CN113380338A - 一种循环流化床机组旋风分离器进口处NOx浓度测量修正及预测方法 - Google Patents

一种循环流化床机组旋风分离器进口处NOx浓度测量修正及预测方法 Download PDF

Info

Publication number
CN113380338A
CN113380338A CN202110665159.5A CN202110665159A CN113380338A CN 113380338 A CN113380338 A CN 113380338A CN 202110665159 A CN202110665159 A CN 202110665159A CN 113380338 A CN113380338 A CN 113380338A
Authority
CN
China
Prior art keywords
clustering
inlet
fluidized bed
circulating fluidized
cyclone separator
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
CN202110665159.5A
Other languages
English (en)
Other versions
CN113380338B (zh
Inventor
杨永明
曲晓峰
苗东旭
王达梦
翟俊鹏
王克剑
赵明
毛静轩
姜漫利
宋为平
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.)
Harbin Electric Science and Technology Co.,Ltd.
Original Assignee
Hadian Power Equipment National Engineering Research Center 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 Hadian Power Equipment National Engineering Research Center Co Ltd filed Critical Hadian Power Equipment National Engineering Research Center Co Ltd
Priority to CN202110665159.5A priority Critical patent/CN113380338B/zh
Publication of CN113380338A publication Critical patent/CN113380338A/zh
Application granted granted Critical
Publication of CN113380338B publication Critical patent/CN113380338B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16C—COMPUTATIONAL CHEMISTRY; CHEMOINFORMATICS; COMPUTATIONAL MATERIALS SCIENCE
    • G16C20/00—Chemoinformatics, i.e. ICT specially adapted for the handling of physicochemical or structural data of chemical particles, elements, compounds or mixtures
    • G16C20/30—Prediction of properties of chemical compounds, compositions or mixtures
    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F23—COMBUSTION APPARATUS; COMBUSTION PROCESSES
    • F23C—METHODS OR APPARATUS FOR COMBUSTION USING FLUID FUEL OR SOLID FUEL SUSPENDED IN  A CARRIER GAS OR AIR 
    • F23C10/00—Fluidised bed combustion apparatus
    • F23C10/02—Fluidised bed combustion apparatus with means specially adapted for achieving or promoting a circulating movement of particles within the bed or for a recirculation of particles entrained from the bed
    • F23C10/04—Fluidised bed combustion apparatus with means specially adapted for achieving or promoting a circulating movement of particles within the bed or for a recirculation of particles entrained from the bed the particles being circulated to a section, e.g. a heat-exchange section or a return duct, at least partially shielded from the combustion zone, before being reintroduced into the combustion zone
    • F23C10/08—Fluidised bed combustion apparatus with means specially adapted for achieving or promoting a circulating movement of particles within the bed or for a recirculation of particles entrained from the bed the particles being circulated to a section, e.g. a heat-exchange section or a return duct, at least partially shielded from the combustion zone, before being reintroduced into the combustion zone characterised by the arrangement of separation apparatus, e.g. cyclones, for separating particles from the flue gases
    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F23—COMBUSTION APPARATUS; COMBUSTION PROCESSES
    • F23C—METHODS OR APPARATUS FOR COMBUSTION USING FLUID FUEL OR SOLID FUEL SUSPENDED IN  A CARRIER GAS OR AIR 
    • F23C10/00—Fluidised bed combustion apparatus
    • F23C10/18—Details; Accessories
    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F23—COMBUSTION APPARATUS; COMBUSTION PROCESSES
    • F23C—METHODS OR APPARATUS FOR COMBUSTION USING FLUID FUEL OR SOLID FUEL SUSPENDED IN  A CARRIER GAS OR AIR 
    • F23C10/00—Fluidised bed combustion apparatus
    • F23C10/18—Details; Accessories
    • F23C10/28—Control devices specially adapted for fluidised bed, combustion apparatus
    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F23—COMBUSTION APPARATUS; COMBUSTION PROCESSES
    • F23J—REMOVAL OR TREATMENT OF COMBUSTION PRODUCTS OR COMBUSTION RESIDUES; FLUES 
    • F23J15/00—Arrangements of devices for treating smoke or fumes
    • F23J15/003—Arrangements of devices for treating smoke or fumes for supplying chemicals to fumes, e.g. using injection devices
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/22—Matching criteria, e.g. proximity measures
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/23—Clustering techniques
    • G06F18/232—Non-hierarchical techniques
    • G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
    • G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16C—COMPUTATIONAL CHEMISTRY; CHEMOINFORMATICS; COMPUTATIONAL MATERIALS SCIENCE
    • G16C20/00—Chemoinformatics, i.e. ICT specially adapted for the handling of physicochemical or structural data of chemical particles, elements, compounds or mixtures
    • G16C20/70—Machine learning, data mining or chemometrics
    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F23—COMBUSTION APPARATUS; COMBUSTION PROCESSES
    • F23J—REMOVAL OR TREATMENT OF COMBUSTION PRODUCTS OR COMBUSTION RESIDUES; FLUES 
    • F23J2215/00—Preventing emissions
    • F23J2215/10—Nitrogen; Compounds thereof

Landscapes

  • Engineering & Computer Science (AREA)
  • Chemical & Material Sciences (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • General Engineering & Computer Science (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Mechanical Engineering (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Computation (AREA)
  • Physics & Mathematics (AREA)
  • Combustion & Propulsion (AREA)
  • General Physics & Mathematics (AREA)
  • Crystallography & Structural Chemistry (AREA)
  • Computing Systems (AREA)
  • Evolutionary Biology (AREA)
  • Databases & Information Systems (AREA)
  • General Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Chemical Kinetics & Catalysis (AREA)
  • General Chemical & Material Sciences (AREA)
  • Probability & Statistics with Applications (AREA)
  • Fluidized-Bed Combustion And Resonant Combustion (AREA)

Abstract

一种循环流化床机组旋风分离器进口处NOx浓度测量修正及预测方法，属于循环流化床机组SNCR脱硝领域。解决了现有旋风分离器进口处CEMS仪表抽取式测量NOx存在一定程度的迟延滞后，导致在喷氨控制中，喷氨调节阀门无法及时动作，导致烟囱出口NOx波动较大，氨逃逸率高、甚至是排放超标的问题。技术要点：基于循环流化床运行机理及试验，结合最大信息系数与分摊冗余特征选择方法、小波变换确定特征变量迟延时间、运行工况多重聚类划分、神经网络预测等大数据智能算法，实现循环流化床机组旋风分离器进口处NOx浓度测量修正及预测，及时地将烟气中NOx浓度反馈到SNCR脱硝控制系统中，提高了控制系统的动态响应性能。

Description

一种循环流化床机组旋风分离器进口处NOx浓度测量修正及 预测方法
技术领域
本发明涉及一种循环流化床机组NOx浓度测量修正及预测方法，具体涉及一种循环流化床机组旋风分离器进口处NOx浓度测量修正及预测方法，属于循环流化床机组SNCR脱硝领域。
背景技术
随着大气污染问题的日益突出，对于燃煤循环流化床机组大气污染物排放浓度的控制将会越来越严格。选择性非催化还原(Selective Non-Catalytic Reduction，SNCR)是循环流化床机组目前普遍采用的氮氧化物控制技术，而喷氨量优化是SNCR脱硝系统实现氮氧化物深度减排的关键技术。
在火电厂污染物现有控制过程中，仅仅只考虑响应快速性与系统稳定性的问题，而没有考虑到控制系统中测量数据来源可能存在的问题，比如污染物浓度数据的测量就存在一定的滞后问题，脱硝系统中气体浓度测量主要采用抽取式烟气连续监测系统(Continuous emission monitoring systems，CEMS)。在快速响应的脱硝系统中，CEMS浓度测量滞后会对控制系统产生较大的影响，且控制系统无法将此滞后消除，容易导致机组烟囱出口NOx波动较大，氨逃逸率高、甚至是排放超标。
发明内容
在下文中给出了关于本发明的简要概述，以便提供关于本发明的某些方面的基本理解。应当理解，这个概述并不是关于本发明的穷举性概述。它并不是意图确定本发明的关键或重要部分，也不是意图限定本发明的范围。其目的仅仅是以简化的形式给出某些概念，以此作为稍后论述的更详细描述的前序。
鉴于此，针对现有循环流化床机组SNCR脱硝旋风分离器进口处CEMS仪表抽取式测量NOx存在一定程度的迟延滞后，导致在喷氨控制中，喷氨调节阀门无法及时动作，导致烟囱出口NOx波动较大，氨逃逸率高、甚至是排放超标的问题，本发明设计了一种循环流化床机组旋风分离器进口处NOx浓度测量修正及预测方法，以抵消CEMS浓度测量滞后的影响。
为了实现上述目的，本发明的一种循环流化床机组旋风分离器进口处NOx浓度测量修正及预测方法，具体步骤如下：
步骤1、进行循环流化床机组旋风分离器进口处CEMS仪表反吹试验，利用反吹信号结束与NOx浓度回升的时间差来确定基本的CEMS仪表测量滞后时间；
步骤2、从循环流化床机组运行机理角度分析，选取影响循环流化床机组旋风分离器进口处NOx生成量的相关特征变量，特征变量包括旋风分离器进口处NOx浓度CEMS仪表显示值；
步骤3、从电厂的数据存储系统中采集步骤2中相关特征变量数据，考虑到各种仪表测量数据会包含一定程度的高频噪声，并对采集的数据进行移动窗口高斯平滑滤波处理；
步骤4、为建立精准的循环流化床机组旋风分离器进口处NOx生成污染物浓度预测模型，步骤2中的特征变量作为输入变量，分析输入变量与输出变量旋风分离器进口处NOx浓度之间的关系，删除相关性较小的变量；再分析步骤2中的特征变量参数之间的相关性，分摊信息冗余的特征变量，从而完成特征变量的选取；这里需要注意的是为了充分适应配煤掺烧、更换煤种频繁的机组运行现状，旋风分离器进口处NOx浓度CEMS仪表显示值也要作为输入特征变量。
步骤5、步骤4中选择出的特征变量的响应具有时序性，采用小波分析法确定各个特征变量之间与旋风分离器进口处NOx的响应时间差；
步骤6、考虑到不同运行工况下，旋风分离器进口处NOx浓度变化较大。依据机组负荷大小、以及风煤比升降趋势进行循环流化床机组运行工况聚类划分；
步骤7、依据步骤6的工况聚类划分，建立不同工况下的循环流化床机组旋风分离器进口处NOx生成浓度的预测模型；
步骤8、对预测模型进行K-FOLD交叉验证，确定出最优精度模型；
步骤9、依据当前以及回溯时间数据，完成对循环流化床机组SNCR脱硝旋风分离器进口处NOx浓度测量的修正及预测。
进一步地：在步骤1中，所述的试验CEMS仪表测量滞后时间设为T；CEMS仪表测量滞后时间与烟气流速存在极大关系，当烟气流速较高时，CEMS仪表测量滞后时间则小于T；反之则大于T。
进一步地：在步骤2中，所述的从循环流化床机组运行机理角度选取影响旋风分离器进口处NOx生成的相关变量参数，还包括一次热风道母管流量(左)、一次热风道母管流量(右)、一次风空预器出口风温、二次热风风量(左)、二次热风风量(右)、二次风空预器出口风温、各给煤机瞬时输送煤量、料床差压、沸下温度、沸中温度、沸上温度、炉膛出口温度、高温省煤器烟气含氧量、主蒸汽压力、锅炉出口蒸汽流量、一次风进风室流量(左)、一次风进风室流量(右)等。
进一步地：在步骤3中，所述的从电厂的数据存储系统中采集相关数据，采集频率为1s，数据涵盖机组运行的全部工况，包含四季不同负荷、不同对外供热蒸汽情况。
进一步地：在步骤3中，所述的高斯平滑滤波是一种线性平滑滤波，适用于消除高斯噪声，高斯滤波函数一维高斯分布表达式为：
Figure BDA0003117049640000031
式中：x为数据点，σ为数据方差，G(x)为高斯分布函数。
进一步地：在步骤4中，所述的分析步骤2中的输入特征与输出特征旋风分离器进口处NOx浓度之间的关系，删除相关性较小的变量；再分析步骤2中的输入特征参数之间的相关性，分摊信息冗余的特征。这里采用的是改进型的最大信息系数(maximuminformation coefficient，MIC)与冗余分摊策略，相关性测度与冗余性测度均以MIC度量，可自动终止特征引入过程。
假设步骤2中的特征变量集合为P＝{X1,X2,…,Xi,…,Xm}，Y代表旋风分离器进口处NOx浓度；针对两个变量(Xi,Y)之间的相关关系，两个变量(Xi,Xj)之间的冗余关系，以两个变量(Xi,Y)之间的相关关系为例，MIC计算步骤如下：
1)给定网格区间数，对由(Xi,Y)构成的二维空间散点图按照不同的划分方案进行划分，求出其中最大的互信息值；
2)将步骤1)中最大互信息值除以log(min(Xi,Y))进行归一化；
3)改变网格区间数，重新计算1)、2)，选取不同尺度下互信息的最大值作为MIC值；
Figure BDA0003117049640000032
式中，B(n)是数据样本数n的函数，I(D,Xi,Y)是指落入网格区域D的最大的互信息值；
假定集合N表示已引入的特征集，经冗余分摊之后，集合N中全部特征总得分为：
Figure BDA0003117049640000033
当集合N引入一个新的特征时，特征选择终止的标准为：
Figure BDA0003117049640000041
进一步地：在步骤5中，所述的确定各个特征之间与旋风分离器进口处NOx的响应时间差，采用小波分析法，这是一种信号的时间-尺度(时间-频率)分析方法，通常小波分解后的低频分量保持了原信号的概貌特征，而各尺度下的高频分量反映了不同频率尺度的波动信息。
基本小波函数是指满足以下允许条件的函数ψ(t)：
Figure BDA0003117049640000042
式中，ψ(ω)是ψ(t)的Fourier变换；
通过对基本小波进行伸缩和变换，可得小波基函数ψa,b(t)：
Figure BDA0003117049640000043
式中，a为尺度因子，b为平移因子；
对于来自步骤3中的特征变量数据，通过离散小波变换将原始信号分解为4个不同频率的分量，然后比较同一频率下信号的波动分量，确定不同特征之间的时间差。
进一步地：在步骤6中，所述的依据机组所处的负荷大小、以及风煤比升降进行循环流化床机组运行工况划分；工况划分具体聚类步骤如下：
步骤601：利用k均值聚类算法方法基于给煤量进行外层第一步聚类，确定不同类别的聚类中心；K-means算法采用距离作为相似性评价指标进行划分，首先从指标的数据样本中随机选用k个点作为初始的聚类中心，其次计算并比较样本点到k个聚类中心点的距离，把样本点划分到距离最近的聚类中心所在的簇；计算每一次分类后形成的簇中样本数据的平均值作为新的聚类中心，不断重复这个过程，直至准则函数收敛；
Figure BDA0003117049640000044
式中：SSE是数据库中所有对象的平方误差的总和，Si是第i类，xj是第i类的样本点，mi为各类聚类子集的聚类中心；
在K-means聚类中，聚类数k值确定采用“手肘法”，随着聚类数k的增大，样本划分会更加精细，每个簇的聚合程度会逐渐提高，那么误差平方和SSE自然会逐渐变小；并且当k小于真实聚类数时，由于k的增大会大幅增加每个簇的聚合程度，故SSE的下降幅度会很大，而当k到达真实聚类数时，再增加k所得到的聚合程度回报会迅速变小，所以SSE的下降幅度会骤减，然后随着k值的继续增大而趋于平缓，也就是说SSE和k的关系图是一个手肘的形状，而这个肘部对应的k值就是给煤量的最佳聚类数；
步骤602：依据风煤比对步骤601数据组进行进一步聚类；采用每个回溯时间段内风煤比之间的余弦相似度为数学上的聚类指标，余弦相似度是计算两个高维向量之间的方向夹角，以此分析两个向量变化趋势的相似度，计算公式如下：
Figure BDA0003117049640000051
式中：cos(x,y)为夹角余弦相似度，dot(x,y)表示水平向量与每个回溯时间段内风煤比实际运行向量的内积，|| ||表示向量的二范数；
根据风煤比的余弦相似度，采用模糊C均值(Fuzzy C Means)聚类方法进行聚类；模糊C均值聚类融合了模糊理论的精髓，提供了更加灵活的聚类结果。因为大部分情况下，数据集中的对象不能划分成为明显分离的簇，指派一个对象到一个特定的簇有些生硬，也可能会出错。故对每个对象和每个簇赋予一个权值，指明对象属于该簇的程度。
模糊C均值聚类方法先随机指定每个数据到各个簇的隶属度，然后根据隶属度计算每一个簇的质心，接着进行更新隶属度矩阵，直到质心不变化(严格意义说是所有隶属度的变化的绝对值都低于所设定阈值)。并采用Silhouette聚类有效价函数确定最佳聚类数；
Figure BDA0003117049640000052
式中，a表示第i个点与同类其他点之间的平均距离，b为代表一个向量，其元素是第i个点与不同类之间的类内点之间的距离；轮廓值S(i)的取值范围是[-1,1]，S(i)值越大，说明第i个点的分类越合理；依据绘制好的不同聚类数下的Silhouette的轮廓图，选择轮廓图最优时对应的k值为最佳聚类数。
进一步地：步骤7中，所述的建立不同工况下的循环流化床机组旋风分离器进口处NOx生成浓度的预测模型，预测模型可以采用门控循环神经网络模型、长短时记忆神经网络模型、堆叠循环神经网络模型或者双向循环神经网络模型。
进一步地：在步骤9中，所述依据当前以及回溯时间数据，完成对循流化床机组SNCR脱硝旋风分离器进口处NOx浓度测量的修正及预测；回溯时间数据可根据实际情况取连续20-50组数据；具体来说是当烟气流速较高时，CEMS仪表实际测量滞后时间则小于步骤1中的试验迟滞时间T，则起到预测作用；当烟气流速较低时，CEMS仪表实际测量滞后时间则大于步骤1中的试验迟滞时间T，则起到对CEMS仪表测量的修正作用。
本发明所达到的效果为：
本发明的一种循环流化床机组旋风分离器进口处NOx浓度测量修正及预测方法，基于循环流化床运行机理及试验，结合最大信息系数与分摊冗余特征选择方法、小波变换确定特征变量迟延时间、运行工况多重聚类划分、神经网络预测等大数据智能算法，可以实现循环流化床机组旋风分离器进口处NOx浓度测量修正及预测，及时地将烟气中NOx浓度反馈到SNCR脱硝控制系统中，提高了控制系统的动态响应性能。同时也在一定程度上解决了当CEMS系统定期吹扫时，NOx浓度测量盲区的问题，提高了SNCR脱硝控制系统稳定性和可靠性。
附图说明
图1为本发明的流程示意图；
图2为循环流化床锅炉工艺结构图；
图3为一次热风道母管流量(左)高斯平滑滤波示例图；
图4为高温省煤器进口烟气含氧量迟延时间示例图；
图5为给煤量不同聚类数目k下簇內误方差SSE示例图；
图6为给煤量聚类工况划分示例图；
图7为给煤量工况1下风煤比余弦相似度工况聚类示例图；
图8为给煤量工况2下风煤比余弦相似度工况聚类示例图；
图9为给煤量工况3下风煤比余弦相似度工况聚类示例图；
图10为给煤量工况4下风煤比余弦相似度工况聚类示例图；
图11为长短时记忆神经网络结构图；
图12为旋风分离器进口处NOx浓度测量修正及预测结果示例图。
具体实施方式
在下文中将结合附图对本发明的示范性实施例进行描述。为了清楚和简明起见，在说明书中并未描述实际实施方式的所有特征。然而，应该了解，在开发任何这种实际实施例的过程中必须做出很多特定于实施方式的决定，以便实现开发人员的具体目标，例如，符合与系统及业务相关的那些限制条件，并且这些限制条件可能会随着实施方式的不同而有所改变。此外，还应该了解，虽然开发工作有可能是非常复杂和费时的，但对得益于本发明公开内容的本领域技术人员来说，这种开发工作仅仅是例行的任务。
本技术领域技术人员可以理解，除非另外定义，这里使用的所有术语(包括技术术语和科学术语)具有与本发明所属领域中的普通技术人员的一般理解相同的意义。还应该理解的是，诸如通用字典中定义的那些术语应该被理解为具有与现有技术的上下文中的意义一致的意义，并且除非像这里一样定义，不会用理想化或过于正式的含义来解释。
在此，还需要说明的一点是，为了避免因不必要的细节而模糊了本发明，在附图中仅仅示出了与根据本发明的方案密切相关的装置结构和/或处理步骤，而省略了与本发明关系不大的其他细节。下面根据附图详细阐述本发明优选的实施方式。
为使本发明的上述目的、特征和优点更加清晰和方便理解，以某环保热电企业220t/h循环流化床锅炉为具体实施例(该锅炉流程结构如图2所示)，并结合附图对本发明作进一步的详细说明。
本实施例的一种循环流化床机组旋风分离器进口处NOx浓度测量修正及预测方法，
步骤1、进行循环流化床机组旋风分离器进口处CEMS仪表反吹试验，利用反吹信号结束与NOx浓度回升的时间差来确定基本的CEMS仪表测量滞后时间。本实施例中，经试验测定，试验条件下仪表滞后时间T约为80s。CEMS仪表测量滞后时间与烟气流速存在极大关系，当烟气流速较高时，CEMS仪表测量滞后时间则小于T；反之则大于T。
步骤2、从循环流化床机组运行机理角度分析，选取影响循环流化床机组旋风分离器进口处NOx生成量的相关特征变量参数。变量参数，主要包括一次热风道母管流量(左)、一次热风道母管流量(右)、一次风空预器出口风温、二次热风风量(左)、二次热风风量(右)、二次风空预器出口风温、各给煤机瞬时输送煤量、料床差压、沸下温度、沸中温度、沸上温度、炉膛出口温度、高温省煤器烟气含氧量、主蒸汽压力、主蒸汽流量等。
步骤3、从电厂的数据存储系统中采集步骤2中相关特征变量数据，考虑到各种仪表测量数据会包含一定程度的高频噪声，对采集的数据进行移动窗口高斯平滑滤波处理。以一次热风道母管流量(左)为例，如图3所示。
在步骤3中采集相关数据频率为1s，数据要涵盖机组运行的全部工况，包含四季不同负荷、不同对外供热蒸汽情况，高斯滤波函数一维高斯分布表达式为：
Figure BDA0003117049640000071
式中：x为数据点，σ为数据方差，G(x)为高斯分布函数。
步骤4、为建立精准的循环流化床机组旋风分离器进口处NOx生成污染物浓度预测模型，分析步骤2中的输入特征与输出特征旋风分离器进口处NOx浓度之间的关系，删除相关性较小的变量；再分析步骤2中的输入特征参数之间的相关性，分摊信息冗余的特征，从而完成特征变量的选取。这里需要注意的是为了充分适应配煤掺烧、更换煤种频繁的机组运行现状，旋风分离器进口处NOx浓度CEMS仪表显示值也要作为输入特征变量。
本实施例中最终选择特征如下表所示。
Figure BDA0003117049640000081
这里采用的是改进型的最大信息系数(maximum information coefficient，MIC)与冗余分摊策略，相关性测度与冗余性测度均以MIC度量，可自动终止特征引入过程。
假设步骤2中的特征变量集合为P＝{X1,X2,…,Xi,…,Xm}，Y代表旋风分离器进口处NOx浓度。针对两个变量(Xi,Y)之间的相关关系，两个变量(Xi,Xj)之间的冗余关系，以两个变量(Xi,Y)之间的相关关系为例，MIC计算步骤如下：
1)给定网格区间数，对由(Xi,Y)构成的二维空间散点图按照不同的划分方案进行划分，求出其中最大的互信息值。
2)将步骤1)中最大互信息值除以log(min(Xi,Y))进行归一化。
3)改变网格区间数，重新计算1)、2)，选取不同尺度下互信息的最大值作为MIC值。
Figure BDA0003117049640000091
式中，B(n)是数据样本数n的函数，I(D,Xi,Y)是指落入网格区域D的最大的互信息值。
各特征变量与旋风分离器进口处NOx浓度间MIC计算结果如下表所示：
序号 特征变量 单位 MIC值
1 给煤量1 t/h 0.568
2 给煤量2 t/h 0.472
3 给煤量3 t/h 0.486
4 给煤量4 t/h 0.496
5 一次风进风室流量(左) m<sup>3</sup>/h 0.468
6 一次风进风室流量(右) m<sup>3</sup>/h 0.469
7 一次风温 ℃ 0.458
8 二次热风风量(左) m<sup>3</sup>/h 0.580
9 二次热风风量(右) m<sup>3</sup>/h 0.576
10 二次风温 ℃ 0.468
11 沸下温度 ℃ 0.542
12 沸中温度 ℃ 0.516
13 沸上温度 ℃ 0.535
14 炉膛差压 kPa 0.163
15 炉膛出口温度 ℃ 0.591
16 炉膛出口压力 kPa 0.084
17 锅炉出口蒸汽流量 t/h 0.589
18 主蒸汽压力 MPa 0.176
19 高温省煤器进口烟气含氧量 ％ 0.488
20 旋风分离器进口NO<sub>x</sub>浓度 mg/m<sup>3</sup> 1.000
假定集合N表示已引入的特征集，经冗余分摊之后，集合N中全部特征总得分为：
Figure BDA0003117049640000101
当集合N引入一个新的特征时，特征选择终止的标准为：
Figure BDA0003117049640000102
步骤5、确定各个特征之间与旋风分离器进口处NOx的响应时间差，采用小波分析法，这是一种信号的时间-尺度(时间-频率)分析方法，通常小波分解后的低频分量保持了原信号的概貌特征，而各尺度下的高频分量反映了不同频率尺度的波动信息。
基本小波函数是指满足以下允许条件的函数ψ(t)：
Figure BDA0003117049640000103
式中，ψ(ω)是ψ(t)的Fourier变换
通过对基本小波进行伸缩和变换，可得小波基函数ψa,b(t)：
Figure BDA0003117049640000104
式中，a为尺度因子，b为平移因子。
对于来自步骤4中的特征变量数据，通过离散小波变换将原始信号分解为4个不同频率的分量，然后比较同一频率下信号的波动分量，确定不同特征之间的时间差。以高温省煤器进口烟气含氧量为例，与旋风分离器进口NOx浓度之间小波分析确定迟延时间如图4。本实施例中具体结果如下表所示：
Figure BDA0003117049640000105
Figure BDA0003117049640000111
步骤6、考虑到不同运行工况下，旋风分离器进口处NOx浓度变化较大。依据机组负荷大小、以及风煤比升降趋势进行循环流化床机组运行工况多重聚类划分。
步骤601：利用k均值聚类算法方法基于给煤量进行外层第一步聚类，确定不同类别的聚类中心。K-means算法采用距离作为相似性评价指标进行划分[首先从指标的数据样本中随机选用k个点作为初始的聚类中心，其次计算并比较样本点到k个聚类中心点的距离，把样本点划分到距离最近的聚类中心所在的簇。计算每一次分类后形成的簇中样本数据的平均值作为新的聚类中心，不断重复这个过程，直至准则函数收敛。
Figure BDA0003117049640000112
式中：SSE是数据库中所有对象的平方误差的总和，Si是第i类，xj是第i类的样本点，mi为各类聚类子集的聚类中心。
在K-means聚类中，聚类数k值确定采用“手肘法”，随着聚类数k的增大，样本划分会更加精细，每个簇的聚合程度会逐渐提高，那么误差平方和SSE自然会逐渐变小。并且当k小于真实聚类数时，由于k的增大会大幅增加每个簇的聚合程度，故SSE的下降幅度会很大，而当k到达真实聚类数时，再增加k所得到的聚合程度回报会迅速变小，所以SSE的下降幅度会骤减，然后随着k值的继续增大而趋于平缓，也就是说SSE和k的关系图是一个手肘的形状，而这个肘部对应的k值就是给煤量的最佳聚类数。本实施例中，结果如图5所示，所以依据手肘法给煤量最佳聚类数k＝4。
步骤602：依据风煤比对步骤601数据组进行进一步聚类。采用每个回溯时间段内风煤比之间的余弦相似度为数学上的聚类指标。余弦相似度是计算两个高维向量之间的方向夹角，以此分析两个向量变化趋势的相似度，计算公式如下：
Figure BDA0003117049640000121
式中：cos(x,y)为夹角余弦相似度，dot(x,y)表示水平向量与每个回溯时间段内风煤比实际运行向量的内积，|| ||表示向量的二范数。
根据风煤比的余弦相似度，采用模糊C均值(Fuzzy C Means)聚类方法进行聚类。模糊C均值聚类融合了模糊理论的精髓，提供了更加灵活的聚类结果。因为大部分情况下，数据集中的对象不能划分成为明显分离的簇，指派一个对象到一个特定的簇有些生硬，也可能会出错。故对每个对象和每个簇赋予一个权值，指明对象属于该簇的程度。
模糊C均值聚类方法先随机指定每个数据到各个簇的隶属度，然后根据隶属度计算每一个簇的质心，接着进行更新隶属度矩阵，直到质心不变化(严格意义说是所有隶属度的变化的绝对值都低于所设定阈值)。并采用Silhouette聚类有效价函数确定最佳聚类数。
Figure BDA0003117049640000122
式中，a表示第i个点与同类其他点之间的平均距离，b为代表一个向量，其元素是第i个点与不同类之间的类内点之间的距离。轮廓值S(i)的取值范围是[-1,1]，S(i)值越大，说明第i个点的分类越合理。依据绘制好的不同聚类数下的Silhouette的轮廓图，选择轮廓图最优时对应的k值为最佳聚类数。具体Silhouette值结果如下表所示。
Figure BDA0003117049640000123
本实施例中依据给煤量聚类分为4类，聚类中心分别是12.144t/h、15.402t/h、18.811t/h、27.067t/h，聚类结果图如图6所示。在此基础上依据风煤比余弦相似度对4类数据组进一步聚类，结果如图7、图8、图9、图10所示。
步骤7、依据步骤6的工况划分，建立不同工况下的循环流化床机组旋风分离器进口处NOx生成浓度的预测模型。本实施例中取试验CEMS测量滞后时间T＝80s作为模型的预测时间，预测模型采用长短期记忆网络(Long Short Term Memory，LSTM)模型，其结构如图11所示。LSTM设计两个门控制记忆单元状态的信息量：一个是遗忘门(forget gate)，它决定了上一时刻的单元状态有多少“记忆”可以保留到当前时刻；另一个是输入门(inputgate)，它决定了当前时刻的输入有多少保存到单元状态。最后通过输出门(output gate)，来控制单元状态有多少信息输出。
步骤8、对步骤7中的模型进行KFOLD交叉验证，确定出最优精度模型。本实施例中模型结果如图12所示。
步骤9、依据当前以及回溯时间数据，完成对循流化床机组SNCR脱硝旋风分离器进口处NOx浓度测量的修正及预测。回溯时间数据本实施例这里取30组连续运行数据。当烟气流速较高时，CEMS仪表实际测量滞后时间则小于步骤1中的试验迟滞时间T＝80s，则起到预测作用。反之CEMS仪表实际测量滞后时间则大于步骤1中的试验迟滞时间T＝80s，则起到CEMS仪表测量修正作用。
以上实施例仅用于说明本发明的技术方案，而非对其限制；尽管参照上述各实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分或者全部技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明实施例技术方案的范围。
此外，应当理解，虽然本说明书按照实施方式加以描述，但并非每个实施方式仅包含一个独立的技术方案，说明书的这种叙述方式仅仅是为清楚起见，本领域技术人员应当将说明书作为一个整体，各实施例中的技术方案也可以经适当组合，形成本领域技术人员可以理解的其他实施方式。

Claims (10)

1.一种循环流化床机组旋风分离器进口处NOx浓度测量修正及预测方法，其特征在于，具体步骤如下：
步骤1、进行循环流化床机组旋风分离器进口处CEMS仪表反吹试验，利用反吹信号结束与NOx浓度回升的时间差来确定基本的CEMS仪表测量滞后时间；
步骤2、从循环流化床机组运行机理角度分析，选取影响循环流化床机组旋风分离器进口处NOx生成量的相关特征变量，特征变量包括旋风分离器进口处NOx浓度CEMS仪表显示值；
步骤3、从电厂的数据存储系统中采集步骤2中相关特征变量数据，并对采集的数据进行移动窗口高斯平滑滤波处理；
步骤4、将步骤2中的特征变量作为输入变量，分析输入变量与输出变量旋风分离器进口处NOx浓度之间的关系，删除相关性较小的变量；再分析步骤2中的特征变量参数之间的相关性，分摊信息冗余的特征变量，从而完成特征变量的选取；
步骤5、步骤4中选择出的特征变量的响应具有时序性，采用小波分析法确定各个特征变量之间与旋风分离器进口处NOx的响应时间差；
步骤6、依据机组负荷大小、以及风煤比升降趋势进行循环流化床机组运行工况多重聚类划分；
步骤7、建立不同工况下的循环流化床机组旋风分离器进口处NOx生成浓度的预测模型；
步骤8、对预测模型进行K-FOLD交叉验证，确定出最优精度模型；
步骤9、依据当前以及回溯时间数据，完成对循环流化床机组SNCR脱硝旋风分离器进口处NOx浓度测量的修正及预测。
2.根据权利要求1所述一种循环流化床机组旋风分离器进口处NOx浓度测量修正及预测方法，其特征在于，在步骤1中，所述的试验CEMS仪表测量滞后时间设为T；CEMS仪表测量滞后时间与烟气流速存在极大关系，当烟气流速较高时，CEMS仪表测量滞后时间则小于T；反之则大于T。
3.根据权利要求1所述一种循环流化床机组旋风分离器进口处NOx浓度测量修正及预测方法，其特征在于，在步骤2中，所述的从循环流化床机组运行机理角度选取影响旋风分离器进口处NOx生成的相关变量参数，还包括一次热风道母管流量(左)、一次热风道母管流量(右)、一次风空预器出口风温、二次热风风量(左)、二次热风风量(右)、二次风空预器出口风温、各给煤机瞬时输送煤量、料床差压、沸下温度、沸中温度、沸上温度、炉膛出口温度、高温省煤器烟气含氧量、主蒸汽压力、锅炉出口蒸汽流量、一次风进风室流量(左)、一次风进风室流量(右)。
4.根据权利要求1所述一种循环流化床机组旋风分离器进口处NOx浓度测量修正及预测方法，其特征在于，在步骤3中，所述的从电厂的数据存储系统中采集相关数据，采集频率为1s，数据涵盖机组运行的全部工况，包含四季不同负荷、不同对外供热蒸汽情况。
5.根据权利要求4所述一种循环流化床机组旋风分离器进口处NOx浓度测量修正及预测方法，其特征在于，在步骤3中，高斯滤波函数一维高斯分布表达式为：
Figure FDA0003117049630000021
式中：x为数据点，σ为数据方差，G(x)为高斯分布函数。
6.根据权利要求1所述一种循环流化床机组旋风分离器进口处NOx浓度测量修正及预测方法，其特征在于，在步骤4中，采用改进型的最大信息系数MIC与冗余分摊策略，相关性测度与冗余性测度均以MIC度量，实现自动终止特征引入过程；
假设步骤2中的特征变量集合为P＝{X1,X2,…,Xi,…,Xm}，Y代表旋风分离器进口处NOx浓度；针对两个变量(Xi,Y)之间的相关关系，两个变量(Xi,Xj)之间的冗余关系，以两个变量(Xi,Y)之间的相关关系为例，MIC计算步骤如下：
1)给定网格区间数，对由(Xi,Y)构成的二维空间散点图按照不同的划分方案进行划分，求出其中最大的互信息值；
2)将步骤1)中最大互信息值除以log(min(Xi,Y))进行归一化；
3)改变网格区间数，重新计算1)、2)，选取不同尺度下互信息的最大值作为MIC值；
Figure FDA0003117049630000022
式中，B(n)是数据样本数n的函数，I(D,Xi,Y)是指落入网格区域D的最大的互信息值；
假定集合N表示已引入的特征集，经冗余分摊之后，集合N中全部特征总得分为：
Figure FDA0003117049630000023
当集合N引入一个新的特征时，特征选择终止的标准为：
Figure FDA0003117049630000031
7.根据权利要求1所述一种循环流化床机组旋风分离器进口处NOx浓度测量修正及预测方法，其特征在于，在步骤5中，所述的确定各个特征之间与旋风分离器进口处NOx的响应时间差，采用小波分析法；
基本小波函数是指满足以下允许条件的函数ψ(t)：
Figure FDA0003117049630000032
式中，ψ(ω)是ψ(t)的Fourier变换；
通过对基本小波进行伸缩和变换，可得小波基函数ψa,b(t)：
Figure FDA0003117049630000033
式中，a为尺度因子，b为平移因子；
对于来自步骤3中的特征变量数据，通过离散小波变换将原始信号分解为4个不同频率的分量，然后比较同一频率下信号的波动分量，确定不同特征之间的时间差。
8.根据权利要求1所述一种循环流化床机组旋风分离器进口处NOx浓度测量修正及预测方法，其特征在于，在步骤6中，所述的依据机组所处的负荷大小、以及风煤比升降进行循环流化床机组运行工况划分；工况划分具体聚类步骤如下：
步骤601：利用k均值聚类算法方法基于给煤量进行外层第一步聚类，确定不同类别的聚类中心；K-means算法采用距离作为相似性评价指标进行划分，首先从指标的数据样本中随机选用k个点作为初始的聚类中心，其次计算并比较样本点到k个聚类中心点的距离，把样本点划分到距离最近的聚类中心所在的簇；计算每一次分类后形成的簇中样本数据的平均值作为新的聚类中心，不断重复这个过程，直至准则函数收敛；
Figure FDA0003117049630000034
式中：SSE是数据库中所有对象的平方误差的总和，Si是第i类，xj是第i类的样本点，mi为各类聚类子集的聚类中心；
在K-means聚类中，聚类数k值确定采用“手肘法”，肘部对应的k值为给煤量的最佳聚类数；
步骤602：依据风煤比对步骤601数据组进行进一步聚类；采用每个回溯时间段内风煤比之间的余弦相似度为数学上的聚类指标，余弦相似度是计算两个高维向量之间的方向夹角，以此分析两个向量变化趋势的相似度，计算公式如下：
Figure FDA0003117049630000041
式中：cos(x,y)为夹角余弦相似度，dot(x,y)表示水平向量与每个回溯时间段内风煤比实际运行向量的内积，|| ||表示向量的二范数；
根据风煤比的余弦相似度，采用模糊C均值聚类方法进行聚类；
模糊C均值聚类方法先随机指定每个数据到各个簇的隶属度，然后根据隶属度计算每一个簇的质心，接着进行更新隶属度矩阵，直到质心不变化，并采用Silhouette聚类有效价函数确定最佳聚类数；
Figure FDA0003117049630000042
式中，a表示第i个点与同类其他点之间的平均距离，b为代表一个向量，其元素是第i个点与不同类之间的类内点之间的距离；轮廓值S(i)的取值范围是[-1,1]，S(i)值越大，说明第i个点的分类越合理；依据绘制好的不同聚类数下的Silhouette的轮廓图，选择轮廓图最优时对应的k值为最佳聚类数。
9.根据权利要求1所述一种循环流化床机组旋风分离器进口处NOx浓度测量修正及预测方法，其特征在于，步骤7中，所述的预测模型采用门控循环神经网络模型、长短时记忆神经网络模型、堆叠循环神经网络模型或者双向循环神经网络模型。
10.根据权利要求2-9任一所述一种循环流化床机组旋风分离器进口处NOx浓度测量修正及预测方法，其特征在于，在步骤9中，所述依据当前以及回溯时间数据，完成对循流化床机组SNCR脱硝旋风分离器进口处NOx浓度测量的修正及预测；回溯时间数据可根据实际情况取连续20-50组数据；具体来说是当烟气流速较高时，CEMS仪表实际测量滞后时间则小于步骤1中的试验迟滞时间T，则起到预测作用；当烟气流速较低时，CEMS仪表实际测量滞后时间则大于步骤1中的试验迟滞时间T，则起到对CEMS仪表测量的修正作用。
CN202110665159.5A 2021-06-16 2021-06-16 一种旋风分离器进口处NOx浓度测量修正及预测方法 Active CN113380338B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110665159.5A CN113380338B (zh) 2021-06-16 2021-06-16 一种旋风分离器进口处NOx浓度测量修正及预测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110665159.5A CN113380338B (zh) 2021-06-16 2021-06-16 一种旋风分离器进口处NOx浓度测量修正及预测方法

Publications (2)

Publication Number Publication Date
CN113380338A true CN113380338A (zh) 2021-09-10
CN113380338B CN113380338B (zh) 2022-06-10

Family

ID=77574540

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110665159.5A Active CN113380338B (zh) 2021-06-16 2021-06-16 一种旋风分离器进口处NOx浓度测量修正及预测方法

Country Status (1)

Country Link
CN (1) CN113380338B (zh)

Citations (17)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH0633743A (ja) * 1992-07-13 1994-02-08 Toshiba Corp 脱硝制御装置
JPH0857251A (ja) * 1994-08-25 1996-03-05 Babcock Hitachi Kk 脱硝装置のアンモニア注入量制御方法および装置
JPH11267452A (ja) * 1998-03-25 1999-10-05 Hitachi Zosen Corp 脱硝装置のアンモニア注入量制御方法
US6415602B1 (en) * 2000-10-16 2002-07-09 Engelhard Corporation Control system for mobile NOx SCR applications
CN104607042A (zh) * 2014-12-26 2015-05-13 东南大学 一种基于约束预测控制的scr脱硝系统及方法
CN104826493A (zh) * 2015-04-23 2015-08-12 华北电力大学（保定） 一种选择性催化还原法烟气脱硝系统的控制方法
CN105148727A (zh) * 2015-10-10 2015-12-16 广东电网有限责任公司电力科学研究院 燃煤发电机组脱硝优化控制方法和系统
CN109062053A (zh) * 2018-08-31 2018-12-21 江苏国信靖江发电有限公司 一种基于多变量校正的脱硝喷氨控制方法
CN109343349A (zh) * 2018-11-01 2019-02-15 大唐环境产业集团股份有限公司 一种基于喷氨量补偿器的scr烟气脱硝优化控制系统和方法
CN111460726A (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硝系统氨逃逸的优化方法
CN111841276A (zh) * 2020-07-16 2020-10-30 烟台龙源电力技术股份有限公司 循环流化床机组sncr脱硝控制方法及装置、存储介质
CN112016754A (zh) * 2020-08-31 2020-12-01 哈电发电设备国家工程研究中心有限公司 基于神经网络的电站锅炉排烟温度超前预测系统及方法
CN112096466A (zh) * 2020-09-22 2020-12-18 哈电发电设备国家工程研究中心有限公司 一种基于喷嘴调节蒸汽轮机的调门重叠度在线优化方法
CN112418284A (zh) * 2020-11-16 2021-02-26 华北电力大学 一种全工况电站scr脱硝系统的控制方法及系统
CN112488145A (zh) * 2019-11-26 2021-03-12 大唐环境产业集团股份有限公司 一种基于智能化方法的NOx在线预测方法及系统
CN112667613A (zh) * 2020-12-25 2021-04-16 内蒙古京隆发电有限责任公司 基于多延时特性多变量校正的烟气NOx预测方法及系统
CN112836941A (zh) * 2021-01-14 2021-05-25 哈电发电设备国家工程研究中心有限公司 一种煤电机组汽轮机高加系统在线健康状况评估方法

Patent Citations (17)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH0633743A (ja) * 1992-07-13 1994-02-08 Toshiba Corp 脱硝制御装置
JPH0857251A (ja) * 1994-08-25 1996-03-05 Babcock Hitachi Kk 脱硝装置のアンモニア注入量制御方法および装置
JPH11267452A (ja) * 1998-03-25 1999-10-05 Hitachi Zosen Corp 脱硝装置のアンモニア注入量制御方法
US6415602B1 (en) * 2000-10-16 2002-07-09 Engelhard Corporation Control system for mobile NOx SCR applications
CN104607042A (zh) * 2014-12-26 2015-05-13 东南大学 一种基于约束预测控制的scr脱硝系统及方法
CN104826493A (zh) * 2015-04-23 2015-08-12 华北电力大学（保定） 一种选择性催化还原法烟气脱硝系统的控制方法
CN105148727A (zh) * 2015-10-10 2015-12-16 广东电网有限责任公司电力科学研究院 燃煤发电机组脱硝优化控制方法和系统
CN109062053A (zh) * 2018-08-31 2018-12-21 江苏国信靖江发电有限公司 一种基于多变量校正的脱硝喷氨控制方法
CN109343349A (zh) * 2018-11-01 2019-02-15 大唐环境产业集团股份有限公司 一种基于喷氨量补偿器的scr烟气脱硝优化控制系统和方法
CN112488145A (zh) * 2019-11-26 2021-03-12 大唐环境产业集团股份有限公司 一种基于智能化方法的NOx在线预测方法及系统
CN111460726A (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硝系统氨逃逸的优化方法
CN111841276A (zh) * 2020-07-16 2020-10-30 烟台龙源电力技术股份有限公司 循环流化床机组sncr脱硝控制方法及装置、存储介质
CN112016754A (zh) * 2020-08-31 2020-12-01 哈电发电设备国家工程研究中心有限公司 基于神经网络的电站锅炉排烟温度超前预测系统及方法
CN112096466A (zh) * 2020-09-22 2020-12-18 哈电发电设备国家工程研究中心有限公司 一种基于喷嘴调节蒸汽轮机的调门重叠度在线优化方法
CN112418284A (zh) * 2020-11-16 2021-02-26 华北电力大学 一种全工况电站scr脱硝系统的控制方法及系统
CN112667613A (zh) * 2020-12-25 2021-04-16 内蒙古京隆发电有限责任公司 基于多延时特性多变量校正的烟气NOx预测方法及系统
CN112836941A (zh) * 2021-01-14 2021-05-25 哈电发电设备国家工程研究中心有限公司 一种煤电机组汽轮机高加系统在线健康状况评估方法

Also Published As

Publication number Publication date
CN113380338B (zh) 2022-06-10

Similar Documents

Publication Publication Date Title
CN111754093B (zh) 一种基于煤质预测和pso-svm的飞灰含碳量预测方法
CN111222284B (zh) 一种中速磨煤机组入口一次风量整体软测量方法
CN111581581B (zh) 多边界条件下SCR入口NOx浓度的检测方法和系统
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
CN108985381B (zh) 氮氧化物排放量预测模型的确定方法、装置及设备
CN102693451A (zh) 基于多参数的氨法烟气脱硫效率预测方法
CN112036100B (zh) 一种基于数值模拟利用回归算法预测炉膛氧气浓度的方法
CN111860701B (zh) 一种基于聚类方法的脱硝系统工况判别预处理方法
US20220235279A1 (en) Method of reducing octane loss in catalytic cracking of gasoline in S-zorb plant
CN113380338B (zh) 一种旋风分离器进口处NOx浓度测量修正及预测方法
CN114721263B (zh) 基于机器学习和智能优化算法的水泥分解炉智慧调控方法
Hao et al. Prediction of nitrogen oxide emission concentration in cement production process: a method of deep belief network with clustering and time series
CN116805065B (zh) 一种煤粉加热炉燃烧器监测数据智能管理方法
Suthar et al. Multiobjective optimization of 2DOF controller using Evolutionary and Swarm intelligence enhanced with TOPSIS
CN104182511A (zh) 一种簇特征加权的模糊紧致散布聚类方法
CN114186476A (zh) 基于历史工况的锅炉燃烧在线优化方法
Tang et al. Predictive control of SCR denitrification system in thermal power plants based on GA‐BP and PSO
CN116293623A (zh) 一种基于能效曲线的锅炉负荷分配方法
CN116128136A (zh) 一种基于LSO-CatBoost的燃煤电厂锅炉NOX排放预测方法
CN116050643A (zh) 一种基于集成模型的流程工业污染物排放浓度预测方法
CN115145152A (zh) 一种锅炉燃烧与脱硝过程协同优化控制的方法
CN116312869A (zh) 催化裂化再生烟气氮氧化物预测方法、装置及系统
CN111860923A (zh) 基于多模型聚类集成的锅炉烟气NOx排放量预测算法
CN115113519A (zh) 一种煤-煤气混烧锅炉脱硝系统出口NOx浓度预警方法
CN110647560A (zh) 一种机理与类脑智能结合的电厂入炉煤质在线软测量方法

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
TR01 Transfer of patent right
TR01 Transfer of patent right

Effective date of registration: 20230524

Address after: Harbin Electric Group Research Base, No. 1399 Chuangxin 1st Road, Songbei District, Harbin City, Heilongjiang Province, 150000

Patentee after: Harbin Electric Science and Technology Co.,Ltd.

Address before: No. 222-3, Ganshui Road, Xiangfang District, Harbin City, Heilongjiang Province

Patentee before: HADIAN POWER EQUIPMENT NATIONAL ENGINEERING RESEARCH CENTER CO.,LTD.