CN113110046A - 一种基于大数据自学习预测控制的脱硫系统控制方法 - Google Patents

一种基于大数据自学习预测控制的脱硫系统控制方法 Download PDF

Info

Publication number
CN113110046A
CN113110046A CN202110360599.XA CN202110360599A CN113110046A CN 113110046 A CN113110046 A CN 113110046A CN 202110360599 A CN202110360599 A CN 202110360599A CN 113110046 A CN113110046 A CN 113110046A
Authority
CN
China
Prior art keywords
desulfurization system
control
parameters
learning
model
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.)
Granted
Application number
CN202110360599.XA
Other languages
English (en)
Other versions
CN113110046B (zh
Inventor
崔晓波
程茵
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Jiuhe Zhikong Beijing Technology Co ltd
Original Assignee
Jiuhe Zhikong Beijing Technology Co ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Jiuhe Zhikong Beijing Technology Co ltd filed Critical Jiuhe Zhikong Beijing Technology Co ltd
Priority to CN202110360599.XA priority Critical patent/CN113110046B/zh
Publication of CN113110046A publication Critical patent/CN113110046A/zh
Application granted granted Critical
Publication of CN113110046B publication Critical patent/CN113110046B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B13/00—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion
    • G05B13/02—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric
    • G05B13/04—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators
    • G05B13/042—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators in which a parameter or coefficient is automatically adjusted to optimise the performance
    • 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
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
    • Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
    • Y02P90/02—Total factory control, e.g. smart factories, flexible manufacturing systems [FMS] or integrated manufacturing systems [IMS]

Landscapes

  • Engineering & Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Computation (AREA)
  • Medical Informatics (AREA)
  • Software Systems (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Automation & Control Theory (AREA)
  • Treating Waste Gases (AREA)

Abstract

本发明公开了一种基于大数据自学习预测控制的脱硫系统控制方法，旨在解决现有技术中脱硫系统控制的自动化水平差、关键参数波动大、能耗物耗偏高的技术问题。其包括：获取脱硫系统当前时刻的运行参数，运行参数包括测量参数和控制参数；基于预先构建的成本模型和当前时刻的测量参数，利用粒子群优化算法获得当前时刻的最优控制参数；根据当前时刻的运行参数和最优控制参数，利用脱硫系统的离散状态空间模型输出控制指令，实现脱硫系统控制。本发明能够同时实现脱硫系统整体最优经济运行与关键参数精准控制，提高了火电机湿法脱硫系统运行的安全性与经济性。

Description

一种基于大数据自学习预测控制的脱硫系统控制方法
技术领域
本发明涉及一种基于大数据自学习预测控制的脱硫系统控制方法，属于热能动力工程和自动控制技术领域。
背景技术
石灰石—石膏湿法烟气脱硫系统工艺复杂，存在环保超排隐患、运行能耗高、运行调整难度大的难题，必须对脱硫系统进行控制。传统的脱硫系统控制策略存在以下问题：(1)由于脱硫系统被控对象普遍存在大滞后、大惯性问题，为了保证整个系统的稳定性，在控制系统的控制器参数整定过程中将调节器作用整定较弱，导致控制系统的整体抗扰动能力较差，进而导致大多火电机组的脱硫系统无法投入自动运行；(2)由于反馈回路采用单位反馈，存在大惯性、大滞后对象反馈不及时的情况，导致脱硫系统关键参数调节存在滞后，尤其是对脱硫系统影响最为关键的pH值的调节性能较差；(3)脱硫系统的关键参数(如pH值、吸收塔液位以及浆液密度)的设定值采用一成不变的固定值，在关键参数的自动调节性能差的影响下会导致脱硫系统能耗、物耗均较大，运行经济性差。
面对上述问题，如何通过先进控制技术及基于大数据分析研究优化脱硫系统的运行，提高脱硫系统的智能自动运行水平、降低脱硫能耗，成为湿法脱硫系统的研究重点。
发明内容
为了解决现有技术中脱硫系统控制的自动化水平差、关键参数波动大、能耗物耗偏高的问题，本发明提出了一种基于大数据自学习预测控制的脱硫系统控制方法，根据脱硫系统当前时刻的运行参数计算最优控制参数，并根据最优控制参数对脱硫系统的运行进行精准控制，提高脱硫系统的安全性和经济性。
为解决上述技术问题，本发明采用了如下技术手段：
本发明提出了一种基于大数据自学习预测控制的脱硫系统控制方法，其特征在于，包括如下步骤：
获取脱硫系统当前时刻的运行参数，所述运行参数包括测量参数和控制参数；
基于预先构建的成本模型和当前时刻的测量参数，利用粒子群优化算法获得当前时刻的最优控制参数；
根据当前时刻的运行参数和最优控制参数，利用脱硫系统的离散状态空间模型输出控制指令，实现脱硫系统控制。
进一步的，所述测量参数包括脱硫系统入口烟气流量、SO2浓度、温度和压力，所述控制参数包括浆液pH值、浆液密度、浆液液位和浆液循环泵的组合方式、石灰石供浆量和石膏排出泵排出量。
进一步的，所述成本模型采用自学习在线极限学习机模型，成本模型的输入为脱硫系统的运行参数，成本模型的输出为脱硫系统的综合运行成本；所述成本模型的构建过程包括模型初始化和模型自学习。
进一步的，所述模型初始化的过程包括：
获取脱硫系统的历史运行数据，并对历史运行数据进行大数据筛选，获得模型训练样本集合；
获取包括输入层、隐含层和输出层的初始成本模型，并初始化模型参数，模型参数包括：隐含层节点数l0、隐含层的输入权重W、偏差为b、输出权重β；
对初始成本模型的隐含层进行节点增加处理，令l0＝l0+la，其中，la表示增加的隐含层节点数，la为正整数；
根据增加的隐含层节点更新隐含层的输入权重和偏差：
Figure BDA0003005381840000031
其中，w表示增加的隐含层节点对应的输入权重，b0表示增加的隐含层节点对应的偏差；
利用隐含层节点激活函数计算节点增加后的隐含层的节点输出矩阵T，并根据T更新隐含层的输出权重：
β＝YT-1 (2)
其中，Y表示输出层的输出矩阵；
利用更新后的输出权重和模型训练样本集合计算节点增加后的初始成本模型的输出矩阵，并获得输出均方误差mse；
当mse大于预设的期望误差η时，继续节点增加处理，否则，获得初始化后的成本模型。
进一步的，模型自学习的过程包括：
在第k个自学习阶段，从模型训练样本集合中任选nk个训练样本输入初始化后的成本模型，获得第k个自学习阶段隐含层的输出矩阵Hk，其中，k为正整数，nk∈[0,N]，N为模型训练样本集合中的训练样本总数；
根据Hk计算第k个自学习阶段隐含层的输出权重βk：
Figure BDA0003005381840000041
Figure BDA0003005381840000042
其中，β(k-1)表示第k-1个自学习阶段隐含层的输出权重，Tk表示第k个自学习阶段隐含层的节点输出矩阵，Pk表示第k个自学习阶段的中间变量矩阵，Pk-1表示第k-1个自学习阶段的中间变量矩阵，I表示单位对角矩阵；
计算到第k个自学习阶段为止的训练样本数量
Figure BDA0003005381840000043
当Nk大于预设的阈值K，结束自学习循环，获得构建完成的成本模型，否则进入第k+1个自学习阶段。
进一步的，历史运行数据包括多组历史运行参数和与历史运行参数对应的综合运行成本；大数据筛选包括数据滤波、数据趋势项剔除、数据奇点剔除和稳态数据筛选。
进一步的，设粒子群优化算法中的粒子为脱硫系统的控制参数组成的向量，利用预先构建的成本模型作为粒子群优化算法的适应度函数，则脱硫系统的最优控制参数的获取方法为：
(1)初始化粒子群中每个粒子的位置和粒子群参数，获得初始粒子群；
(2)基于当前时刻的测量参数，利用适应度函数计算初始粒子群中每个粒子的初始适应度值，并通过比较初始适应度值获得初始粒子群的最优粒子位置；
(3)在第i+1次迭代过程中，根据第i次迭代的最优粒子位置计算第i+1次迭代的粒子移动速度：
Figure BDA0003005381840000051
其中，ΔU(i+1)j表示第i+1次迭代中第j个粒子的粒子移动速度，Uij表示第i次迭代中第j个粒子的粒子位置，Lij表示第i次迭代中第j个粒子的适应度值，Gi表示第i次迭代的最优粒子位置；
(4)根据第i+1次迭代的粒子移动速度更新第i+1次迭代中粒子的位置：
U(i+1)j＝Uij+ΔU(i+1)j (6)
其中，U(i+1)j表示第i+1次迭代中第j个粒子的位置；
(5)根据Uij和U(i+1)j计算粒子移动角度αij，并将U(i+1)j译码为O(i+1)j：
Figure BDA0003005381840000052
Figure BDA0003005381840000053
其中，O(i+1)j表示U(i+1)j译码后的值，Oij表示Uij译码后的值，
Figure BDA0003005381840000054
表示四舍五入取整运算；
(6)基于当前时刻的测量参数，利用适应度函数计算O(i+1)j对应的适应度值L(i+1)j，并通过比较适应度值获得第i+1次迭代中粒子群的最优粒子位置；
(7)重复步骤(3)～(6)，直到满足最大迭代次数，将最大迭代次数对应的最优粒子位置作为脱硫系统的最优控制参数。
进一步的，所述粒子群参数包括惯性权值ω、第一学习因子
Figure BDA0003005381840000055
第二学习因子
Figure BDA0003005381840000061
均匀随机数r1和r2，r1和r2的取值范围为[0,1]。
进一步的，利用脱硫系统的离散状态空间模型输出控制指令的步骤包括：
基于子空间辨识法获取脱硫系统的离散状态空间模型，并利用离散状态空间模型处理脱硫系统当前时刻的运行参数，获得下一时刻控制参数的预测值；
将最优控制参数作为下一时刻控制参数的设定值，利用离散状态空间模型生成控制指令：
Figure BDA0003005381840000062
Figure BDA0003005381840000063
其中，u(t+1)表示t+1时刻的控制指令，I为单位矩阵，
Figure BDA0003005381840000064
表示Ar的h次方，Ar表示控制参数的柔化设定系数，h为离散状态空间模型的预测步数，w(t+1)表示t+1时刻控制参数的设定值，yp(t)表示当前时刻t脱硫系统的运行参数，ym(t+1)表示t+1时刻控制参数的预测值，Am、Bm和Cm分别为脱硫系统的舍去延时后的离散状态空间模型矩阵，
Figure BDA0003005381840000065
表示Am的h次方，xm(t)为脱硫系统状态量；
根据控制指令控制脱硫系统中的泵开关，实现脱硫系统控制。
进一步的，所述控制指令包括石灰石供浆泵变频指令、石膏排出泵变频指令和带变频的单个循环浆液泵变频指令。
采用以上技术手段后可以获得以下优势：
本发明提出了一种基于大数据自学习预测控制的脱硫系统控制方法，利用预先构建的成本模型和实时测量的系统运行参数动态的计算脱硫系统的最优控制参数，然后根据最优控制参数输出控制指令，实现脱硫系统控制，本发明方法采用了解决大滞后对象最具针对性的离散状态空间模型，能够实现脱硫系统关键参数的自动化控制，降低了运行人员的操作强度，而且控制过程一直向使系统成本最低的最优值靠拢，控制准确性高、控制效果好，能够有效降低脱硫系统的能耗、物耗，提高湿法脱硫系统的稳定性。此外，本发明方法利用最优控制参数作为下一时刻控制参数的设定值，设定值是动态改变的，且设定值是当前时刻最优的，动态的设定值更加贴合脱硫系统运行情况，更利于系统参数的自动调节。
本发明方法的控制参数整定简单、易于工程实施，可以同时实现脱硫系统整体最优经济运行与关键参数精准控制，提高了火电机湿法脱硫系统运行的安全性与经济性。
附图说明
图1为本发明一种基于大数据自学习预测控制的脱硫系统控制方法的步骤流程图。
具体实施方式
下面结合附图对本发明的技术方案作进一步说明：
本发明提出了一种基于大数据自学习预测控制的脱硫系统控制方法，如图1所示，具体包括如下步骤：
步骤A、获取脱硫系统当前时刻的运行参数。本发明中的运行参数包括测量参数和控制参数，其中，测量参数指脱硫系统中人为难以控制、改变的参数，测量参数包括脱硫系统入口烟气流量、SO2浓度、温度、压力等；控制参数指脱硫系统中可以通过控制指令/动作调整的参数，控制参数包括浆液pH值、浆液密度、浆液液位和浆液循环泵的组合方式、石灰石供浆量、石膏排出泵排出量等，脱硫系统中的一些控制参数之间具有关联性，比如石灰石供浆量和石膏排出泵排出量会影响浆液pH值和浆液密度。
步骤B、基于预先构建的成本模型和当前时刻的测量参数，利用粒子群优化算法获得当前时刻的最优控制参数。本发明以脱硫系统的综合运行成本最优化作为目标，构建模型计算最优控制参数，最优控制参数表示在当前时刻、受当前测量参数限制、令脱硫系统综合运行成本最低的控制参数，最优控制参数可以作为脱硫系统中控制参数的设定值，用来在后续步骤中动态控制脱硫系统。
在本发明实施例中，预先构建的成本模型采用自学习在线极限学习机模型，成本模型的输入为脱硫系统的运行参数，成本模型的输出为脱硫系统的综合运行成本(物耗、电耗及水耗对应的成本叠加)、脱硫系统出口SO2浓度。
成本模型的构建过程包括模型初始化和模型自学习；其中，模型初始化的过程如下：
步骤B101、获取脱硫系统的历史运行数据，并对历史运行数据进行大数据筛选，获得模型训练样本集合；其中，历史运行数据包括脱硫系统在过去一段时间内采集到的历史运行参数和与历史运行参数对应的综合运行成本，模型训练样本集合中包括多个训练样本，每个训练样本包括一个时刻的历史运行参数和对应的综合运行成本；大数据筛选包括数据滤波、数据趋势项剔除、数据奇点剔除、稳态数据筛选操作。
步骤B102、获取包括输入层、隐含层和输出层的初始成本模型，并初始化模型参数；其中，模型参数包括：隐含层节点数l0、隐含层的输入权重W、偏差为b、输出权重β，初始化模型参数的值是人为设定的。
步骤B103、对初始成本模型的隐含层进行节点增加处理，令l0＝l0+la，其中，la表示增加的隐含层节点数，la为正整数。
步骤B104、根据增加的隐含层节点更新隐含层的输入权重和偏差：
Figure BDA0003005381840000091
其中，w表示增加的隐含层节点对应的输入权重，b0表示增加的隐含层节点对应的偏差，la、w和b0的值是随机生成的。
步骤B105、利用隐含层节点激活函数计算节点增加后的隐含层的节点输出矩阵T，其中，隐含层节点激活函数采用sigmod函数，即
Figure BDA0003005381840000092
根据T更新隐含层的输出权重：
β＝YT-1 (12)
其中，Y表示输出层的输出矩阵，在步骤B105中，利用模型训练样本集合中的综合运行成本来更新输出权重。
步骤B106、利用更新后的输出权重和模型训练样本集合计算节点增加后的初始成本模型的输出矩阵，并获得输出均方误差mse；具体的，利用更新后的输出权重得到节点增加后的初始成本模型，将模型训练样本集合中的历史运行参数输入节点增加后的初始成本模型，得到模型的输出矩阵，然后根据模型的输出矩阵和历史运行数据中的综合运行成本计算输出均方误差mse。
步骤B107、当mse大于预设的期望误差η时，继续节点增加处理，即重复步骤B103～B106；否则，获得初始化后的成本模型。
在完成模型初始化之后，基于模型训练样本集合进行模型自学习，具体操作如下：
步骤B201、在第k个自学习阶段，从模型训练样本集合中任选nk个训练样本输入初始化后的成本模型，获得第k个自学习阶段隐含层的输出矩阵Hk，其中，k为正整数，nk∈[0,N]，N为模型训练样本集合中的训练样本总数。
步骤B202、根据Hk计算第k个自学习阶段隐含层的输出权重βk，具体公式如下：
Figure BDA0003005381840000101
Figure BDA0003005381840000102
其中，β(k-1)表示第k-1个自学习阶段隐含层的输出权重，Tk表示第k个自学习阶段隐含层的节点输出矩阵，Pk表示第k个自学习阶段的中间变量矩阵，Pk-1表示第k-1个自学习阶段的中间变量矩阵，I表示单位对角矩阵。
步骤B203、计算到第k个自学习阶段为止的训练样本数量
Figure BDA0003005381840000103
当Nk大于预设的阈值K，结束自学习循环，根据βk获得构建完成的成本模型，否则进入第k+1个自学习阶段，循环步骤B201～B203。
本发明中的成本模型给出了脱硫系统运行参数与综合运行成本之间的关系，由于脱硫系统的运行参数中包括不可控制的参数(测量参数)和可以控制的参数(控制参数)，因此本发明能够在测量参数的约束下利用成本模型获得每个时刻最优化的控制参数。
设粒子群优化算法中的粒子为脱硫系统的控制参数组成的向量，利用预先构建的成本模型作为粒子群优化算法的适应度函数，则脱硫系统的最优化运行参数的获取方法为：
步骤B301、初始化粒子群中每个粒子的位置和粒子群参数，获得初始粒子群；其中，粒子的位置表示每个控制参数的值，粒子的位置可以在每个控制参数的取值范围内随机生成；粒子群参数包括惯性权值ω、第一学习因子
Figure BDA0003005381840000111
第二学习因子
Figure BDA0003005381840000112
均匀随机数r1和r2，r1和r2的取值范围为[0,1]。
在本发明实施例中，粒子群优化算法的粒子群规模为100，即粒子群中存在100个粒子；ω取0.6；
Figure BDA0003005381840000113
和
Figure BDA0003005381840000114
也称为加速常数，均设置为2；初始粒子移动速度为0；最大迭代次数为50。
步骤B302、在初始迭代过程中，即i＝1时，基于当前时刻的测量参数，利用适应度函数计算初始粒子群中每个粒子的初始适应度值，即利用当前时刻的测量参数和每个粒子的位置(控制参数)计算对应的综合运行成本。比较所有粒子的初始适应度值，取初始适应度值最低(综合运行成本最低)的粒子的位置作为初始粒子群的最优粒子位置。
步骤B303、在第i+1次迭代过程中，根据第i次迭代的最优粒子位置计算第i+1次迭代的粒子移动速度：
Figure BDA0003005381840000121
其中，ΔU(i+1)j表示第i+1次迭代中第j个粒子的粒子移动速度，Uij表示第i次迭代中第j个粒子的粒子位置，Lij表示第i次迭代中第j个粒子的适应度值，Gi表示第i次迭代的最优粒子位置。
步骤B304、根据第i+1次迭代的粒子移动速度更新第i+1次迭代中粒子的位置：
U(i+1)j＝Uij+ΔU(i+1)j (16)
其中，U(i+1)j表示第i+1次迭代中第j个粒子的位置。
步骤B305、根据Uij和U(i+1)j计算粒子移动角度αij，本发明中可以将每个粒子的位置看成一个多维空间中的点，同一个粒子在前后两次迭代过程中的位置能够在多维空间中形成一个具有方向的向量，进而可以得到粒子移动角度。
利用αij将U(i+1)j译码为O(i+1)j：
Figure BDA0003005381840000122
Figure BDA0003005381840000123
其中，O(i+1)j表示U(i+1)j译码后的值，O(i+1)j中包括了译码后的控制参数的值，Oij表示Uij译码后的值，
Figure BDA0003005381840000124
表示四舍五入取整运算。
步骤B306、基于当前时刻的测量参数，利用适应度函数计算O(i+1)j对应的适应度值L(i+1)j，并通过比较第i+1次迭代中所有粒子的适应度值获得第i+1次迭代中粒子群的最优粒子位置。
步骤B307、重复步骤B303～步骤B306，直到满足最大迭代次数，将最大迭代次数对应的最优粒子位置作为脱硫系统的最优控制参数。
步骤C、根据当前时刻的运行参数和最优控制参数，利用脱硫系统的离散状态空间模型输出控制指令，实现脱硫系统控制。
本发明中步骤C的具体操作如下：
步骤C01、基于子空间辨识法获取脱硫系统的离散状态空间模型，离散状态空间模型可以模拟脱硫系统的控制指令与控制参数之间的动态关系。利用离散状态空间模型处理脱硫系统当前时刻的运行参数，获得下一时刻控制参数的预测值，预测值指不进行干预控制的情况下脱硫系统在下个时刻可能输出的控制参数值。
步骤C02、将最优控制参数作为下一时刻控制参数的设定值，利用离散状态空间模型生成控制指令，本发明中的控制指令主要包括石灰石供浆泵变频指令、石膏排出泵变频指令和带变频的单个循环浆液泵变频指令，控制指令可以分别控制石灰石供浆泵、石膏排出泵和循环浆液泵，进而可以控制浆液pH值、浆液密度、浆液液位和浆液循环泵的组合方式、石灰石供浆量、石膏排出泵排出量等控制参数，控制指令可以让脱硫系统的控制参数的值向设定值靠拢。
控制指令的计算公式如下：
Figure BDA0003005381840000131
Figure BDA0003005381840000132
其中，u(t+1)表示t+1时刻的控制指令，I为单位矩阵，
Figure BDA0003005381840000133
表示Ar的h次方，Ar表示控制参数的柔化设定系数，h为离散状态空间模型的预测步数，Ar和h的值均为人为设定，w(t+1)表示t+1时刻控制参数的设定值，yp(t)表示当前时刻t脱硫系统的运行参数，ym(t+1)表示t+1时刻控制参数的预测值，Am、Bm和Cm分别为脱硫系统的舍去延时后的离散状态空间模型矩阵，
Figure BDA0003005381840000141
表示Am的h次方，xm(t)为脱硫系统状态量。
步骤C03、根据控制指令控制脱硫系统中的泵开关，实现脱硫系统控制。
本发明方法采用独立的外挂平台与DCS通过通信方式连接实现，可以对脱硫系统进行准确可靠的控制。在本发明实施例中，将本发明方法运用到某发电厂#6锅炉的脱硫系统控制中来验证本发明的效果，该脱硫系统的原始控制中各自动环节均未投入，所有关键参数均由运行人员手动调节，脱硫系统的pH值波动幅度达到0.6；采用本发明方法后，在各种扰动下所有回路均投入自动运行，脱硫系统的pH值波动幅度在0.2以内，脱硫系统的整体能耗降低15％，物耗降低5％，由此可知本发明方法能够有效提高湿法脱硫系统的稳定性，同时提高火电机组脱硫系统的自动运行水平及系统经济性。
与现有技术相比，本发明能够实现脱硫系统关键参数的自动化控制，降低了运行人员的操作强度，而且控制过程一直向使系统成本最低的最优值靠拢，控制准确性高、控制效果好，解决了目前湿法脱硫系统实际运行中关键参数波动大、能耗物耗偏大的技术问题。本发明方法的控制参数整定简单、易于工程实施，可以同时实现脱硫系统整体最优经济运行与关键参数精准控制，提高了火电机湿法脱硫系统运行的安全性与经济性。
以上所述仅是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明技术原理的前提下，还可以做出若干改进和变形，这些改进和变形也应视为本发明的保护范围。

Claims (10)

1.一种基于大数据自学习预测控制的脱硫系统控制方法，其特征在于，包括如下步骤：
获取脱硫系统当前时刻的运行参数，所述运行参数包括测量参数和控制参数；
基于预先构建的成本模型和当前时刻的测量参数，利用粒子群优化算法获得当前时刻的最优控制参数；
根据当前时刻的运行参数和最优控制参数，利用脱硫系统的离散状态空间模型输出控制指令，实现脱硫系统控制。
2.根据权利要求1所述的一种基于大数据自学习预测控制的脱硫系统控制方法，其特征在于，所述测量参数包括脱硫系统入口烟气流量、SO2浓度、温度和压力，所述控制参数包括浆液pH值、浆液密度、浆液液位和浆液循环泵的组合方式、石灰石供浆量和石膏排出泵排出量。
3.根据权利要求1所述的一种基于大数据自学习预测控制的脱硫系统控制方法，其特征在于，所述成本模型采用自学习在线极限学习机模型，成本模型的输入为脱硫系统的运行参数，成本模型的输出为脱硫系统的综合运行成本；所述成本模型的构建过程包括模型初始化和模型自学习。
4.根据权利要求3所述的一种基于大数据自学习预测控制的脱硫系统控制方法，其特征在于，所述模型初始化的过程包括：
获取脱硫系统的历史运行数据，并对历史运行数据进行大数据筛选，获得模型训练样本集合；
获取包括输入层、隐含层和输出层的初始成本模型，并初始化模型参数，模型参数包括：隐含层节点数l0、隐含层的输入权重W、偏差为b、输出权重β；
对初始成本模型的隐含层进行节点增加处理，令l0＝l0+la，其中，la表示增加的隐含层节点数，la为正整数；
根据增加的隐含层节点更新隐含层的输入权重和偏差：
Figure FDA0003005381830000021
其中，w表示增加的隐含层节点对应的输入权重，b0表示增加的隐含层节点对应的偏差；
利用隐含层节点激活函数计算节点增加后的隐含层的节点输出矩阵T，并根据T更新隐含层的输出权重：
β＝YT-1
其中，Y表示输出层的输出矩阵；
利用更新后的输出权重和模型训练样本集合计算节点增加后的初始成本模型的输出矩阵，并获得输出均方误差mse；
当mse大于预设的期望误差η时，继续节点增加处理，否则，获得初始化后的成本模型。
5.根据权利要求4所述的一种基于大数据自学习预测控制的脱硫系统控制方法，其特征在于，模型自学习的过程包括：
在第k个自学习阶段，从模型训练样本集合中任选nk个训练样本输入初始化后的成本模型，获得第k个自学习阶段隐含层的输出矩阵Hk，其中，k为正整数，nk∈[0,N]，N为模型训练样本集合中的训练样本总数；
根据Hk计算第k个自学习阶段隐含层的输出权重βk：
Figure FDA0003005381830000031
Figure FDA0003005381830000032
其中，β(k-1)表示第k-1个自学习阶段隐含层的输出权重，Tk表示第k个自学习阶段隐含层的节点输出矩阵，Pk表示第k个自学习阶段的中间变量矩阵，Pk-1表示第k-1个自学习阶段的中间变量矩阵，I表示单位对角矩阵；
计算到第k个自学习阶段为止的训练样本数量
Figure FDA0003005381830000033
当Nk大于预设的阈值K，结束自学习循环，获得构建完成的成本模型，否则进入第k+1个自学习阶段。
6.根据权利要求4或5所述的一种基于大数据自学习预测控制的脱硫系统控制方法，其特征在于，历史运行数据包括多组历史运行参数和与历史运行参数对应的综合运行成本；大数据筛选包括数据滤波、数据趋势项剔除、数据奇点剔和稳态数据筛选。
7.根据权利要求1所述的一种基于大数据自学习预测控制的脱硫系统控制方法，其特征在于，设粒子群优化算法中的粒子为脱硫系统的控制参数组成的向量，利用预先构建的成本模型作为粒子群优化算法的适应度函数，则脱硫系统的最优控制参数的获取方法为：
(1)初始化粒子群中每个粒子的位置和粒子群参数，获得初始粒子群；
(2)基于当前时刻的测量参数，利用适应度函数计算初始粒子群中每个粒子的初始适应度值，并通过比较初始适应度值获得初始粒子群的最优粒子位置；
(3)在第i+1次迭代过程中，根据第i次迭代的最优粒子位置计算第i+1次迭代的粒子移动速度：
Figure FDA0003005381830000041
其中，ΔU(i+1)j表示第i+1次迭代中第j个粒子的粒子移动速度，Uij表示第i次迭代中第j个粒子的粒子位置，Lij表示第i次迭代中第j个粒子的适应度值，Gi表示第i次迭代的最优粒子位置；
(4)根据第i+1次迭代的粒子移动速度更新第i+1次迭代中粒子的位置：
U(i+1)j＝Uij+ΔU(i+1)j
其中，U(i+1)j表示第i+1次迭代中第j个粒子的位置；
(5)根据Uij和U(i+1)j计算粒子移动角度αij，并将U(i+1)j译码为O(i+1)j：
Figure FDA0003005381830000042
Figure FDA0003005381830000043
其中，O(i+1)j表示U(i+1)j译码后的值，Oij表示Uij译码后的值，
Figure FDA0003005381830000044
表示四舍五入取整运算；
(6)基于当前时刻的测量参数，利用适应度函数计算O(i+1)j对应的适应度值L(i+1)j，并通过比较适应度值获得第i+1次迭代中粒子群的最优粒子位置；
(7)重复步骤(3)～(6)，直到满足最大迭代次数，将最大迭代次数对应的最优粒子位置作为脱硫系统的最优控制参数。
8.根据权利要求7所述的一种基于大数据自学习预测控制的脱硫系统控制方法，其特征在于，所述粒子群参数包括惯性权值ω、第一学习因子
Figure FDA0003005381830000051
第二学习因子
Figure FDA0003005381830000052
均匀随机数r1和r2，r1和r2的取值范围为[0,1]。
9.根据权利要求1所述的一种基于大数据自学习预测控制的脱硫系统控制方法，其特征在于，利用脱硫系统的离散状态空间模型输出控制指令的步骤包括：
基于子空间辨识法获取脱硫系统的离散状态空间模型，并利用离散状态空间模型处理脱硫系统当前时刻的运行参数，获得下一时刻控制参数的预测值；
将最优控制参数作为下一时刻控制参数的设定值，利用离散状态空间模型生成控制指令：
Figure FDA0003005381830000053
Figure FDA0003005381830000054
其中，u(t+1)表示t+1时刻的控制指令，I为单位矩阵，
Figure FDA0003005381830000055
表示Ar的h次方，Ar表示控制参数的柔化设定系数，h为离散状态空间模型的预测步数，w(t+1)表示t+1时刻控制参数的设定值，yp(t)表示当前时刻t脱硫系统的运行参数，ym(t+1)表示t+1时刻控制参数的预测值，Am、Bm和Cm分别为脱硫系统的舍去延时后的离散状态空间模型矩阵，
Figure FDA0003005381830000056
表示Am的h次方，xm(t)为脱硫系统状态量；
根据控制指令控制脱硫系统中的泵开关，实现脱硫系统控制。
10.根据权利要求9所述的一种基于大数据自学习预测控制的脱硫系统控制方法，其特征在于，所述控制指令包括石灰石供浆泵变频指令、石膏排出泵变频指令和带变频的单个循环浆液泵变频指令。
CN202110360599.XA 2021-04-02 2021-04-02 一种基于大数据自学习预测控制的脱硫系统控制方法 Active CN113110046B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110360599.XA CN113110046B (zh) 2021-04-02 2021-04-02 一种基于大数据自学习预测控制的脱硫系统控制方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110360599.XA CN113110046B (zh) 2021-04-02 2021-04-02 一种基于大数据自学习预测控制的脱硫系统控制方法

Publications (2)

Publication Number Publication Date
CN113110046A true CN113110046A (zh) 2021-07-13
CN113110046B CN113110046B (zh) 2022-06-07

Family

ID=76713613

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110360599.XA Active CN113110046B (zh) 2021-04-02 2021-04-02 一种基于大数据自学习预测控制的脱硫系统控制方法

Country Status (1)

Country Link
CN (1) CN113110046B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115453916A (zh) * 2022-08-24 2022-12-09 三一重机有限公司 作业机械的控制方法、装置、设备及作业机械

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2011214794A (ja) * 2010-04-01 2011-10-27 Mitsubishi Electric Corp 空調システム制御装置
CN107168055A (zh) * 2017-05-15 2017-09-15 东南大学 一种基于多变量预测控制的氨法脱硫优化控制方法
CN108564208A (zh) * 2018-04-02 2018-09-21 华能国际电力股份有限公司 一种可在线显示脱硫装置运行成本的优化方法
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
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
CN109932909A (zh) * 2019-03-27 2019-06-25 江苏方天电力技术有限公司 火电机组脱硫系统的大系统耦合多变量优化匹配控制方法
CN111013370A (zh) * 2019-11-08 2020-04-17 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院 一种基于深度神经网络的湿法脱硫浆液供给量预测方法
CN112465239A (zh) * 2020-12-03 2021-03-09 大唐环境产业集团股份有限公司 基于改进pso-fcm算法的脱硫系统运行优化方法

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2011214794A (ja) * 2010-04-01 2011-10-27 Mitsubishi Electric Corp 空調システム制御装置
CN107168055A (zh) * 2017-05-15 2017-09-15 东南大学 一种基于多变量预测控制的氨法脱硫优化控制方法
CN108564208A (zh) * 2018-04-02 2018-09-21 华能国际电力股份有限公司 一种可在线显示脱硫装置运行成本的优化方法
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
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
CN109932909A (zh) * 2019-03-27 2019-06-25 江苏方天电力技术有限公司 火电机组脱硫系统的大系统耦合多变量优化匹配控制方法
CN111013370A (zh) * 2019-11-08 2020-04-17 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院 一种基于深度神经网络的湿法脱硫浆液供给量预测方法
CN112465239A (zh) * 2020-12-03 2021-03-09 大唐环境产业集团股份有限公司 基于改进pso-fcm算法的脱硫系统运行优化方法

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115453916A (zh) * 2022-08-24 2022-12-09 三一重机有限公司 作业机械的控制方法、装置、设备及作业机械

Also Published As

Publication number Publication date
CN113110046B (zh) 2022-06-07

Similar Documents

Publication Publication Date Title
Saad et al. Implementation of PID controller tuning using differential evolution and genetic algorithms
CN104765350B (zh) 基于组合模型预测控制技术的水泥分解炉控制方法及系统
CN105425612B (zh) 一种水轮机调节系统控制参数的优选方法
CN106054596B (zh) 一种基于改进性能指标的pid控制器参数优化整定方法
CN111460726B (zh) 一种煤泥流化床锅炉脱硝系统氨逃逸的优化方法
CN113671831B (zh) 一种非线性互联系统的自适应跟踪控制方法
CN113110046B (zh) 一种基于大数据自学习预测控制的脱硫系统控制方法
CN109254530A (zh) 基于磨矿过程基础回路的无模型自适应控制方法
CN104616072B (zh) 一种基于区间优化的提高谷氨酸发酵产物浓度的方法
CN105240846A (zh) 多变量广义预测控制优化的循环流化床锅炉燃烧过程控制方法
CN112742187A (zh) 一种脱硫系统中pH值的控制方法及装置
Ding et al. Application of Fuzzy Immune Algorithm and Soft Computing in the Design of 2‐DOF PID Controller
CN104898426A (zh) 基于梯度下降法和广义预测控制的室温回路控制方法
CN103822758B (zh) 换热器漏流异常工况在线诊断与选择性控制方法及装置
CN103558761B (zh) 一种具有控制器输入饱和的非线性化学反应循环不确定时滞系统的控制方法
CN113885328A (zh) 一种基于积分强化学习的核电功率跟踪控制方法
Sethuramalingam et al. PID controller tuning using soft computing methodologies for industrial process-A comparative approach
CN101833281A (zh) 污水处理曝气节能控制方法
Yu et al. A Knowledge-based reinforcement learning control approach using deep Q network for cooling tower in HVAC systems
CN105511270B (zh) 一种基于协同进化的pid控制器参数优化方法和系统
CN103558762B (zh) 基于图形化组态技术的免疫遗传pid控制器的实现方法
CN111352343A (zh) 核电pid控制系统控制参数自动寻优方法
CN114909706A (zh) 一种基于强化学习算法和压差控制的二级网平衡调控方法
Nithyarani et al. Model Identification of Temperature Process and Tuning with Advanced Control Techniques
Abu-Ayyad et al. SISO extended predictive control—formulation and the basic algorithm

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