CN111968708A - 一种基于随机森林和lstm神经网络的scr脱硝喷氨量预测方法 - Google Patents

一种基于随机森林和lstm神经网络的scr脱硝喷氨量预测方法 Download PDF

Info

Publication number
CN111968708A
CN111968708A CN202011142443.6A CN202011142443A CN111968708A CN 111968708 A CN111968708 A CN 111968708A CN 202011142443 A CN202011142443 A CN 202011142443A CN 111968708 A CN111968708 A CN 111968708A
Authority
CN
China
Prior art keywords
neural network
scr
lstm neural
flue gas
ammonia
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.)
Granted
Application number
CN202011142443.6A
Other languages
English (en)
Other versions
CN111968708B (zh
Inventor
周君良
范海东
解剑波
王豆
李清毅
关键
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Zhejiang Energy Group Co ltd
Zhejiang Energy Group Research Institute Co Ltd
Original Assignee
Zhejiang Energy Group Co ltd
Zhejiang Energy Group Research Institute Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Zhejiang Energy Group Co ltd, Zhejiang Energy Group Research Institute Co Ltd filed Critical Zhejiang Energy Group Co ltd
Priority to CN202011142443.6A priority Critical patent/CN111968708B/zh
Publication of CN111968708A publication Critical patent/CN111968708A/zh
Application granted granted Critical
Publication of CN111968708B publication Critical patent/CN111968708B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16C—COMPUTATIONAL CHEMISTRY; CHEMOINFORMATICS; COMPUTATIONAL MATERIALS SCIENCE
    • G16C10/00—Computational theoretical chemistry, i.e. ICT specially adapted for theoretical aspects of quantum chemistry, molecular mechanics, molecular dynamics or the like
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/243—Classification techniques relating to the number of classes
    • G06F18/24323—Tree-organised classifiers
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/049—Temporal neural networks, e.g. delay elements, oscillating neurons or pulsed inputs
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16C—COMPUTATIONAL CHEMISTRY; CHEMOINFORMATICS; COMPUTATIONAL MATERIALS SCIENCE
    • G16C20/00—Chemoinformatics, i.e. ICT specially adapted for the handling of physicochemical or structural data of chemical particles, elements, compounds or mixtures
    • G16C20/70—Machine learning, data mining or chemometrics

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Computing Systems (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Software Systems (AREA)
  • Biomedical Technology (AREA)
  • Computational Linguistics (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Biophysics (AREA)
  • Chemical & Material Sciences (AREA)
  • Molecular Biology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Mathematical Physics (AREA)
  • Environmental & Geological Engineering (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Databases & Information Systems (AREA)
  • Medical Informatics (AREA)
  • Crystallography & Structural Chemistry (AREA)
  • Spectroscopy & Molecular Physics (AREA)
  • Evolutionary Biology (AREA)
  • Analytical Chemistry (AREA)
  • General Chemical & Material Sciences (AREA)
  • Oil, Petroleum & Natural Gas (AREA)
  • Chemical Kinetics & Catalysis (AREA)
  • Treating Waste Gases (AREA)
  • Exhaust Gas Treatment By Means Of Catalyst (AREA)

Abstract

本发明涉及一种基于随机森林和LSTM神经网络的SCR脱硝喷氨量预测方法，包括：步骤1、基于历史数据（训练数据）；步骤2、基于历史数据（训练数据）；步骤3、对于实测数据（测试数据）。本发明的有益效果是：本发明通过双模型验证的方式，建立了可靠的氨气流量预测模型，建立了随机森林模型对喷氨量预测LSTM神经网络预测模型进行实时验证，可实现准确的喷氨量控制，有效避免因模型准确性不佳而导致的控制效果差的问题，对于SCR脱硝系统喷氨量控制具有重要意义。同时本发明所提出喷氨量预测方法采用LSTM神经网络预测模型，可解决SCR脱硝控制系统滞后问题，实现预测控制。

Description

一种基于随机森林和LSTM神经网络的SCR脱硝喷氨量预测 方法
技术领域
本发明属于燃煤电厂脱硝领域，涉及一种燃煤电厂脱硝系统过程参数软测量方法，尤其涉及一种基于随机森林和LSTM神经网络的SCR脱硝喷氨量预测方法。
背景技术
SCR（选择性催化还原方法）脱硝系统基于其较高的脱硝效率，是大型火电机组脱硝系统改造首选类塑。SCR脱硝系统反应机理复杂，脱硝效率受到喷氨量、反应温度、烟气速度、催化剂活性等因素影响，其中喷氨量对脱硝效果影响最大，是关键的可调因素。喷氨量过少会导致烟气NOx含量超标；喷氨量过多，不仅会提高氨逃逸率而造成二次污染，同时也会增加脱硝成本。
长期以来，对SCR脱硝系统的研究主要针对于其物理原理、设备结构和运行方式方面。近年来，随着预测控制、核偏最小二乘、神经网络以及支持向量机等技术和机器学习算法的发展并在工业上获得成功应用，可以充分利用燃煤电厂充足的历史运行数据建立SCR烟气脱硝系统模型，同时采用先进控制算法，实现喷氨量的最优控制，在降低NOx排放的同时减少脱硝成本。然而，此类技术获得的模型准确性在实际使用中需要得到验证。
目前，国内SCR脱硝闭环控制策略基本设计为固定摩尔比控制方式。该控制方式下设定值为氨氮摩尔比或者脱硝效率，控制系统根据当前的烟气流量、SCR入口NOx和设定氨氮摩尔比计算出NH3流量需求，通过流量PID调节器改变氨气阀开度调节NH3实际流量，此控制方式近似于开环控制，脱硝系统阳需求量仅根据静态物理特性计算得出；部分电厂总结固定摩尔比控制方式不足，采取固定SCR出口NOx浓度控制方式，此时系统设定值SCR出口NOx浓度，并根据其与实际出口NOx浓度的偏差来动态修正氢氮摩尔比，达到闭环控制SCR出口浓度的效果。然而，上述方式都存在一系列问题，如控制策略简单，目前脱硝控制策略普遍采用简单PID+前馈方案等，无法获得满意控制品质；控制系统仅考虑受控对象静态机理，目前国内脱硝拉制策略考虑了机组负荷、烟气量前馈作用，但仅仅是基于静态物理特性，导致机组负荷频繁变化时脱硝控制品质差，同时静态机理控制方式无随机组工况、燃煤品质变化做出实时调整。另外，SCR脱硝控制系统存在大滞后特性，若忽略其滞后问题进行控制，将无法得到满意的控制品质。
为实现高效和准确的脱硝控制，必须建立适用的喷氨量软测量模型，针对实际工况得到准确可靠的喷氨量，从而实现喷氨量最优控制。
发明内容
本发明的目的是克服现有技术中的不足，提供一种基于随机森林和LSTM神经网络的SCR脱硝喷氨量预测方法。
这种基于随机森林和LSTM神经网络的SCR脱硝喷氨量预测方法，包括以下步骤：
步骤1、基于历史数据（训练数据），利用SCR出口烟气NOx浓度和其他氨气流量相关参数作为LSTM神经网络预测模型的输入，氨气流量作为LSTM神经网络预测模型的输出，训练用于氨气流量软测量的LSTM神经网络预测模型；
步骤2、基于历史数据（训练数据），利用氨气流量和其他氨气流量相关参数作为随机森林模型的输入，SCR出口烟气NOx浓度测量值作为随机森林模型的输出，训练用于SCR出口烟气NOx浓度预测的随机森林模型；
步骤3、对于实测数据（测试数据），通过LSTM神经网络预测模型进行氨气流量预测，随后将通过LSTM神经网络预测模型得到的氨气流量预测值和其他氨气流量相关参数作为随机森林模型的输入，得到SCR出口烟气NOx浓度预测值；
步骤4、将由步骤3得到的SCR出口烟气NOx浓度预测值与SCR出口烟气NOx浓度实测值进行比对，并通过计算均方根误差RMSE的方式计算预测误差，设置一定误差阈值，验证LSTM神经网络预测模型输出的氨气流量预测值是否准确；
步骤5、LSTM神经网络预测模型和随机森林模型建立完毕，并且通过步骤4验证LSTM神经网络预测模型的准确性，即若由步骤4计算得到的预测误差不大于误差阈值（即均方根误差RMSE满足阈值要求），则说明LSTM的输出是可靠的，以LSTM神经网络预测模型的氨气流量预测值来指导喷氨量控制（也就是喷氨量前馈补偿控制）；若由步骤4计算得到的预测误差大于误差阈值，则采集更多历史数据（训练数据），返回执行步骤1～步骤4，重新训练LSTM神经网络预测模型和随机森林模型，直至由步骤4计算得到的预测误差小于等于误差阈值。
作为优选，所述步骤1～步骤3中其他氨气流量相关参数为：机组负荷、氨/空混合气压力、SCR入口烟气NOx浓度、SCR入口烟气温度、SCR入口烟气压力、SCR入口烟气流量、SCR出口烟气温度、SCR出口烟气压力和SCR出口烟气流量。
作为优选，所述步骤1中历史数据（训练数据）为采用设定SCR出口烟气NOx浓度目标的方式进行脱硝控制时产生的数据；按照不同SCR出口烟气NOx浓度设定值对历史数据（训练数据）进行分类，在每一类中选取适量数据（选取数据时一般分季节选取，每一季度取其中一个月的数据，具体数据量需根据实际业务情况而定）用于构建LSTM神经网络预测模型。
作为优选，所述步骤2中历史数据（训练数据）为采用设定SCR出口烟气NOx浓度目标的方式进行脱硝控制时产生的数据；按照不同SCR出口烟气NOx浓度测量值对历史数据（训练数据）进行分类，在每一类中选取适量数据（选取数据时一般分季节选取，每一季度取其中一个月的数据，具体数据量需根据实际业务情况而定）用于构建随机森林预测模型。
作为优选，所述步骤4中均方根误差RMSE的计算方法为：
上式中，
Figure DEST_PATH_IMAGE003
为数据长度，
Figure DEST_PATH_IMAGE005
表示
Figure 387535DEST_PATH_IMAGE006
时刻SCR出口烟气NOx浓度预测值，
Figure 432851DEST_PATH_IMAGE008
表示
Figure 583386DEST_PATH_IMAGE006
时刻SCR出口烟气NOx浓度实测值。
作为优选，所述步骤5后还有：
步骤6、随着数据的更新，每更新预定数量的历史数据（训练数据）后，重新构造并训练LSTM神经网络预测模型和随机森林模型，以得到更准确的预测和模型验证结果。
本发明的有益效果是：本发明通过双模型验证的方式，建立了可靠的氨气流量预测模型，建立了随机森林模型对喷氨量预测LSTM神经网络预测模型进行实时验证，可实现准确的喷氨量控制，有效避免因模型准确性不佳而导致的控制效果差的问题，对于SCR脱硝系统喷氨量控制具有重要意义。同时本发明所提出喷氨量预测方法采用LSTM神经网络预测模型，可解决SCR脱硝控制系统滞后问题，实现预测控制。
附图说明
图1为基于随机森林和LSTM神经网络的SCR脱硝喷氨量预测方法的流程图；
图2为实例中LSTM神经网络预测模型喷氨量预测结果图；
图3为实例中LSTM神经网络预测模型喷氨量预测精度图；
图4为实例中随机森林模型NOx浓度预测结果图；
图5为实例中随机森林模型NOx浓度预测精度图。
具体实施方式
下面结合实施例对本发明做进一步描述。下述实施例的说明只是用于帮助理解本发明。应当指出，对于本技术领域的普通人员来说，在不脱离本发明原理的前提下，还可以对本发明进行若干修饰，这些改进和修饰也落入本发明权利要求的保护范围内。
本发明针对SCR脱硝系统喷氨量控制问题，同时考虑SCR脱硝控制系统大滞后特性，设定SCR出口烟气NOx浓度目标的脱硝控制方式，对历史运行数据依据SCR出口烟气NOx浓度设定值进行分类；选取适用数据建立基于LSTM神经网络构建氨气流量预测模型，并构建基于随机森林的SCR出口烟气NOx浓度预测模型，对氨气流量预测值的准确性进行验证，得到可靠的氨气流量预测值从而以此为据实现准确的喷氨量控制，有效避免因模型准确性不佳而导致的控制效果差的问题。
本发明利用历史数据建立用于氨气流量预测值的LSTM神经网络预测模型和用于SCR出口烟气NOx浓度预测的随机森林模型；对于实测数据，通过LSTM神经网络预测模型进行氨气流量提前预测，并将结果输入随机森林模型进行SCR出口烟气NOx浓度预测，将此预测值与SCR出口烟气NOx浓度实测值进行比对，从而验证LSTM神经网络预测模型输出的氨气流量预测值的准确性；可解决SCR脱硝控制系统滞后问题，实现预测控制，对于SCR脱硝系统喷氨量控制具有重要意义。
作为一种实施例，采用来自某电厂SCR脱硝系统的数据对本发明所提方法的有效性进行验证，使用该脱硝系统2020年3月9日00:00至2020年3月10日04:30的数据进行实验，其中3月9日00:00～23:59的数据作为训练数据，3月10日00:00～04:30的数据作为测试数据。采样频率为3秒，LSTM神经网络的时延为6秒。基于随机森林和LSTM神经网络的SCR脱硝喷氨量预测方法流程图如图1所示。
步骤1、基于历史数据即本实验中的训练数据，利用SCR出口烟气NOx浓度设定值和其他氨气流量相关参数（包括机组负荷，氨/空混合气压力，SCR入口烟气NOx浓度，SCR入口烟气温度，SCR入口烟气压力，SCR入口烟气流量，SCR出口烟气温度，SCR出口烟气压力，SCR出口烟气流量）作为模型输入，氨气流量作为模型输出，训练出用于氨气流量软测量的LSTM神经网络预测模型；其中SCR出口烟气NOx浓度设定值为50mg/m3；
步骤2、基于历史数据即本实验中的训练数据，利用氨气流量和其他氨气流量相关参数（包括机组负荷，氨/空混合气压力，SCR入口烟气NOx浓度，SCR入口烟气温度，SCR入口烟气压力，SCR入口烟气流量，SCR出口烟气温度，SCR出口烟气压力，SCR出口烟气流量）为模型输入，SCR出口烟气NOx浓度测量值作为模型输出，训练出用于SCR出口烟气NOx浓度预测的随机森林模型；
步骤3、对于实测数据即本实验中的测试数据，通过LSTM神经网络预测模型进行氨气流量预测，随后将通过LSTM神经网络预测模型得到的氨气流量预测值和其他氨气流量相关参数作为随机森林模型的输入，预测SCR出口烟气NOx浓度值；预测结果如图2和图4所示；预测精度如图3和图5所示，可见预测值和实测值有很好的拟合度；
步骤4、将由步骤3得到的SCR出口烟气NOx浓度预测值与SCR出口烟气NOx浓度实测值进行比对，计算预测误差，从而验证LSTM神经网络预测模型输出的氨气流量预测值的准确性；
步骤5、设置误差阈值为RMSE=2，由步骤4计算得到的预测误差为RMSE=1.5316，不大于误差阈值，则基于LSTM预测模型输出的氨气流量预测值进行喷氨量控制。
另外，为进一步验证LSTM神经网络预测模型的预测精度，计算LSTM神经网络预测模型预测喷氨量和实测喷氨量的均方根误差，计算结果为RMSE=1.2849，可见达到了良好的预测效果。

Claims (6)

1.一种基于随机森林和LSTM神经网络的SCR脱硝喷氨量预测方法，其特征在于，包括以下步骤：
步骤1、基于历史数据，利用SCR出口烟气NOx浓度和其他氨气流量相关参数作为LSTM神经网络预测模型的输入，氨气流量作为LSTM神经网络预测模型的输出，训练LSTM神经网络预测模型；
步骤2、基于历史数据，利用氨气流量和其他氨气流量相关参数作为随机森林模型的输入，SCR出口烟气NOx浓度测量值作为随机森林模型的输出，训练随机森林模型；
步骤3、对于实测数据，通过LSTM神经网络预测模型进行氨气流量预测，随后将通过LSTM神经网络预测模型得到的氨气流量预测值和其他氨气流量相关参数作为随机森林模型的输入，得到SCR出口烟气NOx浓度预测值；
步骤4、将由步骤3得到的SCR出口烟气NOx浓度预测值与SCR出口烟气NOx浓度实测值进行比对，并通过计算均方根误差RMSE的方式计算预测误差，设置误差阈值，验证LSTM神经网络预测模型输出的氨气流量预测值是否准确；
步骤5、LSTM神经网络预测模型和随机森林模型建立完毕，并且通过步骤4验证LSTM神经网络预测模型的准确性：若由步骤4计算得到的预测误差不大于误差阈值，则以LSTM神经网络预测模型的氨气流量预测值来指导喷氨量控制；若由步骤4计算得到的预测误差大于误差阈值，则采集更多历史数据，返回执行步骤1～步骤4，重新训练LSTM神经网络预测模型和随机森林模型，直至由步骤4计算得到的预测误差小于等于误差阈值。
2.根据权利要求1所述基于随机森林和LSTM神经网络的SCR脱硝喷氨量预测方法，其特征在于，所述步骤1～步骤3中其他氨气流量相关参数为：机组负荷、氨/空混合气压力、SCR入口烟气NOx浓度、SCR入口烟气温度、SCR入口烟气压力、SCR入口烟气流量、SCR出口烟气温度、SCR出口烟气压力和SCR出口烟气流量。
3.根据权利要求1所述基于随机森林和LSTM神经网络的SCR脱硝喷氨量预测方法，其特征在于：所述步骤1中历史数据为采用设定SCR出口烟气NOx浓度目标的方式进行脱硝控制时产生的数据；按照不同SCR出口烟气NOx浓度设定值对历史数据进行分类，在每一类中选取适量数据用于构建LSTM神经网络预测模型。
4.根据权利要求1所述基于随机森林和LSTM神经网络的SCR脱硝喷氨量预测方法，其特征在于：所述步骤2中历史数据为采用设定SCR出口烟气NOx浓度目标的方式进行脱硝控制时产生的数据；按照不同SCR出口烟气NOx浓度测量值对历史数据进行分类，在每一类中选取适量数据用于构建随机森林预测模型。
5.根据权利要求1所述基于随机森林和LSTM神经网络的SCR脱硝喷氨量预测方法，其特征在于，所述步骤4中均方根误差RMSE的计算方法为：
Figure DEST_PATH_IMAGE001
上式中，
Figure 315836DEST_PATH_IMAGE002
为数据长度，
Figure 45895DEST_PATH_IMAGE003
表示
Figure 245932DEST_PATH_IMAGE004
时刻SCR出口烟气NOx浓度预测值，
Figure 504875DEST_PATH_IMAGE005
表示
Figure 541096DEST_PATH_IMAGE004
时刻SCR出口烟气NOx浓度实测值。
6.根据权利要求1所述基于随机森林和LSTM神经网络的SCR脱硝喷氨量预测方法，其特征在于，所述步骤5后还有：
步骤6、随着数据的更新，每更新预定数量的历史数据后，重新构造并训练LSTM神经网络预测模型和随机森林模型。
CN202011142443.6A 2020-10-23 2020-10-23 一种基于随机森林和lstm神经网络的scr脱硝喷氨量预测方法 Active CN111968708B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011142443.6A CN111968708B (zh) 2020-10-23 2020-10-23 一种基于随机森林和lstm神经网络的scr脱硝喷氨量预测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011142443.6A CN111968708B (zh) 2020-10-23 2020-10-23 一种基于随机森林和lstm神经网络的scr脱硝喷氨量预测方法

Publications (2)

Publication Number Publication Date
CN111968708A true CN111968708A (zh) 2020-11-20
CN111968708B CN111968708B (zh) 2020-12-29

Family

ID=73387636

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011142443.6A Active CN111968708B (zh) 2020-10-23 2020-10-23 一种基于随机森林和lstm神经网络的scr脱硝喷氨量预测方法

Country Status (1)

Country Link
CN (1) CN111968708B (zh)

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113798315A (zh) * 2021-10-16 2021-12-17 北京航空航天大学 基于机器学习的热强化sve技术气体排放控制方法
CN114618273A (zh) * 2022-05-12 2022-06-14 浙江浙能技术研究院有限公司 一种基于lstm神经网络的燃煤烟气三氧化硫阶梯控制方法
CN115660211A (zh) * 2022-11-11 2023-01-31 天瑞集团信息科技有限公司 基于大数据和物联网的降低水泥窑尾氮氧化物的控制方法
CN116832614A (zh) * 2023-05-24 2023-10-03 华能国际电力股份有限公司上海石洞口第二电厂 一种scr脱硝系统喷氨量控制方法及系统
CN116832614B (zh) * 2023-05-24 2024-05-24 华能国际电力股份有限公司上海石洞口第二电厂 一种scr脱硝系统喷氨量控制方法及系统

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109426144A (zh) * 2017-08-22 2019-03-05 邢台国泰发电有限责任公司 基于随机森林模型的电站锅炉烟气脱硝方法
CN110188383A (zh) * 2019-04-23 2019-08-30 华中科技大学 一种基于选择性集成模型的电站scr脱硝建模方法
CN110618610A (zh) * 2019-08-29 2019-12-27 杭州华电江东热电有限公司 基于LSTM深度学习的燃机NOx超标预警方法与装置
CN111589302A (zh) * 2020-05-29 2020-08-28 广东电科院能源技术有限责任公司 燃煤电厂scr脱硝性能预测方法、装置、设备和存储介质

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109426144A (zh) * 2017-08-22 2019-03-05 邢台国泰发电有限责任公司 基于随机森林模型的电站锅炉烟气脱硝方法
CN110188383A (zh) * 2019-04-23 2019-08-30 华中科技大学 一种基于选择性集成模型的电站scr脱硝建模方法
CN110618610A (zh) * 2019-08-29 2019-12-27 杭州华电江东热电有限公司 基于LSTM深度学习的燃机NOx超标预警方法与装置
CN111589302A (zh) * 2020-05-29 2020-08-28 广东电科院能源技术有限责任公司 燃煤电厂scr脱硝性能预测方法、装置、设备和存储介质

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
曹楠: "燃煤电站SCR 精细化喷氨控制技术研究与应用", 《中国优秀硕士学位论文全文数据库》 *

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113798315A (zh) * 2021-10-16 2021-12-17 北京航空航天大学 基于机器学习的热强化sve技术气体排放控制方法
CN114618273A (zh) * 2022-05-12 2022-06-14 浙江浙能技术研究院有限公司 一种基于lstm神经网络的燃煤烟气三氧化硫阶梯控制方法
CN115660211A (zh) * 2022-11-11 2023-01-31 天瑞集团信息科技有限公司 基于大数据和物联网的降低水泥窑尾氮氧化物的控制方法
CN116832614A (zh) * 2023-05-24 2023-10-03 华能国际电力股份有限公司上海石洞口第二电厂 一种scr脱硝系统喷氨量控制方法及系统
CN116832614B (zh) * 2023-05-24 2024-05-24 华能国际电力股份有限公司上海石洞口第二电厂 一种scr脱硝系统喷氨量控制方法及系统

Also Published As

Publication number Publication date
CN111968708B (zh) 2020-12-29

Similar Documents

Publication Publication Date Title
CN111968708B (zh) 一种基于随机森林和lstm神经网络的scr脱硝喷氨量预测方法
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
CN104607042B (zh) 一种基于约束预测控制的scr脱硝系统及方法
CN110368808B (zh) 一种scr烟气脱硝系统的喷氨量控制方法及系统
CN105629738B (zh) Scr烟气脱硝系统控制方法及设备
CN107561941A (zh) 一种火电机组脱硝系统的全工况达标排放控制方法
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
CN112580250A (zh) 基于深度学习的火电机组脱硝系统及优化控制方法
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
CN106681381A (zh) 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
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
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
CN105700570B (zh) 一种火电厂scr脱硝控制方法
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
CN105786035A (zh) 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
CN110263452A (zh) 一种烟道内烟气时间分布特性分析方法、系统及脱硝系统
CN112418284A (zh) 一种全工况电站scr脱硝系统的控制方法及系统
CN104793652B (zh) 一种基于负荷调度曲线的喷氨量调节方法与系统
CN209020167U (zh) 一种基于串级pid加前馈的调节脱硝喷氨流量的装置
CN111644054B (zh) 一种发电厂脱硝喷氨控制系统
CN109833773B (zh) 一种高效脱硝氨流量精确控制方法
CN107561944A (zh) 一种基于拉盖尔模型的脱硝系统自适应预测控制方法
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
CN109794149B (zh) 一种cfb锅炉烟气脱硝自动控制方法及系统
CN113485106B (zh) 一种火电厂氮氧化物浓度的控制方法

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