CN110368808A

CN110368808A - 一种scr烟气脱硝系统的喷氨量控制方法及系统

Info

Publication number: CN110368808A
Application number: CN201910648709.5A
Authority: CN
Inventors: 秦天牧; 尤默; 张瑾哲; 卫琛光; 高爱国; 尚勇; 骆意; 李卫华
Original assignee: State Grid Corp of China SGCC; North China Electric Power Research Institute Co Ltd
Current assignee: State Grid Corp of China SGCC; North China Electric Power Research Institute Co Ltd
Priority date: 2019-07-18
Filing date: 2019-07-18
Publication date: 2019-10-25
Anticipated expiration: 2039-07-18
Also published as: CN110368808B

Abstract

本发明公开了一种SCR烟气脱硝系统的喷氨量控制方法及系统。本发明结合炉膛燃烧NOx数据模型及SCR反应机理，建立了喷氨量计算模型，利用运行数据对模型参数进行辨识并及时调整模型参数，通过喷氨量模型计算喷氨前馈量并引入控制系统，从而提高喷氨量控制品质，保证喷氨量调节的实时性和准确性。当CEMS标定或吹扫时，利用前馈系数调整前馈控制权重，同时减弱反馈作用，从而避免CEMS工况变化对喷氨量控制的影响。

Description

一种SCR烟气脱硝系统的喷氨量控制方法及系统

技术领域

本发明涉及选择性催化还原烟气脱硝技术领域，具体涉及一种SCR烟气脱硝系统的喷氨量控制方法及系统。

背景技术

选择性催化还原(Selective Catalytic Reduction,SCR)烟气脱硝是一种广泛应用的脱硝技术，喷氨量是影响其脱硝效率的重要因素。喷氨量过少会导致催化还原反应不充分，造成烟气排放不达标。喷氨量过多会造成氨逃逸量升高，对环境造成二次污染，对下游设备造成腐蚀，此外还会增加运行成本。SCR烟气脱硝装置如图1所示。

随着新能源机组的大规模投运，火电机组需要进一步提高变负荷能力，从而平抑新能源的随机波动，确保电网的安全、稳定运行。火电机组负荷的大范围快速变化会造成炉膛燃烧状态的剧烈变化，进而导致锅炉出口NOx浓度的大幅波动。随着环保标准的日益严格，当烟气中NOx浓度发生大幅变化时，传统的SCR系统喷氨量控制系统虽能起到一定作用，但是在快速性和准确性上无法满足现场实际的需求。此外，由于SCR喷氨量控制系统需要读取CEMS(Continuous Emission Monitoring System,CEMS)数据作为调整喷氨量的依据，当CEMS处于标定或吹扫工况时，传统喷氨控制系统会出现失效现象。因此，如何及时、准确调整SCR系统喷氨量，避免喷氨控制系统失效问题是众多火电机组的需求，对保证火电机组烟气达标排放，提高SCR系统运行经济性具有十分重要的意义。

目前，常用的SCR脱硝系统喷氨量控制方式主要有两种：固定氨氮摩尔比控制方法和出口NOx定值控制方法。

固定摩尔比控制方法：

根据SCR脱硝反应方程式，脱除1mol的NO需要消耗1mol的NH₃，固定摩尔比控制方法以此为基础，通过入口NOx总量与预设摩尔比来计算喷氨量，然后利用喷氨量计算值与实际值的差值作为PID控制器的输入实现对喷氨阀门的控制。该方法的控制原理图如图2所示；图2中烟气流量与SCR入口NOx浓度相乘得到入口NOx总量，该信号再与氨氮摩尔比设定值相乘得到喷氨量的计算值，再将喷氨量的计算值与实际值的偏差作为PID的输入，从而计算出喷氨阀门开度调节指令。氨氮摩尔比可以根据脱硝效率计算得出，通常设定为0.8。此外，将锅炉空气流量引入控制系统，可以起到前馈信号的作用，改善控制系统在变负荷过程中的适应能力。

出口NOx定值控制方法：

出口NOx定值控制方法将SCR出口NOx浓度作为被控变量，将其稳定在一个固定值。与固定摩尔比方法不同，出口NOx定值控制方法的氨氮摩尔比为变量，其取值随着SCR出口NOx浓度的反馈不断变化。该方法的控制原理图如图3所示；从图3中可以看出，出口NOx定值控制分为以下3个步骤：

1)利用实际入口NOx浓度与出口NOx设定值计算得出预置摩尔比；

2)将预置摩尔比作为基准，根据SCR实际出口NOx浓度反馈值与出口NOx设定值对预置摩尔比进行修正；

3)将修正摩尔比与入口NOx总量相乘计算出喷氨量，从而将SCR出口NOx浓度稳定在设定值上。

此外还有基于SCR反应机理模型的喷氨量预测控制(CN109304087 A)；喷氨量预测控制方法将SCR机理模型作为预测模型，采用由出口NOx浓度及氨逃逸量构成的评价函数作为喷氨量寻优结果的评价指标，利用寻优算法迭代计算出最优喷氨量。该控制方案的结构图如图4所示。

但是，以上三种方法均存在一定的缺陷。对于固定摩尔比控制方法，由于氨氮摩尔比为固定值，当机组处于快速深度变负荷工况或SCR系统反应器反应条件发生变化，如催化剂活性下降或流场发生变化时，该控制方法下的SCR出口NOx浓度无法稳定在一个固定值上，容易造成排放超标，为电厂带来不必要的经济损失。同时，该方法也难以控制氨逃逸量，而氨逃逸会对下游设备的安全稳定运行造成不利影响。

对于出口NOx定值控制方法，在应用过程中，该方法需要辨识包括脱硝效率与氨氮摩尔比、脱硝效率与SCR入口NOx浓度在内的多条修正曲线才能满足控制系统对喷氨量实时、准确控制的要求。但是，修正曲线的求取过程比较复杂，而且通过曲线修正喷氨量的计算过程也比较繁琐，在计算修正摩尔比时容易产生误差。虽然这种控制方法可以将SCR出口NOx浓度控制在一个稳定值上下，但在实际应用中，由于SCR出、入口NOx浓度有较长时间的读取延迟，导致控制动作滞后，从而对控制品质造成不利影响。此外，锅炉负荷的波动以及煤种的变化也会导致SCR入口NOx浓度发生大范围的波动，增加控制难度，影响控制效果。因此在实际应用中，其控制效果并不理想。

对于喷氨量预测控制方法，通过SCR机理模型对喷氨量进行寻优时需要采用SCR入口NOx浓度作为模型输入变量，由于CEMS系统存在检测延时，造成SCR入口NOx浓度的测量值与实际值之间存在一定滞后，导致寻优得出的喷氨量与SCR系统实际所需喷氨量不匹配，容易造成烟气超标排放或过量喷氨。此外，CEMS系统需要定期进行吹扫或标定以保证设备的可靠性和准确性，当CEMS系统吹扫或标定时，入口NOx浓度保持固定值不变，此时预测控制方法失效。当吹扫或标定结束后，入口NOx浓度出现瞬时变化，由于迭代寻优需要一定的计算时间，导致喷氨量无法及时调节，从而容易造成超标排放或过量喷氨。

发明内容

基于以上背景技术，本发明提供一种SCR烟气脱硝系统的喷氨量控制方法及系统。本发明结合炉膛燃烧NOx数据模型及SCR反应机理，建立了喷氨量计算模型，利用运行数据对模型参数进行辨识并及时调整模型参数，通过喷氨量模型计算喷氨前馈量并引入控制系统，从而提高喷氨量控制品质，保证喷氨量调节的实时性和准确性。当CEMS标定或吹扫时，利用前馈系数调整前馈控制权重，同时减弱反馈作用，从而避免CEMS工况变化对喷氨量控制的影响。

为了实现以上目的，本发明采用以下技术方案：

本发明一方面提供一种SCR烟气脱硝系统的喷氨量控制方法，该喷氨量控制方法包括以下步骤：

S100、从DCS系统与数据库中获取运行历史数据以及备选输入变量集，从历史数据中选取炉膛燃烧NOx模型及SCR喷氨量模型的训练数据，从备选输入变量集中选取模型的有效输入变量；

S200、根据训练数据构建基于历史数据的炉膛燃烧NOx模型及基于反应机理的SCR喷氨量模型；

S300、通过粒子群算法利用训练数据对炉膛燃烧NOx模型和SCR喷氨量模型的参数进行寻优，得到最优模型参数；

S400、根据最优模型参数及机组实时运行数据，计算SCR喷氨前馈量；

S500、根据CEMS系统运行状态调整前馈系数，所述前馈系数结合S4中计算的SCR喷氨前馈量作为最终输出的喷氨量。

具体的，S100具体包括：

S110、从DCS系统与数据库获取运行历史数据以及备选输入变量集，数据采样间隔为1秒，备选输入变量集包括时间点、机组负荷、燃料热值、总燃料量、总风量、各给煤机煤量反馈信号、各层辅助风调节挡板位置反馈信号、各层燃料风调节挡板位置反馈信号、各层附加风调节挡板位置反馈信号、各磨煤机入口一次风流量、各磨煤机入口一次风压力、SCR系统烟气流量、烟气含氧量、SCR入口NOx浓度、喷氨量、SCR出口NOx浓度、氨逃逸量；

S120、根据不同的机组负荷对S110获取的历史数据进行分段，负荷段间隔为30～100MW之间；

S130、选取不同负荷段内一定数量的历史数据，剔除其中的异常值，剩余数据作为训练数据；

S140、根据S130选取的训练数据对S110中的备选输入变量集进行筛选，剔除其中的无效变量，剩余作为模型有效输入变量。

优选地，S200中的炉膛燃烧NOx模型采用核偏最小二乘建模方法构建；模型备选输入变量集包括时间点、机组负荷、燃料热值、总燃料量、总风量、各给煤机煤量反馈信号、各层辅助风调节挡板位置反馈信号、各层燃料风调节挡板位置反馈信号、各层附加风调节挡板位置反馈信号、各磨煤机入口一次风流量、各磨煤机入口一次风压力、烟气含氧量，模型输出为SCR入口NOx浓度；设输入变量X∈R^n×p，输出为Y∈Rⁿ，R为实数集，p为输入变量个数，n为样本个数。核偏最小二乘算法可以描述如下：

1)计算核矩阵：

其中，核矩阵元素的计算采用多尺度高斯核函数，其表达式为：

式中σ_l(l＝1…p)为高斯核函数宽度，x_l(i)为第l个输入变量的第i组数据，p为输入变量个数。

2)随机初始化输出变量Y的得分向量u；

3)计算特征空间中X的得分向量t_h并进行归一化：

4)计算Y_h的权值向量c_h：

5)计算Y_h的得分向量u_h并进行归一化：

6)重复3)-5)直至t_h收敛；

7)缩小矩阵K、Y，重复2)-6)直至提取p个t、u：

训练样本拟合公式为：

T、U为得分向量t、u构成的矩阵，为拟合结果。

测试样本拟合公式为：

Y_t＝K_tU(T^TKU)^-1T^TY (9)

K_t＝Φ(x_new)Φ(x)^T (10)

x_new为新采样的数据，x为输入训练数据，Y为输出训练数据，K_t为新数据对应的核矩阵，Y_t为预测结果。

通过炉膛燃烧NOx模型可以得到SCR入口NOx浓度计算值，将该计算值及出口NOx浓度设定值作为SCR喷氨量模型的输入，计算所需喷氨量作为SCR喷氨前馈量。

其中，本发明中SCR喷氨量模型为：

其中，公式(11)反映了氨气在催化剂表面的吸附与解附过程，公式(12)、(13)描述了反应过程中气体浓度变化。式中为催化剂表面NH₃的覆盖率，C为气体浓度，为催化剂吸附能力，r_a为吸附速率，r_d为解附速率，r_NO为NO消耗速率，r_ox为NH₃氧化速率；各反应速率通过式(14)-(19)计算：

式中是吸附速率指前因子，是解附速率指前因子，k_NO是脱硝反应的动力学常数，k_ox是NH₃氧化反应常数，E_a和E_d分别为吸附和解附活化能，R为理想气体常数，T为烟气温度。

针对上述炉膛燃烧NOx模型中的核函数宽度σ_l(l＝1…p)以及SCR喷氨量模型中的未知参数等，利用粒子群算法对模型参数进行辨识。粒子群算法是一种应用广泛的优化算法。PSO算法中，优化问题的每一个潜在的解都可以视为搜索空间上的一个粒子，所有的粒子都有一个通过评价函数计算得出适应度与之对应，每个粒子还有一个速度描述其前进的方向和距离，粒子们追随适应度最高(适应值最小)的粒子对解空间不断进行搜索。PSO算法是基于个体的协作与竞争来进行搜索空间的寻优过程，是一种演化计算技术。

以SCR喷氨量模型参数辨识为例，根据SCR反应动力学方程，该模型共有9个未知参数需要辨识。设模型参数搜索空间粒子数量为50，每个粒子都代表优化问题的一个解，第i个粒子在搜索空间中的位置表示为将X_i带入喷氨量模型，利用训练样本计算出相应的模型误差，根据模型误差大小选取出第i个粒子搜索到的最优位置记为P_i。在50个P_i中，至少有一个粒子的位置是最好的，将其记为表示整个粒子群的最优位置，其中g∈{1,2,…,50}。此外，每个粒子的速度变量记为V_i＝(v_i1,v_i2,…,v_i9)。

按照追随当前最优位置的原理，粒子的速度和位置按公式(10)发生变化：

式中k＝1000为迭代次数，ω为惯性权重，c₁、c₂为加速常数，r₁、r₂为两个在[0,1]范围内变化的随机数。研究表明，ω的取值越大越有利于跳出局部最优解，ω越小越有利于加快收敛速度和提高解的精度，即ω起到平衡全局搜索和局部搜索能力的作用。为了保证V_i ^k和在合理的范围内，需要设置V_max和X_max来进行限制。

为了提高初始种群的均匀性和多样性，提高搜索过程的遍历性，本发明采用Logistic映射(逻辑斯蒂映射)：

x_n+1＝4x_n(1-x_n)

产生混沌变量来初始化种群。其中，n为粒子群粒子数量，初始值x₀∈(0,1)且x₀≠0.25,0.5,075。

PSO算法的具体计算步骤如下：

1)设置参数并利用混沌变量初始化粒子群；

2)根据适应度函数计算各粒子的适应度；

3)更新每个粒子的最优位置P_i以及群最优位置P_g；

4)更新各粒子的位置和速度；

5)判断是否满足结束条件，若不满足转入第2步，若满足则结束计算；

PSO算法中加速常数c₁,c₂和惯性权重ω的取值对算法的效果具有重要影响,使粒子运动稳定收敛的惯性权重和加速常数的取值，ω＝0.729，c₁＝c₂＝1.49445。

本发明采用平均绝对百分比误差作为PSO算法中的适应度函数，所述平均绝对百分比误差的作用是衡量观测值和真值之间的偏差，它是n次观测后，观测值与真值之差与真值比值的绝对值的平均值，即：

在参数寻优过程中，炉膛燃烧NOx模型的核函数宽度σ_l(l＝1…p)的初始值为0.1，寻优范围为0～1；SCR喷氨量模型通常设的初始值为0.005，寻优范围为0～1；的初始值为400，寻优范围为0～5000；的初始值为400，寻优范围为0～5000；的初始值为2000，寻优范围为0～20000；的初始值为25，寻优范围为0～1000；的初始值为210000，寻优范围为0～500000；的初始值为28800，寻优范围为0～500000；E_NO的初始值为7000，寻优范围为0～50000；r的初始值为0.4，寻优范围为0～1。

本发明中喷氨量前馈控制策略结构图如图5所示；喷氨量计算模型计算喷氨前馈信号后经前馈系数k₂与串级控制主PID乘以前馈系数k₁后输出的喷氨量信号相加，得到副PID的控制信号。采用炉膛燃烧NOx模型计算SCR入口NOx浓度并将计算结果作为喷氨量模型输入提高了喷氨量计算的实时性和有效性，避免了CEMS系统检测延迟造成的喷氨量与NOx浓度不匹配问题。同时，当炉膛燃烧模型计算值与CEMS系统实测值存在偏差时，可以利用前馈系数k₂进行校正，从而提高计算准确性。当CEMS系统标定或吹扫时，烟气NOx浓度为固定值，此时串级控制失效，主PID输出的信号会存在较大偏差，对控制效果产生不利影响。针对这一问题，可以采用模型计算值代替CEMS系统测量值，此时设置前馈系数k₁＝0，利用前馈控制完成喷氨量的调节。

本发明另一方面还提供一种SCR烟气脱硝系统的喷氨量控制系统，用以实现以上方法；该喷氨量控制系统包括：DCS系统与数据库、数据选取与预处理模块、参数辨识模块、炉膛燃烧NOx数据模型模块、SCR喷氨量模型模块和喷氨量前馈控制模块；

所述数据选取与预处理模块从DCS系统与数据库中获取运行历史数据，并从中选取炉膛燃烧NOx模型及SCR喷氨量模型的训练数据，从备选输入变量集中选取模型的有效输入变量；

所述炉膛燃烧NOx数据模型模块和SCR喷氨量模型模块根据所述训练数据构建基于历史数据的炉膛燃烧NOx模型及基于反应机理的SCR喷氨量模型；

所述参数辨识模块利用训练数据对炉膛燃烧NOx模型和SCR喷氨量模型的参数进行寻优，得到最优模型参数；

所述炉膛燃烧NOx数据模型模块和SCR喷氨量模型模块根据最优模型参数及机组实时运行数据，计算SCR喷氨前馈量；

根据CEMS系统运行状态调整所述喷氨量前馈控制模块的前馈系数，所述前馈系数结合S4中计算的SCR喷氨前馈量作为所述喷氨量前馈控制模块的输出。

本发明充分考虑了不同工况下SCR系统运行状态差异，提高了喷氨量控制的及时性和准确性，控制系统结构图如图6所示。

优选地，所述炉膛燃烧NOx数据模型模块的输出为SCR入口NOx浓度，其作为所述SCR喷氨量模型模块的输入；所述SCR喷氨量模型模块根据最优模型参数及机组实时运行数据，计算SCR喷氨前馈量。

优选地，所述参数辨识模块利用粒子群算法对模型参数进行辨识寻优。

优选地，所述参数辨识模块利用粒子群算法对模型参数进行辨识寻优过程中，采用Logistic映射(逻辑斯蒂映射)。

本发明主要解决了以下技术问题：

1)喷氨量计算问题

传统SCR喷氨控制系统通常采用机组负荷、给煤量或总风量作为前馈信号，此类前馈信号通常存在较大误差。本发明结合炉膛燃烧NOx数据模型及SCR反应机理构建喷氨量计算模型并利用运行历史数据及粒子群优化算法(Particle Swarm Optimization,PSO)辨识模型参数，模型具有较高的计算精度。此外，当机组运行工况改变导致模型偏差增大时，可以利用相应运行数据更新模型参数，保证模型的有效性。

2)反馈控制失效问题

SCR喷氨量控制系统采用CEMS系统中SCR出口NOx浓度信号作为反馈信号，当CEMS标定或吹扫时，NOx浓度保持固定值不变，导致反馈控制失效。本发明在控制系统中引入前馈系数，当CEMS系统标定或吹扫时，通过调整前馈系数切除或减弱反馈作用，此时主要通过前馈控制调整喷氨量，保证控制系统的有效性和准确性。

附图说明

图1为SCR烟气脱硝系统反应器结构图。

图2为固定摩尔比控制原理图。

图3为出口NOx定值控制原理图

图4为基于SCR反应机理模型的喷氨量预测控制结构图。

图5为本发明喷氨量前馈控制策略结构图。

图6为本发明喷氨量控制系统结构图。

图7为实施例1中炉膛燃烧NOx模型计算结果。

图8为实施例1中喷氨量计算模型计算结果。

具体实施方式

为了更清楚地说明本发明，下面结合优选实施例对本发明做进一步的说明。本领域技术人员应当理解，下面所具体描述的内容是说明性的而非限制性的，不应以此限制本发明的保护范围。

以某电厂1000MW机组的数据为例，对本发明作进一步说明。

从电厂DCS系统中选取640组运行数据以及备选输入变量，数据采样间隔为1min，利用数据选取与预处理模块对数据进行筛选，其中440组作为训练样本，200组作为测试样本。利用数据选取与预处理模块对备选输入变量集进行筛选，选取#4角AB层辅助风调节挡板位置反馈、#4角DE层辅助风调节挡板位置反馈、总风量、#4磨煤机入口一次风流量、#2磨煤机入口一次风流量等五个变量作为模型有效输入变量。利用核偏最小二乘方法构建炉膛燃烧NOx模型，其中五个输入变量对应的模型参数分别为0.1、0.05、0.15、0.08以及0.12。炉膛燃烧NOx模型的计算结果如图7所示；其中，拟合样本的MAPE＝3.3％，测试样本的MAPE＝7.4％，模型具有较高的计算精度。

从DCS系统中选取640组SCR系统运行数据，采样间隔为1min。同样的，利用数据选取与预处理模块对数据进行筛选，其中440组作为训练样本，200组作为测试样本。喷氨量计算模型参数分别为 E_NO＝14200；r＝0.405。喷氨量计算模型的计算结果如图8所示；其中，拟合样本的MAPE＝1.7％，测试样本的MAPE＝3.6％，模型具有较高的计算精度。

显然，本发明的上述实施例仅仅是为清楚地说明本发明所作的举例，而并非是对本发明的实施方式的限定，对于所属领域的普通技术人员来说，在上述说明的基础上还可以做出其它不同形式的变化或变动，这里无法对所有的实施方式予以穷举，凡是属于本发明的技术方案所引伸出的显而易见的变化或变动仍处于本发明的保护范围之列。

Claims

1.一种SCR烟气脱硝系统的喷氨量控制方法，其特征在于，该喷氨量控制方法包括以下步骤：

S100、从DCS系统与数据库中获取运行历史数据以及备选输入变量集，从历史数据中选取炉膛燃烧NOx模型及SCR喷氨量模型的训练数据，并从备选输入变量集中选取模型的有效输入变量；

2.根据权利要求1所述的喷氨量控制方法，其特征在于，S100具体包括：

3.根据权利要求1所述的喷氨量控制方法，其特征在于，S200中的炉膛燃烧NOx模型采用核偏最小二乘建模方法构建；

模型备选输入变量集包括时间点、机组负荷、燃料热值、总燃料量、总风量、各给煤机煤量反馈信号、各层辅助风调节挡板位置反馈信号、各层燃料风调节挡板位置反馈信号、各层附加风调节挡板位置反馈信号、各磨煤机入口一次风流量、各磨煤机入口一次风压力和烟气含氧量；模型输出为SCR入口NOx浓度。

4.根据权利要求3所述的喷氨量控制方法，其特征在于，设输入变量X∈R^n×p，输出变量Y∈Rⁿ，R为实数集，p为输入变量个数，n为样本个数；核偏最小二乘算法描述如下：

1)计算核矩阵：

式中σ_l(l＝1…p)为高斯核函数宽度，x_l(i)为第l个输入变量的第i组数据，p为输入变量个数；

2)随机初始化输出变量Y的得分向量u；

3)计算特征空间中X的得分向量t_h并进行归一化：

4)计算Y_h的权值向量c_h：

5)计算Y_h的得分向量u_h并进行归一化：

6)重复3)-5)直至t_h收敛；

7)缩小矩阵K、Y，重复2)-6)直至提取p个t、u：

训练样本拟合公式为：

T、U为得分向量t、u构成的矩阵，为拟合结果；

测试样本拟合公式为：

Y_t＝K_tU(T^TKU)^-1T^TY (9)

K_t＝Φ(x_new)Φ(x)^T (10)

x_new为新采样的数据，x为输入训练数据，Y为输出训练数据，K_t为新数据对应的核矩阵，Y_t为预测结果；

5.根据权利要求4所述的喷氨量控制方法，其特征在于，所述SCR喷氨量模型为：

式中为催化剂表面NH₃的覆盖率，C为气体浓度，为催化剂吸附能力，r_a为吸附速率，r_d为解附速率，r_NO为NO消耗速率，r_ox为NH₃氧化速率；各反应速率通过式(14)-(19)计算：

6.根据权利要求5所述的喷氨量控制方法，其特征在于，S300在参数寻优过程中，炉膛燃烧NOx模型的核函数宽度σ_l(l＝1…p)的初始值为0.1，寻优范围为0～1；SCR喷氨量模型的初始值为0.005，寻优范围为0～1；的初始值为400，寻优范围为0～5000；的初始值为400，寻优范围为0～5000；的初始值为2000，寻优范围为0～20000；的初始值为25，寻优范围为0～1000；的初始值为210000，寻优范围为0～500000；的初始值为28800，寻优范围为0～500000；E_NO的初始值为7000，寻优范围为0～50000；r的初始值为0.4，寻优范围为0～1。

7.一种SCR烟气脱硝系统的喷氨量控制系统，用以实现权利要求1-6任一项所述喷氨量控制方法，其特征在于，该喷氨量控制系统包括：DCS系统与数据库、数据选取与预处理模块、参数辨识模块、炉膛燃烧NOx数据模型模块、SCR喷氨量模型模块和喷氨量前馈控制模块；

8.根据权利要求7所述的喷氨量控制系统，其特征在于，所述炉膛燃烧NOx数据模型模块的输出为SCR入口NOx浓度，其作为所述SCR喷氨量模型模块的输入；所述SCR喷氨量模型模块根据最优模型参数及机组实时运行数据，计算SCR喷氨前馈量。

9.根据权利要求7所述的喷氨量控制系统，其特征在于，所述参数辨识模块利用粒子群算法对模型参数进行辨识寻优，及时更新模型参数。

10.根据权利要求9所述的喷氨量控制系统，其特征在于，所述参数辨识模块利用粒子群算法对模型参数进行辨识寻优过程中，采用逻辑斯蒂映射。