CN111897373B - 一种基于模型预测的scr脱硝装置喷氨流量调节方法 - Google Patents

Abstract

一种基于模型预测的SCR脱硝装置喷氨流量调节方法，首先训练并得到工业炉燃烧预测模型以及多变量预测控制模型，之后预测得到SCR反应器入口的氮氧化物浓度的预测值，再确定初始喷氨量；接着，根据校正后的SCR反应器入口氮氧化物浓度的预测值、SCR反应器的多变量参数以及所述多变量预测控制模型对SCR反应器出口的氮氧化物浓度进行预测以及根据SCR反应器出口氮氧化物浓度的预测值、测量值、设定值以及喷氨量构建性能指标函数，随后进行喷氨量的初步寻优；再之后，以喷氨量的初步寻优结果更新SCR反应器的实际喷氨量并作为下一次PSO算法的最佳位置初值，再对SCR反应器出口氮氧化物浓度进行预测，并返回步骤7继续采用PSO算法对性能指标进行优化，如此反复迭代。

Description

一种基于模型预测的SCR脱硝装置喷氨流量调节方法

技术领域

本发明涉及工业炉烟气脱销技术领域，具体而言，涉及一种基于模型预测的SCR脱硝装置喷氨流量调节方法。

背景技术

随着社会经济发展进程的不断加快，我国的氮氧化物排放量不断增加，因此面临巨大的氮氧化减排压力。SCR脱硝技术在国内燃煤电站中得到大规模应用，其具有脱硝效率高、技术成熟等优点。

目前SCR脱硝装置采用烟气在线监测系统(Continuous Emission MonitoringSystem，CEMS)采集脱硝反应催化剂床层入口的烟气组分，然后再进行比例-积分-微分(Proportion Integration Differentiation，PID)反馈控制。图1为现有PID控制系统原理图，如图1所示，PID反馈控制时，氨流量计算值为(入口氮氧化物浓度测量值-出口氮氧化物浓度测量值)×烟气量×氨氮摩尔比，其中氨氮摩尔比基本为固定值，入口氮氧化物浓度、出口氮氧化物浓度、烟气量通过仪表测量得到。

上述方案存在下述问题：

(1)入口、出口氮氧化物浓度采用CEMS系统测量，CEMS系统采样管线比较长，造成测量纯迟延较大，测量值有2-3分钟延迟；

(2)现有CEMS系统采用单点取样测量，因此导致测量数据不能代表整个截面平均浓度；

(3)采用PID控制，PID参数在初始设定好后就不再改变，所以在机组负荷运行工况变化时，脱硝系统调整不及时，容易出现超标排放；

为了保证达标排放，电厂运行人员将PID参数的设定值设定得非常低，导致喷氨量过大，控制系统超调量较大，系统响应速率较低。不仅浪费还原剂，还增加了后续设备堵塞的风险。

因此，开发一种基于模型预测的SCR喷氨流量调节系统，实现精准喷氨对于烟气SCR脱硝装置安全经济运行具有重要意义。

发明内容

本发明提供一种基于模型预测的SCR脱硝装置喷氨流量调节方法，用以解决上述现有技术存在的至少一个问题。

为达到上述目的，本发明提供了一种基于模型预测的SCR脱硝装置喷氨流量调节方法，其包括以下步骤：

步骤1：利用工业炉历史运行数据建立基于神经网络的工业炉燃烧预测模型，对所述工业炉燃烧预测模型进行训练测试并保存；

步骤2：利用SCR反应器的历史运行数据建立基于神经网络与PSO控制器的多变量预测控制模型，对所述多变量预测控制模型进行训练测试并保存；

步骤3：根据工业炉的当前运行参数和所述工业炉燃烧预测模型对SCR反应器入口的氮氧化物浓度进行预测，得到SCR反应器入口的氮氧化物浓度的预测值；

步骤4：根据SCR反应器入口的氮氧化物浓度的预测值和测量值之间的差值对氮氧化物浓度的预测值进行校正，并确定初始喷氨量；

步骤5：根据校正后的SCR反应器入口氮氧化物浓度的预测值、SCR反应器的多变量参数以及所述多变量预测控制模型对SCR反应器出口的氮氧化物浓度进行预测；

步骤6：根据SCR反应器出口氮氧化物浓度的预测值、测量值、设定值以及喷氨量构建性能指标函数；

步骤7：采用所述多变量预测控制模型中的PSO控制器对性能指标函数最小化，进行喷氨量的初步寻优；

步骤8：以喷氨量的初步寻优结果更新SCR反应器的实际喷氨量并作为下一次PSO算法的最佳位置初值，再对SCR反应器出口氮氧化物浓度进行预测，并返回步骤7继续采用PSO算法对性能指标进行优化，如此反复迭代，实现预测控制。

在本发明的一实施例中，步骤1中，所述工业炉燃烧预测模型为长短时记忆网络模型，用于预测SCR反应器入口的氮氧化物浓度。

在本发明的一实施例中，所述工业炉历史运行数据包括：工业炉运行负荷、烟气温度、总烟气量、一次风量、二次风量以及工业炉出口氮氧化物浓度。

在本发明的一实施例中，步骤2中，所述多变量预测控制模型包括预测部分和控制部分，其中预测部分为长短时记忆网络模型，控制部分为PSO优化控制器。

在本发明的一实施例中，所述SCR反应器的历史运行数据包括：SCR反应器入口氮氧化物浓度测量值、SCR反应器出口氮氧化物浓度测量值、SCR反应器出口氮氧化物浓度设定值、喷氨量、总烟气量以及烟气温度。

在本发明的一实施例中，步骤4中，按照公式(1)和公式(2)计算SCR反应器入口氮氧化物浓度修正后的预测值和初始喷氨量：

I_p(k)＝I_m(k)+λ(I_c(k)-I_m(k)) (1)

u(k)＝(I_p(k)-O_c(k))×M×N (2)

其中，k为当前迭代步数，I_c(k)为SCR反应器入口氮氧化物浓度测量值，I_m(k)为SCR反应器入口氮氧化物浓度预测值，I_p(k)为SCR反应器入口氮氧化物浓度修正后的预测值，λ为修正系数，u为初始喷氨量，O_c为反应器出口氮氧化物浓度测量值，M为总烟气量，N为氨氮摩尔比。

在本发明的一实施例中，步骤5中，所述多变量参数分为操纵变量MV、受控变量CV和干扰变量DV，其中，操纵变量MV为喷氨量，受控变量CV为出口氮氧化物浓度，干扰变量DV为入口氮氧化物浓度、总烟气量和烟气温度。

在本发明的一实施例中，步骤6中，性能指标函数的如下公式(3)：

其中，k为当前迭代步数，i为迭代次数，α、β为权重因子且大于等于0，O_p为SCR反应器出口氮氧化物浓度预测值，O_r为SCR反应器出口氮氧化物浓度设定值，O_c为SCR反应器出口氮氧化物浓度测量值，u为喷氨量，n为预测长度。

在本发明的一实施例中，步骤7中，PSO控制器所采用的PSO算法的第k步过程如下：

根据公式(3)、公式(4)和公式(5)，反复迭代更新速度与位置直至性能指标函数达到极小值，得到最优喷氨量u(k+1)：

v(k+1)＝ωv(k)+c₁·rand₁(pbest(k)-u(k))+c₂·rand₂(gbest(k)-u(k))(4)

u(k+1)＝u(k)+v(k+1) (5)

其中k为当前迭代步数，pbest为局部最佳位置，gbest为全局最佳位置，ω为非负惯性因子，v为喷氨增量，c₁、c₂为学习因子，rand₁、rand₂为介于(0,1)之间的随机数，i＝1，2，3…，S，其中S为此群中粒子总数。

本发明提供的基于模型预测的SCR脱硝装置喷氨流量调节方法具有以下有益技术效果：

(1)通过预测模型对SCR反应器入口、出口氮氧化物浓度进行预测以校正CEMS系统测量值能够有效地解决氮氧化物测量延迟大的问题，避免了实际测量仪表的延迟从而实现提前控制。

(2)针对PID控制算法调节特性的问题，提出了采用模型预测和PSO优化算法相结合的方案，通过输出的测量值、预测值、设定值以及控制输入构建性能指标进行优化，能够应对不同机组运行工况进行控制量的实时调整。

(3)PSO优化算法作为一种全局优化算法，其收敛速度慢，时间成本高。考虑到被控对象参数变化的连续性，本发明将前一次滚动优化的得到结果作为下一次滚动优化中PSO寻优的初值最佳位置，从而降低了PSO寻优的时间成本，提高收敛速度。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例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，下面描述中的附图仅仅是本发明的一些实施例，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为现有PID控制系统原理图；

图2为本发明提供的基于模型预测的SCR脱硝装置喷氨流量调节方法原理图；

图3为本发明的SCR喷氨流量调节流程图；

图4为本发明中工业炉燃烧预测模型和多变量预测控制模型的示意图。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅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付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。

图1为现有PID控制系统原理图，图2为本发明提供的基于模型预测的SCR脱硝装置喷氨流量调节方法原理图，图3为本发明的SCR喷氨流量调节流程图，图4为本发明中工业炉燃烧预测模型和多变量预测控制模型的示意图。如图1-图4所示，本发明提供了一种基于模型预测的SCR脱硝装置喷氨流量调节方法，其包括以下步骤：

步骤1：利用工业炉历史运行数据建立基于神经网络的工业炉燃烧预测模型，对所述工业炉燃烧预测模型进行训练测试并保存；

步骤2：利用SCR反应器的历史运行数据建立基于神经网络与PSO控制器的多变量预测控制模型，对所述多变量预测控制模型进行训练测试并保存；

步骤3：根据工业炉的当前运行参数和所述工业炉燃烧预测模型对SCR反应器入口的氮氧化物浓度进行预测，得到SCR反应器入口的氮氧化物浓度的预测值；

步骤4：根据SCR反应器入口的氮氧化物浓度的预测值和测量值之间的差值对氮氧化物浓度的预测值进行校正，并确定初始喷氨量；

步骤5：根据校正后的SCR反应器入口氮氧化物浓度的预测值、SCR反应器的多变量参数以及所述多变量预测控制模型对SCR反应器出口的氮氧化物浓度进行预测；

步骤6：根据SCR反应器出口氮氧化物浓度的预测值、测量值、设定值以及喷氨量构建性能指标函数；

步骤7：采用所述多变量预测控制模型中的PSO控制器对性能指标函数最小化，进行喷氨量的初步寻优；

步骤8：以喷氨量的初步寻优结果更新SCR反应器的实际喷氨量并作为下一次PSO算法的最佳位置初值，再对SCR反应器出口氮氧化物浓度进行预测，并返回步骤7继续采用PSO算法对性能指标进行优化，如此反复迭代，实现预测控制。

本实施中，步骤1中，所述工业炉燃烧预测模型为长短时记忆网络模型，用于预测SCR反应器入口的氮氧化物浓度。

本实施中，所述工业炉历史运行数据包括：工业炉运行负荷、烟气温度、总烟气量、一次风量、二次风量以及工业炉出口氮氧化物浓度。

本实施中，步骤2中，所述多变量预测控制模型包括预测部分和控制部分，其中预测部分为长短时记忆网络模型，控制部分为PSO优化控制器。

本实施中，所述SCR反应器的历史运行数据包括：SCR反应器入口氮氧化物浓度测量值、SCR反应器出口氮氧化物浓度测量值、SCR反应器出口氮氧化物浓度设定值、喷氨量、总烟气量以及烟气温度。

本实施中，步骤4中，按照公式(1)和公式(2)计算SCR反应器入口氮氧化物浓度修正后的预测值和初始喷氨量：

I_p(k)＝I_m(k)+λ(I_c(k)-I_m(k)) (1)

u(k)＝(I_p(k)-O_c(k))×M×N (2)

其中，k为当前迭代步数，k的初始值为1，I_c(k)为SCR反应器入口氮氧化物浓度测量值，I_m(k)为SCR反应器入口氮氧化物浓度预测值，I_p(k)为SCR反应器入口氮氧化物浓度修正后的预测值，λ为修正系数，u为初始喷氨量，O_c为反应器出口氮氧化物浓度测量值，M为总烟气量，N为氨氮摩尔比。

本实施中，步骤5中，所述多变量参数分为操纵变量MV、受控变量CV和干扰变量DV，其中，操纵变量MV为喷氨量，受控变量CV为出口氮氧化物浓度，干扰变量DV为入口氮氧化物浓度、总烟气量和烟气温度。

本实施中，步骤6中，性能指标函数的如下公式(3)：

其中，k为当前迭代步数，i为迭代次数，k的初始值为1,i的初始值为0，α、β为权重因子，权重因子的取值原则为α+β＝1且α，β均大于等于0，例如可以取值为α＝0.5，β＝0.5，O_p为SCR反应器出口氮氧化物浓度预测值，O_r为SCR反应器出口氮氧化物浓度设定值，O_c为SCR反应器出口氮氧化物浓度测量值，u为喷氨量，n为预测长度。

本实施中，步骤7中，PSO控制器所采用的PSO算法的第k步过程如下：

根据公式(3)、公式(4)和公式(5)，反复迭代更新速度与位置直至性能指标函数达到极小值，得到最优喷氨量u(k+1)：

v(k+1)＝ωv(k)+c₁·rand₁(pbest(k)-u(k))+c₂·rand₂(gbest(k)-u(k))(4)

u(k+1)＝u(k)+v(k+1) (5)

其中k为当前迭代步数，pbest为局部最佳位置，gbest为全局最佳位置，ω为非负惯性因子，v为喷氨增量，c₁、c₂为学习因子，学习因子的取值原则为c₁、c₂都大于0，例如可以取值为c1＝0.7，c2＝0.7，rand₁、rand₂为介于(0,1)之间的随机数，i＝1，2，3…，S，其中S为此群中粒子总数。

本发明提供的基于模型预测的SCR脱硝装置喷氨流量调节方法具有以下有益技术效果：

(1)通过预测模型对SCR反应器入口、出口氮氧化物浓度进行预测以校正CEMS系统测量值能够有效地解决氮氧化物测量延迟大的问题，避免了实际测量仪表的延迟从而实现提前控制。

(2)针对PID控制算法调节特性的问题，提出了采用模型预测和PSO优化算法相结合的方案，通过输出的测量值、预测值、设定值以及控制输入构建性能指标进行优化，能够应对不同机组运行工况进行控制量的实时调整。

(3)PSO优化算法作为一种全局优化算法，其收敛速度慢，时间成本高。考虑到被控对象参数变化的连续性，本发明将前一次滚动优化的得到结果作为下一次滚动优化中PSO寻优的初值最佳位置，从而降低了PSO寻优的时间成本，提高收敛速度。

本领域普通技术人员可以理解：附图只是一个实施例的示意图，附图中的模块或流程并不一定是实施本发明所必须的。

本领域普通技术人员可以理解：实施例中的装置中的模块可以按照实施例描述分布于实施例的装置中，也可以进行相应变化位于不同于本实施例的一个或多个装置中。上述实施例的模块可以合并为一个模块，也可以进一步拆分成多个子模块。

最后应说明的是：以上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：其依然可以对前述实施例所记载的技术方案进行修改，或者对其中部分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实施例技术方案的精神和范围。

Claims (6)

1.一种基于模型预测的SCR脱硝装置喷氨流量调节方法，其特征在于，包括以下步骤：

步骤1：利用工业炉历史运行数据建立基于神经网络的工业炉燃烧预测模型，对所述工业炉燃烧预测模型进行训练测试并保存；

步骤2：利用SCR反应器的历史运行数据建立基于神经网络与PSO控制器的多变量预测控制模型，对所述多变量预测控制模型进行训练测试并保存；

步骤3：根据工业炉的当前运行参数和所述工业炉燃烧预测模型对SCR反应器入口的氮氧化物浓度进行预测，得到SCR反应器入口的氮氧化物浓度的预测值；

步骤4：根据SCR反应器入口的氮氧化物浓度的预测值和测量值之间的差值对氮氧化物浓度的预测值进行校正，并确定初始喷氨量；

步骤5：根据校正后的SCR反应器入口氮氧化物浓度的预测值、SCR反应器的多变量参数以及所述多变量预测控制模型对SCR反应器出口的氮氧化物浓度进行预测；

步骤6：根据SCR反应器出口氮氧化物浓度的预测值、测量值、设定值以及喷氨量构建性能指标函数；

步骤7：采用所述多变量预测控制模型中的PSO控制器对性能指标函数最小化，进行喷氨量的初步寻优；

步骤8：以喷氨量的初步寻优结果更新SCR反应器的实际喷氨量并作为下一次PSO算法的最佳位置初值，再对SCR反应器出口氮氧化物浓度进行预测，并返回步骤7继续采用PSO算法对性能指标进行优化，如此反复迭代，实现预测控制，

步骤2中，所述多变量预测控制模型包括预测部分和控制部分，其中预测部分为长短时记忆网络模型，控制部分为PSO优化控制器，

步骤6中，性能指标函数的如下公式(3)：

其中，k为当前迭代步数，i为迭代次数，α、β为权重因子且大于等于0，O_p为SCR反应器出口氮氧化物浓度预测值，O_r为SCR反应器出口氮氧化物浓度设定值，O_c为SCR反应器出口氮氧化物浓度测量值，u为喷氨量，n为预测长度，

步骤7中，PSO控制器所采用的PSO算法的第k步过程如下：

根据公式(3)、公式(4)和公式(5)，反复迭代更新速度与位置直至性能指标函数达到极小值，得到最优喷氨量u(k+1)：

v(k+1)＝ωv(k)+c₁·rand₁(pbest(k)-u(k))+c₂·rand₂(gbest(k)-u(k)) (4)

u(k+1)＝u(k)+v(k+1) (5)

其中k为当前迭代步数，pbest为局部最佳位置，gbest为全局最佳位置，ω为非负惯性因子，v为喷氨增量，c₁、c₂为学习因子，rand₁、rand₂为介于(0,1)之间的随机数，i＝1，2，3…，S，其中S为此群中粒子总数。

2.根据权利要求1所述的基于模型预测的SCR脱硝装置喷氨流量调节方法，其特征在于：步骤1中，所述工业炉燃烧预测模型为长短时记忆网络模型，用于预测SCR反应器入口的氮氧化物浓度。

3.根据权利要求1或2所述的基于模型预测的SCR脱硝装置喷氨流量调节方法，其特征在于：所述工业炉历史运行数据包括：工业炉运行负荷、烟气温度、总烟气量、一次风量、二次风量以及工业炉出口氮氧化物浓度。

4.根据权利要求1所述的基于模型预测的SCR脱硝装置喷氨流量调节方法，其特征在于：所述SCR反应器的历史运行数据包括：SCR反应器入口氮氧化物浓度测量值、SCR反应器出口氮氧化物浓度测量值、SCR反应器出口氮氧化物浓度设定值、喷氨量、总烟气量以及烟气温度。

5.根据权利要求1所述的基于模型预测的SCR脱硝装置喷氨流量调节方法，其特征在于：步骤4中，按照公式(1)和公式(2)计算SCR反应器入口氮氧化物浓度修正后的预测值和初始喷氨量：

I_p(k)＝I_m(k)+λ(I_c(k)-I_m(k)) (1)

u(k)＝(I_p(k)-O_c(k))×M×N (2)

其中，k为当前迭代步数，I_c(k)为SCR反应器入口氮氧化物浓度测量值，I_m(k)为SCR反应器入口氮氧化物浓度预测值，I_p(k)为SCR反应器入口氮氧化物浓度修正后的预测值，λ为修正系数，u为初始喷氨量，O_c为反应器出口氮氧化物浓度测量值，M为总烟气量，N为氨氮摩尔比。

6.根据权利要求1所述的基于模型预测的SCR脱硝装置喷氨流量调节方法，其特征在于，步骤5中，所述多变量参数分为操纵变量MV、受控变量CV和干扰变量DV，其中，操纵变量MV为喷氨量，受控变量CV为出口氮氧化物浓度，干扰变量DV为入口氮氧化物浓度、总烟气量和烟气温度。

Images