CN113082954B - 一种湿法脱硫装置的全过程智能运行调控系统 - Google Patents
一种湿法脱硫装置的全过程智能运行调控系统 Download PDFInfo
- Publication number
- CN113082954B CN113082954B CN202110373705.8A CN202110373705A CN113082954B CN 113082954 B CN113082954 B CN 113082954B CN 202110373705 A CN202110373705 A CN 202110373705A CN 113082954 B CN113082954 B CN 113082954B
- Authority
- CN
- China
- Prior art keywords
- model
- slurry
- absorption
- concentration
- data
- 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.)
- Active
Links
Images
Classifications
-
- 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
- B01D53/50—Sulfur oxides
-
- 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
- B01D53/77—Liquid phase processes
- B01D53/78—Liquid phase processes with gas-liquid contact
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B01—PHYSICAL OR CHEMICAL PROCESSES OR APPARATUS IN GENERAL
- B01D—SEPARATION
- B01D2257/00—Components to be removed
- B01D2257/30—Sulfur compounds
- B01D2257/302—Sulfur oxides
-
- 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
Abstract
本发明涉及一种湿法脱硫装置的全过程智能运行调控系统,包括污染物脱除模块、在线监测模块、优化控制模块和智慧建模模块。本发明可以准确预测各操控变量对湿法脱硫系统脱硫效率、运行成本、产品质量的影响,精确调控pH值、频率、液位等运行参数,保障变负荷、变煤质工况下出口浓度稳定达标;协调循环泵、氧化风机、石膏脱水机等装置间的能耗物耗分配,实现湿法脱硫系统成本最优;控制副产品成分,保证目标物质纯度达标;实现湿法脱硫装置的安全、稳定、经济、高效运行。
Description
技术领域
本发明属于大气污染物治理技术领域,具体地说是涉及一种湿法脱硫装置的全过程智能运行调控系统。
背景技术
目前,常见的烟气脱硫装置可分为干法脱硫、半干法脱硫与湿法脱硫装置,其中石灰石/石灰-石膏法、镁法、钠碱法、氨法及海水法等湿法脱硫装置由于其效率高、运行效果好而广泛应用于燃煤/燃油/燃气锅炉、掺烧其他燃料的燃煤锅炉、生物质锅炉以及钢铁、有色冶炼、建材、化工、船舶等行业的二氧化硫超低排放治理系统中。湿法脱硫技术利用碱性吸收剂溶液或浆液与含硫烟气接触从而脱除烟气中的SO2。随着国内燃煤电厂烟气超低排放进程的推进,烟气脱硫无论从技术、还是装备各方面都得到了大力发展,脱硫效率突破了99%,SO2排放浓度低于35mg/m3。
但在脱硫装置完善系统结构、优化系统工艺的同时,提升脱硫系统运行水平,提升能量和物料利用效率、提高系统运行稳定性与可调性、实现系统的高可靠低成本运行是亟需实现目标,目前的湿法脱硫装置运行主要存在的问题有以下几点:
首先,二氧化硫超低排放治理系统中常采用烟气连续监测系统(CEMS)测量烟气中的SO2浓度,并以此作为脱硫装置调控的基准。然而,CEMS系统在测量烟气内污染物浓度时要经过抽气、除尘、加热、保温、预处理等环节,最后输送到烟气分析仪中,烟气在伴热导管的流动以及分析柜内浓度的测量均需要一定的时间,这会造成CEMS系统显示污染物浓度数值滞后于烟道内真实污染物浓度数值。因此,无论采用前馈还是反馈控制,都难以实现脱硫装置的精准控制。如何根据锅炉实时运行参数,提前获取相关信息,预测吸收塔出入口SO2浓度是解决CEMS浓度测量滞后问题,保证优化控制系统的稳定性、可靠性的重要手段之一。
其次,在湿法脱硫系统中,除了二氧化硫吸收过程,氧化过程也极为重要。氧化过程是吸收塔内进行的主要过程之一,对于二氧化硫的吸收过程具有较大的影响,氧化过程消耗亚硫酸盐生成硫酸盐及石膏副产物等,降低浆液中亚硫酸盐的浓度,促进二氧化硫的持续吸收。倘若氧化不足,一方面会影响二氧化硫的持续吸收,另一方面还容易生成亚硫酸钙,这会导致石膏品质下降,同时容易导致塔内结垢,严重威胁设备安全。然而,在实际应用中,脱硫装置各个子系统之间独立控制,缺乏整体的协同调控,同样也会造成资源的浪费,难以实现对应工况下的成本最优。如何提高脱硫装置的控制水平,降低脱硫装置的运行成本是亟待解决的问题。
不仅如此,目前循环泵,氧化风机通常使用PID控制或人工方式进行控制,运行时通常由现场运行人员决定的开关、开启台数、运行频率等运行参数,pH值通常采用设置限值的方式进行控制,当浆液pH小于设定限值时,控制浆液泵进行补浆。这种控制方式难以满足日益提高的排放标准,只能采用过量投入能量物料的方式保障出口SO2浓度不超过标准限值,造成脱硫装置运行能耗物耗过高。
发明内容
为了克服现有技术的缺点和不足,本发明提供了一种湿法脱硫装置的全过程智能运行调控系统,该系统旨在准确预测各操控变量对湿法脱硫系统脱硫效率、运行成本、产品质量的影响,精确调控pH值、频率、液位等运行参数,保障变负荷、变煤质工况下出口浓度稳定达标;协调循环泵、氧化风机、石膏脱水机等装置间的能耗物耗分配,实现湿法脱硫系统成本最优;控制副产品成分,保证目标物质纯度达标;实现湿法脱硫装置的安全、稳定、经济、高效运行。
为了达到上述目的,本发明采用如下技术方案:
一种湿法脱硫装置的全过程智能运行调控系统,所述系统包括污染物脱除模块、在线监测模块、优化控制模块和智慧建模模块;
所述污染物脱除模块包括脱硫装置,用于污染物脱除;脱硫装置是主要的污染物脱除装置;
所述在线监测模块用于监测收集脱硫装置历史运行数据以及实时运行数据并传输给智慧建模模块、优化控制模块,具有信息采集、预处理、整合、存储、传输等一系列重要功能;
所述优化控制模块根据实时运行工况,通过多目标多工况的全局优化算法实时评估不同工况下污染物吸收脱除系统的运行成本,计算实现出口浓度稳定达标条件下脱硫装置能耗物耗最优的湿法脱硫装置最佳运行参数组合,并通过智能控制算法实现对脱硫装置关键参数的调控;
所述智慧建模模块采用机理-数据-知识耦合驱动的混合建模方法,涵盖多种污染物、多种吸收剂、多种反应器类型,实现脱硫装置出入口SO2等气态污染物浓度及关键运行参数的多断面准确预测。
作为优选,所述脱硫装置布置在燃煤电厂烟道尾部,涵盖二氧化硫生成、脱除、副产物处理全流程过程中的相关设备,主要由烟风子系统、吸收浆液循环子系统、强制氧化子系统及石膏脱水子系统等子系统组成;包括浆液循环泵、氧化风机、石灰石浆液供浆阀门、真空皮带脱水机等主要设备。
作为优选,所述在线监测模块主要包括烟气在线监测系统(CEMS),DCS关键元件的就地检测与反馈系统,DCS系统所包含的测量系统以及脱硫装置关键运行参数数据库等。
作为优选,所述在线监测模块监测的数据包括但不限于给煤量、一次风量、二次风量、锅炉负荷、烟气流量、吸收塔入口SO2浓度、吸收塔出口SO2浓度、循环浆液pH值、循环浆液泵频率、吸收浆液液位、浆液密度、氧化风流量、循环泵流量等关键运行参数。
作为优选,所述智慧建模模块,针对可以吸收脱除的二氧化硫等气态污染物,结合二氧化硫等气态污染物的生成-吸收(脱除)-转化机理,采用机器学习的方法利用实际生产过程中的数据,建立二氧化硫等气态污染物生成-吸收-转化全流程机理与数据耦合模型,涵盖多种污染物(SO2、SO3、HCl、HF等)、多种吸收剂(钙基吸收剂,镁基吸收剂,钠基吸收剂,氨基吸收剂,海水)、多种反应器类型(喷淋空塔、筛板/托盘/湍流管珊等强化传质塔、pH值分区塔等),实现二氧化硫等污染物浓度及关键运行参数(如浆液pH值等)的多断面(锅炉出口、吸收塔入口和出口等)准确预测。
作为优选,针对多种类型的锅炉(煤粉炉,循环流化床锅炉)通过机理与数据结合的方式筛选二氧化硫等气态污染物生成的关键影响因素并对各个变量进行时序修正,构建机理与数据协同驱动二氧化硫等污染物生成预测模型,实现二氧化硫等污染物生成浓度的提前准确预测。
作为优选,通过研究多相(气-液-固)反应体系中二氧化硫等气态污染物非稳态吸收机理,探究等的迁移/转化以及温度、pH、相间速度对SO2等气态污染物吸收脱除的影响规律与调控机制,指导设计SO2等污染物吸收高效脱除系统的同时实现脱硫系统效率及的准确预测。
作为优选,探究烟气/浆液参数对自然氧化率的影响规律,实时计算氧化风需求量,研究浆液参数对副产物结晶速率及品质的影响机制,为污染物吸收脱除系统的优化、控制提供基础。
作为优选,二氧化硫等气态污染物生成-吸收-转化全流程机理与数据耦合模型的构建包括下述步骤:
(1)构建二氧化硫等气态污染物生成过程模型,其包括下述步骤:
步骤S101:通过机理分析炉内SO2生成过程的影响机制,由先验知识获得影响炉内SO2生成的关键参数,初步确定炉内二氧化硫生成模型的输入参数;
步骤S102:利用在线监测系统采集不同负荷Ai和不同煤种Si下的锅炉运行历史数据和煤质数据,其中锅炉运行数据包括但不限于锅炉燃烧温度T,给煤量B,一次风量G1,二次风量G2;煤质数据包括但不限于飞灰系数afh,收到基灰分Aar,收到基低位发热量Qnet,ar,灰分中CaO、MgO、Fe2O3物质的质量分数a1,a2,a3;
步骤S103:利用步骤S102中收集的历史运行数据,筛选包括但不限于给煤机切换等特殊工况点下不同变量的变化规律,分析关键因素变化到脱硫装置入口SO2浓度响应的纯延迟时间,将不同变量的纯延迟时间对齐,并将吹扫等数据异常点去除得到历史运行数据集,从而有效减少模型的输入维度,提高模型的收敛性、准确性与泛化性;
步骤S104:利用步骤S103中处理得到的历史运行数据集,采用长短期记忆递归神经网络(LSTM)等机器学习方法,找出不同负荷Ai和不同煤种Si等运行参数与脱硫装置入口SO2浓度之间的映射关系,建立脱硫装置入口SO2浓度预测模型;
步骤S104:在煤质数据难以连续获得的情况下,模型添加自回归变量吸收塔入口SO2浓度的当前测量值作为输入来预测未来脱硫装置SO2浓度,提高模型的适应性,使模型能够适应煤质或者燃烧状态的轻微波动;
步骤S105:采用OPC服务器实现预测服务器与DCS系统之间的数据通信,将训练好的模型装载于预测服务器上并使用实时数据进行验证,进而不断根据实际工况进行模型的实时动态优化调整;
(2)构建二氧化硫等气态污染物吸收过程模型,其包括下述步骤:
步骤S201:通过研究多相(气-液-固)反应体系中二氧化硫等气态污染物非稳态吸收机理,综合考虑液滴的运动、气体的吸收解吸、液滴内部的扩散、电荷守恒以及电离平衡,建立脱硫装置内SO2传质-反应机理模型;
步骤S202:研究等的迁移/转化以及温度、pH、相间速度对SO2等气态污染物吸收脱除的影响规律与调控机制,获得pH值、循环泵、负荷、入口SO2浓度、烟气温度、浆液密度和液位高度等关键操作变量对SO2吸收速率及脱硫效率的影响规律,实现出口SO2浓度及脱硫效率的预测,以及对浆液成分、浆液密度、pH等关键参数变化趋势的预测;
步骤S203:SO2传质-反应机理模型能够在趋势上较好地反映主要影响因素对脱除效率的影响,为进一步考虑各影响因素之间、各设备之间的耦合关系与塔内流场的不稳定性,基于在线监测装置收集脱硫装置入/出口SO2浓度、浆液pH值、浆液密度、浆液温度、循环泵流量等脱硫装置运行参数;
步骤S204:结合步骤S203收集的脱硫装置历史运行参数,通过参数辨识的方法准确获得模型参数,并进一步采用机器学习模型修正机理模型的误差,进一步构建脱硫装置机理与数据协同驱动的混合模型;
步骤S205:采用OPC服务器实现预测服务器与DCS系统之间的数据通信,将训练好的模型装载于预测服务器上并使用实时数据进行验证,进而不断根据实际工况进行模型的实时动态优化调整;
(3)构建二氧化硫等气态污染物转化过程模型,其包括下述步骤:
步骤S301:将二氧化硫吸收转化为副产物过程中的氧化过程,分为自然氧化和强制氧化两个过程,基于在线监测装置收集浆液温度、pH值、入口烟气中O2浓度和浆液液滴直径等脱硫装置运行参数;
步骤S302:基于步骤S301收集的运行数据,研究温度、pH值、入口O2浓度和浆液液滴直径等因素对亚硫酸盐氧化过程的影响规律,构建涵盖氧气传质--亚硫酸钙溶解-本征氧化反应过程的氧化速率模型;
步骤S303:基于构建的氧化速率模型,根据现有工况获得当前工况下脱硫装置的自然氧化率,并计算剩余所需的强制氧化率,根据所需强制氧化率获得氧化系统的运行条件,进而构筑氧化量模型,实时计算不同运行工况下氧化风需求量。
作为优选,所述优化控制模块,利用所述智慧建模模块建立的二氧化硫等污染物生成-吸收-转化全流程模型,建立变负荷/工况完善的污染物脱除系统能耗、物耗、副产物产出的动态评价模型,实时准确的评估不同工况下污染物吸收脱除系统的运行成本并计算能耗物耗综合成本最优的参数组合,并通过智能控制算法实现对脱硫装置关键参数的调控。
作为优选,所述智能控制算法为群智能寻优算法,利用群智能寻优算法,进行污染物吸收脱除系统动态优化,实时推荐运行参数,实现综合成本最低。
进一步优选,所述群智能动态优化算法包括但不限于粒子群优化算法、蚁群算法、蜂群算法、遗传算法等。
作为优选,所述动态评价模型构建包括下述步骤:
步骤S401:将脱硫装置运行费用模型分为电耗和物耗运行费用模型;
步骤S402:采集脱硫装置的主要耗能设备包括循环泵、氧化风机、搅拌器及由于脱硫塔阻力增加而引起的增压风机能耗,建立电耗运行费用模型;采集原烟气流量、吸收塔入口和出口SO2浓度根据脱硫塔物料平衡实时计算石灰石耗量,同时采集工艺水耗量,结合石灰石和工艺水价格,建立物耗运行费用模型。
其中,COSTbf、COSTscp、COSTsa、COSToab、COSTWFGD_w、分别为增压风机运行费用、浆液循环泵运行费用、浆液搅拌器运行费用、氧化风机运行费用、石灰石耗量成本、工艺水耗量成本、石膏收益。
作为优选,所述优化控制模块主要功能可分为三部分:吸收子系统优化控制,氧化子系统优化控制,排浆子系统优化控制;
吸收子系统优化控制,基于上述二氧化硫等气态污染物生成-吸收-转化全流程机理与数据耦合模型,采用调节喷淋层组合、循环泵频率、浆液密度/液位、浆液pH值等参数实现对吸收子系统的优化控制;
氧化子系统优化控制,基于上述二氧化硫等气态污染物生成-吸收-转化全流程机理与数据耦合模型,采用调节氧化风机频率、氧化风机启停、浆液密度/液位、浆液pH值等参数实现对氧化子系统的优化控制;
排浆子系统优化控制,基于上述二氧化硫等气态污染物生成-吸收-转化全流程机理与数据耦合模型,采用调节浆液pH值、浆液排出泵启停等参数实现对排浆子系统的优化控制。
作为优选,基于上述二氧化硫等气态污染物生成-吸收-转化全流程机理与数据耦合模型,同时结合电耗和物耗等运行费用模型,建立脱硫塔运行成本优化模型;在给定pH值、循环泵开启范围中,采用群智能寻优算法求解对应的运行参数组合,从而脱硫系统实现综合成本最优;
相对于现有技术,本发明的有益效果在于:
(1)针对湿法脱硫吸收-氧化过程是涉及生成-吸收-转化的复杂系统,系统具备输入和输出的关联复杂且非线性,仅从机理或者数据角度难以准确表述,因此本发明结合工艺机理与机器学习算法,发明了SO2生成-吸收-转化全流程机理与数据耦合模型实现全运行工况尤其是负荷调整、工况突变等条件下脱硫装置入口/出口SO2浓度智能预测,同时对模型效果进行验证,验证表明本发明可实现对脱硫装置全过程主要参数的精准预测,其中入口SO2浓度预测值R2可达0.99以上,出口SO2浓度预测值R2可达0.98以上;
(2)充分利用在线监测装置获得实时运行数据,通过实时运行数据反馈信息对预测控制模型进行实时迭代和参数寻优,保证预测控制模型的输出参数与实际值长期匹配,可靠性高;
(3)基于群智能动态优化算法,结合模型预测控制方法,得到湿法脱硫系统最佳运行参数方案,通过动态优化模块控制运行设备,使出口SO2浓度预测值与实际值偏差最小,且出口SO2浓度分布显著集中;
(4)基于建立的脱硫装置成本动态评价模型,实时准确的评估不同工况下污染物吸收脱除系统的运行成本,通过比较不同运行参数下的能耗物耗从而获得使全局能耗物耗最低的最优运行参数,执行机构按得到的优化控制参数进行控制,实现了关键调节变量的提前调控,在实现实时出口SO2浓度100%达标的情况下,脱硫装置综合能耗降低25%以上,节能降耗效果明显。
附图说明
图1是本发明湿法脱硫系统动态智能优化控制模块控制流程示意图;
图2是单日SO2生成模型预测效果图;
图3是220t/h燃煤热电机组脱硫智能调控前后主要参数对比图;
图4是220t/h燃煤热电机组脱硫智能调控前后出口SO2分布对比图;
图5是130t/h燃煤热电机组智能脱硫控制前后主要参数对比图;
图6是130t/h燃煤热电机组智能脱硫控制前后出口SO2分布对比图;
图7是氧化子系统运行优化及智能控制应用结果图。
具体实施方式
下面通过实施例,对本发明的技术方案作进一步具体的说明,这些实施例是对本发明的说明而作,不是对本发明的限制。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。
实施例1
参照图1,一种湿法脱硫装置的全过程智能运行调控系统,所述系统包括污染物脱除模块、在线监测模块、优化控制模块和智慧建模模块。所述污染物脱除模块包括脱硫装置,用于污染物脱除;脱硫装置是主要的污染物脱除装置。所述在线监测模块用于监测收集脱硫装置历史运行数据以及实时运行数据并传输给智慧建模模块、优化控制模块,具有信息采集、预处理、整合、存储、传输等一系列重要功能。所述优化控制模块根据实时运行工况,通过多目标多工况的全局优化算法实时评估不同工况下污染物吸收脱除系统的运行成本,计算实现出口浓度稳定达标条件下脱硫装置能耗物耗最优的湿法脱硫装置最佳运行参数组合,并通过智能控制算法实现运行参数的实时准确调控。所述智慧建模模块采用机理-数据-知识耦合驱动的混合建模方法,涵盖多种污染物、多种吸收剂、多种反应器类型,实现脱硫装置出入口SO2等气态污染物浓度及关键运行参数的多断面准确预测。
脱硫装置配备的在线监测模块(在线监测装置)通过分布式控制系统(DCS)与优化控制模块相连接,通过智能调控预测服务器(智能调控系统)实时监测、查询和导出历史数据以及实现部分控制功能,所有在线监测表计实时监测数据均与智能调控系统互联互通。在线监测模块采集的关键设备包括吸收塔、浆液循环泵、喷嘴、阀门、增压风机、氧化风机、搅拌器等数据储存在智能调控系统上,形成智慧建模模块和优化控制模块所需的基本数据库。
所述污染物脱除模块即湿法脱硫装置布置在燃煤电厂烟道尾部,涵盖二氧化硫生成-脱除-副产物处理全流程过程中的相关设备,主要由烟风子系统、吸收浆液循环子系统、强制氧化子系统及石膏脱水子系统等子系统组成。包括浆液循环泵、氧化风机、石灰石浆液供浆阀门、真空皮带脱水机等主要设备。
所述在线监测模块主要包括烟气在线监测系统(CEMS),DCS关键元件的就地检测与反馈系统,DCS系统所包含的测量系统以及脱硫装置关键运行参数数据库等。
所述在线监测模块监测的数据包括但不限于给煤量、一次风量、二次风量、锅炉负荷、烟气流量、吸收塔入口SO2浓度、吸收塔出口SO2浓度、循环浆液pH值、循环浆液泵频率、吸收浆液液位、浆液密度、氧化风流量、循环泵流量等关键运行参数。
所述智慧建模模块,针对可以吸收脱除的二氧化硫等气态污染物,结合二氧化硫等气态污染物的生成-吸收-转化机理,采用机器学习的方法利用实际生产过程中的数据,建立二氧化硫等气态污染物生成-吸收-转化全流程机理与数据耦合模型,涵盖多种污染物(SO2、SO3、HCl、HF等)、多种吸收剂(钙基吸收剂,镁基吸收剂,钠基吸收剂,氨基吸收剂,海水)、多种反应器类型(喷淋空塔、筛板/托盘/湍流管珊等强化传质塔、pH值分区塔等),实现二氧化硫等污染物浓度及关键运行参数(如浆液pH值等)的多断面(锅炉出口、吸收塔入口和出口等)准确预测。
作为优选,针对多种类型的锅炉(煤粉炉,循环流化床锅炉)通过机理与数据结合的方式筛选二氧化硫等气态污染物生成的关键影响因素并对各个变量进行时序修正,构建机理与数据协同驱动二氧化硫等污染物生成预测模型,实现二氧化硫等污染物生成浓度的提前准确预测。
作为优选,通过研究多相(气-液-固)反应体系中二氧化硫等气态污染物非稳态吸收机理,探究等的迁移/转化以及温度、pH、相间速度对SO2等气态污染物吸收脱除的影响规律与调控机制,指导设计SO2等污染物吸收高效脱除系统的同时实现脱硫系统效率及的准确预测。
作为优选,探究烟气/浆液参数对自然氧化率的影响规律,实时计算氧化风需求量,研究浆液参数对副产物结晶速率及品质的影响机制,为污染物吸收脱除系统的优化、控制提供基础。
二氧化硫等气态污染物生成-吸收-转化全流程机理与数据耦合模型的构建包括下述步骤:
(1)构建二氧化硫等气态污染物生成过程模型包括下述步骤:
步骤S101:通过机理分析炉内SO2生成过程的影响机制,由先验知识获得影响炉内SO2生成的关键参数,初步确定炉内二氧化硫生成模型的输入参数;
步骤S102:利用在线监测系统采集不同负荷Ai和不同煤种Si下的锅炉运行历史数据和煤质数据,其中锅炉运行数据包括但不限于锅炉燃烧温度T,给煤量B,一次风量G1,二次风量G2;煤质数据包括但不限于飞灰系数afh,收到基灰分Aar,收到基低位发热量Qnet,ar,灰分中CaO、MgO、Fe2O3物质的质量分数a1,a2,a3;
步骤S103:筛选包括但不限于给煤机切换等特殊工况点下不同变量的变化规律,分析关键因素变化到脱硫装置入口SO2浓度响应的纯延迟时间,将不同变量的纯延迟时间对齐,从而有效减少模型的输入维度,提高模型的收敛性、准确性与泛化性;
步骤S104:利用步骤S103中收集的历史运行数据,采用长短期记忆递归神经网络(LSTM)等机器学习方法,找出不同负荷Ai和不同煤种Si等运行参数与脱硫装置入口SO2浓度之间的映射关系,建立脱硫装置入口SO2浓度预测模型;
步骤S104:在煤质数据难以连续获得的情况下,模型添加自回归变量吸收塔入口SO2浓度的当前测量值作为输入来预测未来脱硫装置SO2浓度,提高模型的适应性,使模型能够适应煤质或者燃烧状态的轻微波动;
步骤S105:采用OPC服务器实现预测服务器与DCS系统之间的数据通信,将训练好的模型装载于预测服务器上并使用实时数据进行验证,进而不断根据实际工况进行模型的实时动态优化调整。
(2)构建二氧化硫等气态污染物吸收过程模型包括下述步骤:
步骤S201:通过研究多相(气-液-固)反应体系中二氧化硫等气态污染物非稳态吸收机理,综合考虑液滴的运动、气体的吸收解吸、液滴内部的扩散、电荷守恒以及电离平衡,建立脱硫装置内SO2传质-反应机理模型;
步骤S202:研究等的迁移/转化以及温度、pH、相间速度对SO2等气态污染物吸收脱除的影响规律与调控机制,获得pH值、循环泵、负荷、入口SO2浓度、烟气温度、浆液密度和液位高度等关键操作变量对SO2吸收速率及脱硫效率的影响规律,实现出口SO2浓度及脱硫效率的预测,以及对浆液成分、浆液密度、pH等关键参数变化趋势的预测;
步骤S203:SO2传质-反应机理模型能够在趋势上较好地反映主要影响因素对脱除效率的影响,为进一步考虑各影响因素之间、各设备之间的耦合关系与塔内流场的不稳定性,基于在线监测装置收集脱硫装置入/出口SO2浓度、浆液pH值、浆液密度、浆液温度、循环泵流量等脱硫装置运行参数;
步骤S204:结合步骤S203收集的脱硫装置历史运行参数,通过参数辨识的方法准确获得模型参数,并进一步采用机器学习模型修正机理模型的误差,进一步构建脱硫装置机理与数据协同驱动的混合模型;
步骤S205:采用OPC服务器实现预测服务器与DCS系统之间的数据通信,将训练好的模型装载于预测服务器上并使用实时数据进行验证,进而不断根据实际工况进行模型的实时动态优化调整。
(3)构建二氧化硫等气态污染物转化过程模型包括下述步骤:
步骤S301:将二氧化硫吸收转化为副产物过程中的氧化过程,分为自然氧化和强制氧化两个过程,基于在线监测装置收集浆液温度、pH值、入口烟气中O2浓度和浆液液滴直径等脱硫装置运行参数;
步骤S302:基于步骤S301收集的运行数据,研究温度、pH值、入口O2浓度和浆液液滴直径等因素对亚硫酸盐氧化过程的影响规律,构建涵盖氧气传质--亚硫酸钙溶解-本征氧化反应过程的氧化速率模型;
步骤S303:基于构建的氧化速率模型,根据现有工况获得当前工况下脱硫装置的自然氧化率,并计算剩余所需的强制氧化率,根据所需强制氧化率获得氧化系统的运行条件,进而构筑氧化量模型,实时计算不同运行工况下氧化风需求量。
所述优化控制模块,利用所述智慧建模模块建立的二氧化硫等污染物生成-脱除-转化全流程模型,建立变负荷/工况完善的污染物脱除系统能耗、物耗、副产物产出的动态评价模型,实时准确的评估不同工况下污染物吸收脱除系统的运行成本并计算能耗物耗综合成本最优的参数组合,并通过智能控制方法实现对脱硫装置关键参数的调控。
所述智能控制算法为群智能寻优算法,利用群智能寻优算法,进行污染物吸收脱除系统动态优化,实时推荐运行参数,实现综合成本最低。
所述群智能动态优化算法包括但不限于粒子群优化算法、蚁群算法、蜂群算法、遗传算法等。
所述动态评价模型构建包括下述步骤:
步骤S401:将脱硫装置运行费用模型分为电耗和物耗运行费用模型;
步骤S402:采集脱硫装置的主要耗能设备包括循环泵、氧化风机、搅拌器及由于脱硫塔阻力增加而引起的增压风机能耗,建立电耗运行费用模型;采集原烟气流量、吸收塔入口和出口SO2浓度根据脱硫塔物料平衡实时计算石灰石耗量,同时采集工艺水耗量,结合石灰石和工艺水价格,建立物耗运行费用模型。
其中,COSTbf、COSTscp、COSTsa、COSToab、COSTWFGD_w、分别为增压风机运行费用、浆液循环泵运行费用、浆液搅拌器运行费用、氧化风机运行费用、石灰石耗量成本、工艺水耗量成本、石膏收益。
所述优化控制模块主要功能可分为三部分:吸收子系统优化控制,氧化子系统优化控制,排浆子系统优化控制。
吸收子系统优化控制基于上述二氧化硫等气态污染物生成-吸收-转化全流程机理与数据耦合模型,采用调节喷淋层组合、循环泵频率、浆液密度/液位、浆液pH值等参数实现对吸收子系统的优化控制。
氧化子系统优化控制基于上述二氧化硫等气态污染物生成-吸收-转化全流程机理与数据耦合模型,采用调节氧化风机频率、氧化风机启停、浆液密度/液位、浆液pH值等参数实现对氧化子系统的优化控制。
排浆子系统优化控制基于上述二氧化硫等气态污染物生成-吸收-转化全流程机理与数据耦合模型,采用调节浆液pH值、浆液排出泵启停等参数实现对排浆子系统的优化控制。
作为优选,基于上述二氧化硫等气态污染物生成-吸收-转化全流程机理与数据耦合模型,同时结合电耗和物耗等运行费用模型,建立脱硫塔运行成本优化模型;在给定pH值、循环泵开启范围中,采用群智能寻优算法求解对应的运行参数组合,从而脱硫系统实现综合成本最优;
实施例2
某热电联产机组以煤掺烧污泥为燃料,额定蒸发量为220t/h,配套1台50MW背压汽轮发电机,应用湿法脱硫装置的全过程智能运行调控系统进行工程验证,湿法脱硫装置的全过程智能运行调控系统包括污染物脱除模块、在线监测模块、优化控制模块和智慧建模模块。该脱硫装置主体为吸收塔,共四层喷淋,每层喷淋层配备一台独立运行的循环泵。脱硫装置配备的在线监测模块(在线监测装置)通过分布式控制系统(DCS)与优化控制模块相连接,通过智能调控预测服务器(智能调控系统)实时监测、查询和导出历史数据以及实现部分控制功能,所有在线监测表计实时监测数据均与智能调控系统互联互通。在线监测模块采集的关键设备包括吸收塔、浆液循环泵、喷嘴、阀门、增压风机、氧化风机、搅拌器等数据储存在智能调控系统上,形成智慧建模模块和优化控制模块所需的基本数据库。
通过湿法脱硫装置的初期运行,通过在线监测模块获得湿法脱硫系统入口SO2浓度、pH值、负荷、循环泵频率等参数变化对脱硫系统出口SO2浓度的影响,采用智慧建模模块建立预测控制模型,获得精准度高的预测控制模型,然后通过优化控制模块指导湿法脱硫装置的运行设备在最优参数条件下运行。
如图2所示,SO2生成模型在具有较好的预测效果的同时也具有较高的预测精度,前13天预测R2值可达0.98以上,RMSE为30.1mg/m3,第14天预测R2值可达0.99,RMSE小于20mg/m3。不仅如此,模型具有很好的提前预测效果,可以提前吸收塔入口CEMS系统90秒给出吸收塔入口SO2浓度的预测值。同时快速升降给煤量时模型能够在快速变工况下提前预测SO2的变化趋势。
分别使用原DCS控制和智能调控系统对此机组的典型工况进行控制,并分析48h内各主要参数的变化趋势。图3展现了两种控制方式下,蒸汽量、入口SO2浓度、浆液pH值和出口SO2浓度的变化趋势。由图3可见,原DCS控制工况入口负荷较为平稳,蒸汽量在100~200t/h间波动、入口SO2浓度在500mg/m3附近波动;智能调控系统应用时在入口负荷波动较大,蒸汽量在80~250t/h间波动、入口SO2浓度有明显上升趋势。而两者的浆液pH值无较大差异,并且智能调控下的出口SO2浓度更为稳定,证明了在入口条件更为恶劣的前提下,智能调控可以不影响其他参数的变化趋势,并有更为稳定的SO2出口浓度。为SO2的稳定控制提供了方案,并有助于降低减排成本。如图4所示,通过对比出口SO2浓度的分布曲线,发现原DCS低浓度区域分布较多,这会造成物耗能耗增大,而智能调控主要分布集中在22mg/m3附近,可以在稳定达标的前提下靠近排放限值,有效避免因过度控制而造成的高能耗的问题。
为验证所研发的脱硫智能调控系统的能量消耗情况,选取一周的典型工况对其浆液循环泵和氧化风机的能耗进行分析。在220t/h燃煤热电机组中,原DCS控制下浆液循环泵单位脱硫量的能耗为0.0121kW/mg,而智能调控下能耗降低至0.0089kW/mg,单位脱硫量的能耗下降26.4%,平均能耗降低26.2%;选取一周的典型工况进行分析氧化风机的能量消耗情况,原DCS控制下氧化风机的平均功率为48kW,而智能调控下平均功率降低至30kW,长期运行能耗下降37.5%,两风机的平均运行能耗降低34.1%。
实施例3
某热电联产机组以煤掺烧污泥为燃料,额定蒸发量为130t/h,配套1台25MW背压汽轮发电机,应用湿法脱硫装置的全过程智能运行调控系统及方法进行工程验证。在130t/h燃煤热电机组中,蒸汽量、入口SO2浓度和出口SO2浓度的变化趋势如图5所示。由5图可见,两者入口负荷基本相同,而智能调控的入口SO2浓度波动较大,但原DCS控制下的出口SO2浓度波动大、多次超出二氧化硫排放标准,而智能调控下的出口浓度控制平稳,证明了智能调控可有效改善原DCS控制的短板,为智能管控、降低能耗提供了帮助。
如图6所示,通过对比出口SO2浓度的分布曲线,可以发现原DCS控制后的浓度分布不均匀,分布在各浓度区间且有较多的出口浓度超出指定范围,而智能调控下的浓度分布在25mg/m3周围,可以在稳定达标的前提下靠近排放限值,有助于降低能耗。
为验证所研发的脱硫智能调控系统的能量消耗情况,选取一周的典型工况对其浆液循环泵和氧化风机的能耗进行分析。在130t/h燃煤热电机组中,原DCS控制下浆液循环泵单位脱硫量的能耗为0.0174kW/mg,而智能调控下能耗降低至0.0129kW/mg,单位脱硫量的能耗下降25.9%。选取一周的典型工况进行分析氧化风机的能量消耗情况,原DCS控制下氧化风机的平均功率为36kW,而智能调控下平均功率降低至25kW,长期运行能耗下降30.6%;
实施例4
为验证湿法脱硫装置的全过程智能运行调控系统及方法的有效性和安全性,于130t/h和220t/h机组上开展了工程试验研究,采用控制氧化风机启停的方式实现氧化风机的优化控制,并对脱硫浆液进行了采样分析,主要分析了溶解氧、pH、亚硫酸盐浓度三个指标,结果如图7所示。
如图7所示,当风机关闭后,浆液中的溶解氧快速消耗,由5mg/L左右降低至0.5mg/L左右,这说明在氧化风机停止后短时间内,吸收塔内亚硫酸盐的氧化速率大于氧气的传质速率从而导致浆液中溶解氧量的降低。当氧化风机停运时,浆液的pH值会有略微的下降,原因在于氧化风机关闭会导致一定量的亚硫酸盐累积,亚硫酸盐会影响石灰石的活性,减慢石灰石的溶解速率,因此浆液的pH会略有降低。在130t/h机组上,亚硫酸盐浓度在风机由关闭转为开启时达到了最高的6.1mmol/L,在220t/h机组上,风机关闭后亚硫酸盐浓度由2.6mmol/L逐渐上升至3.6~5.4mmol/L,在风机开启后,又降回至2.8~3.1mmol/L。现场测试结果表明,在风机关闭周期内浆液中会有一定的亚硫酸盐累积,会在一定程度上影响浆液的pH值,但由于亚硫酸盐累积量不高,不会对脱硫过程产生很大的影响。而风机开启周期内,亚硫酸盐浓度也能够最终降到上一个风机关闭周期前的亚硫酸盐浓度水平,对石膏品质不会有太大的影响。
综合以上,本发明提出了一种湿法脱硫装置的全过程智能运行调控系统,实现变负荷、变燃料等条件下湿法脱硫装置全过程主要参数的精确调节和优化调控,实现脱硫装置“高可靠性卡边控制”显著降低出口污染物浓度波动,进而保证湿法脱硫系统安全、稳定、经济、高效运行。本发明建立的SO2生成-吸收-转化全流程机理与数据耦合模型可实现对脱硫装置全过程主要参数的精准预测,其中入口SO2浓度预测值R2可达0.99以上,出口SO2浓度预测值R2可达0.98以上。基于建立的脱硫装置成本动态评价模型,实时准确的评估不同工况下污染物吸收脱除系统的运行成本,通过比较不同运行参数下的能耗物耗从而获得使全局能耗物耗最低的最优运行参数,执行机构按得到的优化控制参数进行控制,实现了关键调节变量的提前调控,在实现实时出口SO2浓度100%达标的情况下,脱硫装置综合能耗降低25%以上,节能降耗效果明显。
以上结合实施例对本发明进行了详细说明,但所述内容仅为本发明的具体实施方式,但并不能因此而理解为对本发明专利范围的限制。应当指出的是,对于本领域的普通技术人员来说,在不脱离本发明构思的前提下,凡依本发明申请范围所做出的若干变形与改进等,均应仍属于本发明的专利涵盖范围之内。
Claims (8)
1.一种湿法脱硫装置的全过程智能运行调控系统,其特征在于:所述系统包括污染物脱除模块、在线监测模块、优化控制模块和智慧建模模块;
所述污染物脱除模块包括脱硫装置,用于污染物脱除;
所述在线监测模块用于监测收集脱硫装置历史运行数据以及实时运行数据并传输给智慧建模模块、优化控制模块;
所述优化控制模块根据实时运行工况,通过多目标多工况的全局优化算法实时评估不同工况下污染物吸收脱除系统的运行成本,计算实现出口浓度稳定达标条件下脱硫装置能耗物耗最优的湿法脱硫装置最佳运行参数组合,并通过智能控制算法实现对脱硫装置关键参数的调控;
所述智慧建模模块采用混合建模方法,涵盖多种污染物、多种吸收剂、多种反应器类型,实现气态污染物浓度及关键运行参数的多断面准确预测;
所述智慧建模模块,结合气态污染物的生成-吸收-转化机理,采用机器学习的方法利用实际生产过程中的数据,建立气态污染物生成-吸收-转化全流程机理与数据耦合模型,涵盖多种污染物、多种吸收剂、多种反应器类型,实现气态污染物浓度及关键运行参数的多断面准确预测;
所述多种污染物包括SO2、SO3、HCl、HF;所述多种吸收剂包括钙基吸收剂、镁基吸收剂、钠基吸收剂、氨基吸收剂、海水;所述多种反应器类型包括喷淋空塔、强化传质塔、pH值分区塔;所述多断面包括锅炉出口、吸收塔入口和出口;
气态污染物生成-吸收-转化全流程机理与数据耦合模型的构建包括下述步骤:
(1)构建气态污染物生成过程模型,其包括下述步骤:
步骤S101:通过机理分析炉内二氧化硫生成过程的影响机制,由先验知识获得影响炉内二氧化硫生成的关键参数,初步确定炉内二氧化硫生成模型的输入参数;
步骤S102:利用在线监测系统采集不同负荷Ai和不同煤种Si下的锅炉历史运行数据和煤质数据,其中锅炉历史运行数据包括锅炉燃烧温度T,给煤量B,一次风量G1,二次风量G2;煤质数据包括飞灰系数afh,收到基灰分Aar,收到基低位发热量Qnet,ar,灰分中CaO、MgO、Fe2O3物质的质量分数a1,a2,a3;
步骤S103:利用步骤S102中收集的历史运行数据,筛选特殊工况点下不同变量的变化规律,分析关键因素变化到脱硫装置入口SO2浓度响应的纯延迟时间,将不同变量的纯延迟时间对齐,并将数据异常点去除得到历史运行数据集;
步骤S104:利用步骤S103中处理得到的历史运行数据集,采用机器学习方法,找出不同负荷Ai和不同煤种Si运行参数与脱硫装置入口SO2浓度之间的映射关系,建立脱硫装置入口SO2浓度预测模型;
步骤S105:在煤质数据难以连续获得的情况下,模型添加自回归变量吸收塔入口SO2浓度的当前测量值作为输入来预测未来脱硫装置SO2浓度;
步骤S106:采用OPC服务器实现预测服务器与DCS系统之间的数据通信,将训练好的模型装载于预测服务器上并使用实时数据进行验证,进而不断根据实际工况进行模型的实时动态优化调整;
(2)构建气态污染物吸收过程模型,其包括下述步骤:
步骤S201:通过研究多相反应体系中气态污染物非稳态吸收机理,综合考虑液滴的运动、气体的吸收解吸、液滴内部的扩散、电荷守恒以及电离平衡,建立脱硫装置内SO2传质-反应机理模型;
步骤S202:研究SO2/HSO3 -/SO3 2-的迁移/转化以及温度、pH、相间速度对气态污染物吸收脱除的影响规律与调控机制,获得pH值、循环泵、负荷、入口SO2浓度、烟气温度、浆液密度和液位高度的关键操作变量对SO2吸收速率及脱硫效率的影响规律,实现出口SO2浓度及脱硫效率的预测,以及对浆液成分、浆液密度、pH关键参数变化趋势的预测;
步骤S203:在线监测装置收集脱硫装置入/出口SO2浓度、浆液pH值、浆液密度、浆液温度、循环泵流量的脱硫装置历史运行参数;
步骤S204:结合步骤S203收集的脱硫装置历史运行参数,通过参数辨识的方法准确获得模型参数,并进一步采用机器学习模型修正机理模型的误差,进一步构建脱硫装置机理与数据协同驱动的混合模型;
步骤S205:采用OPC服务器实现预测服务器与DCS系统之间的数据通信,将训练好的模型装载于预测服务器上并使用实时数据进行验证,进而不断根据实际工况进行模型的实时动态优化调整;
(3)构建气态污染物转化过程模型,其包括下述步骤:
步骤S301:将二氧化硫吸收转化为副产物过程中的氧化过程,分为自然氧化和强制氧化两个过程,基于在线监测装置收集浆液温度、pH值、入口烟气中O2浓度和浆液液滴直径的脱硫装置运行数据;
步骤S302:基于步骤S301收集的运行数据,研究温度、pH值、入口O2浓度和浆液液滴直径对亚硫酸盐氧化过程的影响规律,构建涵盖氧气传质-亚硫酸钙溶解-本征氧化反应过程的氧化速率模型;
步骤S303:基于构建的氧化速率模型,根据现有工况获得当前工况下脱硫装置的自然氧化率,并计算剩余所需的强制氧化率,根据所需强制氧化率获得氧化系统的运行条件,进而构筑氧化量模型,实时计算不同运行工况下氧化风需求量。
2.根据权利要求1所述湿法脱硫装置的全过程智能运行调控系统,其特征在于:所述脱硫装置布置在燃煤电厂烟道尾部,涵盖二氧化硫生成、脱除、副产物处理全流程过程中的相关设备,所述设备包括浆液循环泵、氧化风机、石灰石浆液供浆阀门、真空皮带脱水机。
3.根据权利要求1所述湿法脱硫装置的全过程智能运行调控系统,其特征在于:所述在线监测模块包括烟气在线监测系统,DCS关键元件的就地检测与反馈系统,DCS的测量系统以及脱硫装置关键运行参数数据库;所述关键运行参数包括给煤量、一次风量、二次风量、锅炉负荷、烟气流量、吸收塔入口SO2浓度、吸收塔出口SO2浓度、循环浆液pH值、循环浆液泵频率、吸收浆液液位、浆液密度、氧化风流量、循环泵流量。
4.根据权利要求1所述湿法脱硫装置的全过程智能运行调控系统,其特征在于:所述优化控制模块,利用智慧建模模块建立的污染物生成-吸收-转化全流程机理与数据耦合模型,建立变负荷/工况完善的污染物脱除系统能耗、物耗、副产物产出的动态评价模型,实时准确的评估不同工况下污染物吸收脱除系统的运行成本并计算能耗物耗综合成本最优的参数组合,并通过智能控制算法实现对脱硫装置关键参数的调控。
5.根据权利要求4所述湿法脱硫装置的全过程智能运行调控系统,其特征在于:所述智能控制算法为群智能寻优算法,所述群智能寻优算法包括粒子群优化算法、蚁群算法、蜂群算法、遗传算法。
6.根据权利要求4所述湿法脱硫装置的全过程智能运行调控系统,其特征在于:动态评价模型构建包括下述步骤:
步骤S401:将脱硫装置运行费用模型分为电耗和物耗运行费用模型;
步骤S402:采集脱硫装置的主要耗能设备包括循环泵、氧化风机、搅拌器及由于脱硫塔阻力增加而引起的增压风机能耗,建立电耗运行费用模型;采集原烟气流量、吸收塔入口和出口SO2浓度根据脱硫塔物料平衡实时计算石灰石耗量,同时采集工艺水耗量,结合石灰石和工艺水价格,建立物耗运行费用模型;
7.根据权利要求4所述湿法脱硫装置的全过程智能运行调控系统,其特征在于:所述优化控制模块分为三部分:吸收子系统优化控制、氧化子系统优化控制、排浆子系统优化控制;
吸收子系统优化控制,基于气态污染物生成-吸收-转化全流程机理与数据耦合模型,采用调节喷淋层组合、循环泵频率、浆液密度/液位、浆液pH值实现对吸收子系统的优化控制;
氧化子系统优化控制,基于气态污染物生成-吸收-转化全流程机理与数据耦合模型,采用调节氧化风机频率、氧化风机启停、浆液密度/液位、浆液pH值实现对氧化子系统的优化控制;
排浆子系统优化控制,基于气态污染物生成-吸收-转化全流程机理与数据耦合模型,采用调节浆液pH值、浆液排出泵启停实现对排浆子系统的优化控制。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110373705.8A CN113082954B (zh) | 2021-04-07 | 2021-04-07 | 一种湿法脱硫装置的全过程智能运行调控系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110373705.8A CN113082954B (zh) | 2021-04-07 | 2021-04-07 | 一种湿法脱硫装置的全过程智能运行调控系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113082954A CN113082954A (zh) | 2021-07-09 |
CN113082954B true CN113082954B (zh) | 2022-04-01 |
Family
ID=76674629
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110373705.8A Active CN113082954B (zh) | 2021-04-07 | 2021-04-07 | 一种湿法脱硫装置的全过程智能运行调控系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113082954B (zh) |
Families Citing this family (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113707228B (zh) * | 2021-07-29 | 2024-04-16 | 北京工业大学 | 一种基于LightGBM算法的湿法烟气脱硫优化方法 |
CN113648802B (zh) * | 2021-09-10 | 2024-01-09 | 南方电网电力科技股份有限公司 | 一种火电机组的烟气脱硫诊断方法及装置 |
CN113776066A (zh) * | 2021-09-16 | 2021-12-10 | 南方电网电力科技股份有限公司 | 一种垃圾焚烧锅炉脱酸控制方法及相关装置 |
CN113898581B (zh) * | 2021-09-30 | 2023-10-03 | 江苏昆仑互联科技有限公司 | 一种湿法脱硫罗茨风机节能控制系统及方法 |
CN113945406B (zh) * | 2021-10-25 | 2024-01-26 | 安徽新力电业科技咨询有限责任公司 | 一种基于pm2.5细颗粒物中标型元素评价脱硫塔性能的方法 |
CN114110616B (zh) * | 2021-11-22 | 2024-03-08 | 广州环投从化环保能源有限公司 | 一种垃圾焚烧炉hcl浓度排放控制方法和控制系统 |
CN114177747A (zh) * | 2021-12-02 | 2022-03-15 | 昆岳互联环境技术(江苏)有限公司 | 一种基于机器学习算法的烟气脱硫二氧化硫浓度预测方法 |
CN114225662B (zh) * | 2021-12-07 | 2024-02-13 | 国网河北能源技术服务有限公司 | 一种基于滞后模型的烟气脱硫脱硝优化控制方法 |
CN114281042A (zh) * | 2021-12-23 | 2022-04-05 | 昆岳互联环境技术(江苏)有限公司 | 一种湿法脱硫循环系统节能控制方法及装置 |
CN114471119B (zh) * | 2022-02-19 | 2023-02-14 | 内蒙古大板发电有限责任公司 | 一种脱硫吸收塔及其脱硫方法 |
CN114815628B (zh) * | 2022-06-30 | 2022-09-02 | 微山县大卫新型建材有限公司 | 脱硫系统控制模型及脱硫系统控制方法 |
CN115228273B (zh) * | 2022-08-12 | 2023-05-30 | 中国华电科工集团有限公司 | 一种海水脱硫系统的控制方法 |
CN115814581B (zh) * | 2022-11-09 | 2023-06-23 | 浙江大学 | 一种石灰石-石膏湿法烟气脱硫的环保智能控制系统 |
CN116046435B (zh) * | 2023-03-01 | 2023-06-02 | 武汉鸿康科技有限公司 | 一种基于物联网的工业除尘机组在线监测系统 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109034457A (zh) * | 2018-06-28 | 2018-12-18 | 杭州电子科技大学 | 一种燃煤电厂污染物低成本协同脱除建模及优化方法 |
CN111461391A (zh) * | 2020-01-22 | 2020-07-28 | 杭州电子科技大学 | 一种煤泥流化床锅炉脱硫协同优化运行方法 |
CN112044270A (zh) * | 2020-08-18 | 2020-12-08 | 北京国电龙源环保工程有限公司 | 一种基于数据驱动多模型的脱硫氧化风系统控制方法 |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108636094A (zh) * | 2018-07-12 | 2018-10-12 | 浙江大学 | 一种湿法脱硫工艺中的精确预测控制与节能系统及方法 |
CN109472406B (zh) * | 2018-11-02 | 2020-08-11 | 浙江大学 | 一种超低排放多污染物协同脱除系统的全局优化方法 |
CN111611691A (zh) * | 2020-04-21 | 2020-09-01 | 大唐环境产业集团股份有限公司 | 基于多模态模型预测控制脱硫系统多目标优化控制方法 |
-
2021
- 2021-04-07 CN CN202110373705.8A patent/CN113082954B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109034457A (zh) * | 2018-06-28 | 2018-12-18 | 杭州电子科技大学 | 一种燃煤电厂污染物低成本协同脱除建模及优化方法 |
CN111461391A (zh) * | 2020-01-22 | 2020-07-28 | 杭州电子科技大学 | 一种煤泥流化床锅炉脱硫协同优化运行方法 |
CN112044270A (zh) * | 2020-08-18 | 2020-12-08 | 北京国电龙源环保工程有限公司 | 一种基于数据驱动多模型的脱硫氧化风系统控制方法 |
Also Published As
Publication number | Publication date |
---|---|
CN113082954A (zh) | 2021-07-09 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113082954B (zh) | 一种湿法脱硫装置的全过程智能运行调控系统 | |
CN109472406B (zh) | 一种超低排放多污染物协同脱除系统的全局优化方法 | |
CN107243257B (zh) | 适合全负荷的智能喷氨控制系统 | |
CN112580250A (zh) | 基于深度学习的火电机组脱硝系统及优化控制方法 | |
CN103197549B (zh) | 循环流化床锅炉烟气中二氧化硫的软测量及优化控制方法 | |
CN105597537B (zh) | 基于预测控制技术的脱硝控制方法 | |
CN110263452B (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 | |
CN109034457A (zh) | 一种燃煤电厂污染物低成本协同脱除建模及优化方法 | |
CN104226110A (zh) | 一种燃煤锅炉scr脱硝控制方法与控制系统 | |
CN111611691A (zh) | 基于多模态模型预测控制脱硫系统多目标优化控制方法 | |
CN111624876B (zh) | 一种智能的喷氨优化控制系统 | |
CN105498497A (zh) | 多变量控制的烟气脱硫脱硝一体化设备及其控制方法 | |
CN103771553A (zh) | 湿法烟气脱硫废水蒸发处理的自适应模糊控制方法 | |
US20060121616A1 (en) | Method and system for increasing efficiency of FGD operation in fossil fuel boilers | |
CN107398162B (zh) | 湿法烟气脱硫氧化风机节能方法 | |
WO2015013636A1 (en) | Controlling aqcs parameters in a combustion process | |
CN112364562A (zh) | 一种烟气环保岛协同控制方法及系统 | |
CN111598308B (zh) | 基于回归和二重pso算法解决浆液循环泵组合优化方法 | |
CN115309117A (zh) | 一种基于数据驱动的wfgd出口so2浓度预测及智能优化方法 | |
CN116688754A (zh) | 船舶烟气脱硫自动控制系统及其方法 | |
CN213160199U (zh) | 一种闭环控制的脱硫系统 | |
CN205323522U (zh) | 多变量控制的烟气脱硫脱硝一体化设备 | |
CN205216550U (zh) | 一种基于动态反应区的高效半干法脱硫塔及脱硫系统 | |
CN111564184A (zh) | 燃煤电厂石灰石-石膏湿法脱硫so3协同脱除效率预测方法 | |
CN104020797B (zh) | 一种用于船舶废气脱硫洗涤液pH的自动控制方法 |
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 |