CN114360656B - 选择性催化还原脱硝模型建模方法、装置及设备 - Google Patents
选择性催化还原脱硝模型建模方法、装置及设备 Download PDFInfo
- Publication number
- CN114360656B CN114360656B CN202111473744.1A CN202111473744A CN114360656B CN 114360656 B CN114360656 B CN 114360656B CN 202111473744 A CN202111473744 A CN 202111473744A CN 114360656 B CN114360656 B CN 114360656B
- Authority
- CN
- China
- Prior art keywords
- reaction rate
- reaction
- model
- catalytic reduction
- unit
- 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 52
- 238000010531 catalytic reduction reaction Methods 0.000 title claims abstract description 50
- 238000006243 chemical reaction Methods 0.000 claims abstract description 187
- 230000007246 mechanism Effects 0.000 claims abstract description 54
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 35
- 239000000376 reactant Substances 0.000 claims abstract description 30
- 239000003054 catalyst Substances 0.000 claims abstract description 28
- 230000007787 long-term memory Effects 0.000 claims abstract description 11
- 230000006870 function Effects 0.000 claims abstract description 9
- 230000006403 short-term memory Effects 0.000 claims abstract description 9
- 238000013507 mapping Methods 0.000 claims abstract description 7
- 238000012549 training Methods 0.000 claims description 33
- 230000015654 memory Effects 0.000 claims description 19
- 238000007254 oxidation reaction Methods 0.000 claims description 18
- 230000003647 oxidation Effects 0.000 claims description 14
- 230000036632 reaction speed Effects 0.000 claims description 12
- 239000013598 vector Substances 0.000 claims description 12
- 238000010276 construction Methods 0.000 claims description 8
- 238000005457 optimization Methods 0.000 claims description 8
- 230000014509 gene expression Effects 0.000 claims description 7
- 230000004913 activation Effects 0.000 claims description 5
- 230000003044 adaptive effect Effects 0.000 claims description 4
- 239000000779 smoke Substances 0.000 claims description 4
- 241000282326 Felis catus Species 0.000 claims description 3
- 239000000758 substrate Substances 0.000 claims 1
- QGZKDVFQNNGYKY-UHFFFAOYSA-N Ammonia Chemical compound N QGZKDVFQNNGYKY-UHFFFAOYSA-N 0.000 description 59
- 229910000069 nitrogen hydride Inorganic materials 0.000 description 18
- 238000012360 testing method Methods 0.000 description 13
- 229910021529 ammonia Inorganic materials 0.000 description 11
- 230000008569 process Effects 0.000 description 9
- 239000007789 gas Substances 0.000 description 7
- 238000004590 computer program Methods 0.000 description 6
- 238000010586 diagram Methods 0.000 description 6
- 238000002347 injection Methods 0.000 description 6
- 239000007924 injection Substances 0.000 description 6
- UGFAIRIUMAVXCW-UHFFFAOYSA-N Carbon monoxide Chemical compound [O+]#[C-] UGFAIRIUMAVXCW-UHFFFAOYSA-N 0.000 description 5
- 230000008901 benefit Effects 0.000 description 5
- 238000005516 engineering process Methods 0.000 description 5
- 239000003546 flue gas Substances 0.000 description 5
- 238000013528 artificial neural network Methods 0.000 description 4
- 238000002485 combustion reaction Methods 0.000 description 4
- 230000000694 effects Effects 0.000 description 4
- 238000012545 processing Methods 0.000 description 4
- 238000010606 normalization Methods 0.000 description 3
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 description 2
- BIGPRXCJEDHCLP-UHFFFAOYSA-N ammonium bisulfate Chemical compound [NH4+].OS([O-])(=O)=O BIGPRXCJEDHCLP-UHFFFAOYSA-N 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 2
- QVGXLLKOCUKJST-UHFFFAOYSA-N atomic oxygen Chemical compound [O] QVGXLLKOCUKJST-UHFFFAOYSA-N 0.000 description 2
- 239000003245 coal Substances 0.000 description 2
- 230000001419 dependent effect Effects 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 229910052760 oxygen Inorganic materials 0.000 description 2
- 239000001301 oxygen Substances 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 239000002028 Biomass Substances 0.000 description 1
- 238000009825 accumulation Methods 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 238000013398 bayesian method Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000003197 catalytic effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 239000003795 chemical substances by application Substances 0.000 description 1
- 239000003034 coal gas Substances 0.000 description 1
- 238000005260 corrosion Methods 0.000 description 1
- 230000007797 corrosion Effects 0.000 description 1
- 230000008878 coupling Effects 0.000 description 1
- 238000010168 coupling process Methods 0.000 description 1
- 238000005859 coupling reaction Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 230000003111 delayed effect Effects 0.000 description 1
- 238000002405 diagnostic procedure Methods 0.000 description 1
- 230000008030 elimination Effects 0.000 description 1
- 238000003379 elimination reaction Methods 0.000 description 1
- 238000003912 environmental pollution Methods 0.000 description 1
- 230000008020 evaporation Effects 0.000 description 1
- 238000001704 evaporation Methods 0.000 description 1
- 238000004880 explosion Methods 0.000 description 1
- 239000000446 fuel Substances 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 238000010438 heat treatment Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000013178 mathematical model Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 238000012706 support-vector machine Methods 0.000 description 1
- 238000010977 unit operation Methods 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
- 239000002699 waste material Substances 0.000 description 1
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
- G16C20/10—Analysis or design of chemical reactions, syntheses or processes
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/044—Recurrent networks, e.g. Hopfield networks
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Computing Systems (AREA)
- Life Sciences & Earth Sciences (AREA)
- Chemical & Material Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Software Systems (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Crystallography & Structural Chemistry (AREA)
- Bioinformatics & Computational Biology (AREA)
- Artificial Intelligence (AREA)
- Health & Medical Sciences (AREA)
- Computational Linguistics (AREA)
- Mathematical Physics (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Analytical Chemistry (AREA)
- Chemical Kinetics & Catalysis (AREA)
- Molecular Biology (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Databases & Information Systems (AREA)
- Medical Informatics (AREA)
- Exhaust Gas Treatment By Means Of Catalyst (AREA)
Abstract
本发明涉及脱硝模型建模技术领域，提供了一种选择性催化还原脱硝模型建模方法、装置及设备。其中方法包括：构建反应速率预测模型，所述反应速率预测模型采用长短期记忆网络算法，输入参数包括入口反应物浓度、反应条件以及催化剂状态，输出参数包括NO的反应速率的预测值和NH3的反应速率的预测值；构建反应速率机理模型，所述反应速率机理模型包括NH3‑Ox反应机理中多个阶段的反应物的反应速率的确定方式，所述确定方式用于将反应速率预测模型的输入参数映射为理论值和损失函数。将所述反应速率预测模型和所述反应速率机理模型组合后得到选择性催化还原脱硝模型。本发明提供的实施方式提供的模型具有更好的稳定性和预测准确性。
Description
技术领域
本发明涉及脱硝模型建模技术领域，具体地涉及一种选择性催化还原脱硝模型建模方法、一种选择性催化还原脱硝模型建模装置、一种选择性催化还原脱硝模型建模设备以及对应的存储介质。
背景技术
传统的低NOx燃烧控制很难满足排放标准，需配合尾部烟气脱硝装置，国内外已广泛采用SCR脱硝技术，其中最为重要的是对氨喷射系统控制。在工况稳定时，喷氨控制通常能取得较好的效果；但在机组运行条件变化时，如煤种更换、机组AGC负荷指令频繁波动、燃烧条件(如配风方式、过量空气系数等)的变化，都会使烟气NOx出现较大扰动，喷氨量很难保证最佳NH3/NOx比。当喷氨过少时，容易导致NOx排放增加甚至超标；而喷氨过量时，不仅影响脱硝效率，还致使过量氨气与烟气中SO3反应生成硫酸氢氨和硫酸氨降低催化剂活性，造成空预器积灰堵塞和腐蚀，影响锅炉安全运行，同时氨逃逸量增加也造成运行成本浪费和二次环境污染。由于SCR脱硝反应过程复杂，尤其在工况变化时具有非线性、大滞后性和强扰动的特点，难以建立准确的数学模型，使得SCR脱硝建模与优化成为当前研究的重点。
目前，SCR脱硝建模方法可分为基于催化化学反应机理的机理建模和只考虑数据的智能算法建模。其中，机理建模方法主要是通过SCR脱硝反应动力学方程来构建，由于SCR脱硝的反应机理十分复杂，采用传统的机理建模方法所建立的SCR脱硝模型需要参数多，或过于复杂导致精度不高，降低了此类模型的实用性。智能算法建模方法主要是利用统计方法或机器学习，如神经网络、支持向量机、深度学习等智能方法，采用大量运行数据进行模型训练，获得精度较高的模型，但是模型的泛化能力在变工况时仍难以保证。
SCR：(Selective Catalytic Reduction)选择性催化还原。
发明内容
本发明实施例的目的是提供一种选择性催化还原脱硝模型建模方法、装置及设备，以至少部分地解决上述问题。本发明实施例提供的方法实现了化学反应机理模型耦合智能算法模型建立SCR脱硝模型，通过简化化学反应机理模型使其具备了工程实用性，同时增强了模型变工况泛化能力，能够满足变工况工程应用精度要求。
为了实现上述目的，本发明第一方面提供了一种选择性催化还原脱硝模型建模方法，包括：
构建反应速率预测模型，所述反应速率预测模型采用长短期记忆网络算法，输入参数包括入口反应物浓度、反应条件以及催化剂状态，输出参数包括NO的反应速率的预测值和NH3的反应速率的预测值；构建反应速率机理模型，所述反应速率机理模型包括NH3-Ox反应机理中多个阶段的反应物的反应速率的确定方式，所述确定方式用于将反应速率预测模型的输入参数映射为理论值，所述理论值用于确定或修正所述反应速率预测模型的训练样本中的目标值；将所述反应速率预测模型和所述反应速率机理模型组合后得到选择性催化还原脱硝模型；所述选择性催化还原脱硝模型用于根据所述反应速率预测模型的输入参数，得到待计算的反应物的反应速度的预测值，并根据所述预测值输出所述待计算的反应物的出口浓度。
优选的，反应速率预测模型采用长短期记忆网络算法，包括：所述反应速率预测模型包括：遗忘门、输入门和输出门：
遗忘门：ft＝σ(Wf·[ht-1,xt]+bf)；
输入门：it＝σ(Wi·[ht-1,xt]+bi)；
输出门：ot＝σ(Wo·[ht-1,xt]+bo)；
输出值的表达式为：ht＝ot*tanh(Ct)；
Ct-1更新为Ct的表达式为：C′t＝tanh(WC·[ht-1,xt]+bC)，Ct＝ft*Ct-1+it*C′t；
其中，σ为sigmoid函数；Wf、Wi、WC及Wo分别为遗忘门、输入门、tanh层及输出门权值；bf、bi、bC及bo分别为遗忘门、输入门、tanh层及输出门偏置；ht-1为t-1时刻输出值；xt为t时刻输入特征量；it为输入层向量；C′t单元状态候选向量；Ct为t时刻单元状态向量；ot为输出层向量；ht为t时刻预测输出。
优选的，所述反应速率预测模型中的参数采用基于自适应动量估计梯度优化算法进行确定。
优选的，所述反应速率机理模型包括NH3-Ox反应机理中多个阶段的反应物的反应速率的确定方式，其中：
将所述NH3-Ox反应机理按下式分为两个反应阶段：
4NH3+5O2→4NO+6H2O；
4NO+4NH3+O2→4N2+6H2O；
根据所述两个反应阶段中的反应条件分别得到NO的反应速率rNO的理论值和NH3的反应速率rNH3的理论值。
优选的，所述NO的反应速率的理论值的通过以下步骤得到：
其中；rNO为NO的反应速率，即单位体积催化剂单位时间内SCR-DeNO反应和NH3-Ox反应消耗的NO的量，单位为mol/(s·m3)；kNO为NO氧化的反应速率常数；C′NO为所述入口NO浓度；θNH3为催化剂表面NH3覆盖率；
kNO通过以下方式确定：
其中，为NO氧化的反应速率常数的指前因子，单位为m3/(mol·s)；ENO为NO氧化的反应活化能，单位为kJ/mol；R为理想气体常数，单位为mol/(kJ·K)；T为反应器内温度，单位为K。
优选的，Ox的反应速率基于NH3的反应速率rNH3的转化关系，包括：
其中；rOx为Ox的反应速率，即：单位体积催化剂单位时间内SCR-DeNO反应和NH3-Ox反应消耗的NH3的量，单位为mol/(s·m3)；kOx为NH3氧化的反应速率常数；C′NO为所述入口NO浓度；θNH3为催化剂表面NH3覆盖率；
kOx通过以下方式确定：其中，k0 Ox为NH3氧化的反应速率常数的指前因子，单位为m3/(mol·s)；EOx为NH3氧化的反应活化能，单位为kJ/mol；R为理想气体常数，单位为mol/(kJ·K)；T为反应器内温度，单位为K。
优选的，根据所述预测值输出所述待计算的反应物的出口浓度，包括：
r′NO＝(C′NO-C"NO)/τs
τs＝Vcat/Vgas；其中，r’NO和r’NH3为单位体积催化剂单位时间SCR-DeNO反应和NH3-Ox反应消耗的NO和NH3的总量的预测值，单位为mol/(s·m3)；C″NO、C″NH3分别为SCR-DeNO系统出口NO浓度、NH3浓度，单位为mol/m3；C′NH3分别为SCR-DeNO系统入口NO浓度，单位为mol/m3；τs为接触时间，单位为s；Vcat为催化剂体积，单位为m3；Vgas为烟气量，单位为Nm3/h。
在本发明的第二方面，还提供了一种选择性催化还原脱硝模型建模装置，所述装置包括：
第一构建模块，用于构建反应速率预测模型，所述反应速率预测模型采用长短期记忆网络算法，输入参数包括入口反应物浓度、反应条件以及催化剂状态，输出参数包括NO的反应速率的预测值和NH3的反应速率的预测值；
第二构建模块，用于构建反应速率机理模型，所述反应速率机理模型包括NH3-Ox反应机理中多个阶段的反应物的反应速率的确定方式，所述确定方式用于将反应速率预测模型的输入参数映射为理论值，所述理论值用于确定或修正所述反应速率预测模型的训练样本中的目标值；以及
组合模块，用于将所述反应速率预测模型和所述反应速率机理模型组合后得到选择性催化还原脱硝模型；所述选择性催化还原脱硝模型用于根据所述反应速率预测模型的输入参数，得到待计算的反应物的反应速度的预测值，并根据所述预测值输出所述待计算的反应物的出口浓度。
在本发明的第三方面，还提供一种选择性催化还原脱硝模型建模设备，包括：至少一个处理器；存储器，与所述至少一个处理器连接；其中，所述存储器存储有能被所述至少一个处理器执行的指令，所述至少一个处理器通过执行所述存储器存储的指令实现前述的选择性催化还原脱硝模型建模方法。
本发明第四方面提供了一种机器可读存储介质，该机器可读存储介质上存储有指令，该指令在被处理器执行时使得处理器被配置成执行前述的选择性催化还原脱硝模型建模方法。
本发明第五方面提供一种计算机程序产品，包括计算机程序，该计算机程序在被处理器执行时实现上述的选择性催化还原脱硝模型建模方法。
本发明提供的实施方式具有以下有益效果：
(1)实现了化学反应机理模型耦合智能算法模型建立SCR脱硝模型，通过简化化学反应机理模型使其具备了工程实用性，解决了机理模型精度不高和工程实用问题；采用机理模型耦合智能算法模型建立SCR脱硝模型，解决了模型的泛化能力在变工况时仍难以保证的问题。
(2)在线采集相关参数，通过自训练实现权值的自更新，实时建立化学反应机理耦合智能算法的SCR脱硝模型，能够应用于先进模型预测控制技术，对喷氨模型预测控制提供有效指导。
(3)本发明的降低了对训练样本的选择要求，可行性高，具有显著的工业应用前景。
本发明实施例或实施方式的其它特征和优点将在随后的具体实施方式部分予以详细说明。
附图说明
附图是用来提供对本发明实施例的进一步理解，并且构成说明书的一部分，与下面的具体实施方式一起用于解释本发明实施例，但并不构成对本发明实施例的限制。在附图中：
图1示意性示出了根据本发明实施方式的选择性催化还原脱硝模型建模方法的步骤示意图；
图2示意性示出了根据本发明实施方式的选择性催化还原脱硝模型的数据流示意图；
图3示意性示出了根据本发明实施方式的LSTM的拓扑结构示意图；
图4示意性示出了根据本发明实施方式的LSTM算法超参数优化流程图；
图5示意性示出了根据本发明实施方式的LSTM算法在线建模预测流程图；
图6示意性示出了根据本发明实施方式的SCR脱硝系统图；
图7示意性示出了根据本发明实施方式的NO浓度测试样本预测值和实际值对比图；
图8示意性示出了根据本发明实施方式的NO浓度测试样本相对误差图；
图9示意性示出了根据本发明实施方式的选择性催化还原脱硝模型建模装置的模块示意图。
具体实施方式
以下结合附图对本发明实施例的具体实施方式进行详细说明。应当理解的是，此处所描述的具体实施方式仅用于说明和解释本发明实施例，并不用于限制本发明实施例。
图1示意性示出了根据本发明实施方式的选择性催化还原脱硝模型建模方法的步骤示意图，如图1所示。一种选择性催化还原脱硝模型建模方法，所述诊断方法包括：
S01、构建反应速率预测模型，所述反应速率预测模型采用长短期记忆网络算法，输入参数包括入口反应物浓度、反应条件以及催化剂状态，输出参数包括：NO的反应速率rNO和NH3的反应速率；
长短期记忆网络(LSTM)算法是RNN的一种改进形式，LSTM算法的优点是解决了RNN存在的梯度消失和爆炸问题，在更长序列数据中比RNN的性能表现更好。LSTM算法适合于处理和预测时间序列中间隔和延迟非常长的重要事件，LSTM算法可作为复杂的非线性单元用于构造更大型深度神经网络。本步骤采用LSTM实现中间变量rNO和rNH3的预测输出，下一步为出口NO浓度和氨逃逸等参量计算提供准确性的保证。
S02、构建反应速率机理模型，所述反应速率机理模型包括NH3-Ox反应机理中多个阶段的反应物的反应速率的确定方式，所述确定方式用于将反应速率预测模型的输入参数映射为理论值，所述理论值用于确定或修正所述反应速率预测模型的训练样本中的目标值；
本步骤基于SCR-DeNO反应动力学和作用机理建立了SCR脱硝的反应速率机理模型。为了在训练过程中衡量长短期记忆网络算法的损失，需要确定损失函数。一般的损失函数是采用训练样本中的目标值与模型的预测值之间的差异进行确定的。本申请的此步骤中无需采用训练样本中的目标值，而是根据输入参数进行理论值的计算。以此降低了对训练样本的要求，从而实现对反应速率预测模型的训练过程，进而得到模型中的参数的确定。通过简化化学反应机理模型使其具备了工程实用性，解决了现有模型精度不高和工程实用问题。从而使本实施方式的使得对反应速率预测模型的训练样本的获取范围更加广泛。
S03、将所述反应速率预测模型和所述反应速率机理模型组合后得到选择性催化还原脱硝模型；所述选择性催化还原脱硝模型用于根据所述反应速率预测模型的输入参数，得到待计算的反应物的反应速度的预测值，并根据所述预测值输出所述待计算的反应物的出口浓度。
本实施方式通过以上两个模型的结合，得到一个选择性催化还原脱硝模型。图2示意性示出了根据本发明实施方式的选择性催化还原脱硝模型的数据流示意图。如图2所示，该模型的输入参数即为反应速率预测模型的输入参数，通过获取以上输入参数的输入值，分别通过反应速率预测模型和反应速率机理模型得到中间变量rNO和rNH3，通过对于两者差值的比较，对训练过程进行反馈和评估，最终得到训练好的选择性催化还原脱硝模型，采用其进行在线预测，从而得到关联的反应物的出口浓度，进而保证SCR脱硝技术的实施效果。
通过以上实施方式，基于多个模型的融合，其鲁棒性、记忆能力、泛化能力及可扩展性优于现有技术，同时能够解决现有技术中的模型精度不高和工程实用问题。能够应用于先进模型预测控制技术，进而对喷氨模型预测控制提供有效指导。
在本发明提供的一种实施方式中，反应速率预测模型采用长短期记忆网络算法，并通过样本对其进行训练后得到。反应速率预测模型的构建主要包括：模型构建、样本获取、参数调优、模型验证、在线部署等阶段。以下分别进行说明。
图3示意性示出了根据本发明实施方式的LSTM的拓扑结构示意图，如图3所示。LSTM算法遗忘门、输入门、输出门及输出值分别表示如下：
遗忘门：ft＝σ(Wf·[ht-1,xt]+bf)；输入门：it＝σ(Wi·[ht-1,xt]+bi)；输出门：ot＝σ(Wo·[ht-1,xt]+bo)；输出值：ht＝ot*tanh(Ct)
Ct-1更新为Ct的表达式为：C′t＝tanh(WC·[ht-1,xt]+bC)；Ct＝ft*Ct-1+it*C′t。
式中，σ为sigmoid函数；Wf、Wi、WC及Wo分别为遗忘门、输入门、tanh层及输出门权值；bf、bi、bC及bo分别为遗忘门、输入门、tanh层及输出门偏置；ht-1为t-1时刻输出值；xt为t时刻输入特征量；it为输入层向量；C′t单元状态候选向量；Ct为t时刻单元状态向量；ot为输出层向量；ht为t时刻预测输出。
图4示意性示出了根据本发明实施方式的LSTM算法超参数优化流程图。如图4所示，从PI系统下载大量的历史数据，数据标准化方法采用以下的关系式：
其中，x,分别表示任意的过程数据与归一化处理数据；xmax,xmin分别表示任意过程数据所在样本集中最大值与最小值。然后将建模数据分为训练数据和测试数据，训练数据用于训练神经网络模块，测试数据用于测试神经网络的精度。训练数据、设置的超参数及初始化的权值输入LSTM算法，训练数据经LSTM算法计算后输出训练结果，并与真实结果进行对比，训练结果和实际结果之间的误差采用均方根误差来表示，均方根误差计算式见下式：
其中，yi表示第i个因变量实际值；表示第i个因变量预测值。计算得到均方根误差与设定均方根误差值对比，来决定是否更新权值，或是输出最优权值。
权值更新采用基于自适应动量估计(Adam)梯度优化算法。权值更新寻优过程中，涉及到超参数学习率的设置，为了得到最佳学习率，对学习率在一定范围内进行寻优，以提高LSTM算法的精度。
将离线最优权值和测试数据输入LSTM算法，计算得到测试误差，对比测试误差和设定精度对比，若未达到精度要求则重新调整网络超参数(学习率、隐含层数等)，超参数调整采用贝叶斯方法，贝叶斯框架的基本思想是最大化参数分布的后验，最佳参数也是在参数分布后验最大化的情况下获得，将超参数优化问题的数学描述除以C，并将1/C记作c，c的后验见下式：
其中，H为k维模型空间；Z为样本空间。直至达到精度要求，输出最优超参数和离线最优权值。
图5示意性示出了根据本发明实施方式的LSTM算法在线建模预测流程图。如图5所示，模型部署包括：数据采集是实时在线每隔5秒采集10组数据，其中前9组用于训练且包括输入和输出变量；第10组仅包括输入变量，作为预测数据，利用训练好的模型预测第10组数据的输出。数据标准化方法采用式(17)的关系式，然后将建模数据分为训练数据和预测数据，训练数据用于在线训练LSTM算法，权值更新采用基于自适应动量估计(Adam)梯度优化算法。直至得到在线最优权值。预测数据和在线最优权值输入LSTM算法后输出预测结果，反归一化预测结果得到最终的输出结果。
该反应速率预测模型在线采集与SCR-DeNO系统出口NO浓度和氨逃逸有关的运行参数，包括该系统入口NO浓度、入口NH3浓度、反应温度、氧量、烟气量、催化剂层压降及负荷7个变量为输入参数，通过自训练实现权值的自更新，实时建立反应速率预测模型，能够适应锅炉全负荷工况(并网至满负荷工况)及多燃料种类混燃工况(混燃煤、生物质、煤气等工况)。
在本发明提供的一种实施方式中，反应速率机理模型通过以下方式构建：SCR-DeNO反应采用存在NH3氧化反应(NH3-Ox)动力学机理，NH3-Ox反应机理是按以下两个反应阶段氧化为N2。
4NH3+5O2→4NO+6H2O；
4NO+4NH3+O2→4N2+6H2O；
基于SCR-DeNO和NH3-Ox反应动力学和机理模型分析可知，SCR-DeNO和NH3-Ox反应速率分别表示下式：
式中：rNO和rOx分别为单位体积催化剂单位时间内SCR-DeNO反应和NH3-Ox反应消耗的NO和NH3的量，单位mol/(s·m3)；kNO和kOx分别为NO和NH3氧化的反应速率常数，单位m3/(mol·s)；C′NO、为SCR-DeNO系统入口NO浓度，单位mol/m3；θNH3为催化剂表面NH3覆盖率；k0 NO和k0 Ox分别为NO和NH3氧化的反应速率常数的指前因子，单位m3/(mol·s)；ENO和EOx分别为NO和NH3氧化的反应活化能，单位kJ/mol；R为理想气体常数，单位mol/(kJ·K)；T为反应器内温度，单位K。
通过以上模型，可以在训练过程中得到需要预测的NO的反应速率和NH3的反应速率的理论值，从而确定损失函数，该损失函数可以为理论值与预测值之间的差值，进而完成对模型的训练。
根据SCR-DeNO系统出入口NO和NH3质量平衡，可将机理模型简化，分别得到SCR-DeNO和NH3反应速率表达式如下式：
其中：r’NO和r’NH3具有以下换算关系：r’NH＝r’NO+r’Ox；τs＝Vcat/Vgas。
式中：r’NO和r’NH3为单位体积催化剂单位时间SCR-DeNO反应和NH3-Ox反应消耗的NO和NH3的总量的预测值，单位为mol/(s·m3)；C″NO、C″NH3分别为SCR-DeNO系统出口NO浓度、NH3浓度，单位mol/m3；C′NH3分别为SCR-DeNO系统入口NO浓度，单位mol/m3；τs为接触时间，单位s；Vcat为催化剂体积，单位m3；Vgas为烟气量，单位Nm3/h。
通过以上模型，可以得到SCR-DeNO系统出口处的NO浓度和NH3浓度，进而完成了出口处的NO浓度和NH3浓度的预测。
为了使本领域技术人员理解和实施本发明实施方式，以下通过实际应用场景对本发明实施例中的选择性催化还原脱硝模型建模方法所得到的选择性催化还原脱硝模型的使用进行说明，并对使用效果验证如下：
图6示意性示出了根据本发明实施方式的SCR脱硝系统图，如图6所示。示例对象是600MW燃煤锅炉机组，配置低NOx双调风旋流燃烧器，并采用SCR-DeNO工艺，脱硝剂为液氨，液氨蒸发采用蒸汽加热方式。SCR脱硝设备安装在省煤器与空预器之间。脱硝催化剂按2+1层布置，针对该机组的A侧SCR-DeNO系统进行实验研究和数据采集。
依据建模对象特点，输入变量数据采集包括入口NO浓度、入口NH3浓度、反应温度、氧量、烟气量、催化剂层压降及负荷7个变量，同时采集出口NO浓度、出口NH3浓度、烟气量计算得到NO脱除反应速率和NH3消耗反应速率作为输出参数。且为了满足全负荷脱硝的要求，输入和输出样本必须包括全负荷工况。为了研究机组调峰不同负荷工况下模型对NO排放浓度和氨逃逸的预测结果，在4个实验负荷中由低到高各取23组数据组成训练数据，各取7组数据组成测试数据。经奇异点分析，去掉一组300MW运行数据，因此选取92组数据为训练数据，27组为测试数据。
图7示意性示出了根据本发明实施方式的NO浓度测试样本预测值和实际值对比图。如图7所示，测试样本的预测值对实际值的逼近能力很好。
图8示意性示出了根据本发明实施方式的NO浓度测试样本相对误差图。如图8所示，可以看出相对误差在±10％之间的训练样本占比为95.7％以上，测试精度也很高。表明基于反应机理模型和LSTM算法建立的SCR预测模型的泛化能力较好。
图9示意性示出了根据本发明实施方式的选择性催化还原脱硝模型建模装置的模块示意图。在本实施方式中，还提供了一种选择性催化还原脱硝模型建模装置，所述装置包括：第一构建模块，用于构建反应速率预测模型，所述反应速率预测模型采用长短期记忆网络算法，输入参数包括入口反应物浓度、反应条件以及催化剂状态，输出参数包括NO的反应速率的预测值和NH3的反应速率的预测值；第二构建模块，用于构建反应速率机理模型，所述反应速率机理模型包括NH3-Ox反应机理中多个阶段的反应物的反应速率的确定方式，所述确定方式用于将反应速率预测模型的输入参数映射为理论值，所述理论值用于确定或修正所述反应速率预测模型的训练样本中的目标值；以及组合模块，用于将所述反应速率预测模型和所述反应速率机理模型组合后得到选择性催化还原脱硝模型；所述选择性催化还原脱硝模型用于根据所述反应速率预测模型的输入参数，得到待计算的反应物的反应速度的预测值，并根据所述预测值输出所述待计算的反应物的出口浓度。
上述的选择性催化还原脱硝模型建模装置中的各个功能模块的具体限定可以参见上文中对于选择性催化还原脱硝模型建模方法的限定，在此不再赘述。上述装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中，也可以以软件形式存储于计算机设备中的存储器中，以便于处理器调用执行以上各个模块对应的操作。
在本发明提供的一种实施方式中，还提供了选择性催化还原脱硝模型建模设备，包括：至少一个处理器；存储器，与所述至少一个处理器连接；其中，所述存储器存储有能被所述至少一个处理器执行的指令，所述至少一个处理器通过执行所述存储器存储的指令实现前述的选择性催化还原脱硝模型建模方法。此处的控制模块或处理器具有数值计算和逻辑运算的功能，其至少具有数据处理能力的中央处理器CPU、随机存储器RAM、只读存储器ROM、多种I/O口和中断系统等。处理器中包含内核，由内核去存储器中调取相应的程序单元。内核可以设置一个或以上，通过调整内核参数来实现前述的方法。存储器可能包括计算机可读介质中的非永久性存储器，随机存取存储器(RAM)和/或非易失性内存等形式，如只读存储器(ROM)或闪存(flash RAM)，存储器包括至少一个存储芯片。
在本发明提供的一种实施方式中，还提供一种机器可读存储介质，该机器可读存储介质上存储有指令，该指令在被处理器执行时使得处理器被配置成执行前述的选择性催化还原脱硝模型建模方法。
在本发明提供的一种实施方式中，提供了一种计算机程序产品，包括计算机程序，该计算机程序在被处理器执行时实现上述的选择性催化还原脱硝模型建模方法。
本领域内的技术人员应明白，本申请的实施例可提供为方法、系统、或计算机程序产品。因此，本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
还需要说明的是，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、商品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、商品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括要素的过程、方法、商品或者设备中还存在另外的相同要素。
以上仅为本申请的实施例而已，并不用于限制本申请。对于本领域技术人员来说，本申请可以有各种更改和变化。凡在本申请的精神和原理之内所作的任何修改、等同替换、改进等，均应包含在本申请的权利要求范围之内。
Claims (8)
1.一种选择性催化还原脱硝模型建模方法，其特征在于，所述方法包括：
构建反应速率预测模型，所述反应速率预测模型采用长短期记忆网络算法，所述反应速率预测模型包括：遗忘门、输入门和输出门，输入参数包括入口反应物浓度、反应条件以及催化剂状态，输出参数包括NO的反应速率的预测值和NH3的反应速率的预测值；
构建反应速率机理模型，所述反应速率机理模型包括NH3-Ox反应机理中的反应物的反应速率的确定方式，所述确定方式用于将反应速率预测模型的输入参数映射为理论值，所述理论值用于确定或修正所述反应速率预测模型的训练样本中的目标值；其中：将所述NH3-Ox反应机理按下式分为两个反应阶段：4NH3+5O2→4NO+6H2O；4NO+4NH3+O2→4N2+6H2O；根据所述两个反应阶段中的反应条件分别得到NO的反应速率的理论值和NH3的反应速率的理论值；NH3的反应速率的理论值等于NO的反应速率的理论值加上NH3在氧化反应中的反应速率的理论值；
其中，所述NH3在氧化反应中的反应速率的理论值通过以下步骤得到：
其中；rOx为NH3在氧化反应中的反应速率的理论值，即单位体积催化剂单位时间内在NH3-Ox反应中消耗的NH3的量，单位为mol/(s·m3)；kOx为NH3氧化的反应速率常数；C′NO为所述入口NO浓度；θNH3为催化剂表面NH3覆盖率；kOx通过以下方式确定：
其中，k0 Ox为NH3氧化的反应速率常数的指前因子，单位为m3/(mol·s)；EOx为NH3氧化的反应活化能，单位为kJ/mol；R为理想气体常数，单位为mol/(kJ·K)；T为反应器内温度，单位为K；
将所述反应速率预测模型和所述反应速率机理模型组合后得到选择性催化还原脱硝模型；所述选择性催化还原脱硝模型用于根据所述反应速率预测模型的输入参数，得到待计算的反应物的反应速度的预测值，并根据所述预测值输出所述待计算的反应物的出口浓度。
2.根据权利要求1所述的方法，其特征在于，
遗忘门：ft＝σ(Wf·[ht-1,xt]+bf)；
输入门：it＝σ(Wi·[ht-1,xt]+bi)；
输出门：ot＝σ(Wo·[ht-1,xt]+bo)；
输出值的表达式为：ht＝ot*tanh(Ct)；
Ct-1更新为Ct的表达式为：C′t＝tanh(WC·[ht-1,xt]+bC)，Ct＝ft*Ct-1+it*C′t；
其中，σ为sigmoid函数；
Wf、Wi、WC及Wo分别为遗忘门、输入门、tanh层及输出门权值；
bf、bi、bC及bo分别为遗忘门、输入门、tanh层及输出门偏置；
ht-1为t-1时刻输出值；
xt为t时刻输入特征量；
it为输入层向量；
C′t单元状态候选向量；
Ct为t时刻单元状态向量；
ot为输出层向量；
ht为t时刻预测输出。
3.根据权利要求2所述的方法，其特征在于，所述反应速率预测模型中的参数采用基于自适应动量估计梯度优化算法进行确定。
4.根据权利要求1所述的方法，其特征在于，所述NO的反应速率的理论值的通过以下步骤得到：
其中，
rNO为NO的反应速率的理论值，即单位体积催化剂单位时间内SCR-DeNO反应所消耗的NO的量，单位为mol/(s·m3)；
kNO为NO氧化的反应速率常数；
C′NO为所述入口NO浓度；
θNH3为催化剂表面NH3覆盖率；
kNO通过以下方式确定：
其中，k0 NO为NO氧化的反应速率常数的指前因子，单位为m3/(mol·s)；
ENO为NO氧化的反应活化能，单位为kJ/mol；
R为理想气体常数，单位为mol/(kJ·K)；
T为反应器内温度，单位为K。
5.根据权利要求1所述的方法，其特征在于，根据所述预测值输出所述待计算的反应物的出口浓度，包括：
r′NO＝(C′NO-C″NO)/τs
τs＝Vcat/Vgas；
其中，r’NO和r’NH3分别为单位体积催化剂单位时间SCR-DeNO反应和NH3-Ox反应消耗的NO和NH3的总量的预测值，单位为mol/(s·m3)；
C″NO、C″NH3分别为SCR-DeNO系统出口NO浓度、NH3浓度，单位为mol/m3；
C′NH3分别为SCR-DeNO系统入口NO浓度，单位为mol/m3；
τs为接触时间，单位为s；
Vcat为催化剂体积，单位为m3；
Vgas为烟气量，单位为Nm3/h。
6.一种选择性催化还原脱硝模型建模装置，用于实现权利要求1至5中任一项权利要求所述的选择性催化还原脱硝模型建模方法，其特征在于，所述装置包括：
第一构建模块，用于构建反应速率预测模型，所述反应速率预测模型采用长短期记忆网络算法，输入参数包括入口反应物浓度、反应条件以及催化剂状态，输出参数包括NO的反应速率的预测值和NH3的反应速率的预测值；
第二构建模块，用于构建反应速率机理模型，所述反应速率机理模型包括NH3-Ox反应机理中多个阶段的反应物的反应速率的确定方式，所述确定方式用于将反应速率预测模型的输入参数映射为理论值，所述理论值用于确定或修正所述反应速率预测模型的训练样本中的目标值；以及
组合模块，用于将所述反应速率预测模型和所述反应速率机理模型组合后得到选择性催化还原脱硝模型；所述选择性催化还原脱硝模型用于根据所述反应速率预测模型的输入参数，得到待计算的反应物的反应速度的预测值，并根据所述预测值输出所述待计算的反应物的出口浓度。
7.一种选择性催化还原脱硝模型建模设备，其特征在于，包括：至少一个处理器；
存储器，与所述至少一个处理器连接；
其中，所述存储器存储有能被所述至少一个处理器执行的指令，所述至少一个处理器通过执行所述存储器存储的指令实现权利要求1至5中任一项权利要求所述的选择性催化还原脱硝模型建模方法。
8.一种机器可读存储介质，其特征在于，该机器可读存储介质上存储有指令，该指令在被处理器执行时使得处理器被配置成执行权利要求1至5中任一项权利要求所述的选择性催化还原脱硝模型建模方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111473744.1A CN114360656B (zh) | 2021-11-30 | 2021-11-30 | 选择性催化还原脱硝模型建模方法、装置及设备 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111473744.1A CN114360656B (zh) | 2021-11-30 | 2021-11-30 | 选择性催化还原脱硝模型建模方法、装置及设备 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN114360656A CN114360656A (zh) | 2022-04-15 |
| CN114360656B true CN114360656B (zh) | 2024-09-13 |
Family
ID=81097503
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202111473744.1A Active CN114360656B (zh) | 2021-11-30 | 2021-11-30 | 选择性催化还原脱硝模型建模方法、装置及设备 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114360656B (zh) |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113112072A (zh) * | 2021-04-12 | 2021-07-13 | 上海电力大学 | 一种基于深度双向LSTM的NOx排放含量预测方法 |
| CN113592163A (zh) * | 2021-07-22 | 2021-11-02 | 汉谷云智(武汉)科技有限公司 | Scr脱硝反应器入口氮氧化物浓度预测方法及设备 |
-
2021
- 2021-11-30 CN CN202111473744.1A patent/CN114360656B/zh active Active
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113112072A (zh) * | 2021-04-12 | 2021-07-13 | 上海电力大学 | 一种基于深度双向LSTM的NOx排放含量预测方法 |
| CN113592163A (zh) * | 2021-07-22 | 2021-11-02 | 汉谷云智(武汉)科技有限公司 | Scr脱硝反应器入口氮氧化物浓度预测方法及设备 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN114360656A (zh) | 2022-04-15 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110368808B (zh) | 一种scr烟气脱硝系统的喷氨量控制方法及系统 | |
| CN109062053B (zh) | 一种基于多变量校正的脱硝喷氨控制方法 | |
| CN104826493B (zh) | 一种选择性催化还原法烟气脱硝系统的控制方法 | |
| Pourkiaei et al. | Modeling and experimental verification of a 25W fabricated PEM fuel cell by parametric and GMDH-type neural network | |
| CN112580250A (zh) | 基于深度学习的火电机组脱硝系统及优化控制方法 | |
| CN105629736B (zh) | 数据驱动的火电机组scr脱硝扰动抑制预测控制方法 | |
| CN105629738A (zh) | Scr烟气脱硝系统控制方法及设备 | |
| CN112488145B (zh) | 一种基于智能化方法的NOx在线预测方法及系统 | |
| CN105786035B (zh) | 基于试探式预测控制技术的火电机组scr脱硝优化控制系统 | |
| CN113433911B (zh) | 基于浓度精准预测的脱硝装置喷氨精准控制系统与方法 | |
| CN109190848A (zh) | 一种基于时延预估的SCR系统NOx排放浓度预测方法 | |
| CN111921377B (zh) | 基于机理与数据驱动的scr脱硝喷氨控制方法及系统 | |
| Meng et al. | NOx emissions prediction with a brain-inspired modular neural network in municipal solid waste incineration processes | |
| CN112613237B (zh) | 一种基于LSTM的CFB机组NOx排放浓度的预测方法 | |
| CN109670625A (zh) | 基于无迹卡尔曼滤波最小二乘支持向量机的NOx排放浓度预测方法 | |
| CN115309037A (zh) | 一种基于粒子群算法的脱硝控制智能pid自适应修正方法 | |
| Kim et al. | Comparative study of estimation methods of NO x emission with selection of input parameters for a coal-fired boiler | |
| Qiao et al. | Event-triggered adaptive model predictive control of oxygen content for municipal solid waste incineration process | |
| CN107561944A (zh) | 一种基于拉盖尔模型的脱硝系统自适应预测控制方法 | |
| Jiang et al. | Data-Driven Modeling and UFIR-Based Outlet NO $ _ {x} $ Estimation for Diesel-Engine SCR Systems | |
| Tang et al. | Predictive control of SCR denitrification system in thermal power plants based on GA‐BP and PSO | |
| CN114360656B (zh) | 选择性催化还原脱硝模型建模方法、装置及设备 | |
| 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 | |
| Li et al. | Fuzzy encoded Markov chains: Overview, observer theory, and applications | |
| Hassanein et al. | Parameter tuning via genetic algorithm of fuzzy controller for fire tube boiler |
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 |