CN112926765A - 一种脱硫系统运行优化方法以及信息物理融合系统 - Google Patents
一种脱硫系统运行优化方法以及信息物理融合系统 Download PDFInfo
- Publication number
- CN112926765A CN112926765A CN202110090875.5A CN202110090875A CN112926765A CN 112926765 A CN112926765 A CN 112926765A CN 202110090875 A CN202110090875 A CN 202110090875A CN 112926765 A CN112926765 A CN 112926765A
- Authority
- CN
- China
- Prior art keywords
- desulfurization
- optimization
- desulfurization system
- optimal value
- layer
- 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
- 238000006477 desulfuration reaction Methods 0.000 title claims abstract description 191
- 230000023556 desulfurization Effects 0.000 title claims abstract description 191
- 238000005457 optimization Methods 0.000 title claims abstract description 85
- 238000000034 method Methods 0.000 title claims abstract description 49
- 230000004927 fusion Effects 0.000 title claims abstract description 13
- 238000013528 artificial neural network Methods 0.000 claims abstract description 40
- 230000006870 function Effects 0.000 claims abstract description 34
- 230000002068 genetic effect Effects 0.000 claims abstract description 18
- 239000002002 slurry Substances 0.000 claims description 17
- 238000004364 calculation method Methods 0.000 claims description 8
- 230000003647 oxidation Effects 0.000 claims description 7
- 238000007254 oxidation reaction Methods 0.000 claims description 7
- 230000004044 response Effects 0.000 claims description 7
- 230000001960 triggered effect Effects 0.000 claims description 4
- 230000000007 visual effect Effects 0.000 claims 2
- 238000013500 data storage Methods 0.000 claims 1
- 238000010168 coupling process Methods 0.000 abstract description 16
- 238000005859 coupling reaction Methods 0.000 abstract description 16
- 230000008878 coupling Effects 0.000 abstract description 14
- 239000007789 gas Substances 0.000 description 9
- RAHZWNYVWXNFOC-UHFFFAOYSA-N sulfur dioxide Inorganic materials O=S=O RAHZWNYVWXNFOC-UHFFFAOYSA-N 0.000 description 9
- 230000008569 process Effects 0.000 description 8
- 238000012549 training Methods 0.000 description 8
- 238000013178 mathematical model Methods 0.000 description 7
- 230000003009 desulfurizing effect Effects 0.000 description 6
- UGFAIRIUMAVXCW-UHFFFAOYSA-N Carbon monoxide Chemical compound [O+]#[C-] UGFAIRIUMAVXCW-UHFFFAOYSA-N 0.000 description 5
- 238000010521 absorption reaction Methods 0.000 description 5
- 239000003546 flue gas Substances 0.000 description 5
- 238000005265 energy consumption Methods 0.000 description 4
- 239000000463 material Substances 0.000 description 4
- 230000007246 mechanism Effects 0.000 description 4
- QVGXLLKOCUKJST-UHFFFAOYSA-N atomic oxygen Chemical compound [O] QVGXLLKOCUKJST-UHFFFAOYSA-N 0.000 description 2
- 230000008901 benefit Effects 0.000 description 2
- 238000010276 construction Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000007613 environmental effect Effects 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 239000007788 liquid Substances 0.000 description 2
- 229910052760 oxygen Inorganic materials 0.000 description 2
- 239000001301 oxygen Substances 0.000 description 2
- 235000019738 Limestone Nutrition 0.000 description 1
- 238000009825 accumulation Methods 0.000 description 1
- 230000003044 adaptive effect Effects 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 239000003245 coal Substances 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 239000000428 dust Substances 0.000 description 1
- 238000005538 encapsulation Methods 0.000 description 1
- 239000003344 environmental pollutant Substances 0.000 description 1
- 239000010440 gypsum Substances 0.000 description 1
- 229910052602 gypsum Inorganic materials 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 239000006028 limestone Substances 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000001590 oxidative effect Effects 0.000 description 1
- 230000008447 perception Effects 0.000 description 1
- 231100000719 pollutant Toxicity 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000013139 quantization Methods 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- 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
- B01D53/346—Controlling the process
-
- 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
- B01D53/46—Removing components of defined structure
- B01D53/48—Sulfur compounds
-
- 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
- B01D53/80—Semi-solid phase processes, i.e. by using slurries
-
- 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
- G06N3/044—Recurrent networks, e.g. Hopfield 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
- G06N3/086—Learning methods using evolutionary algorithms, e.g. genetic algorithms or genetic programming
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/06—Energy or water supply
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B01—PHYSICAL OR CHEMICAL PROCESSES OR APPARATUS IN GENERAL
- B01D—SEPARATION
- B01D2258/00—Sources of waste gases
- B01D2258/02—Other waste gases
- B01D2258/0283—Flue gases
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- Chemical & Material Sciences (AREA)
- Theoretical Computer Science (AREA)
- Biomedical Technology (AREA)
- General Physics & Mathematics (AREA)
- Economics (AREA)
- Environmental & Geological Engineering (AREA)
- Strategic Management (AREA)
- Analytical Chemistry (AREA)
- Life Sciences & Earth Sciences (AREA)
- Human Resources & Organizations (AREA)
- General Health & Medical Sciences (AREA)
- Chemical Kinetics & Catalysis (AREA)
- Oil, Petroleum & Natural Gas (AREA)
- General Chemical & Material Sciences (AREA)
- Marketing (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Biophysics (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Game Theory and Decision Science (AREA)
- Bioinformatics & Computational Biology (AREA)
- Physiology (AREA)
- Entrepreneurship & Innovation (AREA)
- Evolutionary Biology (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Development Economics (AREA)
- Bioinformatics & Cheminformatics (AREA)
Abstract
本发明公开了一种脱硫系统运行优化方法以及信息物理融合系统，方法构建基于多种神经网络集成学习的脱硫效率预测模型，准确得出脱硫效率与运行参数之间的量化关系；然后以脱硫系统的边际利润作为寻优目标函数，以可调参数作为寻优自变量，通过遗传函数非线性极值寻优方法得到可调参数的最优值和预测结果的最优值；最后通过得到的最优值对脱硫系统的各个设备进行相应调整，本方法在考虑脱硫系统多参数耦合性和时变性情况下，实现了脱硫系统的实时动态运行优化。系统通过控制决策层、大数据平台层和物理层形成闭环控制与执行操作，解决了在考虑脱硫系统多参数耦合性和时变性情况下，难以通过系统化进行实时动态运行优化和精准闭环控制执行的问题。
Description
技术领域
本发明涉及燃煤发电厂节能优化脱硫系统技术领域，特别涉及一种脱硫系统运行优化方法以及信息物理融合系统。
背景技术
随着电力建设高速增长及烟气SO2排放要求的日益严格，近年来湿法烟气脱硫(Wet Flue Gas Desulfurization，WFGD)系统在我国火电机组中大量装备。其在降低电厂大气污染物排放、改善环境的同时，也明显增加了能耗。在实际运行中，WFGD系统的运行优化调整，往往依靠电厂技术人员的知识积累和经验作为参考调整，然而，技术人员的技术水平具有一定的差异性和主观性，此种经验方法难以实现WFGD系统运行优化的经济性和及时性，往往会造成不必要的电能消耗和运行成本的增加。
发明内容
本发明旨在至少解决现有技术中存在的技术问题之一。为此，本发明提出一种脱硫系统运行优化方法以及信息物理融合系统。
本发明的第一方面，提供了一种脱硫系统运行优化方法，包括以下步骤：
根据影响脱硫系统脱硫效率的运行参数，构建基于多种神经网络集成学习的脱硫效率预测模型；
构建所述脱硫系统的边际利润模型，以所述脱硫系统的边际利润为作为寻优目标函数，以所述脱硫系统当前的运行参数中的可调参数作为寻优自变量，基于遗传函数非线性极值寻优方法对所述脱硫效率预测模型进行计算，得到所述可调参数的最优值和所述脱硫效率预测模型输出预测结果的最优值；
根据所述可调参数的最优值和所述预测结果的最优值对所述脱硫系统进行调整。
根据本发明的实施例，至少具有如下技术效果：
本方法首先构建基于多种神经网络集成学习的脱硫效率预测模型，准确得出脱硫效率与运行参数之间的量化关系；然后以脱硫系统的边际利润作为寻优目标函数，以可调参数作为寻优自变量，通过遗传函数非线性极值寻优方法对脱硫效率预测模型进行计算，得到可调参数的最优值和预测结果的最优值；最后通过得到的可调参数的最优值和预测结果的最优值对脱硫系统的各个设备进行相应调整。本方法在考虑脱硫系统多参数耦合性和时变性情况下，实现了脱硫系统的实时动态运行优化。
本发明的第二方面，提供了一种信息物理融合系统，应用有本发明第一方面所述的脱硫系统运行优化方法，所述信息物理融合系统包括：
物理层，用于实时采集脱硫系统中各设备的运行参数，将所述运行参数发送至大数据平台层、以及接收控制决策层发送的优化执行指令，并根据所述优化执行指令对相应设备执行相应优化操作；
大数据平台层，用于存储所述运行参数、根据所述运行参数，构建基于多种神经网络集成学习的脱硫效率预测模型、构建所述脱硫系统的边际利润模型，以所述脱硫系统的边际利润为作为寻优目标函数，以获取所述脱硫系统当前的运行参数中的可调参数作为寻优自变量，基于遗传函数非线性极值寻优方法对所述脱硫效率预测模型进行计算，得到所述可调参数的最优值和所述脱硫效率预测模型输出预测结果的最优值、以及将所述可调参数的最优值和所述预测结果的最优值作为优化决策信息发送至控制决策层；
控制决策层，用于根据所述优化决策信息，生成所述优化执行指令发送至所述物理层，所述优化执行指令用于使所述物理层根据所述优化决策信息对相应设备执行相应优化操作。
根据本发明的实施例，至少具有如下技术效果：
本实施例提供的信息物理融合系统首先构建基于多种神经网络集成学习的脱硫效率预测模型，准确得出脱硫效率与运行参数之间的量化关系；然后以脱硫系统的边际利润作为寻优目标函数，以可调参数作为寻优自变量，通过遗传函数非线性极值寻优方法对脱硫效率预测模型进行计算，得到可调参数的最优值和预测结果的最优值；最后通过得到的可调参数的最优值和预测结果的最优值对脱硫系统的各个设备进行相应调整。而且本实施例提供的信息物理融合系统通过控制决策层、大数据平台层和物理层形成闭环控制与执行操作，解决了在考虑脱硫系统多参数耦合性和时变性情况下，难以通过系统化进行实时动态运行优化和精准闭环控制执行的问题。
本发明的附加方面和优点将在下面的描述中部分给出，部分将从下面的描述中变得明显，或通过本发明的实践了解到。
附图说明
本发明的上述和/或附加的方面和优点从结合下面附图对实施例的描述中将变得明显和容易理解，其中：
图1为本发明实施例提供的一种脱硫系统运行优化方法的流程示意图；
图2为本发明实施例提供的脱硫效率预测模型实时预测脱硫效率的流程示意图；
图3为本发明实施例提供的一种脱硫系统运行优化方法的逻辑图；
图4为本发明实施例提供的信息物理融合系统的结构示意图。
具体实施方式
下面详细描述本发明的实施例，所述实施例的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的，仅用于解释本发明，而不能理解为对本发明的限制。
在介绍本申请实施例之前，先对本发明的构思所依据的原理进行说明：
WFGD系统的性能受内部设备运行状态和运行参数影响较多，之间具有一定的耦合关系，同时受燃煤煤质、机组负荷、环保排放限制等多种外在不可控因素影响也较大。所以如何在环保排放和安全运行等约束下，同时考虑各个运行参数的耦合性和时变性，构建科学合理的运行优化模型，搭建与WFGD系统现场相适应的实时运行优化系统十分必要。
随着大数据技术和信息物理融合系统(Cyber Physic System，CPS)的发展为上述问题提供了解决思路和方向。大数据技术可较好的在考虑工业机理多参数耦合性的同时，表达出机理模型无法表达的逻辑关系，挖掘出背后所隐藏的数据价值。此外，发电厂大都已经存储积累了大量的数据，具备大数据分析应用的基础，亟待进一步挖掘分析和利用。
CPS是在数字化感知的基础上，深度融合计算、通信和控制工程的一个分散式网络系统，它通过对物理世界和信息世界进行相互映射和联通，循环反馈、计算修正、实时交互，实现对物理系统的远程控制和精确执行。脱硫运行优化主要涉及脱硫浆液PH，浆液循环泵运行状态、氧化风机运行状态三个物理变量，主要包含物理结构和控制器。因此，采用信息物理融合和大数据驱动方法进行脱硫系统的运行优化好控制执行，充分考虑各主要设备状态和参数之间的耦合关系，实时降低脱硫系统的运行成本，从而提高WFGD的经济性。
第一实施例；
参照图1至图3，本发明的一个实施例，提供一种脱硫系统运行优化方法，包括以下步骤：
S101、根据影响脱硫系统脱硫效率的运行参数，构建基于多种神经网络集成学习的脱硫效率预测模型。
脱硫系统的性能采用脱硫效率来评估，脱硫效率与各运行变量耦合的量化关系不好界定。因此本步骤根据影响脱硫系统脱硫效率的运行参数，构建基于多种神经网络集成学习的脱硫效率预测模型，通过脱硫效率预测模型准确找出脱硫效率与运行参数之间的量化关系。相较于构建单个神经网络的脱硫效率预测模型，由于单个神经网络的脱硫效率预测模型的输入具有一定的耦合性，其预测精度和泛化性的往往不能达到较佳，不能较好的满足工程应用要求，于是本实施例构建基于多种神经网络集成学习的脱硫效率预测模型，能够提高脱硫效率预测模型的误差和方差，减少多耦合变量与脱硫效率之间非线性关系表达的偏差，提高脱硫效率预测模型的泛化性。
作为一种可选的实施方式，采用bagging方法对多种神经网络进行集成学习，能够降低神经网络基学习器的方差，从而提高神经网络性能。作为一种可实施方式，多种神经网络包括BP神经网络、Elma神经网络以及GRNN神经网络。
S102、构建脱硫系统的边际利润模型，以脱硫系统的边际利润为作为寻优目标函数，以脱硫系统当前的运行参数中的可调参数作为寻优自变量，基于遗传函数非线性极值寻优方法对脱硫效率预测模型进行计算，得到可调参数的最优值和脱硫效率预测模型输出预测结果的最优值。
在本步骤S102中，首先将脱硫系统的边际利润作为寻优目标函数，脱硫系统的边际利润是指脱硫系统的边际收入与脱硫系统的边际成本之间的差值；从当前运行参数中选出可调整的参数，将选出的可调整的参数作为寻优自变量；然后通过遗传函数非线性极值寻优算法求解上述脱硫效率预测模型，计算其帕累托最优解(详细计算过程可参见本发明的第二实施例)，得到边际利润最大值时所对应的可调参数的最优值以及脱硫效率预测模型输出预测结果的最优值。
S103、根据可调参数的最优值和预测结果的最优值对脱硫系统进行调整。
本实施例提供了一种脱硫系统运行优化方法，本方法首先构建基于多个神经网络集成学习的脱硫效率预测模型，准确得出脱硫效率与运行参数之间的量化关系，而且构建基于多种神经网络集成学习的脱硫效率预测模型，能够提高脱硫效率预测模型的误差和方差，减少多耦合变量与脱硫效率之间非线性关系表达的偏差，提高脱硫效率预测模型的泛化性；然后以脱硫系统的边际利润作为寻优目标函数，以可调参数作为寻优自变量，通过遗传函数非线性极值寻优方法对脱硫效率预测模型进行计算，得到可调参数的最优值和预测结果；最后通过得到的可调参数的最优值和预测结果对脱硫系统的各个设备进行相应调整。本方法在考虑脱硫系统多参数耦合性和时变性情况下，实现了脱硫系统的实时动态运行优化。
参照图3，基于上述实施例，运行参数包括浆液PH、液气比和脱硫塔高度。基于本实施例，步骤S103中对脱硫系统进行调整包括：根据浆液PH的最优值和脱硫塔高度最优值对PID(Proportional Integral Derivative)自动控制；根据液气比最优值对氧化风机运行台数的调整；通过脱硫效率最优值对浆液循环泵运行组合调整。
第二实施例；
参照图4，本发明实施例提供一种信息物理融合系统和基于本信息物理融合系统的脱硫系统运行优化方法，本系统包括物理层、大数据平台层、控制决策层和数字孪生层，其中：
物理层包括量测装置和执行机构，量测装置用于实时采集脱硫系统各设备的运行参数，将采集的运行参数发送至大数据平台层；执行机构用于接收控制决策层反馈的优化执行指令，并根据该优化执行指令对相应设备执行相应优化操作。
大数据平台层包括ETL数据仓储、模型计算器、Kafka(订阅消息流处理系统)流计算系统。其中，ETL数据仓储用于存储由量测装置发送的运行参数。模型计算器用于生成数学模型，其中数学模型包括如第一实施例中的脱硫效率预测模型、通过遗传函数非线性极值寻优算法构建的数学模型、计算脱硫系统的边际利润时构建的数学模型等；模型计算器还执行数学模型的训练和计算过程，以及将数学模型得到的结果发送至控制决策层，例如执行脱硫效率预测模型的训练和预测过程、执行通过遗传函数非线性极值寻优算法计算的过程，还执行将可调参数的最优值和预测结果的最优值作为优化决策信息发送至控制决策层。Kafka流计算系统用于实时信息的数据收集、解耦后输入所述模型计算器，即执行第一实施例中的获取脱硫系统的当前运行参数中的可调参数，将可调参数解耦后输入所述模型计算器。
作为一种可选的实施方式，大数据平台层还包括知识库。知识库用于存储模型计算器中生成的数学模型以及优化决策信息，能够不断积累为行业知识封装，供模型计算器按需调取和对外共享。
控制决策层，设置有PID控制器，一方面PID控制器可以根据大数据平台层发送的优化决策信息进行PID自动控制，生成相应设备的相应优化操作，并生成优化执行指令发送至物理层，该优化执行指令用于使物理层执行相应操作；另一方面PID控制器可以根据数字孪生层发送的触发信息，人为触发PID控制，生成相应设备的相应优化操作，并生成优化执行指令发送至物理层，该优化执行指令用于使物理层执行相应操作。
数字孪生层，与控制决策层同步数据，用于进行脱硫系统各设备的运行参数的可视化展示，优化决策信息的可视化展示，以及接收用户端触发的触发响应，向控制决策层发送触发响应，其中触发响应通过触发器触发；触发响应用于使控制决策层成相应设备的相应优化操作，并使控制决策层生成相应优化执行指令发送至物理层。数字孪生层主要进行人机交互的过程，一方面向用户端展示脱硫系统当前的数据；另一方面设置有触发器，工作人员可以主动触发，从而人为触发PID控制。
本实施例提供的信息物理融合系统通过控制决策层、数字孪生层、大数据平台层和物理层形成闭环控制与执行操作，解决了在考虑脱硫系统多参数耦合性和时变性情况下，难以通过系统化进行实时动态运行优化和精准闭环控制执行的问题。
为了便于本领域技术人员的理解，进一步地，基于本信息物理融合系统实现的一种脱硫系统运行优化方法的流程如下：
S201、构建脱硫边际利润模型；
为了全面地评价脱硫系统的经济性，首先提出脱硫边际利润的计算方法，即电厂每增加脱除单位的二氧化硫系统所产生的利润，边际利润(Hm)主要是由边际收入(Hs)和边际成本(Hv)相减得出，其中边际成本(Hv)是指在每增加脱除单位的二氧化硫，脱硫系统投入的石灰石物耗费
主要设备能耗费、排污税费用(He)之和，其中主要设备能耗费包括脱硫浆液循环泵能耗费(Hcucle)和氧化风机能耗费(Hof)。边际收入(Hm)是指在每增加脱除单位的二氧化硫，由脱硫系统产生的石膏利润
和脱硫电价补贴(Hsub)两部分组成。依此建立脱硫边际利润计算模型(该脱硫边际利润计算模型在大数据平台层中的模型计算器中构建和执行)如下：
脱硫系统的性能一般采用脱硫效率来评估，然而脱硫效率不是越高越佳。当脱硫效率在一定值时，进一步提高脱硫效率会提高脱硫的变动成本，收益可能保持不变或增加。
S202、构建脱硫效率预测模型；
对于影响吸收塔的脱硫效率的主要运行因素中，浆液密度、入口烟气含氧量、烟气含尘量基本稳定，且对物耗和能耗影响较小；液气比(St)直接反映了浆液循环泵的电耗；浆液PH则影响脱硫吸收过程反应，进而影响脱硫效率。脱硫效率大小所对应的氧化过程所需要的氧量，进而决定着氧化风机运行台数。因此根据脱硫系统的实际工况，对脱硫系统的脱硫效率建立脱硫效率预测模型(该脱硫效率预测模型在大数据平台层中的模型计算器中构建和执行)，对不同入口烟气量(Qin)、入口烟气温度(T)和入口二氧化硫浓度
的条件下，建立吸收塔PH、液气比(St)以及脱硫塔液位高度(h)与脱硫效率
之间隐含的量化模型。吸收塔的脱硫效率可表示为：
因为利用单个神经网络构建脱硫效率预测模型时，由于其模型的输入具有一定的耦合性，其预测精度和泛化性的往往不能达到较佳，不能较好的满足工程应用要求。于是在本实施例采用bagging方法对BP神经网络、Elma神经网络和GRNN神经网络进行集成学习，可较好的降低训练数据的随机波动导致的误差，降低神经网络基学习器的方差，从而改善泛化误差。
以应用在一台300MW火电机组中部署实施为例，脱硫效率预测模型的具体构建过程如下：
(1)选取脱硫效率预测模型的输入样本集为A＝{(X1,Y1),(X2,Y2),…(Xm,Ym)}，其中，m为样本集的个数，Yi表示脱硫效率样本集，Xi为影响脱硫效率的6个输入变量样本集，即：
(2)从大数据平台层中的ETL数据仓储中利用ETL工具抽取历史样本集。采集在脱硫系统计划A类检修后，按(1)采集最近脱硫系统持续投运的2个月数据，步长5min，共计17280个样本组成训练样本集A，对样本集A进行3次有放回的随机抽样10000个训练样本，每次得到包含5000个样本的训练样本子集Bj；
(3)对样本Bj训练得到3个不同神经网络弱学习器预测结果F(x)j。根据三个弱学习器结合策略实时得到预测结果，最终输出为强学习器预测结果G(x)；
F(x)j＝{BP,Elma,GRNN}＝{f(x)1,f(x)2,f(x)3} (4)
(4)将训练得到的3个不同神经网络集成学习得到的强学习器进行模型封装至大数据平台层的知识库进行存储和服务；
(5)分别对该3个神经网络弱学习器得到的脱硫效率预测结果进行误差加权平均得到的最终值为强学习器G(x)的回归输出。如下所示，其中ei为各个神经网络预测结果的绝对误差；
由于BP神经网络,Elma神经网络,GRNN神经网络的各个预测结果具有一定的差异性，通过上述误差加权平均结合策略会对误差比较大的神经网络预测结果赋予更小的权重，从而有效降低强学习器的误差结果和泛化误差。
(6)通过大数据平台的Kafka工具对每5min的实时流数据进行消息队列计算，输入至模型计算器中的脱硫效率预测模型中，同时调取模型计算器服务得到脱硫效率预测模型输出的最终脱硫效率预测结果；
S203、通过遗传函数非线性极值寻优算法对输出当前预测结果的脱硫效率预测模型进行计算，得到脱硫系统的优化策略。
在脱硫效率预测模型的基础上，将浆液PH、液气比(St)和脱硫塔高度(h)作为脱硫系统运行优化的可调整参数，通过液气比指导当前浆液循环泵的启停。在实际运行工况下，寻找以上可调整参数的最佳值，降低脱硫系统运行总成本。即将脱硫系统的边际利润作为寻优目标函数，将上述浆液PH、液气比(St)和脱硫塔高度(h)等可调整参数作为寻优自变量来获取具体工况下的最佳优化策略。建立优化目标函数如下：
采用遗传函数非线性极值寻优算法求解脱硫效率预测模型，计算其帕累托最优解。约束条件如下所示：
该机组脱硫系统安全运行规程中对应的主要常量设定如下表：
表1
采用遗传函数非线性极值寻优算法，采用(6)计算的脱硫效率预测结果输入至脱硫边际利润的寻优目标函数中，并把其作为遗传算法的适应度函数，先后通过选择、交叉、变异等遗传算子步骤计算，最终输出在该工况边际利润最大化时，所对应的运行变量吸收塔PH、液气比(St)和脱硫塔高度(h)的最优值，以及此时的脱硫效率的最优值。
S204、根据步骤S203计算得到的脱硫系统的优化策略，执行相应的优化策略；
在得到该实时工况下的最优的浆液PH、最优的液气比(St)、最优的脱硫塔高度(h)和最优的脱硫效率
后，计算得出浆液循环泵运行台数、氧化风机运行台数等运行优化策略；最后向物理层反馈，使物理层对相应的设备执行浆液循环泵运行台数调整、氧化风机运行台数调整等运行优化操作。
本方法在考虑脱硫系统多参数耦合性和时变性情况下，实现了脱硫系统的实时动态运行优化。
在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、“示意性实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不一定指的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。
尽管已经示出和描述了本发明的实施例，本领域的普通技术人员可以理解：在不脱离本发明的原理和宗旨的情况下可以对这些实施例进行多种变化、修改、替换和变型，本发明的范围由权利要求及其等同物限定。
Claims (10)
1.一种脱硫系统运行优化方法，其特征在于，包括以下步骤：
根据影响脱硫系统脱硫效率的运行参数，构建基于多种神经网络集成学习的脱硫效率预测模型；
构建所述脱硫系统的边际利润模型，以所述脱硫系统的边际利润为作为寻优目标函数，以所述脱硫系统当前的运行参数中的可调参数作为寻优自变量，基于遗传函数非线性极值寻优方法对所述脱硫效率预测模型进行计算，得到所述可调参数的最优值和所述脱硫效率预测模型输出预测结果的最优值；
根据所述可调参数的最优值和所述预测结果的最优值对所述脱硫系统进行调整。
2.根据权利要求1所述的脱硫系统运行优化方法，其特征在于，采用bagging方法对多种神经网络进行集成学习。
3.根据权利要求2所述的脱硫系统运行优化方法，其特征在于，所述多种神经网络包括BP、Elma以及GRNN神经网络。
4.根据权利要求1所述的脱硫系统运行优化方法，其特征在于，所述可调参数包括浆液PH、液气比和脱硫塔高度。
5.根据权利要求4所述的脱硫系统运行优化方法，其特征在于，对所述脱硫系统进行调整，包括PID自动控制、氧化风机运行台数的调整以及浆液循环泵运行组合调整。
6.一种信息物理融合系统，其特征在于，应用有权利要求1至5任一项所述的脱硫系统运行优化方法，所述信息物理融合系统包括：
物理层，用于实时采集脱硫系统中各设备的运行参数，将所述运行参数发送至大数据平台层、以及接收控制决策层发送的优化执行指令，并根据所述优化执行指令对相应设备执行相应优化操作；
大数据平台层，用于存储所述运行参数、根据所述运行参数，构建基于多种神经网络集成学习的脱硫效率预测模型、构建所述脱硫系统的边际利润模型，以所述脱硫系统的边际利润为作为寻优目标函数，以获取所述脱硫系统当前的运行参数中的可调参数作为寻优自变量，基于遗传函数非线性极值寻优方法对所述脱硫效率预测模型进行计算，得到所述可调参数的最优值和所述脱硫效率预测模型输出预测结果的最优值、以及将所述可调参数的最优值和所述预测结果的最优值作为优化决策信息发送至控制决策层；
控制决策层，用于根据所述优化决策信息，生成所述优化执行指令发送至所述物理层，所述优化执行指令用于使所述物理层根据所述优化决策信息对相应设备执行相应优化操作。
7.根据权利要求6所述的信息物理融合系统，其特征在于，所述信息物理融合系统还包括数字孪生层，所述数字孪生层同步所述控制决策层的数据，用于进行所述运行参数的可视化展示、所述优化决策信息的可视化展示、以及接收用户端触发的触发响应，向所述控制决策层发送所述触发响应；其中所述触发响应用于使所述控制决策层生成相应设备的相应优化操作，并使所述控制决策层生成相应所述优化执行指令并发送至所述物理层。
8.根据权利要求7所述的信息物理融合系统，其特征在于，所述大数据平台层包括：ETL数据仓储、模型计算器和Kafka流计算系统；所述ETL数据仓储用于存储所述运行参数；所述模型计算器用于根据所述运行参数，构建基于多种神经网络集成学习的脱硫效率预测模型、构建所述脱硫系统的边际利润模型，以所述脱硫系统的边际利润为作为寻优目标函数，以所述脱硫系统当前的运行参数中的可调参数作为寻优自变量，基于遗传函数非线性极值寻优方法对所述脱硫效率预测模型进行计算，得到所述可调参数的最优值和所述脱硫效率预测模型输出预测结果的最优值、以及将所述可调参数的最优值和所述预测结果的最优值作为优化决策信息发送至控制决策层；所述Kafka流计算系统用于获取所述脱硫系统当前的运行参数中的可调参数，将所述可调参数解耦后输入所述模型计算器。
9.根据权利要求8所述的信息物理融合系统，其特征在于，所述大数据平台层还设置有知识库；所述知识库用于存储所述模型计算器中生成的所述脱硫效率预测模型以及所述优化决策信息。
10.根据权利要求8所述的信息物理融合系统，其特征在于，所述模型计算器通过采用bagging方法对多种神经网络算法进行集成学习。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110090875.5A CN112926765A (zh) | 2021-01-22 | 2021-01-22 | 一种脱硫系统运行优化方法以及信息物理融合系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110090875.5A CN112926765A (zh) | 2021-01-22 | 2021-01-22 | 一种脱硫系统运行优化方法以及信息物理融合系统 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN112926765A true CN112926765A (zh) | 2021-06-08 |
Family
ID=76165203
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110090875.5A Pending CN112926765A (zh) | 2021-01-22 | 2021-01-22 | 一种脱硫系统运行优化方法以及信息物理融合系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112926765A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116822380A (zh) * | 2023-08-29 | 2023-09-29 | 昆明理工大学 | 一种基于数字孪生在铜冶炼过程中尾气回收利用的协同优化方法 |
Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20060047564A1 (en) * | 2004-08-27 | 2006-03-02 | Alstom Technology Ltd. | Estimating an economic parameter related to a process for controlling emission of a pollutant into the air |
| CN107203687A (zh) * | 2017-04-17 | 2017-09-26 | 中国大唐集团科学技术研究院有限公司火力发电技术研究所 | 吸收塔脱硫过程多目标协同智能优化控制方法 |
| CN109603494A (zh) * | 2018-11-13 | 2019-04-12 | 北京国电龙源环保工程有限公司 | 基于大数据的脱硫装置吸收循环系统优化运行方法及吸收循环系统 |
| CN109918702A (zh) * | 2019-01-03 | 2019-06-21 | 上海交通大学 | 一种高炉配料与操作的协同多目标优化方法 |
| CN109961186A (zh) * | 2019-03-22 | 2019-07-02 | 大唐环境产业集团股份有限公司 | 基于决策树和bp神经网络的脱硫系统运行参数预测方法 |
| CN110263395A (zh) * | 2019-06-06 | 2019-09-20 | 东南大学 | 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 |
| CN111986737A (zh) * | 2020-08-07 | 2020-11-24 | 华中科技大学 | 基于rf-nsga-ii耐久性混凝土配合比优化方法 |
| CN112216351A (zh) * | 2020-09-23 | 2021-01-12 | 成都佳华物链云科技有限公司 | 一种脱硫优化方法、装置、电子设备及存储介质 |
-
2021
- 2021-01-22 CN CN202110090875.5A patent/CN112926765A/zh active Pending
Patent Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20060047564A1 (en) * | 2004-08-27 | 2006-03-02 | Alstom Technology Ltd. | Estimating an economic parameter related to a process for controlling emission of a pollutant into the air |
| CN107203687A (zh) * | 2017-04-17 | 2017-09-26 | 中国大唐集团科学技术研究院有限公司火力发电技术研究所 | 吸收塔脱硫过程多目标协同智能优化控制方法 |
| CN109603494A (zh) * | 2018-11-13 | 2019-04-12 | 北京国电龙源环保工程有限公司 | 基于大数据的脱硫装置吸收循环系统优化运行方法及吸收循环系统 |
| CN109918702A (zh) * | 2019-01-03 | 2019-06-21 | 上海交通大学 | 一种高炉配料与操作的协同多目标优化方法 |
| CN109961186A (zh) * | 2019-03-22 | 2019-07-02 | 大唐环境产业集团股份有限公司 | 基于决策树和bp神经网络的脱硫系统运行参数预测方法 |
| CN110263395A (zh) * | 2019-06-06 | 2019-09-20 | 东南大学 | 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 |
| CN111986737A (zh) * | 2020-08-07 | 2020-11-24 | 华中科技大学 | 基于rf-nsga-ii耐久性混凝土配合比优化方法 |
| CN112216351A (zh) * | 2020-09-23 | 2021-01-12 | 成都佳华物链云科技有限公司 | 一种脱硫优化方法、装置、电子设备及存储介质 |
Non-Patent Citations (6)
| Title |
|---|
| 洪文鹏等: "基于自适应粒子群优化BP神经网络的氨法烟气脱硫效率预测", 《动力工程学报》 * |
| 游海龙等: "基于遗传算法的Kriging模型构造与优化", 《计算机辅助设计与图形学学报》 * |
| 王青天等: "《Python金融大数据风控建模实战》", 31 May 2020 * |
| 王青等: "区域二氧化硫控制优化模型研究", 《中国人口.资源与环境》 * |
| 袁丹珏: "基于GA＿PSO的电站锅炉旋流雾化脱硫工况的优化", 《工业炉》 * |
| 高学伟等: "SCR脱硝系统PCA-HPSO-SVR大数据建模研究", 《自动化仪表》 * |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116822380A (zh) * | 2023-08-29 | 2023-09-29 | 昆明理工大学 | 一种基于数字孪生在铜冶炼过程中尾气回收利用的协同优化方法 |
| CN116822380B (zh) * | 2023-08-29 | 2023-11-14 | 昆明理工大学 | 一种基于数字孪生在铜冶炼过程中尾气回收利用的协同优化方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| WO2020088485A1 (zh) | 一种智能化多种污染物超低排放系统及全局优化方法 | |
| CN101498457B (zh) | 一种锅炉燃烧优化的方法 | |
| CN109507961B (zh) | 一种半导体生产线动态负荷均衡投料控制方法 | |
| 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 | |
| CN1694025A (zh) | 基于人工智能的火电厂自动控制系统 | |
| CN104009494A (zh) | 一种环境经济发电调度方法 | |
| CN1556486A (zh) | 一种一体化的钢铁企业生产过程在线计划调度系统与方法 | |
| CN1735846A (zh) | 多层过程控制和优化方案中的协调 | |
| RU2013130996A (ru) | Оптимизированное интегрированное управление для электростанции, работающей на сжигании кислородного топлива | |
| CN101794119B (zh) | 瓦斯系统平衡与优化调度方法、装置及系统 | |
| CN117709617A (zh) | 一种基于mes的生产车间智能排程系统 | |
| CN111142494B (zh) | 一种胺液再生装置的智能控制方法及系统 | |
| Zhang et al. | Multi-manned assembly line balancing with time and space constraints: A MILP model and memetic ant colony system | |
| CN104102211A (zh) | 一种燃煤热电厂热电联产系统的调度方法、服务器和系统 | |
| CN1753010A (zh) | 用于钢铁企业能源优化调度的分类建模和滚动求解方法 | |
| CN116822380B (zh) | 一种基于数字孪生在铜冶炼过程中尾气回收利用的协同优化方法 | |
| CN112926765A (zh) | 一种脱硫系统运行优化方法以及信息物理融合系统 | |
| CN117148806B (zh) | 基于数字孪生的自动装配混流生产线布局优化方法及装置 | |
| Bao et al. | A collaborative iterated greedy algorithm with reinforcement learning for energy-aware distributed blocking flow-shop scheduling | |
| CN106950824A (zh) | 基于模糊神经网络的秸秆发酵燃料乙醇过程补料预测控制系统及方法 | |
| CN117875800A (zh) | 一种隧道低碳施工机械调度方法、装置、终端和存储介质 | |
| CN117742273A (zh) | 一种基于深度强化学习的造纸过程优化系统及方法 | |
| CN117375097A (zh) | 基于多代理协调控制策略与强化学习的光伏协调自治方法 | |
| CN115577994B (zh) | 一种基于电力调度平台的电碳管理方法及系统 | |
| CN114091784B (zh) | 一种面向钢铁企业氧气系统的不确定优化调度方法及系统 |
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: 20210608 |