CN113847609A - 基于前馈模型预测误差自修正的垃圾焚烧炉脱硝控制方法 - Google Patents
基于前馈模型预测误差自修正的垃圾焚烧炉脱硝控制方法 Download PDFInfo
- Publication number
- CN113847609A CN113847609A CN202111152504.1A CN202111152504A CN113847609A CN 113847609 A CN113847609 A CN 113847609A CN 202111152504 A CN202111152504 A CN 202111152504A CN 113847609 A CN113847609 A CN 113847609A
- Authority
- CN
- China
- Prior art keywords
- value
- model
- valve opening
- ammonia injection
- feedforward
- 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
Links
- 239000010813 municipal solid waste Substances 0.000 title claims abstract description 86
- 238000000034 method Methods 0.000 title claims abstract description 74
- 238000012937 correction Methods 0.000 title claims abstract description 37
- QGZKDVFQNNGYKY-UHFFFAOYSA-N Ammonia Chemical compound N QGZKDVFQNNGYKY-UHFFFAOYSA-N 0.000 claims abstract description 228
- 229910021529 ammonia Inorganic materials 0.000 claims abstract description 114
- 238000002347 injection Methods 0.000 claims abstract description 84
- 239000007924 injection Substances 0.000 claims abstract description 84
- 238000005507 spraying Methods 0.000 claims abstract description 30
- 101000609957 Homo sapiens PTB-containing, cubilin and LRP1-interacting protein Proteins 0.000 claims abstract description 21
- 102100039157 PTB-containing, cubilin and LRP1-interacting protein Human genes 0.000 claims abstract description 21
- 101150109471 PID2 gene Proteins 0.000 claims abstract description 9
- 101100190462 Caenorhabditis elegans pid-1 gene Proteins 0.000 claims abstract description 3
- 238000010606 normalization Methods 0.000 claims description 14
- 238000012549 training Methods 0.000 claims description 14
- 238000013519 translation Methods 0.000 claims description 14
- 238000012360 testing method Methods 0.000 claims description 10
- 238000012706 support-vector machine Methods 0.000 claims description 8
- 101000840267 Homo sapiens Immunoglobulin lambda-like polypeptide 1 Proteins 0.000 claims description 6
- 102100029616 Immunoglobulin lambda-like polypeptide 1 Human genes 0.000 claims description 6
- 238000013528 artificial neural network Methods 0.000 claims description 2
- 230000011218 segmentation Effects 0.000 description 20
- 230000000694 effects Effects 0.000 description 11
- MWUXSHHQAYIFBG-UHFFFAOYSA-N Nitric oxide Chemical compound O=[N] MWUXSHHQAYIFBG-UHFFFAOYSA-N 0.000 description 9
- 230000008569 process Effects 0.000 description 8
- 238000004056 waste incineration Methods 0.000 description 8
- 239000003344 environmental pollutant Substances 0.000 description 6
- 231100000719 pollutant Toxicity 0.000 description 6
- 238000004364 calculation method Methods 0.000 description 5
- 230000008859 change Effects 0.000 description 5
- 101100190464 Caenorhabditis elegans pid-2 gene Proteins 0.000 description 4
- UGFAIRIUMAVXCW-UHFFFAOYSA-N Carbon monoxide Chemical compound [O+]#[C-] UGFAIRIUMAVXCW-UHFFFAOYSA-N 0.000 description 4
- 239000003546 flue gas Substances 0.000 description 4
- 238000010248 power generation Methods 0.000 description 4
- 239000002699 waste material Substances 0.000 description 4
- 238000011161 development Methods 0.000 description 3
- 230000018109 developmental process Effects 0.000 description 3
- 239000010791 domestic waste Substances 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 238000003912 environmental pollution Methods 0.000 description 3
- 239000000463 material Substances 0.000 description 3
- 230000007613 environmental effect Effects 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 230000009467 reduction Effects 0.000 description 2
- 239000000779 smoke Substances 0.000 description 2
- 239000002910 solid waste Substances 0.000 description 2
- 241000282414 Homo sapiens Species 0.000 description 1
- 238000003916 acid precipitation Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 238000009264 composting Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000011217 control strategy Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 239000000428 dust Substances 0.000 description 1
- 239000010419 fine particle Substances 0.000 description 1
- 239000007789 gas Substances 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000008439 repair process Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 239000000243 solution Substances 0.000 description 1
- 230000004083 survival effect Effects 0.000 description 1
Images
Classifications
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F23—COMBUSTION APPARATUS; COMBUSTION PROCESSES
- F23G—CREMATION FURNACES; CONSUMING WASTE PRODUCTS BY COMBUSTION
- F23G5/00—Incineration of waste; Incinerator constructions; Details, accessories or control therefor
- F23G5/50—Control or safety arrangements
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F23—COMBUSTION APPARATUS; COMBUSTION PROCESSES
- F23G—CREMATION FURNACES; CONSUMING WASTE PRODUCTS BY COMBUSTION
- F23G5/00—Incineration of waste; Incinerator constructions; Details, accessories or control therefor
- F23G5/44—Details; Accessories
-
- 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
- F23J15/02—Arrangements of devices for treating smoke or fumes of purifiers, e.g. for removing noxious material
- F23J15/04—Arrangements of devices for treating smoke or fumes of purifiers, e.g. for removing noxious material using washing fluids
-
- 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)
- Mechanical Engineering (AREA)
- General Engineering & Computer Science (AREA)
- Incineration Of Waste (AREA)
Abstract
本发明公开了一种基于前馈模型预测误差自修正的垃圾焚烧炉脱硝控制方法，包括以下步骤：S1、获取当前时刻NOx排放浓度实际值，NOx排放浓度设定值与实际值偏差作为PID1输入，得到PID1控制的喷氨流量或阀门开度值；S2、获取二级炉排、三级炉排、总风量在内的喷氨流量或阀门开度前馈值；S3、建立具有预测误差自修正功能的NOx排放浓度预测模型，获取基于模型预测喷氨流量或阀门开度前馈值；S4、根据各个喷氨流量或阀门开度值，对喷氨流量或阀门开度进行PID2控制。
Description
技术领域
本发明属于焚烧发电烟气处理领域，具体涉及基于前馈模型预测误差自修正的垃圾焚烧炉脱硝控制方法。
背景技术
随着国民经济的发展和人民生活水平的不断提高，以及城镇人口的迅速增加，由各种固体废弃物造成的环境污染已经成为世界各国面临的一个重大问题。特别是城市生活垃圾产量的持续增长，对环境造成的污染日益加剧，已成为我国社会经济持续发展和生态文明建设的一大阻碍。目前，垃圾的处理方法主要有填埋、堆肥和焚烧等。其中垃圾焚烧发电技术是实现固废减量化、无害化、资源化处理的有效途径，也是城市生活垃圾处理的重要发展方向。
截至到2019年，我国投入运行的生活垃圾焚烧发电厂有389座，日总处理能力为45.65万吨/日，垃圾焚烧处理能力占总处理能力的比重达到50.7％，垃圾焚烧发电行业正在快速发展。然而，在大力发展生活垃圾焚烧处理技术的同时，面临着垃圾焚烧处理过程中所带来的环境污染问题。其中氮氧化物是主要的排放污染物之一，其大量排放加剧了酸雨、光化学烟雾、区域细粒子危害以及灰霾等污染的形成，对人类的健康和生存造成了显著危害。随着国家对污染物减排要求的不断提高，基于SNCR技术的垃圾焚烧炉NOx排放控制越来越受到重视。然而由于现有垃圾焚烧电厂烟气处理的自动化程度低、垃圾特性变化较为复杂、脱硝过程的大延迟、大滞后等特点，造成了烟气污染物排放控制效果差，物料浪费严重等现象产生。因此，研究垃圾焚烧炉脱硝智能控制方法，建立有效的脱硝智能控制策略，对提高企业烟气污染物排放的智能化、精准化控制具有非常重要的意义。
现有垃圾焚烧发电脱硝控制主要有两种方式：(1)运行人员通过观察NOx排放浓度值的大小，结合自己的经验，对喷氨量进行调节，在保证NOx排放浓度满足环保排放标准的前提下，提高脱硝系统运行的经济性。(2)串级PID控制，以排放NOx浓度实际值和目标设定值的偏差进行PID计算，得到喷氨量设定值。同时结合喷氨阀PID，将喷氨流量控制在喷氨量设定值附近(CN202010600631.2，CN202010122628.4)。由于垃圾特性变化较为复杂、脱硝具有大延迟、大滞后等特点，以人工控制和传统PID为主的垃圾焚烧炉脱硝控制效果差，存在烟气污染物排放控制精度低，物料浪费严重等问题。
发明内容
本发明的目的在于克服垃圾特性变化较为复杂、垃圾焚烧炉脱硝系统具有大延迟、大滞后等特点，解决以人工控制和传统PID为主的垃圾焚烧炉脱硝控制效果差，存在烟气污染物排放控制精度低，物料浪费严重等问题。本发明的基于前馈模型预测误差自修正的垃圾焚烧炉脱硝控制方法，可以有效消除垃圾焚烧炉脱硝具有的大延迟、大滞后的影响，进一步提高垃圾焚烧炉脱硝控制运行的稳定性、经济性和环保性。
本发明至少通过如下技术方案之一实现。
基于前馈模型预测误差自修正的垃圾焚烧炉脱硝控制方法，包括以下步骤：
S1、获取当前时刻NOx排放浓度实际值，NOx排放浓度设定值与实际值偏差作为PID1输入，得到PID1控制的喷氨流量或阀门开度值；
S2、获取二级炉排、三级炉排、总风量在内的喷氨流量或阀门开度前馈值；
S3、建立具有预测误差自修正功能的NOx排放浓度预测模型，获取基于模型预测喷氨流量或阀门开度前馈值；
S4、根据各个喷氨流量或阀门开度值，对喷氨流量或阀门开度进行PID2控制。
优选的，步骤2具体包括：
步骤21、获取垃圾焚烧炉二级炉排左右侧风量，并计算其平均值，将二级炉排左右侧风量平均值作为分段函数F1(x)的输入，得到二级炉排的喷氨流量或阀门开度前馈值；
步骤22、获取垃圾焚烧炉三级炉排左右侧风量，并计算其平均值，将三级炉排左右侧风量的平均值作为分段函数F2(x)的输入，得到三级炉排的喷氨流量或阀门开度前馈值；
步骤23、获取垃圾焚烧炉总风量，并作为分段函数F3(x)的输入，计算得到基于总风量的喷氨流量或阀门开度前馈值。
优选的，基于模型预测喷氨流量或阀门开度前馈值是先通过具有预测误差自修正功能的NOx排放浓度预测模型，对t+t1时刻的NOx浓度值进行预测，预测值与NOx浓度排放控制设定值的差值作为分段函数F4(x)的输入，获取基于模型预测的喷氨流量或阀门开度前馈值。
优选的，具有预测误差自修正功能的NOx排放浓度预测模型如下：
1)、对垃圾焚烧炉二三级炉排风量、炉膛温度、一次风量、总风量、喷氨流量在内的运行参数进行时间平移，并基于公式(1)计算各自与NOx排放浓度之间的相关度，获得最大相关度时的时间平移值，作为变量的滞后时间，经过该步骤获得炉膛运行参数的滞后时间为t1，喷氨流量的滞后时间为t2：
式中r为皮尔逊系数；Xi为第i输入样本数据，如二三级炉排风量、炉膛温度、一次风量、总风量、喷氨流量；
表示输入样本数据的均值；Yi为第i输出样本数据，即NOx排放浓度，
表示输出样本数据的均值；n表示样本数据的总量；
2)、获取当前时刻t的垃圾焚烧炉二三级炉排风量、炉膛温度、一次风量、总风量、NO排放浓度值以及t-(t2-t1)时刻前的喷氨流量，结合偏最小二乘法，建立第一NOx浓度预测模型M1，以预测t+t1时刻的NOx浓度值Cpre1；
3)、获取t-t1时刻的垃圾焚烧炉二三级炉排风量、炉膛温度、一次风量、总风量，NO排放浓度值以及t-t2时刻前的喷氨流量，结合偏最小二乘法，建立第二NOx浓度预测模型M2，以预测t时刻的NOx浓度值Cpre2；
4)、获取t时刻的NOx排放浓度模型预测值与实际值C实际的相对偏差δ，根据相对偏差，对第一NOx浓度预测模型M1的预测值进行修正：
δ＝(C实际-Cpre2)/C实际 (2)
Cpre1(修正)＝Cpre1×(1+δ) (3)
优选的，第一NOx浓度预测模型M1建立过程如下：
(1)将t的垃圾焚烧炉二三级炉排风量、炉膛温度、一次风量、总风量和NO排放浓度值以及t-(t2-t1)时刻前的喷氨流量数据进行归一化操作，其中X原始和X归一化分别为原始运行数据和归一化后的数据，μ为该数据的均值，σ为该数据的标准偏差：
(2)基于偏最小二乘法(PLS)进行建模训练，获得变量的回归系数βi和常数b，其中i表示第i个变量，n为回归系数的个数，模型的预测输出为：
(3)对训练好的模型进行测试；
(4)反归一化：
令
Ti＝βi/σ，则第一NOx浓度预测模型M1表达式为：
优选的，所述第二NOx浓度预测模型M2使用t-t1时刻的垃圾焚烧炉二三级炉排风量、炉膛温度、一次风量、总风量、NO排放浓度值运行参数以及t-t2时刻的喷氨流量作为数据进行预测。
优选的，步骤5是用预测误差修正后的NOx浓度预测值和此时实际值之差，结合分段函数来计算基于模型预测的喷氨流量或阀门开度前馈值。
优选的，PID2控制的喷氨流量或阀门开度值V为：
V＝λ1×V1+λ2×V2+λ3×V3+λ4×V4+λ5×V5 (4)
其中，V1表示PID1控制的喷氨流量或阀门开度值，V2表示二级炉排的喷氨流量或阀门开度前馈值，V3表示三级炉排的喷氨流量或阀门开度前馈值，V4表示于模型预测喷氨流量或阀门开度前馈值总风量的喷氨流量或阀门开度前馈值，V5表示基于模型预测的喷氨流量或阀门开度前馈值，λ1、λ2、λ3、λ4和λ5为各自的权值系数。
优选的，在企业不要求控制方案写进DCS中时，所述NOx排放浓度预测模型选用神经网络、支持向量机或核偏最小二乘法三种非线性建模方法建立。
优选的，所述二级炉排左右侧风量、三级炉排左右侧风量、总风量可替换为垃圾焚烧炉主蒸汽流量、炉膛平均温度、前端风和燃尽风。
与现有的技术相比，本发明的有益效果为：
本发明将PID控制、变量前馈控制和模型预测前馈控制引入到垃圾焚烧炉脱硝系统中，有效结合了PID控制的稳定性、变量前馈提前性、以及模型预测前馈的未来性，可以有效消除垃圾焚烧炉脱硝具有的大延迟、大滞后的影响，进一步提高控制精度，实现脱硝控制的安全、环保和经济运行。此外，本发明还引入了一种模型预测误差修正方法，可实时在线对模型预测偏差进行修正，保证了模型预测的精度，加强模型前馈预测控制的能力和效果。
附图说明
图1本发明实施例的结构示意图；
图2本发明实施例脱硝控制投入前NOx排放效果图；
图3本发明实施例脱硝控制投入后NOx排放效果图；
图4本发明实施例基于前馈模型预测误差自修正的垃圾焚烧炉脱硝控制方法的流程图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整的描述。显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部实施例。基于本发明中的实施例，本领域的普通技术人员在不付出创造性劳动性的前提下，所获得的所有其他实施例，都属于本发明的保护的范围。
实施例1
如图1和图4所示的一种基于前馈模型预测误差自修正的垃圾焚烧炉脱硝控制方法，将PID控制、变量前馈和模型预测前馈相结合，具体包括以下实施步骤：
步骤1、设置垃圾焚烧炉脱硝系统参数，包括设当前时刻为t、NOx排放浓度控制设定值C设定，获取该时刻NOx排放浓度实际值C实际，二者偏差作为PID1输入，计算得到PID1控制的喷氨流量或阀门开度值V1。其中，PID1的比例增益、积分增益和微分增益由控制方法在企业DCS系统中在线调试确定。
步骤2、数据采集，获取垃圾焚烧炉二级炉排左右侧风量，并计算其平均值，之后该平均值作为分段函数F1(x)的输入，计算得到二级炉排的喷氨流量或阀门开度前馈值V2。其中，分段函数F1(x)的各分界点和对应的输出值由控制方法在企业DCS系统中在线调试确定。经过在线调试分段函数F1(x)的分界点和对应的输出值如表1所示。
表1分段函数F1(x)参数表
步骤3、获取垃圾焚烧炉三级炉排左右侧风量，并计算其平均值，之后该平均值作为分段函数F2(x)的输入，计算得到三级炉排的喷氨流量或阀门开度前馈值V3。其中，分段函数F2(x)的各分界点和对应的输出值由控制方法在企业DCS系统中在线调试确定。经过在线调试分段函数F2(x)的分界点和对应的输出值如表2所示。
表2分段函数F2(x)参数表
| 分界点(二级炉排左右侧风量平均值) | 函数输出值(喷射流量) |
| 4500 | -12 |
| 5000 | -8 |
| 5500 | -5 |
| 6000 | 0 |
| 6500 | 5 |
| 7000 | 8 |
| 8500 | 10 |
| 9000 | 12 |
| 10000 | 15 |
| 11000 | 20 |
步骤4、获取垃圾焚烧炉总风量，并作为分段函数F3(x)的输入，计算得到基于总风量的喷氨流量或阀门开度前馈值V4。其中，分段函数F3(x)的各分界点和对应的输出值由控制方法在企业DCS系统中在线调试确定。经过在线调试分段函数F3(x)的分界点和对应的输出值如表3所示。
表3分段函数F3(x)参数表
| 分界点(二级炉排左右侧风量平均值) | 函数输出值(喷射流量) |
| 45000 | -15 |
| 50000 | -12 |
| 55000 | -8 |
| 60000 | 0 |
| 62000 | 5 |
| 66000 | 10 |
| 68000 | 18 |
| 70000 | 25 |
| 72000 | 28 |
| 75000 | 30 |
上述步骤2、步骤3和步骤4中的垃圾焚烧炉二级炉排左右侧风量、三级炉排左右侧风量、总风量也可是垃圾焚烧炉也可是垃圾焚烧炉主蒸汽流量、炉膛平均温度、前端风和燃尽风。
步骤5、对垃圾焚烧炉二三级炉排风量、炉膛温度、一次风量、总风量、喷氨流量等运行参数进行时间平移，并基于下式计算各自与NOx排放浓度之间的相关度，获得最大相关度时的时间平移值，作为变量的滞后时间，经过该步骤可获得二三级炉排风量、炉膛温度、一次风量、总风量五个炉膛运行参数的滞后时间为t1，喷氨流量的滞后时间为t2。
式中r为皮尔逊系数；Xi为第i输入样本数据，如二三级炉排风量、炉膛温度、一次风量、总风量、喷氨流量；
表示输入样本数据的均值；Yi为第i输出样本数据，即NOx排放浓度，
表示输出样本数据的均值；N表示样本数据的总量；
步骤6、获取当前时刻t的垃圾焚烧炉二三级炉排风量、炉膛温度，一次风量，总风量，NO排放浓度值以及t-(t2-t1)时刻前的喷氨流量，结合偏最小二乘法，建立第一NOx浓度预测模型M1，可预测t+t1时刻的NOx浓度值CPre1。模型建立过程如下：
(1)数据归一化：将t的垃圾焚烧炉二三级炉排风量、炉膛温度，一次风量，总风量和NO排放浓度值以及t-(t2-t1)时刻前的喷氨流量数据进行归一化操作，计算方式如式(5)所示。其中X原始和X归一化分别为原始运行数据和归一化后的数据，μ为该数据的均值，σ为该数据的标准偏差。
(2)建模训练：取步骤(1)中前70％的数据，基于偏最小二乘法(PLS)进行建模训练，获得变量的回归系数βi和常数b，其中i表示第i个变量。此时，模型的预测输出如式(6)所示：
(3)模型测试：取步骤(1)后30％的数据，对训练好的模型进行测试。当预测相对误差≤15％，预测值和实际值之间的相关度r>0.9，则模型训练完毕，符合使用要求。
(4)反归一化：将公式(5)带入公式(6)中可得：
进一步合并可得：
令
Ti＝βi/σ，则可得预测模型M1最终表达式为：
步骤7、获取t-t1时刻的垃圾焚烧炉二三级炉排风量、炉膛温度、一次风量、总风量、NO排放浓度值以及t-t2时刻前的喷氨流量，结合偏最小二乘法，建立第二NOx浓度预测模型M2，可预测t时刻的NOx浓度值CPre2。之后根据公式(C实际-Cpre2)/C实际计算预测值和实际值之间的相对偏差δ。
第二NOx浓度预测模型M2的建立过程和步骤6中预测模型M1的建立过程相似，唯一不同点在于第二NOx浓度预测模型M2使用的是t-t1时刻的垃圾焚烧炉二三级炉排风量、炉膛温度、一次风量、总风量、NO排放浓度值以及t-t2时刻前的喷氨流量作为输入数据对当前t时刻NOx排放进行预测。
步骤8、根据相对偏差δ修正步骤6获得的NOx浓度预测值，对t+t1时刻的NOx浓度值CPre1进行修正：
Cpre1(修正)＝Cpre1×(1+δ)
CPre1(修正)与NOx浓度排放控制设定值C设定的差值作为分段函数F4(x)的输入，计算得到基于模型预测的喷氨流量或阀门开度前馈值V5。其中，分段函数F4(x)的各分界点和对应的输出值由控制方法在企业DCS系统中在线调试确定。经过在线调试分段函数F4(x)的分界点和对应的输出值如表3所示。
表3分段函数F3(x)参数表
| C<sub>Pre1(修正)</sub>与NOx浓度排放控制设定值C<sub>设定</sub>的差值 | 函数输出值(喷射流量) |
| -20 | -15 |
| -15 | -12 |
| -10 | -10 |
| -5 | -5 |
| 0 | 0 |
| 5 | 6 |
| 8 | 10 |
| 12 | 15 |
| 15 | 20 |
| 18 | 25 |
| 20 | 30 |
| 25 | 38 |
步骤9、最终喷氨流量或阀门开度值：
V＝λ1×V1+λ2×V2+λ3×V3+λ4×V4+λ5×V5 (10)
该值作为喷氨阀门的PID2控制设定值，基于该PID2调节喷氨流量或阀门开度在该设定值附近。其中λ1、λ2、λ3、λ4和λ5为各自的权值系数，由控制方法在线调试效果确定最终的取值。
步骤1和步骤9中的PID(Proportion Integration Differentiation，比例-积分-微分)需设定上下限，防止输出过大或过小。其中，PID1的比例增益、积分增益和微分增益由控制方法在线调试确定。
本发明的实际投运效果如图2和图3所示。分别采集了本发明控制方法投运前共28天运行数据和投运后共10天运行数据，其中数据间隔均为1分钟。设定NOx排放浓度控制的目标值为120mg/m3。可以看到，脱硝投入前，NOx瞬时排放浓度值变化的相对标准偏差(RSD)为20.57％，瞬时排放浓度值小于150mg/m3的占比为95.77％。脱硝投入后，NOx瞬时排放浓度值变化的相对标准偏差(RSD)为12.40％，瞬时排放浓度值小于150mg/m3的占比达到99.31％，其中约有84.39％的NO排放浓度实际值在120±20mg/m3之间。垃圾焚烧炉脱硝系统的NOx排放控制稳定性大大提高。
实施例2
如图1和图4所示的一种基于前馈模型预测误差自修正的垃圾焚烧炉脱硝控制方法，将PID控制、变量前馈和模型预测前馈相结合，具体包括以下实施步骤：
步骤1、设置垃圾焚烧炉脱硝系统参数，包括设当前时刻为t、NOx排放浓度控制设定值C设定，获取该时刻NOx排放浓度实际值C实际，二者偏差作为PID1输入，计算得到PID1控制的喷氨流量或阀门开度值V1。其中，PID1的比例增益、积分增益和微分增益由控制方法在企业DCS系统中在线调试确定。
步骤2、数据采集，获取垃圾焚烧炉二级炉排左右侧风量，并计算其平均值，之后该平均值作为分段函数F1(x)的输入，计算得到二级炉排的喷氨流量或阀门开度前馈值V2。其中，分段函数F1(x)的各分界点和对应的输出值由控制方法在企业DCS系统中在线调试确定。
步骤3、获取垃圾焚烧炉三级炉排左右侧风量，并计算其平均值，之后该平均值作为分段函数F2(x)的输入，计算得到三级炉排的喷氨流量或阀门开度前馈值V3。其中，分段函数F2(x)的各分界点和对应的输出值由控制方法在企业DCS系统中在线调试确定。
步骤4、获取垃圾焚烧炉总风量，并作为分段函数F3(x)的输入，计算得到基于总风量的喷氨流量或阀门开度前馈值V4。其中，分段函数F3(x)的各分界点和对应的输出值由控制方法在企业DCS系统中在线调试确定。
步骤5、对垃圾焚烧炉二三级炉排风量、炉膛温度、一次风量、总风量、喷氨流量等运行参数进行时间平移，并基于下式计算各自与NOx排放浓度之间的相关度，获得最大相关度时的时间平移值，作为变量的滞后时间，经过该步骤可获得二三级炉排风量、炉膛温度、一次风量、总风量五个炉膛运行参数的滞后时间为t1，喷氨流量的滞后时间为t2。
步骤6、获取当前时刻t的垃圾焚烧炉二三级炉排风量、炉膛温度，一次风量，总风量，NO排放浓度值以及t-(t2-t1)时刻前的喷氨流量，结合支持向量机，建立第一NOx浓度预测模型M1，可预测t+t1时刻的NOx浓度值CPre1。模型建立过程如下：
(1)数据归一化：将t的垃圾焚烧炉二三级炉排风量、炉膛温度，一次风量，总风量和NO排放浓度值以及t-(t2-t1)时刻前的喷氨流量数据进行归一化操作，计算方式如式(5)所示。其中X原始和X归一化分别为原始运行数据和归一化后的数据，μ为该数据的均值，σ为该数据的标准偏差。
(2)建模训练：取步骤(1)中前70％的数据，基于支持向量机(SVM)进行建模训练。
(3)模型测试：取步骤(1)后30％的数据，对训练好的模型进行测试。当预测相对误差≤15％，预测值和实际值之间的相关度r>0.9，则模型训练完毕，符合使用要求。
步骤7、获取t-t1时刻的垃圾焚烧炉二三级炉排风量、炉膛温度、一次风量、总风量、NO排放浓度值以及t-t2时刻前的喷氨流量，结合支持向量机，建立第二NOx浓度预测模型M2，可预测t时刻的NOx浓度值CPre2。之后根据公式(C实际-Cpre2)/C实际计算预测值和实际值之间的相对偏差δ。
8、根据相对偏差δ修正步骤6获得的NOx浓度预测值，对t+t1时刻的NOx浓度值CPre1进行修正：
Cpre1(修正)＝Cpre1×(1+δ)
CPre1(修正)与NOx浓度排放控制设定值C设定的差值作为分段函数F4(x)的输入，计算得到基于模型预测的喷氨流量或阀门开度前馈值V5。其中，分段函数F4(x)的各分界点和对应的输出值由控制方法在企业DCS系统中在线调试确定。步骤9、最终喷氨流量或阀门开度值：
V＝λ1×V1+λ2×V2+λ3×V3+λ4×V4+λ5×V5 (10)
该值作为喷氨阀门的PID2控制设定值，基于该PID2调节喷氨流量或阀门开度在该设定值附近。其中λ1、λ2、λ3、λ4和λ5为各自的权值系数，由控制方法在线调试效果确定最终的取值。
步骤1和步骤9中的PID(Proportion Integration Differentiation，比例-积分-微分)需设定上下限，防止输出过大或过小。其中，PID1的比例增益、积分增益和微分增益由控制方法在线调试确定。
实施例3
如图1和图4所示的一种基于前馈模型预测误差自修正的垃圾焚烧炉脱硝控制方法，将PID控制、变量前馈和模型预测前馈相结合，具体包括以下实施步骤：
步骤1、设置垃圾焚烧炉脱硝系统参数，包括设当前时刻为t、NOx排放浓度控制设定值C设定，获取该时刻NOx排放浓度实际值C实际，二者偏差作为PID1输入，计算得到PID1控制的喷氨流量或阀门开度值V1。其中，PID1的比例增益、积分增益和微分增益由控制方法在企业DCS系统中在线调试确定。
步骤2、数据采集，获取垃圾焚烧炉炉膛温度数据，并作为分段函数F1(x)的输入，计算得到二级炉排的喷氨流量或阀门开度前馈值V2。其中，分段函数F1(x)的各分界点和对应的输出值由控制方法在企业DCS系统中在线调试确定。
步骤3、获取垃圾焚烧炉三级炉排左右侧风量，并计算其平均值，之后该平均值作为分段函数F2(x)的输入，计算得到三级炉排的喷氨流量或阀门开度前馈值V3。其中，分段函数F2(x)的各分界点和对应的输出值由控制方法在企业DCS系统中在线调试确定
步骤4、获取垃圾焚烧炉一次风总风量，并作为分段函数F3(x)的输入，计算得到基于总风量的喷氨流量或阀门开度前馈值V4。其中，分段函数F3(x)的各分界点和对应的输出值由控制方法在企业DCS系统中在线调试确定。
步骤5、对垃圾焚烧炉二三级炉排风量、炉膛温度、一次风量、总风量、喷氨流量等运行参数进行时间平移，并计算各自与NOx排放浓度之间的相关度，获得最大相关度时的时间平移值，作为变量的滞后时间，经过该步骤可获得二三级炉排风量、炉膛温度、一次风量、总风量五个炉膛运行参数的滞后时间为t1，喷氨流量的滞后时间为t2。
步骤6、获取当前时刻t的垃圾焚烧炉二三级炉排风量、炉膛温度，一次风量，总风量，NO排放浓度值以及t-(t2-t1)时刻前的喷氨流量，结合偏最小二乘法，建立第一NOx浓度预测模型M1，可预测t+t1时刻的NOx浓度值CPre1。模型建立过程如下：
(1)数据归一化：将t的垃圾焚烧炉二三级炉排风量、炉膛温度，一次风量，总风量和NO排放浓度值以及t-(t2-t1)时刻前的喷氨流量数据进行归一化操作，计算方式如式(5)所示。其中X原始和X归一化分别为原始运行数据和归一化后的数据，μ为该数据的均值，σ为该数据的标准偏差。
(2)建模训练：取步骤(1)中前70％的数据，基于结合偏最小二乘法，进行建模训练。
(3)模型测试：取步骤(1)后30％的数据，对训练好的模型进行测试。当预测相对误差≤15％，预测值和实际值之间的相关度r>0.9，则模型训练完毕，符合使用要求。
步骤7、获取t-t1时刻的垃圾焚烧炉二三级炉排风量、炉膛温度、一次风量、总风量、NO排放浓度值以及t-t2时刻前的喷氨流量，结合偏最小二乘法，建立第二NOx浓度预测模型M2，可预测t时刻的NOx浓度值CPre2。之后根据公式(C实际-Cpre2)/C实际计算预测值和实际值之间的相对偏差δ。
步骤8、根据相对偏差δ修正步骤6获得的NOx浓度预测值，对t+t1时刻的NOx浓度值CPre1进行修正：
Cpre1(修正)＝Cpre1×(1+δ)
CPre1(修正)与NOx浓度排放控制设定值C设定的差值作为分段函数F4(x)的输入，计算得到基于模型预测的喷氨流量或阀门开度前馈值V5。其中，分段函数F4(x)的各分界点和对应的输出值由控制方法在企业DCS系统中在线调试确定。步骤9、最终喷氨流量或阀门开度值：
V＝λ1×V1+λ2×V2+λ3×V3+λ4×V4+λ5×V5 (10)
该值作为喷氨阀门的PID2控制设定值，基于该PID2调节喷氨流量或阀门开度在该设定值附近。其中λ1、λ2、λ3、λ4和λ5为各自的权值系数，由控制方法在线调试效果确定最终的取值。
步骤1和步骤9中的PID(Proportion Integration Differentiation，比例-积分-微分)需设定上下限，防止输出过大或过小。其中，PID1的比例增益、积分增益和微分增益由控制方法在线调试确定。
实施例4
如图1和图4所示的一种基于前馈模型预测误差自修正的垃圾焚烧炉脱硝控制方法，将PID控制、变量前馈和模型预测前馈相结合，具体包括以下实施步骤：
步骤1、设置垃圾焚烧炉脱硝系统参数，包括设当前时刻为t、NOx排放浓度控制设定值C设定，获取该时刻NOx排放浓度实际值C实际，二者偏差作为PID1输入，计算得到PID1控制的喷氨流量或阀门开度值V1。其中，PID1的比例增益、积分增益和微分增益由控制方法在企业DCS系统中在线调试确定。
步骤2、数据采集，获取垃圾焚烧炉二级炉排左右侧风量，并计算其平均值，之后该平均值作为分段函数F1(x)的输入，计算得到二级炉排的喷氨流量或阀门开度前馈值V2。其中，分段函数F1(x)的各分界点和对应的输出值由控制方法在企业DCS系统中在线调试确定。
步骤3、获取垃圾焚烧炉前端风数据，并作为分段函数F2(x)的输入，计算得到三级炉排的喷氨流量或阀门开度前馈值V3。其中，分段函数F2(x)的各分界点和对应的输出值由控制方法在企业DCS系统中在线调试确定。
步骤4、获取垃圾焚烧炉总风量，并作为分段函数F3(x)的输入，计算得到基于总风量的喷氨流量或阀门开度前馈值V4。其中，分段函数F3(x)的各分界点和对应的输出值由控制方法在企业DCS系统中在线调试确定。
步骤5、对垃圾焚烧炉二三级炉排风量、炉膛温度、一次风量、总风量、喷氨流量等运行参数进行时间平移，并计算各自与NOx排放浓度之间的相关度，获得最大相关度时的时间平移值，作为变量的滞后时间，经过该步骤可获得二三级炉排风量、炉膛温度、一次风量、总风量五个炉膛运行参数的滞后时间为t1，喷氨流量的滞后时间为t2。
步骤6、获取当前时刻t的垃圾焚烧炉二三级炉排风量、炉膛温度，一次风量，总风量，NO排放浓度值以及t-(t2-t1)时刻前的喷氨流量，结合核偏最小二乘法，建立第一NOx浓度预测模型M1，可预测t+t1时刻的NOx浓度值CPre1。模型建立过程如下：
(1)数据归一化：将t的垃圾焚烧炉二三级炉排风量、炉膛温度，一次风量，总风量和NO排放浓度值以及t-(t2-t1)时刻前的喷氨流量数据进行归一化操作，计算方式如式(5)所示。其中X原始和X归一化分别为原始运行数据和归一化后的数据，μ为该数据的均值，σ为该数据的标准偏差。
(2)建模训练：取步骤(1)中前70％的数据，基于最小支持向量机(SVM)进行建模训练。
(3)模型测试：取步骤(1)后30％的数据，对训练好的模型进行测试。当预测相对误差≤15％，预测值和实际值之间的相关度r>0.9，则模型训练完毕，符合使用要求。
步骤7、获取t-t1时刻的垃圾焚烧炉二三级炉排风量、炉膛温度、一次风量、总风量、NO排放浓度值以及t-t2时刻前的喷氨流量，结合核偏最小二乘法，建立第二NOx浓度预测模型M2，可预测t时刻的NOx浓度值CPre2。之后根据公式(C实际-Cpre2)/C实际计算预测值和实际值之间的相对偏差δ。
步骤8、根据相对偏差δ修正步骤6获得的NOx浓度预测值，对t+t1时刻的NOx浓度值CPre1进行修正：
Cpre1(修正)＝Cpre1×(1+δ)
CPre1(修正)与NOx浓度排放控制设定值C设定的差值作为分段函数F4(x)的输入，计算得到基于模型预测的喷氨流量或阀门开度前馈值V5。其中，分段函数F4(x)的各分界点和对应的输出值由控制方法在企业DCS系统中在线调试确定。
步骤9、最终喷氨流量或阀门开度值：
V＝λ1×V1+λ2×V2+λ3×V3+λ4×V4+λ5×V5 (10)
该值作为喷氨阀门的PID2控制设定值，基于该PID2调节喷氨流量或阀门开度在该设定值附近。其中λ1、λ2、λ3、λ4和λ5为各自的权值系数，由控制方法在线调试效果确定最终的取值。
步骤1和步骤9中的PID(Proportion Integration Differentiation，比例-积分-微分)需设定上下限，防止输出过大或过小。其中，PID1的比例增益、积分增益和微分增益由控制方法在线调试确定。
以上公开的本发明优选实施例只是用于帮助阐述本发明。优选实施例并没有详尽叙述所有的细节，也不限制该发明仅为所述的具体实施方式。显然，根据本说明书的内容，可作很多的修改和变化。本说明书选取并具体描述这些实施例，是为了更好地解释本发明的原理和实际应用，从而使所属技术领域技术人员能很好地理解和利用本发明。本发明仅受权利要求书及其全部范围和等效物的限制。
Claims (10)
1.基于前馈模型预测误差自修正的垃圾焚烧炉脱硝控制方法，其特征在于，包括以下步骤：
S1、获取当前时刻NOx排放浓度实际值，NOx排放浓度设定值与实际值偏差作为PID1输入，得到PID1控制的喷氨流量或阀门开度值；
S2、获取二级炉排、三级炉排、总风量在内的喷氨流量或阀门开度前馈值；
S3、建立具有预测误差自修正功能的NOx排放浓度预测模型，获取基于模型预测喷氨流量或阀门开度前馈值；
S4、根据各个喷氨流量或阀门开度值，对喷氨流量或阀门开度进行PID2控制。
2.根据权利要求1所述的基于前馈模型预测误差自修正的垃圾焚烧炉脱硝控制方法，其特征在于，步骤2具体包括：
步骤21、获取垃圾焚烧炉二级炉排左右侧风量，并计算其平均值，将二级炉排左右侧风量平均值作为分段函数F1(x)的输入，得到二级炉排的喷氨流量或阀门开度前馈值；
步骤22、获取垃圾焚烧炉三级炉排左右侧风量，并计算其平均值，将三级炉排左右侧风量的平均值作为分段函数F2(x)的输入，得到三级炉排的喷氨流量或阀门开度前馈值；
步骤23、获取垃圾焚烧炉总风量，并作为分段函数F3(x)的输入，计算得到基于总风量的喷氨流量或阀门开度前馈值。
3.根据权利要求2所述的基于前馈模型预测误差自修正的垃圾焚烧炉脱硝控制方法，其特征在于，基于模型预测喷氨流量或阀门开度前馈值是先通过具有预测误差自修正功能的NOx排放浓度预测模型，对t+t1时刻的NOx浓度值进行预测，预测值与NOx浓度排放控制设定值的差值作为分段函数F4(x)的输入，获取基于模型预测的喷氨流量或阀门开度前馈值。
4.根据权利要求3所述的基于前馈模型预测误差自修正的垃圾焚烧炉脱硝控制方法，其特征在于，具有预测误差自修正功能的NOx排放浓度预测模型如下：
1)、对垃圾焚烧炉二三级炉排风量、炉膛温度、一次风量、总风量、喷氨流量在内的运行参数进行时间平移，并基于公式(1)计算各自与NOx排放浓度之间的相关度，获得最大相关度时的时间平移值，作为变量的滞后时间，经过该步骤获得炉膛运行参数的滞后时间为t1，喷氨流量的滞后时间为t2：
式中r为皮尔逊系数；Xi为第i输入样本数据，如二三级炉排风量、炉膛温度、一次风量、总风量、喷氨流量；
表示输入样本数据的均值；Yi为第i输出样本数据，即NOx排放浓度，
表示输出样本数据的均值；n表示样本数据的总量；
2)、获取当前时刻t的垃圾焚烧炉二三级炉排风量、炉膛温度、一次风量、总风量、NO排放浓度值以及t-(t2-t1)时刻前的喷氨流量，结合偏最小二乘法，建立第一NOx浓度预测模型M1，以预测t+t1时刻的NOx浓度值Cpre1；
3)、获取t-t1时刻的垃圾焚烧炉二三级炉排风量、炉膛温度、一次风量、总风量，NO排放浓度值以及t-t2时刻前的喷氨流量，结合偏最小二乘法，建立第二NOx浓度预测模型M2，以预测t时刻的NOx浓度值Cpre2；
4)、获取t时刻的NOx排放浓度模型预测值与实际值C实际的相对偏差δ，根据相对偏差，对第一NOx浓度预测模型M1的预测值进行修正：
δ＝(C实际-Cpre2)/C实际 (2)
Cpre1(修正)＝Cpre1×(1+δ) (3)。
5.根据权利要求4所述的基于前馈模型预测误差自修正的垃圾焚烧炉脱硝控制方法，其特征在于，第一NOx浓度预测模型M1建立过程如下：
(1)将t的垃圾焚烧炉二三级炉排风量、炉膛温度、一次风量、总风量和NO排放浓度值以及t-(t2-t1)时刻前的喷氨流量数据进行归一化操作，其中X原始和X归一化分别为原始运行数据和归一化后的数据，μ为该数据的均值，σ为该数据的标准偏差：
(2)基于偏最小二乘法(PLS)进行建模训练，获得变量的回归系数βi和常数b，其中i表示第i个变量，n为回归系数的个数，模型的预测输出为：
(3)对训练好的模型进行测试；
(4)反归一化：
令
Ti＝βi/σ，则第一NOx浓度预测模型M1表达式为：
6.根据权利要求5所述的基于前馈模型预测误差自修正的垃圾焚烧炉脱硝控制方法，其特征在于，所述第二NOx浓度预测模型M2使用t-t1时刻的垃圾焚烧炉二三级炉排风量、炉膛温度、一次风量、总风量、NO排放浓度值运行参数以及t-t2时刻的喷氨流量作为数据进行预测。
7.根据权利要求6所述的基于前馈模型预测误差自修正的垃圾焚烧炉脱硝控制方法，其特征在于，步骤5是用预测误差修正后的NOx浓度预测值和此时实际值之差，结合分段函数来计算基于模型预测的喷氨流量或阀门开度前馈值。
8.根据权利要求7所述的一种基于前馈模型预测误差自修正的垃圾焚烧炉脱硝控制方法，其特征在于，PID2控制的喷氨流量或阀门开度值V为：
V＝λ1×V1+λ2×V2+λ3×V3+λ4×V4+λ5×V5 (4)
其中，V1表示PID1控制的喷氨流量或阀门开度值，V2表示二级炉排的喷氨流量或阀门开度前馈值，V3表示三级炉排的喷氨流量或阀门开度前馈值，V4表示于模型预测喷氨流量或阀门开度前馈值总风量的喷氨流量或阀门开度前馈值，V5表示基于模型预测的喷氨流量或阀门开度前馈值，λ1、λ2、λ3、λ4和λ5为各自的权值系数。
9.根据权利要求8所述的基于前馈模型预测误差自修正的垃圾焚烧炉脱硝控制方法，其特征在于，在企业不要求控制方案写进DCS中时，所述NOx排放浓度预测模型选用神经网络、支持向量机或核偏最小二乘法三种非线性建模方法建立。
10.根据权利要求9所述的基于前馈模型预测误差自修正的垃圾焚烧炉脱硝控制方法，其特征在于，所述二级炉排左右侧风量、三级炉排左右侧风量、总风量可替换为垃圾焚烧炉主蒸汽流量、炉膛平均温度、前端风和燃尽风。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111152504.1A CN113847609B (zh) | 2021-09-29 | 2021-09-29 | 基于前馈模型预测误差自修正的垃圾焚烧炉脱硝控制方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111152504.1A CN113847609B (zh) | 2021-09-29 | 2021-09-29 | 基于前馈模型预测误差自修正的垃圾焚烧炉脱硝控制方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN113847609A true CN113847609A (zh) | 2021-12-28 |
| CN113847609B CN113847609B (zh) | 2024-02-06 |
Family
ID=78977074
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202111152504.1A Active CN113847609B (zh) | 2021-09-29 | 2021-09-29 | 基于前馈模型预测误差自修正的垃圾焚烧炉脱硝控制方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113847609B (zh) |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JPH11267451A (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 |
| CN106681381A (zh) * | 2017-01-03 | 2017-05-17 | 华北电力大学 | 一种基于智能前馈信号的scr脱硝系统喷氨量优化控制系统及方法 |
| CN110989466A (zh) * | 2019-12-25 | 2020-04-10 | 华能应城热电有限责任公司 | 一种火电机组脱硝的动态前馈带内模控制方法及系统 |
| CN112221347A (zh) * | 2020-08-11 | 2021-01-15 | 华电电力科学研究院有限公司 | 一种scr脱硝系统精准喷氨控制方法 |
| CN112580250A (zh) * | 2020-11-12 | 2021-03-30 | 山东纳鑫电力科技有限公司 | 基于深度学习的火电机组脱硝系统及优化控制方法 |
| CN112651166A (zh) * | 2020-11-24 | 2021-04-13 | 呼和浩特科林热电有限责任公司 | 脱硝系统入口氮氧化物浓度预测方法、装置及脱硝系统 |
| CN112915741A (zh) * | 2021-01-13 | 2021-06-08 | 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 | 一种脱硝优化方法 |
-
2021
- 2021-09-29 CN CN202111152504.1A patent/CN113847609B/zh active Active
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JPH11267451A (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 |
| CN106681381A (zh) * | 2017-01-03 | 2017-05-17 | 华北电力大学 | 一种基于智能前馈信号的scr脱硝系统喷氨量优化控制系统及方法 |
| CN110989466A (zh) * | 2019-12-25 | 2020-04-10 | 华能应城热电有限责任公司 | 一种火电机组脱硝的动态前馈带内模控制方法及系统 |
| CN112221347A (zh) * | 2020-08-11 | 2021-01-15 | 华电电力科学研究院有限公司 | 一种scr脱硝系统精准喷氨控制方法 |
| CN112580250A (zh) * | 2020-11-12 | 2021-03-30 | 山东纳鑫电力科技有限公司 | 基于深度学习的火电机组脱硝系统及优化控制方法 |
| CN112651166A (zh) * | 2020-11-24 | 2021-04-13 | 呼和浩特科林热电有限责任公司 | 脱硝系统入口氮氧化物浓度预测方法、装置及脱硝系统 |
| CN112915741A (zh) * | 2021-01-13 | 2021-06-08 | 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 | 一种脱硝优化方法 |
Non-Patent Citations (1)
| Title |
|---|
| 闫来清: ""SCR烟气脱硝系统数据驱动建模与优化控制研究"", 《中国博士学位论文全文数据库 工程科技Ⅰ辑》 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN113847609B (zh) | 2024-02-06 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN107038334B (zh) | 循环流化床生活垃圾焚烧锅炉co排放预测系统及方法 | |
| CN108549792B (zh) | 一种基于潜结构映射算法的固废焚烧过程二噁英排放浓度软测量方法 | |
| CN106681381A (zh) | 一种基于智能前馈信号的scr脱硝系统喷氨量优化控制系统及方法 | |
| 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 | |
| CN111562744B (zh) | 一种基于pso算法的锅炉燃烧隐式广义预测控制方法 | |
| CN104613468A (zh) | 基于模糊自适应推理的循环流化床锅炉燃烧优化控制方法 | |
| CN110991756A (zh) | 基于ts模糊神经网络的mswi炉膛温度预测方法 | |
| CN110608444B (zh) | 一种基于模型的垃圾焚烧控制系统 | |
| CN113094986B (zh) | 垃圾焚烧炉烟气中污染物排放量预测模型构建方法及应用 | |
| CN104696952A (zh) | 一种基于模型在线辨识的流化床锅炉引风量控制方法 | |
| CN113847609B (zh) | 基于前馈模型预测误差自修正的垃圾焚烧炉脱硝控制方法 | |
| CN108021027B (zh) | 一种超临界循环流化床机组输出功率预测系统及方法 | |
| CN115145152A (zh) | 一种锅炉燃烧与脱硝过程协同优化控制的方法 | |
| CN113869359A (zh) | 基于模块化神经网络的城市固废焚烧过程氮氧化物预测方法 | |
| CN113609684A (zh) | 基于工业数据和工艺机理的锅炉吨煤产汽优化方法 | |
| Liang et al. | Study on Optimal Control of Desulfurization Process of Fluidized Bed Boiler Based on Neural Network | |
| CN113780384B (zh) | 基于集成决策树算法的城市固废焚烧过程关键被控变量预测方法 | |
| Chen et al. | Cascade transfer function models of MSWI process based on weight adaptive particle swarm optimization | |
| CN116146983B (zh) | 用于燃煤锅炉掺烧负荷调变的固废自适应热解系统及方法 | |
| Chong et al. | Neural network models of the combustion derivatives emanating from a chain grate stoker fired boiler plant | |
| Wang et al. | Multiple Input Mulitple Output Control Method Based on Single Neuron Adaptive PID for Municipal Solid Waste Incineration Process | |
| CN113266833B (zh) | 一种垃圾焚烧炉的燃烧优化方法、系统及装置 | |
| Manke | A Performance Comparison of Different Back Propagation Neural Networks for Nitrogen Oxides Emission Prediction in Thermal Power Plant | |
| CN118142331A (zh) | 垃圾焚烧炉烟气再循环耦合sncr脱硝控制方法和系统 | |
| CN117847537A (zh) | 一种垃圾焚烧电厂燃烧和烟气排放一体化控制方法及系统 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |