CN111460726B - 一种煤泥流化床锅炉脱硝系统氨逃逸的优化方法 - Google Patents
一种煤泥流化床锅炉脱硝系统氨逃逸的优化方法 Download PDFInfo
- Publication number
- CN111460726B CN111460726B CN202010074232.7A CN202010074232A CN111460726B CN 111460726 B CN111460726 B CN 111460726B CN 202010074232 A CN202010074232 A CN 202010074232A CN 111460726 B CN111460726 B CN 111460726B
- Authority
- CN
- China
- Prior art keywords
- ammonia injection
- ammonia
- output
- layer
- value
- 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
- QGZKDVFQNNGYKY-UHFFFAOYSA-N Ammonia Chemical compound N QGZKDVFQNNGYKY-UHFFFAOYSA-N 0.000 title claims abstract description 368
- 229910021529 ammonia Inorganic materials 0.000 title claims abstract description 184
- 238000000034 method Methods 0.000 title claims abstract description 72
- 239000003245 coal Substances 0.000 title claims abstract description 45
- 238000005457 optimization Methods 0.000 title claims abstract description 30
- 238000002347 injection Methods 0.000 claims abstract description 131
- 239000007924 injection Substances 0.000 claims abstract description 131
- 238000013528 artificial neural network Methods 0.000 claims abstract description 22
- 238000003062 neural network model Methods 0.000 claims abstract description 19
- 230000006870 function Effects 0.000 claims description 30
- 239000013598 vector Substances 0.000 claims description 30
- 230000008569 process Effects 0.000 claims description 15
- 238000012546 transfer Methods 0.000 claims description 15
- 238000005507 spraying Methods 0.000 claims description 11
- 238000012549 training Methods 0.000 claims description 11
- 239000011159 matrix material Substances 0.000 claims description 10
- 230000008859 change Effects 0.000 claims description 8
- 238000004364 calculation method Methods 0.000 claims description 7
- 238000005516 engineering process Methods 0.000 claims description 5
- NAWXUBYGYWOOIX-SFHVURJKSA-N (2s)-2-[[4-[2-(2,4-diaminoquinazolin-6-yl)ethyl]benzoyl]amino]-4-methylidenepentanedioic acid Chemical compound C1=CC2=NC(N)=NC(N)=C2C=C1CCC1=CC=C(C(=O)N[C@@H](CC(=C)C(O)=O)C(O)=O)C=C1 NAWXUBYGYWOOIX-SFHVURJKSA-N 0.000 claims description 4
- 239000000243 solution Substances 0.000 claims description 4
- 210000004027 cell Anatomy 0.000 claims description 3
- 210000002569 neuron Anatomy 0.000 claims description 3
- 238000012360 testing method Methods 0.000 claims description 3
- 230000009466 transformation Effects 0.000 claims description 3
- VHUUQVKOLVNVRT-UHFFFAOYSA-N Ammonium hydroxide Chemical compound [NH4+].[OH-] VHUUQVKOLVNVRT-UHFFFAOYSA-N 0.000 claims description 2
- 235000011114 ammonium hydroxide Nutrition 0.000 claims description 2
- 238000012804 iterative process Methods 0.000 claims description 2
- 239000003344 environmental pollutant Substances 0.000 abstract description 3
- 231100000719 pollutant Toxicity 0.000 abstract description 3
- MWUXSHHQAYIFBG-UHFFFAOYSA-N nitrogen oxide Inorganic materials O=[N] MWUXSHHQAYIFBG-UHFFFAOYSA-N 0.000 description 67
- UGFAIRIUMAVXCW-UHFFFAOYSA-N Carbon monoxide Chemical compound [O+]#[C-] UGFAIRIUMAVXCW-UHFFFAOYSA-N 0.000 description 2
- 238000010531 catalytic reduction reaction Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 239000003546 flue gas Substances 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 239000003054 catalyst Substances 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 230000002349 favourable effect Effects 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000001537 neural effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Classifications
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B01—PHYSICAL OR CHEMICAL PROCESSES OR APPARATUS IN GENERAL
- B01D—SEPARATION
- B01D53/00—Separation of gases or vapours; Recovering vapours of volatile solvents from gases; Chemical or biological purification of waste gases, e.g. engine exhaust gases, smoke, fumes, flue gases, aerosols
- B01D53/34—Chemical or biological purification of waste gases
- B01D53/46—Removing components of defined structure
- B01D53/54—Nitrogen compounds
- B01D53/56—Nitrogen oxides
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B01—PHYSICAL OR CHEMICAL PROCESSES OR APPARATUS IN GENERAL
- B01D—SEPARATION
- B01D53/00—Separation of gases or vapours; Recovering vapours of volatile solvents from gases; Chemical or biological purification of waste gases, e.g. engine exhaust gases, smoke, fumes, flue gases, aerosols
- B01D53/34—Chemical or biological purification of waste gases
- B01D53/74—General processes for purification of waste gases; Apparatus or devices specially adapted therefor
- B01D53/76—Gas phase processes, e.g. by using aerosols
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B01—PHYSICAL OR CHEMICAL PROCESSES OR APPARATUS IN GENERAL
- B01D—SEPARATION
- B01D53/00—Separation of gases or vapours; Recovering vapours of volatile solvents from gases; Chemical or biological purification of waste gases, e.g. engine exhaust gases, smoke, fumes, flue gases, aerosols
- B01D53/34—Chemical or biological purification of waste gases
- B01D53/74—General processes for purification of waste gases; Apparatus or devices specially adapted therefor
- B01D53/77—Liquid phase processes
- B01D53/78—Liquid phase processes with gas-liquid contact
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B01—PHYSICAL OR CHEMICAL PROCESSES OR APPARATUS IN GENERAL
- B01D—SEPARATION
- B01D2251/00—Reactants
- B01D2251/20—Reductants
- B01D2251/206—Ammonium compounds
- B01D2251/2062—Ammonia
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B01—PHYSICAL OR CHEMICAL PROCESSES OR APPARATUS IN GENERAL
- B01D—SEPARATION
- B01D2258/00—Sources of waste gases
- B01D2258/02—Other waste gases
- B01D2258/0283—Flue gases
Landscapes
- Engineering & Computer Science (AREA)
- Chemical & Material Sciences (AREA)
- Environmental & Geological Engineering (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Analytical Chemistry (AREA)
- General Chemical & Material Sciences (AREA)
- Oil, Petroleum & Natural Gas (AREA)
- Chemical Kinetics & Catalysis (AREA)
- Dispersion Chemistry (AREA)
- Treating Waste Gases (AREA)
Abstract
本发明涉及燃煤电厂NOx污染物处理领域,针对现有技术的煤泥流化床锅炉脱硝系统氨逃逸量过大的问题,本发明公开了一种煤泥流化床锅炉脱硝系统氨逃逸的优化方法,主要包括四大步骤。该方法采用了神经网络学习和拉格朗日插值法的方式分别对喷氨前NOx生成量和喷氨后NOx生成量进行建模,在规定周期内,分别通过神经网络模型和SQP方法对喷氨前NOx、喷氨后NOx和氨逃逸进行优化,以及采用预测控制使一二次风与喷氨开度分别达到最优值并且不断循环,该方法弥补了现有的脱硝系统中氨逃逸量过大等不足,便于节省氨水费用,以及提高脱硝效率,为脱硝系统中氨逃逸的优化控制提供保障,对于实现电厂超低排放以及节省资源具有重要的意义。
Description
技术领域
本发明涉及燃煤电厂NOx污染物处理领域,尤其涉及一种煤泥流化床锅炉脱硝系统氨逃逸的优化方法。
背景技术
煤泥流化床锅炉燃烧运行时会产生大量的的氮氧化物(NOx),NOx对生态环境和人体健康的危害极大,且难以处理,成为我国重点控制排放的污染物之一。烟气脱硝技术是国内外减少NOx排放控制措施中最主要的处理技术。目前,应用比较广泛的烟气脱硝工艺主要有:选择性催化还原法(SCR)、选择性非催化还原法(SNCR)、SNCR-SCR组合法以及一些其他的干法脱硝技术。
SNCR法脱硝由于以炉膛为反应器,不需要使用催化剂,改造容易,设备和运行费用少等优点被广泛应用。在电厂脱硝系统的实际过程中,采用喷氨的方式实现NOx的脱除,氨与NOx混合过程中大部分都反应掉,但是在合理的情况下也会有少量逃逸。为了确保NOx的高效脱除,一般会加入过量的氨,造成氨逃逸,带来新的污染。在脱硝过程中大量的氨逃逸不仅大大增加了整个脱硝过程的费用,还使得脱硝效率大大降低。
发明内容
本发明专利的目的是针对现有技术的煤泥流化床锅炉脱硝系统氨逃逸量过大等不足,本发明给出了一种煤泥流化床锅炉脱硝系统氨逃逸的优化方法,该方法采用神经网络、拉格朗日插值法以及SQP(序列二次规划算法)相结合的方式,为实现脱硝系统中氨逃逸的优化控制提供了有利的保障;提出了一种神经网络、拉格朗日插值法以及SQP相结合的控制方法,该方法采用神经网络学习和拉格朗日插值法的方式分别对对喷氨前NOx生成量和喷氨后NOx生成量进行建模,在规定周期内,分别通过神经网络模型和SQP方法对喷氨前NOx、喷氨后NOx和氨逃逸进行优化,不断循环。
为了实现上述目的,本发明采用以下技术方案:
一种煤泥流化床锅炉脱硝系统氨逃逸的优化方法,主要包括如下步骤:
步骤1、运用神经网络学习的方法建立煤泥量、一二次风与喷氨前NOx生成量之间的关系建立模型,然后进入步骤2;
步骤2、建立喷氨开度与喷氨后NOx生成量的模型,则进入步骤3;
步骤3、设定一个时间周期T,对喷氨前NOx进行优化,得到一二次风使喷氨前NOx最小的最优值,通过预测控制使一二次风达到使喷氨前NOx最小的最优值;
步骤4、对喷氨后NOx以及氨逃逸进行优化,优化完成后得到喷氨开度,使喷氨后NOx与氨逃逸最小的最优开度,通过预测控制使得喷氨开度达到使喷氨后NOx最小的最优开度,直到达到时间T,则重新进入步骤3。
作为优选,所述的步骤1具体的实施步骤如下:
(1.1)、基于历史测试数据,采用神经网络建立设计煤泥量、一二次风之间的神经网络模型,以此预测在煤泥量、一二次风的影响下,NOx生成量的预测值;
(1.2)、提取不同影响因素下NOx生成量的历史数据,建立输入样本与输出样本集,输入样本包括煤泥量、一二次风,输出样本为NOx生成量,然后采用神经网络对历史数据进行训练,神经网络结构包括输入层、隐含层和输出层,所述隐含层介于输入层和输出层之间;训练过程中将煤泥量、一二次风作为输入,以NOx生成量作为输出,通过神经网络学习获得神经网络模型。
作为优选,步骤(1.2)中所述隐含层和所述输出层的神经元个数范围分别为2~4和2~6。
作为优选,所述步骤(1.2)中神经网络模型的学习过程如下:
1.2.1)、初始化各层的连接权值和阈值,给每个连接权wij、vjt和输出阈值θj、yt赋予区间(-1,1)内的随机值;
1.2.2)、选取输入样本和输出样本;
1.2.3)、用输入样本、连接权、输入阈值和输出阈值计算隐含层和输出层各单元的输出:
其中,sj表示隐含层单元的输入值、bj表示隐含层单元的输出值、lt表示输出层单元的输入值、ct表示输出层单元的输出值;
1.2.4)、计算输出层各单元一般化误差然后利用隐含层到输出层的连接权vjt、隐含层的输出向量Bk=(b1,b2,...,bp)、输出层各单元一般化误差/>计算隐含层各单元的一般化误差/>计算公式如下:
1.2.5)、利用输出层各单元的一般化误差与隐含层各单元的输出值来修正隐含层到输出层的连接权vjt、输出阈值yt:
同样利用隐含层各单元的一般化误差与输入层的输入来修正输入层到隐含层的连接权wij、输出阈值θj:
vjt(N)表示当前的连接权vjt,vjt(N+1)表示修正后的连接权;yt(N)表示当前的输出阈值yt,yt(N+1)表示修正后的相应阈值;
wij(N)表示当前的连接权wij,wij(N+1)表示修正后的连接权,θj(N)表示当前的阈值,θj(N+1)表示修正后的阈值,N=1,2,…,N,,其中N,表示设定的学习迭代次数;
1.2.6)、选取下一个输入样本和输出样本,返回到步骤c),直到m个训练样本训练完毕;
1.2.7)、计算所有样本的累计误差E,累计误差计算方式为其中,q表示输出层单元数,m表示样本数量,Ei表示样本之间的误差;如果样本累计误差E小于预先设定值ε,或者当前学习迭代次数大于设定的学习迭代次数,学习训练结束;否则再次选取样本输入和目标输出,然后返回到步骤1.2.3);
通过神经网络模型的学习过程,获得了描述煤泥量、一二次风与喷氨前NOx的关系的神经网络模型。
作为优选,所述神经网络模型中的各参数定义如下:
输入层单元输入向量为Pk=(a1,a2,L,an),目标向量Tk=(d1,d2,L,dn);隐含层单元输入向量Sk=(s1,s2,L,sp),输出向量Bk=(b1,b2,...,bp);输出层单元输入向量Lk=(l1,l2,L,lq),输出向量Ck=(c1,c2,...,cq),k=1,2,…,m表示样本数据个数;输入层到隐含层的连接权wij,i=1,2,…,n;j=1,2,…p;隐含层到输出层的连接权vjt,t=1,2,…q;隐含层各单元的输出阈值θj,输出层各单元的输出阈值yt。
作为优选,所述的步骤2具体实施步骤如下:
(2.1)、当喷氨开度为达到30%时,采集NOx浓度数据直到喷氨后NOx的浓度重新达到稳定状态,根据喷氨后NOx浓度变化情况确定喷氨后NOx与喷氨量之间的开环传递函数,记为G1;
(2.2)、给喷氨开度一个阶跃,使得喷氨开度增加达到50%时,采集喷氨后NOx浓度数据直到喷氨后NOx的浓度重新达到稳定状态,根据喷氨后NOx浓度变化情况确定喷氨后NOx与喷氨量之间的开环传递函数,记为G2;
(2.3)、给喷氨开度一个阶跃,使得喷氨开度增加达到70%左右时,采集喷氨后NOx浓度数据直到喷氨后NOx的浓度重新达到稳定状态,根据喷氨后NOx浓度变化情况确定喷氨后NOx与喷氨量之间的开环传递函数,记为G3;
(2.4)、给喷氨开度一个阶跃,使得喷氨开度增加达到90%左右时,采集喷氨后NOx浓度数据直到喷氨后NOx的浓度重新达到稳定状态,根据喷氨后NOx浓度变化情况确定喷氨后NOx与喷氨量之间的开环传递函数,记为G4;
(2.5)、喷氨开度与喷氨后NOx浓度的开环传递函数为:
其中:Y(s)为喷氨后NOx浓度,U(s)为喷氨开度,
由于喷氨开度不同,分别为30%、50%、70%及90%所生成的四个开环传递函数之间的关系是非线性的,因此需要采用拉格朗日插值法将四个开环传递函数联系起来。
作为优选,步骤(2.5)中喷氨的开度分别为30%、50%、70%及90%时分别对应的空间位置A、B、C、D上的四个坐标,坐标分别为(A,G1)(B,G2)(C,G3)(D,G4)。
作为优选,所述的步骤3具体实施步骤如下:
设定一个时间周期T,对喷氨前NOx进行优化;
(3.1)、开始测量煤泥量,得到煤泥量的数据;
(3.2)、由神经网络建立的煤泥量、一二次风与喷氨前NOx模型可知,煤泥量已知的情况下,可以通过调节一二次风使得喷氨前NOx的值最小,由此可以获得一二次风的最优值;
(3.3)、通过预测控制可以使得一二次风达到这个最优值。
作为优选,所述的步骤4具体实施步骤如下:
通过喷氨开度与喷氨后NOx建立的开环传递函数可以寻找NOx、氨逃逸的最优参数,建立的各个目标函数模型得到的多目标优化模型为:
其中,L-1为拉普拉斯反变换,p为氨水费用,r为氨逃逸,σ为惩罚因子,y为喷氨后NOx值,U(t)为喷氨开度,Δ为基于历史数据平均波动区间的一半,UL和UU分别表示喷氨开度的上下界;
(4.1)、将上面的式(9)的优化问题转化成如下式(10)的非线性优化问题:
其中x为n′维变量,f(x)和c″(x)分别表示连续可微的目标函数和m′维约束方程,xL和xU分别表示变量的上下界约束;
(4.2)、采用迭代计算方法求解上式(10)所表示的优化问题,在x第k次迭代(k为大于等于零的整数)的迭代点xk处QP子问题表示为以下形式:
式中dk’为搜索方向,和分别表示在xk处目标函数的导数和约束方程的雅克比矩阵,ck”表示在xk处c”(xk)的值,Wk为拉格朗日函数的Hessian阵;其中拉格朗日函数为:
L(x,λ,v,π)=f(x)+λTc”(x)+vT(x-xU)-πT(x-xL) (12);
λ、v和π分别表示与等式约束、上边界约束和下边界约束相关的拉格朗日乘子,λT、vT和πT分别表示相应乘子的转置;
(4.3)、在迭代过程中将搜索空间分解为两个子空间Y和Z,将式(11)表示的QP子问题转化为低维QP子问题;其中Z∈Rn'×(n'-m'),由雅克比矩阵的零空间向量组成;Y∈Rn'×m',由雅克比矩阵的值空间向量组成;
在xk处子空间Y和Z的值表示为Yk和Zk,Zk满足下式:
搜索方向dk'表示如下:
dk'=Ykpy+Zkpz (14);
这里py和pz表示值空间和零空间移动的矢量矩阵,且py∈Rm',pz∈Rn'-m';
将式(13)和式(14)带入到QP子问题(11)中的等式约束,可得:
因此根据式(15)py被唯一确定:
从而搜索方向可表示为:
将式(17)中的搜索方向dk'代入到以上QP子问题中,并去掉与变量pz无关的常数项,则QP子问题表示为式(18)以pz∈Rn'-m'为变量的以下QP子问题形式:
其中wk为(n'-m')×1矩阵Bk'为(n'-m')×(n'-m')矩阵/>pz为(n'-m')维变量;
(4.4)、采用积极集方法求解式(18)获得pz,然后根据式(14)获得搜索方向矢量的值dk',其中式(18)表示的QP子问题的积极集求解方法为成熟技术;
(4.5)、令xk+1=xk+α'dk',这样就得到了下一个迭代点;其中α'∈[0,1],通过一维搜索方法求取,该求取方法为成熟技术;
(4.6)、求取搜索方向二范数norm(dk',2)格朗日函数梯度与搜索方向乘积的值和一阶优化条件值;如果一阶优化条件值小于设定误差ε′,或者norm(dk',2)的值和拉格朗日函数梯度与搜索方向乘积的值同时小于设定误差ε′,则停止计算,得到最优目标函数值和最优变量值;否则令xk=xk+1,转步骤C2,继续计算;
(4.7)、优化完成后得到喷氨开度使喷氨后NOx与氨逃逸最小的最优开度,通过预测控制使得喷氨开度达到使喷氨后NOx最小的最优开度,直到达到时间T。
因此,本发明具有如下有益效果:
(1)提出了一种神经网络、拉格朗日插值法以及SQP相结合的控制方法。该方法采用神经网络学习和拉格朗日插值法的方式分别对对喷氨前NOx生成量和喷氨后NOx生成量进行建模;
(2)本发明专利通过分别对喷氨前NOx、喷氨后NOx的优化,有效的得到了系统的NOx值与氨逃逸量的最优解,并采用预测控制使得一二次风与喷氨开度分别达到最优值;
(3)本发明为脱硝系统中氨逃逸的优化控制提供了有利的保障,对于实现电厂超低排放以及节省资源具有重要的意义。
附图说明
图1为本发明整体控制框图。
图2为本发明整体流程图。
图3为本发明神经网络建模流程图。
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,一种煤泥流化床脱硝中关于氨逃逸的整体控制框图,分别对喷氨前喷氨后的NOx进行优化和控制。
如图2所示,一种煤泥流化床脱硝中关于氨逃逸的优化方法,具体实施采用以下步骤:
步骤1、运用神经网络学习的方法建立煤泥量、一二次风与喷氨前NOx生成量之间的关系建立模型,然后进入步骤2;
步骤2、建立喷氨开度与喷氨后NOx生成量的模型,则进入步骤3;
步骤3、设定一个时间周期T,对喷氨前NOx进行优化,得到一二次风使喷氨前NOx最小的最优值,通过预测控制使一二次风达到使喷氨前NOx最小的最优值;
步骤4、对喷氨后NOx以及氨逃逸进行优化,优化完成后得到喷氨开度使喷氨后NOx与氨逃逸最小的最优开度,通过预测控制使得喷氨开度达到使喷氨后NOx最小的最优开度,直到达到时间T,则重新进入步骤3。
如图3所示,神经网络建模流程,具体实施采用以下步骤:
基于历史测试数据,采用神经网络建立设计煤泥量、一二次风之间的神经网络模型,以此预测在煤泥量、一二次风的影响下,NOx生成量的预测值。
提取不同影响因素下NOx生成量的历史数据,建立输入样本与输出样本集,输入样本包括煤泥量、一二次风,输出样本为NOx生成量,然后采用神经网络对这些历史数据进行训练,神经网络结构包括输入层、隐含层(中间层)和输出层,隐含层(对输入特征多层次的抽象)和输出层的神经元个数(多个线性划分)范围分别为2~4和2~6。训练过程中将煤泥量、一二次风作为输入,以NOx生成量作为输出,通过神经网络学习获得神经网络模型,神经网络模型中的各参数定义如下:
输入层单元输入向量为Pk=(a1,a2,L,an),目标向量Tk=(d1,d2,L,dn);隐含层单元输入向量Sk=(s1,s2,L,sp),输出向量Bk=(b1,b2,...,bp);输出层单元输入向量Lk=(l1,l2,L,lq),输出向量Ck=(c1,c2,...,cq),k=1,2,…,m表示样本数据个数;输入层到隐含层的连接权wij,i=1,2,…,n;j=1,2,…p;隐含层到输出层的连接权vjt,t=1,2,…q;隐含层各单元的输出阈值θj,输出层各单元的输出阈值yt。神经网络模型的学习过程步骤如下:
1.2.1)、初始化各层的连接权值和阈值,给每个连接权wij、vjt和输出阈值θj、yt赋予区间(-1,1)内的随机值。
1.2.2)、选取输入样本和输出样本。
1.2.3)、用输入样本、连接权、输入阈值和输出阈值计算隐含层和输出层各单元的输出:
其中,sj表示隐含层单元的输入值、bj表示隐含层单元的输出值、lt表示输出层单元的输入值、ct表示输出层单元的输出值。
1.2.4)、计算输出层各单元一般化误差然后利用隐含层到输出层的连接权vjt、隐含层的输出向量Bk=(b1,b2,...,bp)、输出层各单元一般化误差/>计算隐含层各单元的一般化误差/>计算公式如下:
1.2.5)、利用输出层各单元的一般化误差与隐含层各单元的输出值来修正隐含层到输出层的连接权vjt、输出阈值yt:
同样利用隐含层各单元的一般化误差与输入层的输入来修正输入层到隐含层的连接权wij、输出阈值θj:
vjt(N)表示当前的连接权vjt,vjt(N+1)表示修正后的连接权;yt(N)表示当前的输出阈值yt,yt(N+1)表示修正后的相应阈值。
wij(N)表示当前的连接权wij,wij(N+1)表示修正后的连接权,θj(N)表示当前的阈值,θj(N+1)表示修正后的阈值,N=1,2,…,N,,其中NN表示设定的学习迭代次数。
1.2.6)、选取下一个输入样本和输出样本,返回到步骤c),直到m个训练样本训练完毕。
1.2.7)计算所有样本的累计误差E,累计误差计算方式为其中,q表示输出层单元数,m表示样本数量,Ei表示样本之间的误差。如果样本累计误差E小于预先设定值ε,或者当前学习迭代次数大于设定的学习迭代次数,那么学习训练结束。否则再次选取样本输入和目标输出,然后返回到步骤1.2.3)。
通过以上学习过程,获得了描述煤泥量、一二次风与喷氨前NOx的关系的神经网络模型。
通过上述方法,有效地找到了NOx与氨逃逸的最优解,对实现电厂超低排放和节约资源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 (8)
1.一种煤泥流化床锅炉脱硝系统氨逃逸的优化方法,其特征是,主要包括如下步骤:
步骤1、运用神经网络学习的方法建立煤泥量、一二次风与喷氨前NOx生成量之间的关系建立模型,然后进入步骤2;
步骤2、建立喷氨开度与喷氨后NOx生成量的模型,则进入步骤3;
步骤3、设定一个时间周期T,对喷氨前NOx进行优化,得到一二次风使喷氨前NOx最小的最优值,通过预测控制使一二次风达到使喷氨前NOx最小的最优值;
步骤4、对喷氨后NOx以及氨逃逸进行优化,优化完成后得到喷氨开度,使喷氨后NOx与氨逃逸最小的最优开度,通过预测控制使得喷氨开度达到使喷氨后NOx最小的最优开度,直到达到时间T,则重新进入步骤3;
所述的步骤4具体实施步骤如下:
通过喷氨开度与喷氨后NOx建立的开环传递函数可以寻找NOx、氨逃逸的最优参数,建立的各个目标函数模型得到的多目标优化模型为:
min f(x)=p+σr
其中,L-1为拉普拉斯反变换,p为氨水费用,r为氨逃逸,σ为惩罚因子,y为喷氨后NOx值,U(t)为喷氨开度,Δ为基于历史数据平均波动区间的一半,UL和UU分别表示喷氨开度的上下界;
(4.1)、将上面的式(9)的优化问题转化成如下式(10)的非线性优化问题:
其中x为n′维变量,f(x)和c″(x)分别表示连续可微的目标函数和m′维约束方程,xL和xU分别表示变量的上下界约束;
(4.2)、采用迭代计算方法求解上式(10)所表示的优化问题,在x第k次迭代(k为大于等于零的整数)的迭代点xk处QP子问题表示为以下形式:
式中dk'为搜索方向,和分别表示在xk处目标函数的导数和约束方程的雅克比矩阵,ck”表示在xk处c”(xk)的值,wk为拉格朗日函数的Hessian阵;其中拉格朗日函数为:
L(x,λ,v,π)=f(x)+λTc”(x)+vT(x-xU)-πT(x-xL) (12);
λ、v和π分别表示与等式约束、上边界约束和下边界约束相关的拉格朗日乘子,λT、vT和πT分别表示相应乘子的转置;
(4.3)、在迭代过程中将搜索空间分解为两个子空间Y和Z,将式(11)表示的QP子问题转化为低维QP子问题;其中Z∈Rn'×(n'-m'),由雅克比矩阵的零空间向量组成;Y∈Rn'×m',由雅克比矩阵的值空间向量组成;
在xk处子空间Y和Z的值表示为Yk和Zk,Zk满足下式:
搜索方向dk'表示如下:
dk'=Ykpy+Zkpz (14);
这里py和pz表示值空间和零空间移动的矢量矩阵,且py∈Rm',pz∈Rn'-m';
将式(13)和式(14)带入到QP子问题(11)中的等式约束,可得:
因此根据式(15)py被唯一确定:
从而搜索方向可表示为:
将式(17)中的搜索方向dk'代入到以上QP子问题中,并去掉与变量pz无关的常数项,则QP子问题表示为式(18)以pz∈Rn'-m'为变量的以下QP子问题形式:
其中Wk为(n'-m')×1矩阵Bk'为(n'-m')×(n'-m')矩阵/>pz为(n'-m')维变量,gk为f(x)的导数,f(x)为连续可微的目标函数;
(4.4)、采用积极集方法求解式(18)获得pz,然后根据式(14)获得搜索方向矢量的值dk',其中式(18)表示的QP子问题的积极集求解方法为成熟技术;
(4.5)、令xk+1=xk+α'dk',这样就得到了下一个迭代点;其中α'∈[0,1],通过一维搜索方法求取,该求取方法为成熟技术;
(4.6)、求取搜索方向二范数norm(dk',2)格朗日函数梯度与搜索方向乘积的值和一阶优化条件值;如果一阶优化条件值小于设定误差ε′,或者norm(dk',2)的值和拉格朗日函数梯度与搜索方向乘积的值同时小于设定误差ε′,则停止计算,得到最优目标函数值和最优变量值;否则令xk=xk+1,转步骤C2,继续计算;
(4.7)、优化完成后得到喷氨开度使喷氨后NOx与氨逃逸最小的最优开度,通过预测控制使得喷氨开度达到使喷氨后NOx最小的最优开度,直到达到时间T,则重新进入步骤3。
2.根据权利要求1所述的一种煤泥流化床锅炉脱硝系统氨逃逸的优化方法,其特征是,所述的步骤1具体的实施步骤如下:
(1.1)、基于历史测试数据,采用神经网络建立设计煤泥量、一二次风之间的神经网络模型,以此预测在煤泥量、一二次风的影响下,NOx生成量的预测值;
(1.2)、提取不同影响因素下NOx生成量的历史数据,建立输入样本与输出样本集,输入样本包括煤泥量、一二次风,输出样本为NOx生成量,然后采用神经网络对历史数据进行训练,神经网络结构包括输入层、隐含层和输出层,所述隐含层介于输入层和输出层之间;训练过程中将煤泥量、一二次风作为输入,以NOx生成量作为输出,通过神经网络学习获得神经网络模型。
3.根据权利要求2所述的一种煤泥流化床锅炉脱硝系统氨逃逸的优化方法,其特征是,步骤(1.2)中所述隐含层和所述输出层的神经元个数范围分别为2~4和2~6。
4.根据权利要求2所述的一种煤泥流化床锅炉脱硝系统氨逃逸的优化方法,其特征是,所述步骤(1.2)中神经网络模型的学习过程如下:
1.2.1)、初始化各层的连接权值和阈值,给每个连接权wij、vjt和输出阈值θj、yt赋予区间(-1,1)内的随机值i=1,2,…,n,j=1,2,…,p,t=1,2,…,q;
其中wij为输入层到隐含层的连接权、vjt为隐含层到输出层的连接权、θj为隐含层各单元输出阈值、yt为输出层各单元的输出阈值;
1.2.2)、选取输入样本和输出样本;
1.2.3)、用输入样本、连接权、输入阈值和输出阈值计算隐含层和输出层各单元的输出:
其中,sj表示隐含层单元的输入值、ai表示输入层的输出向量、bj表示隐含层单元的输出值、lt表示输出层单元的输入值、ct表示输出层单元的输出值;
1.2.4)、计算输出层各单元一般化误差然后利用隐含层到输出层的连接权vjt、隐含层的输出向量Bk=(b1,b2,...,bp)、输出层各单元一般化误差/>计算隐含层各单元的一般化误差/>计算公式如下:
1.2.5)、利用输出层各单元的一般化误差与隐含层各单元的输出值来修正隐含层到输出层的连接权vjt、输出阈值yt:
同样利用隐含层各单元的一般化误差与输入层的输入来修正输入层到隐含层的连接权wij、输出阈值θj:
vjt(N)表示当前的连接权vjt,vjt(N+1)表示修正后的连接权;yt(N)表示当前的输出阈值yt,yt(N+1)表示修正后的相应阈值;
wij(N)表示当前的连接权wij,wij(N+1)表示修正后的连接权,θj(N)表示当前的阈值,θj(N+1)表示修正后的阈值,N=1,2,…,N’,其中N’表示设定的学习迭代次数;
1.2.6)、选取下一个输入样本和输出样本,返回到步骤c),直到m个训练样本训练完毕;
1.2.7)、计算所有样本的累计误差E,累计误差计算方式为其中,q表示输出层单元数,m表示样本数量,Ei表示样本之间的误差;如果样本累计误差E小于预先设定值ε,或者当前学习迭代次数大于设定的学习迭代次数,学习训练结束;否则再次选取样本输入和目标输出,然后返回到步骤1.2.3);
通过神经网络模型的学习过程,获得了描述煤泥量、一二次风与喷氨前NOx的关系的神经网络模型。
5.根据权利要求2所述的一种煤泥流化床锅炉脱硝系统氨逃逸的优化方法,其特征是,所述神经网络模型中的各参数定义如下:
输入层单元输入向量为Pk=(a1,a2,…,an),目标向量Tk=(d1,d2,…,dn);隐含层单元输入向量Sk=(s1,s2,…,sp),输出向量Bk=(b1,b2,...,bp);输出层单元输入向量Lk=(l1,l2,…,lq),输出向量Ck=(c1,c2,...,cq),k=1,2,…,m表示样本数据个数;输入层到隐含层的连接权wij,i=1,2,…,n;j=1,2,…p;隐含层到输出层的连接权vjt,t=1,2,…q;隐含层各单元的输出阈值θj,输出层各单元的输出阈值yt。
6.根据权利要求1所述的一种煤泥流化床锅炉脱硝系统氨逃逸的优化方法,其特征是,所述的步骤2具体实施步骤如下:
(2.1)、当喷氨开度为达到30%时,采集NOx浓度数据直到喷氨后NOx的浓度重新达到稳定状态,根据喷氨后NOx浓度变化情况确定喷氨后NOx与喷氨量之间的开环传递函数,记为G1;
(2.2)、给喷氨开度一个阶跃,使得喷氨开度增加达到50%时,采集喷氨后NOx浓度数据直到喷氨后NOx的浓度重新达到稳定状态,根据喷氨后NOx浓度变化情况确定喷氨后NOx与喷氨量之间的开环传递函数,记为G2;
(2.3)、给喷氨开度一个阶跃,使得喷氨开度增加达到70%左右时,采集喷氨后NOx浓度数据直到喷氨后NOx的浓度重新达到稳定状态,根据喷氨后NOx浓度变化情况确定喷氨后NOx与喷氨量之间的开环传递函数,记为G3;
(2.4)、给喷氨开度一个阶跃,使得喷氨开度增加达到90%左右时,采集喷氨后NOx浓度数据直到喷氨后NOx的浓度重新达到稳定状态,根据喷氨后NOx浓度变化情况确定喷氨后NOx与喷氨量之间的开环传递函数,记为G4;
(2.5)、喷氨开度与喷氨后NOx浓度的开环传递函数为:
其中:Y(s)为喷氨后NOx浓度,U(s)为喷氨开度,
所述A、B、C、D为喷氨的开度分别为30%、50%、70%及90%分别对应的空间位置;
所述s代表空间位置的一个集合,s={A,B,C,D};
所述α1/α2/α3/α4为喷氨开度与喷氨后NOx浓度的开环传递函数在喷氨的开度分别为30%、50%、70%及90%的系数。
7.根据权利要求1所述的一种煤泥流化床锅炉脱硝系统氨逃逸的优化方法,其特征是,步骤(2.5)中喷氨的开度分别为30%、50%、70%及90%时分别对应的空间位置A、B、C、D上的四个坐标,坐标分别为(A,G1)(B,G2)(C,G3)(D,G4)。
8.根据权利要求1所述的一种煤泥流化床锅炉脱硝系统氨逃逸的优化方法,其特征是,所述的步骤3具体实施步骤如下:
设定一个时间周期T,对喷氨前NOx进行优化;
(3.1)、开始测量煤泥量,得到煤泥量的数据;
(3.2)、由神经网络建立的煤泥量、一二次风与喷氨前NOx模型可知,煤泥量已知的情况下,可以通过调节一二次风使得喷氨前NOx的值最小,由此可以获得一二次风的最优值;
(3.3)、通过预测控制可以使得一二次风达到这个最优值。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010074232.7A CN111460726B (zh) | 2020-01-22 | 2020-01-22 | 一种煤泥流化床锅炉脱硝系统氨逃逸的优化方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010074232.7A CN111460726B (zh) | 2020-01-22 | 2020-01-22 | 一种煤泥流化床锅炉脱硝系统氨逃逸的优化方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111460726A CN111460726A (zh) | 2020-07-28 |
CN111460726B true CN111460726B (zh) | 2023-11-14 |
Family
ID=71685113
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010074232.7A Active CN111460726B (zh) | 2020-01-22 | 2020-01-22 | 一种煤泥流化床锅炉脱硝系统氨逃逸的优化方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111460726B (zh) |
Families Citing this family (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
CN114636164A (zh) * | 2020-12-15 | 2022-06-17 | Edf(中国)投资有限公司 | 一种控制sncr系统中喷枪的方法 |
CN113380338B (zh) * | 2021-06-16 | 2022-06-10 | 哈电发电设备国家工程研究中心有限公司 | 一种旋风分离器进口处NOx浓度测量修正及预测方法 |
CN115138208B (zh) * | 2022-09-06 | 2022-11-25 | 山东超华环保智能装备有限公司 | 数据处理器及包含该处理器的一种废气智能处理系统 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2001205109A (ja) * | 2000-01-28 | 2001-07-31 | Sumitomo Metal Mining Co Ltd | 排ガス浄化用触媒層および排ガス浄化用触媒被覆構造体ならびにこれらを用いた排ガス浄化方法 |
CN105629738A (zh) * | 2016-03-24 | 2016-06-01 | 内蒙古瑞特优化科技股份有限公司 | Scr烟气脱硝系统控制方法及设备 |
CN105808945A (zh) * | 2016-03-07 | 2016-07-27 | 杭州电子科技大学 | 一种混合智能锅炉效率燃烧优化方法 |
CN205598926U (zh) * | 2016-05-11 | 2016-09-28 | 浙江中泰环保股份有限公司 | 一种循环流化床锅炉烟气sncr和scr耦合脱硝装置 |
CN106680428A (zh) * | 2016-12-19 | 2017-05-17 | 华北电力大学(保定) | 一种用于脱硝控制系统的软测量方法 |
CN106681381A (zh) * | 2017-01-03 | 2017-05-17 | 华北电力大学 | 一种基于智能前馈信号的scr脱硝系统喷氨量优化控制系统及方法 |
CN109766596A (zh) * | 2018-12-25 | 2019-05-17 | 国网新疆电力有限公司电力科学研究院 | 一种脱硝经济运行的专家系统构建方法 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7219087B2 (en) * | 2003-07-25 | 2007-05-15 | Yamaha Hatsudoki Kabushiki Kaisha | Soft computing optimizer of intelligent control system structures |
US10416619B2 (en) * | 2016-07-25 | 2019-09-17 | General Electric Company | System modeling, control and optimization |
-
2020
- 2020-01-22 CN CN202010074232.7A patent/CN111460726B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2001205109A (ja) * | 2000-01-28 | 2001-07-31 | Sumitomo Metal Mining Co Ltd | 排ガス浄化用触媒層および排ガス浄化用触媒被覆構造体ならびにこれらを用いた排ガス浄化方法 |
CN105808945A (zh) * | 2016-03-07 | 2016-07-27 | 杭州电子科技大学 | 一种混合智能锅炉效率燃烧优化方法 |
CN105629738A (zh) * | 2016-03-24 | 2016-06-01 | 内蒙古瑞特优化科技股份有限公司 | Scr烟气脱硝系统控制方法及设备 |
CN205598926U (zh) * | 2016-05-11 | 2016-09-28 | 浙江中泰环保股份有限公司 | 一种循环流化床锅炉烟气sncr和scr耦合脱硝装置 |
CN106680428A (zh) * | 2016-12-19 | 2017-05-17 | 华北电力大学(保定) | 一种用于脱硝控制系统的软测量方法 |
CN106681381A (zh) * | 2017-01-03 | 2017-05-17 | 华北电力大学 | 一种基于智能前馈信号的scr脱硝系统喷氨量优化控制系统及方法 |
CN109766596A (zh) * | 2018-12-25 | 2019-05-17 | 国网新疆电力有限公司电力科学研究院 | 一种脱硝经济运行的专家系统构建方法 |
Non-Patent Citations (5)
Title |
---|
"基于混合建模的煤泥流化床锅炉干法脱硫操作优化";江爱碰等;《化工学报》(第9期);全文 * |
"nitrogen removel during leachate treatment: comparison of simple and sophisticated systems ";VASEL et.al;《WATER SCIENCE AND TECHNOLOGY》(第50期);全文 * |
吕钰 ; 王智化 ; 杨卫娟 ; 周俊虎 ; 岑可法 ; .基于支持向量机的电站锅炉SNCR系统建模.燃烧科学与技术.2009,(06),全文. * |
孟范伟 ; 徐博 ; 吕晓永 ; 刘胤圻 ; .神经网络预测控制在SCR烟气脱硝系统中应用.东北大学学报(自然科学版).2017,(06),全文. * |
朱高峰 ; 王建峰 ; 王涛 ; .基于主导因素NO_x含量的动态预估的控制逻辑优化.节能.2018,(10),全文. * |
Also Published As
Publication number | Publication date |
---|---|
CN111460726A (zh) | 2020-07-28 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111460726B (zh) | 一种煤泥流化床锅炉脱硝系统氨逃逸的优化方法 | |
US20210319373A1 (en) | Intelligent multi-pollutant ultra-low emission system and global optimization method thereof | |
CN112580250A (zh) | 基于深度学习的火电机组脱硝系统及优化控制方法 | |
CN106599586B (zh) | 基于神经网络的scr智能喷氨优化方法及装置 | |
CN110263395A (zh) | 基于数值模拟和数据分析的电厂脱硝运行优化方法及系统 | |
US10082060B2 (en) | Enhanced performance of a gas turbine | |
CN105629738A (zh) | Scr烟气脱硝系统控制方法及设备 | |
CN113433911B (zh) | 基于浓度精准预测的脱硝装置喷氨精准控制系统与方法 | |
CN111624876B (zh) | 一种智能的喷氨优化控制系统 | |
CN114225662B (zh) | 一种基于滞后模型的烟气脱硫脱硝优化控制方法 | |
CN111522290A (zh) | 一种基于深度学习方法的脱硝控制方法和系统 | |
CN113009890B (zh) | 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 | |
CN104696952B (zh) | 一种基于模型在线辨识的流化床锅炉引风量控制方法 | |
CN110299188A (zh) | 基于ga变量选择的scr烟气脱硝系统grnn建模方法 | |
US20060121616A1 (en) | Method and system for increasing efficiency of FGD operation in fossil fuel boilers | |
CN116688754A (zh) | 船舶烟气脱硫自动控制系统及其方法 | |
CN112742187A (zh) | 一种脱硫系统中pH值的控制方法及装置 | |
CN109766666A (zh) | 基于低氮燃烧与SNCR-SCR协同控制的锅炉烟气排放NOx浓度预测方法 | |
CN112613237B (zh) | 一种基于LSTM的CFB机组NOx排放浓度的预测方法 | |
CN109933884B (zh) | 一种面向燃煤机组scr脱硝系统神经网络逆控制的方法 | |
CN116050643A (zh) | 一种基于集成模型的流程工业污染物排放浓度预测方法 | |
CN113094992A (zh) | 基于神经网络判别的脱硫塔优化方法 | |
Liu et al. | Model‐free adaptive control based on switching mechanism for multi‐input multi‐output wet flue gas desulfurization system | |
CN113110046A (zh) | 一种基于大数据自学习预测控制的脱硫系统控制方法 | |
Chi et al. | Fuzzy dynamic matrix predictive control of ammonia injection quantityin SCR denitration systems |
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 |