CN114862074B - 一种脱硫系统浆液循环泵运行组合优化方法 - Google Patents

一种脱硫系统浆液循环泵运行组合优化方法 Download PDF

Info

Publication number
CN114862074B
CN114862074B CN202210807386.1A CN202210807386A CN114862074B CN 114862074 B CN114862074 B CN 114862074B CN 202210807386 A CN202210807386 A CN 202210807386A CN 114862074 B CN114862074 B CN 114862074B
Authority
CN
China
Prior art keywords
circulating pump
slurry circulating
slurry
power consumption
desulfurization system
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
Application number
CN202210807386.1A
Other languages
English (en)
Other versions
CN114862074A (zh
Inventor
袁照威
李文龙
孟磊
白玉勇
梁东
李婷彦
杨大洲
于静
吴晔
岳朴杰
李玉宇
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.)
Datang Environment Industry Group Co Ltd
Original Assignee
Datang Environment Industry Group 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 Datang Environment Industry Group Co Ltd filed Critical Datang Environment Industry Group Co Ltd
Priority to CN202210807386.1A priority Critical patent/CN114862074B/zh
Publication of CN114862074A publication Critical patent/CN114862074A/zh
Application granted granted Critical
Publication of CN114862074B publication Critical patent/CN114862074B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
    • G06F16/25—Integrating or interfacing systems involving database management systems
    • 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
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
    • G06F18/24155—Bayesian classification
    • 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
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
    • G06Q10/06312—Adjustment or analysis of established resource schedule, e.g. resource or task levelling, or dynamic rescheduling
    • 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
    • Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
    • Y02P80/00—Climate change mitigation technologies for sector-wide applications
    • Y02P80/10—Efficient use of energy, e.g. using compressed air or pressurized fluid as energy carrier

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Theoretical Computer Science (AREA)
  • Human Resources & Organizations (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • General Physics & Mathematics (AREA)
  • Strategic Management (AREA)
  • Economics (AREA)
  • General Engineering & Computer Science (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Databases & Information Systems (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Evolutionary Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Development Economics (AREA)
  • Artificial Intelligence (AREA)
  • General Business, Economics & Management (AREA)
  • Evolutionary Computation (AREA)
  • Game Theory and Decision Science (AREA)
  • Tourism & Hospitality (AREA)
  • Marketing (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Probability & Statistics with Applications (AREA)
  • Educational Administration (AREA)
  • Treating Waste Gases (AREA)

Abstract

本发明公开了一种脱硫系统浆液循环泵运行组合优化方法，属于燃煤电厂烟气脱硫技术领域。该方法包括：对系统反应机理分析，确定循环泵电耗影响因素，采集电耗影响因素及电流历史运行数据，通过灰度关联算法确定电耗主要影响因素，构建初始训练数据集；基于循环泵运行机理及系统运行经济性模型，建立循环泵最优运行组合数据库，构建最优训练数据集；基于数据集，对循环泵组合模式十进制编码，采用朴素贝叶斯方法建立循环泵优化模型，获取实时电耗影响因素，输入模型，得到循环泵最优组合方式。通过本发明方法，实现脱硫系统节能降耗，解决现有方法适用范围窄、过程复杂无法建立机理模型、数据依赖性强等问题，对机组优化运行具有重要指导意义。

Description

一种脱硫系统浆液循环泵运行组合优化方法
技术领域
本发明涉及燃煤电厂烟气脱硫技术领域，尤其是涉及一种脱硫系统浆液循环泵运行组合优化方法。
背景技术
石灰石/石膏湿法脱硫具有技术成熟、可靠性高、脱硫剂来源广、对煤种适应性强、脱硫产物能够加以利用等众多优点，成为电厂脱硫技术的第一选择。而浆液循环泵是脱硫吸收塔系统的重要组成部分，主要为脱硫反应提供足量的石灰石浆液，浆液循环泵将脱硫吸收塔内下层石灰石浆液输送至喷淋层，使浆液通过喷嘴从上而下喷落，与脱硫烟气进行接触发生脱硫反应。
目前，众多学者围绕着脱硫系统浆液循环泵优化的问题已开展一系列研究，如从试验机理角度进行优化、从脱硫吸收塔反应机理进行优化、从数据驱动角度进行优化等，围绕着这些角度，浆液循环泵的优化取得了一定的研究成果，且对于脱硫系统的节能降耗具有重要促进作用，但目前还有很多问题，如建立的优化方法适用范围较窄、反应过程较为复杂无法建立机理模型、对数据的依赖性较强等。
为此，在传统方法基础上，研究一种既考虑机理因素又结合数据挖掘算法开展浆液循环泵的优化具有重要意义，也成为燃煤电厂脱硫系统浆液循环泵优化一个亟待解决的问题。
发明内容
本发明的目的在于提供一种脱硫系统浆液循环泵运行组合优化方法，为实现火电厂脱硫系统节能降耗做出贡献，对机组的优化运行具有重要指导意义。
本发明提供一种脱硫系统浆液循环泵运行组合优化方法，包括以下步骤：
步骤101：对脱硫系统反应机理分析，确定浆液循环泵电耗的影响因素，采集浆液循环泵电耗影响因素及浆液循环泵电流的历史运行数据，并通过灰度关联算法确定循环泵电耗的主要影响因素，构建训练数据集；
步骤201：基于循环泵运行的机理及脱硫系统运行经济性模型，建立浆液循环泵最优运行组合数据库，构建最优训练数据集；
步骤301：基于最优运行组合数据库组成的最优训练数据集，对浆液循环泵组合模式进行十进制编码，并采用朴素贝叶斯方法建立脱硫系统浆液循环泵优化模型；
步骤401：获取某个时刻或时间段浆液循环泵电耗的影响因素，输入到优化模型中，得到上述时刻或时间段浆液循环泵的最优组合方式。
优选地，步骤101中所述脱硫系统反应机理包括双膜理论、SO2吸收反应、石灰石溶解、石灰石浆液中和反应、氧化反应和石膏结晶反应，根据反应机理确定石灰石电耗的影响因素。
优选地，通过上述反应机理确定，所述石灰石电耗的影响因素包括机组负荷、原烟气SO2浓度、原烟气流量、浆液pH值、浆液密度、净烟气SO2浓度、净烟气流量、吸收塔入口压力和出口压力，采用灰度关联算法从数据角度由上述影响因素中分析筛选浆液循环泵电耗的主要影响因素。
优选地，所述灰度关联算法的步骤包括确定母序列与子序列、对母序列和子序列数据进行无量纲化、计算母序列与子序列对应元素的绝对差值、计算关联系数、计算灰色关联度以及确定选取的特征参数，所述母序列为浆液循环泵电耗，所述子序列为浆液循环泵电耗影响因素，所述计算关联系数的公式为
Figure 909487DEST_PATH_IMAGE001
上述公式中，k=1,2, ... ,m，y(k)为母序列中第k个样本；x i (k)为子序列中第k个样本第i个特征；n为母序列及子序列样本个数；m为子序列特征个数；ρ为分辨系数，0＜ρ＜1；
所述计算灰色关联度为对每个特征参数的关联系数求平均值，所述筛选浆液循环泵电耗的主要影响因素即为筛选出灰色关联度值大于0.9的所述子序列中的样本。
优选地，所述运行经济性模型为建立脱除SO2的相对成本指标，其公式为
Figure 988302DEST_PATH_IMAGE002
，
上述公式中，ESO2为脱除SO2的单位成本，单位为元/kg；E为脱除SO2的总成本，单位为元；mSO2为SO2的脱除量，单位为kg，所述E包括脱硫系统的电耗、石灰石耗量和工艺水耗量；
根据脱硫系统运行经济性模型，得到每个训练样本的脱除SO2的相对成本，对训练样本进行升序排序，筛选经济性较好的样本数据，得到浆液循环泵最优运行组合数据库。
优选地，所述电耗通过对脱硫系统6KV母线处的电量计算得到，所述工艺水耗量由对工艺水量统计得到。
优选地，所述石灰石耗量的计算公式为
Figure DEST_PATH_IMAGE003
公式中，ECaCO3为石灰石耗量，单位为kg/h；Q为原烟气流量，m3/h；m SO2in 为原烟气SO2浓度，单位为mg/m3；m SO2out 为净烟气SO2浓度，单位为mg/m3；M CaCO3 为CaCO3的摩尔质量，g/mol；M Ca/S 为钙硫摩尔比；M SO2 为SO2的摩尔质量，单位为g/mol；m CaCO3 为石灰粉中CaCO3的质量分数，单位为%。
优选地，脱硫系统浆液循环泵数量为多个，根据电流大小确定循环泵的启停状态，循环泵启动标记为1，循环泵停止标记为0，多个循环泵启停组合即为1和0的编码，采用十进制编码将多个浆液循环泵的状态转换成十进制，以十进制作为每个最优组合数据中最优训练数据集的分类类型；
所述朴素贝叶斯方法是基于先验概率和后验概率的分类方法，对于n种组合类型的浆液循环泵组合方式，设定每种类型为T i ，i=1,2,...n；对于m种浆液循环泵电耗影响因素，设定每种影响因素为x i ，i=1,2,...m，所有影响因素组成向量x=[x 1,x 2,...,x m]T，则根据贝叶斯公式
Figure 486279DEST_PATH_IMAGE004
得到后验概率；
公式中，p(T i ∣x)为后验概率；p(T i )为浆液循环泵组合类型T i 的先验概率；p(T i ,x)为浆液循环泵组合类型T i 和影响因素x的联合概率；p(x)为循环泵影响因素的概率密度函数；p(x∣T i )为浆液循环泵组合类型为T i 时对应x的概率密度函数，p(x∣T i )的计算公式为
Figure DEST_PATH_IMAGE005
，
浆液循环泵组合类型T i 下的每种影响因素x j 的概率密度函数服从正态分布
Figure 946341DEST_PATH_IMAGE006
公式中，μ i 和σ i 分别为每种浆液循环泵组合类型T i 下浆液循环泵电耗影响因素x j 的均值和方差；
基于浆液循环泵最优运行组合数据库和上述3个公式，建立脱硫系统浆液循环泵优化模型。
优选地，获取某个时刻或时间段浆液循环泵电耗的影响因素，输入到优化模型中，计算得到不同浆液循环泵组合类型T i 下的后验概率，选择后验概率值最大的作为最优的浆液循环泵组合类型。
相比现有技术，本发明具有以下有益效果：
（1）本发明提供了一种浆液循环泵运行最优组合方法，为运行人员提供了一种浆液循环泵调整方式，为脱硫系统实现节能降耗做出贡献；
（2）本发明在浆液循环泵电耗影响因素分析过程中，提供了一种机理定性分析及灰度关联定量分析的方法，为浆液循环泵电耗的影响因素确定提供了一种更完善的方法，筛选的影响因素更具有代表性；
（3）本发明提供了一种基于脱硫系统运行经济性模型的浆液循环泵运行组合数据库，为下一步优化模型建立提供了更有代表性的数据基础；
（4）本发明提供了一种浆液循环泵优化软测量模型，计算过程较为简单、快速，无需额外增加硬件成本，成本较低。
附图说明
为了更清楚地说明本发明具体实施方式或现有技术中的技术方案，下面将对具体实施方式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，下面描述中的附图是本发明的一些实施方式，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1为本发明脱硫系统浆液循环泵运行组合优化方法的流程示意图。
具体实施方式
下面将结合实施例对本发明的技术方案进行清楚、完整地描述，显然，所描述的实施例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。
在本发明的描述中，需要理解的是，术语"中心"、"纵向"、"横向"、"长度"、"宽度"、"厚度"、"上"、"下"、"前"、"后"、"左"、"右"、"竖直"、"水平"、"顶"、"底"、"内"、"外"、"顺时针"、"逆时针"等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。
此外，术语"第一"、"第二"仅用于描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有"第一"、"第二"的特征可以明示或者隐含地包括一个或者更多个所述特征。在本发明的描述中，"多个"的含义是两个或两个以上，除非另有明确具体的限定。此外，术语“安装”、“相连”、“连接”应做广义理解，例如，可以是固定连接，也可以是可拆卸连接，或一体地连接；可以是机械连接，也可以是电连接；可以是直接相连，也可以通过中间媒介间接相连，可以是两个元件内部的连通。对于本领域的普通技术人员而言，可以具体情况理解上述术语在本发明中的具体含义。
本发明提供了一种脱硫系统浆液循环泵运行组合优化方法，如图1所示，其具体包括以下步骤：
步骤101：对脱硫系统反应机理分析，确定浆液循环泵电耗的影响因素，采集浆液循环泵电耗影响因素及浆液循环泵电流的历史运行数据，并通过灰度关联算法确定循环泵电耗的主要影响因素，构建初始训练数据集；
步骤201：基于循环泵运行的机理及脱硫系统运行经济性模型，建立浆液循环泵最优运行组合数据库，构建最优训练数据集；
步骤301：基于最优运行组合数据库组成的最优训练数据集，对浆液循环泵组合模式进行十进制编码，并采用朴素贝叶斯方法建立脱硫系统浆液循环泵优化模型；
步骤401：获取某个时刻或时间段浆液循环泵电耗的影响因素，输入到优化模型中，得到上述时刻或时间段浆液循环泵的最优组合方式。
具体地，步骤101中所述的脱硫系统反应机理包括双膜理论、SO2吸收反应、石灰石溶解、石灰石浆液中和反应、氧化反应和石膏结晶反应，根据反应机理确定石灰石电耗的影响因素。
通过机理反应确定，石灰石电耗的影响因素包括机组负荷、原烟气SO2浓度、原烟气流量、浆液pH值、浆液密度、净烟气SO2浓度、净烟气流量、吸收塔入口压力和出口压力。采用灰度关联算法对上述的影响因素进一步分析，从数据角度筛选得到浆液循环泵电耗的主要影响因素。
灰度关联算法是一种计算目标变量与其影响因素之间关联程度的方法，其步骤包括确定母序列与子序列、对母序列和子序列数据进行无量纲化、计算母序列与子序列对应元素的绝对差值、计算关联系数、计算灰色关联度以及确定选取的特征参数，所述母序列为浆液循环泵电耗，所述子序列为浆液循环泵电耗影响因素，即为机组负荷、原烟气SO2浓度、原烟气流量、浆液pH值、浆液密度、净烟气SO2浓度、净烟气流量、吸收塔入口压力和出口压力。
计算关联系数的公式（公式1）为
Figure 896980DEST_PATH_IMAGE001
上述公式中，k=1,2, ... ,m，y(k)为母序列中第k个样本；x i (k)为子序列中第k个样本第i个特征；n为母序列及子序列样本个数；m为子序列特征个数；ρ为分辨系数，0＜ρ＜1；
计算灰色关联度即为对每个特征参数的关联系数求平均值，所述筛选浆液循环泵电耗的主要影响因素即为筛选出灰色关联度值大于0.9的子序列中的样本。
运行经济性模型为建立脱除SO2的相对成本指标，其公式（公式2）为
Figure DEST_PATH_IMAGE007
，
上述公式中，ESO2为脱除SO2的单位成本，单位为元/kg；E为脱除SO2的总成本，单位为元；mSO2为SO2的脱除量，单位为kg，所述E包括脱硫系统的电耗、石灰石耗量和工艺水耗量。其中，脱硫系统的电耗通过对脱硫系统6KV母线处的电量计算得到，所述工艺水耗量由对工艺水量统计得到。
石灰石耗量的计算公式（公式3）为
Figure 779485DEST_PATH_IMAGE003
公式中，ECaCO3为石灰石耗量，单位为kg/h；Q为原烟气流量，m3/h；m SO2in 为原烟气SO2浓度，单位为mg/m3；m SO2out 为净烟气SO2浓度，单位为mg/m3；M CaCO3 为CaCO3的摩尔质量，g/mol；M Ca/S 为钙硫摩尔比；M SO2 为SO2的摩尔质量，单位为g/mol；m CaCO3 为石灰粉中CaCO3的质量分数，单位为%。
根据脱硫系统运行经济性模型，得到每个训练样本的脱除SO2的相对成本，对训练样本进行升序排序，并根据运行人员的经验，筛选经济性较好的样本数据，得到浆液循环泵最优运行组合数据库。
在本实施例中，脱硫系统浆液循环泵数量为6个，根据电流大小确定循环泵的启停状态，循环泵启动标记为1，循环泵停止标记为0，6个循环泵启停组合即为1和0的编码，采用十进制编码将多个浆液循环泵的状态转换成十进制，也即以十进制作为每个最优组合数据中最优训练数据集的分类类型，共计32种类型。
朴素贝叶斯方法是一种基于先验概率和后验概率的分类方法，对于n种组合类型的浆液循环泵组合方式，设定每种类型为T i ，i=1,2,...n；对于m种浆液循环泵电耗影响因素，设定每种影响因素为x i ，i=1,2,...m，所有影响因素组成向量x=[x 1,x 2,...,x m]T，则根据贝叶斯公式（公式4）
Figure 131969DEST_PATH_IMAGE004
得到后验概率；
公式中，p(T i ∣x)为后验概率；p(T i )为浆液循环泵组合类型T i 的先验概率；p(T i ,x)为浆液循环泵组合类型T i 和影响因素x的联合概率；p(x)为循环泵影响因素的概率密度函数；p(x∣T i )为浆液循环泵组合类型为T i 时对应x的概率密度函数，p(x∣T i )的计算公式（公式5）为
Figure 12200DEST_PATH_IMAGE005
，
浆液循环泵组合类型T i 下的每种影响因素x j 的概率密度函数服从正态分布公式（公式6）
Figure 450135DEST_PATH_IMAGE008
上述公式中，μ i 和σ i 分别为每种浆液循环泵组合类型T i 下浆液循环泵电耗影响因素x j 的均值和方差；
基于浆液循环泵最优运行组合数据库和上述公式4~6，建立脱硫系统浆液循环泵优化模型。
通过获取某个时刻或时间段浆液循环泵电耗的影响因素，输入到上述优化模型中，计算得到不同浆液循环泵组合类型T i 下的后验概率，选择最大的后验概率值作为最优的浆液循环泵组合类型。
最后应说明的是：以上各实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述各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，或者对其中部分或者全部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范围。

Claims (8)

1.一种脱硫系统浆液循环泵运行组合优化方法，其特征在于，包括以下步骤：
步骤101：对脱硫系统反应机理分析，确定浆液循环泵电耗的影响因素，采集浆液循环泵电耗的影响因素及浆液循环泵电流的历史运行数据，并通过灰度关联算法确定循环泵电耗的主要影响因素，构建初始训练数据集；
步骤201：基于循环泵运行的机理及脱硫系统运行经济性模型，建立浆液循环泵最优运行组合数据库，构建最优训练数据集；
步骤301：基于最优运行组合数据库组成的最优训练数据集，脱硫系统浆液循环泵数量为多个，根据电流大小确定循环泵的启停状态，对浆液循环泵组合模式进行十进制编码，循环泵启动标记为1，循环泵停止标记为0，多个循环泵启停组合即为1和0的编码，采用十进制编码将多个浆液循环泵的状态转换成十进制，以十进制作为每个最优组合数据中最优训练数据集的分类类型，并采用朴素贝叶斯方法建立脱硫系统浆液循环泵优化模型，
所述朴素贝叶斯方法是基于先验概率和后验概率的分类方法，对于n种组合类型的浆液循环泵组合方式，设定每种类型为T i ，i=1,2,...n；对于m种浆液循环泵电耗影响因素，设定每种影响因素为x i ，i=1,2,...m，所有影响因素组成向量x=[x 1,x 2,...,x m]T，则根据贝叶斯公式
Figure 1965DEST_PATH_IMAGE001
得到后验概率；
公式中，p(T i ∣x)为后验概率；p(T i )为浆液循环泵组合类型T i 的先验概率；p(T i ,x)为浆液循环泵组合类型T i 和影响因素x的联合概率；p(x)为循环泵影响因素的概率密度函数；p(x∣T i )为浆液循环泵组合类型为T i 时对应x的概率密度函数，p(x∣T i )的计算公式为
Figure 816337DEST_PATH_IMAGE002
，
浆液循环泵组合类型T i 下的每种影响因素x j 的概率密度函数服从正态分布
Figure 638800DEST_PATH_IMAGE003
公式中，μ i 和σ i 分别为每种浆液循环泵组合类型T i 下浆液循环泵电耗影响因素x j 的均值和方差；
基于浆液循环泵最优运行组合数据库和上述3个公式，建立脱硫系统浆液循环泵优化模型；
步骤401：获取某个时刻或时间段浆液循环泵电耗的影响因素，输入到优化模型中，得到上述时刻或时间段浆液循环泵的最优组合方式。
2.根据权利要求1所述的脱硫系统浆液循环泵运行组合优化方法，其特征在于，步骤101中所述脱硫系统反应机理包括双膜理论、SO2吸收反应、石灰石溶解、石灰石浆液中和反应、氧化反应和石膏结晶反应，根据反应机理确定浆液循环泵电耗的影响因素。
3.根据权利要求2所述的脱硫系统浆液循环泵运行组合优化方法，其特征在于，通过上述反应机理确定，所述浆液循环泵电耗的影响因素包括机组负荷、原烟气SO2浓度、原烟气流量、浆液pH值、浆液密度、净烟气SO2浓度、净烟气流量、吸收塔入口压力和出口压力，采用灰度关联算法从数据角度由上述影响因素中分析筛选浆液循环泵电耗的主要影响因素。
4.根据权利要求3所述的脱硫系统浆液循环泵运行组合优化方法，其特征在于，所述灰度关联算法的步骤包括确定母序列与子序列、对母序列和子序列数据进行无量纲化、计算母序列与子序列对应元素的绝对差值、计算关联系数、计算灰色关联度以及确定选取的特征参数，所述母序列为浆液循环泵电耗，所述子序列为浆液循环泵电耗影响因素，所述计算关联系数的公式为
Figure 594248DEST_PATH_IMAGE004
上述公式中，k=1,2, ... ,m，y(k)为母序列中第k个样本；x i (k)为子序列中第k个样本第i个特征；n为母序列及子序列样本个数；m为子序列特征个数；ρ为分辨系数，0＜ρ＜1；
所述计算灰色关联度为对每个特征参数的关联系数求平均值，所述筛选浆液循环泵电耗的主要影响因素即为筛选出灰色关联度值大于0.9的所述子序列中的样本。
5.根据权利要求1所述的脱硫系统浆液循环泵运行组合优化方法，其特征在于，所述运行经济性模型为建立脱除SO2的相对成本指标，其公式为
Figure 793149DEST_PATH_IMAGE005
，
上述公式中，ESO2为脱除SO2的单位成本，单位为元/kg；E为脱除SO2的总成本，单位为元；mSO2为SO2的脱除量，单位为kg，所述E包括脱硫系统的电耗、石灰石耗量和工艺水耗量；
根据脱硫系统运行经济性模型，得到每个训练样本的脱除SO2的相对成本，对训练样本进行升序排序，筛选经济性较好的样本数据，得到浆液循环泵最优运行组合数据库。
6.根据权利要求5所述的脱硫系统浆液循环泵运行组合优化方法，其特征在于，所述电耗通过对脱硫系统6KV母线处的电量计算得到，所述工艺水耗量由对工艺水量统计得到。
7.根据权利要求5所述的脱硫系统浆液循环泵运行组合优化方法，其特征在于，所述石灰石耗量的计算公式为
Figure 462027DEST_PATH_IMAGE006
公式中，ECaCO3为石灰石耗量，单位为kg/h；Q为原烟气流量，m3/h；m SO2in 为原烟气SO2浓度，单位为mg/m3；m SO2out 为净烟气SO2浓度，单位为mg/m3；M CaCO3 为CaCO3的摩尔质量，g/mol；M Ca/S 为钙硫摩尔比；M SO2 为SO2的摩尔质量，单位为g/mol；m CaCO3 为石灰粉中CaCO3的质量分数，单位为%。
8.根据权利要求1所述的脱硫系统浆液循环泵运行组合优化方法，其特征在于，获取某个时刻或时间段浆液循环泵电耗的影响因素，输入到优化模型中，计算得到不同浆液循环泵组合类型T i 下的后验概率，选择后验概率值最大的作为最优的浆液循环泵组合类型。
CN202210807386.1A 2022-07-11 2022-07-11 一种脱硫系统浆液循环泵运行组合优化方法 Active CN114862074B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210807386.1A CN114862074B (zh) 2022-07-11 2022-07-11 一种脱硫系统浆液循环泵运行组合优化方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210807386.1A CN114862074B (zh) 2022-07-11 2022-07-11 一种脱硫系统浆液循环泵运行组合优化方法

Publications (2)

Publication Number Publication Date
CN114862074A CN114862074A (zh) 2022-08-05
CN114862074B true CN114862074B (zh) 2022-09-23

Family

ID=82626533

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210807386.1A Active CN114862074B (zh) 2022-07-11 2022-07-11 一种脱硫系统浆液循环泵运行组合优化方法

Country Status (1)

Country Link
CN (1) CN114862074B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116440670B (zh) * 2023-04-12 2023-10-31 华能伊春热电有限公司 一种石灰石浆液密度稳定性控制方法

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113094988A (zh) * 2021-04-06 2021-07-09 山东建筑大学 一种基于数据驱动的浆液循环泵运行优化方法及系统

Family Cites Families (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH0919623A (ja) * 1995-07-07 1997-01-21 Babcock Hitachi Kk 湿式排ガス脱硫方法および装置
CN111814350A (zh) * 2020-07-22 2020-10-23 西北工业大学 一种基于贝叶斯网络和重要度的涡轮发动机性能优化方法
CN112044243A (zh) * 2020-08-05 2020-12-08 华能国际电力股份有限公司上安电厂 火电机组脱硫装置排放指标自动控制系统及方法

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113094988A (zh) * 2021-04-06 2021-07-09 山东建筑大学 一种基于数据驱动的浆液循环泵运行优化方法及系统

Also Published As

Publication number Publication date
CN114862074A (zh) 2022-08-05

Similar Documents

Publication Publication Date Title
CN109472406B (zh) 一种超低排放多污染物协同脱除系统的全局优化方法
CN113082954B (zh) 一种湿法脱硫装置的全过程智能运行调控系统
CN114862074B (zh) 一种脱硫系统浆液循环泵运行组合优化方法
CN114191953B (zh) 一种基于卷积神经网络和XGBoost的烟气脱硫脱硝控制方法
CN115309117B (zh) 一种基于数据驱动的wfgd出口so2浓度预测及智能优化方法
CN102921287B (zh) 双塔双循环石灰石湿法脱硫装置及方法
CN109978048A (zh) 一种脱硫塔浆液循环泵故障分析与诊断方法
CN109034457A (zh) 一种燃煤电厂污染物低成本协同脱除建模及优化方法
CN112147287B (zh) 一种烟气中HCl的在线测量系统及方法
CN113440990A (zh) 基于emd-lstm的出口so2浓度预测方法
CN111882006A (zh) 一种基于pca和相关函数的脱硫系统数据预处理方法
CN112034795A (zh) 一种基于数据模型和机理运算的氧化风系统控制方法
CN114879514A (zh) 一种基于最优训练样本的多模型湿法脱硫效率预测方法
CN114632624B (zh) 一种电除尘运行优化系统及优化方法
CN113012767A (zh) 基于时间序列的脱硫系统浆液pH值在线预测方法及装置
CN116688754A (zh) 船舶烟气脱硫自动控制系统及其方法
CN111564184A (zh) 燃煤电厂石灰石-石膏湿法脱硫so3协同脱除效率预测方法
CN108564208A (zh) 一种可在线显示脱硫装置运行成本的优化方法
CN207877253U (zh) 一种环保型高浓度盐酸生产装置
CN111841259B (zh) 一种氨水吸收塔循环吸收过程的控制系统及方法
CN116934109A (zh) 燃煤电厂耦合碳捕集与封存的全供应链碳管理方法及系统
CN112415148B (zh) 一种基于在线学习的湿法脱硫系统CaSO3软测量方法
CN112023650A (zh) 一种全工况自适应的pH调节系统
CN110219024A (zh) 反馈式铝电解槽排烟压力控制系统
CN112044270B (zh) 一种基于数据驱动多模型的脱硫氧化风系统控制方法

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