CN114664389A - 一种尿素水解制氨反应条件的预测方法及装置 - Google Patents

一种尿素水解制氨反应条件的预测方法及装置 Download PDF

Info

Publication number
CN114664389A
CN114664389A CN202210296529.7A CN202210296529A CN114664389A CN 114664389 A CN114664389 A CN 114664389A CN 202210296529 A CN202210296529 A CN 202210296529A CN 114664389 A CN114664389 A CN 114664389A
Authority
CN
China
Prior art keywords
ammonia
feedforward
urea hydrolysis
target
reaction
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Granted
Application number
CN202210296529.7A
Other languages
English (en)
Other versions
CN114664389B (zh
Inventor
林廷坤
孙超凡
赵宁
李德波
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.)
China Southern Power Grid Power Technology Co Ltd
Original Assignee
China Southern Power Grid Power Technology Co Ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by China Southern Power Grid Power Technology Co Ltd filed Critical China Southern Power Grid Power Technology Co Ltd
Priority to CN202210296529.7A priority Critical patent/CN114664389B/zh
Publication of CN114664389A publication Critical patent/CN114664389A/zh
Application granted granted Critical
Publication of CN114664389B publication Critical patent/CN114664389B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16C—COMPUTATIONAL CHEMISTRY; CHEMOINFORMATICS; COMPUTATIONAL MATERIALS SCIENCE
    • G16C20/00—Chemoinformatics, i.e. ICT specially adapted for the handling of physicochemical or structural data of chemical particles, elements, compounds or mixtures
    • G16C20/10—Analysis or design of chemical reactions, syntheses or processes
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
    • G06F18/2135—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods based on approximation criteria, e.g. principal component analysis
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16C—COMPUTATIONAL CHEMISTRY; CHEMOINFORMATICS; COMPUTATIONAL MATERIALS SCIENCE
    • G16C10/00—Computational theoretical chemistry, i.e. ICT specially adapted for theoretical aspects of quantum chemistry, molecular mechanics, molecular dynamics or the like

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Computing Systems (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Physics & Mathematics (AREA)
  • Chemical & Material Sciences (AREA)
  • Data Mining & Analysis (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Spectroscopy & Molecular Physics (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Crystallography & Structural Chemistry (AREA)
  • Analytical Chemistry (AREA)
  • Chemical Kinetics & Catalysis (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Organic Low-Molecular-Weight Compounds And Preparation Thereof (AREA)

Abstract

本发明公开了一种尿素水解制氨反应条件的预测方法及装置，其方法包括：响应于条件预测指令，确定预置的机组稳态阶段需氨量预测模型中的目标自变量；获取目标自变量的实时值，并将所有实时值输入至机组稳态阶段需氨量预测模型，得到目标需氨量；根据尿素水解化学反应式，结合以及反应动力学方程及阿伦乌尼斯理论，确定尿素水解制氨反应速率方程；获取反应体积，并基于尿素水解制氨反应速率方程，计算得到氨生产量动力学模型；将目标需氨量输入氨生产量动力学模型，输出尿素水解制氨反应条件。从而解决火电机组快速变负荷阶段，尿素水解制氨反应慢、延迟大、供氨响应差的问题。

Description

一种尿素水解制氨反应条件的预测方法及装置
技术领域
本发明涉及尿素水解制氨技术技域，尤其涉及一种尿素水解制氨反应条件的预测方法及装置。
背景技术
目前，尿素制氨的工艺主要分为尿素热解制氨和水解制氨技术，其中，水解制氨技术因能耗和运行成本较低，在火电厂脱硝系统中广泛应用。现阶段，尿素水解制氨系统主要通过调节尿素溶液流量来维持尿素水解器的工作液位，通过调整蒸汽的供应量来维持装置的工作压力，这些都属于反馈调节的方式。
反馈的调节方式存在较大的延迟问题：当火电机组快速升负荷需要大量的氨气时，尿素水解系统由于反应速度较慢无法及时供给氨气，造成氨气供给不足，使得氮氧化物排放浓度短时超标；当火电机组快速降负荷需要大量减少氨气时，蒸汽供给量调整不及时，容易造成系统超压，危及系统安全性。
虽然现阶段可以通过增大水解反应器的体积，存储更多的氨气，以解决快速升负荷时氨气供给不足的问题，但这会增加设备成本，同时也无法解决系统超压的问题。
发明内容
本发明提供了一种尿素水解制氨反应条件的预测方法及装置，通过尿素水解制氨反应条件的提前改变，解决火电机组快速变负荷阶段，尿素水解制氨反应慢、延迟大、供氨响应差的问题，避免烟气排放中氮氧化物超标或氨逃逸过高的现象。
第一方面，本发明提供的一种尿素水解制氨反应条件的预测方法，包括：
响应于条件预测指令，确定预置的机组稳态阶段需氨量预测模型中的目标自变量；所述条件预测指令为用户输入需氨量预测值生成；
获取所述目标自变量的实时值，并将所有所述实时值输入至所述机组稳态阶段需氨量预测模型，得到目标需氨量；
根据尿素水解化学反应式，结合以及反应动力学方程及阿伦乌尼斯理论，确定尿素水解制氨反应速率方程；
获取反应体积，并基于所述尿素水解制氨反应速率方程，计算得到氨生产量动力学模型；
将所述目标需氨量输入氨生产量动力学模型，输出尿素水解制氨反应条件；所述尿素水解制氨反应条件包括：氨生产所需温度、氨生产所需体积及氨生产所需浓度。
可选地，响应于条件预测指令，确定预置的机组稳态阶段需氨量预测模型中的目标自变量；所述条件预测指令为用户输入需氨量预测值生成，包括：
响应于所述条件预测指令，选取多个前馈因子，并计算每个所述前馈因子对于所有所述前馈因子的累积贡献率；
根据所述累积贡献率，从所述前馈因子中确定目标前馈因子；所述目标前馈因子即所述目标自变量。
可选地，根据所述累积贡献率，从所述前馈因子中确定目标前馈因子，包括：
计算所有所述前馈因子间的相关系数矩阵，并基于所述相关系数矩阵确定对应的特征值；
根据所述特征值计算所述累计贡献率，并对超过预设累计贡献率的前馈因子进行回归分析，确定所述目标自变量。
可选地，响应于所述条件预测指令，选取多个前馈因子，并计算每个所述前馈因子对于所有所述前馈因子的累积贡献率之前，还包括：
对所述前馈因子作标准化处理。
可选地，根据所述特征值计算所述累计贡献率，并对超过预设累计贡献率的前馈因子进行回归分析，确定所述目标自变量，包括：
根据所述特征值计算对应前馈因子的贡献率及对应前馈因子的累计贡献率；
将超过预设累计贡献率的前馈因子作为最优自变量；
选取与所述最优自变量同时段的多个需氨量，与所有所述前馈因子进行线性回归分析，并采用最小二乘法计算，得到所述目标自变量。
第二方面，本发明还提供了一种尿素水解制氨反应条件的预测装置，包括：
响应模块，用于响应于条件预测指令，确定预置的机组稳态阶段需氨量预测模型中的目标自变量；所述条件预测指令为用户输入需氨量预测值生成；
获取模块，用于获取所述目标自变量的实时值，并将所有所述实时值输入至所述机组稳态阶段需氨量预测模型，得到目标需氨量；
速率方程确定模块，用于根据尿素水解化学反应式，结合以及反应动力学方程及阿伦乌尼斯理论，确定尿素水解制氨反应速率方程；
动力学模型确定模块，用于获取反应体积，并基于所述尿素水解制氨反应速率方程，计算得到氨生产量动力学模型；
输出模块，用于将所述目标需氨量输入氨生产量动力学模型，输出尿素水解制氨反应条件；所述尿素水解制氨反应条件包括：氨生产所需温度、氨生产所需体积及氨生产所需浓度。
可选地，所述响应模块包括：
选取子模块，用于响应于所述条件预测指令，选取多个前馈因子，并计算每个所述前馈因子对于所有所述前馈因子的累积贡献率；
目标前馈因子确定子模块，用于根据所述累积贡献率，从所述前馈因子中确定目标前馈因子；所述目标前馈因子即所述目标自变量。
可选地，所述目标前馈因子确定子模块包括：
计算单元，用于计算所有所述前馈因子间的相关系数矩阵，并基于所述相关系数矩阵确定对应的特征值；
最优自变量确定单元，用于根据所述特征值计算所述累计贡献率，并对超过预设累计贡献率的前馈因子进行回归分析，确定所述目标自变量。
可选地，还包括：
标准化模块，用于对所述前馈因子作标准化处理。
可选地，所述最优自变量确定单元包括：
贡献率确定子单元，用于根据所述特征值计算对应前馈因子的贡献率及对应前馈因子的累计贡献率；
目标自变量确定子单元，用于将超过预设累计贡献率的前馈因子作为最优自变量；
最优自变量确定子单元，用于选取与所述最优自变量同时段的多个需氨量，与所有所述前馈因子进行线性回归分析，并采用最小二乘法计算，得到所述目标自变量。
从以上技术方案可以看出，本发明具有以下优点：
本发明通过响应于条件预测指令，确定预置的机组稳态阶段需氨量预测模型中的目标自变量；所述条件预测指令为用户输入需氨量预测值生成；获取所述目标自变量的实时值，并将所有所述实时值输入至所述机组稳态阶段需氨量预测模型，得到目标需氨量；根据尿素水解化学反应式，结合以及反应动力学方程及阿伦乌尼斯理论，确定尿素水解制氨反应速率方程；获取反应体积，并基于所述尿素水解制氨反应速率方程，计算得到氨生产量动力学模型；将所述目标需氨量输入氨生产量动力学模型，输出尿素水解制氨反应条件；所述尿素水解制氨反应条件包括：氨生产所需温度、氨生产所需体积及氨生产所需浓度。通过尿素水解制氨反应条件的提前改变，解决火电机组快速变负荷阶段，尿素水解制氨反应慢、延迟大、供氨响应差的问题，避免烟气排放中氮氧化物超标或氨逃逸过高的现象。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其它的附图；
图1为本发明的一种尿素水解制氨反应条件的预测方法实施例一的步骤流程图；
图2为本发明的一种尿素水解制氨反应条件的预测方法实施例二的步骤流程图；
图3为本发明的一种尿素水解制氨反应条件的预测装置实施例的结构框图。
具体实施方式
本发明实施例提供了尿素水解制氨反应条件的预测方法及装置，通过尿素水解制氨反应条件的提前改变，解决火电机组快速变负荷阶段，尿素水解制氨反应慢、延迟大、供氨响应差的问题，避免烟气排放中氮氧化物超标或氨逃逸过高的现象。
为使得本发明的发明目的、特征、优点能够更加的明显和易懂，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，下面所描述的实施例仅仅是本发明一部分实施例，而非全部的实施例。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它实施例，都属于本发明保护的范围。
请参阅图1，图1为本发明的一种尿素水解制氨反应条件的预测方法实施例一的步骤流程图，具体可以包括如下步骤：
步骤S101，响应于条件预测指令，确定预置的机组稳态阶段需氨量预测模型中的目标自变量；所述条件预测指令为用户输入需氨量预测值生成；
在一个可选实施例中，响应于条件预测指令，确定预置的机组稳态阶段需氨量预测模型中的目标自变量；所述条件预测指令为用户输入需氨量预测值生成，包括：
响应于所述条件预测指令，选取多个前馈因子，并计算每个所述前馈因子对于所有所述前馈因子的累积贡献率；
根据所述累积贡献率，从所述前馈因子中确定目标前馈因子；所述目标前馈因子即所述目标自变量。
需要说明的是，机组稳态阶段即机组负荷偏差小于3％的时间段。
步骤S102，获取所述目标自变量的实时值，并将所有所述实时值输入至所述机组稳态阶段需氨量预测模型，得到目标需氨量；
步骤S103，根据尿素水解化学反应式，结合以及反应动力学方程及阿伦乌尼斯理论，确定尿素水解制氨反应速率方程；
步骤S104，获取反应体积，并基于所述尿素水解制氨反应速率方程，计算得到氨生产量动力学模型；
步骤S105，将所述目标需氨量输入氨生产量动力学模型，输出尿素水解制氨反应条件；所述尿素水解制氨反应条件包括：氨生产所需温度、氨生产所需体积及氨生产所需浓度。
本发明实施例通过响应于条件预测指令，确定预置的机组稳态阶段需氨量预测模型中的目标自变量；所述条件预测指令为用户输入需氨量预测值生成；获取所述目标自变量的实时值，并将所有所述实时值输入至所述机组稳态阶段需氨量预测模型，得到目标需氨量；根据尿素水解化学反应式，结合以及反应动力学方程及阿伦乌尼斯理论，确定尿素水解制氨反应速率方程；获取反应体积，并基于所述尿素水解制氨反应速率方程，计算得到氨生产量动力学模型；将所述目标需氨量输入氨生产量动力学模型，输出尿素水解制氨反应条件；所述尿素水解制氨反应条件包括：氨生产所需温度、氨生产所需体积及氨生产所需浓度。通过尿素水解制氨反应条件的提前改变，解决火电机组快速变负荷阶段，即机组升或降负荷速率在40％/h以上的时间段，尿素水解制氨反应慢、延迟大、供氨响应差的问题，避免烟气排放中氮氧化物超标或氨逃逸过高的现象。
请参阅图2，为本发明的一种尿素水解制氨反应条件的预测方法实施例二的步骤流程图，具体包括：
步骤S201，响应于所述条件预测指令，选取多个前馈因子，并计算每个所述前馈因子对于所有所述前馈因子的累积贡献率；
需要说明的是，由于变量较多，且变量之间相关性较强，所以进行主成分降维分析。
在本发明实施例中，筛选与需氨量相关的变量，如负荷，炉膛负压，总煤量，总风量，脱硝入口氮氧化物浓度，脱硝入口温度，给水量，蒸发量等作为前馈因子。
在一个可选实施例中，响应于所述条件预测指令，选取多个前馈因子，并计算每个所述前馈因子对于所有所述前馈因子的累积贡献率之前，还包括：
对所述前馈因子作标准化处理。
在本发明实施例中，进行主成分分析的前馈因子总共有N个，在机组不同负荷(BMCR工况的30％，50％，70％,85％，100％)的稳态阶段每分钟选取各前馈因子的m个数据(m≥500，各负荷段选取不少于100个数据)，第i个前馈因子的第j个数据取值为xi,j，将各数值xi,j进行标准化处理，即：
Figure BDA0003563582290000071
Figure BDA0003563582290000072
其中，
Figure BDA0003563582290000073
是标准化处理后的数值，
Figure BDA0003563582290000074
是第i个前馈因子的平均值，
Figure BDA0003563582290000075
是第i个前馈因子的标准差。
需要说明的是，BMCR即锅炉最大出力工况。
步骤S202，计算所有所述前馈因子间的相关系数矩阵，并基于所述相关系数矩阵确定对应的特征值；
在本发明实施例中，相关系数表示的是任意两个前馈因子的相关性，相关系数矩阵定义如下：
R＝(rk，l)n×n
Figure BDA0003563582290000076
其中，rk，k＝1，rk，l＝rl，k，rk，l是第k个前馈因子和第1个前馈因子的相关系数。
特征值和特征向量的计算过程如下所示：
计算相关系数矩阵R的特征值λ1≥λ2...≥λn≥0，及对应的特征向量U1，U2，...Ui，...，Un，其中Ui＝(ui，1，ui，2，...，ui，n)。由特征向量组成的n个新变量(主成分)如下：
Figure BDA0003563582290000077
其中，j＝1，2...，m，yi，j是第i个主成分的第j个数值(对应选取的m个数据)。
步骤S203，根据所述特征值计算所述累计贡献率，并对超过预设累计贡献率的前馈因子进行回归分析，确定所述目标自变量；
在一个可选实施例中，根据所述特征值计算所述累计贡献率，并对超过预设累计贡献率的前馈因子进行回归分析，确定所述目标自变量，包括：
根据所述特征值计算对应前馈因子的贡献率及对应前馈因子的累计贡献率；
将超过预设累计贡献率的前馈因子作为最优自变量；
选取与所述最优自变量同时段的多个需氨量，与所有所述前馈因子进行线性回归分析，并采用最小二乘法计算，得到所述目标自变量。
在本发明实施例中，计算特征值λi的(i＝1，2...，n)的贡献率和累积贡献率，如下：
Figure BDA0003563582290000081
Figure BDA0003563582290000082
其中，αi是第i个主成分的贡献率，βp是前p个主成分的累积贡献率。
一般认为，累积贡献率大于85％的主成分即能表达原变量所包含的大部分信息，因此选取g个主成分，满足βg≥85％，作为下一部需氨量回归分析的自变量。
而在机组稳态阶段，脱硝进出口的氮氧化物相对稳定，此时的喷氨量近似等于需氨量，可以采用喷氨量近似代替需氨量进行线性回归分析，具体为：
选取和前馈因子同时段的m个需氨量(实际是喷氨量)数据，和主成分进行线性回归分析，采用最小二乘法进行计算，计算公式如下：
设(z，y1，y2，...yi，...，yg)是一组观测量，其中z(z＝[z1，z2，...，zm]T)是需氨量，y1，y2，...yi，...，yg(yi＝[yi，1，yi，2，...，yi，m]T)是3.1.2部分公式(5)计算得到的主成分，满足以下理论函数：
z＝f(y1，y2，...yi，...，yg，ω1，ω2，...ωi，...，ωg)
式中，ω1，ω2，...ωi，...，ωg是待测参数，f是线性变换。
为了寻找f(y1，y2，...yi，...，yg，ω1，ω2，...ωi，...，ωg)的参数ωi的最优估计，利用最小二乘法的思想，对于选取的m组数据，求解目标函数：
Figure BDA0003563582290000091
其中，L(x)称为总离差，当总离差L(x)取最小值时的参数ω1，ω2，...ωi，...，ωg即为最优估计，即：
Figure BDA0003563582290000092
Figure BDA0003563582290000093
计算决定系数，判断拟合效果，公式如下：
Figure BDA0003563582290000094
Figure BDA0003563582290000095
Figure BDA0003563582290000096
Figure BDA0003563582290000097
其中，SStot是总离差平方和；SSres是残差平方和；R2是决定系数，当R2≥0.99，认为拟合效果较好，回归方程可以用于进一步分析；若R2＜0.99，则拟合效果较差，需要更换前馈因子，重新开始计算，直至获得理想的主成分回归方程。
步骤S204，获取所述目标自变量的实时值，并将所有所述实时值输入至所述机组稳态阶段需氨量预测模型，得到目标需氨量；
需要说明的是，机组稳态阶段需氨量预测模型由标准化处理后的前馈因子，在确定特征值及特征向量后采用最小二乘法确定，即基于主成分的需氨量回归方程转化为基于前馈因子的需氨量回归方程：
Figure BDA0003563582290000101
至此，需氨量预测模型建立完毕，可用于进一步计算分析。
步骤S205，根据尿素水解化学反应式，结合以及反应动力学方程及阿伦乌尼斯理论，确定尿素水解制氨反应速率方程；
在本发明实施例中，尿素水解化学反应式如下：
CO(NH2)2+xH2O→2NH3+CO2+(x-1)H2O
ΔH＝+161.5kJ/mol
该反应要在高温、高压的条件下才能完成，属于一级动力学反应，一级反应动力学方程如下：
-rA＝kCA
其中，-rA是化学反应速率，mol/(L·min)；k是反应速率常数，min-1；CA是反应物浓度，mol/L。
然后，根据阿伦乌尼斯理论(Arrhenius theory)，随温度变化的反应速率常数可由以下经验公式表示：
Figure BDA0003563582290000102
其中，A是指前因子；E是活化能；R是摩尔气体常数；T是热力学温度。对于尿素水解制氨反应，指前因子初设为8.017x1011/min，活化能初设为112.3kJ/mol。
进而得到尿素水解制氨反应速率方程：
Figure BDA0003563582290000103
结合现场实测的反应速率可以对速率方程进行评估，采用均方根误差(root-mean-square error，RMSE)进行评估，计算公式如下：
Figure BDA0003563582290000111
其中，S表示反应速率的模拟值，O表示反应速率的观测值，N表示样本数，RMSE是有量纲的统计量，其数值越接近于0，表明模拟值与观测数据偏差越小、偏离程度越低。
对于尿素水解制氨的反应速率方程，当RMSE≤0.1mol/(L·min)，认为模拟效果较好，尿素水解制氨的反应速率方程可以用于下一步计算；若RMSE＞0.1mol/(L·min)，认为模拟效果较差，需要更新指前因子和活化能参数，迭代计算，直至获得能够反映真实情况的反应速率方程。
步骤S206，获取反应体积，并基于所述尿素水解制氨反应速率方程，计算得到氨生产量动力学模型；
在本发明实施例中，基于尿素水解制氨反应速率方程及反应体积V，可以计算得到通过尿素水解的反应条件得到氨生产量的动力学方程式，如下：
Figure BDA0003563582290000112
其中，z表示氨生产量，kg/h。
至此，氨生产量动力学模型建立完毕，可用于进一步计算分析。
步骤S207，将所述目标需氨量输入氨生产量动力学模型，输出尿素水解制氨反应条件；所述尿素水解制氨反应条件包括：氨生产所需温度、氨生产所需体积及氨生产所需浓度。
机组变负荷阶段由于机组出力快速变化，实际喷氨量与需氨量并不一致，具有延迟性，因此需要通过需氨量模型计算机组变负荷阶段所需要的真实需氨量。前馈因子必须和最终所选用的前馈因子保持一致。计算公式如下
Figure BDA0003563582290000113
其中，zt是t时刻的需氨量，x1，t，x2，t，...xi，t，...，xn，t是t时刻的前馈因子数值。
由此，计算出了任意时刻变负荷阶段的需氨量。
在具体实现中，将计算得到的需氨量输入氨生产量动力学模型，反算出尿素水解的反应条件，具体计算公式如下：
Figure BDA0003563582290000121
其中，Tt，Vt，Ct是t时刻达到zt氨生产量所需要的水解温度、体积和浓度。Tmin，Tmax，Vmin，Vmax，Cmin，Cmax是水解温度、体积和浓度的最大和最小限值。
该计算公式的计算顺序如下：
(1)在体积和浓度不变的情况下，计算zt对应的温度Tt，，如果Tt∈[Tmin，Tmax]则Tt选择合理，计算结束；如果
Figure BDA0003563582290000122
则Tt＝Tmax(Tmin)，并计算Vt。
(2)在Tt＝Tmax(Tmin)和浓度不变的情况下，算zt对应的体积Vt，，如果Vt∈[Vmin，Vmax]则Vt选择合理，计算结束；如果
Figure BDA0003563582290000123
则Vt＝Vmax(Vmin)，并计算Ct。
(3)在Tt＝Tmax(Tmin)和Vt＝Vmax(Vmin)的情况下，算zt对应的浓度Ct，，如果Ct∈[Cmin，Cmax]则Ct选择合理，计算结束；如果
Figure BDA0003563582290000124
则Ct＝Cmax(Cmin)，并报警需氨量超过水解系统最高(最低)生产量，只能以最高(最低)生产量运行。
至此，计算出了t时刻的水解反应条件的预测值：Tt，Vt，Ct。输入PID控制器中即可完成水解反应条件的提前改变，解决水解反应慢，延迟大的问题。
鉴于现阶段尿素水解反应温度较低，且反应速率较慢，需要较长反应时间，采用反馈的调节方式无法快速响应火电厂负荷变化，不利于脱硝出口氮氧化物的控制，甚至会出现短时氮氧化物排放超标或氨逃逸过高的问题，严重影响火电机组的稳定运行和环保达标的实现。而本发明实施例所提供的一种尿素水解制氨反应条件的预测方法，通过响应于条件预测指令，确定预置的机组稳态阶段需氨量预测模型中的目标自变量；所述条件预测指令为用户输入需氨量预测值生成；获取所述目标自变量的实时值，并将所有所述实时值输入至所述机组稳态阶段需氨量预测模型，得到目标需氨量；根据尿素水解化学反应式，结合以及反应动力学方程及阿伦乌尼斯理论，确定尿素水解制氨反应速率方程；获取反应体积，并基于所述尿素水解制氨反应速率方程，计算得到氨生产量动力学模型；将所述目标需氨量输入氨生产量动力学模型，输出尿素水解制氨反应条件；所述尿素水解制氨反应条件包括：氨生产所需温度、氨生产所需体积及氨生产所需浓度。通过尿素水解制氨反应条件的提前改变，解决火电机组快速变负荷阶段，尿素水解制氨反应慢、延迟大、供氨响应差的问题，避免烟气排放中氮氧化物超标或氨逃逸过高的现象。
请参阅图3，示出了一种尿素水解制氨反应条件的预测装置实施例的结构框图，包括如下模块：
响应模块401，用于响应于条件预测指令，确定预置的机组稳态阶段需氨量预测模型中的目标自变量；所述条件预测指令为用户输入需氨量预测值生成；
获取模块402，用于获取所述目标自变量的实时值，并将所有所述实时值输入至所述机组稳态阶段需氨量预测模型，得到目标需氨量；
速率方程确定模块403，用于根据尿素水解化学反应式，结合以及反应动力学方程及阿伦乌尼斯理论，确定尿素水解制氨反应速率方程；
动力学模型确定模块404，用于获取反应体积，并基于所述尿素水解制氨反应速率方程，计算得到氨生产量动力学模型；
输出模块405，用于将所述目标需氨量输入氨生产量动力学模型，输出尿素水解制氨反应条件；所述尿素水解制氨反应条件包括：氨生产所需温度、氨生产所需体积及氨生产所需浓度。
在一个可选实施例中，所述响应模块401包括：
选取子模块，用于响应于所述条件预测指令，选取多个前馈因子，并计算每个所述前馈因子对于所有所述前馈因子的累积贡献率；
目标前馈因子确定子模块，用于根据所述累积贡献率，从所述前馈因子中确定目标前馈因子；所述目标前馈因子即所述目标自变量。
在一个可选实施例中，所述目标前馈因子确定子模块包括：
计算单元，用于计算所有所述前馈因子间的相关系数矩阵，并基于所述相关系数矩阵确定对应的特征值；
最优自变量确定单元，用于根据所述特征值计算所述累计贡献率，并对超过预设累计贡献率的前馈因子进行回归分析，确定所述目标自变量。
在一个可选实施例中，还包括：
标准化模块，用于对所述前馈因子作标准化处理。
在一个可选实施例中，所述最优自变量确定单元包括：
贡献率确定子单元，用于根据所述特征值计算对应前馈因子的贡献率及对应前馈因子的累计贡献率；
目标自变量确定子单元，用于将超过预设累计贡献率的前馈因子作为最优自变量；
最优自变量确定子单元，用于选取与所述最优自变量同时段的多个需氨量，与所有所述前馈因子进行线性回归分析，并采用最小二乘法计算，得到所述目标自变量。
所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的装置的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
在本发明所提供的几个实施例中，应该理解到，所揭露的装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，装置或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外，在本发明各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。
所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(ROM，Read-OnlyMemory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述，以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。

Claims (10)

1.一种尿素水解制氨反应条件的预测方法，其特征在于，包括：
响应于条件预测指令，确定预置的机组稳态阶段需氨量预测模型中的目标自变量；所述条件预测指令为用户输入需氨量预测值生成；
获取所述目标自变量的实时值，并将所有所述实时值输入至所述机组稳态阶段需氨量预测模型，得到目标需氨量；
根据尿素水解化学反应式，结合以及反应动力学方程及阿伦乌尼斯理论，确定尿素水解制氨反应速率方程；
获取反应体积，并基于所述尿素水解制氨反应速率方程，计算得到氨生产量动力学模型；
将所述目标需氨量输入氨生产量动力学模型，输出尿素水解制氨反应条件；所述尿素水解制氨反应条件包括：氨生产所需温度、氨生产所需体积及氨生产所需浓度。
2.根据权利要求1所述的尿素水解制氨反应条件的预测方法，其特征在于，响应于条件预测指令，确定预置的机组稳态阶段需氨量预测模型中的目标自变量；所述条件预测指令为用户输入需氨量预测值生成，包括：
响应于所述条件预测指令，选取多个前馈因子，并计算每个所述前馈因子对于所有所述前馈因子的累积贡献率；
根据所述累积贡献率，从所述前馈因子中确定目标前馈因子；所述目标前馈因子即所述目标自变量。
3.根据权利要求2所述的尿素水解制氨反应条件的预测方法，其特征在于，根据所述累积贡献率，从所述前馈因子中确定目标前馈因子，包括：
计算所有所述前馈因子间的相关系数矩阵，并基于所述相关系数矩阵确定对应的特征值；
根据所述特征值计算所述累计贡献率，并对超过预设累计贡献率的前馈因子进行回归分析，确定所述目标自变量。
4.根据权利要求2所述的尿素水解制氨反应条件的预测方法，其特征在于，响应于所述条件预测指令，选取多个前馈因子，并计算每个所述前馈因子对于所有所述前馈因子的累积贡献率之前，还包括：
对所述前馈因子作标准化处理。
5.根据权利要求3所述的尿素水解制氨反应条件的预测方法，其特征在于，根据所述特征值计算所述累计贡献率，并对超过预设累计贡献率的前馈因子进行回归分析，确定所述目标自变量，包括：
根据所述特征值计算对应前馈因子的贡献率及对应前馈因子的累计贡献率；
将超过预设累计贡献率的前馈因子作为最优自变量；
选取与所述最优自变量同时段的多个需氨量，与所有所述前馈因子进行线性回归分析，并采用最小二乘法计算，得到所述目标自变量。
6.一种尿素水解制氨反应条件的预测装置，其特征在于，包括：
响应模块，用于响应于条件预测指令，确定预置的机组稳态阶段需氨量预测模型中的目标自变量；所述条件预测指令为用户输入需氨量预测值生成；
获取模块，用于获取所述目标自变量的实时值，并将所有所述实时值输入至所述机组稳态阶段需氨量预测模型，得到目标需氨量；
速率方程确定模块，用于根据尿素水解化学反应式，结合以及反应动力学方程及阿伦乌尼斯理论，确定尿素水解制氨反应速率方程；
动力学模型确定模块，用于获取反应体积，并基于所述尿素水解制氨反应速率方程，计算得到氨生产量动力学模型；
输出模块，用于将所述目标需氨量输入氨生产量动力学模型，输出尿素水解制氨反应条件；所述尿素水解制氨反应条件包括：氨生产所需温度、氨生产所需体积及氨生产所需浓度。
7.根据权利要求6所述的尿素水解制氨反应条件的预测装置，其特征在于，所述响应模块包括：
选取子模块，用于响应于所述条件预测指令，选取多个前馈因子，并计算每个所述前馈因子对于所有所述前馈因子的累积贡献率；
目标前馈因子确定子模块，用于根据所述累积贡献率，从所述前馈因子中确定目标前馈因子；所述目标前馈因子即所述目标自变量。
8.根据权利要求7所述的尿素水解制氨反应条件的预测装置，其特征在于，所述目标前馈因子确定子模块包括：
计算单元，用于计算所有所述前馈因子间的相关系数矩阵，并基于所述相关系数矩阵确定对应的特征值；
最优自变量确定单元，用于根据所述特征值计算所述累计贡献率，并对超过预设累计贡献率的前馈因子进行回归分析，确定所述目标自变量。
9.根据权利要求7所述的尿素水解制氨反应条件的预测装置，其特征在于，还包括：
标准化模块，用于对所述前馈因子作标准化处理。
10.根据权利要求8所述的尿素水解制氨反应条件的预测方法，其特征在于，所述最优自变量确定单元包括：
贡献率确定子单元，用于根据所述特征值计算对应前馈因子的贡献率及对应前馈因子的累计贡献率；
目标自变量确定子单元，用于将超过预设累计贡献率的前馈因子作为最优自变量；
最优自变量确定子单元，用于选取与所述最优自变量同时段的多个需氨量，与所有所述前馈因子进行线性回归分析，并采用最小二乘法计算，得到所述目标自变量。
CN202210296529.7A 2022-03-24 2022-03-24 一种尿素水解制氨反应条件的预测方法及装置 Active CN114664389B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210296529.7A CN114664389B (zh) 2022-03-24 2022-03-24 一种尿素水解制氨反应条件的预测方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210296529.7A CN114664389B (zh) 2022-03-24 2022-03-24 一种尿素水解制氨反应条件的预测方法及装置

Publications (2)

Publication Number Publication Date
CN114664389A true CN114664389A (zh) 2022-06-24
CN114664389B CN114664389B (zh) 2023-09-22

Family

ID=82030918

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210296529.7A Active CN114664389B (zh) 2022-03-24 2022-03-24 一种尿素水解制氨反应条件的预测方法及装置

Country Status (1)

Country Link
CN (1) CN114664389B (zh)

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20100045785A (ko) * 2008-10-24 2010-05-04 현대자동차주식회사 차량의 요소 분사량 제어장치 및 방법
KR20110062612A (ko) * 2009-12-03 2011-06-10 현대자동차주식회사 ＮＯｘ 센서 미작동 구간에서의 암모니아 분사 방법
JP2018023227A (ja) * 2016-08-04 2018-02-08 東日本旅客鉄道株式会社 電力需要予測方法および電力需要予測プログラム
CN109304087A (zh) * 2018-10-31 2019-02-05 华中科技大学 一种基于脱硝反应动力学方程的电站scr喷氨控制方法
CN111804146A (zh) * 2020-06-29 2020-10-23 远光软件股份有限公司 一种智能喷氨控制方法以及智能喷氨控制装置
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
CN113488111A (zh) * 2021-07-05 2021-10-08 东南大学 一种scr脱硝系统喷氨量优化建模方法

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20100045785A (ko) * 2008-10-24 2010-05-04 현대자동차주식회사 차량의 요소 분사량 제어장치 및 방법
KR20110062612A (ko) * 2009-12-03 2011-06-10 현대자동차주식회사 ＮＯｘ 센서 미작동 구간에서의 암모니아 분사 방법
JP2018023227A (ja) * 2016-08-04 2018-02-08 東日本旅客鉄道株式会社 電力需要予測方法および電力需要予測プログラム
CN109304087A (zh) * 2018-10-31 2019-02-05 华中科技大学 一种基于脱硝反应动力学方程的电站scr喷氨控制方法
CN111804146A (zh) * 2020-06-29 2020-10-23 远光软件股份有限公司 一种智能喷氨控制方法以及智能喷氨控制装置
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
CN113488111A (zh) * 2021-07-05 2021-10-08 东南大学 一种scr脱硝系统喷氨量优化建模方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
严文锦: "脱硝反应过程软测量与预测控制", 中国优秀硕士学位论文全文数据库工程科技Ⅰ辑, pages 027 - 1467 *

Also Published As

Publication number Publication date
CN114664389B (zh) 2023-09-22

Similar Documents

Publication Publication Date Title
EP2562372B1 (en) Systems and methods for heat recovery steam generation optimization
Xue et al. A comparative study of liquid, solid and hybrid adiabatic compressed air energy storage systems
CN109670625B (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
Nowak et al. Improving the power unit operation flexibility by the turbine start-up optimization
Ancona et al. Numerical prediction of off-design performance for a Power-to-Gas system coupled with renewables
Majanne Model predictive pressure control of steam networks
Akram et al. Quality monitoring and process adjustment by integrating SPC and APC: a review
CN110991092A (zh) 一种余能一体化利用计算方法及系统
CN112070358A (zh) 低真空供热机组电负荷调整区间确定方法及系统
CN114664389A (zh) 一种尿素水解制氨反应条件的预测方法及装置
CN111197840B (zh) 组合式风柜的控制方法、装置、计算机设备和存储介质
CN109378839B (zh) 压缩空气储能电站的控制方法和装置
CN113454542A (zh) 信息处理装置、信息处理方法、以及信息处理程序
CN114068998B (zh) 一种固体氧化物燃料电池发电系统最优控制方法
CN112348696B (zh) 基于bp神经网络的供热机组调峰上限评估方法及系统
CN114547983A (zh) 一种基于改进的多种群遗传算法的反应堆运行优化方法
CN113282043A (zh) 基于多变量状态空间模型的超超临界机组协调控制方法
CN113420397A (zh) 储能电站动态运行调控方法
Arellano-Garcia et al. Close-loop stochastic dynamic optimization under probabilistic output-constraints
Atabay Comparison of optimization methods for model predictive control: An application to a compressed air energy storage system
CN109638858B (zh) 调频调峰方法、装置及系统
Karthik et al. Particle swarm optimization to solve economic dispatch considering generator constraints
Li et al. Adaptive inverse control of air supply flow for proton exchange membrane fuel cell systems
Zhac et al. Industrial steam systems optimization under uncertainty using data-driven adaptive robust optimization
US5404314A (en) Real time environmental load allocation

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