CN114742300A - 一种脱硝设备锅炉烟道阻力预警方法及系统 - Google Patents
一种脱硝设备锅炉烟道阻力预警方法及系统 Download PDFInfo
- Publication number
- CN114742300A CN114742300A CN202210389304.6A CN202210389304A CN114742300A CN 114742300 A CN114742300 A CN 114742300A CN 202210389304 A CN202210389304 A CN 202210389304A CN 114742300 A CN114742300 A CN 114742300A
- Authority
- CN
- China
- Prior art keywords
- flue resistance
- denitration device
- flue
- denitration
- early warning
- 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
- 238000000034 method Methods 0.000 title claims abstract description 32
- 238000012549 training Methods 0.000 claims abstract description 44
- 230000002159 abnormal effect Effects 0.000 claims abstract description 24
- 238000012795 verification Methods 0.000 claims abstract description 22
- UGFAIRIUMAVXCW-UHFFFAOYSA-N Carbon monoxide Chemical compound [O+]#[C-] UGFAIRIUMAVXCW-UHFFFAOYSA-N 0.000 claims description 27
- 239000003546 flue gas Substances 0.000 claims description 27
- 238000012545 processing Methods 0.000 claims description 9
- 238000012360 testing method Methods 0.000 claims description 8
- 239000003245 coal Substances 0.000 claims description 6
- QVGXLLKOCUKJST-UHFFFAOYSA-N atomic oxygen Chemical compound [O] QVGXLLKOCUKJST-UHFFFAOYSA-N 0.000 claims description 5
- 239000001301 oxygen Substances 0.000 claims description 5
- 229910052760 oxygen Inorganic materials 0.000 claims description 5
- 238000004364 calculation method Methods 0.000 claims description 4
- 238000011369 optimal treatment Methods 0.000 claims description 3
- 238000007781 pre-processing Methods 0.000 claims description 3
- 230000015572 biosynthetic process Effects 0.000 claims 1
- 238000003786 synthesis reaction Methods 0.000 claims 1
- 238000010248 power generation Methods 0.000 abstract description 2
- 238000003062 neural network model Methods 0.000 description 19
- 238000010586 diagram Methods 0.000 description 12
- 238000013528 artificial neural network Methods 0.000 description 7
- 238000004590 computer program Methods 0.000 description 7
- 239000002956 ash Substances 0.000 description 5
- 230000006870 function Effects 0.000 description 4
- 238000010531 catalytic reduction reaction Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 239000004071 soot Substances 0.000 description 2
- 238000010977 unit operation Methods 0.000 description 2
- 238000007664 blowing Methods 0.000 description 1
- 238000012512 characterization method Methods 0.000 description 1
- 235000019504 cigarettes Nutrition 0.000 description 1
- 238000002485 combustion reaction Methods 0.000 description 1
- 230000008021 deposition Effects 0.000 description 1
- 238000006477 desulfuration reaction Methods 0.000 description 1
- 230000023556 desulfurization Effects 0.000 description 1
- 239000000428 dust Substances 0.000 description 1
- 239000010881 fly ash Substances 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000002194 synthesizing effect Effects 0.000 description 1
- 238000011282 treatment Methods 0.000 description 1
- 239000002918 waste heat Substances 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- 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
- G06N3/045—Combinations of networks
-
- 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
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/06—Energy or water supply
-
- G—PHYSICS
- G08—SIGNALLING
- G08B—SIGNALLING OR CALLING SYSTEMS; ORDER TELEGRAPHS; ALARM SYSTEMS
- G08B21/00—Alarms responsive to a single specified undesired or abnormal condition and not otherwise provided for
- G08B21/18—Status alarms
- G08B21/24—Reminder alarms, e.g. anti-loss alarms
-
- G—PHYSICS
- G08—SIGNALLING
- G08B—SIGNALLING OR CALLING SYSTEMS; ORDER TELEGRAPHS; ALARM SYSTEMS
- G08B31/00—Predictive alarm systems characterised by extrapolation or other computation using updated historic data
-
- 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
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02E—REDUCTION OF GREENHOUSE GAS [GHG] EMISSIONS, RELATED TO ENERGY GENERATION, TRANSMISSION OR DISTRIBUTION
- Y02E20/00—Combustion technologies with mitigation potential
- Y02E20/34—Indirect CO2mitigation, i.e. by acting on non CO2directly related matters of the process, e.g. pre-heating or heat recovery
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Economics (AREA)
- Computing Systems (AREA)
- Strategic Management (AREA)
- Human Resources & Organizations (AREA)
- General Health & Medical Sciences (AREA)
- Evolutionary Computation (AREA)
- Biophysics (AREA)
- General Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Computational Linguistics (AREA)
- Tourism & Hospitality (AREA)
- Biomedical Technology (AREA)
- Emergency Management (AREA)
- General Business, Economics & Management (AREA)
- Artificial Intelligence (AREA)
- Marketing (AREA)
- Molecular Biology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Primary Health Care (AREA)
- Water Supply & Treatment (AREA)
- Development Economics (AREA)
- Game Theory and Decision Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Public Health (AREA)
- Exhaust Gas Treatment By Means Of Catalyst (AREA)
- Control Of Steam Boilers And Waste-Gas Boilers (AREA)
Abstract
本发明属于火力发电技术领域,涉及一种脱硝设备锅炉烟道阻力预警方法和系统,包括:将脱硝装置烟道阻力运行正常时和异常时的参数分为训练集和验证集;通过训练集的参数对网络模型进行训练,获得以机组正常运行工况的脱硝设备烟道阻力值为输出的脱硝设备烟道阻力网络模型;将实时采集的脱硝设备烟道参数输入脱硝设备烟道阻力网络模型,输出预测的脱硝设备烟道阻力值;根据数据运算综合,判断预测的脱硝设备烟道阻力值是否正常,并结合脱硝设备烟道阻力专家知识库判断是否需要预警,若是,则发送报警信号,并推送相应的解决措施。其能够在脱硝装置烟道阻力异常初期提醒运行人员吹灰或调整运行工况,改善脱硝设备烟道阻塞情况。
Description
技术领域
本发明涉及一种脱硝设备锅炉烟道阻力预警方法及系统,属于火力发电技术领域。
背景技术
火力发电厂锅炉炉膛中煤粉燃烧后产生的烟气,先进入脱硝设备降低NOx含量,然后进入空气预热器烟气仓,在预热器中利用烟气余热使一二次风得到预热。从空气预热器排出的烟气通过除尘器和引风机及脱硫系统排至烟囱。由于烟气中携带飞灰,脱硝装置烟道内部不可避免会造成沉积,若吹灰不及时,则会造成系统阻力增大从而导致烟风系统电耗增加,严重时甚至造成脱硝装置烟道二次燃烧,严重威胁机组安全运行。若能在脱硝装置烟道阻力异常初期及时发出预警,提醒运行人员吹灰或调整运行工况,则能够避免将此类事故发生。
目前火力发电厂中只能通过脱硝装置烟道阻力差压变送器或进出口压力变送器之差并结合机组实际运行工况人为判断烟道阻塞情况,在DCS控制系统中单纯设定差压报警经常会出现误报情况,且由于烟道阻塞并非经常性故障,这就使得运行人员非常容易忽略此类故障。
发明内容
针对上述问题,本发明的目的是提供了一种脱硝设备锅炉烟道阻力预警方法及系统,其能够在脱硝装置烟道阻力异常初期提醒运行人员吹灰或调整运行工况,改善烟道阻塞情况。
为实现上述目的,本发明提出了以下技术方案:一种脱硝设备锅炉烟道阻力预警方法,包括:将脱硝装置烟道阻力运行正常时和异常时的参数分为训练集和验证集;
通过训练集的参数对深层神经网络模型进行训练,获得以机组正常运行工况的脱硝设备烟道阻力值为输出的脱硝设备烟道阻力网络模型;
将实时采集的脱硝设备烟道参数输入脱硝设备烟道阻力网络模型,输出预测的脱硝设备烟道阻力值;
根据数据运算综合,判断预测的脱硝设备烟道阻力值是否正常,并结合脱硝设备烟道阻力专家知识库判断是否需要预警,若是,则发送报警信号,并推送相应的解决措施。
进一步,参数为:总风量、未校正总煤量、SCR(选择性催化还原系统)出口烟气含氧量、SCR出口烟气温度,SCR入口烟气压力、SCR侧出口烟气压力和SCR烟气阻力中至少一个。
进一步,在采取脱硝设备烟道参数后,需要对参数进行预处理,预处理的方法包括变更数据格式和重建数据空间,重建数据空间通过多项式插值、线性插值、二次插值或Cubic插值实现。
进一步,脱硝设备烟道阻力网络模型结构包括若干层隐藏层和一层输出层,通过训练集的参数对网络模型进行训练,通过验证集对网络模型进行验证,并根据验证结果进行参数调整。
进一步,脱硝设备烟道阻力网络模型的验证方法为:将测试集中数据作为训练集,每次训练结束,输出预测值,计算预测值与实际值的均方误差,当均方误差小于预设值时,结束模型训练;将验证集中数据输入经过训练的模型,输出预测值,计算预测值与实际值的均方误差,若大于预设值,则修改网络结构或修改训练参数进行重复训练,直到达到烟道阻力要求的均方误差值为止;若均方误差小于预设值,则模型通过验证,输出经过训练的模型。
进一步,脱硝设备烟道阻力数据综合运算为脱硝设备烟道阻力网络模型获得的预测的脱硝设备烟道阻力值,与实测的脱硝设备烟道阻力值进行比较,判断其是否超出异常工况边界值ε。
进一步,脱硝设备烟道阻力异常工况边界值ε的计算公式为:
其中,ΔP实测为实测的脱硝设备烟道阻力实测值,ΔP预测为脱硝设备烟道阻力网络模型获得的预测的脱硝设备烟道阻力值。
进一步,脱硝设备烟道阻力专家知识库包括脱硝设备烟道阻力故障库、脱硝设备烟道阻力参数库和脱硝设备烟道阻力方案库;脱硝设备烟道阻力故障库,用于总结收集脱硝装置烟道阻力发生故障案例;脱硝设备烟道阻力参数库,用于在分析脱硝装置烟道阻力故障案例时,提供相关度最高参数集合;脱硝设备烟道阻力方案库,用于根据故障库中的不同故障提供相应的解决方案和最佳处理措施。
进一步,预警的条件是:连续若干次判断预测的脱硝设备烟道阻力值异常。
本发明还公开了一种脱硝设备锅炉烟道阻力预警系统,包括:脱硝设备烟道阻力数据采集处理模块,用于将脱硝装置烟道阻力运行正常时和异常时的参数分为训练集和验证集;模型训练模块,用于通过训练集的参数对网络模型进行训练,获得以机组正常运行工况的脱硝设备烟道阻力值为输出的脱硝设备烟道阻力网络模型;脱硝设备烟道阻力模型测试模块,用于将实时采集的脱硝设备烟道参数输入脱硝设备烟道阻力网络模型,输出预测的脱硝设备烟道阻力值;输出预警模块,用于根据数据运算综合,判断预测的脱硝设备烟道阻力值是否正常,并结合脱硝设备烟道阻力专家知识库判断是否需要预警,若是,则发送报警信号,并推送相应的解决措施。
本发明由于采取以上技术方案,其具有以下优点:本发明通过获取机组运行历史大数据信息,将历史运行大数据进行数理建模,得到的脱硝装置烟道阻力预警模型,能够在脱硝装置烟道阻力异常初期提醒运行人员吹灰或调整运行工况,改善脱硝设备烟道阻塞情况,能够避免由于未发现脱硝设备烟道阻力增大而导致的厂用电率增加问题及能够提前预判由于飞灰沉积造成尾部烟道二次燃烧的问题,并能够提高系统自动化程度,减小运行人员监盘压力。
附图说明
图1是本发明一实施例中基于深层神经网络的脱硝设备锅炉烟道阻力预警方法的示意图;
图2是本发明一实施例中预警条件的流程图;
图3是本发明一实施例中脱硝装置A侧烟道阻力预测效果图;
图4是本发明一实施例中基于深层神经网络的锅炉烟道阻力预警系统的示意图。
具体实施方式
为了使本领域技术人员更好的理解本发明的技术方案,通过具体实施例对本发明进行详细的描绘。然而应当理解,具体实施方式的提供仅为了更好地理解本发明,它们不应该理解成对本发明的限制。在本发明的描述中,需要理解的是,所用到的术语仅仅是用于描述的目的,而不能理解为指示或暗示相对重要性。
为了解决现有技术中,在DCS控制系统中单纯设定差压报警经常会出现误报情况,且由于烟道阻塞并非经常性故障,使得运行人员非常容易忽略此类故障的技术问题,本发明提供一种基于深层神经网络的脱硝设备锅炉烟道阻力预警方法及系统,该方法通过脱硝装置烟道阻力专家知识库,获取机组运行预支相关的历史大数据信息,将历史运行大数据进行数据处理,确定训练集及验证集,应用机器学习得到脱硝装置烟道阻力预警的模型,将模型部署至大数据平台,将机组运行的实时数据输入到模型中,经过脱硝装置烟道阻力异常预警推送模块,最终实现在尾部烟道阻力异常初期及时发出预警,提醒运行人员吹灰或调整运行工况。下面结合附图,通过实施例对本发明的方案进行详细说明。
实施例一
本实施例公开了一种基于深层神经网络的脱硝设备锅炉烟道阻力预警方法,如图1所示,包括:
S1将脱硝装置烟道阻力运行正常时和异常时的参数分为训练集和验证集;
本步骤中脱硝设备锅炉烟道阻力参数为:总风量、未校正总煤量、SCR(选择性催化还原系统)A侧出口烟气含氧量、SCR A侧出口烟气温度,SCR A侧入口烟气压力、SCR A侧出口烟气压力和SCR A侧烟气阻力中至少一个,但也可以根据实际需要选择合适的参数进行表征。
在采取参数后,需要对参数进行预处理,预处理的方法包括变更数据格式和重建数据空间,重建数据空间通过多项式插值、线性插值、二次插值或Cubic插值实现。本实施例中优选的插值方法为多项式插值的方法。
在本实施例中,经处理后共产生脱硝装置A侧阻力样本共计2346万个,其中脱硝装置A侧烟道阻力深层神经网络模型训练数据集样本个数为1564万个,脱硝装置A侧烟道阻力深层神经网络模型测试数据集样本个数为782万个。
S2通过训练集的参数对深层神经网络模型进行训练,获得以机组正常运行工况的烟道阻力值为输出的脱硝设备烟道阻力深层神经网络模型。
选择总风量,未校正总煤量,SCR A侧出口烟气含氧量,SCR A侧出口烟气温度作为深层神经网络模型的输入值,用机组正常运行工况的烟道阻力值作为输出值,建立脱硝设备烟道阻力深层神经网络模型。
深层神经网络结构包括若干层全连接网络结构,本实施例中优选为3层,其中,全连接网络结构包括2层隐藏层和一层输出层,通过训练集的参数对深层神经网络模型进行训练,通过验证集对深层神经网络模型进行验证,并根据验证结果进行参数调整。
深层神经网络模型的验证方法为:将测集中数据输入深层神经网络模型中进行训练,每次训练结束,输出预测值,计算预测值与实际值的均方误差,当均方误差小于预设值时,结束模型训练;将验证集中数据输入经过训练的模型,输出预测值,计算预测值与实际值的均方误差,若大于预设值,则修改深层神经网络结构或修改训练参数进行重复训练,直到达到脱硝设备烟道阻力要求的均方误差值为止;若均方误差小于预设值,则模型通过验证,输出经过训练的模型。在本实施例中,均方误差设定为0.002,当均方误差大于0.002时,模型需要重新进行训练。
S3将实时采集的脱硝设备烟道参数输入脱硝设备烟道阻力深层神经网络模型,输出预测的脱硝设备烟道阻力值。
S4根据数据运算综合,判断预测的脱硝设备烟道阻力值是否正常,并结合脱硝设备烟道阻力专家知识库判断是否需要预警,若是,则发送报警信号,并推送相应的解决措阻施。
数据综合运算为脱硝设备烟道阻力深层神经网络模型获得的预测的脱硝设备烟道阻力值,与实测的脱硝设备烟道阻力值进行比较,判断其是否超出异常工况边界值ε。
异常工况边界值ε的计算公式为:
其中,ΔP实测为实测的脱硝设备烟道阻力值,ΔP预测为脱硝设备烟道阻力深层神经网络模型获得的预测的脱硝设备烟道阻力值。
脱硝装置A侧烟道阻力异常报警准确率计算公式如下:
其中,accuracy为模型预测准确率,Naccuracy为模型预测正确的样本个数,Ntest为验证数据集的样本总量。
脱硝设备烟道阻力专家知识库是根据对多种类型火电机组的脱硝装置烟道阻力发生过的阻塞,及其原因进行总结而形成的。其包括故障库,参数库和方案库;
故障库,用于总结收集脱硝装置烟道阻力发生故障案例,故障库为脱硝设备烟道阻力深层神经网络模型建立提供依据;
参数库,用于在分析脱硝装置烟道阻力故障案例时,提供相关度最高参数集合;方案库,参数库中参数包括但不限于:总风量、未校正总煤量、SCR(选择性催化还原系统)A侧出口烟气含氧量、SCR A侧出口烟气温度,SCR A侧入口烟气压力、SCR A侧出口烟气压力和SCR A侧烟气阻力。参数库为脱硝装置烟道阻力数据采集及处理提供依据。
方案库,用于根据故障库中的不同故障提供相应的解决方案和最佳处理措施。预警的条件是:连续若干次判断预测的脱硝设备烟道阻力值异常。方案库为脱硝设备烟道阻力异常预警推送提供依据。
如图2所示,为预警条件的流程图,通过分析当前脱硝装置烟道阻力相关的运行参数,结合脱硝装置烟道阻力专家知识库,确定最终的报警条件;即连续若干次判断预测的烟道阻力值异常,就发送报警信号,并推送解决方案,推送的解决方案为设备维护人员提供参考。当满足报警条件时,将脱硝装置烟道阻力报警进行推送,同时给相关人员推送脱硝装置烟道阻力异常的解决措施。该解决措施例如可以为:提示运行人员SCR烟道阻力异常,请加强吹灰并重点监视。
图3是本实施例的脱硝装置A侧烟道阻力预测效果图,选取2020年11月23日至2020年11月24日变工况数据进行预测并绘图;根据脱硝装置烟道阻力专家知识库,异常工况边界值ε选择0.3。其中,脱硝装置A侧样本总量Ntest=30000;预测数据不超过异常工况边界值ε=0.3的样本数Naccuracy=30000,脱硝装置A侧烟道阻力深层神经网络模型测试准确率可达100%,图3中灰色曲线表示脱硝装置A侧烟道阻力实测值,黑色曲线表示模型预测值。
实施例二
基于相同的发明构思,本实施例还公开了一种基于深层神经网络的脱硝设备锅炉烟道阻力预警系统,如图4所示,包括:
数据采集处理模块,用于将脱硝装置烟道阻力运行正常时和异常时的参数分为训练集和验证集;
模型训练模块,用于通过训练集的参数对深层神经网络模型进行训练,获得以机组正常运行工况的脱硝设备烟道阻力值为输出的脱硝设备烟道阻力深层神经网络模型;
模型测试模块,用于将实时采集的脱硝设备烟道参数输入脱硝设备烟道阻力深层神经网络模型,输出预测的脱硝设备烟道阻力值;
输出预警模块,用于根据数据运算综合,判断预测的脱硝设备烟道阻力值是否正常,并结合脱硝设备烟道阻力专家知识库判断是否需要预警,若是,则发送报警信号,并推送相应的解决措施。
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。
本申请是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
最后应当说明的是:以上实施例仅用以说明本发明的技术方案而非对其限制,尽管参照上述实施例对本发明进行了详细的说明,所属领域的普通技术人员应当理解:依然可以对本发明的具体实施方式进行修改或者等同替换,而未脱离本发明精神和范围的任何修改或者等同替换,其均应涵盖在本发明的权利要求保护范围之内。上述内容仅为本申请的具体实施方式,但本申请的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本申请揭露的技术范围内,可轻易想到变化或替换,都应涵盖在本申请的保护范围之内。因此,本申请的保护范围应以权利要求的保护范围为准。
Claims (10)
1.一种脱硝设备锅炉烟道阻力预警方法,其特征在于,包括:
将脱硝装置烟道阻力运行正常时和异常时的参数分为训练集和验证集;
通过所述训练集的参数对网络模型进行训练,获得以机组正常运行工况的脱硝设备烟道阻力值为输出的脱硝设备烟道阻力网络模型;
将实时采集的脱硝设备烟道参数输入所述脱硝设备烟道阻力网络模型,输出预测的脱硝设备烟道阻力值;
根据数据运算综合,判断所述预测的脱硝设备烟道阻力值是否正常,并结合脱硝设备烟道阻力专家知识库判断是否需要预警,若是,则发送报警信号,并推送相应的解决措施。
2.如权利要求1所述的脱硝设备锅炉烟道阻力预警方法,其特征在于,所述参数为:总风量、未校正总煤量、SCR出口烟气含氧量、SCR出口烟气温度,SCR入口烟气压力、SCR出口烟气压力和SCR烟气阻力中至少一个。
3.如权利要求2所述的脱硝设备锅炉烟道阻力预警方法,其特征在于,在采取所述参数后,需要对所述参数进行预处理,所述预处理的方法包括变更数据格式和重建数据空间,所述重建数据空间通过多项式插值、线性插值、二次插值或Cubic插值实现。
4.如权利要求1所述的脱硝设备锅炉烟道阻力预警方法,其特征在于,所述深层网络结构包括若干层隐藏层和一层输出层,通过所述训练集的参数对网络模型进行训练,通过所述验证集对网络模型进行验证,并根据验证结果进行参数调整。
5.如权利要求4所述的脱硝设备锅炉烟道阻力预警方法,其特征在于,所述网络模型的验证方法为:
将所述测集中数据输入网络模型中进行训练,每次训练结束,输出预测值,计算预测值与实际值的均方误差,当均方误差小于预设值时,结束模型训练;
将所述验证集中数据输入经过训练的模型,输出预测值,计算预测值与实际值的均方误差,若大于预设值,则修改网络结构或修改训练参数进行重复训练,直到达到脱硝设备烟道阻力要求的均方误差值为止;若均方误差小于预设值,则模型通过验证,输出经过训练的模型。
6.如权利要求1所述的脱硝设备锅炉烟道阻力预警方法,其特征在于,所述数据综合运算为脱硝设备烟道阻力网络模型获得的预测的脱硝设备烟道阻力值,与实测的脱硝设备烟道阻力值进行比较,判断其是否超出异常工况边界值ε。
8.如权利要求1所述的脱硝设备锅炉烟道阻力预警方法,其特征在于,所述脱硝设备烟道阻力专家知识库包括故障库,参数库和方案库;
所述故障库,用于总结收集脱硝装置烟道阻力发生故障案例;
所述参数库,用于在分析脱硝装置烟道阻力故障案例时,提供相关度最高参数集合;
所述方案库,用于根据所述故障库中的不同故障提供相应的解决方案和最佳处理措施。
9.如权利要求8所述的脱硝设备锅炉烟道阻力预警方法,其特征在于,所述预警的条件是:连续若干次判断预测的脱硝设备烟道阻力值异常。
10.一种脱硝设备锅炉烟道阻力预警系统,其特征在于,包括:
数据采集处理模块,用于将脱硝装置烟道阻力运行正常时和异常时的参数分为训练集和验证集;
模型训练模块,用于通过所述训练集的参数对网络模型进行训练,获得以机组正常运行工况的脱硝设备烟道阻力值为输出的脱硝设备烟道阻力网络模型;
模型测试模块,用于将实时采集的脱硝设备烟道参数输入所述脱硝设备烟道阻力网络模型,输出预测的脱硝设备烟道阻力值;
输出预警模块,用于根据数据运算综合,判断所述预测的脱硝设备烟道阻力值是否正常,并结合脱硝设备烟道阻力专家知识库判断是否需要预警,若是,则发送报警信号,并推送相应的解决措施。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210389304.6A CN114742300B (zh) | 2022-04-14 | 2022-04-14 | 一种脱硝设备锅炉烟道阻力预警方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210389304.6A CN114742300B (zh) | 2022-04-14 | 2022-04-14 | 一种脱硝设备锅炉烟道阻力预警方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114742300A true CN114742300A (zh) | 2022-07-12 |
CN114742300B CN114742300B (zh) | 2023-05-09 |
Family
ID=82282670
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210389304.6A Active CN114742300B (zh) | 2022-04-14 | 2022-04-14 | 一种脱硝设备锅炉烟道阻力预警方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114742300B (zh) |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110173710A (zh) * | 2019-05-07 | 2019-08-27 | 西安交通大学 | 一种节能型消除烟羽的气候反馈动态调控装置及方法 |
CN111068518A (zh) * | 2019-12-31 | 2020-04-28 | 国电九江发电有限公司 | 一种scr脱硝装置的非均匀喷氨系统及方法 |
CN113537707A (zh) * | 2021-06-09 | 2021-10-22 | 苏州西热节能环保技术有限公司 | 一种燃煤电厂烟气阻力监测方法 |
-
2022
- 2022-04-14 CN CN202210389304.6A patent/CN114742300B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110173710A (zh) * | 2019-05-07 | 2019-08-27 | 西安交通大学 | 一种节能型消除烟羽的气候反馈动态调控装置及方法 |
CN111068518A (zh) * | 2019-12-31 | 2020-04-28 | 国电九江发电有限公司 | 一种scr脱硝装置的非均匀喷氨系统及方法 |
CN113537707A (zh) * | 2021-06-09 | 2021-10-22 | 苏州西热节能环保技术有限公司 | 一种燃煤电厂烟气阻力监测方法 |
Also Published As
Publication number | Publication date |
---|---|
CN114742300B (zh) | 2023-05-09 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108628291B (zh) | 一种垃圾焚烧厂基于仿真平台的专家智能诊断系统 | |
CN111804146B (zh) | 一种智能喷氨控制方法以及智能喷氨控制装置 | |
CN101681155A (zh) | 虚拟传感器系统和方法 | |
MX2007011402A (es) | Sistema y metodo de monitoreo de emisiones predictivas. | |
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 | |
CN110059726A (zh) | 工业控制系统的威胁检测方法及装置 | |
KR101994465B1 (ko) | 기술 시스템, 특히 전기 에너지-발생 설비의 동작의 컴퓨터-보조 모니터링을 위한 방법 | |
CN114191953A (zh) | 一种基于卷积神经网络和XGBoost的烟气脱硫脱硝控制方法 | |
CN114225662B (zh) | 一种基于滞后模型的烟气脱硫脱硝优化控制方法 | |
CN110500596B (zh) | 一种危险废物焚烧自动控制方法 | |
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 | |
CN114757380B (zh) | 一种火电厂故障预警系统、方法、电子设备及存储介质 | |
CN111589301A (zh) | 燃煤电厂scr脱硝性能预测方法、装置、设备和存储介质 | |
CN113065765A (zh) | 一种垃圾焚烧炉烟气中co排放量预测模型构建方法及应用 | |
CN109460403B (zh) | 空预器堵灰实时动态定量标定方法 | |
CN116688754A (zh) | 船舶烟气脱硫自动控制系统及其方法 | |
CN117662445B (zh) | 一种氮压机运行控制方法及系统 | |
CN114742300A (zh) | 一种脱硝设备锅炉烟道阻力预警方法及系统 | |
CN106599201B (zh) | 一种燃气输配设备的全生命周期管理方法 | |
CN117193406A (zh) | 一种脱硝系统氨气压力在线监测及调整系统 | |
US10953377B2 (en) | Delta temperature control of catalytic dehydrogenation process reactors | |
CN116128136A (zh) | 一种基于LSO-CatBoost的燃煤电厂锅炉NOX排放预测方法 | |
CN114759557A (zh) | 一种燃煤机组agc调节性能预测方法 | |
CN115496188A (zh) | 一种基于深度学习卷积神经网络的磨煤机故障预警方法 | |
CN117829342A (zh) | 基于改进随机森林算法的燃煤电厂氮氧化物排放预测方法 |
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 |