CN115114857A - 脱硝催化剂性能在线评估方法、装置、设备及存储介质 - Google Patents

脱硝催化剂性能在线评估方法、装置、设备及存储介质 Download PDF

Info

Publication number
CN115114857A
CN115114857A CN202210781606.8A CN202210781606A CN115114857A CN 115114857 A CN115114857 A CN 115114857A CN 202210781606 A CN202210781606 A CN 202210781606A CN 115114857 A CN115114857 A CN 115114857A
Authority
CN
China
Prior art keywords
reaction rate
catalyst
reaction
reactant
concentration
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.)
Pending
Application number
CN202210781606.8A
Other languages
English (en)
Inventor
梁占伟
乔加飞
刘秋生
柴晋
甘泉
张千
王富强
李京
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.)
National Energy Group New Energy Technology Research Institute Co Ltd
Original Assignee
National Energy Group New Energy Technology Research Institute 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 National Energy Group New Energy Technology Research Institute Co Ltd filed Critical National Energy Group New Energy Technology Research Institute Co Ltd
Priority to CN202210781606.8A priority Critical patent/CN115114857A/zh
Publication of CN115114857A publication Critical patent/CN115114857A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N31/00—Investigating or analysing non-biological materials by the use of the chemical methods specified in the subgroup; Apparatus specially adapted for such methods
    • G01N31/10—Investigating or analysing non-biological materials by the use of the chemical methods specified in the subgroup; Apparatus specially adapted for such methods using catalysis
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
    • G06F2119/02—Reliability analysis or reliability optimisation; Failure analysis, e.g. worst case scenario performance, failure mode and effects analysis [FMEA]

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Chemical & Material Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Analytical Chemistry (AREA)
  • Immunology (AREA)
  • Pathology (AREA)
  • Chemical Kinetics & Catalysis (AREA)
  • Biochemistry (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • General Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Software Systems (AREA)
  • Computer Hardware Design (AREA)
  • Geometry (AREA)
  • General Engineering & Computer Science (AREA)
  • Molecular Biology (AREA)
  • Exhaust Gas Treatment By Means Of Catalyst (AREA)

Abstract

本发明提供了一种脱硝催化剂性能在线评估方法、装置、设备及存储介质，涉及脱硝催化反应控制技术领域，方法包括：获取脱硝催化反应的入口反应物浓度及反应条件数据；以入口反应物浓度及反应条件数据为输入，经反应速率模型预测反应物的理论反应速率；以入口反应物浓度及反应条件数据为输入，经反应速率机理模型得到反应物的实际反应速率；以反应物的理论反应速率为第一输入，以反应物的实际反应速率为第二输入，经催化剂性能评估模型输出催化剂的理论性能评估值及实际性能评估值，依据催化剂的理论性能评估值及催化剂的实际性能评估值确定当前催化剂的性能状态。本发明解决了现有模型精度不高，难以工程实用的问题。

Description

脱硝催化剂性能在线评估方法、装置、设备及存储介质
技术领域
本发明涉及脱硝催化反应控制技术领域，具体地涉及一种脱硝催化剂性能在线评估方法、一种脱硝催化剂性能在线评估装置、一种脱硝催化剂性能在线评估设备以及一种机器可读存储介质。
背景技术
选择性催化还原(SCR)烟气脱硝技术是迄今为止脱除燃煤烟气中NOx最有效的方法之一。在火电厂实际运行过程中，随着环保对排放要求的进一步提高，喷氨不均、催化剂孔道堵塞和催化剂中毒失火等因素对催化剂性能的影响越来越显著。由于催化剂活性降低，容易导致NOx排放增加甚至超标；为了保证NOx排放达标，需增加喷氨量，致使过量氨气与烟气中SO3反应生成硫酸氢氨和硫酸氨进一步降低催化剂活性，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。为了保证催化剂的性能，需要对催化剂进行再生，以提高催化剂的活性，减少喷氨量，降低氨逃逸。现有技术通常根据技术人员经验或者定期进行催化剂再生，易导致再生不及时。
目前，SCR脱硝催化剂性能建模方法包括基于反应机理的SCR催化剂建模和基于智能算法的SCR催化剂建模。基于反应机理的SCR催化剂建模是依据脱硝催化剂的催化反应机理，建立氨气和NOx的催化反应过程方程，通过实验得到反应过程方程的相关参数，该方法需要实验确定的参数较多，且实验条件与实际运行过程条件差别很大，因此该方法的很难准确的应用于实际条件下催化剂的性能评估。
基于智能算法的SCR催化剂建模方法主要是采用神经网络、支持向量机、深度学习等方法，该方法的关键是找到建模所需要的输入和输出参数，输入参数相对容易找到，但是输入参数的权重分配对建模的准确性、泛化能力有一定的影响；对于输出参数一般采用脱硝效率来评价脱硝催化剂的性能，但是脱硝效率受到运行负荷、喷氨量、NOx入口浓度等因素的影响，很难采用脱硝效率准确评价催化剂的性能。
发明内容
本发明实施例的目的是提供一种脱硝催化剂性能在线评估方法、一种脱硝催化剂性能在线评估装置、一种脱硝催化剂性能在线评估设备以及一种机器可读存储介质，以解决现有技术难以准确评估催化剂性能的问题。
为了实现上述目的，本发明第一方面提供一种脱硝催化剂性能在线评估方法，所述方法包括：
获取脱硝催化反应的入口反应物浓度及反应条件数据；
以入口反应物浓度及反应条件数据为输入，经反应速率模型预测反应物的理论反应速率，所述反应速率模型基于长短时记忆网络算法构建；
以入口反应物浓度及反应条件数据为输入，经反应速率机理模型得到反应物的实际反应速率，所述反应速率机理模型包括催化反应机理中反应物的实际反应速率的确定方式；
以反应物的理论反应速率为第一输入，经催化剂性能评估模型输出催化剂的理论性能评估值，以反应物的实际反应速率为第二输入，经所述催化剂性能评估模型输出催化剂的实际性能评估值，依据催化剂的理论性能评估值及催化剂的实际性能评估值确定当前催化剂的性能状态。
可选地，所述方法还包括：
基于长短时记忆网络算法构建催化剂性能预测模型；
获取多个经所述反应速率机理模型得到的反应物的实际反应速率，以得到的多个实际反应速率为输入，经催化剂性能预测模型预测未来N个步长的催化剂性能评估值。
可选地，所述入口反应物浓度包括入口NO浓度、入口NH3浓度，所述反应条件数据包括反应温度、氧量、烟气量及烟气压降，反应物的反应速率包括NO的反应速率及NH3的反应速率。
可选地，所述反应速率预测模型包括：
遗忘门、输入门及输出门：
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。
可选地，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。
可选地，所述反应速率机理模型包括：
rNO＝(C′NO-C″NO)/τs；
Figure BDA0003728069020000041
τs＝Vcat/Vgas；
其中，rNO和rNH3分别为单位体积催化剂单位时间脱硝反应和氨气氧化反应消耗的NO和NH3的总量，单位为mol/(s·m3)；
C″NO、C″NH3分别为脱硝催化剂出口NO浓度、NH3浓度，单位为mol/m3；
C′NO、C′NH3分别为脱硝催化剂入口NO浓度、NH3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。
可选地，所述催化剂性能评估模型包括：
Figure BDA0003728069020000042
其中，ηSCR为催化剂的性能评估值，
Figure BDA0003728069020000043
为t时刻NH3的反应速率，
Figure BDA0003728069020000044
为NH3的反应速率基准值，
Figure BDA0003728069020000045
为t时刻NO的反应速率，
Figure BDA0003728069020000046
为NO的反应速率基准值，A为权值系数。
本发明第二方面提供一种脱硝催化剂性能在线评估装置，所述装置包括：
数据获取模块，被配置为获取脱硝催化反应的入口反应物浓度及反应条件数据；
催化剂性能评估模块，被配置为以入口反应物浓度及反应条件数据为输入，经反应速率模型预测反应物的理论反应速率，所述反应速率模型基于长短时记忆网络算法构建；
以入口反应物浓度及反应条件数据为输入，经反应速率机理模型得到反应物的实际反应速率，所述反应速率机理模型包括催化反应机理中反应物的实际反应速率的确定方式；
以反应物的理论反应速率为第一输入，经催化剂性能评估模型输出催化剂的理论性能评估值，以反应物的实际反应速率为第二输入，经所述催化剂性能评估模型输出催化剂的实际性能评估值，依据催化剂的理论性能评估值及催化剂的实际性能评估值确定当前催化剂的性能状态。
本发明第三方面提供一种脱硝催化剂性能在线评估设备，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上述的脱硝催化剂性能在线评估方法。
本发明第四方面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上述的脱硝催化剂性能在线评估法。
本发明提供的实施方式具有以下有益效果：
基于脱硝催化机理模型和智能算法耦合实现了脱硝催化剂性能在线评估，解决了基于反应机理的SCR催化剂建模存在实验条件下得到的相关参数与实际运行条件差别过大，以及脱硝效率受到运行负荷、喷氨量、NOx入口浓度等因素影响的问题，同时解决了现有模型精度不高，难以工程实用的问题。
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一种脱硝催化剂性能在线评估方法的方法流程图；
图2示意性示出了根据本发明实施方式的一种脱硝催化剂性能在线评估方法的评估逻辑示意图；
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一种脱硝催化剂性能在线评估装置示意框图。
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。
如图1所示，本实施方式的第一方面提供了一种脱硝催化剂性能在线评估方法，方法包括：
获取脱硝催化反应的入口反应物浓度及反应条件数据；
以入口反应物浓度及反应条件数据为输入，经反应速率模型预测反应物的理论反应速率，反应速率模型基于长短时记忆网络算法构建；
以入口反应物浓度及反应条件数据为输入，经反应速率机理模型得到反应物的实际反应速率，反应速率机理模型包括催化反应机理中反应物的实际反应速率的确定方式；
以反应物的理论反应速率为第一输入，经催化剂性能评估模型输出催化剂的理论性能评估值，以反应物的实际反应速率为第二输入，经催化剂性能评估模型输出催化剂的实际性能评估值，依据催化剂的理论性能评估值及催化剂的实际性能评估值确定当前催化剂的性能状态。
如此，本实施方式基于脱硝催化机理模型和智能算法耦合实现了脱硝催化剂性能在线评估，解决了基于反应机理的SCR催化剂建模存在实验条件下得到的相关参数与实际运行条件差别过大，以及脱硝效率受到运行负荷、喷氨量、NOx入口浓度等因素影响的问题，同时解决了现有模型精度不高，难以工程实用的问题。
本实施方式中，入口反应物浓度包括入口NO浓度、入口NH3浓度，反应条件数据包括反应温度、氧量、烟气量及烟气压降，反应物包括NO及NH3，则反应物的反应速率包括NO的反应速率及NH3的反应速率。可以理解的，上述参数可以通过SCR脱硝系统直接在线获取。
长短时记忆网络(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，可作为复杂的非线性单元用于构造更大型深度神经网络。如图2所示，本实施方式利用LSTM算法处理时间序列数据的优点，预先基于LSTM算法建立SCR脱硝催化剂催化反应的反应速率模型，以入口NO浓度、入口NH3浓度，反应条件数据包括反应温度、氧量、烟气量及烟气压降为输入，并通过反应速率模型实现中间变量rNO和rNH3的预测输出，以反应速率模型输出的rNO和rNH3作为NO和NH3的理论反应速率。本实施方式中，反应速率机理模型基于催化脱硝脱除NO和氨气氧化机理模型构建，其建立了入口反应物浓度及反应条件数据与NO和NH3的实际反应速率之间的关系，从而能够通过反应速率机理模型，根据得到的反应数据确定NO和NH3的实际反应速率。
在得到NO和NH3的理论反应速率和实际反应速率后，将得到的理论反应速率和实际反应速率分别输入催化剂性能评估模型，得到催化剂的理论性能评估值及催化剂的实际性能评估值，比较二者的差评估值，对比理想状态催化剂性能和当前状态催化剂性能，便可评估得到当前催化剂的性能状态。
本实施方式的方法还包括：基于长短时记忆网络算法构建催化剂性能预测模型；获取多个经反应速率机理模型得到的反应物的实际反应速率，以得到的多个实际反应速率为输入，经催化剂性能预测模型预测未来N个步长的催化剂性能评估值。
例如，每隔10天采集1组输入数据，即入口反应物浓度及反应条件数据，共采集10组输入数据；利用反应速率机理模型计算得到10组数据的催化剂性能；然后以10组催化剂性能作为基于LSTM智能算法构建的催化剂性能预测模型的输入，预测未来5个步长的催化剂性能，即预测未来50天的催化剂性能。可以理解的，也能够通过增加输入数组的组数，实现预测未来更多步长的催化剂性能，如预测未来9个步长的催化剂性能，即未来90天的催化剂性能，从而进一步实现对未来催化剂性能的预测。
本实施方式中，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过程主要包括：模型构建、样本获取、参数调优、模型验证、在线部署等阶段。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。
如图4及图5所示，本实施方式中的LSTM算法采用权值和超参数同步寻优，LSTM算法的超参数采用遗传算法(GA)寻优，权值寻优采用自适应动量估计(Adam)梯度优化算法寻优。通过PI系统采集历史数据，通过以下关系式实现数据标准化：
Figure BDA0003728069020000091
其中，x,
Figure BDA0003728069020000092
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。将采集到的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。具体的，训练过程包括：将训练数据、设置的超参数及初始化的权值输入LSTM算法，利用Adam算法对权值进行更新寻优，得到当前超参数的最优权值，然后将当前最优权值和初始超参数输入至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，测试训练误差，若满足要求则输出最优超参数和最优权值；若不满足误差要求，则采用GA算法对超参数更新寻优，如此循环迭代直至满足误差要求，输出最优超参数和最优权值。其中，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：
Figure BDA0003728069020000093
其中，yi表示第i个因变量实际值；
Figure BDA0003728069020000094
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。
可以理解的，催化剂性能预测模型同样可采用上述方法进行模型的训练及相关参数的更新。
基于催化脱硝脱除NO和氨气氧化机理模型分析可知，催化脱硝脱除NO和氨气氧化机理反应速率分别表示如下：
Figure BDA0003728069020000101
Figure BDA0003728069020000102
Figure BDA0003728069020000103
Figure BDA0003728069020000104
其中，ra为吸附速度，单位为s–1；ka为吸附反应系数，单位为m3/(s·mol)；rd为脱附速度，单位为s–1；kd为脱附反应系数，单位为s–1；rNO为单位体积催化剂单位时间内脱硝反应消耗的NO的量，单位为mol/(s·m3)；rOx为单位体积催化剂单位时间内脱硝氧化反应消耗的NH3的量，单位为mol/(s·m3)；kNO为脱硝反应速率常数，单位为m3/(mol·s)；kOx为氨气氧化的反应速率常数，单位为m3/(mol·s)；C′NO为脱硝催化剂入口NO浓度，单位为mol/m3；θNH3为催化剂表面NH3覆盖率。可以理解的，上述参数属于反应条件数据。
根据脱硝催化剂出入口NO和氨气质量平衡，将以上机理模型简化得到反应速率机理模型：
rNO＝(C′NO-C″NO)/τs；
Figure BDA0003728069020000105
其中，τs＝Vcat/Vgas；
通过上式可以得到rSCR，即rNO和rNH3，其中，rNO和rNH3分别为单位体积催化剂单位时间脱硝反应和氨气氧化反应消耗的NO和NH3的总量，单位为mol/(s·m3)；C″NO、C″NH3分别为脱硝催化剂出口NO浓度、NH3浓度，单位为mol/m3；C′NO、C′NH3分别为脱硝催化剂入口NO浓度、NH3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。
本实施方式中，利用简化机理模型得到的rNO和rNH3加权求和得到催化剂性能评估指标ηSCR，具体的，催化剂性能评估模型如下：
Figure BDA0003728069020000111
其中，ηSCR为催化剂的性能评估值，
Figure BDA0003728069020000112
为t时刻NH3的反应速率，
Figure BDA0003728069020000113
为NH3的反应速率基准值，
Figure BDA0003728069020000114
为t时刻NO的反应速率，
Figure BDA0003728069020000115
为NO的反应速率基准值，A为权值系数。
本实施方式通过简化催化剂催化反应机理模型，避免对实验室条件下确定相关参数的依赖，使其具备了工程实用性；通过耦合催化剂催化反应机理模型和智能算法模型建立SCR脱硝催化剂性能在线评估和预测模型，对NOx催化反应速率和氨气催化反应速率加权得到催化剂性能评估指标，从而有效解决了脱硝效率作为智能算法输出难以准确预测催化剂性能的问题，实现了SCR催化剂性能的准确在线评估和未来性能的预测。
通过在线采集与脱硝系统出口NO浓度和氨逃逸有关的运行参数，利用最优权值和超参数，建立催化剂性能评估模型，从而能够适应锅炉全负荷工况及多燃料种类混燃工况。
如图6所示，本发明第二方面提供一种脱硝催化剂性能在线评估装置，装置包括：
数据获取模块，被配置为获取脱硝催化反应的入口反应物浓度及反应条件数据；
催化剂性能评估模块，被配置为以入口反应物浓度及反应条件数据为输入，经反应速率模型预测反应物的理论反应速率，反应速率模型基于长短时记忆网络算法构建；
以入口反应物浓度及反应条件数据为输入，经反应速率机理模型得到反应物的实际反应速率，反应速率机理模型包括催化反应机理中反应物的实际反应速率的确定方式；
以反应物的理论反应速率为第一输入，经催化剂性能评估模型输出催化剂的理论性能评估值，以反应物的实际反应速率为第二输入，经催化剂性能评估模型输出催化剂的实际性能评估值，依据催化剂的理论性能评估值及催化剂的实际性能评估值确定当前催化剂的性能状态。
上述的脱硝催化剂性能在线评估装置中的各个功能模块的具体限定可以参见上文中对于脱硝催化剂性能在线评估方法的限定，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。
本发明第三方面提供一种脱硝催化剂性能在线评估设备，包括：至少一个处理器；存储器，与至少一个处理器连接；其中，存储器存储有能被至少一个处理器执行的指令，至少一个处理器通过执行存储器存储的指令实现上述的脱硝催化剂性能在线评估方法。
可以理解的，此处的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。
本发明第四方面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上述的脱硝催化剂性能在线评估法。
综上所述，本实施方式基于脱硝催化机理模型和智能算法建立的脱硝催化剂性能评估模型，通过建立的模型对历史数据进行分析，实现了脱硝催化剂性能的在线评估和未来发展趋势预测，保证了性能评估的高准确度和全工况适应能力。同时解决了基于反应机理的SCR催化剂建模对实验条件下得到的相关参数与实际运行条件差别过大的问题以及解决了脱硝效率受到运行负荷、喷氨量、NOx入口浓度等因素影响的问题。
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 (10)

1.一种脱硝催化剂性能在线评估方法，其特征在于，所述方法包括：
获取脱硝催化反应的入口反应物浓度及反应条件数据；
以入口反应物浓度及反应条件数据为输入，经反应速率模型预测反应物的理论反应速率，所述反应速率模型基于长短时记忆网络算法构建；
以入口反应物浓度及反应条件数据为输入，经反应速率机理模型得到反应物的实际反应速率，所述反应速率机理模型包括催化反应机理中反应物的实际反应速率的确定方式；
以反应物的理论反应速率为第一输入，经催化剂性能评估模型输出催化剂的理论性能评估值，以反应物的实际反应速率为第二输入，经所述催化剂性能评估模型输出催化剂的实际性能评估值，依据催化剂的理论性能评估值及催化剂的实际性能评估值确定当前催化剂的性能状态。
2.根据权利要求1所述的脱硝催化剂性能在线评估方法，其特征在于，所述方法还包括：
基于长短时记忆网络算法构建催化剂性能预测模型；
获取多个经所述反应速率机理模型得到的反应物的实际反应速率，以得到的多个实际反应速率为输入，经催化剂性能预测模型预测未来N个步长的催化剂性能评估值。
3.根据权利要求1所述的脱硝催化剂性能在线评估方法，其特征在于，所述入口反应物浓度包括入口NO浓度、入口NH3浓度，所述反应条件数据包括反应温度、氧量、烟气量及烟气压降，反应物的反应速率包括NO的反应速率及NH3的反应速率。
4.根据权利要求1所述的脱硝催化剂性能在线评估方法，其特征在于，所述反应速率预测模型包括：
遗忘门、输入门及输出门：
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。
5.根据权利要求4所述的脱硝催化剂性能在线评估方法，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。
6.根据权利要求1所述的脱硝催化剂性能在线评估方法，其特征在于，所述反应速率机理模型包括：
rNO＝(C′NO-C″NO)/τs；
Figure FDA0003728069010000031
τs＝Vcat/Vgas；
其中，rNO和rNH3分别为单位体积催化剂单位时间脱硝反应和氨气氧化反应消耗的NO和NH3的总量，单位为mol/(s·m3)；
C″NO、C″NH3分别为脱硝催化剂出口NO浓度、NH3浓度，单位为mol/m3；
C′NO、C′NH3分别为脱硝催化剂入口NO浓度、NH3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。
7.根据权利要求1所述的脱硝催化剂性能在线评估方法，其特征在于，所述催化剂性能评估模型包括：
Figure FDA0003728069010000032
其中，ηSCR为催化剂的性能评估值，
Figure FDA0003728069010000033
为t时刻NH3的反应速率，
Figure FDA0003728069010000034
为NH3的反应速率基准值，
Figure FDA0003728069010000035
为t时刻NO的反应速率，
Figure FDA0003728069010000036
为NO的反应速率基准值，A为权值系数。
8.一种脱硝催化剂性能在线评估装置，其特征在于，所述装置包括：
数据获取模块，被配置为获取脱硝催化反应的入口反应物浓度及反应条件数据；
催化剂性能评估模块，被配置为以入口反应物浓度及反应条件数据为输入，经反应速率模型预测反应物的理论反应速率，所述反应速率模型基于长短时记忆网络算法构建；
以入口反应物浓度及反应条件数据为输入，经反应速率机理模型得到反应物的实际反应速率，所述反应速率机理模型包括催化反应机理中反应物的实际反应速率的确定方式；
以反应物的理论反应速率为第一输入，经催化剂性能评估模型输出催化剂的理论性能评估值，以反应物的实际反应速率为第二输入，经所述催化剂性能评估模型输出催化剂的实际性能评估值，依据催化剂的理论性能评估值及催化剂的实际性能评估值确定当前催化剂的性能状态。
9.一种脱硝催化剂性能在线评估设备，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8中任一项权利要求所述的脱硝催化剂性能在线评估方法。
10.一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8中任一项权利要求所述的脱硝催化剂性能在线评估法。
CN202210781606.8A 2022-07-04 2022-07-04 脱硝催化剂性能在线评估方法、装置、设备及存储介质 Pending CN115114857A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210781606.8A CN115114857A (zh) 2022-07-04 2022-07-04 脱硝催化剂性能在线评估方法、装置、设备及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210781606.8A CN115114857A (zh) 2022-07-04 2022-07-04 脱硝催化剂性能在线评估方法、装置、设备及存储介质

Publications (1)

Publication Number Publication Date
CN115114857A true CN115114857A (zh) 2022-09-27

Family

ID=83330411

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210781606.8A Pending CN115114857A (zh) 2022-07-04 2022-07-04 脱硝催化剂性能在线评估方法、装置、设备及存储介质

Country Status (1)

Country Link
CN (1) CN115114857A (zh)

Similar Documents

Publication Publication Date Title
CN112580250A (zh) 基于深度学习的火电机组脱硝系统及优化控制方法
CN111921377B (zh) 基于机理与数据驱动的scr脱硝喷氨控制方法及系统
US20090293457A1 (en) System and method for controlling NOx reactant supply
CN111581581B (zh) 多边界条件下SCR入口NOx浓度的检测方法和系统
CN112488145A (zh) 一种基于智能化方法的NOx在线预测方法及系统
CN112613237B (zh) 一种基于LSTM的CFB机组NOx排放浓度的预测方法
CN110716512A (zh) 一种基于燃煤电站运行数据的环保装备性能预测方法
CN111860701B (zh) 一种基于聚类方法的脱硝系统工况判别预处理方法
Zhang et al. MPC case study on a selective catalytic reduction in a power plant
CN106680428A (zh) 一种用于脱硝控制系统的软测量方法
CN112733876A (zh) 基于模块化神经网络的城市固废焚烧过程氮氧化物软测量方法
CN112365065B (zh) 一种wfgd自适应在线优化调度方法
CN111489605B (zh) 基于Simulink与WinCC的喷氨优化控制仿真系统
CN112364562A (zh) 一种烟气环保岛协同控制方法及系统
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
CN113488111B (zh) 一种scr脱硝系统喷氨量优化建模方法
CN117540938B (zh) 基于td3强化学习优化的集成式建筑能耗预测方法及系统
CN117744704A (zh) 一种烟气污染源采集监测系统、方法及可读存储介质
CN115114857A (zh) 脱硝催化剂性能在线评估方法、装置、设备及存储介质
WO2024130992A1 (zh) 一种mswi过程二噁英排放浓度在线软测量方法
CN113192569A (zh) 基于改进粒子群和误差反馈神经网络的有害气体监测方法
CN109933884B (zh) 一种面向燃煤机组scr脱硝系统神经网络逆控制的方法
CN116312869A (zh) 催化裂化再生烟气氮氧化物预测方法、装置及系统
CN114021819B (zh) 基于分数阶灰色延时模型的火电厂氮氧化物含量预测方法
Pasquale et al. Optimization of time‐varying feedback controller parameters for freeway networks

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