CN112461995A - 一种预测火电厂氨逃逸的方法 - Google Patents
一种预测火电厂氨逃逸的方法 Download PDFInfo
- Publication number
- CN112461995A CN112461995A CN202011210798.4A CN202011210798A CN112461995A CN 112461995 A CN112461995 A CN 112461995A CN 202011210798 A CN202011210798 A CN 202011210798A CN 112461995 A CN112461995 A CN 112461995A
- Authority
- CN
- China
- Prior art keywords
- concentration
- denitration reactor
- data
- nox
- 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.)
- Pending
Links
- QGZKDVFQNNGYKY-UHFFFAOYSA-N Ammonia Chemical compound N QGZKDVFQNNGYKY-UHFFFAOYSA-N 0.000 title claims abstract description 265
- 229910021529 ammonia Inorganic materials 0.000 title claims abstract description 132
- 238000000034 method Methods 0.000 title claims abstract description 27
- 238000012549 training Methods 0.000 claims abstract description 29
- 238000012795 verification Methods 0.000 claims abstract description 9
- 238000007781 pre-processing Methods 0.000 claims abstract description 4
- 238000013528 artificial neural network Methods 0.000 claims description 34
- 239000003546 flue gas Substances 0.000 claims description 34
- UGFAIRIUMAVXCW-UHFFFAOYSA-N Carbon monoxide Chemical compound [O+]#[C-] UGFAIRIUMAVXCW-UHFFFAOYSA-N 0.000 claims description 33
- 230000006870 function Effects 0.000 claims description 20
- 238000002347 injection Methods 0.000 claims description 19
- 239000007924 injection Substances 0.000 claims description 19
- 238000006477 desulfuration reaction Methods 0.000 claims description 14
- 230000023556 desulfurization Effects 0.000 claims description 14
- 238000012545 processing Methods 0.000 claims description 14
- 238000012544 monitoring process Methods 0.000 claims description 13
- 230000003009 desulfurizing effect Effects 0.000 claims description 10
- 230000002159 abnormal effect Effects 0.000 claims description 8
- 238000010606 normalization Methods 0.000 claims description 6
- 238000005457 optimization Methods 0.000 claims description 4
- 230000002068 genetic effect Effects 0.000 claims description 3
- 238000012843 least square support vector machine Methods 0.000 claims description 3
- 239000002245 particle Substances 0.000 claims description 3
- 230000000306 recurrent effect Effects 0.000 claims description 3
- 238000012423 maintenance Methods 0.000 claims 1
- 238000005259 measurement Methods 0.000 description 7
- 238000003062 neural network model Methods 0.000 description 7
- 230000006872 improvement Effects 0.000 description 5
- 239000011159 matrix material Substances 0.000 description 5
- 230000007480 spreading Effects 0.000 description 3
- BIGPRXCJEDHCLP-UHFFFAOYSA-N ammonium bisulfate Chemical compound [NH4+].OS([O-])(=O)=O BIGPRXCJEDHCLP-UHFFFAOYSA-N 0.000 description 2
- 239000003054 catalyst Substances 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 239000000428 dust Substances 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 239000003638 chemical reducing agent Substances 0.000 description 1
- 238000002485 combustion reaction Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000010438 heat treatment Methods 0.000 description 1
- 230000002779 inactivation Effects 0.000 description 1
- 230000000246 remedial effect Effects 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N33/00—Investigating or analysing materials by specific methods not covered by groups G01N1/00 - G01N31/00
- G01N33/0004—Gaseous mixtures, e.g. polluted air
- G01N33/0009—General constructional details of gas analysers, e.g. portable test equipment
- G01N33/0062—General constructional details of gas analysers, e.g. portable test equipment concerning the measuring method, e.g. intermittent, or the display, e.g. digital
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N33/00—Investigating or analysing materials by specific methods not covered by groups G01N1/00 - G01N31/00
- G01N33/0004—Gaseous mixtures, e.g. polluted air
- G01N33/0009—General constructional details of gas analysers, e.g. portable test equipment
- G01N33/0027—General constructional details of gas analysers, e.g. portable test equipment concerning the detector
- G01N33/0036—Specially adapted to detect a particular component
- G01N33/0037—Specially adapted to detect a particular component for NOx
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N33/00—Investigating or analysing materials by specific methods not covered by groups G01N1/00 - G01N31/00
- G01N33/0004—Gaseous mixtures, e.g. polluted air
- G01N33/0009—General constructional details of gas analysers, e.g. portable test equipment
- G01N33/0027—General constructional details of gas analysers, e.g. portable test equipment concerning the detector
- G01N33/0036—Specially adapted to detect a particular component
- G01N33/0042—Specially adapted to detect a particular component for SO2, SO3
-
- 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
- G06N3/08—Learning methods
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N33/00—Investigating or analysing materials by specific methods not covered by groups G01N1/00 - G01N31/00
- G01N33/0004—Gaseous mixtures, e.g. polluted air
- G01N33/0009—General constructional details of gas analysers, e.g. portable test equipment
- G01N33/0062—General constructional details of gas analysers, e.g. portable test equipment concerning the measuring method, e.g. intermittent, or the display, e.g. digital
- G01N2033/0068—General constructional details of gas analysers, e.g. portable test equipment concerning the measuring method, e.g. intermittent, or the display, e.g. digital using a computer specifically programmed
-
- 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
- Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
- Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
- Y04S10/00—Systems supporting electrical power generation, transmission or distribution
- Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications
Abstract
一种预测火电厂氨逃逸的方法,实测脱硝反应器A入口NOx浓度、脱硝反应器A出口NOx浓度、脱硝反应器B入口NOx浓度、脱硝反应器B出口NOx浓度、脱硝反应器A出口氨逃逸以及脱硝反应器B出口氨逃逸;当实测的所有NOx浓度满足要求时,再采集DCS数据;对采集的DCS数据进行预处理,得到标准数据,将标准数据分为训练数据与验证数据,利用训练数据作为输入,氨逃逸数据作为输出数据训练氨逃逸预测模型A以及氨逃逸预测模型B,利用训练好的模型预测实时的氨逃逸浓度。本发明采用的氨逃逸预测模型A以及氨逃逸预测模型B稳定可靠,训练时间短,泛化能力强,预测数据准确。
Description
技术领域
本发明属于火电厂烟气中气态组分的测量领域,具体涉及一种预测火电厂氨逃逸的方法。
背景技术
火电厂的NOx脱除普遍采用了SCR工艺;SCR脱硝反应器出口未反应的氨气对下游设备的安全运行至关重要,一些异常情况都会引起氨逃逸的非正常上升,如催化剂孔堵塞、燃烧系统异常、AIG喷口堵塞、催化剂失活等。逃逸氨过高,会与烟气中的SO3反应,生成硫酸氢铵,黏附在下游的空气预热器受热面,造成流通阻力升高,导致引风机电流增大、电耗上升,甚至导致机组非停。同时,过高的逃逸氨浓度会增加脱硝还原剂(NH3)的耗量,增加脱硝运行成本。因此, SCR装置通常都要求控制在3μL/L以内,SNCR通常要求控制在10μL/L以内。为此,采用在线监测系统(CEMS)来检测烟气中的氨逃逸浓度。
受高浓度粉尘、振动、单点测量代表性低等因素的影响,国内大多数电厂的氨逃逸在线监测系统无法准确监测氨逃逸数据,即使存在氨逃逸超标问题,也无法被氨逃逸在线监测系统显示。这使得氨逃逸过大问题无法及时被发现,直至脱硝设备性能低于临界性能和空气预热器堵塞严重了,才采取补救措施。
准确、便捷、抗粉尘干扰能力强、抗SOx干扰能力强的NH3浓度的测试或者预测方法对脱硝设备、空气预热器、机组的安全运行意义极大。
发明内容
针对SCR脱硝氨逃逸在线监测系统检测不准确而引发的空气预热器硫酸氢铵严重堵塞问题,本发明的目的是提供了一种预测火电厂氨逃逸的方法。
为实现上述目的,本发明采用的技术方案如下:
一种预测火电厂氨逃逸的方法,通过采用网格法实测脱硝反应器A入口及出口的NOx浓度、脱硝反应器B入口及出口的NOx浓度、脱硝反应器A 出口氨逃逸、脱硝反应器B出口氨逃逸;当实测的出口NOx浓度分布相对标准偏差满足要求时,再采集与实测同时间段的在线监测系统的DCS数据,对采集的DCS数据进行预处理,得到标准数据,将标准数据分为训练数据与验证数据,利用训练数据作为输入,氨逃逸数据作为输出数据训练氨逃逸预测模型A以及氨逃逸预测模型B,利用训练好的模型预测实时的氨逃逸浓度。
本发明进一步的改进在于,DCS数据包括NOx浓度数据、烟气温度数据、 O2浓度数据、喷氨量数据、SO2浓度数据以及空气预热器差压数据。
本发明进一步的改进在于,具体步骤如下:
S1:采用网格法实测脱硝反应器A入口NOx浓度、脱硝反应器A出口NOx 浓度、脱硝反应器B入口NOx浓度、脱硝反应器B出口NOx浓度、脱硝反应器A出口氨逃逸以及脱硝反应器B出口氨逃逸;
S2:根据步骤S1实测的脱硝反应器A出口NOx浓度与脱硝反应器B出口 NOx浓度,分别计算脱硝反应器A出口、脱硝反应器B的出口NOx分布相对标准偏差,相对标准偏差小于30%时进行步骤S3;相对标准偏差大于30%时,重复步骤S1,直到CV小于30%;
S3:采集与步骤S1中网格法实测同时间段内的DCS数据,DCS数据包括脱硝反应器A入口烟气温度、脱硝反应器B入口烟气温度、脱硝反应器A入口 O2浓度、脱硝反应器B入口O2浓度、脱硝反应器A入口NOx浓度、脱硝反应器A出口NOx浓度、脱硝反应器B入口NOx浓度、脱硝反应器B出口NOx浓度、脱硝反应器A喷氨量、脱硝反应器B喷氨量、脱硫塔出口烟气的NOx浓度、脱硫塔入口SO2浓度、空气预热器A差压以及空气预热器B差压;
S4:根据步骤S1实测的脱硝反应器A入口NOx浓度、脱硝反应器A出口 NOx浓度、脱硝反应器B入口NOx浓度以及脱硝反应器B出口NOx浓度对步骤S3中脱硝反应器A入口NOx浓度、脱硝反应器A出口NOx浓度、脱硝反应器B入口NOx浓度以及脱硝反应器B出口NOx浓度进行校正,偏差小于20%时,进行步骤S5;
S5:对步骤S3的DCS数据进行处理,得到标准数据;将标准数据分为两部分,一部分作为得到训练用的模型输入数据A或模型输入数据B,另一部分作为验证用的模型输入数据A或模型输入数据B;
S6:分别建立氨逃逸预测模型A以及氨逃逸预测模型B,分别将步骤S5得到的训练用的模型输入数据A、步骤S1实测的同时间段的脱硝反应器A出口氨逃逸作为输入数据、输出数据对氨逃逸预测模型A进行训练;分别把步骤S5得到的训练用的模型输入数据B、步骤S1实测的同时间段的脱硝反应器B出口氨逃逸作为输入数据、输出数据对氨逃逸预测模型B进行训练;
训练得到的氨逃逸预测模型A或氨逃逸预测模型B输入验证用的模型输入数据A或氨逃逸预测模型B进行预测,得到预测数据;
S7:实时采集步骤S3中的DCS数据,对得到的DCS数据进行异常值处理和归一化处理,得到实时模型输入数据;采用步骤S6得到的训练后的氨逃逸预测模型A以及氨逃逸预测模型B,对实时模型输入数据进行计算,预测实时的氨逃逸浓度。
本发明进一步的改进在于,步骤S4中,偏差大于20%时,对在线监测系统进行标定、检修维护,直至在线监测系统采集的NOx浓度与实测的NOx浓度分布偏差小于20%。
本发明进一步的改进在于,步骤S5中,对步骤S3的DCS数据进行异常值处理和归一化处理,得到标准数据。
本发明进一步的改进在于,步骤S5中,模型输入数据A包括以下参数:脱硝反应器A入口烟气温度、脱硝反应器A入口O2浓度、脱硝反应器A入口NOx 浓度、脱硝反应器A出口NOx浓度、脱硝反应器A喷氨量、脱硫塔入口SO2浓度、空气预热器A差压、脱硫塔入口SO2浓度与脱硫塔出口烟气的NOx浓度;模型输入数据B包括以下参数:脱硝反应器B入口烟气温度、脱硝反应器B入口O2浓度、脱硝反应器B入口NOx浓度、脱硝反应器B出口NOx浓度、脱硝反应器B喷氨量、脱硫塔入口SO2浓度、空气预热器B差压与脱硫塔出口烟气的NOx浓度。
本发明进一步的改进在于,同时间段的实测数据与预测数据的平均相对误差低于3%时,预测数据和实测数据具有一致性。
本发明进一步的改进在于,步骤S6中,氨逃逸预测模型A、氨逃逸预测模型B采用以下的一种或多种组合:径向基函数神经网络、BP神经网络、遗传算法神经网络、极限学习机、概率神经网络、广义回归神经网络、卷积神经网络、深度信念网络、循环神经网络、广义回归神经网络、基于粒子群的最小二乘支持向量机与蚁群优化算法神经网络。
与现有技术相比,本发明具有的有益效果为:由于火电厂装有测试NOx 浓度、O2浓度、空气预热器差压、喷氨量、SO2浓度的在线监测系统,而且准确可信,本发明根据这些CEMS在线测量数据作为输入变量,预测直接测量不准的氨逃逸,克服了现有技术中,对氨逃逸的在线测量基本不准确的技术问题。本发明采用的氨逃逸预测模型A以及氨逃逸预测模型B稳定可靠,训练时间短,泛化能力强,预测数据准确。
进一步的,根据实测的氨逃逸数据不断校准预测模型,保证一段时间内的氨逃逸预测的准确度,及时发现氨逃逸超标问题,避免氨逃逸导致的空气预热器堵塞、机组非停等问题。
附图说明
图1为径向基函数神经网络模型结构示意图。
具体实施方式
下面结合附图对本发明进行详细说明。
火电厂每台锅炉一般设置有2个脱硝反应器和2个空气预热器,一个脱硝反应器下游对应着一个空气预热器,为了区分脱硝反应器,一般命名为脱硝反应器A和脱硝反应器B;相对应的下游空气预热器命名为空气预热器A以及空气预热器B。
通过采用网格法实测脱硝反应器A入口NOx浓度、脱硝反应器A出口 NOx浓度、脱硝反应器B入口NOx浓度、脱硝反应器B出口NOx浓度、脱硝反应器A出口氨逃逸以及脱硝反应器B出口氨逃逸;当实测的所有NOx浓度分布偏差满足要求时,再采集DCS数据,DCS数据包括NOx浓度数据、烟气温度数据、O2浓度数据、喷氨量数据、SO2浓度数据以及压差数据;对采集的DCS数据进行预处理,得到标准数据,将标准数据分为训练数据与验证数据,利用训练数据作为输入,氨逃逸数据作为输出数据训练氨逃逸预测模型A 以及氨逃逸预测模型B,利用训练好的模型预测实时的氨逃逸浓度。
具体的,本发明包括以下步骤:
S1:采用网格法实测脱硝反应器A入口NOx浓度、脱硝反应器A出口NOx 浓度、脱硝反应器A入口O2浓度、脱硝反应器B入口O2浓度、脱硝反应器B 入口NOx浓度、脱硝反应器B出口NOx浓度、脱硝反应器A出口氨逃逸以及脱硝反应器B出口氨逃逸。
S2:根据步骤S1实测的脱硝反应器A出口NOx浓度与脱硝反应器B出口 NOx浓度,分别计算脱硝反应器A出口、脱硝反应器B的出口NOx分布相对标准偏差(CV),CV小于30%时进行步骤S3,CV大于30%时,对相关的喷氨格栅的手动阀门开度进行调节并重复步骤S1,直到CV小于30%。
S3:脱硝反应器A、脱硝反应器B的NOx分布的CV小于30%时,通过CEMS 采集与步骤S1中网格法实测同时间段内的DCS数据,DCS数据包括脱硝反应器A入口烟气温度、脱硝反应器B入口烟气温度、脱硝反应器A入口O2浓度、脱硝反应器B入口O2浓度、脱硝反应器A入口NOx浓度、脱硝反应器A出口 NOx浓度、脱硝反应器B入口NOx浓度、脱硝反应器B出口NOx浓度、脱硝反应器A喷氨量、脱硝反应器B喷氨量、脱硫塔出口烟气的NOx浓度、脱硫塔入口SO2浓度、空气预热器A差压以及空气预热器B差压。
S4:根据步骤S1实测的数据(即脱硝反应器A入口NOx浓度、脱硝反应器A出口NOx浓度、脱硝反应器B入口NOx浓度、脱硝反应器B出口NOx浓度)对步骤S3中DCS数据中所有NOx浓度(即脱硝反应器A入口NOx浓度、脱硝反应器A出口NOx浓度、脱硝反应器B入口NOx浓度、脱硝反应器B出口NOx浓度)进行校正,偏差大于20%时,对相关在线监测系统(CEMS)进行标定、检修维护,直至CEMS采集的NOx浓度与实测的NOx浓度分布偏差小于20%时,进行步骤S5。
S5:对步骤S3的DCS数据进行异常值处理和归一化处理,得到标准数据;取标准数据前50%~90%的部分作为得到训练用的模型输入数据A或模型输入数据B,剩余的标准数据作为验证用的模型输入数据A或模型输入数据B;
其中,模型输入数据A包括以下参数:脱硝反应器A入口烟气温度、脱硝反应器A入口O2浓度、脱硝反应器A入口NOx浓度、脱硝反应器A出口NOx 浓度、脱硝反应器A喷氨量、空气预热器A差压、脱硫塔入口SO2浓度与脱硫塔出口烟气的NOx浓度;
模型输入数据B包括以下参数:脱硝反应器B入口烟气温度、脱硝反应器 B入口O2浓度、脱硝反应器B入口NOx浓度、脱硝反应器B出口NOx浓度、脱硝反应器B喷氨量、脱硫塔入口SO2浓度、空气预热器B差压与脱硫塔出口烟气的NOx浓度。
S6:分别建立氨逃逸预测模型A以及氨逃逸预测模型B:分别把步骤S5得到的训练用的模型输入数据A、步骤S1实测的同时间段的脱硝反应器A出口氨逃逸作为输入数据、输出数据对氨逃逸预测模型A进行训练;分别把步骤S5得到的训练用的模型输入数据B、步骤S1实测的同时间段的脱硝反应器B出口氨逃逸作为输入数据、输出数据对氨逃逸预测模型B进行训练。
训练得到的氨逃逸预测模型A或B输入验证用的模型输入数据A或B进行预测得到预测数据,步骤S1的同时间段的实测数据与预测数据的平均相对误差低于3%时,可认为预测数据和实测数据显示出了良好的一致性,氨逃逸预测模型在步骤S7中应用。
氨逃逸预测模型A、氨逃逸预测模型B可以采用以下的一种或多种组合:径向基函数神经网络、BP神经网络、遗传算法神经网络、极限学习机、概率神经网络、广义回归神经网络、卷积神经网络、深度信念网络、循环神经网络、广义回归神经网络、基于粒子群的最小二乘支持向量机与蚁群优化算法神经网络。
S7:依据OPC、TCP/IP、Modbus等各种工业通讯协议,实现与DCS的双向通讯,实时采集步骤S3中的DCS数据;对得到的实时数据进行异常值处理和归一化处理,得到实时模型输入数据;采用步骤S6得到的训练后的氨逃逸预测模型A、氨逃逸预测模型B,对实时模型输入数据进行计算,预测得到实时的氨逃逸浓度。
氨逃逸预测模型可以在DCS上实现,也可以采用独立于DCS的外挂式优化控制系统。
S8:在一段时间(如三个月内)再开展氨逃逸、NOx分布现场实测,与氨逃逸预测模型得到的氨逃逸进行对比,达到校准预测模型的目的,保证一段时间内的氨逃逸预测的准确度。
下面为具体实施例。
参见图1,采用径向基函数神经网络的预测氨逃逸的模型具体为:
径向基函数神经网络模型包括输入层、隐含层、输出层,所述输入层包括8个节点,所述隐含层包括N个节点,所述输出层包括1个节点。对8个采样点{(xi,ti)| xi∈Rn,ti∈R},i=1,2,^,8,结构为8—N—1的径向基函数神经网络模型输出为:
其中wj(j=1,2,3…)是第j个隐含层节点到输出层节点的权值;
其中cj为核函数的数据中心,σj为该核函数的扩展常数,N为节点数量,对于所有样本,所述隐含层节点输出矩阵为:
径向基函数神经网络模型输出的矩阵形式为:
对径向基函数神经网络模型参数进行调整,得到预测氨逃逸的径向基函数神经网络模型,将径向基函数神经网络输出值Y和真实值T=(t1 t2 Λ tn)之间的误差平方和作为径向基函数神经网络的训练目标误差函数,即
为寻找最优输出权值W使网络输出值Y和真实值T=(t1 t2 Λ tn)之间的误差平方和以及输出权值W范数最小,分两步对径向基函数神经网络参数进行优化:
然后以Y和T的误差平方和为目标函数,通过梯度下降算法优化隐节点数据中心:
cj以及扩展常数σj,目标函数对数据中心cj和扩展常数σj的梯度分别为:
数据中心cj以及扩展常数σj的更新公式为:
η为学习率,k=1,2,^,n。
模型输入数据A包括以下参数:脱硝反应器A入口烟气温度、脱硝反应器 A入口O2浓度、脱硝反应器A入口NOx浓度、脱硝反应器A出口NOx浓度、脱硝反应器A喷氨量、空气预热器A差压、脱硫塔入口SO2浓度、脱硫塔出口烟气的NOx浓度;模型输入数据B包括以下参数:脱硝反应器B入口烟气温度、脱硝反应器B入口O2浓度、脱硝反应器B入口NOx浓度、脱硝反应器B出口 NOx浓度、脱硝反应器B喷氨量、脱硫塔入口SO2浓度、空气预热器B差压、脱硫塔出口烟气的NOx浓度。
Claims (7)
1.一种预测火电厂氨逃逸的方法,其特征在于,通过采用网格法实测脱硝反应器A入口及出口的NOx浓度、脱硝反应器B入口及出口的NOx浓度、脱硝反应器A出口氨逃逸、脱硝反应器B出口氨逃逸;当实测的出口NOx浓度分布相对标准偏差满足要求时,再采集与实测同时间段的在线监测系统的DCS数据,对采集的DCS数据进行预处理,得到标准数据,将标准数据分为训练数据与验证数据,利用训练数据作为输入,氨逃逸数据作为输出数据训练氨逃逸预测模型A以及氨逃逸预测模型B,利用训练好的模型预测实时的氨逃逸浓度;其中,DCS数据包括NOx浓度数据、烟气温度数据、O2浓度数据、喷氨量数据、SO2浓度数据以及空气预热器差压数据。
2.根据权利要求1所述的一种预测火电厂氨逃逸的方法,其特征在于,具体步骤如下:
S1:采用网格法实测脱硝反应器A入口NOx浓度、脱硝反应器A出口NOx浓度、脱硝反应器B入口NOx浓度、脱硝反应器B出口NOx浓度、脱硝反应器A出口氨逃逸以及脱硝反应器B出口氨逃逸;
S2:根据步骤S1实测的脱硝反应器A出口NOx浓度与脱硝反应器B出口NOx浓度,分别计算脱硝反应器A出口、脱硝反应器B的出口NOx分布相对标准偏差,相对标准偏差小于30%时进行步骤S3;相对标准偏差大于30%时,重复步骤S1,直到CV小于30%;
S3:采集与步骤S1中网格法实测同时间段内的DCS数据,DCS数据包括脱硝反应器A入口烟气温度、脱硝反应器B入口烟气温度、脱硝反应器A入口O2浓度、脱硝反应器B入口O2浓度、脱硝反应器A入口NOx浓度、脱硝反应器A出口NOx浓度、脱硝反应器B入口NOx浓度、脱硝反应器B出口NOx浓度、脱硝反应器A喷氨量、脱硝反应器B喷氨量、脱硫塔出口烟气的NOx浓度、脱硫塔入口SO2浓度、空气预热器A差压以及空气预热器B差压;
S4:根据步骤S1实测的脱硝反应器A入口NOx浓度、脱硝反应器A出口NOx浓度、脱硝反应器B入口NOx浓度以及脱硝反应器B出口NOx浓度对步骤S3中脱硝反应器A入口NOx浓度、脱硝反应器A出口NOx浓度、脱硝反应器B入口NOx浓度以及脱硝反应器B出口NOx浓度进行校正,偏差小于20%时,进行步骤S5;
S5:对步骤S3的DCS数据进行处理,得到标准数据;将标准数据分为两部分,一部分作为得到训练用的模型输入数据A或模型输入数据B,另一部分作为验证用的模型输入数据A或模型输入数据B;
S6:分别建立氨逃逸预测模型A以及氨逃逸预测模型B,分别将步骤S5得到的训练用的模型输入数据A、步骤S1实测的同时间段的脱硝反应器A出口氨逃逸作为输入数据、输出数据对氨逃逸预测模型A进行训练;分别把步骤S5得到的训练用的模型输入数据B、步骤S1实测的同时间段的脱硝反应器B出口氨逃逸作为输入数据、输出数据对氨逃逸预测模型B进行训练;
训练得到的氨逃逸预测模型A或氨逃逸预测模型B输入验证用的模型输入数据A或氨逃逸预测模型B进行预测,得到预测数据;
S7:实时采集步骤S3中的DCS数据,对得到的DCS数据进行异常值处理和归一化处理,得到实时模型输入数据;采用步骤S6得到的训练后的氨逃逸预测模型A以及氨逃逸预测模型B,对实时模型输入数据进行计算,预测实时的氨逃逸浓度。
3.根据权利要求2所述的一种预测火电厂氨逃逸的方法,其特征在于,步骤S4中,偏差大于20%时,对在线监测系统进行标定、检修维护,直至在线监测系统采集的NOx浓度与实测的NOx浓度分布偏差小于20%。
4.根据权利要求2所述的一种预测火电厂氨逃逸的方法,其特征在于,步骤S5中,对步骤S3的DCS数据进行异常值处理和归一化处理,得到标准数据。
5.根据权利要求2所述的一种预测火电厂氨逃逸的方法,其特征在于,步骤S5中,模型输入数据A包括以下参数:脱硝反应器A入口烟气温度、脱硝反应器A入口O2浓度、脱硝反应器A入口NOx浓度、脱硝反应器A出口NOx浓度、脱硝反应器A喷氨量、脱硫塔入口SO2浓度、空气预热器A差压、脱硫塔入口SO2浓度与脱硫塔出口烟气的NOx浓度;
模型输入数据B包括以下参数:脱硝反应器B入口烟气温度、脱硝反应器B入口O2浓度、脱硝反应器B入口NOx浓度、脱硝反应器B出口NOx浓度、脱硝反应器B喷氨量、脱硫塔入口SO2浓度、空气预热器B差压与脱硫塔出口烟气的NOx浓度。
6.根据权利要求2所述的一种预测火电厂氨逃逸的方法,其特征在于,同时间段的实测数据与预测数据的平均相对误差低于3%时,预测数据和实测数据具有一致性。
7.根据权利要求2所述的一种预测火电厂氨逃逸的方法,其特征在于,步骤S6中,氨逃逸预测模型A、氨逃逸预测模型B采用以下的一种或多种组合:径向基函数神经网络、BP神经网络、遗传算法神经网络、极限学习机、概率神经网络、广义回归神经网络、卷积神经网络、深度信念网络、循环神经网络、广义回归神经网络、基于粒子群的最小二乘支持向量机与蚁群优化算法神经网络。
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011210798.4A CN112461995A (zh) | 2020-11-03 | 2020-11-03 | 一种预测火电厂氨逃逸的方法 |
PCT/CN2021/112270 WO2022095534A1 (zh) | 2020-11-03 | 2021-08-12 | 一种预测火电厂氨逃逸的方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011210798.4A CN112461995A (zh) | 2020-11-03 | 2020-11-03 | 一种预测火电厂氨逃逸的方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112461995A true CN112461995A (zh) | 2021-03-09 |
Family
ID=74835041
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011210798.4A Pending CN112461995A (zh) | 2020-11-03 | 2020-11-03 | 一种预测火电厂氨逃逸的方法 |
Country Status (2)
Country | Link |
---|---|
CN (1) | CN112461995A (zh) |
WO (1) | WO2022095534A1 (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2022095534A1 (zh) * | 2020-11-03 | 2022-05-12 | 西安西热锅炉环保工程有限公司 | 一种预测火电厂氨逃逸的方法 |
Citations (16)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2011094572A (ja) * | 2009-10-30 | 2011-05-12 | Mitsubishi Heavy Ind Ltd | 内燃機関のNOx浄化装置 |
CN104190254A (zh) * | 2014-09-09 | 2014-12-10 | 国家电网公司 | 一种优化scr喷氨的方法 |
CN104297008A (zh) * | 2014-10-11 | 2015-01-21 | 苏州华瑞能泰发电技术有限公司 | 基于现场性能测试的脱硝装置潜能评估与预测方法 |
WO2015172560A1 (zh) * | 2014-05-16 | 2015-11-19 | 华南理工大学 | 基于bp神经网络的中央空调冷负荷的预测方法 |
CN106599586A (zh) * | 2016-12-19 | 2017-04-26 | 北京国能中电节能环保技术股份有限公司 | 基于神经网络的scr智能喷氨优化方法及装置 |
CN107158946A (zh) * | 2017-05-27 | 2017-09-15 | 苏州西热节能环保技术有限公司 | 一种氨逃逸浓度实时在线预测与控制方法 |
US20180024512A1 (en) * | 2016-07-25 | 2018-01-25 | General Electric Company | System modeling, control and optimization |
WO2018028243A1 (zh) * | 2016-08-08 | 2018-02-15 | 中冶长天国际工程有限责任公司 | 活性炭脱硫脱硝系统的喷氨量控制方法和装置 |
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 |
CN108490132A (zh) * | 2018-04-02 | 2018-09-04 | 华能国际电力股份有限公司 | 一种基于比对差值法氨逃逸检测装置及方法 |
CN208340474U (zh) * | 2018-05-03 | 2019-01-08 | 中国大唐集团科学技术研究院有限公司华东分公司 | 一种脱硝氮氧化物分级控制系统 |
CN109493250A (zh) * | 2018-11-06 | 2019-03-19 | 大唐南京环保科技有限责任公司 | 一种scr反应器的脱硝能力的评估方法 |
CN109499364A (zh) * | 2018-11-29 | 2019-03-22 | 东南大学 | 一种基于数字镜像的催化剂辅助设计方法 |
CN109766596A (zh) * | 2018-12-25 | 2019-05-17 | 国网新疆电力有限公司电力科学研究院 | 一种脱硝经济运行的专家系统构建方法 |
CN109766577A (zh) * | 2018-12-07 | 2019-05-17 | 大唐南京环保科技有限责任公司 | 基于pls局部拟合的scr反应器信息快速获取方法 |
CN110094251A (zh) * | 2019-05-05 | 2019-08-06 | 东南大学 | 基于分时段多模型建模的scr催化剂性能劣化分析方法 |
Family Cites Families (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20050282285A1 (en) * | 2004-06-21 | 2005-12-22 | Eaton Corporation | Strategy for controlling NOx emissions and ammonia slip in an SCR system using a nonselective NOx/NH3 |
US10436739B1 (en) * | 2014-10-06 | 2019-10-08 | Bjr Sensors Llc | Low cost, fast and sensitive NOx and NH3 sensor |
CN108837698A (zh) * | 2018-07-02 | 2018-11-20 | 大唐环境产业集团股份有限公司 | 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 |
CN111460726B (zh) * | 2020-01-22 | 2023-11-14 | 杭州电子科技大学 | 一种煤泥流化床锅炉脱硝系统氨逃逸的优化方法 |
CN112461995A (zh) * | 2020-11-03 | 2021-03-09 | 西安热工研究院有限公司 | 一种预测火电厂氨逃逸的方法 |
-
2020
- 2020-11-03 CN CN202011210798.4A patent/CN112461995A/zh active Pending
-
2021
- 2021-08-12 WO PCT/CN2021/112270 patent/WO2022095534A1/zh active Application Filing
Patent Citations (16)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2011094572A (ja) * | 2009-10-30 | 2011-05-12 | Mitsubishi Heavy Ind Ltd | 内燃機関のNOx浄化装置 |
WO2015172560A1 (zh) * | 2014-05-16 | 2015-11-19 | 华南理工大学 | 基于bp神经网络的中央空调冷负荷的预测方法 |
CN104190254A (zh) * | 2014-09-09 | 2014-12-10 | 国家电网公司 | 一种优化scr喷氨的方法 |
CN104297008A (zh) * | 2014-10-11 | 2015-01-21 | 苏州华瑞能泰发电技术有限公司 | 基于现场性能测试的脱硝装置潜能评估与预测方法 |
US20180024512A1 (en) * | 2016-07-25 | 2018-01-25 | General Electric Company | System modeling, control and optimization |
WO2018028243A1 (zh) * | 2016-08-08 | 2018-02-15 | 中冶长天国际工程有限责任公司 | 活性炭脱硫脱硝系统的喷氨量控制方法和装置 |
CN106599586A (zh) * | 2016-12-19 | 2017-04-26 | 北京国能中电节能环保技术股份有限公司 | 基于神经网络的scr智能喷氨优化方法及装置 |
CN107158946A (zh) * | 2017-05-27 | 2017-09-15 | 苏州西热节能环保技术有限公司 | 一种氨逃逸浓度实时在线预测与控制方法 |
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 |
CN108490132A (zh) * | 2018-04-02 | 2018-09-04 | 华能国际电力股份有限公司 | 一种基于比对差值法氨逃逸检测装置及方法 |
CN208340474U (zh) * | 2018-05-03 | 2019-01-08 | 中国大唐集团科学技术研究院有限公司华东分公司 | 一种脱硝氮氧化物分级控制系统 |
CN109493250A (zh) * | 2018-11-06 | 2019-03-19 | 大唐南京环保科技有限责任公司 | 一种scr反应器的脱硝能力的评估方法 |
CN109499364A (zh) * | 2018-11-29 | 2019-03-22 | 东南大学 | 一种基于数字镜像的催化剂辅助设计方法 |
CN109766577A (zh) * | 2018-12-07 | 2019-05-17 | 大唐南京环保科技有限责任公司 | 基于pls局部拟合的scr反应器信息快速获取方法 |
CN109766596A (zh) * | 2018-12-25 | 2019-05-17 | 国网新疆电力有限公司电力科学研究院 | 一种脱硝经济运行的专家系统构建方法 |
CN110094251A (zh) * | 2019-05-05 | 2019-08-06 | 东南大学 | 基于分时段多模型建模的scr催化剂性能劣化分析方法 |
Non-Patent Citations (3)
Title |
---|
FENGMING CHU等: "Mass transfer characteristic of ammonia escape and energy penalty analysis in the regeneration process", 《APPLIED ENERGY》 * |
刘晓萌等: "基于线性控制的SCR脱硝分区喷氨工业性试验", 《能源环境保护》 * |
陈鸿伟等: "调峰燃煤机组选择性催化还原烟气脱硝的建模预测优化", 《环境污染与防治》 * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2022095534A1 (zh) * | 2020-11-03 | 2022-05-12 | 西安西热锅炉环保工程有限公司 | 一种预测火电厂氨逃逸的方法 |
Also Published As
Publication number | Publication date |
---|---|
WO2022095534A1 (zh) | 2022-05-12 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111804146B (zh) | 一种智能喷氨控制方法以及智能喷氨控制装置 | |
CN109304086B (zh) | 一种电站锅炉scr脱硝精细化喷氨控制方法 | |
CN111581581B (zh) | 多边界条件下SCR入口NOx浓度的检测方法和系统 | |
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 | |
CN110094251B (zh) | 基于分时段多模型建模的scr催化剂性能劣化分析方法 | |
CN111753389B (zh) | 一种燃煤锅炉入炉原煤热值在线软测量方法和装置 | |
CN112232571B (zh) | 一种废气主要污染物浓度的预测方法 | |
CN113175678B (zh) | 垃圾焚烧的监控方法及装置 | |
CN104504238A (zh) | 一种基于神经网络的燃煤机组氮氧化物排放浓度预测方法 | |
CN112461995A (zh) | 一种预测火电厂氨逃逸的方法 | |
Sembodo et al. | Radial basis network estimator of oxygen content in the flue gas of debutanizer reboiler | |
CN117606578A (zh) | 一种智能的气体流量监测方法 | |
CN109260948B (zh) | 波动负荷下脱硝均匀性测量优化系统及方法 | |
CN113283052A (zh) | 飞灰含碳量软测量方法及燃煤锅炉燃烧优化方法和系统 | |
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 | |
CN113836794B (zh) | 一种软硬结合的飞灰含碳量在线监测方法 | |
Fu et al. | Prediction model of desulfurization efficiency of coal-fired power plants based on long short-term memory neural network | |
CN113488111B (zh) | 一种scr脱硝系统喷氨量优化建模方法 | |
CN116036849A (zh) | 一种cfb锅炉烟气脱硝自动控制方法及系统 | |
Zheng et al. | Prediction of NOx concentration from coal combustion using LS-SVR | |
CN107198946B (zh) | 一种发电厂脱硝系统运行中空预器堵塞原因的判断方法 | |
CN115113519A (zh) | 一种煤-煤气混烧锅炉脱硝系统出口NOx浓度预警方法 | |
CN112791566A (zh) | 一种SCR入口NOx浓度分区的预测方法 | |
Yan | Precision Improvement for the Detection of TGC via RBF Network | |
Hartner et al. | Model-based data reconciliation to improve accuracy and reliability of performance evaluation of thermal power plants |
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: 20210309 |