CN113505497B - 湿法烟气脱硫吸收塔浆液品质监测方法及系统 - Google Patents

湿法烟气脱硫吸收塔浆液品质监测方法及系统 Download PDF

Info

Publication number
CN113505497B
CN113505497B CN202110949423.8A CN202110949423A CN113505497B CN 113505497 B CN113505497 B CN 113505497B CN 202110949423 A CN202110949423 A CN 202110949423A CN 113505497 B CN113505497 B CN 113505497B
Authority
CN
China
Prior art keywords
slurry
value
data
quality
absorption tower
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
Application number
CN202110949423.8A
Other languages
English (en)
Other versions
CN113505497A (zh
Inventor
徐遵义
闫春相
王伟
唐守伟
李晨
李雪茹
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.)
Shandong Jianzhu University
Original Assignee
Shandong Jianzhu University
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 Shandong Jianzhu University filed Critical Shandong Jianzhu University
Priority to CN202110949423.8A priority Critical patent/CN113505497B/zh
Publication of CN113505497A publication Critical patent/CN113505497A/zh
Application granted granted Critical
Publication of CN113505497B publication Critical patent/CN113505497B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
    • G06F2119/02—Reliability analysis or reliability optimisation; Failure analysis, e.g. worst case scenario performance, failure mode and effects analysis [FMEA]
    • 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
    • Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
    • Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
    • Y04S10/00—Systems supporting electrical power generation, transmission or distribution
    • Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Hardware Design (AREA)
  • Evolutionary Computation (AREA)
  • Geometry (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Treating Waste Gases (AREA)

Abstract

本发明公开了湿法烟气脱硫吸收塔浆液品质监测方法及系统，获取影响发电厂湿法烟气脱硫吸收塔浆液品质的各类观测量的历史运行数据；对历史运行数据预处理，将历史运行数据划分为训练数据集和验证数据集；将训练数据集，输入到非线性状态估计模型中训练；将验证数据集，输入到训练后的非线性状态估计模型中，判断模型估计精度是否满足要求；将实际监测的各类观测量经过数据预处理，输入到验证后的非线性状态估计模型中，输出模型预测脱硫效率值；计算脱硫效率实际测量值与模型预测脱硫效率值的残差，当残差超出阈值，则给出异常预警信号，否则给出正常信号。以脱硫效率实时测量值与模型预测值残差的移动均值和标准差可以较好地监测浆液品质变化。

Description

湿法烟气脱硫吸收塔浆液品质监测方法及系统
技术领域
本发明涉及浆液品质监测技术领域，特别是涉及湿法烟气脱硫吸收塔浆液品质监测方法及系统。
背景技术
本部分的陈述仅仅是提到了与本发明相关的背景技术，并不必然构成现有技术。
石灰石-石膏湿法脱硫工艺(Wet flue gas desulfurization,WFGD)具有反映速度快、脱硫效率高、工艺成熟、运行可靠等一系列优点，目前已成为国内最主要的烟气脱硫工艺。吸收塔浆液品质及其性能是WFDG系统稳定运行的基础，浆液品质恶化不仅严重影响系统脱硫效率，而且还会造成脱硫副产物脱水困难，严重时还可能导致机组停机。因此，分析浆液品质恶化过程，探索浆液品质恶化原因，研究浆液品质监测和发展趋势预测方法，具有非常重要的现实需求和社会经济价值。吸收塔浆液化学成分非常复杂，反映过程存在时变性、大惯性、滞后性、非线性等特点，浆液品质及其性能主要是通过浆液脱硫能力、氧化效果、腐蚀性等浆液液相和石膏化学检验综合分析来判断，目前尚无普遍的解决方案。浆液品质恶化主要表现为浆液起泡、颜色变黑和溢流，工程实践中浆液品质实时定量监测和发展趋势预测研究目前还几乎处于空白，仅有极少文献涉及该领域的研究。脱硫塔浆液品质及其性能目前还无法进行直接测量和监测。
发明内容
为了解决现有技术的不足，本发明提供了湿法烟气脱硫吸收塔浆液品质监测方法及系统；
第一方面，本发明提供了湿法烟气脱硫吸收塔浆液品质监测方法；
湿法烟气脱硫吸收塔浆液品质监测方法，包括：
获取影响发电厂湿法烟气脱硫吸收塔浆液品质的各类观测量的历史运行数据；
对历史运行数据预处理，将历史运行数据划分为训练数据集和验证数据集；
将训练数据集，输入到非线性状态估计模型中，对其进行训练，得到训练后的非线性状态估计模型；
将验证数据集，输入到训练后的非线性状态估计模型中，对其进行验证，判断模型估计精度是否满足要求，如果是，则进入下一步；如果否，就返回上一步；
将实际监测的各类观测量经过数据预处理，输入到验证后的非线性状态估计模型中，输出模型预测脱硫效率值；计算脱硫效率实际测量值与模型预测脱硫效率值的残差，当残差超出阈值，则给出异常预警信号，否则给出正常信号。
第二方面，本发明提供了湿法烟气脱硫吸收塔浆液品质监测系统；
湿法烟气脱硫吸收塔浆液品质监测系统，包括：
获取模块，其被配置为：获取影响发电厂湿法烟气脱硫吸收塔浆液品质的各类观测量的历史运行数据；
预处理模块，其被配置为：对历史运行数据预处理，将历史运行数据划分为训练数据集和验证数据集；
训练模块，其被配置为：将训练数据集，输入到非线性状态估计模型中，对其进行训练，得到训练后的非线性状态估计模型；
验证模块，其被配置为：将验证数据集，输入到训练后的非线性状态估计模型中，对其进行验证，判断模型估计精度是否满足要求，如果是，则进入品质监测；如果否，就返回训练模块；
品质监测模块，其被配置为：将实际监测的各类观测量经过数据预处理，输入到验证后的非线性状态估计模型中，输出模型预测脱硫效率值；计算脱硫效率实际测量值与模型预测脱硫效率值的残差，当残差超出阈值，则给出异常预警信号，否则给出正常信号。
第三方面，本发明还提供了一种电子设备，包括：
存储器，用于非暂时性存储计算机可读指令；以及
处理器，用于运行所述计算机可读指令，
其中，所述计算机可读指令被所述处理器运行时，执行上述第一方面所述的方法。
第四方面，本发明还提供了一种存储介质，非暂时性地存储计算机可读指令，其中，当所述非暂时性计算机可读指令由计算机执行时，执行第一方面所述方法的指令。
与现有技术相比，本发明的有益效果是：
吸收塔浆液品质是石灰石-石膏湿法脱硫系统稳定运行的基础，其性能实时监测是火电厂目前亟需解决的现实问题。本发明基于某发电公司历史生产数据，通过定性分析与定量计算相结合获得了影响吸收塔浆液品质的关键因素；提出基于非线性状态估计和统计质量控制技术、以脱硫效率为监测对象对浆液品质进行实时监测的方法。通过实际生产数据的仿真实验表明：以正常生产数据创建的NSET模型具有非常高的预测精度，以脱硫效率实时测量值与NSET模型预测值残差的移动均值和标准差可以较好地监测浆液品质变化，NSET模型步长参数对浆液品质实时监测性能具有重要影响。
本发明附加方面的优点将在下面的描述中部分给出，或通过本发明的实践了解到。
附图说明
构成本发明的一部分的说明书附图用来提供对本发明的进一步理解，本发明的示意性实施例及其说明用于解释本发明，并不构成对本发明的不当限定。
图1为第一个实施例的方法流程图；
图2为第一个实施例的记忆矩阵构造流程图；
图3为第一个实施例的火电厂WFGD处理过程图；
图4(a)和图4(b)为第一个实施例的浆液品质异常时密度计浆液罐内泡沫情况；
图5(a)～图5(d)为第一个实施例的浆液品质恶化前后吸收塔浆液密度、液位、pH值、浆液循环泵电流和脉冲悬浮泵电流变化情况；
图6(a)～图6(f)为第一个实施例的脱硫效率和pH值NSET模型预测误差；
图7(a)～图7(f)为第一个实施例的脱硫效率和pH值NSET模型预测误差；
图8(a)～图8(d)为第一个实施例的基于NSET模型的浆液品质监测(脱硫效率)；
图9(a)～图9(d)为第一个实施例的基于NSET模型的浆液品质监测(pH值)。
具体实施方式
应该指出，以下详细说明都是示例性的，旨在对本发明提供进一步的说明。除非另有指明，本发明使用的所有技术和科学术语具有与本发明所属技术领域的普通技术人员通常理解的相同含义。
在不冲突的情况下，本发明中的实施例及实施例中的特征可以相互组合。
本实施例所有数据的获取都在符合法律法规和用户同意的基础上，对数据的合法应用。
实施例一
本实施例提供了湿法烟气脱硫吸收塔浆液品质监测方法；
如图1所示，湿法烟气脱硫吸收塔浆液品质监测方法，包括：
S101：获取影响发电厂湿法烟气脱硫吸收塔浆液品质的各类观测量的历史运行数据；
S102：对历史运行数据预处理，将历史运行数据划分为训练数据集和验证数据集；
S103：将训练数据集，输入到非线性状态估计模型中，对其进行训练，得到训练后的非线性状态估计模型；
S104：将验证数据集，输入到训练后的非线性状态估计模型中，对其进行验证，判断模型估计精度是否满足要求，如果是，则进入S105；如果否，就返回S103；
S105：将实际监测的各类观测量经过数据预处理，输入到验证后的非线性状态估计模型中，输出模型预测脱硫效率值；计算脱硫效率实际测量值与模型预测脱硫效率值的残差，当残差超出阈值，则给出异常预警信号，否则给出正常信号。
浆液品质的变化可直接影响脱硫效率或pH值，因此可通过脱硫效率或pH值的变化进行间接表征。本发明以某电厂实测数据为基础，以脱硫效率为监测对象，采用非线性状态估计技术对正常生产过程进行建模，对模型预测脱硫效率和实测脱硫效率残差采用统计质量控制技术监测脱硫效率的变化，从而监测和预测浆液品质性能发展变化。
进一步地，所述方法还包括：S106：计算残差的移动均值μ和标准差σ，得到发电厂湿法烟气脱硫吸收塔浆液品质的变化量。
进一步地，所述S101：获取影响发电厂湿法烟气脱硫吸收塔浆液品质的各类观测量的历史运行数据；具体过程包括：
S1011：获取可能影响浆液品质的观测量：机组负荷、吸收塔入口SO2浓度、入口烟气流量、出口SO2浓度、出口烟气流量、脱硫效率、浆液密度、吸收塔液位、pH值以及浆液循环泵电流、脉冲悬浮泵电流、氧化风机电流、供浆泵电流、石膏排出泵电流、供浆液密度和供浆流量；
S1012：根据电厂浆液品质恶化事件发生记录，通过对可能影响浆液品质的观测量，对浆液品质恶化期间测量值变化趋势曲线进行分析，将曲线变化幅值和频率超过阈值的参量作为筛选出来的特征参量；所述筛选出来的特征参量，包括：脱硫效率、浆液pH值、浆液密度和脉冲悬浮泵电流；
S1013：分别计算脱硫效率、浆液pH值、浆液密度和脉冲悬浮泵电流与其它可能影响浆液品质的观测量之间的相关系数、互信息量和灰度相关度，完成定量计算；
S1014：分别对脱硫效率、浆液pH值、浆液密度和脉冲悬浮泵电流与其它可能影响浆液品质观测量的相关系数、互信息量和灰度相关度进行加权计算，求出综合关联度；
S1015：根据综合关联度，最终确定表征浆液品质变化的特征量。
示例性的，最终确定表征浆液品质变化的特征为脱硫效率或浆液pH值，影响浆液品质的主要因素：机组负荷、脱硫效率、浆液密度、浆液pH值、浆液循环泵电流、脉冲悬浮泵电流、供浆泵电流和石膏排出泵电流，监测浆液品质变化的表征特征为脱硫效率或浆液pH值。
进一步地，所述S102：对历史运行数据预处理，将历史运行数据划分为训练数据集和验证数据集；具体包括：
S1021：在浆液品质正常时，采集机组负荷、脱硫效率、吸收塔浆液密度、吸收塔液位、pH值、浆液循环泵电流、脉冲悬浮泵电流、氧化风机电流、供浆泵电流、供浆浆液密度、供浆流量和石膏排出泵电流等参量测量数据；
S1022：对上述采集数据进行预处理，预处理包括奇异值(野值)处理、缺失值处理和滤波处理；
S1023：多传感器测量参量数据处理：单个参量由多个传感器同时测量时，计算均值，如吸收塔浆液密度、吸收塔液位、pH值等；
对某个参量由多台设备执行时计算总量，如浆液循环泵电流、脉冲悬浮泵电流等；
S1024：数据归一化处理，将所有测量参量归一化到[0,1]；
S1025：按照设定比例将数据划分为训练集和测试集。示例性的，设定比例例如：8:2。
进一步地，所述S103：将训练数据集，输入到非线性状态估计模型中，对其进行训练，得到训练后的非线性状态估计模型；具体包括：
S1031：对每一个观测量，将区间[0 1]等分为k份；
S1032：以1/k为步距，从历史正常观测值集合H中，查找出若干个观测向量加入记忆矩阵D中；具体算法如图2所示；其中，步距k将直接影响记忆矩阵的大小；根据观测向量曲线变化的剧烈程度和生成记忆矩阵的时间选择步距k；
S1033：阈值δ是实测值与预测值的误差，根据实际需要进行设置；
S1034：构造的记忆矩阵D即为非线性状态估计模型。
进一步地，所述根据观测向量曲线变化的剧烈程度和生成记忆矩阵的时间选择步距k；具体包括：
如果观察向量曲线在设定时间范围内的幅值变化程度超过设定阈值，则选择的步距k至少要大于观察向量曲线极值点数量的2倍；
如果生成记忆矩阵的时间超过设定阈值，则降低步距k的取值。
进一步地，所述S104：将验证数据集，输入到训练后的非线性状态估计模型中，对其进行验证，具体包括：
S1041：基于验证数据集中各类观测量的实际观测值输入到非线性状态估计模型中，得到预测向量；
S1042：计算预测向量与实际检测向量的差值，如果差值在设定范围内，则认定模型估计精度满足要求；否则，认定模型估计精度不满足要求。
进一步地，所述S105：将实际监测的各类观测量经过数据预处理，输入到验证后的非线性状态估计模型中，输出模型预测脱硫效率值；具体包括：
S1051：对实际监测的各类观测量进行数据预处理；
S1052：将经过数据预处理各类观测量输入到非线性状态估计模型中，得到预测向量；
S1053：构造实际测量值与非线性状态估计模型预测向量的残差，根据残差预测浆液品质。
进一步地，所述S106：计算残差的移动均值μ和标准差σ，得到发电厂湿法烟气脱硫吸收塔浆液品质的变化量；具体包括：
S1061：根据残差均值μ和标准差σ，计算上控制限UCL和下控制限LCL；
S1062：根据上控制限UCL、下控制限LCL和残差，计算潜在能力指数Cp和实际能力指数Cpk；
S1063：根据残差均值μ、标准差σ、上控制限UCL和下控制限LCL，绘制Shewhart图，监测Shewhart图中脱硫效率偏移目标的程度，对产生变异的过程予以识别；
S1064：根据能力指数Cp或实际能力指数Cpk是否超过设定阈值进行判定：当能力指数Cp或实际能力指数Cpk，超出设定阈值，则表示吸收塔浆液品质发生变异。
进一步地，所述监测Shewhart图中脱硫效率偏移目标的程度，对产生变异的过程予以识别，具体判别标准为：
当Shewhart图中一个数据点超出3σ，σ表示标准差，则表示吸收塔浆液品质发生变异；或者，
当Shewhart图中当3个数据点中2个数据点在2σ和3σ之间，σ表示标准差，则表示吸收塔浆液品质发生变异；或者，
当Shewhart图中趋势线穿过偏差限制，则表示吸收塔浆液品质发生变异；或者，
当Shewhart图中当5个数据点中4个超过均值的同一侧偏差限制，则表示吸收塔浆液品质发生变异；或者，
当Shewhart图中7个数据点全部在均值的同一侧，则表示吸收塔浆液品质发生变异；或者，
当Shewhart图中5个数据点表现出连续上升或下降，则表示吸收塔浆液品质发生变异。
非线性状态估计技术(Nonlinear State Estimation Technique,NSET)是由Singer等提出的一种数据驱动的建模方法，目前在风电机组故障监测、传感器校验、故障检测和状态监控等方面均有成功的应用。
NSET模型的核心是过程记忆矩阵D及其构造，通常过程记忆矩阵D形式为
Figure BDA0003217869280000101
其中，X(t)表示某一工业过程某一时刻t(t＝1,2,…,m)观测到的n个值，即：
Xobs(t)＝[x1 x2 … xn]T    (2)
过程记忆矩阵D中每一列观测量代表设备的一种正常工作状态，经过合理选择过程记忆矩阵就可代表该设备正常运行的整个动态过程；因此，构造过程记忆矩阵的实质就是对设备运行特性的学习和记忆过程。
步距k将直接影响记忆矩阵的大小，根据观测向量变化的剧烈程度和计算能力选择适当的步距k。
历史正常观测值矩阵H的构造需要使其内部的m个观测向量X(1),X(2),…,X(m)能够尽量覆盖监测对象正常工作空间：
Figure BDA0003217869280000111
NSET模型的输入为某一时刻过程或设备的观测向量：
Xobs(t)＝[x1,x2,…,xn]T，
模型的输出为对应该输入向量的预测向量Xest(t)，NSET生成一个m维的权值向量
W＝[w1,w2,…,wm]T   (4)
使得：
Xest＝D·W＝w1·X(1)+w2·X(2)+…+wm·X(m)   (5)
即NSET模型的预测输出为过程记忆矩阵中m个观测向量的线性组合。
构造NSET模型输入与输出向量的残差
ε＝Xobs-Xest   (6)
对残差进行极小化，求得权值向量W为：
Figure BDA0003217869280000112
其中，
Figure BDA0003217869280000113
为非线性运算符，用来替代普通矩阵运算中的乘法运算。
权值向量W反映了NSET模型输入观测向量与过程记忆矩阵中各向量的相似性。
非线性运算符有多种选择，本发明选取为两向量间的Euclidean距离，即：
Figure BDA0003217869280000114
将式(7)带入式(5)，NSET模型输出预测值为：
Figure BDA0003217869280000121
当过程或设备工作正常时，NSET的新输入观测向量位于过程记忆矩阵所代表的正常工作空间内，与记忆矩阵D中的某些历史观测向量距离较近，相应其NSET的预测值Xest具有很高的精度。
当过程或设备工作状态发生变化出现故障隐患时，由于动态特性的改变，输入观测向量将偏离正常工作空间，通过记忆矩阵D中历史观测向量的组合无法构造其对应的精确预测值，导致预测精度下降，残差增大。
统计质量控制(Statistical quality control,SQC)是一个面向6Sigma管理的质量管理手段，通过运用数理统计的方法使质量控制数量化和科学化，以备广泛应用于生产过程监控、质量控制、故障检测等领域。
通过对监测对象的SQC图(样本均值、标准偏差、指数加权移动平均)进行动态监控，分析监控对象偏移目标的程度，对产生变异的过程予以识别，联合工序性能指标(如Pρk,Cρk)结果进行分析，对监控对象发生异常的时刻进行判定。使用Shewhart图检测偏差高于2×σ的单个测量对象，使用EWMA和CUSUM控制图检测偏差小于2×σ的过程和非高斯过程。
令ε为某个质量特性的样本统计量且符合高斯分布，其均值和标准差分别为με,σε，则其中心线和上、下控制线分别为：
Figure BDA0003217869280000122
其中L是以标准差σε为单位所代表的中心线和控制限之间的“距离”。
过程能力指数为：
Figure BDA0003217869280000131
Figure BDA0003217869280000132
其中USL为规格上限，LSL为规格下限，Cp潜在能力指数，Cpk为实际能力指数，Cpm和Cpmk分别是Cp和Cpk的改进，T＝USL-LSL为技术公差的幅度。
火电厂湿法脱硫系统原理及吸收塔浆液品质参数：WFDG工艺的核心是烟气被吸收塔浆液中的石灰石(主要成分CaCO3)洗涤，洗涤过程中SO2气体被脱除同时得到亚硫酸钙，再由氧化空气氧化生成副产品石膏(CaSO4﹒2H2O)晶体，其反应过程化学方程式：
CaCO3+H2O+2SO2→Ca(HSO3)2+CO2       (13)
Ca(HSO3)2+O2+2H2O→CaSO4·2H2O+H2SO4    (14)
典型的湿法石灰石-石膏脱硫系统主要由电站烟气系统、SO2吸收系统、石膏脱水系统、吸收剂制备系统和公用系统组成，如图3所示。相关设备包括吸收塔、氧化风机、浆液循环泵、脉冲悬浮泵、供浆泵、石膏排出泵和喷淋设备等。
根据相关文献和专业工程师建议，影响浆液品质的主要因素有石灰石品质、烟气中的杂质、脱硫浆液密度、吸收塔液位、浆液pH、浆液循环泵电流、脉冲悬浮泵电流、氧化风机电流、供浆量、石膏排出泵电流以及喷淋水等。
基于数据驱动和NSET模型的吸收塔浆液品质监测：石灰石品质需由实验室采样化验测定，无法获取其实时测量值；烟气中的杂质、喷淋水目前还未安装实时测量传感器，因此其实时数据目前也无法获得；由于采用强制氧化对脱硫浆液进行曝气，氧化风机电流对浆液品质没有明显影响；供浆密度、流量传感器目前精度和可靠性达不到要求，其实时数据也无法使用。目前通过PI数据库可获得的可能与浆液品质有关的实时测量主要有：机组负荷、吸收塔入口SO2浓度、入口烟气流量、出口SO2浓度、出口烟气流量、脱硫效率、浆液密度、吸收塔液位、pH值以及浆液循环泵电流、脉冲悬浮泵电流、氧化风机电流、供浆泵电流、石膏排出泵电流、供浆液密度和供浆流量。
浆液品质影响关键特征和表征特征：由于某电厂2018年5月22日前后发生浆液品质恶化事件(恶化情况如图4(a)和图4(b)、图5(a)～图5(d)所示)，因此可首先通过已有测量参数在浆液品质恶化前后相应变换曲线进行定性分析(部分参数变化曲线如图6(a)～图6(f)所示)，然后再通过相关性分析计算获取影响浆液品质的关键特征和表征特征。
由图5(a)～图5(d)可知：浆液密度、浆液pH值和脉冲悬浮泵电流在浆液品质显著恶化前后变化明显，脉冲悬浮泵电流在浆液品质显著恶化期间变化显著；通过相关系数、互信息量和灰度相关分析等定量计算，最终确定影响浆液品质的主要因素：负荷、脱硫效率、浆液密度、浆液pH值、浆液循环泵电流、脉冲悬浮泵电流、供浆泵电流和石膏排出泵电流。脱硫效率在浆液品质恶化前明显降低，恶化后由于采取非常规措施，脱硫效率恢复到正常水平，因此可将脱硫效率作为监测浆液品质变化的表征特征。
本发明研究机组为某电厂1000MW机组2018年4月和5月份的PI数据(2018/4/1 00:00—2018/5/31 23:55)，采样间隔为5分钟，有效记录数17,560。实时测量传感器31个，其中吸收塔浆液密度、pH值等由多个传感器在不同位置进行同时测量，采用均值作为影响因素；浆液悬浮泵(6台)、脉冲悬浮泵(2台)、氧化风机(3台)、供浆泵(2台)、石膏排出泵(2台)不同时刻采用不同组合方式进行工作，采用总电流作为影响因素；所以数据经简单预处理后，浆液品质影响特征和表征特征统计信息，如表1所示。
由表1可知：实测数据质量较差，野值较多，部分数据波动大(如石膏排出泵电流、供浆流量)，需要花费较大精力进行数据预处理。数据经预处理后，由生产记录可知：自2018年5月15日开始值班操作不正常，5月20日浆液品质开始出现恶化，5月21日出现显著恶化，自此开始采取各种措施改善浆液品质，5月22日下午浆液品质开始出现明显改善，24日完全恢复正常。因此，可选择2018/5/15～2018/5/25日数据作为测试数据，其它数据最为训练数据建立NSET模型，进行仿真实验。
表1.浆液品质影响关键特征和表征特征统计
Figure BDA0003217869280000151
利用训练数据建立过程记忆矩阵D，然后按照图7(a)～图7(f)所示对新的输入观测向量进行预测和残差分析，监测脱硫系统运行状态，发现浆液品质变化情况。WFDG系统浆液品质NSET模型的时间跨度选取时需要考虑机组大修、煤质和石灰石品质发生巨大改变的时间节点，上述三项任何一项改变都需要重新构建浆液品质NSET模型。该电厂2018年没有进行大修，煤质和石灰石品质一直保持比较稳定，因此NSET模型建立可在相当一段时间内应用。
试验结果分析：
实验目的：NSET模型的可用性，NSET模型参数对计算量和精度的影响，不同时间段历史观测数据对模型监测效果的影响。
仿真环境：华硕G58J笔记本电脑(CPU:Intel(R)Core(TM)i7-4710HQ 2.5Hz,RAM:16GB，HD：三星1TB SSD(STAT 3.0接口860QVO))，Windows 10 64位专业版，Matlab 2018b。
为检验模型的可用性，选择2018/4/1 00:00—2018/4/30 23:55生产数据作为历史观测数据，2018/4/10 00:00--2018/4/20 23:55历史生产数据作为验证数据和2018/5/100:00—2018/5/31 23:55生产数据作为模拟实时测量数据验证模型的可行性，脱硫效率和pH值估计值和误差结果如图8(a)～图8(d)如图9(a)～图9(d)所示，误差统计值如表2和表3所示。
表2 NSET模型预测误差(2018/4/10 00:00--2018/4/20 23:55归一化验证数据)
Figure BDA0003217869280000161
表3 NSET模型预测误差(2018/5/1 00:00—2018/5/31 23:55归一化验证数据)
Figure BDA0003217869280000171
由图7(a)～图7(f)和图8(a)～图8(d)可知，NSET模型用于数据预测精度非常高，MAPE最大仅为2.55％，RMSE 1.20，而且预测误差比较平稳，因此可用于脱硫吸收塔浆液观测量的实时预测。
以2018年4月份数据作为历史观测数据，共8641条记录，NSET模型创建记忆矩阵主要参数步长设置为0.1，由此获得记忆矩阵大小为6×3376，耗时0.55秒；采用2018/4/1000:00--2018/4/20 23:55数据作为验证数据，共2880条，对每条记录计算出预测值，共耗时1390.19秒，每条测量数据平均耗时0.48秒，各项预测误差统计值参见表2。历史观测数据和验证数据不变，仅改变创建记忆矩阵时的参数步长，设置为0.01，由此获得记忆矩阵大小为6×4664，耗时0.94秒；验证数据每条记录计算出预测值，共耗时3126.11秒，每条测量数据平均耗时1.09秒，各项预测误差统计值参见表4。
表4 NSET模型预测误差(2018/4/10 00:00--2018/4/20 23:55归一化验证数据，NSET参数步长0.01)
Figure BDA0003217869280000172
由表4可知，NSET模型创建记忆矩阵步长参数对系统运行时间影响较大，步长参数达到一定值后，NSET模型对预测精度就影响甚微。因此，选择合理的步长参数可以较大地提高预测速度。
基于NSET模型和SQC对浆液品质的实时监测和预警。由于目前浆液品质恶化数据有限，因此实验只能进行采用不同历史数据创建NSET模型检验2018年5月发生的浆液品质恶化事故。
用2018年4月份数据和2018年5月正常生产数据作为历史数据创建NSET模型基于脱硫效率和pH值监测2018年5月22日发生的浆液品质恶化情况，实验结果如图9(a)～图9(d)所示。根据2018年5月生产记录：自5月15日期开始停止排脱硫废水，5/20 3:15—5/2110:40，石膏脱水间为30小时(正常情况18小时)，5/21 10:00浆液品质开始急剧恶化，然后采取各种措施进行控制，5/22 13:48浆液品质开始好转，5/23 11:26浆液品质基本恢复正常。由图8(a)～图8(d)和图9(a)～图9(d)可知，自5月15日起脱硫效率残差均值和标准差均开始出现明显异常，5月22日前后出现剧烈异常，5月24日以后逐渐恢复正常。因此，通过设定一定的阈值，对NSET模型预测的脱硫效率和pH值残差进行监测可以实现对浆液品质的监测。
同时，通过对图8(a)～图8(d)和图9(a)～图9(d)数据进一步分析发现：采用脱硫效率预测值残差均值和标准差作为监测对象要由于采用pH值作为监测对象，用最接近浆液品质恶化时的正常生产数据训练的NSET模型要由于较早期的生产数据训练的模型。原因是脱硫效率更能表征浆液品质的多项影响因素，最近期的数据训练出的NSET模型更接近监测对象的发展变化。
针对WFDG系统浆液品质难以实时定量监测问题，本发明提出了基于NSET模型和SQC方法的浆液品质实时监测方法。基于某电厂2018年5月22日发生的浆液品质恶化事件，本发明采集了事件发生前后与浆液品质有关传感器的历史数据，通过定性分析和基于互信息、相关系数、灰度关联度等定量计算，获得影响该公司吸收塔浆液品质的主要因素有机组负荷、浆液密度、pH值、浆液循环泵电流、脉冲悬浮泵电流、供浆泵电流和石膏排出泵电流；基于正常生产数据训练的NSET模型具有非常高的预测精度，脱硫效率或pH值可以作为浆液品质变化的监测对象，以脱硫效率实时测量值与预测值的残差移动均值和标准差可以较准确地监测浆液品质变化情况。由于故障样本数据较少，该方法的适用性还需进一步进行验证，同时NSET模型参数、SQC控制参数目前还是通过试验获得，参数自适应调整也需进一步研究。
实施例二
本实施例提供了湿法烟气脱硫吸收塔浆液品质监测系统；
湿法烟气脱硫吸收塔浆液品质监测系统，包括：
获取模块，其被配置为：获取影响发电厂湿法烟气脱硫吸收塔浆液品质的各类观测量的历史运行数据；
预处理模块，其被配置为：对历史运行数据预处理，将历史运行数据划分为训练数据集和验证数据集；
训练模块，其被配置为：将训练数据集，输入到非线性状态估计模型中，对其进行训练，得到训练后的非线性状态估计模型；
验证模块，其被配置为：将验证数据集，输入到训练后的非线性状态估计模型中，对其进行验证，判断模型估计精度是否满足要求，如果是，则进入品质监测；如果否，就返回训练模块；
品质监测模块，其被配置为：将实际监测的各类观测量经过数据预处理，输入到验证后的非线性状态估计模型中，输出模型预测脱硫效率值；计算脱硫效率实际测量值与模型预测脱硫效率值的残差，当残差超出阈值，则给出异常预警信号，否则给出正常信号。
此处需要说明的是，上述获取模块、预处理模块、训练模块、验证模块和品质监测模块对应于实施例一中的步骤S101～S105，上述模块与对应的步骤所实现的示例和应用场景相同，但不限于上述实施例一所公开的内容。需要说明的是，上述模块作为系统的一部分可以在诸如一组计算机可执行指令的计算机系统中执行。
实施例三
本实施例还提供了一种电子设备，包括：一个或多个处理器、一个或多个存储器、以及一个或多个计算机程序；其中，处理器与存储器连接，上述一个或多个计算机程序被存储在存储器中，当电子设备运行时，该处理器执行该存储器存储的一个或多个计算机程序，以使电子设备执行上述实施例一所述的方法。
实施例四
本实施例还提供了一种计算机可读存储介质，用于存储计算机指令，所述计算机指令被处理器执行时，完成实施例一所述的方法。
以上所述仅为本发明的优选实施例而已，并不用于限制本发明，对于本领域的技术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (8)

1.湿法烟气脱硫吸收塔浆液品质监测方法，其特征是，包括：
获取影响发电厂湿法烟气脱硫吸收塔浆液品质的各类观测量的历史运行数据；
对历史运行数据预处理，将历史运行数据划分为训练数据集和验证数据集；
将训练数据集，输入到非线性状态估计模型中，对其进行训练，得到训练后的非线性状态估计模型；
将验证数据集，输入到训练后的非线性状态估计模型中，对其进行验证，判断模型估计精度是否满足要求，如果是，则进入下一步；如果否，就返回上一步；
将实际监测的各类观测量经过数据预处理，输入到验证后的非线性状态估计模型中，输出模型预测脱硫效率值；计算脱硫效率实际测量值与模型预测脱硫效率值的残差，当残差超出阈值，则给出异常预警信号，否则给出正常信号；
所述方法还包括：计算残差的移动均值和标准差，得到发电厂湿法烟气脱硫吸收塔浆液品质的变化量；
获取影响发电厂湿法烟气脱硫吸收塔浆液品质的各类观测量的历史运行数据；具体过程包括：
获取可能影响浆液品质的观测量：机组负荷、吸收塔入口SO2浓度、入口烟气流量、出口SO2浓度、出口烟气流量、脱硫效率、浆液密度、吸收塔液位、pH值以及浆液循环泵电流、脉冲悬浮泵电流、氧化风机电流、供浆泵电流、石膏排出泵电流、供浆液密度和供浆流量；
根据电厂浆液品质恶化事件发生记录，通过对可能影响浆液品质的观测量，对浆液品质恶化期间测量值变化趋势曲线进行分析，将曲线变化幅值和频率超过阈值的参量作为筛选出来的特征参量；所述筛选出来的特征参量，包括：脱硫效率、浆液pH值、浆液密度和脉冲悬浮泵电流；
分别计算脱硫效率、浆液pH值、浆液密度和脉冲悬浮泵电流与其它可能影响浆液品质的观测量之间的相关系数、互信息量和灰度相关度，完成定量计算；
分别对脱硫效率、浆液pH值、浆液密度和脉冲悬浮泵电流与其它可能影响浆液品质观测量的相关系数、互信息量和灰度相关度进行加权计算，求出综合关联度；
根据综合关联度，最终确定表征浆液品质变化的特征量。
2.如权利要求1所述的湿法烟气脱硫吸收塔浆液品质监测方法，其特征是，对历史运行数据预处理，将历史运行数据划分为训练数据集和验证数据集；具体包括：
在浆液品质正常时，采集机组负荷、脱硫效率、吸收塔浆液密度、吸收塔液位、pH值、浆液循环泵电流、脉冲悬浮泵电流、氧化风机电流、供浆泵电流、供浆浆液密度、供浆流量和石膏排出泵电流参量测量数据；
对上述采集数据进行预处理，预处理包括奇异值处理、缺失值处理和滤波处理；
多传感器测量参量数据处理：单个参量由多个传感器同时测量时，计算均值；对某个参量由多台设备执行时计算总量；
数据归一化处理，将所有测量参量归一化到[0,1]；
按照设定比例将数据划分为训练集和测试集。
3.如权利要求2所述的湿法烟气脱硫吸收塔浆液品质监测方法，其特征是，将训练数据集，输入到非线性状态估计模型中，对其进行训练，得到训练后的非线性状态估计模型；具体包括：
对每一个观测量，将区间[0 1]等分为k份；
以1/k为步距，从历史正常观测值集合H中，查找出若干个观测向量加入记忆矩阵D中；其中，步距k将直接影响记忆矩阵的大小；根据观测向量曲线变化的剧烈程度和生成记忆矩阵的时间选择步距k；
所述根据观测向量曲线变化的剧烈程度和生成记忆矩阵的时间选择步距k；具体包括：如果观察向量曲线在设定时间范围内的幅值变化程度超过设定阈值，则选择的步距k至少要大于观察向量曲线极值点数量的2倍；如果生成记忆矩阵的时间超过设定阈值，则降低步距k的取值；
阈值δ是实测值与预测值的误差，根据实际需要进行设置；
构造的记忆矩阵D即为非线性状态估计模型。
4.如权利要求1所述的湿法烟气脱硫吸收塔浆液品质监测方法，其特征是，将验证数据集，输入到训练后的非线性状态估计模型中，对其进行验证，具体包括：
基于验证数据集中各类观测量的实际观测值输入到非线性状态估计模型中，得到预测向量；
计算预测向量与实际检测向量的差值，如果差值在设定范围内，则认定模型估计精度满足要求；否则，认定模型估计精度不满足要求；
或者，
将实际监测的各类观测量经过数据预处理，输入到验证后的非线性状态估计模型中，输出模型预测脱硫效率值；具体包括：
对实际监测的各类观测量进行数据预处理；
将经过数据预处理各类观测量输入到非线性状态估计模型中，得到预测向量；
构造实际测量值与非线性状态估计模型预测向量的残差，根据残差预测浆液品质。
5.如权利要求1所述的湿法烟气脱硫吸收塔浆液品质监测方法，其特征是，计算残差的移动均值和标准差，得到发电厂湿法烟气脱硫吸收塔浆液品质的变化量；具体包括：
根据残差均值μ和标准差σ，计算上控制限UCL和下控制限LCL；
根据上控制限UCL、下控制限LCL和残差，计算潜在能力指数Cp和实际能力指数Cpk；
根据残差均值、标准差、上控制限UCL和下控制限LCL，绘制Shewhart图，监测Shewhart图中脱硫效率偏移目标的程度，对产生变异的过程予以识别；
根据能力指数Cp或实际能力指数Cpk是否超过设定阈值进行判定：当能力指数Cp或实际能力指数Cpk，超出设定阈值，则表示吸收塔浆液品质发生变异；
或者，
所述监测Shewhart图中脱硫效率偏移目标的程度，对产生变异的过程予以识别，具体判别标准为：
当Shewhart图中一个数据点超出3σ，σ表示标准差，则表示吸收塔浆液品质发生变异；或者，
当Shewhart图中当3个数据点中2个数据点在2σ和3σ之间，σ表示标准差，则表示吸收塔浆液品质发生变异；或者，
当Shewhart图中趋势线穿过偏差限制，则表示吸收塔浆液品质发生变异；或者，
当Shewhart图中当5个数据点中4个超过均值的同一侧偏差限制，则表示吸收塔浆液品质发生变异；或者，
当Shewhart图中7个数据点全部在均值的同一侧，则表示吸收塔浆液品质发生变异；或者，
当Shewhart图中5个数据点表现出连续上升或下降，则表示吸收塔浆液品质发生变异。
6.湿法烟气脱硫吸收塔浆液品质监测系统，其特征是，采用权利要求1-5任一所述的湿法烟气脱硫吸收塔浆液品质监测方法，包括：
获取模块，其被配置为：获取影响发电厂湿法烟气脱硫吸收塔浆液品质的各类观测量的历史运行数据；
预处理模块，其被配置为：对历史运行数据预处理，将历史运行数据划分为训练数据集和验证数据集；
训练模块，其被配置为：将训练数据集，输入到非线性状态估计模型中，对其进行训练，得到训练后的非线性状态估计模型；
验证模块，其被配置为：将验证数据集，输入到训练后的非线性状态估计模型中，对其进行验证，判断模型估计精度是否满足要求，如果是，则进入品质监测模块；如果否，就返回训练模块；
品质监测模块，其被配置为：将实际监测的各类观测量经过数据预处理，输入到验证后的非线性状态估计模型中，输出模型预测脱硫效率值；计算脱硫效率实际测量值与模型预测脱硫效率值的残差，当残差超出阈值，则给出异常预警信号，否则给出正常信号。
7.一种电子设备，其特征是，包括：
存储器，用于非暂时性存储计算机可读指令；以及
处理器，用于运行所述计算机可读指令，
其中，所述计算机可读指令被所述处理器运行时，执行上述权利要求1-5任一项所述的方法。
8.一种存储介质，其特征是，非暂时性地存储计算机可读指令，其中，当所述计算机可读指令由计算机执行时，执行权利要求1-5任一项所述方法的指令。
CN202110949423.8A 2021-08-18 2021-08-18 湿法烟气脱硫吸收塔浆液品质监测方法及系统 Active CN113505497B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110949423.8A CN113505497B (zh) 2021-08-18 2021-08-18 湿法烟气脱硫吸收塔浆液品质监测方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110949423.8A CN113505497B (zh) 2021-08-18 2021-08-18 湿法烟气脱硫吸收塔浆液品质监测方法及系统

Publications (2)

Publication Number Publication Date
CN113505497A CN113505497A (zh) 2021-10-15
CN113505497B true CN113505497B (zh) 2023-05-12

Family

ID=78016612

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110949423.8A Active CN113505497B (zh) 2021-08-18 2021-08-18 湿法烟气脱硫吸收塔浆液品质监测方法及系统

Country Status (1)

Country Link
CN (1) CN113505497B (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116907764B (zh) * 2023-09-14 2023-12-26 国能龙源环保有限公司 脱硫设备气密性检测方法、装置、设备及存储介质
CN117273553B (zh) * 2023-11-22 2024-02-02 青州市华康生物科技有限公司 一种基于糖浆浓度检测的生产异常监测系统

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2000067412A2 (en) * 1999-04-30 2000-11-09 Dryken Technologies Method and system for nonlinear state estimation
CN103885397A (zh) * 2013-12-23 2014-06-25 南宁职业技术学院 一种湿法烟气脱硫智能监控系统及方法
CN107088061A (zh) * 2017-05-04 2017-08-25 太原理工大学 一种基于Shewhart控制图的HRV在线分析系统及其方法
CN107247994A (zh) * 2017-06-22 2017-10-13 东南大学 一种托盘塔脱硫装置脱硫效率的模糊建模方法
CN111613019A (zh) * 2020-06-18 2020-09-01 大唐环境产业集团股份有限公司 防止脱硫烟气so2超标排放的预警方法、预警系统及其应用
CN112784373A (zh) * 2021-01-19 2021-05-11 河北大学 一种风电机组齿轮箱的故障预警方法

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2000067412A2 (en) * 1999-04-30 2000-11-09 Dryken Technologies Method and system for nonlinear state estimation
CN103885397A (zh) * 2013-12-23 2014-06-25 南宁职业技术学院 一种湿法烟气脱硫智能监控系统及方法
CN107088061A (zh) * 2017-05-04 2017-08-25 太原理工大学 一种基于Shewhart控制图的HRV在线分析系统及其方法
CN107247994A (zh) * 2017-06-22 2017-10-13 东南大学 一种托盘塔脱硫装置脱硫效率的模糊建模方法
CN111613019A (zh) * 2020-06-18 2020-09-01 大唐环境产业集团股份有限公司 防止脱硫烟气so2超标排放的预警方法、预警系统及其应用
CN112784373A (zh) * 2021-01-19 2021-05-11 河北大学 一种风电机组齿轮箱的故障预警方法

Also Published As

Publication number Publication date
CN113505497A (zh) 2021-10-15

Similar Documents

Publication Publication Date Title
CN110320892B (zh) 基于Lasso回归的污水处理设备故障诊断系统及方法
Ji et al. Incipient fault detection with smoothing techniques in statistical process monitoring
Yin et al. A nonlinear process monitoring approach with locally weighted learning of available data
CN113505497B (zh) 湿法烟气脱硫吸收塔浆液品质监测方法及系统
CN109186813A (zh) 一种温度传感器自检装置及方法
CN107544457A (zh) 基于可靠性分析的炼化装置运行周期专家决策系统及方法
CN111597223A (zh) 故障预警处理方法、装置及系统
CN114169254A (zh) 基于短期建筑能耗预测模型的异常能耗诊断方法及系统
CN115899964A (zh) 基于多维的空调智能监测方法与系统
US7155367B1 (en) Method for evaluating relative efficiency of equipment
Domański et al. Robust and asymmetric assessment of the benefits from improved control–industrial validation
CN112257224A (zh) 汽轮发电机状态检修方法、系统以及终端
CN109213119B (zh) 基于在线学习的复杂工业关键部件故障预测方法及系统
CN114444391A (zh) 一种基于粒子群优化的氧化风机运行优化算法
Mu et al. Application of ARIMA model in fault diagnosis of TEP
Li et al. Combining canonical variate analysis, probability approach and support vector regression for failure time prediction
CN114254904A (zh) 一种风电机组机舱运行健康度评价方法及装置
CN115906602A (zh) 一种基于深度学习Transformer自编码的风电机组塔筒倾倒监测评价方法
CN112862180A (zh) 一种脱硝系统入口NOx浓度预测方法
Xu et al. An efficient method for online identification of steady state for multivariate system
Rao et al. Optimal operating policies of X-bar control chart for non-normal variables with generalised Pareto in-control times
Koistinen et al. Adaptation framework for an industrial digital twin
Wang et al. A Method of TE Process Fault Detection Based on Improved WNBC
CN116272360A (zh) 基于scr脱硝系统出口氮氧化物浓度预测的脱硝方法及系统
Gu et al. Study on Predicting and Warning of the Wet Flue Gas Desulfurization System Slurry Poisoning Based on Improved K-means Clustering

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