CN111111392A - 电厂cems表反吹时so2浓度在线自动控制的方法 - Google Patents

Abstract

本发明公开了一种电厂CEMS表反吹时SO₂浓度在线自动控制的方法。本发明首先对烟气脱硫系统CEMS表所采集到的数据进行反吹判断，判断系统开始反吹时，设计三次指数平滑预测处理，建立三次指数平滑处理的预测模型，从而得出反吹时刻的SO₂浓度预测值；然后对烟气脱硫系统进行DMC预测控制，有效的实现了对烟气脱硫系统出口SO₂浓度值的控制；最后，判断反吹结束后，对采集到的烟气脱硫系统出口SO₂浓度值进行滤波处理，以得到出口SO₂浓度值趋于稳定，最终达到安全排放标准。本发明弥补了现有的对反吹处理方法的不足，便于电厂实现自动控制，有效地减缓了电厂工作人员的工作压力，提高了工作效率。

Description

电厂CEMS表反吹时SO2浓度在线自动控制的方法

技术领域

本发明属于燃煤电厂烟气SO₂污染物控制技术领域，具体来说是涉及一种电厂CEMS表反吹时SO₂浓度在线自动控制的方法。

背景技术

煤泥是煤洗选过程中的副产品，是由微细的粒煤、粉化骨石和水组成的粘稠物。在堆积状态下形态极不稳定，遇水即流失污染水体，风干即飞扬污染空气。为了保护矿区的环境，合理的利用资源，采用煤泥流化床锅炉将其燃烧发电是最为有效的途径。然而煤泥流化床锅炉燃烧运行时会产生大量的SO₂，这对大气环境造成了严重的污染。大气污染造成的自然灾害在我们的身边频繁发生，酸雨泛滥、气候异常、光化学烟雾等严重影响了我们的生活和健康。

随着环境质量的日益下降，国家也因此出台了一些相应的政策，对工业中有害物质的排放做出了严格的要求，这对电厂烟气脱硫系统的控制带来了极大的挑战。烟气脱硫技术主要是利用吸收剂或吸附剂去除烟气中的SO₂，并使其转化成稳定的硫化合物或硫。常见的烟气脱硫方式可分为干法、半干法和湿法三大类，新建的大型电厂锅炉一般采用湿法脱硫技术，但该方法存在着占用面积大、投资费用高等缺点，对于中小型电厂来说，一般采用干法或者半干法脱硫。

采用半干法烟气脱硫技术目前存在着一些问题，煤泥流化床锅炉烟气脱硫系统经常会出现CEMS(烟气自动监控系统)表在反吹投运时SO₂浓度的测量值会有瞬时升高后再恢复正常的现象，有时SO₂浓度测量值会达到几千mg/Nm³,这对电厂自动控制的实现来说带来了很大的挑战。电厂对反吹和相关控制常见的处理方法包括：1)CEMS表根据特定条件进行反吹，监控系统判断反吹开始，然后将烟气脱硫系统的自动控制改成手动控制，当反吹结束后再将手动调整到自动模式；2)对烟气脱硫系统进行定时反吹处理，烟气脱硫系统不采用自动控制或者在反吹前后将自动控制改成手动控制。前者有时会导致工作人员判断不准确，手自动切换不及时，工作强度大，对设备损伤大、存在安全隐患；后者也需要切换且很难实现对SO₂浓度值的精确控制。对于烟气脱硫系统，由于存在着大滞后大惯性的特性，传统的采用人工控制和普通的PID控制无法实现对SO₂浓度的精确控制。基于以上问题，本发明给出了一种电厂CEMS表反吹时SO₂浓度在线自动控制的方法，该方法采用三次指数平滑处理、DMC(动态矩阵控制)预测控制相结合的方式，为实现半干法脱硫系统的全自动优化控制提供了有利的保障。

发明内容

本发明专利的目的是针对现有的煤泥流化床半干法烟气脱硫中自动控制技术的不足，提出了一种三次指数平滑预测处理、DMC预测控制相结合的控制方法。该方法通过加入三次指数平滑预测处理来进行对反吹时候的SO₂浓度值进行处理，并根据烟气脱硫系统非线性、大滞后和快时变的特点，采用DMC预测控制对烟气脱硫系统进行优化控制。该方法弥补了现有的烟气脱硫系统中因CEMS表反吹时SO₂浓度值瞬时升高而导致无法在线自动控制以及控制不精确等不足，便于电厂实现自动控制，有效地减缓了电厂工作人员的工作压力，提高了工作效率。

本发明涉及一种电厂CEMS表反吹时SO₂浓度在线自动控制的方法，该方法主要步骤如下：

步骤1、通过对CEMS表所采集到的烟气脱硫系统出口SO₂浓度值数据进行反吹判断，如果没有出现反吹，则直接进入步骤2，当判断到开始反吹时，进行三次指数平滑预测处理，建立三次指数平滑处理的预测模型，得出反吹时刻烟气脱硫系统出口SO₂浓度预测值，然后进入步骤2；

步骤2、采用DMC预测控制方法对烟气脱硫系统出口SO₂浓度值进行控制，实现烟气脱硫系统SO₂浓度值的精稳控制，同时对反吹是否停止进行判断，如果反吹停止，则进入步骤3；

步骤3、对系统是否需要滤波进行判断以及滤波处理，将这时采集到的烟气脱硫系统出口的SO₂浓度值与反馈控制的设定值进行比较；设定阈值δ，δ取值为(0.2～1)*反馈控制的设定值；若烟气脱硫塔系统SO₂浓度设定值与实际SO₂浓度输出值的差值的绝对值大于所设定的阈值δ，则将此SO₂浓度值进行滤波处理后作为反馈值，然后参与到系统的闭环自动控制；当烟气脱硫系统SO₂浓度设定值与采集到的烟气脱硫系统出口的SO₂浓度值的差值小于所设定的阈值δ，则不需要经过滤波处理模块，则直接将此SO₂浓度值作为反馈值，然后参与到系统的闭环自动控制；

步骤4、继续采集烟气脱硫系统出口SO₂浓度值，并与SO₂浓度反馈值进行比较，如果两个值绝对差值小于设定阈值δ，则重新进入步骤1。

所述的步骤1具体的实施步骤如下：

步骤A1：对烟气脱硫系统CEMS表所采集到的数据进行反吹判断。采集k时刻SO₂浓度值y(k)与k-1时刻的SO₂浓度值y(k-1)，采样周期为T；根据两个时刻采集到的数据求取其增量，其增量(以绝对值表示)与两次采样允许的最大误差Δy比较，如果小于等于Δy，则认为反吹并未开始，如果大于Δy，则认为烟气脱硫系统反吹开始，即:

其中，Δy为是一个可选择的常数，正确选择该值是应用该方法的关键，Δy值视被调量的变化速度而定，在煤泥流化床锅炉烟气脱硫系统中，根据实际情况可取Δy＝(1～10)*sp,这里的sp为烟气脱硫系统反馈控制的设定值。判断反吹开始时，舍弃反吹开始后的数据，进行三次指数平滑预测处理，建立三次指数平滑处理的预测模型，得出反吹时刻烟气脱硫系统出口的SO₂浓度预测值，然后进入步骤2；若判断没有出现反吹，则直接进入步骤2，进行DMC预测控制。

步骤A2：在步骤A1中，判断反吹开始时，通过以下表达式对所述CEMS表采样的SO₂浓度值进行三次指数平滑值的计算：

其中，α是平滑参数,平滑参数α反应的是不同时期历史数据在指数平滑值中所占的比重，取值越大，说明离预测值越近的历史数据对当前的预测值的影响越大，权重下降的越快。反之说明权重变化的越慢，预测值越接近于算术平均值，α的值通常可以多尝试几次以达到最佳效果，这里的α取值范围为0＜α＜1。

为k-1时刻的一次指数平滑值，

为k-1时刻的二次指数平滑值，

为k-1时刻的三次指数平滑值，

为k时刻的一次指数平滑值，

为k时刻二次指数平滑值，

为k时刻三次指数平滑值。

步骤A3：根据步骤A2中计算的三次指数平滑值，通过以下表达式对烟气脱硫系统反吹处理时SO₂浓度值进行预测：

其中，m为单步预测得到的周期，即需要预测的期数与当前期数的间隔数，y(k+m)为预测值，所述的预测值y(k+m)将在反吹开始时依次取代烟气脱硫系统中反吹时刻的SO₂浓度值，E_k、F_k、G_k为中间变量，E_k为预测值表达式的常数项，F_k为预测值表达的一次项，G_k为预测值表达式的二次项。

所述的步骤2具体实施步骤如下：

步骤B1：首先测定烟气脱硫系统控制对象的单位阶跃响应的采样值a_i＝a(iT)(i＝1,2,…,N),其中N为建模时域，N的值可根据模型辨识在烟气脱硫系统控制对象阶跃响应后的某一时刻a_i(i>N)系统采样值趋于平稳，同时采样值a_i(i＝1,2,…,N)具有相同的数量级的量化误差时来取得，即a_N为在该时刻采样值近似为被控对象阶跃响应的稳态值a_∞。在M个连续控制增量Δu(k),…Δu(k+M-1)作用下，对未来时刻的输出预测值为：

其中，M为控制时域，即控制增量变化的次数，其值根据实际调节情况选取，M个控制增量能够依次求取，Δu(k)＝u(k)-u(k-1),…,Δu(k+M-1)＝u(k+M-1)-u(k+M-2)，

为在第M个控制增量Δu(k+M-1)下对未来的输出值，

表示为未来N个时刻的输出初始预测值，k+i/k表示在k时刻对k+i时刻的预测。

步骤B2：通过上式(9)，导出

与Δu之间的向量形式关系为：

其中，A为阶跃响应曲线a_i组成的P×M矩阵，表示为

对于每一时刻k，确定从该时刻起的M个控制增量Δu(k),…Δu(k+M-1)，使得在其作用下被控对象未来P个时刻的输出预测值

尽可能接近给定的期望值w(k+i),i＝1,…P。在k时刻的优化性能指标：

式中,w_P(k)＝[w(k+1),…,w(k+P)]^T为期望输出，其值为P行1列的单位列向量与烟气脱硫系统的设定值sp的乘积，Q＝diag(q₁,…,q_P)为误差权矩阵；R＝diag(r₁,…,r_M)为控制权矩阵，这两个矩阵可根据经验选取，Q一般取单位对角矩阵，R一般取零矩阵，P为优化时域，即所预测输出的个数，通常规定M≤P≤N。要使得J(k)取极小的Δu_M(k)，可通过极值必要条件dJ(k)/dΔu_M(k)＝0求出：

通过上式，求出k时刻优化得到的Δu(k),Δu(k+1/k),…,Δu(k+M-1/k)的最优值，DMC只取Δu(k)构成实际控制量u(k)＝u(k-1)+Δu(k)作用于被控对象。到下一时刻，它又求解类似的优化问题，得到Δu(k+1)。

步骤B3：在求解上式(12)中的

时，由于实际过程中存在非线性、模型失配、环境干扰等未知因素，基于不变模型的预测输出不可能与系统的实际输出完全吻合，这时需要利用实时信息进行反馈校正，DMC在k+1时刻的实际输出为y(k+1)，其所在的模型预测的该时刻的输出为

两者的误差构成了输出误差为：

采用对e(k+1)加权的方式修正对未来输出的预测：

式中：

为被控对象在k时刻的输出N维初始预测向量；

为校正后的N维预测输出向量；h＝[h₁,…,h_N]^T为由权系数组成的N维校正向量，其值可以取

向量a＝[a₁,…,a_N]^T为模型向量。

对上式(14)中的

进行移位处理，得到新的初始预测值

即：

式中：

为移位矩阵，其定义为

为k+1时刻初始预测值，对下一时刻进行优化计算了。

通过上述步骤B1～B4，完成了对烟气脱硫系统的DMC预测控制。整个DMC预测控制过程就是以这种结合反馈校正的滚动优化方式反复在线进行，实现对烟气脱硫系统采集到的出口SO₂浓度值精稳控制。

步骤B5：在上述的DMC预测控制完之后，判断反吹过程是否结束，采集k时刻的CEMS表SO₂浓度值y(k)与k-1时刻的SO₂浓度值y(k-1)，采样周期为T；将两个时刻采集到的数据求取其增量，其值(以绝对值表示)与两次采样允许的最大误差Δy比较，如果小于等于Δy，则认为反吹结束，停止三次指数平滑预测数据，进入步骤3；如果大于Δy，则可认为烟气脱硫系统反吹并未结束，继续进行三次指数平滑预测处理。

步骤3所述的滤波处理采用一阶惯性滤波法，即一阶低通滤波，其滤波算法为：

x(k)＝sy(k)+(1-s)x(k-1) (16)；

s＝T/(T+T_f) (17)；

式中，s为滤波系数，滤波系数s的取值范围为0＜s＜1，x(k-1)为上一次滤波输出值，x(k)为本次滤波输出值,T_f为滤波时间，其值根据其滤波结果的灵敏度和平稳度来获取。

与现有的技术相比，本发明专利具有如下优点：

本发明专利通过对CEMS表实时采集到的SO₂浓度值进行预处理，采用三次指数平滑预测法准确的预测了反吹过程中SO₂浓度值的数据，预测结果具有一定的客观性；通过对烟气脱硫系统进行DMC预测控制，有效的保证了烟气脱硫系统的稳定运行；对反吹结束后采集到的烟气脱硫系统出口SO₂浓度值进行滤波，减小了反馈值误差，便于系统的闭环自动控制，最终提高了数据的可靠性，这对于实现电厂超低排放系统的实时自动控制具有重要的意义。

附图说明

图1为本发明反吹处理的流程框图；

图2为本发明反吹处理时的反馈控制框图；

图3为本发明反吹结束后滤波处理的反馈控制框图。

具体实施方式

下面结合附图和具体实施例对本发明作进一步的分析。

如图1所示，一种电厂CEMS表反吹时SO₂浓度在线自动控制的方法，具体实施采用以下步骤：

步骤1、通过对CEMS表所采集到的烟气脱硫系统出口SO₂浓度值数据进行反吹判断，如果没有出现反吹，则直接进入步骤2，当判断到开始反吹时，进行三次指数平滑预测处理，建立三次指数平滑处理的预测模型，得出反吹时刻烟气脱硫系统出口SO₂浓度预测值，然后进入步骤2；

具体的实施步骤如下：

步骤A1：对烟气脱硫系统CEMS表所采集到的数据进行反吹判断。采集k时刻SO₂浓度值y(k)与k-1时刻的SO₂浓度值y(k-1)，采样周期为T；根据两个时刻采集到的数据求取其增量，其增量(以绝对值表示)与两次采样允许的最大误差Δy比较，如果小于等于Δy，则认为反吹并未开始，如果大于Δy，则可认为烟气脱硫系统反吹开始，即：

其中，Δy为是一个可选择的常数，正确选择该值是应用该方法的关键，Δy值视被调量的变化速度而定，在煤泥流化床锅炉烟气脱硫系统中，根据实际情况可取Δy＝(1～10)*sp,这里的sp为烟气脱硫系统反馈控制的设定值。判断反吹开始时，舍弃反吹开始后的数据，进行三次指数平滑预测处理，建立三次指数平滑处理的预测模型，得出反吹时刻烟气脱硫系统出口的SO₂浓度预测值，然后进入步骤2；若判断没有出现反吹，则直接进入步骤2，进行DMC预测控制。

步骤A2：在步骤A1中，判断反吹开始时，通过以下表达式对所述CEMS表采样的SO₂浓度值进行三次指数平滑值的计算：

其中，α是平滑参数,平滑参数α反应的是不同时期历史数据在指数平滑值中所占的比重，取值越大，说明离预测值越近的历史数据对当前的预测值的影响越大，权重下降的越快。反之说明权重变化的越慢，预测值越接近于算术平均值，α的值通常可以多尝试几次以达到最佳效果，这里的α取值范围为0＜α＜1。

为k-1时刻的一次指数平滑值，

为k-1时刻的二次指数平滑值，

为k-1时刻的三次指数平滑值，

为k时刻的一次指数平滑值，

为k时刻二次指数平滑值，

为k时刻三次指数平滑值。

步骤A3：根据步骤A2中计算的三次指数平滑值，通过以下表达式对烟气脱硫系统反吹处理时SO₂浓度值进行预测：

其中，m为单步预测得到的周期，即需要预测的期数与当前期数的间隔数，y(k+m)为预测值，所述的预测值y(k+m)将在反吹开始时依次取代烟气脱硫系统中反吹时刻的SO₂浓度值，E_k、F_k、G_k为中间变量，E_k为预测值表达式的常数项，F_k为预测值表达的一次项，G_k为预测值表达式的二次项。

步骤2、采用DMC预测控制方法对烟气脱硫系统出口SO₂浓度值进行控制，实现烟气脱硫系统SO₂浓度值的精稳控制，同时对反吹是否停止进行判断，如果反吹停止，则进入步骤3；如图2所示，具体实施步骤如下：

步骤B1：首先测定烟气脱硫系统控制对象的单位阶跃响应的采样值a_i＝a(iT)(i＝1,2,…,N),其中N为建模时域，N的值可根据模型辨识在烟气脱硫系统控制对象阶跃响应后的某一时刻a_i(i>N)系统采样值趋于平稳，同时采样值a_i(i＝1,2,…,N)具有相同的数量级的量化误差时来取得，即a_N可认为在该时刻采样值近似为被控对象阶跃响应的稳态值a_∞。在M个连续控制增量Δu(k),…Δu(k+M-1)作用下，对未来时刻的输出预测值为：

其中，M为控制时域，即控制增量变化的次数，其值可根据实际调节情况选取，M个控制增量可依次求取，Δu(k)＝u(k)-u(k-1),…,Δu(k+M-1)＝u(k+M-1)-u(k+M-2)，

为在第M个控制增量Δu(k+M-1)下对未来的输出值，

表示为未来N个时刻的输出初始预测值，k+i/k表示在k时刻对k+i时刻的预测。

步骤B2：通过上式(9)，可以导出

与Δu之间的向量形式关系为：

其中，A为阶跃响应曲线a_i组成的P×M矩阵，可以表示为

对于每一时刻k，确定从该时刻起的M个控制增量Δu(k),…Δu(k+M-1)，使得在其作用下被控对象未来P个时刻的输出预测值

尽可能接近给定的期望值w(k+i),i＝1,…P。在k时刻的优化性能指标：

式中,w_P(k)＝[w(k+1),…,w(k+P)]^T为期望输出，其值为P行1列的单位列向量与sp的乘积，Q＝diag(q₁,…,q_P)为误差权矩阵；R＝diag(r₁,…,r_M)为控制权矩阵，这两个矩阵可根据经验选取，Q一般取单位对角矩阵，R一般取零矩阵，P为优化时域，即所预测输出的个数，通常规定M≤P≤N。要使得J(k)取极小的Δu_M(k)，可通过极值必要条件dJ(k)/dΔu_M(k)＝0求出：

通过上式，可以求出k时刻优化得到的Δu(k),Δu(k+1/k),…,Δu(k+M-1/k)的最优值，DMC只取Δu(k)构成实际控制量u(k)＝u(k-1)+Δu(k)作用于被控对象。到下一时刻，它又求解类似的优化问题，得到Δu(k+1)。

步骤B3：在求解上式(12)中的

时，由于实际过程中存在非线性、模型失配、环境干扰等未知因素，基于不变模型的预测输出不可能与系统的实际输出完全吻合，这时需要利用实时信息进行反馈校正，DMC在k+1时刻的实际输出为y(k+1)，其所在的模型预测的该时刻的输出为

两者的误差构成了输出误差为：

采用对e(k+1)加权的方式修正对未来输出的预测：

式中：

为被控对象在k时刻的输出N维初始预测向量；

为校正后的N维预测输出向量；h＝[h₁,…,h_N]^T为由权系数组成的N维校正向量，其值可以取

向量a＝[a₁,…,a_N]^T为模型向量。

对上式(14)中的

进行移位处理，得到新的初始预测值

即：

式中：

为移位矩阵，其定义为

为k+1时刻初始预测值，这样就可以对下一时刻进行优化计算了。

通过上述步骤B1～B4，完成了对烟气脱硫系统的DMC预测控制。整个DMC预测控制过程就是以这种结合反馈校正的滚动优化方式反复在线进行，实现对烟气脱硫系统采集到的出口SO₂浓度值精稳控制。

步骤B5：在上述的DMC预测控制完之后，判断反吹过程是否结束，采集k时刻的CEMS表SO₂浓度值y(k)与k-1时刻的SO₂浓度值y(k-1)，采样周期为T；将两个时刻采集到的数据求取其增量，其值(以绝对值表示)与两次采样允许的最大误差Δy比较，如果小于等于Δy，则认为反吹结束，停止三次指数平滑预测数据，进入步骤3；如果大于Δy，则可认为烟气脱硫系统反吹并未结束，继续进行三次指数平滑预测处理。

步骤3、对系统是否需要滤波进行判断以及滤波处理，将这时采集到的烟气脱硫系统出口SO₂浓度值与反馈控制的设定值进行比较，如果差值比较大，则将此SO₂浓度值进行滤波处理后作为反馈值，然后参与到系统的闭环自动控制。如果差值比较小，则直接将此SO₂浓度值作为反馈值，然后参与到系统的闭环自动控制；如图3所示；

具体的实施步骤如下：

步骤C1：将这时采集到的烟气脱硫系统出口的SO₂浓度值y(k)与反馈控制的设定值sp进行比较,包括设定阈值δ，其中δ可取值为(0.2～1)*sp；若烟气脱硫塔系统SO₂浓度设定值sp与系统的实际SO₂浓度输出值y(k)的差值的绝对值大于所设定的阈值δ，则将此SO₂浓度值进行滤波处理后作为反馈值，然后参与到系统的闭环自动控制。滤波处理采用一阶惯性滤波法，即一阶低通滤波，其滤波算法为：

x(k)＝sy(k)+(1-s)x(k-1) (16)；

s＝T/(T+T_f) (17)；

式中，s为滤波系数，滤波系数s的取值范围为0＜s＜1，x(k-1)为上一次滤波输出值，x(k)为本次滤波输出值,T_f为滤波时间，其值可根据其滤波结果的灵敏度和平稳度来获取。

步骤C2：当烟气脱硫系统SO₂浓度设定值sp与采集到的烟气脱硫系统出口的SO₂浓度值y(k)的差值小于所设定的阈值δ，则不需要经过滤波处理模块，则直接将此SO₂浓度值作为反馈值，然后参与到系统的闭环自动控制。

步骤4、继续采集烟气脱硫系统出口SO₂浓度值，并与SO₂浓度反馈值进行比较，如果两个值绝对差值小于设定阈值δ，则重新进入步骤1。

通过上述方法，有效预测出反吹时刻的SO₂浓度值，通过三次指数平滑预测处理，有效的预测了反吹时刻的SO₂浓度值，对实施烟气脱硫系统的在线自动控制具有重要的实际意义。

以上内容是结合具体的优选实施方式对本发明所做的进一步详细说明，不能认定本发明的具体实施只限于这些说明。对于本发明所属技术领域的技术人员来说，在不脱离发明构思的前提下还可以做出一定程度的简单推演或者替换，都应当视为属于本发明的保护范围。

Claims (4)

1.电厂CEMS表反吹时SO₂浓度在线自动控制的方法，其特征在于：主要包括如下步骤：

步骤1、通过对CEMS表所采集到的烟气脱硫系统出口SO₂浓度值数据进行反吹判断，如果没有出现反吹，则直接进入步骤2，当判断到开始反吹时，进行三次指数平滑预测处理，建立三次指数平滑处理的预测模型，得出反吹时刻烟气脱硫系统出口SO₂浓度预测值，然后进入步骤2；

步骤2、采用DMC预测控制方法对烟气脱硫系统出口SO₂浓度值进行控制，实现烟气脱硫系统SO₂浓度值的精稳控制，同时对反吹是否停止进行判断，如果反吹停止，则进入步骤3；

步骤3、对系统是否需要滤波进行判断以及滤波处理，将这时采集到的烟气脱硫系统出口的SO₂浓度值与反馈控制的设定值进行比较；设定阈值δ，δ取值为(0.2～1)*反馈控制的设定值；若烟气脱硫塔系统SO₂浓度设定值与实际SO₂浓度输出值的差值的绝对值大于所设定的阈值δ，则将此SO₂浓度值进行滤波处理后作为反馈值，然后参与到系统的闭环自动控制；当烟气脱硫系统SO₂浓度设定值与采集到的烟气脱硫系统出口的SO₂浓度值的差值小于所设定的阈值δ，则不需要经过滤波处理模块，则直接将此SO₂浓度值作为反馈值，然后参与到系统的闭环自动控制；

步骤4、继续采集烟气脱硫系统出口SO₂浓度值，并与SO₂浓度反馈值进行比较，如果两个值绝对差值小于设定阈值δ，则重新进入步骤1。

2.如权利要求1所述的电厂CEMS表反吹时SO₂浓度在线自动控制的方法，其特征在于：所述的步骤1具体的实施步骤如下：

步骤A1：对烟气脱硫系统CEMS表所采集到的数据进行反吹判断；采集k时刻SO₂浓度值y(k)与k-1时刻的SO₂浓度值y(k-1)，采样周期为T；根据两个时刻采集到的数据求取其增量，其增量绝对值与两次采样允许的最大误差Δy比较，如果小于等于Δy，则认为反吹并未开始，如果大于Δy，则认为烟气脱硫系统反吹开始，即:

其中，Δy为是一个可选择的常数，正确选择该值是应用该方法的关键，Δy值视被调量的变化速度而定，在煤泥流化床锅炉烟气脱硫系统中，根据实际情况可取Δy＝(1～10)*sp,这里的sp为烟气脱硫系统反馈控制的设定值；判断反吹开始时，舍弃反吹开始后的数据，进行三次指数平滑预测处理，建立三次指数平滑处理的预测模型，得出反吹时刻烟气脱硫系统出口的SO₂浓度预测值，然后进入步骤2；若判断没有出现反吹，则直接进入步骤2，进行DMC预测控制；

步骤A2：在步骤A1中，判断反吹开始时，通过以下表达式对所述CEMS表采样的SO₂浓度值进行三次指数平滑值的计算：

其中，α是平滑参数,平滑参数α反应的是不同时期历史数据在指数平滑值中所占的比重，取值越大，说明离预测值越近的历史数据对当前的预测值的影响越大，权重下降的越快；反之说明权重变化的越慢，预测值越接近于算术平均值，α的值通常可以多尝试几次以达到最佳效果，这里的α取值范围为0＜α＜1；

为k-1时刻的一次指数平滑值，

为k-1时刻的二次指数平滑值，

为k-1时刻的三次指数平滑值，

为k时刻的一次指数平滑值，

为k时刻二次指数平滑值，

为k时刻三次指数平滑值；

步骤A3：根据步骤A2中计算的三次指数平滑值，通过以下表达式对烟气脱硫系统反吹处理时SO₂浓度值进行预测：

其中，m为单步预测得到的周期，即需要预测的期数与当前期数的间隔数，y(k+m)为预测值，所述的预测值y(k+m)将在反吹开始时依次取代烟气脱硫系统中反吹时刻的SO₂浓度值，E_k、F_k、G_k为中间变量，E_k为预测值表达式的常数项，F_k为预测值表达的一次项，G_k为预测值表达式的二次项。

3.如权利要求1所述的电厂CEMS表反吹时SO₂浓度在线自动控制的方法，其特征在于：所述的步骤2具体实施步骤如下：

步骤B1：首先测定烟气脱硫系统控制对象的单位阶跃响应的采样值a_i＝a(iT)(i＝1，2，...，N)，其中N为建模时域，N的值可根据模型辨识在烟气脱硫系统控制对象阶跃响应后的某一时刻a_i(i＞N)系统采样值趋于平稳，同时采样值a_i(i＝1，2，...，N)具有相同的数量级的量化误差时来取得，即a_N可认为在该时刻采样值近似为被控对象阶跃响应的稳态值a_∞；在M个连续控制增量Δu(k)，...Δu(k+M-1)作用下，对未来时刻的输出预测值为：

其中，M为控制时域，即控制增量变化的次数，其值根据实际调节情况选取，M个控制增量能够依次求取，Δu(k)＝u(k)-u(k-1)，...，Δu(k+M-1)＝u(k+M-1)-u(k+M-2)，

为在第M个控制增量Δu(k+M-1)下对未来的输出值，

表示为未来N个时刻的输出初始预测值，k+i/k表示在k时刻对k+i时刻的预测；

步骤B2：通过上式(9)，导出

与Δu之间的向量形式关系为：

其中，A为阶跃响应曲线a_i组成的P×M矩阵，表示为

对于每一时刻k，确定从该时刻起的M个控制增量Δu(k)，...Δu(k+M-1)，使得在其作用下被控对象未来P个时刻的输出预测值

尽可能接近给定的期望值w(k+i)，i＝1，...P；在k时刻的优化性能指标：

式中，w_p(k)＝[w(k+1)，...，w(k+P)]^T为期望输出，其值为P行1列的单位列向量与sp的乘积，Q＝diag(q₁，...，q_P)为误差权矩阵；R＝diag(r₁，...，r_M)为控制权矩阵，这两个矩阵可根据经验选取，Q一般取单位对角矩阵，R一般取零矩阵，P为优化时域，即所预测输出的个数，通常规定M≤P≤N；要使得J(k)取极小的Δu_M(k)，可通过极值必要条件dJ(k)/dΔu_M(k)＝0求出：

通过上式，可以求出k时刻优化得到的Δu(k)，Δu(k+1/k)，...，Δu(k+M-1/k)的最优值，DMC只取Δu(k)构成实际控制量u(k)＝u(k-1)+Δu(k)作用于被控对象；到下一时刻，它又求解类似的优化问题，得到Δu(k+1)；

步骤B3：在求解上式(12)中的

时，由于实际过程中存在非线性、模型失配、环境干扰等未知因素，基于不变模型的预测输出不可能与系统的实际输出完全吻合，这时需要利用实时信息进行反馈校正，DMC在k+1时刻的实际输出为y(k+1)，其所在的模型预测的该时刻的输出为

两者的误差构成了输出误差为：

采用对e(k+1)加权的方式修正对未来输出的预测：

式中：

为被控对象在k时刻的输出N维初始预测向量；

为校正后的N维预测输出向量；h＝[h₁，...，h_N]^T为由权系数组成的N维校正向量，其值可以取h₁＝1，

向量a＝[a₁，...，a_N]^T为模型向量；

对上式(14)中的

进行移位处理，得到新的初始预测值

即：

式中：

为移位矩阵，其定义为

为k+1时刻初始预测值，这样就可以对下一时刻进行优化计算了；

通过上述步骤B1～B4，完成了对烟气脱硫系统的DMC预测控制；整个DMC预测控制过程就是以这种结合反馈校正的滚动优化方式反复在线进行，实现对烟气脱硫系统采集到的出口SO₂浓度值精稳控制；

步骤B5：在上述的DMC预测控制完之后，判断反吹过程是否结束，采集k时刻的CEMS表SO₂浓度值y(k)与k-1时刻的SO₂浓度值y(k-1)，采样周期为T；将两个时刻采集到的数据求取其增量，其值(以绝对值表示)与两次采样允许的最大误差Δy比较，如果小于等于Δy，则认为反吹结束，停止三次指数平滑预测数据，进入步骤3；如果大于Ay，则可认为烟气脱硫系统反吹并未结束，继续进行三次指数平滑预测处理。

4.如权利要求1所述的电厂CEMS表反吹时SO₂浓度在线自动控制的方法，其特征在于：步骤3所述的滤波处理采用一阶惯性滤波法，即一阶低通滤波，其滤波算法为：

x(k)＝sy(k)+(1-s)x(k-1) (16)；

s＝T/(T+T_f) (17)；

式中，s为滤波系数，滤波系数s的取值范围为0＜s＜1，x(k-1)为上一次滤波输出值，x(k)为本次滤波输出值，T_f为滤波时间，其值根据其滤波结果的灵敏度和平稳度来获取。

Images