CN115509189A - 一种应用于湿法脱硫系统的大数据调控方法及系统 - Google Patents
一种应用于湿法脱硫系统的大数据调控方法及系统 Download PDFInfo
- Publication number
- CN115509189A CN115509189A CN202211162385.2A CN202211162385A CN115509189A CN 115509189 A CN115509189 A CN 115509189A CN 202211162385 A CN202211162385 A CN 202211162385A CN 115509189 A CN115509189 A CN 115509189A
- Authority
- CN
- China
- Prior art keywords
- desulfurization
- parameters
- control
- big data
- 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.)
- Pending
Links
- 238000006477 desulfuration reaction Methods 0.000 title claims abstract description 137
- 230000023556 desulfurization Effects 0.000 title claims abstract description 137
- 238000000034 method Methods 0.000 title claims abstract description 43
- 238000012544 monitoring process Methods 0.000 claims abstract description 44
- VEXZGXHMUGYJMC-UHFFFAOYSA-M Chloride anion Chemical compound [Cl-] VEXZGXHMUGYJMC-UHFFFAOYSA-M 0.000 claims abstract description 43
- 238000013528 artificial neural network Methods 0.000 claims abstract description 27
- 239000002002 slurry Substances 0.000 claims description 46
- 238000007254 oxidation reaction Methods 0.000 claims description 43
- 230000003647 oxidation Effects 0.000 claims description 40
- 239000003546 flue gas Substances 0.000 claims description 36
- UGFAIRIUMAVXCW-UHFFFAOYSA-N Carbon monoxide Chemical compound [O+]#[C-] UGFAIRIUMAVXCW-UHFFFAOYSA-N 0.000 claims description 34
- 229910052801 chlorine Inorganic materials 0.000 claims description 30
- 239000000460 chlorine Substances 0.000 claims description 30
- ZAMOUSCENKQFHK-UHFFFAOYSA-N Chlorine atom Chemical compound [Cl] ZAMOUSCENKQFHK-UHFFFAOYSA-N 0.000 claims description 28
- 239000010440 gypsum Substances 0.000 claims description 22
- 229910052602 gypsum Inorganic materials 0.000 claims description 22
- 230000002068 genetic effect Effects 0.000 claims description 21
- 238000004422 calculation algorithm Methods 0.000 claims description 19
- 238000005457 optimization Methods 0.000 claims description 19
- 238000012549 training Methods 0.000 claims description 19
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 18
- 238000010521 absorption reaction Methods 0.000 claims description 17
- 239000002351 wastewater Substances 0.000 claims description 17
- 239000002699 waste material Substances 0.000 claims description 14
- 235000019738 Limestone Nutrition 0.000 claims description 13
- 239000006028 limestone Substances 0.000 claims description 13
- 230000008859 change Effects 0.000 claims description 11
- 238000005516 engineering process Methods 0.000 claims description 11
- 230000006870 function Effects 0.000 claims description 11
- 230000033228 biological regulation Effects 0.000 claims description 9
- 238000007781 pre-processing Methods 0.000 claims description 9
- 230000007246 mechanism Effects 0.000 claims description 7
- ODINCKMPIJJUCX-UHFFFAOYSA-N Calcium oxide Chemical compound [Ca]=O ODINCKMPIJJUCX-UHFFFAOYSA-N 0.000 claims description 6
- 230000035772 mutation Effects 0.000 claims description 6
- 230000008569 process Effects 0.000 claims description 6
- 238000011217 control strategy Methods 0.000 claims description 5
- 230000033116 oxidation-reduction process Effects 0.000 claims description 5
- 238000005070 sampling Methods 0.000 claims description 5
- 238000004458 analytical method Methods 0.000 claims description 4
- 239000003344 environmental pollutant Substances 0.000 claims description 4
- 231100000719 pollutant Toxicity 0.000 claims description 4
- 238000012360 testing method Methods 0.000 claims description 4
- 235000012255 calcium oxide Nutrition 0.000 claims description 3
- 239000000292 calcium oxide Substances 0.000 claims description 3
- 238000007418 data mining Methods 0.000 claims description 3
- 238000001914 filtration Methods 0.000 claims description 3
- 239000000463 material Substances 0.000 claims description 3
- 230000001105 regulatory effect Effects 0.000 claims description 2
- 230000003750 conditioning effect Effects 0.000 claims 5
- 238000005507 spraying Methods 0.000 claims 2
- 238000007599 discharging Methods 0.000 claims 1
- 230000035484 reaction time Effects 0.000 claims 1
- 239000000126 substance Substances 0.000 description 10
- 230000007613 environmental effect Effects 0.000 description 6
- 238000005259 measurement Methods 0.000 description 6
- 238000006243 chemical reaction Methods 0.000 description 4
- 150000002500 ions Chemical class 0.000 description 4
- 230000004044 response Effects 0.000 description 4
- LSNNMFCWUKXFEE-UHFFFAOYSA-N Sulfurous acid Chemical compound OS(O)=O LSNNMFCWUKXFEE-UHFFFAOYSA-N 0.000 description 3
- 230000008901 benefit Effects 0.000 description 3
- 239000007921 spray Substances 0.000 description 3
- 238000012795 verification Methods 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- -1 chlorine ions Chemical class 0.000 description 2
- 238000010276 construction Methods 0.000 description 2
- JTJMJGYZQZDUJJ-UHFFFAOYSA-N phencyclidine Chemical class C1CCCCN1C1(C=2C=CC=CC=2)CCCCC1 JTJMJGYZQZDUJJ-UHFFFAOYSA-N 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 210000002966 serum Anatomy 0.000 description 2
- 230000009466 transformation Effects 0.000 description 2
- QAOWNCQODCNURD-UHFFFAOYSA-L Sulfate Chemical compound [O-]S([O-])(=O)=O QAOWNCQODCNURD-UHFFFAOYSA-L 0.000 description 1
- 230000002159 abnormal effect Effects 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 238000003915 air pollution Methods 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 239000006227 byproduct Substances 0.000 description 1
- 238000000738 capillary electrophoresis-mass spectrometry Methods 0.000 description 1
- 239000003245 coal Substances 0.000 description 1
- 238000002485 combustion reaction Methods 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 230000007797 corrosion Effects 0.000 description 1
- 238000005260 corrosion Methods 0.000 description 1
- 238000002790 cross-validation Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 239000007789 gas Substances 0.000 description 1
- 238000009499 grossing Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 239000007788 liquid Substances 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 239000003595 mist Substances 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 210000002569 neuron Anatomy 0.000 description 1
- 230000010355 oscillation Effects 0.000 description 1
- 238000003909 pattern recognition Methods 0.000 description 1
- 230000008092 positive effect Effects 0.000 description 1
- 230000001737 promoting effect Effects 0.000 description 1
- 238000004445 quantitative analysis Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 230000004083 survival effect Effects 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B19/00—Programme-control systems
- G05B19/02—Programme-control systems electric
- G05B19/418—Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS] or computer integrated manufacturing [CIM]
- G05B19/41865—Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS] or computer integrated manufacturing [CIM] characterised by job scheduling, process planning, material flow
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B2219/00—Program-control systems
- G05B2219/30—Nc systems
- G05B2219/32—Operator till task planning
- G05B2219/32252—Scheduling production, machining, job shop
Landscapes
- Engineering & Computer Science (AREA)
- General Engineering & Computer Science (AREA)
- Manufacturing & Machinery (AREA)
- Quality & Reliability (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Automation & Control Theory (AREA)
- Treating Waste Gases (AREA)
Abstract
本发明公开了一种应用于湿法脱硫系统的大数据调控方法，所述方法包括：通过添加氯离子在线监测与氧化还原电位在线监测完善脱硫系统大数据监测参数；获取脱硫系统当前时刻的运行参数，并对获取的运行参数进行滤波；基于经济衡算模型计算滤波后的运行参数，得到脱硫系统的实时成本；将实时成本输入优化后的BP神经网络，获取经济衡算模型的最优控制参数；根据最优控制参数运行机组，实现成本最低化。本发明还公开了一种脱硫系统。
Description
技术领域
本发明涉及一种应用于湿法脱硫系统的大数据调控方法及系统，属于湿法脱硫技术领域。
背景技术
近年来，各火电企业要着力推进环保灵活性改造。“智慧环保”作为“数字环保”的拓展，将进一步借助物联网技术高效的捕获和传输数据，再通过超级计算机、云计算等技术整合，实现更加精准、动态的环保系统管理。环保行业向智慧环保转型前景十分广阔。
火力电厂具有较大数据基础，但在实际应用上，当前流行智慧电厂方案仍是以人员定位、现场WiFi、巡检机器人等技术门槛相对较低的内容为主，尤其是关注脱硫系统智能环保建设项目仍然较少。
由于脱硫系统受各种复杂工况的影响，且具有大惯性、非线性等特点，化学机理建模只能较粗略地对脱硫系统重要指标进行预测。当前化学机理建模的手段主要是通过传质理论、化学动力学建立系列微分方程求解，或者通过离子平衡规律、电中性原理建立守恒方程求解。化学机理建模的优势在于可以计算和判断各主要化学物质的浓度和存在形式，并可以对物质的空间分布进行分析。但是，化学机理建模也面临因计算代价大从而过度简化、无法考虑复杂工况等问题，导致预测效果较差，模型迁移能力不强。
脱硫系统智能化建设中，在控制系统优化方面，通过使用BP神经网络，可以实现对脱硫系统的动态建模和参数预测，神经网络的输出结果基于模糊规则转换后输入模糊控制器，利用模糊控制器将PI控制器的参数调整到最优状态，能够具有快速、准确、鲁棒性高等优势。随着人工智能技术的高速发展和不断成熟，神经网络算法由于其自组织、自适应、自更新和高速寻优等优点，不断的被应用到烟气脱硫系统领域当中。
燃煤电厂为了减少SO2排放产生的大气污染，普遍采取了烟气脱硫技术，FGD技术经过多年的探索实践，技术手段已经基本成熟。但是，由于电网需求的间歇性带来的锅炉负荷变化，使得SO2排放量波动幅度较大，在不能定量分析循环泵、增压风机、氧化风机等运行参数变化对脱硫系统运行的影响时，为了保证烟气排放达标，电厂只能维持总体较低的排放水平，从而防止瞬间超标的发生，但带来运行成本的增加。因此，利用现代预测算法，结合现场工况数据，对SO2排放量及其变化趋势提前做出预判，提前调整现场运行工况，使得石灰石浆液补充量、氧化风量趋于稳定，电厂就能实现SO2排放的经济达标。另一方面，即使在控制排放水平不变的情况下，更优的参数组合也会提升脱硫系统的经济效率。在预测算法提供的定量分析的基础上，利用现代优化算法，求解满足脱硫效率和安全要求的经济、节能工况运行参数正逐步引起学界和企业的重视。
为了解决燃煤电厂湿法脱硫系统中大数据调控问题，近年来，国内外的研究人员进行了一系列的研究，公开号为CN 109657910 A的中国发明专利公开了一种基于大数据的脱硫氧化风系统间歇运行方法及系统；公开号为CN 109711642A的中国发明专利，公开了一种基于大数据的脱硫系统运行优化方法和系统；公开号为CN 109603494A的中国发明专利，公开了一种基于大数据的脱硫装置吸收循环系统优化运行方法及吸收循环系统。这些方法普遍意识到了脱硫浆液氧化控制的重要性，设计专门的SO2计算模块，通过计算所需氧化风量指导氧化风机的工作状况调节，期望保障浆液亚硫酸根在要求范围内，这些方法测量参数少，控制目标单一，无法真正实现以大数据的方式优化整个燃煤电厂湿法脱硫系统。所以需要一个覆盖面更广的应用于燃煤电厂湿法脱硫系统的大数据调控方法。
现有燃煤电厂湿法脱硫系统大数据调控方式逐渐增多，但是大数据在参数类别方面与已有监测参数区别较小，大数据调控能够起到的系统优化有限。通过增加大数据监测参数覆盖面来提高大数据调控策略对于燃煤电厂湿法脱硫系统的优化空间才是大数据应用于脱硫系统优化的正确方向。
发明内容
本发明的目的在于提供一种应用于湿法脱硫系统的大数据调控方法及系统，以解决现有燃煤电厂湿法脱硫系统大数据调控方式逐渐增多，但是大数据在参数类别方面与已有监测参数区别较小，大数据调控能够起到的系统优化有限的缺陷。
一种应用于湿法脱硫系统的大数据调控方法，所述方法包括：
通过添加氯离子在线监测与氧化还原电位在线监测完善脱硫系统大数据监测参数；
获取脱硫系统当前时刻的运行参数，并对获取的运行参数进行滤波；
基于经济衡算模型计算滤波后的运行参数，得到脱硫系统的实时成本；
将实时成本输入优化后的BP神经网络，获取经济衡算模型的最优控制参数；
根据最优控制参数运行机组，实现成本最低化。
进一步地，所述运行参数进行滤波采用指数滑动平均技术，所述指数滑动平均技术公式如下：
vt＝(1-β)vt-1+βrt (1)
式中：vt为t时刻指数滑动平均值，rt原始值，β为递减系数，l为窗口长度(min)，在0-7min 根据容忍的误差限和最短工况反应时间选定窗口长度进行调节。
进一步地，所述BP神经网络采用传算法优化，遗传算法优化控制参数是运用遗传算法对神经网络的权重值和阈值进行调节，使得经济指标优化模型的输出一个最优值。
进一步地，所述遗传算法调节的参数包括种群初始化，适应度函数，选择算子，交叉算子和变异算子；
所述种群初始化，通过pop参数，产生N个初始化数据，每一个初始化数据为一个遗传个体，N个遗传个体则构成了一个种群；
所述适应度函数，在使用遗传算法优化的BP神经网络进行输出时，实现实际值与预测值的均方根误差最小化；
所述选择算子，在进行模型训练时，采用随机便利抽样选择适应性强的个体；
所述交叉算子以及变异算子使用xOverFNs和mutFNs函数，选用的参数分别为xOverOPs 和mutOps。
进一步地，所述经济衡算模型包括：
建立湿法脱硫系统氯离子平衡对湿法脱硫系统浆液排放进行调控；
预设氧化还原电位控制逻辑对氧化系统进行调控，并用机理特性分析和数据挖掘技术，进行脱硫系统经济成本的核算。
进一步地，湿法脱硫系统氯离子调控方法包括：
根据物料守恒定律，吸收塔内脱硫系统内的氯含量变化等于进出系统的氯含量差值：
ΔQ＝Qin+Qlimestone+Qwater-Qout-Qgypsum-Qwaste (3)
式中，ΔQ为脱硫系统氯离子含量变化量，Qin为入口烟气中氯的质量流量，Qlimestone为生石灰中氯的质量流量，Qwater为脱硫工艺水中氯的质量流量，Qout为出口烟气中氯的质量流量，取0，Qgypsum为石膏中氯的质量流量，Qwaste为脱硫废水中氯的质量流量；
将Qwaste＝C×V；ΔQ＝C2×V2-C1×V1；
其中，C为脱硫废水氯离子浓度，C1为吸收塔排浆前的浆液氯离子浓度，C2为吸收塔排浆后的浆液氯离子浓度，V为排放脱硫废水体积；代入(3)得：
Qwaste＝Qin+Qlimestone+Qwater-Qwater-Qgypsum-ΔQ (4)
C×V＝Qin+Qlimestone+Qwater-Qout-Qgypsum-(C2×V2-C1×V1) (5)
等式两边同时除以C，得到
其中，A、B为常数。
进一步地，所述BP神经网络训练方法包括：
获取脱硫系统的原始运行参数，并且对获得的原始数据进行数据预处理；
对数据随机取样分类为训练集，测试集，验证集，获得模型训练样本集合；
将训练样本集合输入模型，得到BP神经网络。
一种应用于湿法脱硫系统的大数据调控系统，所述系统包括：
数据预处理模块，用于接收烟气在线监测及ORP在线监测的运行参数，并对运行参数进行预处理；
大数据调控策略，用于接收预处理后的运行参数，并根据运行参数给予浆液排出泵和氧化空气管调控指令；
浆液循环泵，根据调控指令改变喷淋层的浆液喷出量，实现排放脱硫废水的污染物浓度控制。
与现有技术相比，本发明所达到的有益效果：本发明通过添加氯离子在线监测与氧化还原电位在线监测完善大数据监测参数并对燃煤电厂湿法脱硫进行调控，实现对现有燃煤电厂湿法脱硫系统的优化，能够对脱硫系统在线监测参数进行处理，得出合适的控制值并进行优化控制。
附图说明
图1为湿法脱硫系统优化模型逻辑；
图2为石灰石-石膏法烟气脱硫系统氯离子平衡；
图3为石灰石-石膏法烟气脱硫系统氧化控制方法；
图4为燃煤电厂湿法脱硫系统大数据调控系统图；
图中：1、ORP在线监测；2、烟气在线监测；3、数据预处理模块；4、大数据调控策略；5、浆液排出泵；6、氧化空气管；7、浆液循环泵；8、喷淋层；9、除雾器。
具体实施方式
为使本发明实现的技术手段、创作特征、达成目的与功效易于明白了解，下面结合具体实施方式，进一步阐述本发明。
实施例1
本发明公开了一种应用于湿法脱硫系统的大数据调控方法，所述方法包括：
通过添加氯离子在线监测与氧化还原电位在线监测完善脱硫系统大数据监测参数；
获取脱硫系统当前时刻的运行参数，并对获取的运行参数进行滤波；
基于经济衡算模型计算滤波后的运行参数，得到脱硫系统的实时成本；
将实时成本输入优化后的BP神经网络，获取经济衡算模型的最优控制参数；
根据最优控制参数运行机组，实现成本最低化。
对上述方法进行详细的介绍：
获取脱硫系统当前时刻的运行参数，所述运行参数包括测量参数和控制参数；
其中，所述测量参数包括脱硫系统入口烟气量、脱硫系统入口烟气温度、脱硫系统入口烟气SO2浓度等参数，所述控制参数包括脱硫浆液pH、脱硫浆液氧化还原电位、脱硫浆液氯离子浓度、脱硫浆液密度、氧化风量等参数。
进一步的，对在线监测系统提供的原始数据采用指数滑动平均技术(ExponentialMoving Average,EMA)进行滤波。因为电厂监测系统测量值易受温度、湿度等影响而漂移，EMA可以使得数据输入更重视变化趋势而不是瞬时振荡，对神经网络模型训练过程、防止过拟合有积极作用。
采用的EMA公式如下1，2所示：
vt＝(1-β)vt-1+βrt (1)
式中：vt为t时刻指数滑动平均值，rt原始值。β为递减系数，l为窗口长度(min)。
目前基于神经网络的脱硫系统相关预测模型，大都是基于前1min的DCS监测值预测后1min的监测值。这样模型的预测误差虽然较小，但实际应用时由于控制系统的响应一般很难达到如此小的时间精度，实际中仍然需要对一个段时间段(一般为控制系统最小反应时间) 取平均，再带入网络计算，而由于网络是针对1min设计和训练的，容易造成较大误差。对模型参数调整即可改变最小预测周期。随最小分析周期增大，误差边缘范围扩大、异常点增多，这是做长时段预测所必然面对的情况，电厂可以在7min内根据容忍的误差限和最短工况反应时间选定网络参数。
主要使用了遗传算法优化BP神经网络，主要分为BP神经网络结构确定，遗传算法优化控制参数，BP神经网络训练及预测。经济指标优化模型的输入为脱硫系统的运行参数，模型输出为脱离系统的最优控制参数以及实时成本如图1所示。
BP神经网络结构确定包括：获取脱硫系统的实时运行参数，并且对获得的数据进行数据预处理，包括指数平滑降噪，蒙特克罗交叉验证剔除异常值，对数据随机取样分类为训练集，测试集，验证集，最终获得模型训练样本集合。
BP网络结构的条件确定包括：
1.对于一般模式识别问题，三层网络可以很好的解决问题。
2.在三层网络中，隐含神经网络个数和输入层神经元根数n1之间有近似关系。
遗传算法优化控制参数是运用遗传算法对神经网络的权重值和阈值进行调节，使得经济指标优化模型的输出可以接近一个最优值。需要调节的参数包括种群初始化，适应度函数，选择算子，交叉算子和变异算子。
1.种群初始化，通过pop参数，产生N个初始化数据，每一个初始化数据为一个遗传个体，N个遗传个体则构成了一个种群。
2.适应度函数，在使用遗传算法优化的神经网络进行输出时，实际值与预测值的均方根误差要尽可能小。可以使用适应度分配函数evalFN。
3.选择算子，为了表现达尔文适者生存的思想，在进行模型训练时，要尽可能选择适应性强的个体，这些个体对后续的结果有更大的贡献，可以采用随机便利抽样(sus)。
4.交叉算子以及变异算子使用比较经典的xOverFNs和mutFNs函数，选用的参数分别为 xOverOPs和mutOps。
脱硫系统运行过程中，脱硫系统内的氯离子只有脱硫石膏和废水两条排出路径，烟气携带量极少，大量氯离子均返回吸收塔；在浆液循环过程中，虽然吸收塔中的浆液在石膏旋流器、废水旋流器、真空皮带机等设备中经过复杂的处理，但氯离子仍在吸收塔中富集。图2 描述了脱硫系统氯离子进出情况。
根据物料守恒定律，其吸收塔内脱硫系统内的氯含量变化等于进出系统的氯含量差值：
ΔQ＝Qin+Qlimestone+Qwater-Qout-Qgypsum-Qwaste (3)
式中，ΔQ为脱硫系统氯离子含量变化量，Qin为入口烟气中氯的质量流量，Qlimestone为生石灰中氯的质量流量，Qwater为脱硫工艺水中氯的质量流量，Qout为出口烟气中氯的质量流量，一般取0，Qgypsum为石膏中氯的质量流量，Qwaste为脱硫废水中氯的质量流量。
进一步，将Qwaste＝C×V；ΔQ＝C2×V2-C1×V1；
其中，C为脱硫废水氯离子浓度，C1为吸收塔排浆前的浆液氯离子浓度，C2为吸收塔排浆后的浆液氯离子浓度，V为排放脱硫废水体积；代入(3)得：
Qwaste＝Qin+Qlimestone+Qwater-Qwater-Qgypsum-ΔQ (4)
C×V＝Qin+Qlimestone+Qwater-Qout-Qgypsum-(C2×V2-C1×V1)(5)
通常情况下浆液氯离子浓度波动不会很大，也就是说C，C1，C2比较接近，等式两边同时除以C，容易得到
其中，A、B为常数。
由模型看出，控制吸收塔氯离子浓度稳定时，脱硫废水排放量与脱硫浆液氯离子浓度成近似反比例函数关系。在进出系统氯含量一定，且脱硫系统内氯离子含量不变的情况下，排浆时脱硫浆液中氯离子浓度越高，脱硫废水的排放量越少。
氯离子浓度控制上限从减轻吸收塔腐蚀和保证脱硫工艺效率的角度考虑，从减轻吸收塔腐蚀和保证脱硫工艺效率的角度考虑将氯离子浓度上限控制为30000ppm，再考虑实际控制过程中受到氯离子在线监测仪器性能的限制，通常离子的在线监测在离子浓度高时绝对误差更大，而脱硫系统氯离子控制指标依据在线监测数据，为防止吸收塔氯离子浓度实际值高于 30000ppm，将实际控制上限设置为20000-27000ppm。
排浆动作应在浆液氯浓度高于预设的氯离子浓度控制下限时启动，若在吸收塔浆液氯离子浓度低于该值时排浆，会造成排出的浆液氯离子浓度低，而要排出吸收塔内累积的一定量的氯离子，就会造成排浆量高，进而脱硫废水排放量过高，将氯离子在线监测数据低于氯离子浓度控制下限时，浆液尽可能循环，在氯离子在线监测数据高于于氯离子浓度控制下限时，即可考虑排浆。
目前脱硫系统中只从脱硫效率与排放烟气污染物浓度角度对脱硫浆液的pH进行了实时控制，而无法实现对亚硫酸盐氧化至硫酸根阶段进行准确控制，脱硫浆液亚硫酸盐需氧量与实际氧化风机风量之间不匹配，过氧化与欠氧化现象频繁出现，造成脱硫浆液亚硫酸盐含量过高引起系统结垢，影响脱硫副产物石膏的品质或者氧化风机风量过高存在能源的浪费。
在线监测系统获得脱硫系统入口烟气量、脱硫系统入口烟气温度、脱硫系统入口烟气SO2 浓度等烟气参数后，经过处理后的数据通过脱硫DCS系统传递至氧化风机变频器；在线监测系统获得脱硫浆液ORP参数后，将数据经过处理后上传至脱硫DCS系统，再与预设定ORP 范围作比较之后由PID单元将处理后的信号传递至氧化风机变频器对其进行控制，如图3所示。
其中，氧化风机控制可以分为三个阶段：
在锅炉初次投入运行时，由于锅炉燃烧波动较大，在线监测系统获得脱硫系统入口烟气 SO2浓度变化范围大，仅依靠SO2浓度传感器与烟气流量传感器测量上传至CEMS系统的数据无法用于氧化风量变频调节，不能满足在锅炉投入运行之前所有配套系统提前运行的要求。所以需要在锅炉初次投入运行时，大数据调控系统在识别脱硫系统入口烟气每10秒SO2浓度变化率大于25％，即
时给予氧化风机需要先按照工频运行的指令，脱硫系统入口烟气每10秒SO2浓度变化率小于25％之后，通过SO2浓度传感器与烟气流量传感器测量数据经处理后传递给氧化风机变频器信号，其中T时刻SO2浓度为C，T10为T时刻后10秒，T10时刻SO2浓度为C10，
其中，在脱硫氧化风机工频启动后在线监测系统获得脱硫系统入口烟气SO2浓度C和烟气流量传感器测量得到烟气流量V。由于在脱硫系统中发生的氧化反应主要包括：
其中
与
的来源都是烟气中的SO2，所以可以简化得出化学式SO2与O2的摩尔比为2:1，再根据：
C——烟气SO2浓度，mg/m3；
V——烟气流量，m3/h；
然后可以计算得出近似化学式所需空气量V0：
最后根据校正系数α来确定实际氧化风机给风量V1：
V1＝α*V0 (9)
α的范围一般在2.25～3.5，具体参数确定与实际浆液组成有紧密联系，需要根据电厂实际工况进行选择，不同电厂运行条件存在差异，实际情况会存在差别。
当脱硫系统入口烟气每10秒SO2浓度变化率小于25％之后视作锅炉工况趋于稳定，大数据调控策略能够应对SO2浓度变化范围，ORP传感器的测量信号在经过EMA处理后取5min 平均值后作为控制信号传递至PID系统，在与预设的ORP最佳范围对比之后对氧化风机进行变频控制。在ORP传感器测量值参与氧化调控之后，不再通过由SO2浓度传感器与烟气流量传感器测量值得出的计算氧化风量值控制氧化风机。
大数据对氧化风机变频器发出变频指令的变频范围时最高输出功率应为氧化风机工频，不能超过氧化风机自身的工频。最低输出功率应满足克服吸收塔最高液位时的压力，当氧化风机存在最低安全频率限制时，必须满足氧化风机最低限值。
本实施例中，所述经济衡算模型包括：
建立湿法脱硫系统氯离子平衡对湿法脱硫系统浆液排放进行调控；
预设氧化还原电位控制逻辑对氧化系统进行调控，并用机理特性分析和数据挖掘技术，进行脱硫系统经济成本的核算。
本实施例中，所述BP神经网络训练方法包括：
获取脱硫系统的原始运行参数，并且对获得的原始数据进行数据预处理；
对数据随机取样分类为训练集，测试集，验证集，获得模型训练样本集合；
将训练样本集合输入模型，得到BP神经网络。
实施例2
一种应用于湿法脱硫系统的大数据调控系统，所述系统包括：
数据预处理模块3，用于接收烟气在线监测2及ORP在线监测1的运行参数，并对运行参数进行预处理；
大数据调控策略4，用于接收预处理后的运行参数，并根据运行参数给予浆液排出泵5 和氧化空气管6调控指令；
浆液循环泵7，根据调控指令改变喷淋层8的浆液喷出量，实现排放脱硫废水的污染物浓度控制。
在本实施中，系统还自带除雾器9。
本发明要解决的技术问题是提供一种应用于燃煤电厂湿法脱硫系统的大数据调控方法，通过添加氯离子在线监测与氧化还原电位在线监测完善大数据监测参数并对燃煤电厂湿法脱硫进行调控，实现对现有燃煤电厂湿法脱硫系统的优化，存在以下有益效果：
(1)精确调节，能够对脱硫系统在线监测参数进行处理，得出合适的控制值并进行优化控制；
(2)智能化控制，通过脱硫系统入口烟气SO2浓度、脱硫系统入口烟气量、脱硫系统入口烟气温度、氧化风量、脱硫浆液ORP和脱硫浆液氯离子浓度等测得的信号在处理后直接作用于氧化风机变频器，减少了人工操作；
(3)运行保障，根据脱硫浆液ORP和脱硫浆液氯离子浓度作为氧化风机变频器和石膏浆液排出的工作依据，能够保持脱硫浆液、脱硫石膏较好的品质，系统运行更加稳定、可靠；
(4)节约能源，根据实际需求调节脱硫浆液氯离子浓度与氧化风机风量，氧化风量随锅炉负荷波动，脱硫浆液氯离子稳定，节省不必要的能源浪费。
以上所述仅是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明技术原理的前提下，还可以做出若干改进和变形，这些改进和变形也应视为本发明的保护范围。
Claims (8)
1.一种应用于湿法脱硫系统的大数据调控方法，其特征在于，所述方法包括：
通过添加氯离子在线监测与氧化还原电位在线监测完善脱硫系统大数据监测参数；
获取脱硫系统当前时刻的运行参数，并对获取的运行参数进行滤波；
基于经济衡算模型计算滤波后的运行参数，得到脱硫系统的实时成本；
将实时成本输入优化后的BP神经网络，获取经济衡算模型的最优控制参数；
根据最优控制参数运行机组，实现成本最低化。
2.根据权利要求1所述的应用于湿法脱硫系统的大数据调控方法，其特征在于，所述运行参数进行滤波采用指数滑动平均技术，所述指数滑动平均技术公式如下：
vt＝(1-β)vt-1+βrt (I)
式中：vt为t时刻指数滑动平均值，rt原始值，β为递减系数，l为窗口长度(min)，在0-7min根据容忍的误差限和最短工况反应时间选定窗口长度进行调节。
3.根据权利要求1所述的应用于湿法脱硫系统的大数据调控方法，其特征在于，所述BP神经网络采用传算法优化，遗传算法优化控制参数是运用遗传算法对神经网络的权重值和阈值进行调节，使得经济指标优化模型的输出一个最优值。
4.根据权利要求1所述的应用于湿法脱硫系统的大数据调控方法，其特征在于，所述遗传算法调节的参数包括种群初始化，适应度函数，选择算子，交叉算子和变异算子；
所述种群初始化，通过pop参数，产生N个初始化数据，每一个初始化数据为一个遗传个体，N个遗传个体则构成了一个种群；
所述适应度函数，在使用遗传算法优化的BP神经网络进行输出时，实现实际值与预测值的均方根误差最小化；
所述选择算子，在进行模型训练时，采用随机便利抽样选择适应性强的个体；
所述交叉算子以及变异算子使用xOverFNs和mutFNs函数，选用的参数分别为xOverOPs和mutOps。
5.根据权利要求1所述的应用于湿法脱硫系统的大数据调控方法，其特征在于，
所述经济衡算模型包括：
建立湿法脱硫系统氯离子平衡对湿法脱硫系统浆液排放进行调控；
预设氧化还原电位控制逻辑对氧化系统进行调控，并用机理特性分析和数据挖掘技术，进行脱硫系统经济成本的核算。
6.根据权利要求5所述的应用于湿法脱硫系统的大数据调控方法，其特征在于，湿法脱硫系统氯离子调控方法包括：
根据物料守恒定律，吸收塔内脱硫系统内的氯含量变化等于进出系统的氯含量差值：
ΔQ＝Qin+Qlimestone+Qwater-Qout-Qgypsum-Qwaste (3)
式中，ΔQ为脱硫系统氯离子含量变化量，Qin为入口烟气中氯的质量流量，Qlimestone为生石灰中氯的质量流量，Qwater为脱硫工艺水中氯的质量流量，Qout为出口烟气中氯的质量流量，取0，Qgypsum为石膏中氯的质量流量，Qwaste为脱硫废水中氯的质量流量；
将Qwaste＝C×V；ΔQ＝C2×V2-C1×V1；
其中，C为脱硫废水氯离子浓度，C1为吸收塔排浆前的浆液氯离子浓度，C2为吸收塔排浆后的浆液氯离子浓度，V为排放脱硫废水体积；代入(3)得：
Qwaste＝Qin+Qlimestone+Qwater-Qwater-Qgypsum-ΔQ (4)
C×V＝Qin+Qlimestone+Qwater-Qout-Qgypsum-(C2×V2-C1×V1) (5)
等式两边同时除以C，得到
其中，A、B为常数。
7.根据权利要求1所述的应用于湿法脱硫系统的大数据调控方法，其特征在于，所述BP神经网络训练方法包括：
获取脱硫系统的原始运行参数，并且对获得的原始数据进行数据预处理；
对数据随机取样分类为训练集，测试集，验证集，获得模型训练样本集合；
将训练样本集合输入模型，得到BP神经网络。
8.一种应用于湿法脱硫系统的大数据调控系统，其特征在于，所述系统从下至上包括：
数据预处理模块(3)，用于接收烟气在线监测(2)及ORP在线监测(1)的运行参数，并对运行参数进行预处理；
大数据调控策略(4)，用于接收预处理后的运行参数，并根据运行参数给予浆液排出泵(5)和氧化空气管(6)调控指令；
浆液循环泵(7)，根据调控指令改变喷淋层(8)的浆液喷出量，实现排放脱硫废水的污染物浓度控制。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211162385.2A CN115509189A (zh) | 2022-09-23 | 2022-09-23 | 一种应用于湿法脱硫系统的大数据调控方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211162385.2A CN115509189A (zh) | 2022-09-23 | 2022-09-23 | 一种应用于湿法脱硫系统的大数据调控方法及系统 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN115509189A true CN115509189A (zh) | 2022-12-23 |
Family
ID=84505304
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202211162385.2A Pending CN115509189A (zh) | 2022-09-23 | 2022-09-23 | 一种应用于湿法脱硫系统的大数据调控方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115509189A (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN118247528A (zh) * | 2024-03-01 | 2024-06-25 | 湖北华电襄阳发电有限公司 | 一种基于机器视觉的火力发电废料利用效率监测系统 |
| CN118807438A (zh) * | 2024-07-01 | 2024-10-22 | 山东创宇能源科技股份有限公司 | 一种精准湿法烟气脱硫控制方法及系统 |
-
2022
- 2022-09-23 CN CN202211162385.2A patent/CN115509189A/zh active Pending
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN118247528A (zh) * | 2024-03-01 | 2024-06-25 | 湖北华电襄阳发电有限公司 | 一种基于机器视觉的火力发电废料利用效率监测系统 |
| CN118807438A (zh) * | 2024-07-01 | 2024-10-22 | 山东创宇能源科技股份有限公司 | 一种精准湿法烟气脱硫控制方法及系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| WO2020088485A1 (zh) | 一种智能化多种污染物超低排放系统及全局优化方法 | |
| CN113082954B (zh) | 一种湿法脱硫装置的全过程智能运行调控系统 | |
| CN111340199B (zh) | 一种基于物料衡算和深度学习的脱硫系统节能方法 | |
| CN108636094A (zh) | 一种湿法脱硫工艺中的精确预测控制与节能系统及方法 | |
| CN111611691B (zh) | 基于多模态模型预测控制脱硫系统多目标优化控制方法 | |
| CN115509189A (zh) | 一种应用于湿法脱硫系统的大数据调控方法及系统 | |
| CN109343367A (zh) | 一种基于神经网络预测控制烟气脱硫的方法 | |
| 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 | |
| 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 | |
| CN107398162B (zh) | 湿法烟气脱硫氧化风机节能方法 | |
| CN114225662B (zh) | 一种基于滞后模型的烟气脱硫脱硝优化控制方法 | |
| CN112742187A (zh) | 一种脱硫系统中pH值的控制方法及装置 | |
| CN112506162B (zh) | 一种基于数据模型和机理运算的氧化风系统控制方法 | |
| CN109224815A (zh) | 一种基于多变量约束区间预测控制的氨法脱硫优化控制方法 | |
| CN111598308B (zh) | 基于回归和二重pso算法解决浆液循环泵组合优化方法 | |
| CN112465239A (zh) | 基于改进pso-fcm算法的脱硫系统运行优化方法 | |
| CN116688754A (zh) | 船舶烟气脱硫自动控制系统及其方法 | |
| CN112364562A (zh) | 一种烟气环保岛协同控制方法及系统 | |
| CN113175678A (zh) | 垃圾焚烧的监控方法及装置 | |
| CN112102901A (zh) | 一种基于Matlab软件计算石灰石浆液密度最优值算法模型的方法 | |
| CN111450694B (zh) | 一种基于多目标优化的脱硫系统工业控制器和控制方法 | |
| 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 | |
| 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 | |
| CN112415148B (zh) | 一种基于在线学习的湿法脱硫系统CaSO3软测量方法 | |
| CN114862074B (zh) | 一种脱硫系统浆液循环泵运行组合优化方法 |
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 |