CN112619394A - 脱硝喷氨自适应控制方法、装置及脱硝系统 - Google Patents

Abstract

本发明提供一种脱硝喷氨自适应控制方法、装置及脱硝系统，该方法包括：获取当前工况数据；将燃烧数据输入预先训练的反应器入口氮氧化物浓度模型，得到反应器入口氮氧化物浓度；根据反应器出口氮氧化物浓度设定值、反应器入口氮氧化物浓度、脱硝反应数据及预先训练的反应器出口氮氧化物浓度模型，确定第一喷氨量；根据反应器入口氮氧化物测量浓度、反应器出口氮氧化物测量浓度，确定第二喷氨量；根据第一喷氨量、第二喷氨量及当前工况对应负荷区间的前馈系数确定最终喷氨量。本发明实施例提高了喷氨量计算的实时性和精确度，避免浓度检测延迟造成的喷氨量与NOx浓度不匹配，从而减少排放超标情况，降低电厂经济损失。

Description

脱硝喷氨自适应控制方法、装置及脱硝系统

技术领域

本发明涉及脱硝喷氨技术领域，具体而言，涉及一种脱硝喷氨自适应控制方法、装置及脱硝系统。

背景技术

常用的SCR(Selective Catalytic Reduction，选择性催化还原法)脱硝系统喷氨量控制方式为两种基于PID(Proportional-Integral-Derivative，比例-积分-微分控制)控制方法：固定氨氮摩尔比控制方法和出口NOx定值控制方法，均需要获得SCR系统进出口的氮氧化物NOx浓度。

由于烟气流动和分析的原因导致现有的SCR脱硝测量系统的测量实时性较差，具有较大的误差和延时，导致SCR喷氨控制动作滞后及对脱硝控制品质造成不利影响，难以满足实时与精确控制的要求，容易造成排放超标，为电厂带来不必要的经济损失。

发明内容

本发明解决的是现有SCR脱硝系统的喷氨控制方式实时与精确控制较差，导致容易造成排放超标的问题。

为解决上述问题，本发明提供一种脱硝喷氨自适应控制方法，所述方法包括：获取当前工况数据，所述当前工况数据包括燃烧数据及脱硝反应数据；将所述燃烧数据输入预先训练的反应器入口氮氧化物浓度模型，得到反应器入口氮氧化物浓度；所述反应器入口氮氧化物浓度模型包括针对不同负荷区间的多个入口浓度子模型，各所述入口浓度子模型由不同负荷区间的历史燃烧数据相应训练得到；根据反应器出口氮氧化物浓度设定值、所述反应器入口氮氧化物浓度、所述脱硝反应数据及预先训练的反应器出口氮氧化物浓度模型，确定第一喷氨量；所述反应器出口氮氧化物浓度模型包括针对不同负荷区间的多个出口浓度子模型，各所述出口浓度子模型由不同负荷区间的历史脱硝反应数据相应训练得到；根据反应器入口氮氧化物测量浓度、反应器出口氮氧化物测量浓度，确定第二喷氨量；根据所述第一喷氨量、所述第二喷氨量及当前工况对应负荷区间的前馈系数确定最终喷氨量；至少两个不同负荷区间的所述前馈系数不同。

可选地，所述方法还包括：获取不同负荷区间的历史燃烧数据，所述历史燃烧数据包括以下至少一项参数：机组负荷、燃料热值、总燃料量、一次风量、二次风量、给煤机煤量反馈信号、各层辅助风调节挡板位置反馈信号、各层燃料风调节挡板位置反馈信号、各层附加风调节挡板位置反馈信号、各磨煤机入口一次风流量、各磨煤机入口一次风压力、烟气含氧量、入口氮氧化物浓度；根据不同负荷区间的所述历史燃烧数据分别训练逆传播神经网络模型，得到针对不同负荷区间的多个入口浓度子模型。

可选地，所述方法还包括：获取不同负荷区间的历史脱硝反应数据，所述历史脱硝反应数据包括以下至少一项参数：入口氮氧化物浓度、入口烟气流量、入口烟气温度、入口烟气含氧量、出口烟气含氧量、喷氨量、氨逃逸量、机组负荷、出口氮氧化物浓度；根据不同负荷区间的所述历史脱硝反应数据分别训练逆传播神经网络模型，得到针对不同负荷区间的多个出口浓度子模型。

可选地，所述根据反应器出口氮氧化物浓度设定值、所述反应器入口氮氧化物浓度、所述脱硝反应数据及预先训练的反应器出口氮氧化物浓度模型，确定第一喷氨量，包括：将反应器出口氮氧化物浓度设定值作为预先训练的反应器出口氮氧化物浓度模型的输出目标值，将所述脱硝反应数据及所述反应器入口氮氧化物浓度输入所述反应器出口氮氧化物浓度模型，确定对应的第一喷氨量。

可选地，所述根据所述第一喷氨量、所述第二喷氨量及当前工况对应负荷区间的前馈系数确定最终喷氨量，包括：确定当前工况对应负荷区间的第一前馈系数及第二前馈系数；所述第一前馈系数乘以所述第一喷氨量与所述第二前馈系数乘以所述第二喷氨量求和，得到最终喷氨量。

可选地，所述方法还包括：当测量系统标定或吹扫时，将所述反应器入口氮氧化物浓度、所述脱硝反应数据输入所述反应器出口氮氧化物浓度模型，得到所述反应器出口氮氧化物浓度；根据所述反应器入口氮氧化物浓度、所述反应器出口氮氧化物浓度，确定所述第二喷氨量。

可选地，所述方法还包括：对不同负荷区间的历史燃烧数据或历史脱硝反应数据进行筛选，将具有最大信息量的参数组合作为有效训练数据，并根据所述有效训练数据训练得到入口浓度子模型或出口浓度子模型。

可选地，所述方法还包括：根据遗传算法及所述有效训练数据对所述反应器入口氮氧化物浓度模型和所述反应器氮氧化物数据模型的参数进行寻优，得到最优模型参数。

本发明提供一种脱硝喷氨自适应控制装置，所述装置包括：获取模块，用于获取当前工况数据，所述当前工况数据包括燃烧数据及脱硝反应数据；浓度预测模块，用于将所述燃烧数据输入预先训练的反应器入口氮氧化物浓度模型，得到反应器入口氮氧化物浓度；所述反应器入口氮氧化物浓度模型包括针对不同负荷区间的多个入口浓度子模型，各所述入口浓度子模型由不同负荷区间的历史燃烧数据相应训练得到；第一计算模块，用于根据反应器出口氮氧化物浓度设定值、所述反应器入口氮氧化物浓度、所述脱硝反应数据及预先训练的反应器出口氮氧化物浓度模型，确定第一喷氨量；所述反应器出口氮氧化物浓度模型包括针对不同负荷区间的多个出口浓度子模型，各所述出口浓度子模型由不同负荷区间的历史脱硝反应数据相应训练得到；第二计算模块，用于根据反应器入口氮氧化物测量浓度、反应器出口氮氧化物测量浓度，确定第二喷氨量；最终确定模块，用于根据所述第一喷氨量、所述第二喷氨量及当前工况对应负荷区间的前馈系数确定最终喷氨量；至少两个不同负荷区间的所述前馈系数不同。

本发明提供一种脱硝系统，包括：反应器及喷氨系统；所述喷氨系统用于执行上述脱硝喷氨自适应控制方法。

本发明实施例通过预先训练的反应器入口NOx浓度模型及反应器出口NOx浓度模型，计算得到入口NOx浓度及出口NOx浓度，并基于其确定喷氨量，从而提高了喷氨量计算的实时性和精确度，避免了浓度检测延迟造成的喷氨量与NOx浓度不匹配，减少排放超标情况，降低电厂经济损失。

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，还可以根据提供的附图获得其他的附图。

图1为本发明一个实施例中一种脱硝喷氨自适应控制方法的示意性流程图；

图2为本发明一个实施例的喷氨量前馈和智能预测控制策略示意图；

图3为本发明一个实施例中一种脱硝喷氨自适应控制装置的结构示意图。

附图标记说明：

301-获取模块；302-浓度预测模块；303-第一计算模块；304-第二计算模块；305-最终确定模块。

具体实施方式

为使本发明的上述目的、特征和优点能够更为明显易懂，下面结合附图对本发明的具体实施例做详细的说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。

现有的SCR脱硝测量系统由于烟气流动和分析的原因导致测量实时性不好，具有较大的误差和延时，导致控制动作滞后及对控制品质造成不利影响，难以满足实时与精确控制的要求，容易造成排放超标，为电厂带来不必要的经济损失。此外，当测量系统进行反吹和标定时，一般采取固定值不变的方法，此时控制系统得到的数据更加盲目，无法保证控制效果。当反吹或标定结束，NOx值出现瞬时变化，更增加了控制的难度。同时，控制系统多数采用固定控制参数设置，当系统运行工况发生变化时难以匹配最优参数，严重影响了控制效果。

图1是本发明的一个实施例中一种脱硝喷氨自适应控制方法的示意性流程图，该方法包括：

S102，获取当前工况数据，该当前工况数据包括燃烧数据及脱硝反应数据。

其中，燃烧数据可以包括机组负荷、燃料热值、总燃料量、一次风量、二次风量、给煤机煤量反馈信号、各层辅助风调节挡板位置反馈信号、各层燃料风调节挡板位置反馈信号、各层附加风调节挡板位置反馈信号、各磨煤机入口一次风流量、各磨煤机入口一次风压力、烟气含氧量；

脱硝反应数据可以包括：入口NOx浓度、入口烟气流量、入口烟气温度、入口烟气含氧量、出口烟气含氧量、喷氨量、氨逃逸量、机组负荷。

S104，将燃烧数据输入预先训练的反应器入口氮氧化物浓度模型，得到反应器入口氮氧化物浓度。

上述反应器入口NOx浓度模型包括针对不同负荷区间的多个入口浓度子模型，各入口浓度子模型由不同负荷区间的历史燃烧数据相应训练得到。

S106，根据反应器出口氮氧化物浓度设定值、反应器入口氮氧化物浓度、脱硝反应数据及预先训练的反应器出口氮氧化物浓度模型，确定第一喷氨量。

上述反应器出口NOx浓度模型包括针对不同负荷区间的多个出口浓度子模型，各出口浓度子模型由不同负荷区间的历史脱硝反应数据相应训练得到。

在本实施例中，不同负荷段的反应器入口NOx浓度模型及反应器出口NOx浓度模型由对应负荷段的历史数据单独训练，即每个负荷段都有针对该负荷段的上述两种模型。

可选地，根据不同的机组负荷对上历史数据进行分段，负荷段间隔可以选择为最大负荷的10％。

具体地，在基于反应器入口NOx浓度模型获得反应器入口NOx浓度后，结合脱硝反应数据，以反应器出口NOx浓度设定值作为目标，可以通过反应器出口NOx浓度模型反推出喷氨量，基于此，上述步骤S106可按照以下方式执行：

将反应器出口NOx浓度设定值作为预先训练的反应器出口NOx浓度模型的输出目标值，将脱硝反应数据及反应器入口NOx浓度输入反应器出口NOx浓度模型，确定对应的第一喷氨量。

S108，根据反应器入口氮氧化物测量浓度、反应器出口氮氧化物测量浓度，确定第二喷氨量。

在本步骤中基于测量的入口NOx浓度及出口NOx浓度，确定喷氨量的方式，可以采用现有技术中的喷氨计算方法，在此不再赘述。

S110，根据第一喷氨量、第二喷氨量及当前工况对应负荷区间的前馈系数确定最终喷氨量。

在多个不同的负荷区间中，至少两个不同负荷区间的前馈系数不同。需要说明的是，多个不同负荷区间的前馈系数可以设置为相同值。

最终喷氨量由两部分组成，一个是前馈智能预测模型计算出来的喷氨量，由第一前馈系数修正；一个是由出口NOx浓度和入口NOx浓度差值计算出来的喷氨量，由第二前馈系数修正。由于负荷变化，把系数设置为一个固定值是不合适的，因此本实施例中针对不同的负荷段，采用了不同的前馈系数。当负荷发生变化的状态下计算最终喷氨量时自动切换不同的前馈系数，来适应负荷变化。其中，各负荷区间对应的前馈系数可通过现场调试确定。

上述步骤S110可按照以下方式执行：确定当前工况对应负荷区间的第一前馈系数及第二前馈系数；第一前馈系数乘以第一喷氨量与第二前馈系数乘以第二喷氨量求和，得到最终喷氨量。

本实施例提供的脱硝喷氨自适应控制方法，通过预先训练的反应器入口NOx浓度模型及反应器出口NOx浓度模型，计算得到入口NOx浓度及出口NOx浓度，并基于其确定喷氨量，从而提高了喷氨量计算的实时性和精确度，避免了浓度检测延迟造成的喷氨量与NOx浓度不匹配，减少排放超标情况，降低电厂经济损失。

针对SCR测量系统标定或吹扫过程中无法获得有效NOx数据的问题，本实施例可以采用上述模型输出的入口NOx浓度计算值和反应NOx浓度计算值代替入口NOx测量值和出口NOx测量值，降低了吹扫和校准对控制造成的不利影响。基于此，上述方法还可包括以下步骤：

(1)当测量系统标定或吹扫时，将反应器入口NOx浓度、脱硝反应数据输入反应器出口NOx浓度模型，得到反应器出口NOx浓度；

(2)根据反应器入口NOx浓度、反应器出口NOx浓度，确定第二喷氨量。

可选地，上述反应器入口NOx浓度模型按照以下方式训练：

(1)获取不同负荷区间的历史燃烧数据。

历史燃烧数据包括以下至少一项参数：机组负荷、燃料热值、总燃料量、一次风量、二次风量、给煤机煤量反馈信号、各层辅助风调节挡板位置反馈信号、各层燃料风调节挡板位置反馈信号、各层附加风调节挡板位置反馈信号、各磨煤机入口一次风流量、各磨煤机入口一次风压力、烟气含氧量、入口NOx浓度；

(2)根据不同负荷区间的历史燃烧数据分别训练逆传播(Back Propagation，BP)神经网络模型，得到针对不同负荷区间的多个入口浓度子模型。

可选地，上述反应器出口NOx浓度模型按照以下方式训练：

(1)获取不同负荷区间的历史脱硝反应数据，历史脱硝反应数据包括以下至少一项参数：入口NOx浓度、入口烟气流量、入口烟气温度、入口烟气含氧量、出口烟气含氧量、喷氨量、氨逃逸量、机组负荷、出口NOx浓度；

(2)根据不同负荷区间的历史脱硝反应数据分别训练逆传播神经网络模型，得到针对不同负荷区间的多个出口浓度子模型。

在上述训练过程中，还可以对历史数据进行筛选，筛选出具有最大信息量的变量组合作为有效输入变量，上述方法还包括：对不同负荷区间的历史燃烧数据或历史脱硝反应数据进行筛选，将具有最大信息量的参数组合作为有效训练数据，并根据有效训练数据训练得到上述入口浓度子模型或上述出口浓度子模型。

在构建上述模型后，还可以对其进行参数优化，上述方法还包括：根据遗传算法及上述有效训练数据对反应器入口NOx浓度模型和反应器NOx数据模型的参数进行寻优，得到最优模型参数。

以下详细介绍喷氨自适应控制方法的详细过程。

一、从DCS(Distributed Control System，分散控制系统)系统与数据库中获取运行历史数据并确定备选输入变量集，从历史数据中选取入口NOx浓度模型及出口NOx浓度模型的训练数据。具体步骤如下：

1.1从DCS系统与数据库获取运行历史数据以及备选输入变量集，数据采样间隔为1min，备选输入变量集包括：时间点、机组负荷、燃料热值、总燃料量、总风量、各给煤机煤量反馈信号、各层辅助风调节挡板位置反馈信号、各层燃料风调节挡板位置反馈信号、各层附加风调节挡板位置反馈信号、各磨煤机入口一次风流量、各磨煤机入口一次风压力、SCR系统烟气流量、烟气含氧量、SCR入口NOx浓度、喷氨量、SCR出口NOx浓度、氨逃逸量。

1.2根据不同的机组负荷对上以步骤获取的历史数据进行分段，负荷段间隔为最大负荷的10％。

1.3对1.1步骤中选入变量集进行筛选，筛选出具有最大信息量的变量组合作为有效输入变量。

由于备选的参数比较多，其携带的信息会有重复，在上述备选输入变量集的参数也可能存在重复，因此仅需要确定具有最大信息量的变量组合即可。

1.4根据1.3中选取的变量，取不同负荷段内一定数量的历史数据，剔除其中的异常值，剩余数据作为训练数据。

不同负荷段内采取的历史数据的数量可以根据实际运行数据来调整，不同负荷段需要的数据可以不同。由于不同负荷段运行的时间不同，有的负荷段数据较多，有的负荷段数据少。

二、根据上述训练数据构建基于历史数据的SCR反应器入口NOx浓度模型和SCR反应器出口NOx浓度模型。

SCR反应器入口NOx浓度模型采用BP神经网络建模方法构建；模型备选输入变量集包括机组负荷、燃料热值、总燃料量、一次风量、二次风量、给煤机煤量反馈信号、各层辅助风调节挡板位置反馈信号、各层燃料风调节挡板位置反馈信号、各层附加风调节挡板位置反馈信号、各磨煤机入口一次风流量、各磨煤机入口一次风压力、烟气含氧量，模型输出为SCR入口NOx浓度。

SCR反应器出口NOx浓度模型同样采用BP神经网络建模方法构建；模型备选输入变量集包括SCR脱硝反应器入口NOx浓度、入口烟气流量、入口烟气温度、入口烟气含氧量、出口烟气含氧量、喷氨量、氨逃逸量、机组负荷，模型输出为SCR出口NOx浓度。

不同负荷段的模型都是单独训练的，既每个负荷段都有针对该负荷段的模型。

三、通过遗传算法利用训练数据对SCR反应器入口NOx浓度模型和SCR反应器出口NOx浓度模型的参数进行寻优，得到最优模型参数。

四、已知SCR反应器出口NOx浓度模型，将SCR系统出口NOx浓度设定值作为目标，反求喷氨量，即可获得最佳喷氨量。

五、根据脱硝系统运行状态自适应调整前馈系数，该前馈系数结合四中计算的最佳喷氨量确定最终输出的喷氨量。

参见图2所示的喷氨量前馈和智能预测控制策略示意图，该控制策略基于上述NOx浓度模型计算喷氨前馈信号后，经前馈系数k1与串级控制主PID乘以前馈系数k2后输出的喷氨量信号相加，得到副PID的控制信号。

如图2所示，控制策略包括：

1.基于SCR反应器入口NOx浓度模型及SCR反应器出口NOx浓度模型，共同确定的最佳喷氨量模型输出第一喷氨量。该第一喷氨量乘以前馈系数K1，得到第一喷氨信号。

2.基于入口NOx浓度测量值及出口NOx浓度测量值，计算得到第二喷氨量。该第二喷氨量乘以前馈系数K2，得到第二喷氨信号。主PID基于该喷氨信号进行控制。

3.基于第一喷氨信号及第二喷氨信号相加，得到控制信号。该控制信号用于输入副PID中计算出喷氨阀门开度调节指令，副PID将喷氨阀门开度调节指令发送至喷氨调阀。

本实施例的脱硝喷氨自适应控制方法，采用SCR反应器入口NOx浓度模型和SCR反应器出口NOx浓度模型计算结果作为喷氨量模型输入提高了喷氨量计算的实时性和有效性，避免了CEMS系统检测延迟造成的喷氨量与NOx浓度不匹配问题；当测量系统标定或吹扫时，烟气NOx浓度为固定值，此时串级控制失效，主PID输出的信号会存在较大偏差，对控制效果产生不利影响，本实施例可以采用模型计算值代替测量系统的测量值，从而避免上述不利影响；针对运行工况变化，不同负荷段分别建立对应工况的模型，且不同预测模型可以结合自适应参数调整控制参数。

图3是本发明的一个实施例中一种脱硝喷氨自适应控制装置的结构示意图，该脱硝喷氨自适应控制装置包括：

获取模块301，用于获取当前工况数据，所述当前工况数据包括燃烧数据及脱硝反应数据；

浓度预测模块302，用于将所述燃烧数据输入预先训练的反应器入口氮氧化物浓度模型，得到反应器入口氮氧化物浓度；所述反应器入口氮氧化物浓度模型包括针对不同负荷区间的多个入口浓度子模型，各所述入口浓度子模型由不同负荷区间的历史燃烧数据相应训练得到；

第一计算模块303，用于根据反应器出口氮氧化物浓度设定值、所述反应器入口氮氧化物浓度、所述脱硝反应数据及预先训练的反应器出口氮氧化物浓度模型，确定第一喷氨量；所述反应器出口氮氧化物浓度模型包括针对不同负荷区间的多个出口浓度子模型，各所述出口浓度子模型由不同负荷区间的历史脱硝反应数据相应训练得到；

第二计算模块304，用于根据反应器入口氮氧化物测量浓度、反应器出口氮氧化物测量浓度，确定第二喷氨量；

最终确定模块305，用于根据所述第一喷氨量、所述第二喷氨量及当前工况对应负荷区间的前馈系数确定最终喷氨量；至少两个不同负荷区间的所述前馈系数不同。

本实施例提供的脱硝喷氨自适应控制装置，通过预先训练的反应器入口NOx浓度模型及反应器出口NOx浓度模型，计算得到入口NOx浓度及出口NOx浓度，并基于其确定喷氨量，从而提高了喷氨量计算的实时性和精确度，避免了浓度检测延迟造成的喷氨量与NOx浓度不匹配，减少排放超标情况，降低电厂经济损失。

可选地，作为一个实施例，所述装置还包括第一训练模块，用于：

获取不同负荷区间的历史燃烧数据，所述历史燃烧数据包括以下至少一项参数：机组负荷、燃料热值、总燃料量、一次风量、二次风量、给煤机煤量反馈信号、各层辅助风调节挡板位置反馈信号、各层燃料风调节挡板位置反馈信号、各层附加风调节挡板位置反馈信号、各磨煤机入口一次风流量、各磨煤机入口一次风压力、烟气含氧量、入口氮氧化物浓度；

根据不同负荷区间的所述历史燃烧数据分别训练逆传播神经网络模型，得到针对不同负荷区间的多个入口浓度子模型。

可选地，作为一个实施例，所述装置还包括第二训练模块，用于：

获取不同负荷区间的历史脱硝反应数据，所述历史脱硝反应数据包括以下至少一项参数：入口氮氧化物浓度、入口烟气流量、入口烟气温度、入口烟气含氧量、出口烟气含氧量、喷氨量、氨逃逸量、机组负荷、出口氮氧化物浓度；

根据不同负荷区间的所述历史脱硝反应数据分别训练逆传播神经网络模型，得到针对不同负荷区间的多个出口浓度子模型。

可选地，作为一个实施例，所述第一计算模块303具体用于：

将反应器出口氮氧化物浓度设定值作为预先训练的反应器出口氮氧化物浓度模型的输出目标值，将所述脱硝反应数据及所述反应器入口氮氧化物浓度输入所述反应器出口氮氧化物浓度模型，确定对应的第一喷氨量。

可选地，作为一个实施例，所述最终确定模块305具体用于：

确定当前工况对应负荷区间的第一前馈系数及第二前馈系数；

所述第一前馈系数乘以所述第一喷氨量与所述第二前馈系数乘以所述第二喷氨量求和，得到最终喷氨量。

可选地，作为一个实施例，所述装置还包括第三计算模块，用于：

当测量系统标定或吹扫时，将所述反应器入口氮氧化物浓度、所述脱硝反应数据输入所述反应器出口氮氧化物浓度模型，得到所述反应器出口氮氧化物浓度；

根据所述反应器入口氮氧化物浓度、所述反应器出口氮氧化物浓度，确定所述第二喷氨量。

可选地，作为一个实施例，所述装置还包括筛选模块，用于：

对不同负荷区间的历史燃烧数据或历史脱硝反应数据进行筛选，将具有最大信息量的参数组合作为有效训练数据，并根据所述有效训练数据训练得到入口浓度子模型或出口浓度子模型。

可选地，作为一个实施例，所述装置还包括寻优模块，用于：

根据遗传算法及所述有效训练数据对所述反应器入口氮氧化物浓度模型和所述反应器氮氧化物数据模型的参数进行寻优，得到最优模型参数。

本发明实施例还提供一种脱硝系统，包括反应器及喷氨系统；该喷氨系统用于执行上述实施例提供的脱硝喷氨自适应控制方法。

本发明实施例还提供一种计算机可读存储介质，计算机可读存储介质上存储有计算机程序，该计算机程序被处理器执行时实现上述脱硝喷氨自适应控制方法实施例的各个过程，且能达到相同的技术效果，为避免重复，这里不再赘述。其中，所述的计算机可读存储介质，如只读存储器(Read-Only Memory，简称ROM)、随机存取存储器(Random AccessMemory，简称RAM)、磁碟或者光盘等。

当然，本领域技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程度来指令控制装置来完成，所述的程序可存储于一计算机可读取的存储介质中，所述程序在执行时可包括如上述各方法实施例的流程，其中所述的存储介质可为存储器、磁盘、光盘等。

在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。

本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。

对所公开的实施例的上述说明，使本领域专业技术人员能够实现或使用本发明。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的，本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下，在其它实施例中实现。因此，本发明将不会被限制于本文所示的这些实施例，而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。

Claims (10)

1.一种脱硝喷氨自适应控制方法，其特征在于，所述方法包括：

获取当前工况数据，所述当前工况数据包括燃烧数据及脱硝反应数据；

将所述燃烧数据输入预先训练的反应器入口氮氧化物浓度模型，得到反应器入口氮氧化物浓度；所述反应器入口氮氧化物浓度模型包括针对不同负荷区间的多个入口浓度子模型，各所述入口浓度子模型由不同负荷区间的历史燃烧数据相应训练得到；

根据反应器出口氮氧化物浓度设定值、所述反应器入口氮氧化物浓度、所述脱硝反应数据及预先训练的反应器出口氮氧化物浓度模型，确定第一喷氨量；所述反应器出口氮氧化物浓度模型包括针对不同负荷区间的多个出口浓度子模型，各所述出口浓度子模型由不同负荷区间的历史脱硝反应数据相应训练得到；

根据反应器入口氮氧化物测量浓度、反应器出口氮氧化物测量浓度，确定第二喷氨量；

根据所述第一喷氨量、所述第二喷氨量及当前工况对应负荷区间的前馈系数确定最终喷氨量；至少两个不同负荷区间的所述前馈系数不同。

2.根据权利要求1所述的脱硝喷氨自适应控制方法，其特征在于，所述方法还包括：

获取不同负荷区间的历史燃烧数据，所述历史燃烧数据包括以下至少一项参数：机组负荷、燃料热值、总燃料量、一次风量、二次风量、给煤机煤量反馈信号、各层辅助风调节挡板位置反馈信号、各层燃料风调节挡板位置反馈信号、各层附加风调节挡板位置反馈信号、各磨煤机入口一次风流量、各磨煤机入口一次风压力、烟气含氧量、入口氮氧化物浓度；

根据不同负荷区间的所述历史燃烧数据分别训练逆传播神经网络模型，得到针对不同负荷区间的多个入口浓度子模型。

3.根据权利要求1所述的脱硝喷氨自适应控制方法，其特征在于，所述方法还包括：

获取不同负荷区间的历史脱硝反应数据，所述历史脱硝反应数据包括以下至少一项参数：入口氮氧化物浓度、入口烟气流量、入口烟气温度、入口烟气含氧量、出口烟气含氧量、喷氨量、氨逃逸量、机组负荷、出口氮氧化物浓度；

根据不同负荷区间的所述历史脱硝反应数据分别训练逆传播神经网络模型，得到针对不同负荷区间的多个出口浓度子模型。

4.根据权利要求1所述的脱硝喷氨自适应控制方法，其特征在于，所述根据反应器出口氮氧化物浓度设定值、所述反应器入口氮氧化物浓度、所述脱硝反应数据及预先训练的反应器出口氮氧化物浓度模型，确定第一喷氨量，包括：

将反应器出口氮氧化物浓度设定值作为预先训练的反应器出口氮氧化物浓度模型的输出目标值，将所述脱硝反应数据及所述反应器入口氮氧化物浓度输入所述反应器出口氮氧化物浓度模型，确定对应的第一喷氨量。

5.根据权利要求1所述的脱硝喷氨自适应控制方法，其特征在于，所述根据所述第一喷氨量、所述第二喷氨量及当前工况对应负荷区间的前馈系数确定最终喷氨量，包括：

确定当前工况对应负荷区间的第一前馈系数及第二前馈系数；

所述第一前馈系数乘以所述第一喷氨量与所述第二前馈系数乘以所述第二喷氨量求和，得到最终喷氨量。

6.根据权利要求1所述的脱硝喷氨自适应控制方法，其特征在于，所述方法还包括：

当测量系统标定或吹扫时，将所述反应器入口氮氧化物浓度、所述脱硝反应数据输入所述反应器出口氮氧化物浓度模型，得到所述反应器出口氮氧化物浓度；

根据所述反应器入口氮氧化物浓度、所述反应器出口氮氧化物浓度，确定所述第二喷氨量。

7.根据权利要求2或3所述的脱硝喷氨自适应控制方法，其特征在于，所述方法还包括：

对不同负荷区间的历史燃烧数据或历史脱硝反应数据进行筛选，将具有最大信息量的参数组合作为有效训练数据，并根据所述有效训练数据训练得到入口浓度子模型或出口浓度子模型。

8.根据权利要求7所述的脱硝喷氨自适应控制方法，其特征在于，所述方法还包括：

根据遗传算法及所述有效训练数据对所述反应器入口氮氧化物浓度模型和所述反应器氮氧化物数据模型的参数进行寻优，得到最优模型参数。

9.一种脱硝喷氨自适应控制装置，其特征在于，所述装置包括：

获取模块，用于获取当前工况数据，所述当前工况数据包括燃烧数据及脱硝反应数据；

浓度预测模块，用于将所述燃烧数据输入预先训练的反应器入口氮氧化物浓度模型，得到反应器入口氮氧化物浓度；所述反应器入口氮氧化物浓度模型包括针对不同负荷区间的多个入口浓度子模型，各所述入口浓度子模型由不同负荷区间的历史燃烧数据相应训练得到；

第一计算模块，用于根据反应器出口氮氧化物浓度设定值、所述反应器入口氮氧化物浓度、所述脱硝反应数据及预先训练的反应器出口氮氧化物浓度模型，确定第一喷氨量；所述反应器出口氮氧化物浓度模型包括针对不同负荷区间的多个出口浓度子模型，各所述出口浓度子模型由不同负荷区间的历史脱硝反应数据相应训练得到；

第二计算模块，用于根据反应器入口氮氧化物测量浓度、反应器出口氮氧化物测量浓度，确定第二喷氨量；

最终确定模块，用于根据所述第一喷氨量、所述第二喷氨量及当前工况对应负荷区间的前馈系数确定最终喷氨量；至少两个不同负荷区间的所述前馈系数不同。

10.一种脱硝系统，其特征在于，包括：反应器及喷氨系统；所述喷氨系统用于执行权利要求1-8任一项所述的脱硝喷氨自适应控制方法。

Images