CN114183760B - 一种基于多模型加权预测的垃圾焚烧炉脱硝控制方法 - Google Patents
一种基于多模型加权预测的垃圾焚烧炉脱硝控制方法 Download PDFInfo
- Publication number
- CN114183760B CN114183760B CN202111447443.1A CN202111447443A CN114183760B CN 114183760 B CN114183760 B CN 114183760B CN 202111447443 A CN202111447443 A CN 202111447443A CN 114183760 B CN114183760 B CN 114183760B
- Authority
- CN
- China
- Prior art keywords
- value
- nox concentration
- predicted output
- ammonia injection
- target object
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 38
- QGZKDVFQNNGYKY-UHFFFAOYSA-N Ammonia Chemical compound N QGZKDVFQNNGYKY-UHFFFAOYSA-N 0.000 claims abstract description 166
- 229910021529 ammonia Inorganic materials 0.000 claims abstract description 83
- 238000002347 injection Methods 0.000 claims abstract description 72
- 239000007924 injection Substances 0.000 claims abstract description 72
- 238000005507 spraying Methods 0.000 claims description 12
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 9
- 239000002245 particle Substances 0.000 claims description 6
- 238000010220 Pearson correlation analysis Methods 0.000 claims description 4
- 238000004364 calculation method Methods 0.000 claims description 4
- 230000001276 controlling effect Effects 0.000 description 5
- 238000010586 diagram Methods 0.000 description 2
- 230000004075 alteration Effects 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 238000010219 correlation analysis Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 239000003344 environmental pollutant Substances 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 231100000719 pollutant Toxicity 0.000 description 1
- 238000010248 power generation Methods 0.000 description 1
- 230000001105 regulatory effect Effects 0.000 description 1
- 239000000779 smoke Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012706 support-vector machine Methods 0.000 description 1
- 239000002699 waste material Substances 0.000 description 1
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
Abstract
本发明提供一种基于多模型加权预测的垃圾焚烧炉脱硝控制方法,包括:根据圾焚烧炉的运行参数和NOx浓度排放的相关度确定特征变量;根据时间平移后的运行参数和NOx浓度排放的相关度确定特征变量;根据所述特征变量作为训练样本,并结合最小二乘法建立若干个预测子模型;将预测子模型进行组合,以获得预测组合模型;根据多个所述预测组合模型对未来多个时刻的NOx浓度排放进行预测,以获得各个时刻的喷氨流量;将各个时刻的喷氨流量作为对应时刻的喷氨阀门的PID控制设定值。本发明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,实现垃圾焚烧炉脱硝控制的安全、环保和经济运行。
Description
技术领域
本发明涉及垃圾焚烧炉脱硝控制技术领域,具体涉及一种基于多模型加权预测的垃圾焚烧炉脱硝控制方法。
背景技术
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浓度排放值的大小,结合自己的经验,对喷氨量进行调节,在保证NOx浓度排放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。但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现有技术中的缺点与不足,提供一种基于多模型加权预测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,进一步提高控制精度,实现垃圾焚烧炉脱硝控制的安全、环保和经济运行。
本发明的一个实施例提供一种基于多模型加权预测的垃圾焚烧炉脱硝控制方法,包括以下步骤:
S1:获取垃圾焚烧炉的运行参数和NOx浓度排放,所述运行参数包括炉膛温度、一次风量、总风量、进水温度、进水流量、喷氨流量和主蒸汽流量;基于皮尔逊相关性分析,计算出各个所述运行参数和所述NOx浓度排放之间的相关度,将若干个相关度最大的对NOx浓度排放有影响的所述运行参数确定为特征变量;
S2:对选择特征变量进行时间平移,并计算各特征变量与NOx浓度排放之间的相关度,获得最大相关度时的时间平移值,作为特征变量的滞后时间,经过该步骤可获得滞后时间为t1;
S3:获取当前时刻t,根据计算得到的滞后时间t1对各个所述运行参数进行时间平移,以获取进行时间平移后的t-t1时刻的各个特征变量:将所述特征变量进行组合以作为训练样本,并结合最小二乘法建立若干个预测子模型Mi(i=1,2,3……,n);其中,最小二乘法模型公式如公式(1)所示:
其中,Y表示模型的计算输出;Xi为特征变量;βi为回归系数;b为常数;
S4:获取各个预测子模型的输出权重Wi,可得到各个子模型预测值为Cprei=Mi*Wi,将各子模型进行组合,得到预测组合模型Mi(t),其预测输出为Cpre(t)=∑Mi(t)*Wi,其中,Cpre(t)为t时刻的NOx浓度排放预测值;根据目标函数并基于粒子群算法对预测组合模型的权重进行寻优求解;其中所述目标函数为粒子群算法的计算目标函数,即获得目标函数E最小时的各个预测子模型的输出权重值Wi;其中,i为特征变量个数;j为样本数据数量;Cpre为模型预测值、C实际为NOx浓度实际排放值;
S5:根据预设的滞后时间t1+1、t1+2、t1+3、t1+4和t1+5分别对所述特征变量进行时间平移,以获取进行时间平移后的t-t1+1、t-t1+2、t-t1+3、t-t1+4和t-t1+5时刻的各个所述特征变量,并重复所述步骤S3-S4以获取t+1、t+2、t+3、t+4和t+5时刻的预测组合模型M(t+1)、M(t+2)、M(t+3)、M(t+4)和M(t+5),从而获得各个所述预测组合模型的预测输出值Cpre(t+1)、Cpre(t+2)、Cpre(t+3)、Cpre(t+4)和Cpre(t+5);
S6:获取NOx浓度排放的控制目标值C目标,根据各个所述预测输出值,NOx浓度排放控制目标值C目标,以及预设的预测输出值-控制目标值-喷氨流量的关系,获得各个所述预测输出值对应的时刻的喷氨流量;
S7:将各个时刻的喷氨流量作为对应时刻的喷氨阀门的PID控制目标值。
相对于现有技术,本发明的基于多模型加权预测的垃圾焚烧炉脱硝控制方法建立了多个预测子模型,通过预测子模型的加权组合得到预测组合模型,并对当前时刻和未来多个时刻的NOx浓度排放进行预测,并参与控制中。该控制方式将未来时刻的NOx浓度排放变化考虑在内,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,实现垃圾焚烧炉脱硝控制的安全、环保和经济运行。
进一步,所述步骤S6,获取NOx浓度排放的控制目标值C目标,根据各个所述预测输出值,NOx浓度排放控制目标值C目标,以及预设的预测输出值-控制设定值-喷氨流量的关系,获得各个所述预测输出值对应的时刻的喷氨流量,包括以下步骤:
S61:将所述预测输出值Cpre(t)与NOx浓度排放控制设定值C目标的差值作为分段函数F1(x)的输入,计算得到t时刻的喷氨流量V1。
进一步,所述步骤S6,获取NOx浓度排放的控制目标值C目标,根据各个所述预测输出值,NOx浓度排放控制设定值C目标,以及预设的预测输出值-控制设定值-喷氨流量的关系,获得各个所述预测输出值对应的时刻的喷氨流量,包括以下步骤:
S62:将所述预测输出值Cpre(t+1)与NOx浓度排放控制设定值C目标的差值作为分段函数F2(x)的输入,计算得到t+1时刻的喷氨流量V2。
进一步,所述步骤S6,获取NOx浓度排放的控制目标值C目标,根据各个所述预测输出值,NOx浓度排放控制设定值C目标,以及预设的预测输出值-控制设定值-喷氨流量的关系,获得各个所述预测输出值对应的时刻的喷氨流量,包括以下步骤:
S63:将所述预测输出值Cpre(t+2)与NOx浓度排放控制设定值C目标的差值作为分段函数F3(x)的输入,计算得到t+2时刻的喷氨流量V3。
进一步,所述步骤S6,获取NOx浓度排放的控制目标值C目标,根据各个所述预测输出值,NOx浓度排放控制设定值C目标,以及预设的预测输出值-控制设定值-喷氨流量的关系,获得各个所述预测输出值对应的时刻的喷氨流量,包括以下步骤:
S64:将所述预测输出值Cpre(t+3)与NOx浓度排放控制设定值C目标的差值作为分段函数F4(x)的输入,计算得到t+3时刻的喷氨流量V4。
进一步,所述步骤S6,获取NOx浓度排放的控制目标值C目标,根据各个所述预测输出值,NOx浓度排放控制设定值C目标,以及预设的预测输出值-控制设定值-喷氨流量的关系,获得各个所述预测输出值对应的时刻的喷氨流量,包括以下步骤:
S65:将所述预测输出值Cpre(t+4)与NOx浓度排放控制设定值C目标的差值作为分段函数F5(x)的输入,计算得到t+4时刻的喷氨流量V5。
进一步,所述步骤S6,获取NOx浓度排放的控制目标值C目标,根据各个所述预测输出值,NOx浓度排放控制设定值C目标,以及预设的预测输出值-控制设定值-喷氨流量的关系,获得各个所述预测输出值对应的时刻的喷氨流量,包括以下步骤:
S66:将所述预测输出值Cpre(t+5)与NOx浓度排放控制设定值C目标的差值作为分段函数F6(x)的输入,计算得到t+5时刻的喷氨流量V6。
进一步,所述步骤S4中,所述预测组合模型是对应时刻的各个预测子模型加权输出得到的。
进一步,在所述步骤S3中的建立每个所述预测子模型所用的特征变量不同,得到的βi回归系数βi以及常数b也不相同。
本发明的基于多模型加权预测的垃圾焚烧炉脱硝控制方法,建立了多个差异化的预测子模型,通过预测子模型的加权组合得到预测组合模型,并对当前时刻和未来多个时刻的NOx浓度排放进行预测,并参与控制中。该控制方式将未来时刻的NOx浓度排放变化考虑在内,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,实现垃圾焚烧炉脱硝控制的安全、环保和经济运行。
为了能更清晰的理解本发明,以下将结合附图说明阐述本发明的具体实施方式。
附图说明
图1为本发明一个实施例的基于多模型加权预测的垃圾焚烧炉脱硝控制方法的步骤S1-S7的流程图。
图2为本发明一个实施例的基于多模型加权预测的垃圾焚烧炉脱硝控制方法的简略步骤示意图。
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、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
请参阅图1-2,其中,图1是本发明一个实施例的基于多模型加权预测的垃圾焚烧炉脱硝控制方法的步骤S1-S7的流程图,图2是本发明一个实施例的基于多模型加权预测的垃圾焚烧炉脱硝控制方法的简略步骤示意图;所述基于多模型加权预测的垃圾焚烧炉脱硝控制方法包括以下步骤:
S1:获取垃圾焚烧炉的运行参数和NOx浓度排放,所述运行参数包括炉膛温度、一级炉排一次风流量、二级炉排一次风流量、三级炉排一次风流量、二次风OFA1流量、二次风OFA2流量、二次风前端风1、二次风前端风2、一次风量(各级炉排一次风流量之和)、总风量(各级炉排一次风流量、二次风OFA流量以及二次风前端风流量之和)、进水温度、进水流量、喷氨流量和主蒸汽流量;基于皮尔逊相关性分析和专家经验,计算出各个所述运行参数和所述NOx浓度排放之间的相关度,将若干个相关度最大的和运行专家经验所得对NOx浓度排放有影响的所述运行参数确定为特征变量。
在所述步骤S1中,根据皮尔逊相关性分析,计算出各个所述运行参数和所述NOx浓度排放的相关度中,所述相关性分析也可以用互信息方法代替,以计算出各个所述运行参数和所述NOx浓度排放的相关度。
S2:对选择特征变量进行时间平移,并计算各特征变量与NOx浓度排放之间的相关度,获得最大相关度时的时间平移值,作为特征变量的滞后时间,经过该步骤可获得滞后时间为t1。
S3:获取当前时刻t,根据计算得到的滞后时间t1对各个所述运行参数进行时间平移,以获取进行时间平移后的t-t1时刻的各个特征变量:将所述特征变量进行组合以作为训练样本,并结合最小二乘法建立若干个预测子模型Mi(i=1,2,3……,n);其中,最小二乘法模型公式如公式(1)所示:
其中,Y表示模型的计算输出;Xi为特征变量;βi为回归系数;b为常数。
其中,所述步骤S3中,将所述特征变量进行组合以作为训练样本,例如包括组合1:炉膛温度、一级炉排一次风流量、二级炉排一次风流量、三级炉排一次风流量、一次风量、喷氨流量和主蒸汽流量;组合2:炉膛温度、二次风OFA1流量、二次风OFA2流量、二次风前端风1、二次风前端风2、一次风量、喷氨流量和主蒸汽流量;组合3:炉膛温度、一级炉排一次风流量、二级炉排一次风流量、三级炉排一次风流量、总风量、进水流量、喷氨流量和主蒸汽流量;组合4:炉膛温度、一次风、总风量、进水流量、进水温度、喷氨流量和主蒸汽流量;组合5:一级炉排一次风流量、二级炉排一次风流量、三级炉排一次风流量、二次风OFA2流量、二次风前端风1、二次风前端风2、一次风量、喷氨流量……。
在所述步骤S3中,所述预测子模型可写入企业DCS控制系统中。在企业不要求控制方法写入DCS系统中时,步骤S3中的浓度预测模型可采用神经网络、支持向量机、核偏最小二乘法的非线性建模方法。
S4:获取各个预测子模型的输出权重Wi,可得到各个子模型预测值为Cprei=Mi*Wi,将各子模型进行组合,得到预测组合模型Mi(t),其预测输出为Cpre(t)=∑Mi(t)*Wi,其中,Cpre(t)为t时刻的NOx浓度排放预测值;根据目标函数并基于粒子群算法对预测组合模型的权重进行寻优求解;其中所述目标函数为粒子群算法的计算目标函数,即获得目标函数E最小时的各个预测子模型的输出权重值Wi;其中,i为特征变量个数;j为样本数据数量;Cpre为模型预测值、C实际为NOx浓度实际排放值。
S5:根据预设的滞后时间t1+1、t1+2、t1+3、t1+4和t1+5分别对所述运行参数进行时间平移,以获取进行时间平移后的t-t1+1、t-t1+2、t-t1+3、t-t1+4和t-t1+5时刻的各个所述运行参数,并重复所述步骤S3-S4以获取t+1、t+2、t+3、t+4和t+5时刻的预测组合模型M(t+1)、M(t+2)、M(t+3)、M(t+4)和M(t+5),从而获得各个所述预测组合模型的预测输出值Cpre(t+1)、Cpre(t+2)、Cpre(t+3)、Cpre(t+4)和Cpre(t+5)。
在所述步骤S5中,建立了未来时刻5个时刻的预测组合模型M(t+1)、M(t+2)、M(t+3)、M(t+4)和M(t+5),从而可获得未来5个时刻NOx浓度排放预测值。
S6:获取NOx浓度排放的控制目标值C目标,根据各个所述预测输出值,NOx浓度排放控制目标值C目标,以及预设的预测输出值-控制目标值-喷氨流量的关系,获得各个所述预测输出值对应的时刻的喷氨流量。
在所述步骤S6中,所述预测组合模型是利用分段函数F(x)获得,计算得到了当前t时刻喷氨流量或阀门开度值,参与喷氨量的调节,其中,x=1,2,3,4,5,6。
S7:将各个时刻的喷氨流量作为对应时刻的喷氨阀门的PID控制目标值。
在所述步骤S7中,所述PID控制设定值设有最大上限值和最小下限值,以防止喷氨流量输出过大或过小。
相对于现有技术,本发明的基于多模型加权预测的垃圾焚烧炉脱硝控制方法建立了多个预测子模型,通过预测子模型的加权组合得到预测组合模型,并对当前时刻和未来多个时刻的NOx浓度排放进行预测,并参与控制中。该控制方式将未来时刻的NOx浓度排放变化考虑在内,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,实现垃圾焚烧炉脱硝控制的安全、环保和经济运行。
在一个可行的实施例中,所述步骤S6,获取NOx浓度排放的控制目标值C目标,根据各个所述预测输出值,NOx浓度排放控制目标值C目标,以及预设的预测输出值-控制设定值-喷氨流量的关系,获得各个所述预测输出值对应的时刻的喷氨流量,包括以下步骤:
S61:将所述预测输出值Cpre(t)与NOx浓度排放控制设定值C目标的差值作为分段函数F1(x)的输入,计算得到t时刻的喷氨流量V1。
在一个可行的实施例中,所述步骤S6,获取NOx浓度排放的控制目标值C目标,根据各个所述预测输出值,NOx浓度排放控制设定值C目标,以及预设的预测输出值-控制设定值-喷氨流量的关系,获得各个所述预测输出值对应的时刻的喷氨流量,包括以下步骤:
S62:将所述预测输出值Cpre(t+1)与NOx浓度排放控制设定值C目标的差值作为分段函数F2(x)的输入,计算得到t+1时刻的喷氨流量V2。
在一个可行的实施例中,所述步骤S6,获取NOx浓度排放的控制目标值C目标,根据各个所述预测输出值,NOx浓度排放控制设定值C目标,以及预设的预测输出值-控制设定值-喷氨流量的关系,获得各个所述预测输出值对应的时刻的喷氨流量,包括以下步骤:
S63:将所述预测输出值Cpre(t+2)与NOx浓度排放控制设定值C目标的差值作为分段函数F3(x)的输入,计算得到t+2时刻的喷氨流量V3。
在一个可行的实施例中,所述步骤S6,获取NOx浓度排放的控制目标值C目标,根据各个所述预测输出值,NOx浓度排放控制设定值C目标,以及预设的预测输出值-控制设定值-喷氨流量的关系,获得各个所述预测输出值对应的时刻的喷氨流量,包括以下步骤:
S64:将所述预测输出值Cpre(t+3)与NOx浓度排放控制设定值C目标的差值作为分段函数F4(x)的输入,计算得到t+3时刻的喷氨流量V4。
在一个可行的实施例中,所述步骤S6,获取NOx浓度排放的控制目标值C目标,根据各个所述预测输出值,NOx浓度排放控制设定值C目标,以及预设的预测输出值-控制设定值-喷氨流量的关系,获得各个所述预测输出值对应的时刻的喷氨流量,包括以下步骤:
S65:将所述预测输出值Cpre(t+4)与NOx浓度排放控制设定值C目标的差值作为分段函数F5(x)的输入,计算得到t+4时刻的喷氨流量V5。
在一个可行的实施例中,所述步骤S6,获取NOx浓度排放的控制目标值C目标,根据各个所述预测输出值,NOx浓度排放控制设定值C目标,以及预设的预测输出值-控制设定值-喷氨流量的关系,获得各个所述预测输出值对应的时刻的喷氨流量,包括以下步骤:
S66:将所述预测输出值Cpre(t+5)与NOx浓度排放控制设定值C目标的差值作为分段函数F6(x)的输入,计算得到t+5时刻的喷氨流量V6。
其中,所述步骤S61-S66之间不存在先后顺序的限制,其执行过程可以是相对独立的,也可以根据用户使用需要或系统的默认设置的决定。
在一个可行的实施例中,所述步骤S4中,所述预测组合模型是对应时刻的各个预测子模型加权输出得到的。
在一个可行的实施例中,在所述步骤S3中的建立每个所述预测子模型所用的特征变量不同,得到的βi回归系数βi以及常数b也不相同,以保证各个子模型预测具有一定的差异性。
本发明的基于多模型加权预测的垃圾焚烧炉脱硝控制方法,建立了多个差异化的预测子模型,通过预测子模型的加权组合得到预测组合模型,并对当前时刻和未来多个时刻的NOx浓度排放进行预测,并参与控制中。该控制方式将未来时刻的NOx浓度排放变化考虑在内,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,实现垃圾焚烧炉脱硝控制的安全、环保和经济运行。
尽管已经示出和描述了本发明的实施例,对于本领域的普通技术人员而言,可以理解在不脱离本发明的原理和精神的情况下可以对这些实施例进行多种变化、修改、替换和变型,本发明的范围由所附权利要求及其等同物限定。
Claims (7)
1.一种基于多模型加权预测的垃圾焚烧炉脱硝控制方法,其特征在于,包括以下步骤:
S1:获取垃圾焚烧炉的运行参数和NOx浓度排放,所述运行参数包括炉膛温度、一次风量、总风量、进水温度、进水流量、喷氨流量和主蒸汽流量;基于皮尔逊相关性分析,计算出各个所述运行参数和所述NOx浓度排放之间的相关度,将若干个相关度最大的对NOx浓度排放有影响的所述运行参数确定为特征变量;
S2:对选择特征变量进行时间平移,并计算各特征变量与NOx浓度排放之间的相关度,获得最大相关度时的时间平移值,作为特征变量的滞后时间,经过该步骤可获得滞后时间为t1;
S3:获取当前时刻t,根据计算得到的滞后时间t1对各个所述运行参数进行时间平移,以获取进行时间平移后的t-t1时刻的各个特征变量:将所述特征变量进行组合以作为训练样本,并结合最小二乘法建立若干个预测子模型Mi(i=1,2,3……,n);其中,最小二乘法模型公式如公式(1)所示:
其中,Y表示模型的计算输出;Xi为特征变量;βi为回归系数;b为常数;其中,每个所述预测子模型所用的特征变量不同,得到的回归系数βi以及常数b也不相同;
S4:获取各个预测子模型的输出权重Wi,可得到各个子模型预测值为Cprei=Mi*Wi,将各子模型进行组合,得到预测组合模型Mi(t),其预测输出为Cpre(t)=∑Mi(t)*Wi,其中,Cpre(t)为t时刻的NOx浓度排放预测值;根据目标函数并基于粒子群算法对预测组合模型的权重进行寻优求解;其中所述目标函数为粒子群算法的计算目标函数,即获得目标函数E最小时的各个预测子模型的输出权重值Wi;其中,i为特征变量个数;j为样本数据数量;Cpre为模型预测值、C实际为NOx浓度实际排放值;其中,所述预测组合模型是对应时刻的各个预测子模型加权输出得到的;
S5:根据预设的滞后时间t1+1、t1+2、t1+3、t1+4和t1+5分别对所述特征变量进行时间平移,以获取进行时间平移后的t-t1+1、t-t1+2、t-t1+3、t-t1+4和t-t1+5时刻的各个所述特征变量,并重复所述步骤S3-S4以获取t+1、t+2、t+3、t+4和t+5时刻的预测组合模型M(t+1)、M(t+2)、M(t+3)、M(t+4)和M(t+5),从而获得各个所述预测组合模型的预测输出值Cpre(t+1)、Cpre(t+2)、Cpre(t+3)、Cpre(t+4)和Cpre(t+5);
S6:获取NOx浓度排放的控制目标值C目标,根据各个所述预测输出值,NOx浓度排放控制目标值C目标,以及预设的预测输出值-控制目标值-喷氨流量的关系,获得各个所述预测输出值对应的时刻的喷氨流量;
S7:将各个时刻的喷氨流量作为对应时刻的喷氨阀门的PID控制目标值。
2.根据权利要求1所述的一种基于多模型加权预测的垃圾焚烧炉脱硝控制方法,其特征在于,所述步骤S6,获取NOx浓度排放的控制目标值C目标,根据各个所述预测输出值,NOx浓度排放控制目标值C目标,以及预设的预测输出值-控制设定值-喷氨流量的关系,获得各个所述预测输出值对应的时刻的喷氨流量,包括以下步骤:
S61:将所述预测输出值Cpre(t)与NOx浓度排放控制设定值C目标的差值作为分段函数F1(x)的输入,计算得到t时刻的喷氨流量V1。
3.根据权利要求1所述的一种基于多模型加权预测的垃圾焚烧炉脱硝控制方法,其特征在于,所述步骤S6,获取NOx浓度排放的控制目标值C目标,根据各个所述预测输出值,NOx浓度排放控制设定值C目标,以及预设的预测输出值-控制设定值-喷氨流量的关系,获得各个所述预测输出值对应的时刻的喷氨流量,包括以下步骤:
S62:将所述预测输出值Cpre(t+1)与NOx浓度排放控制设定值C目标的差值作为分段函数F2(x)的输入,计算得到t+1时刻的喷氨流量V2。
4.根据权利要求1所述的一种基于多模型加权预测的垃圾焚烧炉脱硝控制方法,其特征在于,所述步骤S6,获取NOx浓度排放的控制目标值C目标,根据各个所述预测输出值,NOx浓度排放控制设定值C目标,以及预设的预测输出值-控制设定值-喷氨流量的关系,获得各个所述预测输出值对应的时刻的喷氨流量,包括以下步骤:
S63:将所述预测输出值Cpre(t+2)与NOx浓度排放控制设定值C目标的差值作为分段函数F3(x)的输入,计算得到t+2时刻的喷氨流量V3。
5.根据权利要求1所述的一种基于多模型加权预测的垃圾焚烧炉脱硝控制方法,其特征在于,所述步骤S6,获取NOx浓度排放的控制目标值C目标,根据各个所述预测输出值,NOx浓度排放控制设定值C目标,以及预设的预测输出值-控制设定值-喷氨流量的关系,获得各个所述预测输出值对应的时刻的喷氨流量,包括以下步骤:
S64:将所述预测输出值Cpre(t+3)与NOx浓度排放控制设定值C目标的差值作为分段函数F4(x)的输入,计算得到t+3时刻的喷氨流量V4。
6.根据权利要求1所述的一种基于多模型加权预测的垃圾焚烧炉脱硝控制方法,其特征在于,所述步骤S6,获取NOx浓度排放的控制目标值C目标,根据各个所述预测输出值,NOx浓度排放控制设定值CC目标,以及预设的预测输出值-控制设定值-喷氨流量的关系,获得各个所述预测输出值对应的时刻的喷氨流量,包括以下步骤:
S65:将所述预测输出值Cpre(t+4)与NOx浓度排放控制设定值C目标的差值作为分段函数F5(x)的输入,计算得到t+4时刻的喷氨流量V5。
7.根据权利要求1所述的一种基于多模型加权预测的垃圾焚烧炉脱硝控制方法,其特征在于,所述步骤S6,获取NOx浓度排放的控制目标值C目标,根据各个所述预测输出值,NOx浓度排放控制设定值C目标,以及预设的预测输出值-控制设定值-喷氨流量的关系,获得各个所述预测输出值对应的时刻的喷氨流量,包括以下步骤:
S66:将所述预测输出值Cpre(t+5)与NOx浓度排放控制设定值C目标的差值作为分段函数F6(x)的输入,计算得到t+5时刻的喷氨流量V6。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111447443.1A CN114183760B (zh) | 2021-12-01 | 2021-12-01 | 一种基于多模型加权预测的垃圾焚烧炉脱硝控制方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111447443.1A CN114183760B (zh) | 2021-12-01 | 2021-12-01 | 一种基于多模型加权预测的垃圾焚烧炉脱硝控制方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114183760A CN114183760A (zh) | 2022-03-15 |
CN114183760B true CN114183760B (zh) | 2024-03-12 |
Family
ID=80603126
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111447443.1A Active CN114183760B (zh) | 2021-12-01 | 2021-12-01 | 一种基于多模型加权预测的垃圾焚烧炉脱硝控制方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114183760B (zh) |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CA2826637A1 (en) * | 2011-02-14 | 2012-08-23 | Xylem Water Solutions Zelienople, Llc | Method and system for controlling carbon source feed to denitrification filters |
CN107168065A (zh) * | 2017-06-20 | 2017-09-15 | 上海海事大学 | 一种用于选择性催化还原脱硝装置的控制方法及系统 |
CN110263395A (zh) * | 2019-06-06 | 2019-09-20 | 东南大学 | 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 |
CN111860923A (zh) * | 2019-04-25 | 2020-10-30 | 华北电力大学(保定) | 基于多模型聚类集成的锅炉烟气NOx排放量预测算法 |
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 |
CN113360844A (zh) * | 2021-04-27 | 2021-09-07 | 国能南京电力试验研究有限公司 | 加权系数法计算复合烟囱NOx浓度小时均值的方法 |
-
2021
- 2021-12-01 CN CN202111447443.1A patent/CN114183760B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CA2826637A1 (en) * | 2011-02-14 | 2012-08-23 | Xylem Water Solutions Zelienople, Llc | Method and system for controlling carbon source feed to denitrification filters |
CN107168065A (zh) * | 2017-06-20 | 2017-09-15 | 上海海事大学 | 一种用于选择性催化还原脱硝装置的控制方法及系统 |
CN111860923A (zh) * | 2019-04-25 | 2020-10-30 | 华北电力大学(保定) | 基于多模型聚类集成的锅炉烟气NOx排放量预测算法 |
CN110263395A (zh) * | 2019-06-06 | 2019-09-20 | 东南大学 | 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 |
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 |
CN113360844A (zh) * | 2021-04-27 | 2021-09-07 | 国能南京电力试验研究有限公司 | 加权系数法计算复合烟囱NOx浓度小时均值的方法 |
Non-Patent Citations (1)
Title |
---|
基于智慧模型的脱硝控制系统优化;孙哲;刘振波;;华电技术(第09期);第43-50页 * |
Also Published As
Publication number | Publication date |
---|---|
CN114183760A (zh) | 2022-03-15 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Primbs et al. | Stochastic receding horizon control of constrained linear systems with state and control multiplicative noise | |
CN110285403B (zh) | 基于被控参数预估的主蒸汽温度控制方法 | |
US20230252266A1 (en) | Method for predicting and controlling awater level of a series water conveyance canal on a basis of a fuzzy neural network | |
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 | |
Saez et al. | Optimisation of industrial processes at supervisory level: application to control of thermal power plants | |
Yuan et al. | Modeling and optimization of coal blending and coking costs using coal petrography | |
CN113094988A (zh) | 一种基于数据驱动的浆液循环泵运行优化方法及系统 | |
CN110598929A (zh) | 一种风电功率非参数概率区间超短期预测方法 | |
CN113469449A (zh) | 脱硫系统的寻优控制方法及系统 | |
CN112742187A (zh) | 一种脱硫系统中pH值的控制方法及装置 | |
CN112364562A (zh) | 一种烟气环保岛协同控制方法及系统 | |
CN115907191A (zh) | 一种自适应建筑光伏表皮模型预测控制方法 | |
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 | |
CN114183760B (zh) | 一种基于多模型加权预测的垃圾焚烧炉脱硝控制方法 | |
Schlappa et al. | Optimizing Control of Waste Incineration Plants Using Reinforcement Learning and Digital Twins | |
CN110888401B (zh) | 火力发电机组燃烧控制优化方法、装置及可读存储介质 | |
CN116085823A (zh) | 锅炉燃烧控制方法及系统 | |
Song et al. | Optimization of temporal processes: a model predictive control approach | |
CN115034486A (zh) | 水泥窑烟气iSNCR脱硝预测控制方法 | |
Chen | Enhancing Validity of Green Building Information Modeling with Artificial-neural-network-supervised Learning--Taking Construction of Adaptive Building Envelope Based on Daylight Simulation as an Example. | |
Mozaffari et al. | A hybrid switching predictive controller with proportional integral derivative gains and GMDH neural representation of automotive engines for coldstart emission reductions | |
CN115435603B (zh) | 一种水泥烧成系统实时优化控制技术的实现方法 | |
Pina et al. | A glass furnace operation system using fuzzy modelling and genetic algorithms for performance optimisation | |
Hedrick | Reinforcement Learning for Process Control: Applications to Energy Systems | |
Prasolov et al. | Time Adjustment of the Hot-Blast Stoves Unit Using Fuzzy Logic |
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 |