CN117270387A - 基于深度学习的scr脱硝系统低氨逃逸控制方法和系统 - Google Patents

Abstract

本发明提出一种基于深度学习的SCR脱硝系统低氨逃逸控制方法和系统，包括：获取SCR脱硝系统运行的历史数据，包括脱硝系统中传感器记录的数据值，修正数据值后利用MIC确定SCR脱硝系统的延迟时间m。根据延迟时间、修正后的NOx浓度值，以及其他相关的运行数据构建训练数据，训练深度学习模型，实现出口NOx浓度的预测。利用出口NOx浓度预测模型实时预测SCR脱硝系统t+m时刻出口NOx的浓度预测值，并根据上一时刻浓度预测值与实际测量值的差值修正t+m时刻出口NOx的浓度预测值，实时对预测值进行修正；根据修正的预测值，并结合电厂的经济效益构造多目标优化函数，利用差分进化算法求解多目标优化函数，得到t+m时刻的目标喷氨量，从而低氨逃逸。

Description

基于深度学习的SCR脱硝系统低氨逃逸控制方法和系统

技术领域

本发明涉及工业废气净化环保及能源领域，具体涉及一种基于深度学习的SCR脱硝系统低氨逃逸控制方法和系统。

背景技术

选择性催化还原(SCR)脱硝技术是目前火电机组应用最广、技术最成熟的烟气脱硝技术。由于能源结构转型，燃煤机组面临着灵活运行和超低排放的双重压力，机组快速深度变负荷更加频繁，而机组负荷的大幅变化会导致SCR脱硝系统入口烟气流场发生改变，同时会导致入口NOx质量浓度复杂多变和测量仪器响应滞后等问题，这无疑加大了机组实现NOx超低排放的难度。为保证NOx排放达标，只能过量喷氨，造成氨逃逸。氨逃逸除了增加脱硝成本外，逸出的氨气还会与烟气中的SO₃和H₂O反应生成硫酸氢铵，造成空气预热的堵塞，给机组的安全运行带来负面影响。

SCR脱硝系统是一类典型的大迟延、大惯性、强耦合和非线性系统。由于控制动作无法及时地反馈到系统的输出，使得控制器难以迅速的对施加到被控对象的扰动做出反应，导致控制系统调节速度慢、超调量增大。燃煤机组SCR脱硝系统的脱硝原理表明，喷入SCR反应器的NH₃与烟气中的NOx反应过程基本保持1：1的摩尔质量比例进行反应。所以形成了SCR脱硝系统固定摩尔比控制策略。控制系统根据当前的烟气流量、SCR入口浓度和设定氨氮摩尔比计算出NH₃流量需求，最终通过流量PID改变氨气阀开度来调节NH₃实际流量，为了保证排放达标，氨氮摩尔比通常设置为1.2-1.4之间，通常会增加氨的逃逸。部分电厂采取固定SCR出口NOx浓度的控制方式，即设定SCR出口的NOx浓度，根据其与实际出口NOx浓度的偏差来修正氨氮摩尔比，达到闭环控制NOx出口浓度的效果，但该控制策略过于单一，在复杂的脱硝系统中表现并不理想，缺乏自适应机制。

发明内容

本发明的目的是提供一种基于深度学习的SCR脱硝系统低氨逃逸控制方法和系统。利用深度学习算法对数据强大的表征能力，从历史数据中挖掘出各项干扰参数、入口NOx浓度与出口NOx浓度的潜在关系，实现全负荷范围内出口NOx浓度的实时预测，为精准喷氨提供准确的反馈数据，从而解决控制系统响应滞后的问题。在保证排放达标的前提下，将企业的经济效益加入优化目标中，利用差分优化算法实现喷氨量的多目标优化。该复合控制策略解决了采用单回路的SCR脱硝系统出口NOx定值控制策略和固定摩尔比控制策略难以适应SCR脱硝系统内部扰动影响的问题，进一步低氨逃逸和喷氨流量。

具体来说，本发明提供了一种基于深度学习的SCR脱硝系统低氨逃逸控制方法和系统，其中包括：

步骤1、从分布式控制系统(Distributed Control System,DCS)中获取SCR脱硝系统运行的历史数据，历史数据包括脱硝系统中传感器记录的装置运行状态、运行数据以及NOx浓度值，对NOx浓度记录值进行修正，利用MIC确定SCR脱硝系统的延迟时间m，以确定预测步长。根据延迟时间、修正后的NOx浓度值，以及其他相关的运行数据构建训练数据，训练深度学习模型，实现出口NOx浓度的提前预测，预测步长是m；

步骤2、利用出口NOx浓度预测模型实时预测SCR脱硝系统t+m时刻出口NOx的浓度预测值，并根据上一时刻浓度预测值与实际测量值的差值修正t+m时刻出口NOx的浓度预测值，实时对预测值进行修正；

步骤3、根据修正的预测值，并结合电厂的经济效益构造多目标优化函数，利用差分进化算法求解多目标优化函数，得到t+m时刻的目标喷氨量，喷氨系统根据喷氨量完成喷氨，整个控制方法是不断的动态优化，实现实时的喷氨优化控制。

所述的基于深度学习的SCR脱硝系统低氨逃逸控制方法，其中修正DCS系统中记录的NOx浓度数据：判断历史数据中监测入口NOx浓度的A侧CEMS系统是否处于反吹状态，若是，则将A侧的记录值加上B侧CEMS系统监测的NOx浓度在A侧保持后的变化值，作为A侧反吹状态下的入口NOx浓度，否则A侧CEMS系统处于正常工作状态，直接选择CEMS系统监测的NOx浓度作为该SCR脱硝系统A侧的入口NOx浓度。

所述的基于深度学习的SCR脱硝系统低氨逃逸控制方法，其特征在于，利用最大信息系数MIC确定该延迟时间m；

其中I(X；Y)为变量X和Y之间的互信息值，p(X)、p(Y)为边缘概率分布，p(X,Y)为联合概率分布，B要求设置为数据量的0.6次方；X为入口NOx浓度，Y为出口NOx浓度，依次递归的将Y值向上一时刻移动，每移动一次计算X与Y的MIC值，直至确定最大MIC值，其中最大的MIC值对应的移动次数即为该脱硝喷氨系统的延迟时间m。

所述的基于深度学习的SCR脱硝系统低氨逃逸控制方法，其中该步骤2中修正该t+m时刻出口NOx的浓度预测值的过程包括：

y′_p(t+m)＝y_p(t+m)+(y_(t)-y_p(t))

式中y_(t)为当前时刻t的浓度实际测量值；y_p(t)为预测模型预测的当前时刻t的NOx浓度预测值；y_p(t+m)为预测模型预测的t+m时刻的NOx浓度预测值；y′_p(t+m)为t+m时刻的NOx浓度的修正值；

该步骤3中多目标优化函数为：

minJ＝W₁(y′_p(t+m)-y_r)²+W₂(u_(t+m)×M₁-N×M₂)²

式中：y_r为设定的出口NOx浓度值；u_(t+m)为t+m时刻的目标喷氨量；M₁为液氨价格；N为机组的发电量；M₂为电价补贴价格；W₁和W₂为权重系数；利用差分进化算法对多目标函数进行优化，确定J最小时对应的u_(t+m)。

本发明还提出了一种基于深度学习的SCR脱硝系统低氨逃逸控制系统，其中包括：

初始模块，从分布式控制系统(Distributed Control System,DCS)中获取SCR脱硝系统运行的历史数据，历史数据包括脱硝系统中传感器记录的装置运行状态、运行数据以及NOx浓度值，对NOx浓度记录值进行修正，利用MIC确定SCR脱硝系统的延迟时间m，以确定预测步长。根据延迟时间、修正后的NOx浓度值,以及其他相关的运行数据构建训练数据，训练深度学习模型，实现出口NOx浓度的提前预测，预测步长是m；

修正模块，利用出口NOx浓度预测模型实时预测SCR脱硝系统t+m时刻出口NOx的浓度预测值，并根据上一时刻浓度预测值与实际测量值的差值修正t+m时刻出口NOx的浓度预测值，实时对预测值进行修正；

优化控制模块，根据修正的预测值，并结合电厂的经济效益构造多目标优化函数，利用差分进化算法求解多目标优化函数，得到t+m时刻的目标喷氨量，喷氨系统根据喷氨量完成喷氨，整个控制方法是不断的动态优化，实现实时的喷氨优化控制。

所述的基于深度学习的SCR脱硝系统低氨逃逸控制系统，其中修正DCS系统中记录的NOx浓度数据：判断历史数据中监测入口NOx浓度的A侧CEMS系统是否处于反吹状态，若是，则将A侧的记录值加上B侧CEMS系统监测的NOx浓度在A侧保持后的变化值，作为A侧反吹状态下的入口NOx浓度，否则A侧CEMS系统处于正常工作状态，直接选择CEMS系统监测的NOx浓度作为该SCR脱硝系统A侧的入口NOx浓度。

所述的基于深度学习的SCR脱硝系统低氨逃逸控制系统，其中利用最大信息系数MIC确定该延迟时间m；

其中I(X；Y)为变量X和Y之间的互信息值，p(X)、p(Y)为边缘概率分布，p(X,Y)为联合概率分布，B要求设置为数据量的0.6次方；X为入口NOx浓度，Y为出口NOx浓度，依次递归的将Y值向上一时刻移动，每移动一次计算X与Y的MIC值，直至确定最大MIC值，其中最大的MIC值对应的移动次数即为该脱硝喷氨系统的延迟时间m。

所述的基于深度学习的SCR脱硝系统低氨逃逸控制系统，其中该修正模块中修正该t+m时刻出口NOx浓度预测值的过程包括：

y′_p(t+m)＝y_p(t+m)+(y_(t)-y_p(t))

式中y_(t)为当前时刻t的浓度实际测量值；y_p(t)为预测模型预测的当前时刻t的NOx浓度预测值；y_p(t+m)为预测模型预测的t+m时刻的NOx浓度预测值；y′_p(t+m)为t+m时刻的NOx浓度的修正值；

该优化控制模块中多目标优化函数为：

minJ＝W₁(y′_p(t+m)-y_r)²+W₂(u_(t+m)×M₁-N×M₂)²

式中：y_r为设定的出口NOx浓度值；u_(t+m)为t+m时刻的目标喷氨量；M₁为液氨价格；N为机组的发电量；M₂为电价补贴价格；W₁和W₂为权重系数；利用差分进化算法对多目标函数进行优化，确定J最小时对应的u_(t+m)。

本发明还提出了一种存储介质，用于存储执行所述任意一种基于深度学习的SCR脱硝系统低氨逃逸控制方法的程序。

本发明还提出了一种客户端，用于任意一种基于深度学习的SCR脱硝系统低氨逃逸控制系统。

由以上方案可知，本发明的优点在于：

1、本发明以电厂SCR脱硝装置中喷氨量控制系统为研究对象，对SCR装置历史运行数据进行分析，针对CEMS分析仪表的工作机制使NOx浓度测量记录失真的问题，提出数据修正策略，为后续的分析建模以及控制系统的构建提供精确的数据支持。

2、根据DCS中的历史运行数据，利用MIC找出出口NOx浓度相较于入口NOx浓度的延迟时间m，用于指导出口NOx浓度预测模型的预测步长，来消除由于喷氨系统的延迟所造成的干扰。

3、通过对锅炉燃烧机制的分析并结合DCS的历史运行数据，利用LSTM算法建立SCR出口NOx浓度预测模型，根据入口NOx浓度、喷氨量、烟气O₂含量、入口温度以及烟气流量，实时预测t+m时刻出口NOx浓度，并根据上一时刻的预测值与当前t时刻的实际值的差值来对t+m时刻的预测值进行修正，然后将修正后预测值反馈给多目标优化模块。根据MIC找出的延迟时间m，确定该预测模型的预测步长，实现出口NOx浓度值提前预测，便于SCR喷氨控制系统能及时反应，避免喷氨量的延迟效应，减轻或消除氨过喷现象，低氨逃逸和喷氨流量。

4、本发明在固定NOx排放的前提下，兼顾电厂的经济效益。将经济效益纳入多目标优化函数中，并利用差分遗传算法寻找最优的喷氨量。将出口NOx浓度值向着最佳运行工况下的边界值推近，降低NOx排放超标的可能性，在达到环保指标要求的前提下，尽量提高SCR装置运行过程中的经济性。

附图说明

图1为SCR脱硝喷氨量优化控制方法的流程图；

图2为实例中利用MIC确定延迟时间的示意图；

图3为实例中NOx浓度修正前后的对比结果图；

图4为实例中基于LSTM算法构建的出口NOx浓度预测模型预测结果图；

图5为实例中本发明构建SCR脱硝喷氨量优化控制方法的喷氨量与原喷氨量对比结果图。

具体实施方式

本发明提供的一种基于深度学习的SCR脱硝系统低氨逃逸控制方法和系统，包括如下步骤：

1、对CEMS监测系统记录的NOx浓度值进行修正。

SCR脱硝系统利用CEMS分析仪表测量NOx浓度，当长时间连续工作后，灰尘就容易将CEMS的采样探头堵塞，CEMS的反吹气路需定时对采样探头进行吹扫。反吹时，分析仪表就无法获得真实烟气样本，分析仪表停止NOx浓度测量，并保持最后一次的测量值，这样会导致反吹时分析仪表测量记录的NOx浓度测量失真。燃煤机组通常都要将烟道分为A、B两侧，每侧都会配备SCR脱硝系统、CEMS仪表。因此本发明利用两侧的CEMS不同时工作的机制，建立NOx浓度修正方法，给后续预测模型和控制系统提供准确的数据支持。

当A侧烟道开始吹扫时，就可以在A侧NOx浓度的保持值的基础上加上B侧NOx浓度在A侧保持后的变化值。A侧烟道SCR反应器入口NOx浓度修正计算过程如式(1)所示。

式中，c_An是烟道A侧NOx浓度测量值；Δc_Bn是当前烟道B侧NOx浓度测量值与烟道A侧开始吹扫时烟道B侧NOx浓度测量值之间的差值；是烟道A侧NOx浓度的修正值；k_A为烟道A侧修正加权系数。烟道B侧SCR反应器浓度的修正过程与A侧类似。

2、利用MIC找出出口NOx浓度相较于入口NOx浓度的延迟时间

最大信息系数(Maximal Information Coefficient，MIC)是用来衡量两个变量的关联程度，线性或非线性的强度，常用于机器学习的特征选择。本发明巧妙地将该方法用于确定出口NOx浓度相较于入口NOx浓度的延迟时间，即SCR系统中喷氨脱硝和CEMS测量的延迟时间。具体实现方式如图2所示，其中X是DCS中记录的入口NOx浓度历史值，Y是记录的出口NOx浓度的历史值。Y.shift(-1)是将Y值向上移动1位，Y.shift(-2)是将Y值向上移动2位，Y.shift(-3)是将Y值向上移动3位，依此类推，移动多次。分别计算X与Y、Y.shift(-1)、Y.shift(-2)、Y.shift(-3)的MIC值，直至确定最大的MIC值，其中最大的MIC值对应的移动位数即是出口NOx浓度相对于入口NOx浓度的延迟时间。经计算，在本实例中延迟时间是3min.其中MIC的计算公式如下：

其中I(X；Y)为变量X和Y之间的互信息值，p(X)、p(Y)为边缘概率分布，p(X,Y)为联合概率分布，B要求设置为数据量的0.6次方左右。

3、建立出口NOx浓度预测模型，预测t+m时刻的出口NOx浓度

长短时记忆网络(Long Short Term Memory，LSTM)模型相比一般的神经网络来说，能适合处理序列变化的数据。LSTM模型在循环神经网络模型的基础上通过增加门限(Gates)来解决循环神经网络短期记忆的问题，使得循环神经网络能够真正有效地利用长距离的时序信息。因此本发明选用LSTM来分别建立入口NOx浓度时序预测模型和出口NOx浓度时序预测模型。

建立SCR出口NOx浓度预测模型(1)将机组SCR反应器入口NOx浓度、喷氨量、反应器入口烟气O₂含量、SCR反应器入口温度以及烟气流量通过通信模块，由电厂中的分布式控制系统(distributed control System,DCS)引入PLC外挂机内；(2)结合MIC分析出的出口NOx浓度相较于入口NOx浓度延迟时间m,确定预测模型的预测步长，构建训练数据集，利用LSTM算法建立出口NOx浓度预测模型，能提前预测出t+m时刻的出口NOx浓度。(3)利用出口NOx浓度预测模型实时预测t+m时出口NOx浓度，并根据上一时刻浓度预测值与t时刻实际值的差值来修正t+m时刻的预测值，然后将预测值反馈给多目标优化模块。

4、建立多目标优化方案

燃煤电厂烟气脱硝应在满足排放标准的前提下追求支出各项费用最小原则。该费用包括了与项目有关的一切费用，如还原剂成本、排污成本和耗电成本等。综合LSTM算法预测模型预测的出口NOx浓度值与期望值误差以及经济指标，构造多目标函数：

minJ＝W₁(y′_p(t+m)-y_r)²+W₂(u_(t+m)×M₁-N×M₂)²

式中：y′_p(t+m)为LSTM预测模型预测的t+m时刻出口NOx浓度的修正值；y_r为设定的出口NOx浓度值；u_(t+m)为优化的喷氨量；M₁为液氨价格；N为机组发电量；M₂为电价补贴价格；W₁和W₂为权重系数。由于电厂对气体排放达标的关注度大于经济成本，所以权重指标设置为W₁＝0.8，W₂＝0.2。

本发明利用差分进化算法对目标函数寻优，差分进化算法是实数编码的贪婪选择，在运算时间和精度上都比遗传算法性能好。

为让本发明的上述特征和效果能阐述得更明确易懂，下文特举实施例，并配合说明书附图作详细说明如下。

作为一种实施例，采用来自某电厂SCR脱硝系统的数据对本发明所提的方法的有效性进行验证，使用该脱硝系统2022年5月1日00：00至2022年5月31日23:59的数据进行实验。其中5月27日00：00之前的数据作为训练集，之后的数据作为测试集。基于深度学习的SCR脱硝喷氨量优化控制方法的流程图如图1所示。

步骤1、通过对SCR脱硝系统的CEMS分析仪表运行机制分析并结合DCS收集的历史数据，发现NOx浓度记录数据存在失真的情况，因此采用CEMS分析仪表A、B两侧不同时吹扫的机制设计出NOx浓度修正方法，修正前后的对比结果如图3所示。

步骤2、通过分析SCR脱硝喷氨系统的历史运行数据，利用最大信息系数(MIC)计算出口NOx浓度相较于入口NOx浓度延迟时间，根据公式1，计算出喷氨系统的延迟时间是180秒.

步骤3、对SCR脱硝喷氨系统运行机理进行分析，确定入口NOx浓度、喷氨量、入口烟气O2含量、入口温度以及烟气流量等因素影响出口NOx浓度。根据步骤2确定的延迟时间确定预测模型的预测步长，并构建对应的训练集，利用LSTM算法对训练集进行拟合，建立入口NOx浓度预测模型，模型在测试集上预测结果如图4所示，其中拟合优度R2＝96.83％，均方根误差RMSE＝1.6.

步骤4、本文对动态矩阵控制(Dynamic Matrix Control,DMC)预测控制模型进行改进，利用步骤3构建的LSTM预测模型代替预测控制模型中的预测模型，重新设计优化目标函数并利用差分进化算法寻找SCR脱硝系统的最佳喷氨量，其控制算法如图1所示。

燃煤电厂烟气脱硝应在满足排放标准的前提下追求支出各项费用最小原则。该费用包括了与项目有关的一切费用，如还原剂成本、排污成本和耗电成本等。结合出口NOx浓度预测模型预测的出口NOx浓度值与期望值的误差以及其他的经济指标来构造目标函数：

minJ＝W₁(y′_p(t+m)-y_r)²+W₂(u_(t+m)×M₁-N×M₂)²

式中：y′_p(t+m)为LSTM预测模型预测的t+m时刻出口NOx浓度的矫正值；y_r为设定的出口NOx浓度值；u_(t+m)为优化的喷氨量；M₁为液氨价格；N为机组发电量；M₂为单位产出的收益，例如电价补贴价格；W为权重系数。由于电厂对气体排放达标的关注度大于经济成本，所以权重指标设置为W₁＝0.8，W₂＝0.2。利用差分进化算法对目标函数寻优，找到最优的喷氨量u_(t+m)。该控制方法给出的喷氨量与实际的喷氨量对比结果如图5所示，本发明的SCR脱硝喷氨量优化控制方法所需的喷氨量明显低于原喷氨量。

以下为与上述方法实施例对应的系统实施例，本实施方式可与上述实施方式互相配合实施。上述实施方式中提到的相关技术细节在本实施方式中依然有效，为了减少重复，这里不再赘述。相应地，本实施方式中提到的相关技术细节也可应用在上述实施方式中。

本发明还提出了一种基于深度学习的SCR脱硝系统低氨逃逸控制系统，其中包括：

初始模块，从分布式控制系统(Distributed Control System,DCS)中获取SCR脱硝系统运行的历史数据，历史数据包括脱硝系统中传感器记录的装置运行状态、运行数据以及NOx浓度值，对NOx浓度记录值进行修正，利用MIC确定SCR脱硝系统的延迟时间m，以确定预测步长。根据延迟时间、修正后的NOx浓度值，以及其他相关的运行数据构建训练数据，训练深度学习模型，实现出口NOx浓度的提前预测，预测步长是m；

修正模块，利用出口NOx浓度预测模型实时预测SCR脱硝系统t+m时刻出口NOx的浓度预测值，并根据上一时刻浓度预测值与实际测量值的差值修正t+m时刻出口NOx的浓度预测值，实时对预测值进行修正；

优化控制模块，根据修正的预测值，并结合电厂的经济效益构造多目标优化函数，利用差分进化算法求解多目标优化函数，得到t+m时刻的目标喷氨量，喷氨系统根据喷氨量完成喷氨，整个控制方法是不断的动态优化，实现实时的喷氨优化控制。

所述的基于深度学习的SCR脱硝系统低氨逃逸控制系统，其中修正DCS系统中记录的NOx浓度数据：判断历史数据中监测入口NOx浓度的A侧CEMS系统是否处于反吹状态，若是，则将A侧的记录值加上B侧CEMS系统监测的NOx浓度在A侧保持后的变化值，作为A侧反吹状态下的入口NOx浓度，否则A侧CEMS系统处于正常工作状态，直接选择CEMS系统监测的NOx浓度作为该SCR脱硝系统A侧的入口NOx浓度。

8.所述的基于深度学习的SCR脱硝系统低氨逃逸控制系统，其中利用最大信息系数MIC确定该延迟时间m；

其中I(X；Y)为变量X和Y之间的互信息值，p(X)、p(Y)为边缘概率分布，p(X,Y)为联合概率分布，B要求设置为数据量的0.6次方；X为入口NOx浓度，Y为出口NOx浓度，依次递归的将Y值向上一时刻移动，每移动一次计算X与Y的MIC值，直至确定最大MIC值，其中最大的MIC值对应的移动次数即为该脱硝喷氨系统的延迟时间m。

所述的基于深度学习的SCR脱硝系统低氨逃逸控制系统，其中该修正模块中修正该t+m时刻出口NOx浓度预测值的过程包括：

y′_p(t+m)＝y_p(t+m)+(y_(t)-y_p(t))

式中y_(t)为当前时刻t的浓度实际测量值；y_p(t)为预测模型预测的当前时刻t的NOx浓度预测值；y_p(t+m)为预测模型预测的t+m时刻的NOx浓度预测值；y′_p(t+m)为t+m时刻的NOx浓度的修正值；

该优化控制模块中多目标优化函数为：

minJ＝W₁(y′_p(t+m)-y_r)²+W₂(u_(t+m)×M₁-N×M₂)²

式中：y_r为设定的出口NOx浓度值；u_(t+m)为t+m时刻的目标喷氨量；M₁为液氨价格；N为机组的发电量；M₂为电价补贴价格；W₁和W₂为权重系数；利用差分进化算法对多目标函数进行优化，确定J最小时对应的u_(t+m)。

本发明还提出了一种存储介质，用于存储执行所述任意一种基于深度学习的SCR脱硝系统低氨逃逸控制方法和系统的程序。

本发明还提出了一种客户端，用于任意一种基于深度学习的SCR脱硝系统低氨逃逸控制系统。

Claims (10)

1.一种基于深度学习的SCR脱硝系统低氨逃逸控制方法，其特征包括：

步骤1、从分布式控制系统中获取SCR脱硝系统运行的历史数据，历史数据包括脱硝系统中传感器记录的装置运行状态、运行数据以及NOx浓度值，对NOx浓度记录值进行修正，确定SCR脱硝系统的延迟时间m，根据延迟时间、修正后的NOx浓度值、以及其他相关的运行数据构建训练数据，训练深度学习模型，实现出口NOx浓度的预测，预测步长是m；

步骤2、利用出口NOx浓度预测模型实时预测SCR脱硝系统t+m时刻出口NOx的浓度预测值，并根据上一时刻浓度预测值与实际测量值的差值修正t+m时刻出口NOx的浓度预测值，实时对预测值进行修正；

步骤3、根据修正的预测值，并结合电厂的经济效益构造多目标优化函数，利用差分进化算法求解多目标优化函数，得到t+m时刻的目标喷氨量，喷氨系统根据喷氨量完成脱硝。

2.如权利要求1所述的基于深度学习的SCR脱硝系统低氨逃逸控制方法，其特征在于，修正分布式控制系统中记录的NOx浓度数据过程包括：判断历史数据中监测入口NOx浓度的A侧CEMS系统是否处于反吹状态，若是，则将A侧的记录值加上B侧CEMS系统监测的NOx浓度在A侧保持后的变化值，作为A侧反吹状态下的入口NOx浓度，否则A侧CEMS系统处于正常工作状态，直接选择CEMS系统监测的NOx浓度作为该SCR脱硝系统A侧的入口NOx浓度。

3.如权利要求1所述的基于深度学习的SCR脱硝系统低氨逃逸控制方法，其特征在于，利用最大信息系数MIC确定该延迟时间m；

其中I(X；Y)为变量X和Y之间的互信息值，p(X)、p(Y)为边缘概率分布，p(X,Y)为联合概率分布，B要求设置为数据量的0.6次方；X为入口NOx浓度，Y为出口NOx浓度，依次递归的将Y值向上一时刻移动，每移动一次计算X与Y的MIC值，直至确定最大MIC值，其中最大的MIC值对应的移动次数即为该脱硝喷氨系统的延迟时间m。

4.如权利要求1所述的基于深度学习的SCR脱硝系统低氨逃逸控制方法，其特征在于，该步骤2中修正该t+m时刻出口NOx浓度预测值的过程包括：

y′_p(t+m)＝y_p(t+m)+(y_(t)-y_p(t))

式中y_(t)为当前时刻t的浓度实际测量值；y_p(t)为预测模型预测的当前时刻t的NOx浓度预测值；y_p(t+m)为预测模型预测的t+m时刻的NOx浓度预测值；y′_p(t+m)为t+m时刻的NOx浓度的修正值；

该步骤3中多目标优化函数为：

minJ＝W₁(y′_p(t+m)-y_r)²+W₂(u_(t+m)×M₁-N×M₂)²

式中：y_r为设定的出口NOx浓度值；u_(t+m)为t+m时刻的目标喷氨量；M₁为液氨价格；N为机组的发电量；M₂为电价补贴价格；W₁和W₂为权重系数；利用差分进化算法对多目标函数进行优化，确定J最小时对应的u_(t+m)。

5.一种基于深度学习的SCR脱硝系统低氨逃逸控制系统，其特征包括：

初始模块，从分布式控制系统DCS中获取SCR脱硝系统运行的历史数据，历史数据包括脱硝系统中传感器记录的装置运行状态、运行数据以及NOx浓度值，对NOx浓度记录值进行修正，利用MIC确定SCR脱硝系统的延迟时间m，以确定预测步长。根据延迟时间、修正后的NOx浓度值，以及其他相关的运行数据构建训练数据，训练深度学习模型，实现出口NOx浓度的提前预测，预测步长是m；

修正模块，利用出口NOx浓度预测模型实时预测SCR脱硝系统t+m时刻出口NOx的浓度预测值，并根据上一时刻浓度预测值与实际测量值的差值修正t+m时刻出口NOx的浓度预测值，实时对预测值进行修正；

优化控制模块，根据修正的预测值，并结合电厂的经济效益构造多目标优化函数，利用差分进化算法求解多目标优化函数，得到t+m时刻的目标喷氨量，喷氨系统根据喷氨量完成脱硝。

6.如权利要求5所述的基于深度学习的SCR脱硝系统低氨逃逸控制系统，其特征在于，修正DCS系统中记录的NOx浓度数据：判断历史数据中监测入口NOx浓度的A侧CEMS系统是否处于反吹状态，若是，则将A侧的记录值加上B侧CEMS系统监测的NOx浓度在A侧保持后的变化值，作为A侧反吹状态下的入口NOx浓度，否则A侧CEMS系统处于正常工作状态，直接选择CEMS系统监测的NOx浓度作为该SCR脱硝系统A侧的入口NOx浓度。

7.如权利要求5所述的基于深度学习的SCR脱硝系统低氨逃逸控制方法，其特征在于，利用最大信息系数MIC确定该延迟时间m；

其中I(X；Y)为变量X和Y之间的互信息值，p(X)、p(Y)为边缘概率分布，p(X,Y)为联合概率分布，B要求设置为数据量的0.6次方；X为入口NOx浓度，Y为出口NOx浓度，依次递归的将Y值向上一时刻移动，每移动一次计算X与Y的MIC值，直至确定最大MIC值，其中最大的MIC值对应的移动次数即为该脱硝喷氨系统的延迟时间m。

8.如权利要求5所述的基于深度学习的SCR脱硝系统低氨逃逸控制方法，其特征在于，该修正模块中修正该t+m时刻出口NOx浓度预测值的过程包括：

y′_p(t+m)＝y_p(t+m)+(y_(t)-y_p(t))

式中y_(t)为当前时刻t的浓度实际测量值；y_p(t)为预测模型预测的当前时刻t的NOx浓度预测值；y_p(t+m)为预测模型预测的t+m时刻的NOx浓度预测值；y′_p(t+m)为t+m时刻的NOx浓度的修正值；

该优化控制模块中多目标优化函数为：

minJ＝W₁(y′_p(t+m)-y_r)²+W₂(u_(t+m)×M₁-N×M₂)²

式中：y_r为设定的出口NOx浓度值；u_(t+m)为t+m时刻的目标喷氨量；M₁为液氨价格；N为机组的发电量；M₂为电价补贴价格；W₁和W₂为权重系数；利用差分进化算法对多目标函数进行优化，确定J最小时对应的u_(t+m)。

9.一种存储介质，用于存储执行如权利要求1到4所述任意一种基于深度学习的SCR脱硝系统低氨逃逸控制方法的程序。

10.一种客户端，用于权利要求5至8中任意一种基于深度学习的SCR脱硝系统低氨逃逸控制系统。