CN111624876B - 一种智能的喷氨优化控制系统 - Google Patents

Abstract

本发明公开了一种智能的喷氨优化控制系统，包括与阀门指令运算单元通信连接的数据采集单元和决策单元。本发明决策单元通过数据采集单元获取的锅炉系统、脱硝系统运行数据计算出入口NOx浓度、出口NOx浓度与烟气量，且阀门指令运算单元通过这三个参数计算出当前时刻的最优喷氨量，数据采集单元根据最优喷氨量实现控制了SCR反应器喷氨系统的喷氨量，从而实现了脱硝喷氨过程的自学习、自适应，真正实现脱硝的自动化，大大减少运行人员的工作量，提高脱硝系统的控制水平和效率。

Description

一种智能的喷氨优化控制系统

技术领域

本发明涉及脱硝控制技术领域，具体涉及一种智能的喷氨优化控制系统。

背景技术

随着国家一系列政策和法规的颁布，如《大气污染防治法》、《火电厂大气污染物排放标准》、《排污费征收使用管理条例》、《全面实施燃煤电厂超低排放和节能改造工作方案》等，燃煤电厂的大气污染物排放已纳入严格监管，各电厂陆续开展了烟气超低排放改造。超低排放改造后要求燃煤电厂NOx排放浓度须低于50mg/m³，开发完善的火电厂脱硝技术，尽量降低电厂污染物的排放，已成为我国电厂势在必行的任务。

目前国内外使用最多的脱硝技术是SCR(Selective Catalytic Reduction，选择性催化还原)烟气脱硝技术，其中喷氨量的控制是其重要过程。当喷氨量过少时，导致出口NOx排放超标；当喷氨量过量时，不仅影响脱硝效率，而且过量的氨气与烟气中的SO₃反应生成硫酸氢铵和硫酸铵降低催化剂活性，造成空预器堵塞和腐蚀，同时过量的氨逃逸造成运行成本浪费和环境污染。所以，氨量的控制对脱硝系统至关重要。目前主要采用CEMS(Continuous Emission Monitoring System，烟气在线监测系统)系统采集出入口NOx浓度值，然后通过PID(Proportion-Integral-Differential，比例-积分-微分)反馈控制喷氨量。但脱硝反应过程存在大时滞、大惯性等问题，PID控制系统不能自适应调整，在变负荷等特殊工况下不能很好地控制喷氨量，影响机组安全运行和脱硝效率。

有鉴于此，亟需提供一种实现脱硝的自动化，能够在特殊工况下，保证喷氨量最少的情况下，控制出口NOx的排放的智能的喷氨优化控制系统。

发明内容

为了解决上述技术问题，本发明所采用的技术方案是提供了一种智能的喷氨优化控制系统，包括：

与阀门指令运算单元通信连接的数据采集单元和决策单元；

所述数据采集单元实现锅炉系统、脱硝系统数据的采集及DCS指令的接收和发送；将实时采集的锅炉系统、脱硝系统运行数据并发送至所述决策单元；

所述决策单元根据所述数据采集单元传输至的所述脱硝系统运行数据计算获得实现喷氨过程中实时的入口NOx浓度、出口NOx浓度与烟气量，并传输至所述阀门指令运算单元；

所述阀门指令运算单元根据传输至的入口NOx浓度、出口NOx浓度与烟气量参数计算当前时刻的最优喷氨量，并转换成SCR喷氨阀门控制指令传输至所述数据采集单元，所述数据采集单元根据SCR喷氨阀门控制指令控制SCR反应器喷氨系统当前时刻的喷氨量。

在上述方案中，所述数据采集单元包括数据采集传感器以及DCS系统，实现锅炉系统、脱硝系统数据的采集及DCS指令的接收和发送。所述数据采集传感器采集的数据主要包括机组负荷、总煤量、总风量、一次风量、氧量、入口NOx、出口NOx、喷氨量与烟气量的系统参数；所述DCS系统实现采集数据指令以及SCR反应器喷氨阀门指令的发送。

在上述方案中，所述决策单元包括训练完成的入口NOx预测模型、出口NOx预测模型、烟气量预测模型，且通过实时传输到锅炉系统、脱硝系统数据根基上述三个模型分别计算获得当前时刻的入口NOx浓度值、出口NOx浓度值和烟气量。

在上述方案中，所述决策单元通过以下方式训练获得入口NOx预测模型、出口NOx预测模型、烟气量预测模型：

初始入口NOx预测模型、初始出口NOx预测模型与初始烟气量预测模型为基于TensorFlow深度学习框架，不同的预测模型采用不同的历史数据进行训练；

所述初始入口NOx预测模型训练过程的输入包括机组负荷、总风量、总煤量、一次风量与氧量的历史数据集，输出为入口NOx浓度值，若计算获得历史样本的全局误差小于设定的最小误差，则入口NOx预测模型训练完成；

所述出口NOx预测模型训练过程的输入包括机组负荷、总风量、总煤量、喷氨量和入口NOx的历史数据集，输出为出口NOx浓度值，若计算获得历史样本的全局误差小于设定的最小误差，则出口NOx预测模型模型训练完成；

所述烟气量预测模型训练过程的输入包括机组负荷、入口NOx、出口NOx、氧量和总风量的历史数据集，输出为出口为烟气量，若计算获得历史样本的全局误差小于设定的最小误差，则烟气量预测模型模型训练完成。

在上述方案中，所述决策单元包括历史数据库、实时数据库和智能运算模块；

所述历史数据库用于存储机组运行过程中锅炉系统、脱硝系统的历史数据，包括机组负荷、总煤量、总风量、一次风量、氧量、入口NOx、出口NOx、喷氨量与烟气量参数，用于训练初始入口NOx预测模型、初始出口NOx预测模型与初始烟气量预测模型；

所述实时数据库用于存储机组运行过程中的当前时刻的锅炉系统、脱硝系统数据；包括机组负荷、总煤量、总风量、一次风量、氧量、入口NOx、出口NOx、喷氨量与烟气量参数；

所述智能运算模块用于训练初始入口NOx预测模型、初始出口NOx预测模型与初始烟气量预测模型，并确定训练好的入口NOx预测模型、出口NOx预测模型与烟气量预测模型；所述智能运算模块根据所述实时数据库中的相应的数据与训练好的入口NOx预测模型、出口NOx预测模型与烟气量预测模型分别实时计算的入口NOx浓度、出口NOx浓度与烟气量。

在上述方案中，所述TensorFlow深度学习框架包含输入层、隐含层、输出层的三层前馈-反向神经网络架构；该网络架构的建立主要包括以下过程：

步骤100：确定神经网络的输入神经元个数、输出神经元个数及隐含层的神经元个数；初始化网络连接权重、偏置，并设定最小误差值；

步骤200：根据采集的历史数据样本，假设第i个样本的输入为向量x，输出为y_i，并根据初始的网络模型计算输出层的输出

得到第i个样本的误差：

步骤300：根据计算的误差E_i，通过反向传播训练调整输出层与隐含层、隐含层与输入层之间的权重和偏置，得到新的权重和偏置；

步骤400：计算所有采集历史数据样本的全局误差，如下式：

其中，n为历史样本数据集的个数；

步骤500：判断E是否小于设定的最小误差值，如果小于，则结束训练，获得最优深度学习网络模型，否则返回步骤200。

在上述方案中，通过输入包含机组负荷、总风量、总煤量、一次风量与氧量的实时数据集至所述TensorFlow深度学习框架训练获得最优入口NOx预测模型；

通过输入包含机组负荷、总风量、总煤量、喷氨量和入口NOx的实时数据集至所述TensorFlow深度学习框架训练获得最优出口NOx预测模型；

通过输入包含机组负荷、总风量、总煤量、一次风量与氧量的实时数据集至所述TensorFlow深度学习框架训练获得最优烟气量预测模型。

在上述方案中，所述阀门指令运算单元为PLC控制器；

PLC控制器根据所述决策单元预测传输至的入口NOx浓度、出口NOx浓度于烟气量参数计算当前时刻的最优喷氨量，并将所述最优喷氨量转换成SCR喷氨阀门控制指令，并转换成SCR喷氨阀门控制指令传输至所述数据采集单元，其喷氨量计算公式如下式：

式中，Q为烟气量预测值；C_{NOx_in}为入口NOx预测值；C_{NOx_out}为出口NOx预测值，M_NOx和M_NH3分别为NOx和NH3摩尔质量。

在上述方案中，所述阀门指令运算单元与所述数据采集单元通过采用RS485串口及MODBUS通讯协议连接；

所述阀门指令运算单元和所述决策单元通过OPC协议连接。

在上述方案中，所述PLC控制器为西门子S7-300 PLC控制器。

本发明决策单元3通过数据采集单元1获取的锅炉系统、脱硝系统运行数据计算出入口NOx浓度、出口NOx浓度与烟气量，且阀门指令运算单元2通过这三个参数计算出当前时刻的最优喷氨量，数据采集单元1根据最优喷氨量实现控制了SCR反应器喷氨系统的喷氨量，从而实现了脱硝喷氨过程的自学习、自适应，真正实现脱硝的自动化，大大减少运行人员的工作量，提高脱硝系统的控制水平和效率。

附图说明

为了更清楚地说明本发明具体实施方式或现有技术中的技术方案，下面将对具体实施方式或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施方式，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1为本发明提供的系统整体结构示意图；

图2为本发明中智能化运算模块神经网络建立流程图。

附图标记说明：

1：数据采集单元；2：阀门指令运算单元；3：决策单元；4：锅炉系统；5：省煤器；6：空预器；7：SCR反应器；8：SCR喷氨阀门；9：氨储存器；10-13：数据传感器；14：DCS系统；18：实时数据库；19：历史数据库；20：智能运算模块。

具体实施方式

本发明提供的一种智能的喷氨优化控制系统，能够完全实现脱硝的自动化工作，能够实时、快速、稳定、有效地对SCR脱硝系统出口处的NOx浓度进行控制，且可以适应不同的工况，保证机组运行和电网的安全稳定性。最终在保证SCR反应器出口NOx达标排放的条件下，实现最优的喷氨量。

下面将结合实施例对本发明的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

在本发明的描述中，需要理解的是，术语"第一"、"第二"仅用于描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有"第一"、"第二"的特征可以明示或者隐含地包括一个或者更多个所述特征。在本发明的描述中，"多个"的含义是两个或两个以上，除非另有明确具体的限定。此外，术语“安装”、“相连”、“连接”应做广义理解，例如，可以是固定连接，也可以是可拆卸连接，或一体地连接；可以是机械连接，也可以是电连接；可以是直接相连，也可以通过中间媒介间接相连，可以是两个元件内部的连通。对于本领域的普通技术人员而言，可以具体情况理解上述术语在本发明中的具体含义。

如图1所示，本发明提供了一种智能的喷氨优化控制系统，包括

与阀门指令运算单元2通信连接的数据采集单元1和决策单元3；

所述数据采集单元1实现锅炉系统、脱硝系统数据的采集及DCS指令的接收和发送；将实时采集的锅炉系统、脱硝系统运行数据并发送至所述决策单元3；

所述决策单元3根据所述数据采集单元1传输至的所述脱硝系统运行数据计算获得实现喷氨过程中实时的入口NOx浓度、出口NOx浓度与烟气量，并传输至所述阀门指令运算单元2；

所述阀门指令运算单元2根据传输至的入口NOx浓度、出口NOx浓度与烟气量参数计算当前时刻的最优喷氨量，并转换成SCR喷氨阀门控制指令传输至所述数据采集单元1，所述数据采集单元1根据SCR喷氨阀门控制指令控制SCR反应器喷氨系统的喷氨量。

本系统的决策单元3通过数据采集单元1获取的锅炉系统、脱硝系统运行数据计算出入口NOx浓度、出口NOx浓度与烟气量，且阀门指令运算单元2通过这三个参数计算出当前时刻的最优喷氨量，数据采集单元1根据最优喷氨量实现控制了SCR反应器喷氨系统的喷氨量，从而实现了脱硝喷氨过程的自学习、自适应，真正实现脱硝的自动化，大大减少运行人员的工作量，提高脱硝系统的控制水平和效率。

本实施例中，数据采集单元1包括由锅炉系统4，省煤器5，空预器6与SCR反应器7的烟气脱硝系统；还包括通过数据传感器10-13与锅炉系统4连接的DCS系统14，氨储存器9通过管道与SCR反应器7中设置的喷氨口连接，所述管道上设置SCR喷氨阀门8；数据传感器10-13采集的数据主要包括机组负荷、总煤量、总风量、一次风量、氧量、入口NOx、出口NOx、喷氨量、烟气量等参数；本实施例，设置数据传感器10-13是为了实现不同的数据设置不同的采集点，一个采集点对应设置连接一个数据传感器。

本实施例，所述数据采集传感器采集的数据主要包括机组负荷、总煤量、总风量、一次风量、氧量、入口NOx、出口NOx、喷氨量与烟气量的系统参数。DCS系统14实现采集数据指令以及SCR反应器喷氨阀门控制指令的发送。

所述SCR喷氨阀门和阀门指令运算单元2与DCS系统14通信连接，DCS系统14通过发送SCR反应器喷氨阀门指令控制SCR喷氨阀门的开合。

阀门指令运算单元2与决策单元3通过OPC通讯协议连接。

决策单元3包括训练完成的入口NOx预测模型、出口NOx预测模型、烟气量预测模型，且通过实时传输到锅炉系统、脱硝系统数据根基上述三个模型分别计算获得当前时刻的入口NOx浓度值、出口NOx浓度值和烟气量。

本实施例，所述决策单元3为内嵌智能化方法的服务器，包括实时数据库18、历史数据库19和智能运算模块20；所述历史数据库19用于存储数据采集单元1采集的机组运行过程中锅炉系统、脱硝系统的历史数据，包括机组负荷、总煤量、总风量、一次风量、氧量、入口NOx、出口NOx、喷氨量与烟气量参数，用于训练初始入口NOx预测模型、初始出口NOx预测模型与初始烟气量预测模型；所述实时数据库18用于存储数据采集单元1采集的机组运行过程中的当前时刻的锅炉系统、脱硝系统数据；包括机组负荷、总煤量、总风量、一次风量、氧量、入口NOx、出口NOx、喷氨量与烟气量参数；智能运算模块20用于训练初始入口NOx预测模型、初始出口NOx预测模型与初始烟气量预测模型，并确定训练好的入口NOx预测模型、出口NOx预测模型与烟气量预测模型；

所述智能运算模块20根据所述实时数据库18中的相应的数据与训练好的入口NOx预测模型、出口NOx预测模型与烟气量预测模型分别实时计算的入口NOx浓度、出口NOx浓度与烟气量。

本实施例中，所述智能运算模块20主要基于Python语言，采用TensorFlow框架的深度学习方法建立模型。所述深度学习方法包含输入层、隐含层、输出层的三层前馈-反向神经网络架构，如图2所示，该网络架构的建立主要包括以下过程：

步骤100：确定神经网络的输入神经元个数、输出神经元个数、隐含层的神经元个数。初始化网络连接权重、偏置，并设定最小误差值。

步骤200：根据采集的历史数据样本，假设第i个样本的输入为向量x，输出为y_i，并根据初始的网络模型计算输出层的输出

得到第i个样本的误差

步骤300：根据计算的误差E_i，通过反向传播训练调整输出层与隐含层、隐含层与输入层之间的权重和偏置，得到新的权重和偏置；

步骤400：计算所有采集历史数据样本的全局误差：

式中，n为历史样本数据集的个数。

步骤500：判断E是否小于设定的最小误差，如果小于，则结束训练，获得最优深度学习网络模型；否则返回步骤200继续训练。

本实施例，通过采用TensorFlow框架的深度学习方法建立模型包括优点：

(1)建立的三个模型为多输入单输出的网络，非线性关系较高，该网络具有较强的非线性映射能力，能够很好地建立输入和输出之间的关系；

(2)该网络能够通过学习自动提取输出、输出数据间的“合理规则”，并自适应的将学习内容记忆于网络的权值中，具有高度自学习和自适应的能力。

本实施例，通过上述架构训练的深度学习模型主要包括入口NOx预测模型、出口NOx预测模型、烟气量预测模型等，其中，不同的预测模型采用不同的历史数据进行训练，其中，

所述初始入口NOx预测模型训练时将实时数据库20中机组负荷、总风量、总煤量、一次风量、氧量数据作为输入数据，输出为入口NOx浓度值，训练获得入口NOx预测模型；

所述初始出口NOx预测模型训练时将实时数据库20中机组负荷、总风量、总煤量、喷氨量和入口NOx数据作为输入数据，输出为出口NOx浓度值，训练获得出口NOx预测模型；

所述初始烟气量预测模型训练时将实时数据库20中机组负荷、入口NOx、出口NOx、氧量和总风量数据作为输入数据，输出为烟气量，训练获得烟气量预测模型。

根据上述训练得到的3个最优深度学习预测模型，将实时数据库18接收的实时传送的机组负荷、总煤量、总风量、一次风量、氧量、入口NOx、出口NOx、喷氨量与烟气量对应的惨参数分别输送至上述3个最优深度学习预测模型，并得到当前时刻的入口NOx浓度值、出口NOx浓度值和烟气量，并将此3个参数通过OPC通信协议传送至阀门指令运算单元中参与计算获得当前时刻的最优喷氨量。

本实施例优选，所述阀门指令运算模块主要为PLC控制器，PLC控制器中内嵌基于STEP软件编写的串级PID控制逻辑，主要根据预测的入口NOx浓度、出口NOx浓度、烟气量参数计算当前时刻的最优喷氨量，并将其转换成SCR喷氨阀门控制指令，并采用RS485串口及MODBUS通讯协议将阀门指令发送至DCS系统，其喷氨量计算公式为：

式中，Q为烟气量预测值；C_{NOx_in}为入口NOx预测值；C_{NOx_out}为出口NOx预测值，MNOx和MNH3分别为NOx和NH3摩尔质量。

本实施例优选，阀门指令运算单元2为西门子S7-300 PLC控制器。

本发明技术效果如下：

(1)本发明提供的一种智慧化的喷氨优化控制系统，能够完全实现脱硝的自动化工作，保证SCR反应器出口NOx达标排放。

(2)该系统能够实时、快速、稳定、有效地对SCR脱硝系统出口处的NOx浓度进行控制，且可以适应不同的工况，保证机组运行和电网的安全稳定性。

(3)整个过程采用智能化控制方法进行控制，控制精度较高，最大限度地减少喷氨量，节约成本。

本发明不局限于上述最佳实施方式，任何人应该得知在本发明的启示下做出的结构变化，凡是与本发明具有相同或相近的技术方案，均落入本发明的保护范围之内。

Claims (8)

1.一种智能的喷氨优化控制系统，其特征在于，包括：

与阀门指令运算单元（2）通信连接的数据采集单元（1）和决策单元（3）；

所述数据采集单元（1）实现锅炉系统、脱硝系统运行数据的采集及DCS指令的接收和发送；将实时采集的锅炉系统、脱硝系统运行数据发送至所述决策单元（3）；

所述决策单元（3）根据所述数据采集单元（1）传输至的所述脱硝系统运行数据计算获得实现喷氨过程中实时的入口NOx浓度、出口NOx浓度与烟气量，并传输至所述阀门指令运算单元（2）；

所述阀门指令运算单元（2）根据传输至的入口NOx浓度、出口NOx浓度与烟气量参数计算当前时刻的最优喷氨量，并转换成SCR喷氨阀门控制指令传输至所述数据采集单元（1），所述数据采集单元（1）根据SCR喷氨阀门控制指令控制SCR反应器喷氨系统当前时刻的喷氨量；

所述决策单元（3）包括训练完成的入口NOx预测模型、出口NOx预测模型、烟气量预测模型，且利用实时接收的锅炉系统、脱硝系统运行数据，根据上述三个模型分别计算获得当前时刻的入口NOx浓度值、出口NOx浓度值和烟气量；

所述决策单元（3）通过以下方式训练获得入口NOx预测模型、出口NOx预测模型、烟气量预测模型：

初始入口NOx预测模型、初始出口NOx预测模型与初始烟气量预测模型为基于TensorFlow深度学习框架，不同的预测模型采用不同的历史数据进行训练；

所述初始入口NOx预测模型训练过程的输入包括机组负荷、总风量、总煤量、一次风量与氧量的历史数据集，输出为入口NOx浓度值，若计算获得历史样本的全局误差小于设定的最小误差，则入口NOx预测模型训练完成；

所述出口NOx预测模型训练过程的输入包括机组负荷、总风量、总煤量、喷氨量和入口NOx的历史数据集，输出为出口NOx浓度值，若计算获得历史样本的全局误差小于设定的最小误差，则出口NOx预测模型训练完成；

所述烟气量预测模型训练过程的输入包括机组负荷、入口NOx、出口NOx、氧量和总风量的历史数据集，输出为出口烟气量，若计算获得历史样本的全局误差小于设定的最小误差，则烟气量预测模型训练完成。

2.如权利要求1所述的系统，其特征在于，所述数据采集单元（1）包括数据采集传感器以及DCS系统，所述数据采集传感器采集的数据主要包括机组负荷、总煤量、总风量、一次风量、氧量、入口NOx、出口NOx、喷氨量与烟气量的系统参数；所述DCS系统实现采集数据指令以及SCR反应器喷氨阀门指令的发送。

3.如权利要求1所述的系统，其特征在于，所述决策单元（3）包括历史数据库（19）、实时数据库（18）和智能运算模块（20）；

所述历史数据库（19）用于存储机组运行过程中锅炉系统、脱硝系统的历史数据，包括机组负荷、总煤量、总风量、一次风量、氧量、入口NOx、出口NOx、喷氨量与烟气量参数，用于训练初始入口NOx预测模型、初始出口NOx预测模型与初始烟气量预测模型；

所述实时数据库（18）用于存储机组运行过程中的当前时刻的锅炉系统、脱硝系统数据；包括机组负荷、总煤量、总风量、一次风量、氧量、入口NOx、出口NOx、喷氨量与烟气量参数；

所述智能运算模块（20）用于训练初始入口NOx预测模型、初始出口NOx预测模型与初始烟气量预测模型，并确定训练好的入口NOx预测模型、出口NOx预测模型与烟气量预测模型；所述智能运算模块（20）根据所述实时数据库（18）中的相应的数据与训练好的入口NOx预测模型、出口NOx预测模型与烟气量预测模型分别实时计算的入口NOx浓度、出口NOx浓度与烟气量。

4.如权利要求1所述的系统，其特征在于，所述TensorFlow深度学习框架包含输入层、隐含层、输出层的三层前馈-反向神经网络架构；该网络架构的建立主要包括以下过程：

步骤100：确定神经网络的输入神经元个数、输出神经元个数及隐含层的神经元个数；初始化网络连接权重、偏置，并设定最小误差值；

步骤200：根据采集的历史数据样本，假设第i个样本的输入为向量x，输出为y _i ，并根据初始的网络模型计算输出层的输出

，得到第i个样本的误差：

；

步骤300：根据计算的误差E _i ，通过反向传播训练调整输出层与隐含层、隐含层与输入层之间的权重和偏置，得到新的权重和偏置；

步骤400：计算所有采集历史数据样本的全局误差，如下式：

；

其中，n为历史样本数据集的个数；

步骤500：判断E是否小于设定的最小误差值，如果小于，则结束训练，获得最优深度学习网络模型，否则返回步骤200。

5.如权利要求4所述的系统，其特征在于，通过输入包含机组负荷、总风量、总煤量、一次风量与氧量的实时数据集至所述TensorFlow深度学习框架训练获得最优入口NOx预测模型；

通过输入包含机组负荷、总风量、总煤量、喷氨量和入口NOx的实时数据集至所述TensorFlow深度学习框架训练获得最优出口NOx预测模型；

通过输入包含机组负荷、总风量、总煤量、一次风量与氧量的实时数据集至所述TensorFlow深度学习框架训练获得最优烟气量预测模型。

6.如权利要求1-5任意一项所述的系统，其特征在于，所述阀门指令运算单元为PLC控制器；

PLC控制器根据所述决策单元（3）预测传输至的入口NOx浓度、出口NOx浓度于烟气量参数计算当前时刻的最优喷氨量，并将所述最优喷氨量转换成SCR喷氨阀门控制指令，并转换成SCR喷氨阀门控制指令传输至所述数据采集单元（1），其喷氨量计算公式如下式：

式中，Q为烟气量预测值；C _{NOx_in} 为入口NOx预测值；C _{NOx_out} 为出口NOx预测值，M _NOx 和M _NH3 分别为NOx和NH₃摩尔质量。

7.如权利要求1所述的系统，其特征在于，所述阀门指令运算单元（2）与所述数据采集单元（1）通过采用RS485串口及MODBUS通讯协议连接；

所述阀门指令运算单元（2）和所述决策单元（3）通过OPC协议连接。

8.如权利要求6所述的系统，其特征在于，所述PLC控制器为西门子S7-300 PLC控制器。

Images