CN111880504A - 一种智能的动态分区喷氨控制方法和系统 - Google Patents
一种智能的动态分区喷氨控制方法和系统 Download PDFInfo
- Publication number
- CN111880504A CN111880504A CN202010823878.0A CN202010823878A CN111880504A CN 111880504 A CN111880504 A CN 111880504A CN 202010823878 A CN202010823878 A CN 202010823878A CN 111880504 A CN111880504 A CN 111880504A
- Authority
- CN
- China
- Prior art keywords
- nox concentration
- concentration
- module
- ammonia injection
- lstm
- 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.)
- Pending
Links
- QGZKDVFQNNGYKY-UHFFFAOYSA-N Ammonia Chemical compound N QGZKDVFQNNGYKY-UHFFFAOYSA-N 0.000 title claims abstract description 174
- 229910021529 ammonia Inorganic materials 0.000 title claims abstract description 87
- 238000000034 method Methods 0.000 title claims abstract description 59
- 238000005192 partition Methods 0.000 title claims abstract description 28
- 238000002347 injection Methods 0.000 title claims description 47
- 239000007924 injection Substances 0.000 title claims description 47
- 238000005507 spraying Methods 0.000 claims abstract description 37
- 230000001105 regulatory effect Effects 0.000 claims abstract description 16
- 238000007405 data analysis Methods 0.000 claims abstract description 11
- 238000004891 communication Methods 0.000 claims abstract description 4
- UGFAIRIUMAVXCW-UHFFFAOYSA-N Carbon monoxide Chemical compound [O+]#[C-] UGFAIRIUMAVXCW-UHFFFAOYSA-N 0.000 claims description 34
- 239000003546 flue gas Substances 0.000 claims description 34
- 238000013528 artificial neural network Methods 0.000 claims description 26
- QVGXLLKOCUKJST-UHFFFAOYSA-N atomic oxygen Chemical compound [O] QVGXLLKOCUKJST-UHFFFAOYSA-N 0.000 claims description 12
- 239000003245 coal Substances 0.000 claims description 12
- 239000001301 oxygen Substances 0.000 claims description 12
- 229910052760 oxygen Inorganic materials 0.000 claims description 12
- 210000002569 neuron Anatomy 0.000 claims description 9
- 230000000306 recurrent effect Effects 0.000 claims description 9
- 239000000779 smoke Substances 0.000 claims description 9
- 238000012549 training Methods 0.000 claims description 9
- 239000007789 gas Substances 0.000 claims description 6
- 230000007246 mechanism Effects 0.000 claims description 6
- 238000004364 calculation method Methods 0.000 claims description 5
- 230000008569 process Effects 0.000 claims description 4
- 230000001276 controlling effect Effects 0.000 claims description 3
- 238000003062 neural network model Methods 0.000 claims description 3
- 238000005457 optimization Methods 0.000 claims description 3
- 238000013316 zoning Methods 0.000 claims description 2
- 230000007613 environmental effect Effects 0.000 abstract description 4
- 239000000243 solution Substances 0.000 description 6
- 238000011217 control strategy Methods 0.000 description 4
- 238000005259 measurement Methods 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 239000003344 environmental pollutant Substances 0.000 description 2
- 231100000719 pollutant Toxicity 0.000 description 2
- 238000005070 sampling Methods 0.000 description 2
- 230000002411 adverse Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000010531 catalytic reduction reaction Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000006722 reduction reaction Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B19/00—Programme-control systems
- G05B19/02—Programme-control systems electric
- G05B19/418—Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS] or computer integrated manufacturing [CIM]
- G05B19/41875—Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS] or computer integrated manufacturing [CIM] characterised by quality surveillance of production
-
- 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
- B01D53/86—Catalytic processes
- B01D53/8621—Removing nitrogen compounds
- B01D53/8625—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
- B01D53/86—Catalytic processes
- B01D53/8696—Controlling the catalytic process
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B11/00—Automatic controllers
- G05B11/01—Automatic controllers electric
- G05B11/36—Automatic controllers electric with provision for obtaining particular characteristics, e.g. proportional, integral, differential
- G05B11/42—Automatic controllers electric with provision for obtaining particular characteristics, e.g. proportional, integral, differential for obtaining a characteristic which is both proportional and time-dependent, e.g. P. I., P. I. D.
-
- 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
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/02—Total factory control, e.g. smart factories, flexible manufacturing systems [FMS] or integrated manufacturing systems [IMS]
Landscapes
- Engineering & Computer Science (AREA)
- Environmental & Geological Engineering (AREA)
- Chemical & Material Sciences (AREA)
- Health & Medical Sciences (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Automation & Control Theory (AREA)
- Biomedical Technology (AREA)
- Analytical Chemistry (AREA)
- General Chemical & Material Sciences (AREA)
- Oil, Petroleum & Natural Gas (AREA)
- Chemical Kinetics & Catalysis (AREA)
- Quality & Reliability (AREA)
- Manufacturing & Machinery (AREA)
- General Engineering & Computer Science (AREA)
- Treating Waste Gases (AREA)
Abstract
本发明提供了一种智能的动态分区喷氨控制方法和系统，该方法包括智能总量控制方法和智能分区控制方法。本发明还提供了一种利用上述方法的喷氨系统，包括DCS系统模块、PLC控制器模块和大数据分析模块；所述DCS系统模块通过LC卡件，采用MODBUS通信协议与PLC控制器模块连接，所述PLC控制器模块通过TCP/IP协议与大数据分析模块连接。本发明既能有效地控制脱硝反应器的喷氨总量，又能够根据各支管调节阀保证喷氨的均匀性，有效地降低氨逃逸，达到环保排放的目标。
Description
技术领域
本发明涉及燃煤电厂烟气脱硝技术领域，尤其是涉及一种智能的动态分区喷氨控制方法和系统。
背景技术
随着国家一系列政策和法规的颁布，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，氨逃逸率增加，造成下游空预器堵塞和腐蚀。所以，氨量的控制对脱硝系统至关重要。喷氨量控制一方面要控制总量，另一方面要保证喷氨的均匀性。
喷氨总量控制方式常采单回路的出口NOx定值控制策略、固定摩尔比控制策略、串级PID控制策略，其主要根据出口NOx浓度与其设定值之间的偏差调整总量控制阀门的开度，但SCR反应器出口NOx浓度往往采用单点取样或多点取样混合后测量，测量值不足以代表SCR出口的浓度，得到的喷氨量并不能达到最优，同时出口NOx浓度存在大迟延、大滞后的特征，目前的控制策略控制效果较差。喷氨均匀性主要根据通过人工调整手动调节阀，每次调整工作量较大、耗时较长。
因此，为了使脱硝反应器出口NOx浓度达到经济且环保的目标，其喷氨总量调整的适量性以及喷氨的均匀性问题是当前脱硝领域亟需解决的一个问题。
发明内容
本发明的目的是提供一种智能的动态分区喷氨控制方法和系统，本发明既能有效地控制脱硝反应器的喷氨总量，又能够根据各支管调节阀保证喷氨的均匀性，有效地降低氨逃逸，达到环保排放的目标。
为实现上述目的，本发明提供了如下方案：
智能的动态分区喷氨控制方法包括：
步骤100智能总量控制方法：根据锅炉系统参数及SCR运行历史数据，预测SCR入口NOx浓度和烟气量浓度，并当做喷氨控制器的前馈信号，控制器给出最终的总量喷氨阀门的指令；
步骤200分区控制方法：以总量控制阀门得到的喷氨量为总的喷氨量，根据智能喷配控制器得到每个支管调节阀的喷氨量；所述智能分配控制器是根据每个分区的出口NOx浓度与设定值之间的偏差，计算每个支管调节阀的相对比例，并据此得到支管调节阀的开度。
优选地，步骤100中采用LSTM方法预测SCR入口NOx浓度和烟气量浓度。
优选地，步骤100中控制器采用串级PID控制。
优选地，步骤100具体包括：
步骤1001入口NOx浓度预测：根据锅炉系统参数及SCR运行历史数据，选择与入口NOx浓度相关的影响因素，包括：机组负荷、总风量、总煤量、烟气含氧量、磨煤机给煤量、二次风门开度、燃尽风门开度和炉膛出口温度；入口NOx浓度预测方法采用LSTM神经网络方法，其输入为与入口NOx浓度相关的影响因素，输出为入口NOx浓度；
步骤1002烟气量浓度预测：根据锅炉系统参数及SCR运行历史数据，选择与烟气量相关的影响因素，包括：机组负荷、总风量、氧量，采用LSTM神经网络方法，其输入为机组负荷、总风量、氧量等，输出为烟气量；
步骤1003串级PID控制：主PID控制器根据出口NOx浓度与设定值的偏差，计算得到喷氨量，为了解决系统的滞后、非线性特性，将入口NOx浓度与烟气量浓度参数作为主PID控制器的前馈；副PID控制器根据实际喷氨量与主PID控制器输出的偏差计算的总量喷氨阀门的控制指令。
优选地，在步骤1001和1002中的LSTM神经网络方法具体包括：
建立LSTM循环神经网络结构，所述LSTM循环神经网络结构为多输入单输出的三层模型；第一层为输入层，训练数据集中与NOx排放量相关的运行时间序列数据；第二层为隐含层，为LSTM循环网络结构，LSTM隐含层采用LSTM单元，该单元具有三个门和一个状态更新单元；三个门分别为输入门、遗忘门和输出门，输入门用来决定当前时刻网络的输入有多少保存到单元状态中；遗忘门决定上一时刻当前的状态有多少信息保留到当前时刻；输出门用来控制单元状态有多少输出到当前输出值；第三层为输出层，对应的是入口NOx浓度或烟气量预测结果；
训练LSTM循环神经网络模型，训练过程包括：前向计算每个神经元的输出值、反向计算每个神经元的误差值以及计算每个神经元之间权重梯度和偏置梯度。
优选地，步骤200具体包括：
步骤2001计算出口NOx浓度偏差：根据各分区出口NOx浓度测量仪表测量得到的出口NOx浓度以及运行人员设定的出口NOx的设定值，计算各分区出口NOx浓度与设定值之间的偏差，记为A1，A2，……，An；
步骤2002计算各分区喷氨量权重系数：基于偏差值A1，A2，……，An，根据公式wi＝Ai/(A1+A2+……+An)，得到每个分区的相对权重wi；
步骤2003根据步骤100得到的总量喷氨阀门开度指令M及每个分区的相对权重wi，得到各分区各支管调节阀的开度M×wi。
本发明还提供一种智能的动态分区喷氨控制系统，包括：DCS系统模块、PLC控制器模块和大数据分析模块；所述DCS系统模块通过LC卡件，采用MODBUS通信协议与PLC控制器模块连接，所述PLC控制器模块通过TCP/IP协议与大数据分析模块连接。
优选地，所述DCS系统模块负责智能分区喷氨优化控制系统数据的采集以及上级模块阀门开度指令的执行；采集的数据是通过对燃煤机组烟气生成机理及SCR系统机理分析，确定与入口NOx浓度、烟气量浓度相关的影响因素，包括：机组负荷、出入口NOx浓度、烟气量、氧量、总风量、总煤量和喷氨量。
优选地，所述PLC控制器模块根据所述DCS系统模块采集的数据通过控制逻辑实现总量控制阀门开度以及各分区喷氨控制阀门开度指令的计算。
优选地，所述大数据分析模块内嵌LSTM神经网络方法，根据所述DCS系统模块采集的数据，采用该方法计算得到入口NOx预测浓度及烟气量浓度，并将计算结果反馈至PLC控制器，为PLC控制逻辑提供控制参数。
与现有技术相比，本发明的有益效果是：
1.本发明克服了传统脱硝反应器入口NOx浓度测量滞后、烟气量测不准的问题，能够使SCR脱硝反应器控制得到快速有效的控制；
2.本发明能够解决SCR反应器出口NOx浓度不均匀导致的喷氨量不均匀问题，解决下游设备堵塞的问题；
3.本发明能够使得出口NOx浓度稳定在设定值附近，具有调节速度快、调节品质高的特征；
4.本发明喷氨控制系统具有安装简单、技改成本较低的特点，提高了分区喷氨调节的品质，减轻了氨逃逸对SCR脱硝装置下游设备的不利影响。
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为本发明一种智能的动态分区喷氨控制方法流程图；
图2为本发明具体实施流程示意图；
图3为本发明一种智能的动态分区喷氨控制系统的结构示意图。
具体实施方式
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"中心"、"纵向"、"横向"、"长度"、"宽度"、"厚度"、"上"、"下"、"前"、"后"、"左"、"右"、"竖直"、"水平"、"顶"、"底"、"内"、"外"、"顺时针"、"逆时针"等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。
此外，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。
本发明提供了一种智能的动态分区喷氨控制方法，克服了脱硝反应器入口NOx浓度测量滞后、烟气量测不准、喷氨量不均匀等问题，既能有效地控制脱硝反应器的喷氨总量，又能够根据各支管调节阀保证喷氨的均匀性，有效地降低氨逃逸，达到环保排放的目标。
为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合附图和具体实施方式对本发明作进一步详细的说明。
如图1所示，本发明实施例提供的智能的动态分区喷氨控制方法具体包括以下步骤：
步骤100智能总量控制方法：根据锅炉系统参数及SCR运行历史数据，采用LSTM方法预测SCR入口NOx浓度和烟气量浓度，并当做喷氨控制器的前馈信号，控制器采用串级PID控制，得到最终的总量喷氨阀门的指令；
步骤200分区控制方法：以总量控制阀门得到的喷氨量为总的喷氨量，根据智能喷配控制器得到每个支管调节阀的喷氨量；所述智能分配控制器是根据每个分区的出口NOx浓度与设定值之间的偏差，计算每个支管调节阀的相对比例，并据此得到支管调节阀的开度。
图2为本发明实施例的具体流程示意图，具体实现过程如下：
入口NOx浓度预测：根据锅炉系统参数及SCR运行历史数据，选择与入口NOx浓度相关的影响因素，包括：机组负荷、总风量、总煤量、烟气含氧量、磨煤机给煤量、二次风门开度、燃尽风门开度和炉膛出口温度；入口NOx浓度预测方法采用LSTM神经网络方法，其输入为与入口NOx浓度相关的影响因素，输出为入口NOx浓度；
烟气量浓度预测：根据锅炉系统参数及SCR运行历史数据，选择与烟气量相关的影响因素，包括：机组负荷、总风量、氧量，采用LSTM神经网络方法，其输入为机组负荷、总风量、氧量等，输出为烟气量；
串级PID控制：主PID控制器根据出口NOx浓度与设定值的偏差，计算得到喷氨量，为了解决系统的滞后、非线性特性，将入口NOx浓度与烟气量浓度参数作为主PID控制器的前馈；副PID控制器根据实际喷氨量与主PID控制器输出的偏差计算的总量喷氨阀门的控制指令。
建立LSTM循环神经网络结构，所述LSTM循环神经网络结构为多输入单输出的三层模型；第一层为输入层，训练数据集中与NOx排放量相关的运行时间序列数据；第二层为隐含层，为LSTM循环网络结构，LSTM隐含层采用LSTM单元，该单元具有三个门和一个状态更新单元；三个门分别为输入门、遗忘门和输出门，输入门用来决定当前时刻网络的输入有多少保存到单元状态中；遗忘门决定上一时刻当前的状态有多少信息保留到当前时刻；输出门用来控制单元状态有多少输出到当前输出值；第三层为输出层，对应的是入口NOx浓度或烟气量预测结果；
训练LSTM循环神经网络模型，训练过程包括：前向计算每个神经元的输出值、反向计算每个神经元的误差值以及计算每个神经元之间权重梯度和偏置梯度。
计算出口NOx浓度偏差：根据各分区出口NOx浓度测量仪表测量得到的出口NOx浓度以及运行人员设定的出口NOx的设定值，计算各分区出口NOx浓度与设定值之间的偏差，记为A1，A2，……，An；
就算各分区喷氨量权重系数：基于偏差值A1，A2，……，An，根据公式wi＝Ai/(A1+A2+……+An)，得到每个分区的相对权重wi；
根据步骤100得到的总量喷氨阀门开度指令M及每个分区的相对权重wi，得到各分区各支管调节阀的开度M×wi。
图3为本发明实施例用于智能的动态分区喷氨控制系统的结构示意图。智能的动态分区喷氨控制系统包括DCS系统模块、PLC控制器模块和大数据分析模块。所述DCS系统模块通过LC卡件，采用MODBUS通信协议与PLC控制器模块连接，所述PLC控制器模块通过TCP/IP协议与大数据分析模块连接。
所述DCS系统模块主要负责智能分区喷氨优化控制系统数据的采集以及上级模块阀门开度指令的执行。所述采集的数据主要是通过对燃煤机组烟气生成机理及SCR系统机理分析，确定的与入口NOx浓度、烟气量浓度相关的影响因素，主要包括机组负荷、出入口NOx浓度、烟气量、氧量、总风量、总煤量、喷氨量等。
所述PLC控制器模块主要根据DCS采集的数据通过控制逻辑实现总量控制阀门开度以及各分区喷氨控制阀门开度指令的计算。
所述大数据分析模块内嵌LSTM神经网络方法，主要根据DCS采集的数据，采用该方法计算得到入口NOx预测浓度及烟气量浓度，并将计算结果反馈至PLC控制器，为PLC控制逻辑提供控制参数。
最后应说明的是：以上各实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述各实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分或者全部技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的范围。
Claims (10)
1.一种智能的动态分区喷氨控制方法，其特征在于，包括：
步骤100智能总量控制方法：根据锅炉系统参数及SCR运行历史数据，预测SCR入口NOx浓度和烟气量浓度，并当做喷氨控制器的前馈信号，控制器给出最终的总量喷氨阀门的指令；
步骤200分区控制方法：以总量控制阀门得到的喷氨量为总的喷氨量，根据智能喷配控制器得到每个支管调节阀的喷氨量；所述智能分配控制器是根据每个分区的出口NOx浓度与设定值之间的偏差，计算每个支管调节阀的相对比例，并据此得到支管调节阀的开度。
2.根据权利要求1所述的一种智能的动态分区喷氨控制方法，其特征在于，步骤100中采用LSTM方法预测SCR入口NOx浓度和烟气量浓度。
3.根据权利要求2所述的一种智能的动态分区喷氨控制方法，其特征在于，步骤100中控制器采用串级PID控制。
4.根据权利要求3所述的一种智能的动态分区喷氨控制方法，其特征在于，步骤100具体包括：
步骤1001入口NOx浓度预测：根据锅炉系统参数及SCR运行历史数据，选择与入口NOx浓度相关的影响因素，包括：机组负荷、总风量、总煤量、烟气含氧量、磨煤机给煤量、二次风门开度、燃尽风门开度和炉膛出口温度；入口NOx浓度预测方法采用LSTM神经网络方法，其输入为与入口NOx浓度相关的影响因素，输出为入口NOx浓度；
步骤1002烟气量浓度预测：根据锅炉系统参数及SCR运行历史数据，选择与烟气量相关的影响因素，包括：机组负荷、总风量、氧量，采用LSTM神经网络方法，其输入为机组负荷、总风量、氧量等，输出为烟气量；
步骤1003串级PID控制：主PID控制器根据出口NOx浓度与设定值的偏差，计算得到喷氨量，为了解决系统的滞后、非线性特性，将入口NOx浓度与烟气量浓度参数作为主PID控制器的前馈；副PID控制器根据实际喷氨量与主PID控制器输出的偏差计算的总量喷氨阀门的控制指令。
5.根据权利要求4所述的一种智能的动态分区喷氨控制方法，其特征在于，在步骤1001和1002中的LSTM神经网络方法具体包括：
建立LSTM循环神经网络结构，所述LSTM循环神经网络结构为多输入单输出的三层模型；第一层为输入层，训练数据集中与NOx排放量相关的运行时间序列数据；第二层为隐含层，为LSTM循环网络结构，LSTM隐含层采用LSTM单元，该单元具有三个门和一个状态更新单元；三个门分别为输入门、遗忘门和输出门，输入门用来决定当前时刻网络的输入有多少保存到单元状态中；遗忘门决定上一时刻当前的状态有多少信息保留到当前时刻；输出门用来控制单元状态有多少输出到当前输出值；第三层为输出层，对应的是入口NOx浓度或烟气量预测结果；
训练LSTM循环神经网络模型，训练过程包括：前向计算每个神经元的输出值、反向计算每个神经元的误差值以及计算每个神经元之间权重梯度和偏置梯度。
6.根据权利要求1所述的一种智能的动态分区喷氨控制方法，其特征在于，步骤200具体包括：
步骤2001计算出口NOx浓度偏差：根据各分区出口NOx浓度测量仪表测量得到的出口NOx浓度以及运行人员设定的出口NOx的设定值，计算各分区出口NOx浓度与设定值之间的偏差，记为A1，A2，……，An；
步骤2002计算各分区喷氨量权重系数：基于偏差值A1，A2，……，An，根据公式wi＝Ai/(A1+A2+……+An)，得到每个分区的相对权重wi；
步骤2003根据步骤100得到的总量喷氨阀门开度指令M及每个分区的相对权重wi，得到各分区各支管调节阀的开度M×wi。
7.一种基于权利要求1至权利要求6任一项所述方法的智能的动态分区喷氨控制系统，其特征在于，包括：DCS系统模块、PLC控制器模块和大数据分析模块；所述DCS系统模块通过LC卡件，采用MODBUS通信协议与PLC控制器模块连接，所述PLC控制器模块通过TCP/IP协议与大数据分析模块连接。
8.根据权利要求7所述的一种智能的动态分区喷氨控制系统，其特征在于，所述DCS系统模块负责智能分区喷氨优化控制系统数据的采集以及上级模块阀门开度指令的执行；采集的数据是通过对燃煤机组烟气生成机理及SCR系统机理分析，确定与入口NOx浓度、烟气量浓度相关的影响因素，包括：机组负荷、出入口NOx浓度、烟气量、氧量、总风量、总煤量和喷氨量。
9.根据权利要求8所述的一种智能的动态分区喷氨控制系统，其特征在于，所述PLC控制器模块根据所述DCS系统模块采集的数据通过控制逻辑实现总量控制阀门开度以及各分区喷氨控制阀门开度指令的计算。
10.根据权利要求9所述的一种智能的动态分区喷氨控制系统，其特征在于，所述大数据分析模块内嵌LSTM神经网络方法，根据所述DCS系统模块采集的数据，采用该方法计算得到入口NOx预测浓度及烟气量浓度，并将计算结果反馈至PLC控制器，为PLC控制逻辑提供控制参数。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010823878.0A CN111880504A (zh) | 2020-08-17 | 2020-08-17 | 一种智能的动态分区喷氨控制方法和系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010823878.0A CN111880504A (zh) | 2020-08-17 | 2020-08-17 | 一种智能的动态分区喷氨控制方法和系统 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN111880504A true CN111880504A (zh) | 2020-11-03 |
Family
ID=73203797
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010823878.0A Pending CN111880504A (zh) | 2020-08-17 | 2020-08-17 | 一种智能的动态分区喷氨控制方法和系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111880504A (zh) |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112619394A (zh) * | 2020-11-24 | 2021-04-09 | 呼和浩特科林热电有限责任公司 | 脱硝喷氨自适应控制方法、装置及脱硝系统 |
| CN112870949A (zh) * | 2021-01-05 | 2021-06-01 | 福建省福能龙安热电有限公司 | 一种氨水加热氨气的脱硝方法及装置 |
| CN113578007A (zh) * | 2021-08-10 | 2021-11-02 | 浙江浩普智能科技有限公司 | 一种基于分区喷氨的燃煤烟气scr脱硝调控系统及方法 |
| CN114779722A (zh) * | 2022-03-14 | 2022-07-22 | 上海发电设备成套设计研究院有限责任公司 | 一种用于燃煤电站锅炉的智慧燃烧优化控制系统及方法 |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103657374A (zh) * | 2013-12-12 | 2014-03-26 | 武汉华敏测控技术股份有限公司 | 脱硝装置喷氨分区实时优化控制系统及方法 |
| CN105597537A (zh) * | 2015-10-26 | 2016-05-25 | 烟台龙源电力技术股份有限公司 | 基于预测控制技术的脱硝控制方法及脱硝系统 |
| CN108664006A (zh) * | 2018-07-02 | 2018-10-16 | 大唐环境产业集团股份有限公司 | 一种基于分区控制和先进控制的scr脱硝智能喷氨优化方法及系统 |
| CN109304086A (zh) * | 2018-10-31 | 2019-02-05 | 华中科技大学 | 一种电站锅炉scr脱硝精细化喷氨控制方法 |
| CN110568129A (zh) * | 2019-09-26 | 2019-12-13 | 北京国电龙源环保工程有限公司 | 一种SCR脱硝出口混合及分区烟气NOx浓度检测系统及其方法 |
| CN210278790U (zh) * | 2019-04-18 | 2020-04-10 | 中国华电科工集团有限公司 | Scr喷氨系统及脱硝系统 |
| CN111522290A (zh) * | 2020-04-24 | 2020-08-11 | 大唐环境产业集团股份有限公司 | 一种基于深度学习方法的脱硝控制方法和系统 |
-
2020
- 2020-08-17 CN CN202010823878.0A patent/CN111880504A/zh active Pending
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103657374A (zh) * | 2013-12-12 | 2014-03-26 | 武汉华敏测控技术股份有限公司 | 脱硝装置喷氨分区实时优化控制系统及方法 |
| CN105597537A (zh) * | 2015-10-26 | 2016-05-25 | 烟台龙源电力技术股份有限公司 | 基于预测控制技术的脱硝控制方法及脱硝系统 |
| CN108664006A (zh) * | 2018-07-02 | 2018-10-16 | 大唐环境产业集团股份有限公司 | 一种基于分区控制和先进控制的scr脱硝智能喷氨优化方法及系统 |
| CN109304086A (zh) * | 2018-10-31 | 2019-02-05 | 华中科技大学 | 一种电站锅炉scr脱硝精细化喷氨控制方法 |
| CN210278790U (zh) * | 2019-04-18 | 2020-04-10 | 中国华电科工集团有限公司 | Scr喷氨系统及脱硝系统 |
| CN110568129A (zh) * | 2019-09-26 | 2019-12-13 | 北京国电龙源环保工程有限公司 | 一种SCR脱硝出口混合及分区烟气NOx浓度检测系统及其方法 |
| CN111522290A (zh) * | 2020-04-24 | 2020-08-11 | 大唐环境产业集团股份有限公司 | 一种基于深度学习方法的脱硝控制方法和系统 |
Non-Patent Citations (2)
| Title |
|---|
| 李元浩: "基于神经网络的电站锅炉NOx排放预测方法研究", 《中国优秀硕士学位论文全文数据库工程科技I辑》 * |
| 柚子皮: "《深度学习：循环神经网络RNN》", 1 September 2017 * |
Cited By (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112619394A (zh) * | 2020-11-24 | 2021-04-09 | 呼和浩特科林热电有限责任公司 | 脱硝喷氨自适应控制方法、装置及脱硝系统 |
| CN112619394B (zh) * | 2020-11-24 | 2022-12-02 | 呼和浩特科林热电有限责任公司 | 脱硝喷氨自适应控制方法、装置及脱硝系统 |
| CN112870949A (zh) * | 2021-01-05 | 2021-06-01 | 福建省福能龙安热电有限公司 | 一种氨水加热氨气的脱硝方法及装置 |
| CN112870949B (zh) * | 2021-01-05 | 2021-10-29 | 福建省福能龙安热电有限公司 | 一种加热氨水产生氨气的脱硝方法及装置 |
| CN113578007A (zh) * | 2021-08-10 | 2021-11-02 | 浙江浩普智能科技有限公司 | 一种基于分区喷氨的燃煤烟气scr脱硝调控系统及方法 |
| CN114779722A (zh) * | 2022-03-14 | 2022-07-22 | 上海发电设备成套设计研究院有限责任公司 | 一种用于燃煤电站锅炉的智慧燃烧优化控制系统及方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111880504A (zh) | 一种智能的动态分区喷氨控制方法和系统 | |
| CN108664006A (zh) | 一种基于分区控制和先进控制的scr脱硝智能喷氨优化方法及系统 | |
| CN109343349B (zh) | 一种基于喷氨量补偿器的scr烟气脱硝优化控制系统和方法 | |
| CN107561941B (zh) | 一种火电机组脱硝系统的全工况达标排放控制方法 | |
| CN108837698A (zh) | 基于先进测量仪表和先进控制算法的scr脱硝喷氨优化方法及系统 | |
| CN105797576B (zh) | 一种燃煤机组脱硝喷氨控制方法 | |
| CN104607042B (zh) | 一种基于约束预测控制的scr脱硝系统及方法 | |
| CN109190848B (zh) | 一种基于时延预估的SCR系统NOx排放浓度预测方法 | |
| CN108628177A (zh) | 一种基于模型自适应pid的scr脱硝智能喷氨优化方法及系统 | |
| CN105597537B (zh) | 基于预测控制技术的脱硝控制方法 | |
| CN109062053A (zh) | 一种基于多变量校正的脱硝喷氨控制方法 | |
| CN112619394B (zh) | 脱硝喷氨自适应控制方法、装置及脱硝系统 | |
| CN108837699A (zh) | 一种基于软测量和预测控制的scr脱硝智能喷氨优化方法及系统 | |
| CN108803309A (zh) | 一种基于软测量和模型自适应的scr脱硝智能喷氨优化方法及系统 | |
| CN105045089A (zh) | 一种基于出口NOx含量控制的锅炉脱硝控制方法及系统 | |
| CN110501901B (zh) | 基于全负荷精准脱硝要求的scr喷氨调节优化的方法 | |
| CN112070321B (zh) | 基于ga-lssvm的石灰石浆液供给控制方法、设备及介质 | |
| CN113578007A (zh) | 一种基于分区喷氨的燃煤烟气scr脱硝调控系统及方法 | |
| CN111897373A (zh) | 一种基于模型预测的scr脱硝装置喷氨流量调节方法 | |
| CN112221347A (zh) | 一种scr脱硝系统精准喷氨控制方法 | |
| CN113033873A (zh) | 基于入炉煤质测量的脱硫系统入口硫氧化物含量预测方法 | |
| CN113593653B (zh) | 一种湿法脱硫装置整体经济效益最优控制方法 | |
| CN113970937A (zh) | 一种scr脱硝精准喷氨控制方法 | |
| CN109833773A (zh) | 一种高效脱硝氨流量精确控制方法 | |
| CN114187976B (zh) | 一种基于实时测量数据的氧量预测方法 |
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 | ||
| RJ01 | Rejection of invention patent application after publication | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20201103 |