够对催化剂的活性或者到达临界值的剩余使用寿命做出预测并提前进行准备能一定程度上解决这个问题。

宋玉宝等人的“SCR脱硝催化剂宏观性能评估和寿命预测方法研究”在大量现场和实验室测试数据的基础上建立了一种脱硝反应器的宏观黑箱模型，能够对催化剂的宏观性能进行评估并对其寿命进行预测并据此进行催化剂的更换或改造，取得了不错的效果。但这一方法是一种宏观性能评估方法，对于具体到某一台锅炉或某一层的催化剂并不是最优的方案。傅玉等人的“基于灰色预测模型和曲线拟合模型的SCR烟气脱硝催化剂寿命预测”采用灰色预测模型来描述这一过程，当催化剂活性满足等距或不等距时，分别采用一阶灰色预测模型和二阶多项式模型预测效果较好。但文中没有给出该两种方法如何在线应用时的模型参数在线估计方法。

发明内容

本发明的目的是要解决现有技术中存在的不足，提供一种能够实时的预测催化剂的剩余使用寿命的燃煤电站脱硝催化剂剩余寿命预测方法。

为达到上述目的，本发明是按照以下技术方案实施的：

一种燃煤电站脱硝催化剂剩余寿命预测方法，包括以下步骤：

S1、采集燃煤电站实测的催化剂相对活性数据；

S2、判断已获得的催化剂相对活性数据是否为等时距测量数据，如果不是，则执行S3；如果是则执行S4；

S3、对已获得的催化剂相对活性数据进行处理使其等时距化；

S4、构建催化剂活性退化状态空间模型；

S5、利用得到的催化剂活性退化状态空间模型结合随机滤波算法对催化剂的剩余活性进行预测。

进一步，所述S3的具体步骤如下：

S31、采用最小二乘法对获得的催化剂相对活性数据进行二次多项式拟合，拟合式为：

y＝a·x²+b·x+c，

根据拟合式对获得的催化剂相对活性数据在等距时间点上进行数值增补，使其等时距化，从而获得等时距的催化剂相对活性数据。

进一步，所述S4建立的空间模型为：

状态方程为：

a(k+1)＝a(k)+w_a(k),w_a～N(0,σ_a)

b(k+1)＝b(k)+w_b(k),w_b～N(0,σ_b)

c(k+1)＝c(k)+w_c(k),w_c～N(0,σ_c)

d(k+1)＝d(k)+w_d(k),w_d～N(0,σ_d)

观测方程为：

Q(k)＝a(k)·exp(b(k)·k)+c(k)·exp(d(k)·k)+v(k)，v(k)～N(0,σ_v)

其中，Q为催化剂活性，k为循环检测点，Q，a，b，c，d含有噪声，是均值0，方差为σ的高斯白噪声，其中参数a，b，c，d的初始值用曲线拟合工具箱拟合前N个数据获得。

优选地，本发明所述S5中随机滤波算法可以使用的是粒子滤波算法，具体步骤如下：

S51、粒子集初始化：粒子按照均值为0，方差为1的正态分布选取；

S52、重要性采样：计算样本集的累积权值 i＝1,2,3,…,N，其中为重要性函数；

S53、权重更新：将预测时刻前一时间点粒子集带入状态空间模型进行贯序重要性采样，并计算粒子权重并将粒子权重归一化，计算方式如下：

其中，p(y_k|x_k)为系统状态的观测似然概率密度，p(x_k|x_k-1)为系统的状态转移概率密度；

S54、重采样：设置权重阈值N_th，计依据粒子权重大小及有效粒子数N_eff大小进行重采样，N_eff的计算式为：

当N_eff＜N_th时，进行重采样，否则不进行重采样；

S55、状态估计：预测状态值由下式得出：

通过预测到的退化状态值及已知的退化状态阈值可求得状态首次达到阈值的时间；

S56、重复S55进行多次预测，求多次预测状态值的平均值作为预测结果。

优选地，所述S54中权重阈值N_th设置为0.7以上。

与现有技术相比，本发明基于燃煤电站在线数据，无需额外的测量和计算的硬件，能够方便对催化剂的更换策略进行提前预测，以便更早的根据锅炉运行状况调整催化剂更换策略；能够在线实时运行并滚动更新模型参数，具有较高的实用性的同时保证了较高的精度，能够实时的预测催化剂的剩余使用寿命，当催化剂的剩余使用寿命到达更护窗口期时提前进行准备以便SCR脱硝系统能够保持高的氮氧化物脱除效率的同时最大化利用催化剂的价值；通过本发明预测的结果有助于对燃煤电站脱硝系统催化剂维护进行优化以保证污染物脱除效率以及节约成本，从而为总体的节能减排优化控制提供支持。

附图说明

图1为本发明的脱硝催化剂剩余活性预测方法流程图。

图2为本发明具体实施例的数据1的等时距催化剂相对活性PF预测结果。

图3为本发明具体实施例的数据2的不等时距催化剂相对活性PF预测结果。

图4为本发明具体实施例的数据3的不等时距催化剂相对活性PF预测结果。

具体实施方式

为使本发明的目的、技术方案及优点更加清楚明白，以下结合实施例，对本发明进行进一步的详细说明。此处所描述的具体实施例仅用于解释本发明，并不用于限定发明。

如图1所示，一种燃煤电站脱硝催化剂剩余寿命预测方法，包括以下步骤：

S1、采集燃煤电站实测的催化剂相对活性数据；

S2、判断已获得的催化剂相对活性数据是否为等时距测量数据，如果不是，则执行S3；如果是则执行S4；

S3、对已获得的催化剂相对活性数据进行处理使其等时距化：

S31、采用最小二乘法对获得的催化剂相对活性数据进行二次多项式拟合，拟合式为：

y＝a·x²+b·x+c，

根据拟合式对获得的催化剂相对活性数据在等距时间点上进行数值增补，使其等时距化，从而获得等时距的催化剂相对活性数据。

进一步，所述S4建立的空间模型为：

状态方程为：

a(k+1)＝a(k)+w_a(k),w_a～N(0,σ_a)

b(k+1)＝b(k)+w_b(k),w_b～N(0,σ_b)

c(k+1)＝c(k)+w_c(k),w_c～N(0,σ_c)

d(k+1)＝d(k)+w_d(k),w_d～N(0,σ_d)

观测方程为：

Q(k)＝a(k)·exp(b(k)·k)+c(k)·exp(d(k)·k)+v(k)，v(k)～N(0,σ_v)

其中，Q为催化剂活性，k为循环检测点，Q，a，b，c，d含有噪声，是均值0，方差为σ的高斯白噪声，其中参数a，b，c，d的初始值用曲线拟合工具箱拟合前N个数据获得；

S4、构建催化剂活性退化状态空间模型；

S5、利用得到的催化剂活性退化状态空间模型结合粒子滤波算法对催化剂的剩余活性进行预测：最常用到的随机滤波算法是卡尔曼滤波和粒子滤波。卡尔曼滤波(Kalmanfilter，KF)算法的核心思想是递推求解，适用于线性高斯系统的分析与预测。粒子滤波(particle filter，PF)算法是基于贝叶斯估计理论的一种随机滤波理论，主要应用粒子样本表示概率的数值变化情况，能处理非高斯非线性的信号，更加适用于本发明所建立的系统状态。

需要指出的是，本实施例所用到的随机滤波预测方法不限于粒子滤波算法，在此仅以经典粒子滤波算法为例进行说明.

S51、粒子集初始化：粒子按照均值为0，方差为1的正态分布选取；

S52、重要性采样：计算样本集的累积权值 i＝1,2,3,…,N，其中为重要性函数；

S53、权重更新：将预测时刻前一时间点粒子集带入状态空间模型进行贯序重要性采样，并计算粒子权重并将粒子权重归一化，计算方式如下：

其中，p(y_k|x_k)为系统状态的观测似然概率密度，p(x_k|x_k-1)为系统的状态转移概率密度；

S54、重采样：设置权重阈值N_th，权重阈值N_th设置为0.7以上，计依据粒子权重大小及有效粒子数N_eff大小进行重采样，N_eff的计算式为：

当N_eff＜N_th时，进行重采样，否则不进行重采样；

S55、状态估计：预测状态值由下式得出：

通过预测到的退化状态值及已知的退化状态阈值可求得状态首次达到阈值的时间；

S56、重复S55进行多次预测，求多次预测状态值的平均值作为预测结果。

进一步，为了验证本发明的预测方法的可行性，采用上述方法进行验证：

步骤1，选用国外某电厂实测的3组数据，其中数据1(如表1)为等时距测量数据，数据2(如表2)和数据3(如表3)为非等时距测量数据。

步骤2，对数据2中的不等时距数据采用最小二乘法进行二次多项式拟合，拟合式为：

y＝1.302e^-10·x²-1.714e^-5·x+0.9755，

对数据3采用同样方法进行拟合，拟合式为：

y＝4.15e^-11·x²-9.28e^-6·x+0.9717，

根据拟合式对数据2和数据3在等距时间点上进行数值增补，使其等时距化。由于数据1为等时距数据，所以无需进行等时距处理，可直接进行步骤3。

步骤3：建立状态空间模型

状态方程为：

观测方程为：

Q(k)＝a(k)·exp(b(k)·k)+c(k)·exp(d(k)·k)+v(k)，v(k)～N(0,σ_v)，

其中，Q为催化剂活性，k为循环检测点，Q，a，b，c，d含有噪声，是均值0，方差为σ的高斯白噪声。

将数据1前8组数据进行多项式拟合，得到模型参数为：

a＝0.003263,b＝0.1655,c＝1.082,d＝-0.09834；

将处理后的数据2前50组数据进行多项式拟合，得到模型参数为：

a＝0.9712,b＝-0.01892,c＝0.00797,d＝0.04258；

将处理后的数据3前40组数据进行多项式拟合，得到模型参数为：

a＝0.9671,b＝-0.009978,c＝0.005647,d＝0.0294；

步骤4：应用粒子滤波及状态空间模型进行退化趋势预测

设同一时刻粒子数目为100，粒子按照均值为0，方差为1的正态分布选取；

将预测时刻前一时间点粒子集带入状态空间模型进行贯序重要性采样，并计算粒子权重并将粒子权重归一化，计算方式如下：

设置权重阈值N_th，一般取0.7以上；依据粒子权重大小及有效粒子数N_eff大小进行重采样，N_eff的计算式为：

当N_eff＜N_th时，进行重采样，否则不进行重采样。

预测状态值由下式得出：

预测结果见图2，图3，图4。

为说明本实施例的预测催化剂剩余活性的准确性，引入预测准确度的概念，预测准确度PA为：

其中：|u_N(t_p)-T_a|表示绝对值，u_N(t_p)表示t_p时刻预测求得的平均剩余活性，T_a为催化剂实际剩余活性。由此可以与其他已有模型的预测准确度进行对比，结果如表1、表2、表3。

表1等时距催化剂相对活性预测结果对比(数据1)

表2不等时距催化剂相对活性预测结果对比(数据2)

表3不等时距催化剂相对活性预测结果对比(数据3)

从上表中可以得知，采用粒子滤波算法对催化剂的相对活性进行预测，对于等时距和非等时距数据均有较好的预测精度，相比于现有的灰色预测模型具有较高的实用性。

本发明的技术方案不限于上述具体实施例的限制，凡是根据本发明的技术方案做出的技术变形，均落入本发明的保护范围之内。

Claims (5)

1.一种燃煤电站脱硝催化剂剩余寿命预测方法，其特征在于，包括以下步骤：

S1、采集燃煤电站实测的催化剂相对活性数据；

S2、判断已获得的催化剂相对活性数据是否为等时距测量数据，如果不是，则执行S3；如果是则执行S4；

S3、对已获得的催化剂相对活性数据进行处理使其等时距化；

S4、构建催化剂活性退化状态空间模型；

S5、利用得到的催化剂活性退化状态空间模型结合随机滤波算法对催化剂的剩余活性进行预测。

2.根据权利要求1所述的燃煤电站脱硝催化剂剩余寿命预测方法，其特征在于，所述S3的具体步骤如下：

S31、采用最小二乘法对获得的催化剂相对活性数据进行二次多项式拟合，拟合式为：

y＝a·x²+b·x+c，

根据拟合式对获得的催化剂相对活性数据在等距时间点上进行数值增补，使其等时距化，从而获得等时距的催化剂相对活性数据。

3.根据权利要求1所述的燃煤电站脱硝催化剂剩余寿命预测方法，其特征在于，所述S4建立的空间模型为：

状态方程为：

a(k+1)＝a(k)+w_a(k),w_a～N(0,σ_a)

b(k+1)＝b(k)+w_b(k),w_b～N(0,σ_b)

c(k+1)＝c(k)+w_c(k),w_c～N(0,σ_c)

d(k+1)＝d(k)+w_d(k),w_d～N(0,σ_d)

观测方程为：

Q(k)＝a(k)·exp(b(k)·k)+c(k)·exp(d(k)·k)+v(k)，v(k)～N(0,σ_v)

其中，Q为催化剂活性，k为循环检测点，Q，a，b，c，d含有噪声，是均值0，方差为σ的高斯白噪声，其中参数a，b，c，d的初始值用曲线拟合工具箱拟合前N个数据获得。

4.根据权利要求1所述的燃煤电站脱硝催化剂剩余寿命预测方法，其特征在于，所述S5中随机滤波算法使用的是粒子滤波算法，具体步骤如下：

S51、粒子集初始化：粒子按照均值为0，方差为1的正态分布选取；

S52、重要性采样：计算样本集的累积权值 其中为重要性函数；

S53、权重更新：将预测时刻前一时间点粒子集带入状态空间模型进行贯序重要性采样，并计算粒子权重并将粒子权重归一化，计算方式如下：

其中，p(y_k|x_k)为系统状态的观测似然概率密度，p(x_k|x_k-1)为系统的状态转移概率密度；

S54、重采样：设置权重阈值N_th，计依据粒子权重大小及有效粒子数N_eff大小进行重采样，N_eff的计算式为：

当N_eff＜N_th时，进行重采样，否则不进行重采样；

S55、状态估计：预测状态值由下式得出：

通过预测到的退化状态值及已知的退化状态阈值可求得状态首次达到阈值的时间；

S56、重复S55进行多次预测，求多次预测状态值的平均值作为预测结果。

5.根据权利要求4所述的燃煤电站脱硝催化剂剩余寿命预测方法，其特征在于，所述S54中权重阈值N_th设置为0.7以上。