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
一种基于模型预测的scr脱硝装置喷氨流量调节方法 Download PDFInfo
- Publication number
- CN111897373B CN111897373B CN202010777984.XA CN202010777984A CN111897373B CN 111897373 B CN111897373 B CN 111897373B CN 202010777984 A CN202010777984 A CN 202010777984A CN 111897373 B CN111897373 B CN 111897373B
- Authority
- CN
- China
- Prior art keywords
- concentration
- scr reactor
- ammonia injection
- nitrogen oxides
- outlet
- 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
Images
Classifications
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
- G05D7/00—Control of flow
- G05D7/06—Control of flow characterised by the use of electric means
- G05D7/0617—Control of flow characterised by the use of electric means specially adapted for fluid materials
- G05D7/0629—Control of flow characterised by the use of electric means specially adapted for fluid materials characterised by the type of regulator means
- G05D7/0635—Control of flow characterised by the use of electric means specially adapted for fluid materials characterised by the type of regulator means by action on throttling means
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Environmental & Geological Engineering (AREA)
- Chemical & Material Sciences (AREA)
- General Chemical & Material Sciences (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Analytical Chemistry (AREA)
- Oil, Petroleum & Natural Gas (AREA)
- Chemical Kinetics & Catalysis (AREA)
- Automation & Control Theory (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Treating Waste Gases (AREA)
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
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:
Ip(k)=Im(k)+λ(Ic(k)-Im(k)) (1)
u(k)=(Ip(k)-Oc(k))×M×N (2)
其中,k为当前迭代步数,Ic(k)为SCR反应器入口氮氧化物浓度测量值,Im(k)为SCR反应器入口氮氧化物浓度预测值,Ip(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,Oc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,Op为SCR反应器出口氮氧化物浓度预测值,Or为SCR反应器出口氮氧化物浓度设定值,Oc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:
Ip(k)=Im(k)+λ(Ic(k)-Im(k)) (1)
u(k)=(Ip(k)-Oc(k))×M×N (2)
其中,k为当前迭代步数,k的初始值为1,Ic(k)为SCR反应器入口氮氧化物浓度测量值,Im(k)为SCR反应器入口氮氧化物浓度预测值,Ip(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,Oc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,Op为SCR反应器出口氮氧化物浓度预测值,Or为SCR反应器出口氮氧化物浓度设定值,Oc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,Op为SCR反应器出口氮氧化物浓度预测值,Or为SCR反应器出口氮氧化物浓度设定值,Oc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:
Ip(k)=Im(k)+λ(Ic(k)-Im(k)) (1)
u(k)=(Ip(k)-Oc(k))×M×N (2)
其中,k为当前迭代步数,Ic(k)为SCR反应器入口氮氧化物浓度测量值,Im(k)为SCR反应器入口氮氧化物浓度预测值,Ip(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,Oc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。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010777984.XA CN111897373B (zh) | 2020-08-05 | 2020-08-05 | 一种基于模型预测的scr脱硝装置喷氨流量调节方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010777984.XA CN111897373B (zh) | 2020-08-05 | 2020-08-05 | 一种基于模型预测的scr脱硝装置喷氨流量调节方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111897373A CN111897373A (zh) | 2020-11-06 |
CN111897373B true CN111897373B (zh) | 2022-11-01 |
Family
ID=73245753
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010777984.XA Active CN111897373B (zh) | 2020-08-05 | 2020-08-05 | 一种基于模型预测的scr脱硝装置喷氨流量调节方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111897373B (zh) |
Families Citing this family (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112316718A (zh) * | 2020-11-13 | 2021-02-05 | 西安热工研究院有限公司 | 一种w火焰锅炉脱硝喷氨控制系统及方法 |
CN112651166B (zh) * | 2020-11-24 | 2023-03-28 | 呼和浩特科林热电有限责任公司 | 脱硝系统入口氮氧化物浓度预测方法、装置及脱硝系统 |
CN112933913B (zh) * | 2021-02-08 | 2022-08-30 | 国家能源集团国源电力有限公司 | 喷氨控制方法、装置及煤燃烧系统 |
CN113611375B (zh) * | 2021-08-09 | 2023-10-10 | 成都佳华物链云科技有限公司 | 火电厂系统中的数据确定方法、装置、设备以及存储介质 |
CN114326387A (zh) * | 2021-12-07 | 2022-04-12 | 江苏方天电力技术有限公司 | 一种火电机组脱硝控制装置及控制方法 |
CN114191982A (zh) * | 2021-12-10 | 2022-03-18 | 广州卓博机电科技有限公司 | 一种分散氨空混合器及氨氮一体分区轮测智能喷氨系统 |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107694337A (zh) * | 2017-11-03 | 2018-02-16 | 吉林省电力科学研究院有限公司 | 基于神经网络预测控制的燃煤机组scr烟气脱硝控制方法 |
Family Cites Families (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8454916B2 (en) * | 2010-06-18 | 2013-06-04 | GM Global Technology Operations LLC | Selective catalytic reduction (SCR) catalyst depletion control systems and methods |
US20160209031A1 (en) * | 2015-01-20 | 2016-07-21 | Alstom Technology Ltd | Model-based controls for a furnace and method for controlling the furnace |
CN105700576B (zh) * | 2016-03-11 | 2018-05-04 | 东南大学 | 基于多变量区间约束预测的scr脱硝优化控制系统及方法 |
CN105629736B (zh) * | 2016-03-22 | 2018-03-20 | 东南大学 | 数据驱动的火电机组scr脱硝扰动抑制预测控制方法 |
CN105629738B (zh) * | 2016-03-24 | 2018-06-29 | 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 |
CN105786035B (zh) * | 2016-03-29 | 2018-07-20 | 东南大学 | 基于试探式预测控制技术的火电机组scr脱硝优化控制系统 |
CN109062053B (zh) * | 2018-08-31 | 2022-11-29 | 江苏国信靖江发电有限公司 | 一种基于多变量校正的脱硝喷氨控制方法 |
US10954838B2 (en) * | 2018-10-05 | 2021-03-23 | GM Global Technology Operations LLC | System and methods of integrated control of combustion and SCR systems |
CN109304087B (zh) * | 2018-10-31 | 2021-01-19 | 华中科技大学 | 一种基于脱硝反应动力学方程的电站scr喷氨控制方法 |
CN109343349B (zh) * | 2018-11-01 | 2023-08-22 | 大唐环境产业集团股份有限公司 | 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 |
-
2020
- 2020-08-05 CN CN202010777984.XA patent/CN111897373B/zh active Active
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107694337A (zh) * | 2017-11-03 | 2018-02-16 | 吉林省电力科学研究院有限公司 | 基于神经网络预测控制的燃煤机组scr烟气脱硝控制方法 |
Also Published As
Publication number | Publication date |
---|---|
CN111897373A (zh) | 2020-11-06 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111897373B (zh) | 一种基于模型预测的scr脱硝装置喷氨流量调节方法 | |
CN109062053B (zh) | 一种基于多变量校正的脱硝喷氨控制方法 | |
CN104826492B (zh) | 一种选择性催化还原法烟气脱硝喷氨控制系统的改进方法 | |
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 | |
CN105629738B (zh) | Scr烟气脱硝系统控制方法及设备 | |
CN107561941B (zh) | 一种火电机组脱硝系统的全工况达标排放控制方法 | |
CN105797576B (zh) | 一种燃煤机组脱硝喷氨控制方法 | |
CN105137760B (zh) | 一种脱硝喷氨自动控制方法及系统 | |
CN112580250A (zh) | 基于深度学习的火电机组脱硝系统及优化控制方法 | |
CN104607042B (zh) | 一种基于约束预测控制的scr脱硝系统及方法 | |
CN109583585B (zh) | 一种电站锅炉壁温预测神经网络模型的构建方法 | |
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 | |
CN104826493A (zh) | 一种选择性催化还原法烟气脱硝系统的控制方法 | |
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 | |
CN112418284A (zh) | 一种全工况电站scr脱硝系统的控制方法及系统 | |
CN102053562A (zh) | 一种裂解炉出口温度混合控制方法 | |
CN101286045A (zh) | 一种燃煤锅炉系统混合控制方法 | |
CN101709863B (zh) | 燃煤锅炉炉膛压力系统混合控制方法 | |
CN112506162A (zh) | 一种基于数据模型和机理运算的氧化风系统控制方法 | |
CN111880504A (zh) | 一种智能的动态分区喷氨控制方法和系统 | |
CN111401652A (zh) | 一种基于co在线检测的锅炉优化方法及系统 | |
CN109046021B (zh) | 一种强自适应能力的scr系统精确喷氨控制方法 | |
CN108762086B (zh) | 基于模型预测控制的二次再热蒸汽温度控制装置及控制系统 | |
CN117270387A (zh) | 基于深度学习的scr脱硝系统低氨逃逸控制方法和系统 | |
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 |
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 |