CN112742187A - 一种脱硫系统中pH值的控制方法及装置 - Google Patents

Abstract

本说明书实施例公开了一种脱硫系统中pH值的控制方法及装置，所述方法包括：采用时间序列神经网络模型训练预测模型；根据所述预测模型确定预测输出pH值；将pH设定值和所述预测输出pH值的差值作为预测控制器的输入，得到供浆量信号；根据所述供浆量信号进行pH值控制。本申请提出的NARX神经网络和改进DMC预测控制算法相结合的控制策略，采用比阶跃响应序列更能拟合被控对象非线性特性的NARX神经网络作为预测模型，并在通过预测误差校正预测输出值的基础上加入预测误差的变化趋势，使得系统控制器能提前进行动作，消除外部扰动对被控对象的影响，具有良好的控制性能。

Description

一种脱硫系统中pH值的控制方法及装置

技术领域

本申请涉及脱硫控制技术领域，尤其涉及一种脱硫系统中pH值的控制方法及装置。

背景技术

近年来，我国电力行业飞速发展，相应带来的环境污染问题引起了广泛的社会关注，国家对电力环保的重视日益增加。燃煤电厂排放的二氧化硫是大气污染物的主要组成部分，石灰石-石膏湿法烟气脱硫是当前应用最为广泛的一种脱硫方法。湿法脱硫系统的工作原理实质上就是酸碱中和反应，与吸收塔内的浆液pH值大小密切相关，因此对塔内浆液pH值的有效控制是整个脱硫控制系统的关键。由于pH值控制系统的被控对象存在大惯性、时变性、纯迟延、非线性等特征，因此很难对pH值进行精确的控制。

智能控制理论是燃煤机组进行脱硫控制的重要措施之一。由于采用先进的控制算法实现降低二氧化硫排放，具有低风险、控制效果明显、不需要就地改造的优点，因此成为很多电厂首选的脱硫控制技术。

目前脱硫系统控制技术常用的方法有下面两种：

1、脱硫系统模糊控制的方法

模糊控制是通过对人的控制方式以及操作经验的模仿来进行控制的一种方法。优点有：不需要得到系统准确的数学模型，可以用模糊条件语句来代替，再用模糊逻辑推理、处理系统的实时输入，最后得到相应的控制策略。它能够克服被控对象的时变性、非线性等特征，自适应能力较强。但是由于模糊控制为PD控制，没有积分作用，无法消除稳态误差，因此控制准确度比较低。而且此方法需要建立模糊规则，对经验知识和推理机制的要求比较高，因此应用不是很广泛。

2、脱硫系统专家控制的方法

专家控制的基础是要明确被控对象和控制规律的基本理论，专家系统由以下五部分构成：知识理论库、推理机、综合数据库、外部接口和知识获取。运用专家系统来控制浆液pH值需要了解系统信息以及与pH值控制相关的大量化学反应式、计算公式等，而且需要研究FGD系统中大量的物理结构、基本参数等，控制过程比较复杂，不容易实现。

发明内容

有鉴于此，本申请实施例提供了一种脱硫系统中pH值的控制方法及装置，用于提高pH值的控制精度。

为解决上述技术问题，本说明书实施例是这样实现的：

本说明书实施例提供的一种脱硫系统中pH值的控制方法，包括：

采用时间序列神经网络模型(NARX)训练预测模型；

根据所述预测模型确定预测输出pH值；

将pH设定值和所述预测输出pH值的差值作为预测控制器的输入，得到供浆量信号；

根据所述供浆量信号进行pH值控制。

可选的，所述方法还包括：

确定被控对象的模型结构；

获取所述被控对象的实际输出pH值；

根据所述实际输出pH值和所述预测输出pH值计算预测误差；

根据所述预测误差计算预测误差变化率；

根据所述预测误差和所述误差变化率对预测控制器的输出值进行校正。

可选的，所述被控对象的模型结构为：

其中，K为比例系数，τ为延迟时间，T₁、T₂为惯性时间。

可选的，在确定被控对象的模型结构之后，所述方法还包括：

采用粒子群算法寻优确定模型结构的参数。

可选的，所述寻优以所述模型结构的实际数据和预测输出的最小误差为目标，采用均方根误差为误差评估指标，所述误差评估指标的计算公式为：

其中，n为样本数，o(k)和y(k)分别为实际输出与预测输出。

可选的，所述被控对象传递函数为：

可选的，所述采用时间序列神经网络模型训练预测模型，具体包括：

采用NARX神经网络来构建动态矩阵控制系统的预测模型。

可选的，所述预测模型的隐含层节点设为10，所述隐含层激励函数选用双曲正切函数。

可选的，所述预测控制器的构建过程为：

在所述被控对象上施加一个供浆量阶跃响应信号，得到所述被控对象的动态矩阵，以所述pH设定值与所述预测输出pH值的差值最小作为优化函数，求得预测控制中的控制矩阵，构成预测控制器。

本说明书实施例提供的一种脱硫系统中pH值的控制装置，包括：

预测模型训练模块，用于采用时间序列神经网络模型训练预测模型；

预测输出pH值确定模块，用于根据所述预测模型确定预测输出pH值；

供浆量信号确定模块，用于将pH设定值和所述预测输出pH值的差值作为预测控制器的输入，得到供浆量信号；

pH值控制模块，用于根据所述供浆量信号进行pH值控制。

本说明书实施例采用的上述至少一个技术方案能够达到以下有益效果：

本申请提出的NARX神经网络和改进DMC预测控制算法相结合的控制策略，采用比阶跃响应序列更能拟合被控对象非线性特性的NARX神经网络作为预测模型，并在通过预测误差校正预测输出值的基础上加入预测误差的变化趋势，使得系统控制器能提前进行动作，消除外部扰动对被控对象的影响，具有良好的控制性能。

附图说明

此处所说明的附图用来提供对本申请的进一步理解，构成本申请的一部分，本申请的示意性实施例及其说明用于解释本申请，并不构成对本申请的不当限定。在附图中：

图1为本申请提供的实现脱硫系统中的pH值控制的流程示意图；

图2为脱硫系统工艺流程图；

图3为脱硫系统被控对象寻优输出结果；

图4为NARX神经网络预测模型结构；

图5为预测模型测试输出曲线；

图6为PID控制，DMC控制及改进DMC控制算法的阶跃响应结果比较；

图7为改进DMC控制在实际脱硫系统pH值控制效果图；

图8为本说明书实施例提供的一种脱硫系统中pH值的控制方法的流程示意图；

图9为本说明书实施例提供的对应于图8的一种脱硫系统中pH值的控制装置的结构示意图。

具体实施方式

为使本申请的目的、技术方案和优点更加清楚，下面将结合本申请具体实施例及相应的附图对本申请技术方案进行清楚、完整地描述。显然，所描述的实施例仅是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。

图1为本申请提供的实现脱硫系统中的pH值控制的流程示意图，如图1所示，主要有四个方面，一是控制对象的确定，二是预测模型的建立，三是预测控制器的设计，四是反馈校正。

(1)脱硫系统被控对象的模型结构的确定

一个控制系统的设计首先要确定被控对象的模型结构，本申请以某330MW循环流化床机组为例，脱硫系统工艺流程图如图2所示。脱硫系统主要包括石灰石浆液制备系统，二氧化硫吸收氧化系统和石膏脱水储存系统等。在现有的脱硫方法中，使用最多的是石灰石-石膏湿法烟气脱硫技术，石灰石-石膏湿法烟气脱硫技术工艺原理是通过喷洒大量的石灰石浆液，与含硫烟气大面积接触，使烟气中的SO₂与吸收剂充分反应，并与氧气反应后生成石膏，从而降低SO₂的浓度达到脱硫目的，核心内容是通过控制阀门开度调节浆液流量来控制pH值大小。

脱硫过程中，湿法烟气脱硫基本流程描述如下：

含硫烟气经过降温侧后被引风机引入吸收塔，与石灰石浆液接触进行脱硫化学反应，烟气在吸收塔内至下而上流动并且被向下流动的循环浆液以逆流的方式进行洗涤，气液接触过程中发生以下反应：

CaCO₃+2SO₂+H₂O→Ca(HSO₃)₂+CO₂ (1)

吸收塔最下方的氧化风机引入氧气，使经过石灰石浆液洗涤之后产生的亚硫酸氢钙与氧气反应生成石膏，之后进行回收，化学反应式如下：

Ca(HSO₃)₂+O₂+CaCO₃+3H₂O→2CaSO₄·2H₂O+CO₂ (2)

由反应方程式可以看出，在吸收塔底部的浆液池中，同时含有石灰石浆液和大量石膏，达到一定密度的石膏浆液经过一级和二级脱水之后生产出石膏进行回收利用，剩余的浆液被送回喷淋层继续循环进行脱硫反应。脱硫之后的净烟气通过除雾器去除水滴之后由烟囱排放至大气，反应之后的废水经过环保处理之后排出。

模型的用途决定了模型结构，模型阶次过高的话不能很好地对系统进行分析和设计，要是模型的用途是控制被控变量的话阶次不应选取很高，因此所研究的pH值控制系统的被控对象模型选取为2阶，即将pH值控制系统的被控对象模型结构确定为由纯滞后和两个惯性环节组成，因此对pH值进行控制的输入量为浆液流量，输出量是浆液pH值，其脱硫系统的被控对象的模型结构如下式：

确定模型结构后，得到四个需要辨识的参数，其中，K为比例系数，τ为延迟时间，T₁、T₂为惯性时间。也就是说需要对这四个参数进行寻优，常用的寻优方法例如粒子群算法。

脱硫系统pH值控制需要检测的主要输出参数为pH值，所以本申请建立模型的输出与实际输出之间的最小误差为目标，误差评估指标为均方根误差(root mean squareerror,RMSE)，其计算公式为：

其中，n为样本数，o(k)和y(k)分别为实际输出与预测输出。

根据式(3)确定的模型结构，采用从电厂采集的浆液流量作为模型输入，分别给定4个参数的寻优范围以及初始值，利用粒子群寻优算法进行迭代，将每次模型的输出与电厂实际pH值比较，不断更新4个参数，找到能使模型输出与实际输出之间的均方根误差最小的4个参数值就是最终的模型参数。得到模型的pH值输出，与实际pH值输出作对比，就得到图(3)中两条曲线，可以直观的看到两条曲线拟合性好，因此经过寻优辨识得到的模型具有较高的准确性，辨识得到的被控对象传递函数为：

(2)控制系统预测模型的建立

预测控制的核心思想是通过一个基本的预测模型去预估控制系统在未来时刻的输出，进而产生控制作用。因此，为了使预测控制策略实用化，间接地要求预测模型应该尽量准确，这样才能保证预测控制有良好的调节品质。传统动态矩阵控制算法选取了被控对象的单位阶跃响应数据序列作为控制算法的基本预测模型，但考虑到现场脱硫系统本身所具有的非线性时变因素和各种复杂工况影响，本申请采用NARX神经网络来构建动态矩阵控制系统的预测模型。

在对被控对象神经网络建模过程中，一个多输入单输出系统的离散方程如式(5)所示：

y(k)＝f[y(k-1)，y(k-2)，...，y(k-n_y)，u₁(k)，u₁(k-1)，...，u₁(k-n₁)，u₂(k)，u₂(k-1)，...，u₂(k-n₂)，...，u_n(k)，u_n(k-1)，...，u_n(k-n_n)](5)

式中：y(k)为被控系统的输出；u₁(k)，...，u_n(k)为被控系统的输入；n_y为系统输出的时间序列延迟个数；n₁，...，n_n为系统输入的时间序列延迟个数。

对于脱硫系统，研究中输入输出的阶次均选择为3阶，则得到如式(6)所示的神经网络模型结构。

其中，y_pH为脱硫预测模型出口pH值，

为吸收塔入口SO₂浓度，u_density为石灰石浆液密度，

为吸收塔入口烟气含氧量，u_temp为吸收塔入口烟气温度。其预测模型结构图如图(4)所示。

对NARX神经网络分别设定不同的隐含层节点训练得到不同的模型，比较模型的输出误差，选取误差最小的神经网络，针对本方案选择的数据，测试得到当隐含层节点设为10时效果最好。隐含层激励函数选用双曲正切函数，如式(7)所示。

输出层激励函数选用双极性sigma函数，如式(8)所示。

激励函数用来给模型加入非线性因素的，使模型在非线性建模具有更好的泛化能力。

脱硫系统神经网络预测模型的结构如图4所示。

选所取数据的前70％进行模型的训练，取后30％数据进行模型测试，得到预测模型的测试结果如图5所示，模型的测试均方根误差为4.11，由模型的测试曲线以及评价指标能够看出预测模型可以很好的预测pH值的变化。

(3)脱硫系统的预测控制器的设计

本申请采用动态矩阵控制策略对脱硫系统中pH值进行控制，因此脱硫系统预测控制器的设计实际上就是动态矩阵控制算法滚动优化的计算过程，即只要给出被控系统的未来P个希望输出Y_r，如式(9)所示：

Y_r＝[y_r(k+1),y_r(k+2),…,y_r(k+P)]^T (9)

按着希望输出与预测输出方差最小原则，就能优化出所需的未来M个控制量，上述P是优化时域，M是控制时域。

定义函数目标：

式中，h_i,r_j为加权系数，y_M为模型预测输出，u_M为控制器输出增量。

这里分别将h_i,r_j构成对角矩阵，diag表示对角矩阵的意思，即：

H＝diag[h₁,h₂,…,h_P]

R＝diag[r₁，r₂，…，r_M]

则可以把式(10)改写成矩阵的形式，即：

其中：

U_M＝[Δu(k+M-1)，…，Δu(k+1)，Δu(k)]^T

Y_M＝[y_M(k+1)，y_M(k+2)，…，y_M(k+P)]^T

要想最小化目标函数式(11)，根据极值必要条件，极值肯定是导数为零或导数不存在的点，即对式(11)进行求导令其等于零，可以得到最优控制率式(12)：

其中：Y₀称为基本输出，即没有预测输入情况下的系统实测输出，W_M为预测输入时的模型，称为动态矩阵。

令：

则式(12)可写为：

U_M＝K_M(Y_r-Y₀) (14)

其中，K_M称为控制矩阵，根据式(13)所示的控制矩阵，给定其期望输出的偏差值，可以得到控制增量，用于校正系统输出。

从式(14)中可以看出，最优控制率的计算复杂程度主要与动态矩阵W_M有关，也就是与P和M的大小有关，而在每一时刻求出的M个最优控制增量矩阵中，动态矩阵控制只是取其中的当前控制作用增量Δu(k|k)计算系统的实际控制率施加在被控对象上，并不是把滚动优化所得的所有最优控制增量都当作应实现的解，因此可通过引入一个衰减系数，将当前要实施的系统的控制量作为系统优化变量，未来其他时刻的系统控制量用当前控制量和衰减系数表示，即：

Δu(k+i|k)＝ρⁱΔu(k|k)0＜ρ＜1 (15)

其中ρ为衰减系数，在控制问题中，一般期望控制量光滑、平稳地趋近固定值，特别对于调节问题，理想的控制输入应具有渐近衰减到零的形式，因此可采用具有输入衰减形式的集结滚动优化策略，令集结优化变量仅为当前要实施的控制量，未来其他时刻的系统控制量用当前控制量和衰减系数表示，集结矩阵为：

集结算法的核心思想就是减少在线优化变量的维数或者个数，以达到降低计算量的目的。引入集结矩阵之后，集结的方式为通过一个集结矩阵使高维的优化变量降维，把原来的优化变量映射到一个低维的优化变量序列上，这样处理之后，滚动优化中需要计算的优化变量减少，从而降低了整个控制过程的计算量。对于本方案，系统优化变量的维数从原M维降到了1维，即在滚动优化时的计算量从原来需要求解M个控制增量简化为只需要求解Δu(k|k)即可，极大缩减了计算时间。

(4)反馈校正

因为系统运行工况的复杂性和各种环境的影响，系统总会遭受各种扰动，这就会导致预测模型的输出与实际被控对象的输出存在相对的误差，要消除这种预测误差就要对其进行反馈校正。当在kT_S时刻采集到实际输出y(k)以后，把它与估计的预测输出y_M(k+1)进行分析比较，得到预测误差为：

e(k)＝y(k)-y_M(k+1) (16)

再根据这个误差去修正各个预测输出值，即：

y_P(k+i)＝y_M(k+i)+c_ie(k) (17)

式中，c_i为加权修正系数，i＝1,2,…,P。

但是这种误差校正方法只对根据当前的误差对预测模型输出进行反馈校正，而没有考虑到误差的变化情况，有可能会导致过渡时间偏长，误差干扰的校正不够迅速，没有很好的抗干扰能力。所以，在k时刻，可以根据当前已得到的误差e(k)和预测模型的预测输出误差e(k+1)计算得到误差变化率，引入到预测输出的反馈校正中，依据预测误差和误差变化趋势，迅速修正预测输出与实际输出之间的误差。即：

y_P(k+i)＝y_M(k+i)+c_ie(k)+gΔe(k) (18)

其中，

Δe(k)＝e(k)-e(k+1)，g＝[g₁，g₂，...，g_P],

为了验证改进动态矩阵预测控制算法的有效性，本申请在simulink中，对上文得到的脱硫系统pH值控制被控对象进行预测控制仿真，控制策略分别采用PID控制、传统DMC控制和带有误差变化率的DMC控制，仿真结果如图6所示，可以看出，DMC控制相比于PID控制，在跟踪性上具有过渡过程时间短且超调量小等优点，并且加入误差变化率的DMC控制在控制效果上得到进一步改善。接着采用实际电厂数据对设计的脱硫pH值控制系统进行仿真，结果如图7所示，pH控制输出与设定值之间的均方差为0.35，因此本设计所采用的改进DMC控制算法控制效果良好，可以应用于实际脱硫控制中。

以下结合附图，详细说明本申请各实施例提供的技术方案。

图8为本说明书实施例提供的一种脱硫系统中pH值的控制方法的流程示意图。从程序角度而言，流程的执行主体可以为搭载于应用服务器的程序或应用客户端。

如图8所示，该流程可以包括以下步骤：

步骤810：采用时间序列神经网络模型训练预测模型；

步骤820：根据所述预测模型确定预测输出pH值；

步骤830：将pH设定值和所述预测输出pH值的差值作为预测控制器的输入，得到供浆量信号；

步骤840：根据所述供浆量信号进行pH值控制。

基于图8的方法，本说明书实施例还提供了该方法的一些具体实施方式，下面进行说明。

可选的，所述方法还包括：

确定被控对象的模型结构；

获取所述被控对象的实际输出pH值；

根据所述实际输出pH值和所述预测输出pH值计算预测误差；

根据所述预测误差计算预测误差变化率；

根据所述预测误差和所述误差变化率对预测控制器的输出值进行校正。

可选的，所述被控对象的模型结构为：

其中，K为比例系数，τ为延迟时间，T₁、T₂为惯性时间。

可选的，在确定被控对象的模型结构之后，所述方法还包括：

采用粒子群算法寻优确定模型结构的参数。

可选的，所述寻优以所述模型结构的实际数据和预测输出的最小误差为目标，采用均方根误差为误差评估指标，所述误差评估指标的计算公式为：

其中，n为样本数，o(k)和y(k)分别为实际输出与预测输出。

可选的，所述被控对象传递函数为：

可选的，所述采用时间序列神经网络模型训练预测模型，具体包括：

采用NARX神经网络来构建动态矩阵控制系统的预测模型。

可选的，所述预测模型的隐含层节点设为10，所述隐含层激励函数选用双曲正切函数。

可选的，所述预测控制器的构建过程为：

在所述被控对象上施加一个供浆量阶跃响应信号，得到所述被控对象的动态矩阵，以所述pH设定值与所述预测输出pH值的差值最小作为优化函数，求得预测控制中的控制矩阵，构成预测控制器。

基于同样的思路，本说明书实施例还提供了上述方法对应的装置。图9为本说明书实施例提供的对应于图8的一种脱硫系统中pH值的控制装置的结构示意图。如图9所示，该装置可以包括：

本说明书实施例提供的一种脱硫系统中pH值的控制装置，包括：

预测模型训练模块910，用于采用时间序列神经网络模型训练预测模型；

预测输出pH值确定模块920，用于根据所述预测模型确定预测输出pH值；

供浆量信号确定模块930，用于将pH设定值和所述预测输出pH值的差值作为预测控制器的输入，得到供浆量信号；

pH值控制模块940，用于根据所述供浆量信号进行pH值控制。

本说明书中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。尤其，对于系统实施例而言，由于其基本相似于方法实施例，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。

以上所述仅为本申请的实施例而已，并不用于限制本申请。对于本领域技术人员来说，本申请可以有各种更改和变化。凡在本申请的精神和原理之内所作的任何修改、等同替换、改进等，均应包含在本申请的权利要求范围之内。

Claims (10)

1.一种脱硫系统中pH值的控制方法，其特征在于，所述方法包括：

采用时间序列神经网络模型训练预测模型；

根据所述预测模型确定预测输出pH值；

将pH设定值和所述预测输出pH值的差值作为预测控制器的输入，得到供浆量信号；

根据所述供浆量信号进行pH值控制。

2.如权利要求1所述的方法，其特征在于，所述方法还包括：

确定被控对象的模型结构；

获取所述被控对象的实际输出pH值；

根据所述实际输出pH值和所述预测输出pH值计算预测误差；

根据所述预测误差计算预测误差变化率；

根据所述预测误差和所述误差变化率对预测控制器的输出值进行校正。

3.如权利要求2所述的方法，其特征在于，所述被控对象的模型结构为：

其中，K为比例系数，τ为延迟时间，T₁、T₂为惯性时间。

4.如权利要求3所述的方法，其特征在于，在确定被控对象的模型结构之后，所述方法还包括：

采用粒子群算法寻优确定模型结构的参数。

5.如权利要求4所述的方法，其特征在于，所述寻优以所述模型结构的实际数据和预测输出的最小误差为目标，采用均方根误差为误差评估指标，所述误差评估指标的计算公式为：

其中，n为样本数，o(k)和y(k)分别为实际输出与预测输出。

6.如权利要求4所述的方法，其特征在于，所述被控对象传递函数为：

7.如权利要求1所述的方法，其特征在于，所述采用时间序列神经网络模型训练预测模型，具体包括：

采用NARX神经网络来构建动态矩阵控制系统的预测模型。

8.如权利要求1所述的方法，其特征在于，所述预测模型的隐含层节点设为10，所述隐含层激励函数选用双曲正切函数。

9.如权利要求2所述的方法，其特征在于，所述预测控制器的构建过程为：

在所述被控对象上施加一个供浆量阶跃响应信号，得到所述被控对象的动态矩阵，以所述pH设定值与所述预测输出pH值的差值最小作为优化函数，求得预测控制中的控制矩阵，构成预测控制器。

10.一种脱硫系统中pH值的控制装置，其特征在于，包括：

预测模型训练模块，用于采用时间序列神经网络模型训练预测模型；

预测输出pH值确定模块，用于根据所述预测模型确定预测输出pH值；

供浆量信号确定模块，用于将pH设定值和所述预测输出pH值的差值作为预测控制器的输入，得到供浆量信号；

pH值控制模块，用于根据所述供浆量信号进行pH值控制。

Images