TW202231337A - 利用人工智慧的火力發電廠之煙道氣處理方法以及利用人工智慧的火力發電廠之煙道氣處理裝置 - Google Patents
利用人工智慧的火力發電廠之煙道氣處理方法以及利用人工智慧的火力發電廠之煙道氣處理裝置 Download PDFInfo
- Publication number
- TW202231337A TW202231337A TW110146788A TW110146788A TW202231337A TW 202231337 A TW202231337 A TW 202231337A TW 110146788 A TW110146788 A TW 110146788A TW 110146788 A TW110146788 A TW 110146788A TW 202231337 A TW202231337 A TW 202231337A
- Authority
- TW
- Taiwan
- Prior art keywords
- concentration
- flue gas
- reducing agent
- reductant
- learning
- Prior art date
Links
Images
Classifications
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B01—PHYSICAL OR CHEMICAL PROCESSES OR APPARATUS IN GENERAL
- B01D—SEPARATION
- B01D53/00—Separation of gases or vapours; Recovering vapours of volatile solvents from gases; Chemical or biological purification of waste gases, e.g. engine exhaust gases, smoke, fumes, flue gases, aerosols
- B01D53/30—Controlling by gas-analysis apparatus
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B01—PHYSICAL OR CHEMICAL PROCESSES OR APPARATUS IN GENERAL
- B01D—SEPARATION
- B01D47/00—Separating dispersed particles from gases, air or vapours by liquid as separating agent
- B01D47/06—Spray cleaning
- B01D47/063—Spray cleaning with two or more jets impinging against each other
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B01—PHYSICAL OR CHEMICAL PROCESSES OR APPARATUS IN GENERAL
- B01D—SEPARATION
- B01D53/00—Separation of gases or vapours; Recovering vapours of volatile solvents from gases; Chemical or biological purification of waste gases, e.g. engine exhaust gases, smoke, fumes, flue gases, aerosols
- B01D53/34—Chemical or biological purification of waste gases
- B01D53/46—Removing components of defined structure
- B01D53/54—Nitrogen compounds
- B01D53/56—Nitrogen oxides
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B01—PHYSICAL OR CHEMICAL PROCESSES OR APPARATUS IN GENERAL
- B01D—SEPARATION
- B01D53/00—Separation of gases or vapours; Recovering vapours of volatile solvents from gases; Chemical or biological purification of waste gases, e.g. engine exhaust gases, smoke, fumes, flue gases, aerosols
- B01D53/34—Chemical or biological purification of waste gases
- B01D53/74—General processes for purification of waste gases; Apparatus or devices specially adapted therefor
- B01D53/77—Liquid phase processes
- B01D53/78—Liquid phase processes with gas-liquid contact
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B01—PHYSICAL OR CHEMICAL PROCESSES OR APPARATUS IN GENERAL
- B01D—SEPARATION
- B01D53/00—Separation of gases or vapours; Recovering vapours of volatile solvents from gases; Chemical or biological purification of waste gases, e.g. engine exhaust gases, smoke, fumes, flue gases, aerosols
- B01D53/34—Chemical or biological purification of waste gases
- B01D53/74—General processes for purification of waste gases; Apparatus or devices specially adapted therefor
- B01D53/77—Liquid phase processes
- B01D53/79—Injecting reactants
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B01—PHYSICAL OR CHEMICAL PROCESSES OR APPARATUS IN GENERAL
- B01D—SEPARATION
- B01D53/00—Separation of gases or vapours; Recovering vapours of volatile solvents from gases; Chemical or biological purification of waste gases, e.g. engine exhaust gases, smoke, fumes, flue gases, aerosols
- B01D53/34—Chemical or biological purification of waste gases
- B01D53/74—General processes for purification of waste gases; Apparatus or devices specially adapted therefor
- B01D53/86—Catalytic processes
- B01D53/8621—Removing nitrogen compounds
- B01D53/8625—Nitrogen oxides
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- 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
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B01—PHYSICAL OR CHEMICAL PROCESSES OR APPARATUS IN GENERAL
- B01D—SEPARATION
- B01D2251/00—Reactants
- B01D2251/20—Reductants
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B01—PHYSICAL OR CHEMICAL PROCESSES OR APPARATUS IN GENERAL
- B01D—SEPARATION
- B01D2257/00—Components to be removed
- B01D2257/40—Nitrogen compounds
- B01D2257/402—Dinitrogen oxide
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B01—PHYSICAL OR CHEMICAL PROCESSES OR APPARATUS IN GENERAL
- B01D—SEPARATION
- B01D2257/00—Components to be removed
- B01D2257/40—Nitrogen compounds
- B01D2257/404—Nitrogen oxides other than dinitrogen oxide
-
- 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
- Y02C—CAPTURE, STORAGE, SEQUESTRATION OR DISPOSAL OF GREENHOUSE GASES [GHG]
- Y02C20/00—Capture or disposal of greenhouse gases
- Y02C20/10—Capture or disposal of greenhouse gases of nitrous oxide (N2O)
-
- 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
- Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
- Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
- Y04S10/00—Systems supporting electrical power generation, transmission or distribution
- Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications
Landscapes
- Engineering & Computer Science (AREA)
- Chemical & Material Sciences (AREA)
- Environmental & Geological Engineering (AREA)
- Analytical Chemistry (AREA)
- Chemical Kinetics & Catalysis (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- General Chemical & Material Sciences (AREA)
- Oil, Petroleum & Natural Gas (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Software Systems (AREA)
- Computing Systems (AREA)
- Artificial Intelligence (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Mathematical Physics (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Biophysics (AREA)
- Molecular Biology (AREA)
- General Health & Medical Sciences (AREA)
- Computational Linguistics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Treating Waste Gases (AREA)
Abstract
本發明提供一種利用人工智慧的火力發電廠之煙道氣處理方法及煙道氣處理裝置。此煙道氣處理方法包含:(a)學習推導步驟,利用電腦及利用人工智慧學習演算法學習先前從樣本燃氣渦輪機收集的操作資料與煙道氣成分資料之間的相關性,並且推導影響煙道氣中的至少任意一種污染物的濃度的影響因子;(b)學習預測步驟,利用電腦及利用人工智慧學習演算法學習在燃氣渦輪機的操作期間即時測量的影響因子的變化與煙道氣中的至少任意一種污染物的濃度根據影響因子的變化而產生的總變化之間的相關性,並且從第一時間點預測在燃氣渦輪機的操作期間從第一時間點經過的第二時間點的煙道氣中的至少任意一種污染物的濃度;以及(c)目標控制步驟,計算與在學習預測步驟中預測的第二時間點的煙道氣中的至少任意一種污染物的濃度對應的還原劑注入量,從第一時間點控制還原劑傳遞過程,並且匹配根據還原劑傳遞過程注入至煙道氣的還原劑注入量與在第二時間點計算的還原劑注入量。
Description
本揭露涉及火力發電廠之煙道氣處理方法以及煙道氣處理裝置。更具體地,本揭露涉及利用人工智慧的火力發電廠之煙道氣處理方法以及利用人工智慧的火力發電廠之煙道氣處理裝置,其中基於人工智慧可以更有效地移除煙道氣中的污染物。
火力發電廠為使用燃料發電的設施,其中燃燒燃料以驅動渦輪機,並透過此驅動力以產生電力。大多數火力發電廠包含燃氣渦輪機並且使用化石燃料。因此,當燃料燃燒時將產生大量的煙道氣,並且煙道氣中含有燃燒過程中所產生的各種污染物。
煙道氣中所含的污染物可能因燃料的類型而不同。眾所周知的是,大多數使用化石燃料的火力發電廠會產生各種污染物,其包含諸如氮氧化物(NO
x)及硫氧化物(SO
x)的有毒物質。因此,火力發電廠也配備了處理這些污染物的設施(例如,韓國專利第10-2019-0043057號及其相似專利)。
然而,在先前技術的情況下,由於以下問題,將出現污染物未得到令人滿意的處理的情況。例如,具有當廢氣中的污染物的濃度、成分比等類似因子發生變化時,將難以相應地進行適當的反應。這樣的問題也是導致用於移除氮氧化物等污染物而經常使用的選擇性(非)催化還原法的處理效果降低的原因,且因此需要適當的對策。特別是在火力發電廠中,操作條件可能會不時地發生變化,且煙道氣成分也會隨之變化,因此更需要用於應對此問題的技術。
(專利文獻1)韓國專利公開第10-2019-0043057號(2019年4月25日)說明書。
技術問題
為了解決上述技術問題,本揭露的目的在於提供一種利用人工智慧的火力發電廠的煙道氣處理方法,其基於人工智慧而可以更有效地移除煙道氣中的污染物,藉此,即使煙道氣中的污染物的濃度發生變化,也能進行適當的因應措施。此外,為了解決上述技術問題,本發明的另一目的在於提供一種利用人工智慧的火力發電廠的煙道氣處理裝置,此裝置具有執行上述處理方法的能力。
本揭露的技術問題不限定於上述技術問題,本領域具有通常知識者將從申請專利範圍的說明中清楚地理解以上未說明的其他技術問題。
技術解決方案
根據本揭露的一種利用人工智慧的火力發電廠之煙道氣處理方法,其包含:(a)學習推導步驟,利用電腦及利用人工智慧學習演算法學習先前從樣本燃氣渦輪機收集的操作資料與煙道氣成分資料之間的相關性,並且推導影響煙道氣中的至少任意一種污染物的濃度的影響因子;(b)學習預測步驟,利用電腦及利用人工智慧學習演算法學習在燃氣渦輪機的操作期間即時測量的影響因子的變化與至少任意一種污染物的濃度根據影響因子的變化而產生的總變化之間的相關性,並且從第一時間點預測在燃氣渦輪機的操作期間從第一時間點經過的第二時間點的煙道氣中的至少任意一種污染物的濃度;以及(c)目標控制步驟,計算與在學習預測步驟中預測的第二時間點的煙道氣中的至少任意一種污染物的濃度對應的還原劑注入量,從第一時間點控制還原劑傳遞過程,並且匹配根據還原劑傳遞過程注入至煙道氣的還原劑注入量與在第二時間點計算的還原劑注入量。
學習推導步驟(a)及學習預測步驟(b)的人工智慧學習演算法可以包含人工神經網路演算法,其在輸入層與輸出層之間形成由複數個計算節點組成的至少一個隱藏層,並且學習預測步驟(b)的人工神經網路演算法可以包含遞迴神經網路演算法,其用於輸出考量了輸入變量的時間相依性的運算結果。
學習預測步驟(b)的人工智慧學習演算法可以包含選自於人工神經網路演算法、強化學習演算法、監督學習演算法及無監督學習演算法中的至少任意一種。
操作資料可以包含選自於從樣本燃氣渦輪機獲取的燃燒條件、負載量及煙道氣量中的至少一者,燃燒條件可以包含選自於內部燃燒條件及外部空氣條件中的至少一者,內部燃燒條件可以包含選自於燃燒爐的數量或燃燒器的數量、空氣燃料比、燃燒溫度、燃燒壓力、爐溫及爐壓中的至少一者,並且樣本燃氣渦輪機可以包含選自於燃氣渦輪機及其他不同的燃氣渦輪機中的至少任意一者。
學習推導步驟(a)的影響因子可以根據煙道氣中的至少任意一種污染物的濃度變化的變化敏感性以作為操作資料的一部分而推導出的。
由學習推導步驟(a)的影響因子改變其濃度的煙道氣中的至少任意一種污染物可以包含一氧化氮及二氧化氮。
在學習預測步驟(b)中預測其濃度的任意污染物可以包含一氧化氮及二氧化氮,並且在目標控制步驟(c)中計算的還原劑注入量可以根據一氧化氮與二氧化氮之間的濃度比而改變。
可以透過將還原劑標準當量比NSR為1應用於二氧化氮與一氧化氮的濃度比小於或等於1的氮氧化物,以計算在目標控制步驟(c)中計算的還原劑注入量。
可以透過將方程式1或方程式1-1應用於二氧化氮與一氧化氮的濃度比小於或等於1的氮氧化物,以計算在目標控制步驟(c)中計算的還原劑注入量。
在上述公式中,Q
e1為氮氧化物處理還原劑的量(kg/hr),Q為煙道氣量(Nm
3/hr,乾),NO
xi為氮氧化物入口濃度(ppm),NO
xo為氮氧化物出口目標濃度(ppm),M為設計裕度(裕度,其為小於或等於20%的NO
xi的值),MW為還原劑分子量,P為還原劑純度(%),以及NSR為還原劑標準當量比(1)。
在上述公式中,Q
e1為氮氧化物處理還原劑的量(kg/hr),Q為煙道氣量(Nm
3/hr,乾),NO
xi為氮氧化物入口濃度(ppm),NO
xo為氮氧化物出口目標濃度(ppm),M為設計裕度(裕度,其為小於或等於20%的NO
xi的值),O
2A為實際氧氣濃度(%,乾),O
2R為標準氧氣濃度(%,乾),MW為還原劑分子量,P為還原劑純度(%),以及NSR為還原劑標準當量比(1)。
可以透過將還原劑標準當量比NSR,其為大於1且小於或等於1.4的值,應用於二氧化氮與一氧化氮的濃度比大於1的二氧化氮,以計算在目標控制步驟(c)中計算的還原劑注入量。
可以透過將方程式2或方程式2-1應用於二氧化氮與一氧化氮的濃度比大於1的二氧化氮,以計算在目標控制步驟(c)中計算的還原劑注入量。
在上述公式中,Q
e2為二氧化氮處理還原劑的量(kg/hr),Q為煙道氣量(Nm
3/hr,乾),NO
2iex為超量二氧化氮入口濃度(ppm),MW為還原劑的分子量,P為還原劑純度(%),以及NSR為還原劑標準當量比(大於1,且小於或等於1.4)。
在上述公式中,Q
e2為二氧化氮處理還原劑的量(kg/hr),Q為煙道氣量(Nm
3/hr,乾),NO
2iex為超量二氧化氮入口濃度(ppm),O
2A為實際氧氣濃度(%,乾),O
2R為標準氧氣濃度(%,乾),MW為還原劑的分子量,P為還原劑純度(%),以及NSR為還原劑標準當量比(大於1,且小於或等於1.4)。
可以透過將還原劑標準當量比NSR為1應用於二氧化氮與一氧化氮的濃度比小於或等於1的氮氧化物,並且將還原劑標準當量比NSR,其為大於1且小於或等於1.4的值,應用於二氧化氮與一氧化氮的濃度比大於1的二氧化氮,以計算在目標控制步驟(c)中計算的還原劑注入量。
在目標控制步驟(c)中計算的還原劑注入量可以透過下述的方程式3以計算,方程式3透過將方程式1或方程式1-1應用於二氧化氮與一氧化氮的濃度比小於或等於1的氮氧化物,並且將方程式2或方程式2-1應用於二氧化氮與一氧化氮的濃度比大於1的二氧化氮,以獲得總和。
在上述公式中,Q
e為還原劑注入量(kg/hr),Q
e1為氮氧化物處理還原劑的量(kg/hr),此數量由方程式1或方程式1-1計算,並且Q
e2為處理二氧化氮的還原劑的量(kg/hr),此數量由方程式2或方程式2-1計算。
目標控制步驟(c)可以包含詳細步驟,其包含:在還原劑的供應之前或之後,利用電腦自動偵測包含燃氣渦輪機在內的煙道氣流路的異常狀態;以及當偵測到異常狀態時,利用電腦以透過控制控制系統及傳遞過程中的至少任意一者以自動解決異常狀態。
異常狀態的自動解決可以包含透過控制包含燃氣渦輪機在內的煙道氣流路中的還原劑的濃度以消除由於超量還原劑引起的爆炸及火災風險的過程。
根據本揭露的一種利用人工智慧的火力發電廠之煙道氣處理裝置,其包含:資料學習模組,其配置為接收先前從樣本燃氣渦輪機收集的操作資料與煙道氣成分資料之間的相關性的輸入,利用人工智慧學習演算法學習相關性,並且推導影響煙道氣中的至少任意一種污染物的濃度的影響因子;濃度預測模組,其配置為接收在燃氣渦輪機的操作期間即時測量的影響因子的變化的測量值以及煙道氣中的至少任意一種污染物的濃度的總變化的輸入,透過人工智慧學習演算法學習影響因子與至少任意一種污染物的濃度之間隨時間的相關性,並且從第一時間點預測在燃氣渦輪機的操作期間從第一時間點經過的第二時間點的煙道氣中的至少任意一種污染物的濃度;還原劑供應部,其包含噴射噴嘴,其配置為使其端部位於燃氣渦輪機與煙囪之間的管道內,以及還原劑傳遞部,其配置為傳遞還原劑至噴射噴嘴;以及過程控制模組,其配置為對應於在第二時間點煙道氣中的至少任意一種污染物的濃度以計算還原劑注入量,至少任意一種污染物的濃度由濃度預測模組預測,從第一時間點控制還原劑傳遞部,並且匹配透過噴射噴嘴注入至煙道氣的還原劑注入量與第二時間點計算出的還原劑注入量。
資料學習模組及濃度預測模組的人工智慧學習演算法可以包含人工神經網路演算法,其在輸入層與輸出層之間形成由複數個計算節點組成的至少一個隱藏層,並且濃度預測模組的人工神經網路演算法可以包含遞迴神經網路演算法,其用於輸出考量了輸入變量的時間相依性的運算結果。
濃度預測模組的人工智慧學習演算法可以包含選自於人工神經網路演算法、強化學習演算法、監督學習演算法及無監督學習演算法中的至少任意一種。
煙道氣處理裝置可以進一步包含催化劑模組,其配置為佈置於管道內的噴射噴嘴的後端。
操作資料可以包含選自於從樣本燃氣渦輪機獲取的燃燒條件、負載量及煙道氣量中的至少一者,燃燒條件可以包含選自於內部燃燒條件及外部空氣條件中的至少一者,內部燃燒條件可以包含選自於燃燒爐的數量或燃燒器的數量、空氣燃料比、燃燒溫度、燃燒壓力、爐溫及爐壓中的至少一者,並且樣本燃氣渦輪機包含選自於燃氣渦輪機及其他不同的燃氣渦輪機中的至少任意一者。
由濃度預測模組預測其濃度的任意污染物可以包含一氧化氮及二氧化氮,並且還原劑注入量可以根據一氧化氮與二氧化氮之間的濃度比而改變。
可以透過將還原劑標準當量比NSR為1應用於二氧化氮與一氧化氮的濃度比小於或等於1的氮氧化物,以計算還原劑注入量。
可以透過將方程式1或方程式1-1應用於二氧化氮與一氧化氮的濃度比小於或等於1的氮氧化物,以計算還原劑注入量。
在上述公式中,Q
e1為氮氧化物處理還原劑的量(kg/hr),Q為煙道氣量(Nm
3/hr,乾),NO
xi為氮氧化物入口濃度(ppm),NO
xo為氮氧化物出口目標濃度(ppm),M為設計裕度(裕度,其為小於或等於20%的NO
xi的值),MW為還原劑分子量,P為還原劑純度(%),以及NSR為還原劑標準當量比(1)。
在上述公式中,Q
e1為氮氧化物處理還原劑的量(kg/hr),Q為煙道氣量(Nm
3/hr,乾),NO
xi為氮氧化物入口濃度(ppm),NO
xo為氮氧化物出口目標濃度(ppm),M為設計裕度(裕度,其為小於或等於20%的NO
xi的值),O
2A為實際氧氣濃度(%,乾),O
2R為標準氧氣濃度(%,乾),MW為還原劑分子量,P為還原劑純度(%),以及NSR為還原劑標準當量比(1)。
可以透過將還原劑標準當量比NSR,其為大於1且小於或等於1.4的值,應用於二氧化氮與一氧化氮的濃度比大於1的二氧化氮,以計算還原劑注入量。
可以透過將方程式2或方程式2-1應用於二氧化氮與一氧化氮的濃度比大於1的二氧化氮,以計算還原劑注入量。
在上述公式中,Q
e2為二氧化氮處理還原劑的量(kg/hr),Q為煙道氣量(Nm
3/hr,乾),NO
2iex為超量二氧化氮入口濃度(ppm),MW為還原劑的分子量,P為還原劑純度(%),以及NSR為還原劑標準當量比(大於1,且小於或等於1.4)。
在上述公式中,Q
e2為二氧化氮處理還原劑的量(kg/hr),Q為煙道氣量(Nm
3/hr,乾),NO
2iex為超量二氧化氮入口濃度(ppm),O
2A為實際氧氣濃度(%,乾),O
2R為標準氧氣濃度(%,乾),MW為還原劑的分子量,P為還原劑純度(%),以及NSR為還原劑標準當量比(大於1,且小於或等於1.4)。
可以透過將還原劑標準當量比NSR為1應用於二氧化氮與一氧化氮的濃度比小於或等於1的氮氧化物,並且將還原劑標準當量比NSR,其為大於1且小於等於1.4的值,應用於二氧化氮與一氧化氮的濃度比大於1的二氧化氮,以計算還原劑注入量。
還原劑注入量可以透過下述的方程式3以計算,方程式3透過將方程式1或方程式1-1應用於二氧化氮與一氧化氮的濃度比小於或等於1的氮氧化物,並且將方程式2或方程式2-1應用於二氧化氮與一氧化氮的濃度比大於1的二氧化氮,以獲得總和。
在上述公式中,Q
e為還原劑注入量(kg/hr),Q
e1為氮氧化物處理還原劑的量(kg/hr),此數量由方程式1或方程式1-1計算,並且Q
e2為處理二氧化氮的還原劑的量(kg/hr),此數量由方程式2或方程式2-1計算。
過程控制模組可以進行控制以在還原劑的供應之前或之後自動偵測包含燃氣渦輪機及管道在內的煙道氣流路的異常狀態,並且當偵測到異常狀態時,透過操作火力發電廠的設施中的至任意一種可控制設施,其包含還原劑傳遞部、燃氣渦輪機及管道,以自動解決異常狀態。
異常狀態可以包含由煙道氣流路中的還原劑的濃度確定的還原劑超量狀態。
有益效果
根據本揭露,可以因應火力發電廠產生的煙道氣中污染物的濃度或成分的變化等以進行非常有效的處理。具體地,可以透過使用人工智慧的分析以預測隨時間變化的污染物濃度,並且可以根據變化時間點對污染物濃度進行非常適當的處理。透過這樣的處理方法,可以非常有效地進行使用還原劑的選擇性(非)催化還原法(selective (non)catalytic reduction method)的處理,且即使當由於操作條件的變化而導致煙道氣的成分頻繁變化時,也可以進行有效的因應措施。此外,透過自動化控制,即使當由於裝置、設施或其相似物中的還原劑過多而發生問題時,也能立即解決問題,從而可以獲得各種效果,例如將異常狀態恢復為正常狀態。
參照以下詳細說明的例示性實施例並結合附圖,將使得本揭露的優點及特徵及其實現方式變得更加清楚。然而,本揭露不限定於下述的例示性實施例,而可以以許多不同的形式實現例。提供這些實施例僅是為了使得本揭露更加完整,並且向本揭露所屬領域具有通常知識者充分傳達本揭露的範圍,並且本揭露僅由所附申請專利範圍所限定。在本揭露中,相同的元件符號通常表示相同的元件。
在下文中,將參照第1圖至第7圖詳細說明根據本揭露的例示性實施例的利用人工智慧的火力發電廠之煙道氣處理方法。為了避免多餘的說明,並清楚且簡潔地進行說明,首先說明煙道氣處理方法的要點,並且將說明用於煙道氣處理方法的煙道氣處理裝置的配置。之後,將基於所說明的煙道氣處理裝置的配置以說明煙道氣處理方法的所有細節。
第1圖為繪示出根據本揭露的例示性實施例的利用人工智慧的火力發電廠之煙道氣處理方法的流程圖。
首先,基於第1圖,將詳細說明根據本揭露的利用人工智慧的火力發電廠之煙道氣處理方法(即使在本說明書中稱作「煙道氣處理方法」時,此方法也具有相同的含義)。參照第1圖,根據本揭露的煙道氣處理方法由透過資料學習預測及因應污染物的濃度變化的過程所組成。本揭露的實施例透過人工智慧學習演算法對預先收集的資料及實測資料進行學習,以預測煙道氣中污染物的濃度的變化。透過將預先收集的資料及燃氣渦輪機操作時間點的即時資料複雜地反映,使得預測具有良好的準確度,藉此,在從當前的時間點開始經過了預定量的時間後,可以有效地根據未来的時間點進行控制。也就是說,在使用還原劑進行污染物還原及移除的處理時,根據當前時間點的資訊以預測煙道氣中污染物的濃度將如何變化,從而透過使用從當前時間點到預測時間點的時間間隔的控制,可以在預測時間點更準確地供應還原劑。藉此,不僅可以有效地因應污染物隨時間變化的情況,而且可以進一步解決還原劑的實際供應量因還原劑的傳遞過程等而隨時間差發生變化的問題。
本揭露的煙道氣處理方法的具體配置如下。煙道氣處理方法包含:(a)學習推導步驟S100,利用電腦及利用人工智慧學習演算法學習先前從樣本燃氣渦輪機收集的操作資料與煙道氣成分資料之間的相關性,並且推導影響煙道氣中的至少任意一種污染物的濃度的影響因子;(b)學習預測步驟S200,利用電腦及利用人工智慧學習演算法學習在燃氣渦輪機的操作期間即時測量的影響因子的變化與至少任意一種污染物的濃度根據影響因子的變化而產生的總變化之間的相關性,並且從第一時間點預測在燃氣渦輪機的操作期間從第一時間點經過的第二時間點的煙道氣中的至少任意一種污染物的濃度;以及(c)目標控制步驟S300,計算與在學習預測步驟(即,步驟S200)中預測的第二時間點的煙道氣中的至少任意一種污染物的濃度對應的還原劑注入量,從第一時間點控制還原劑傳遞過程,並且匹配根據還原劑傳遞過程注入至煙道氣的還原劑注入量與在第二時間點計算的還原劑注入量。目標控制步驟也可以透過電腦執行,並且可以在學習推導步驟及學習預測步驟的人工智慧學習演算法中使用包含人工神經網路演算法在內的各種機器學習演算法。在下文中,將更詳細地說明各步驟的要點,然而更具體的要點將在如上所述的本揭露之煙道氣處理裝置的說明基礎上以更詳細地說明。
學習推導步驟S100可以為在人工智慧學習方法中指定火力發電廠的燃氣渦輪機的操作與根據燃氣渦輪機的操作而產生的煙道氣的成分的總變化之間的相關性的步驟。例如,將火力發電廠的燃氣渦輪機的操作相關的一部份資料作為自變量,將與自變量相關聯的表示煙道氣成分的一部份資料作為應變量,以確定上述兩個變量之間的因果關係。如下所述,透過諸如機器學習等方法以進行的自學習過程,可以高準確性地確定所累積的與燃氣渦輪機的操作相關的各種類型的資料以及與燃氣渦輪機的操作資料相關的煙道氣成分資料之間的相關性。相關性的確定並非諸如傳統的線性回歸分析或其相似方法透過簡單地假設資料之間的線性關係所得到的結果,而是根據反覆的自學習所推導出的結果以確定人工智慧學習演算法所分析的資料之間的有機相關性(organic correlation)的過程。藉此,能夠從燃氣渦輪機操作資料中以更高的可靠性辨識出影響煙道氣中至少一種污染物的濃度的影響因子。例如,可以根據煙道氣中至少一種污染物的濃度變化的變化敏感性,以將這樣的影響因子作為操作資料的一部分推導出,並且可以推導出一個或多個影響因子。例如,在操作資料由諸如燃燒條件、負載量、煙道氣量及/或煙道氣溫度等各種資料構成的情況下,可以從由燃燒條件、負載量或詳細條件構成的一部分的操作資料中推導出操作資料中的影響因子,並且煙道氣中也可能存在有一種或複數種污染物,其污染物濃度隨影響因子的變化而敏感地變化。例如,在煙道氣中其濃度由影響因子改變的至少一種任意污染物可以包含一氧化氮及二氧化氮,並且可以透過影響因子的變化以預測氮氧化物濃度的變化進而有效地進行因應措施。因此,本揭露可以也可以用於脫氮處理。然而,本揭露並非限定於如上所述,本揭露也可以透過推導與煙道氣中其他污染物的濃度相關的影響因子以根據需求盡可能多地用於處理其他污染物,且因此可以根據相關情況以各種方式使用本揭露。
在學習推導步驟S100中,對預先收集的樣本燃氣渦輪機的操作資料及煙道氣成分資料進行學習。在此情況下,樣本燃氣渦輪機可以為在後述的學習預測步驟中實際操作的燃氣渦輪機,或者可以為其他的燃氣渦輪機。也就是說,本揭露的煙道氣處理方法可以廣泛了解火力發電廠使用的各種燃氣渦輪機的操作條件與根據操作條件產生的煙道氣的成分之間的相關性,藉此可以推導出提供更靈敏且準確結果的影響因子。也就是說,各種燃氣渦輪機的預先收集資料可以用於推導影響因子,從而提供更靈敏且準確的預測結果。也就是說,樣本燃氣渦輪機可以包含選自於複數個燃氣渦輪機中的至少任意一種燃氣渦輪機,其中複數個燃氣渦輪機包含在學習預測步驟S200中操作的燃氣渦輪機以及其他不同的燃氣渦輪機(例如,不同類型的相似燃氣渦輪機)。此外,透過學習樣本燃氣渦輪機的操作資料及煙道氣成分資料可以推導出影響因子。根據不同的情況,所考量的各種燃氣渦輪機的操作資料越多,且可學習的資料量也增加的越多,但也可能相應地產生噪聲,因此較佳地,樣本燃氣渦輪機可以在與當前考量的燃氣渦輪機(即,表示在上述學習預測步驟中操作的燃氣渦輪機)具有實質相似性的相似燃氣渦輪機的範圍內確定。例如,相似的燃氣渦輪機可以為與當前考量的燃氣渦輪機不完全相同的型號,但在其他類型的燃氣渦輪機中具有相似的結構、規格及性能的燃氣渦輪機,因此被確定在學習範圍內。由於學習範圍可以根據情況而變化,因此可以相應地調整相似燃氣渦輪機的範圍。如上所述,樣本燃氣渦輪機為選自於包含當前考量的燃氣渦輪機及其他不同的燃氣渦輪機在內的各種燃氣渦輪機,並且學習預先收集的樣本燃氣渦輪機的操作資料,從而可以推導出提供更靈敏且準確的預測結果的影響因子。
學習推導步驟S100中的電腦可以以各種形式實現。此電腦與稍後將說明的學習預測步驟S200及目標控制步驟S300中的相同,並且能夠執行這些步驟中的每一個的實現方法或電腦的形式不特別限定於此。例如,煙道氣處理方法的各個步驟可以在一台物理上整合的電腦上執行,也可以在彼此分離的獨立電腦上執行。例如,可以透過包含一個或複數個計算程式的一種程序模組或其相似物以執行各個步驟。包含能夠驅動計算程式的中央處理單元(Central Processing Unit,CPU)並且設置有具有內建或儲存在其中的計算程式的記憶體的各種類型的裝置可以用作電腦。因此,不需要限定於電腦的名稱,且舉例來說,諸如程控邏輯控制器(Programmed Logic Controller,PLC)的控制裝置及其相似物可以實質上在本揭露中的電腦的範圍內。透過利用這樣的電腦裝置,可以配置出能夠執行本發明的煙道氣處理方法的煙道氣處理裝置。稍後將更詳細地說明煙道氣處理裝置的具體實施例。
學習推導步驟S100可以在燃氣渦輪機實際開始操作前執行。也就是說,在燃氣渦輪機操作前透過機器學習的方式以學習預先收集的樣本燃氣渦輪機的操作資料以及與操作資料相關聯的煙道氣成分資料之間的相關性,從而可以先推導出上述影響因子,並接續透過基於推導出的影響因子的即時資料的學習,而使得更準確地預測污染物濃度成為可能。
接下來,執行學習預測步驟S200。學習預測步驟S200是在燃氣渦輪機實際操作的時間點執行。在學習預測步驟S200中,電腦透過人工智慧學習演算法以在機器學習方法中學習在燃氣渦輪機的操作期間即時測量的影響因子的變化與至少任意一種污染物的濃度根據影響因子的變化而產生的總變化之間的隨時間的相關性,從而從第一時間點預測在燃氣渦輪機的操作期間從第一時間點經過的第二時間點的煙道氣中的至少任意一種污染物的濃度。也就是說,將先前在學習預測步驟S200中推導出的影響因子應用於實際燃氣渦輪機的操作條件分析中,且因此即時識別了影響因子的變化與煙道氣中污染物的濃度變化之間的相關性。在此情況下,在電腦上透過人工智慧學習演算法以執行機器學習方法中的學習,透過這種方式具體地學習了即時變化的影響因子的變化與煙道氣中的任意一種污染物的濃度的總變化之間的隨時間的相關性,從而可以根據影響因子的測量值以預測未來時間點的污染物濃度的值。例如,可以將影響因子與污染物濃度之間的相關性確定為時間相依關係或其他相似關係,並且從由推導出的學習結果,可以從第一時間點預測在燃氣渦輪機的操作期間從第一時間點經過的第二時間點的煙道氣中的至少任意一種污染物的濃度。
在學習預測步驟S200中,學習了即時測量的資料而非預先收集的資料。即時測量的資料包含即時測量的影響因子的變化值,並且其可以包含:上述影響因子的時間相依值及其變化,特別是作為當前考量的燃氣渦輪機的操作資料的一部分而推導出的;以及煙道氣中的至少任意一種污染物的總濃度及其變化。例如,這些資料可以進一步包含時間資訊,其中在即時測量期間記錄了測量時間點或資料產生時間點,甚至可以從這些時間資訊中學習各資料之間隨時間變化的關係(即,影響因子及總污染物濃度)。如上所述,透過人工智慧學習演算法以快速地學習即時變化的測量值,以根據影響因子的變化推導出的污染物濃度隨時間變化的相關性,從而可以從第一時間點預測在第二時間點(其作為從第一時間點經過的未來時間點)的煙道氣中的至少任意一種污染物的濃度。在此情況下,可以使用人工智慧學習演算法,例如用於輸出考量了輸入資料的時間相依性的運算結果的遞迴神經網路演算法,並且更正確地推導出時變資料之間的相關性的學習結果,從而可以更準確地預測污染物濃度。
也就是說,透過將基於人工智慧的機器學習方法應用於彼此不同的至少兩個步驟,以實現本揭露並且推導及預測相關技術中難以推導出的結果。透過人工智慧學習演算法可以在電腦上短時間內重複學習資料,並且學習演算法係配置為利用複數個計算節點互連的人工神經網路,從而可以推導出不受簡單線性關係限制的靈活學習結果。因此,可以徹底識別使用傳統分析方法難以識別的相關性,且可以更靈敏地推導出影響污染物的濃度的影響因子,並且有效地利用影響因子進行分析。此外,基於影響因子的分析,可以更準確地預測污染物濃度隨時間的變化,並且更方便地進行基於預測的控制。關於基於人工智慧的學習方法、操作資料與影響因子之間的關係、操作資料的類型等的具體細節將在下文中更詳細地說明。
接下來,執行目標控制步驟S300。在目標控制步驟S300中,計算與在學習預測步驟S200中預測的未來時間點,即第二時間點,的煙道氣中的至少任意一種污染物的濃度對應的還原劑注入量,從第一時間點控制還原劑傳遞過程,並且執行根據還原劑傳遞過程注入至煙道氣的還原劑注入量的控制與在第二時間點計算的還原劑注入量之間的匹配。也就是說,能夠處理污染物的還原劑注入量為根據在第二時間點預測的污染物濃度以計算出的,第二時間點為從第一時間點開始的未來時間點,並且透過從第一時間點提前開始與還原劑供應相關的控制,可以將計算出的還原劑注入量與在已經經過的第二時間點噴射至煙道氣中的還原劑注入量相匹配。這包含例如考量了與還原劑傳遞過程相關的所需時間的時間差控制的概念。具體地,即使在煙道氣的濃度為變化的而非固定的情況下,上述方法也適用,因此其非常有效率。也就是說,透過基於上述人工智慧學習方法的分析,例如可以高準確性地預測經過所需時間後獲得的污染物濃度,並且能夠重複根據預測時間點以調整還原劑注入量的時間差控制,且同時重複預測未來時間點的污染物濃度。因此,即使對於濃度會發生變化的污染物,也可以透過預測以準確且徹底地進行移除。
在目標控制步驟S300中,第一時間點可以為燃氣渦輪機的操作期間的時間點,且第二時間點可以為經過第一時間的時間點,並且可以為相對於第一個時間點的未來時間點。第一時間點與第二時間點之間的時間間隔可以改變,且可以根據情況刻意地改變此間隔。例如,時間間隔可以以分鐘為單位,但也可以根據需求增加或減少此間隔。例如,考量到與上述還原劑傳遞過程相關的所需時間,第一時間點與第二時間點之間的間隔可以調整為比以分鐘為單位的時間間隔更大的時間間隔,並且在如下所述的透過控制傳遞過程以逐漸改變所需時間的同時,可以根據需求調整第一時間點與第二時間點之間的時間間隔。此外,第一時間點與第二時間點之間的時間間隔可以以不同的方式進行各種調整。關於目標控制步驟的具體內容,例如第一時間點及第二時間點、還原劑注入量的計算方法及還原劑傳遞過程等,將在下文中詳細說明。
透過這些步驟,本揭露的煙道氣處理方法可以根據當前時間點的影響因子值以預測未來時間點的污染物濃度值,並且可以在預測的時間點供應能夠準確移除污染物的還原劑。當透過基於人工智慧的學習推導出影響因子的變化與污染物濃度的變化之間的隨時間的關係時,可以連續地預測經過預定時間的未來時間點的污染物濃度,同時持續地監測影響因子的變化。此外,透過重複的學習,可以逐漸提升影響因子的變化與污染物濃度的變化之間的相關性,從而在控制過程進行的同時,也可以不斷的提高控制過程的準確性。在這樣的方法中,在預測燃氣渦輪機的操作期間的煙道氣中的污染物濃度的同時,可以控制還原劑的供應,從而更準確地移除預測的污染物。在下文中,將詳細說明能夠執行這種煙道氣處理方法的煙道氣處理裝置的詳細配置,並且如上所述,在此說明的基礎上,將提供煙道氣處理方法的更詳細的說明。由於接下來將說明的人工智慧學習演算法、操作資料、煙道氣成分資料及影響因子與上述煙道氣處理方法中所說明的人工智慧學習演算法、操作資料、煙道氣成分資料及影響因子實質上相同,其具體細節也將在後述的煙道氣處理裝置中進行說明,反之,由於接下來將說明的煙道氣處理裝置的樣本燃氣渦輪機及相似燃氣渦輪機與上述煙道氣處理方法中所說明的樣本燃氣渦輪機及相似燃氣渦輪機實質上相同,因此其相關說明將替換為上述的說明。
第2圖為利用人工智慧的火力發電廠之煙道氣處理裝置的方塊圖,此裝置係配置為根據本揭露的例示性實施例以執行第1圖中所示的處理方法。第3圖為繪示出將第2圖所示的處理裝置應用於火力發電廠的裝置的方式的概念圖。第4圖為概念性地繪示出第1圖所示的處理方法中適用於影響因子的推導及污染物濃度的預測的人工智慧演算法的示例的示意圖。第5圖及第6圖為繪示出透過第4圖所示的人工智慧學習演算法以推導影響因子並且預測污染物濃度的過程的示意圖。
參照第2圖及第3圖,根據本揭露的利用人工智慧學習演算法的煙道氣處理裝置1(即使當在說明書中稱作「煙道氣處理裝置」時,此裝置也具有相同的含義)可以配置為包含:資料學習模組100、濃度預測模組200、還原劑供應部400及過程控制模組300。如第3圖所繪示,還原劑供應部400包含還原劑傳遞部420及噴射噴嘴410,並且其可以作為一種還原劑供應設施設置在管道20中以噴射還原劑B。資料學習模組100、濃度預測模組200及過程控制模組300可以配置為包含安裝在一台或多台電腦中的上述程式模組。資料學習模組100、濃度預測模組200及過程控制模組300可以包含能夠執行各別操作的一個或複數個計算程式,並且可以提供為組合有相關程序的一種軟體,或者可以以包含儲存有程式及這些軟體的硬體的形式提供。當必要時,各個模組可以進一步包含能夠驅動計算程式的中央處理單元。相應地,舉例來說,各個模組可以實現在具有不同的獨立中央處理器、軟體及用於儲存軟體的儲存裝置的獨立硬體上(在此情況下,可以視為各個模組構成一個獨立的電腦)。也可以為各個模組中的至少兩個模組共用部分的硬體,例如中央處理器(在此情況下,可以視為至少兩個模組形成於一台電腦中)。如上所述,資料學習模組100、濃度預測模組200及過程控制模組300可以透過使用電腦以各種形式可操作地實現。資料學習模組100、濃度預測模組200及過程控制模組300可以在不同的時間進行操作,但由於操作時間可能彼此重疊,因此各個模組也可以在一個過程中或其相似過程中同時執行,其不受本揭露中的時間順序的限制。
資料學習模組100實質上被配置為執行上述煙道氣處理方法的學習推導步驟(參照第1圖中的S100)。資料學習模組100接收上述樣本燃氣渦輪機的預先收集的操作資料以及與操作資料相關聯的煙道氣成分資料之間的相關性的輸入,並利用人工智慧學習演算法學習此相關性(即,透過人工智慧學習演算法以在機器學習方法中學習相關性),並且從操作資料推導出影響煙道氣中的至少任意一種污染物的濃度的影響因子。資料學習模組100可以包含能夠執行這些計算的一個或複數個計算程式。諸如樣本燃氣渦輪機的預先收集的操作資料及煙道氣成分資料的資料可以包含在資料庫中。此外,在本說明書中,諸如資料庫及模組的組件可以透過有線及/或無線通訊以相互連接。諸如數據機(modem)的有線及/或無線組件通常可以在市場上購得,或者可以透過常見技術製造。此外,通常來說,資料庫及/或程式不僅可以物理地整合至裝置本體中,也可以包含在雲端中。
濃度預測模組200實質上被配置為執行上述煙道氣處理方法的學習預測步驟(參照第1圖中的S200)。也就是說,濃度預測模組200被配置為接收在上述燃氣渦輪機的操作期間即時測量的影響因子的變化的測量值(參照第1圖及第2圖中的10)以及煙道氣中的至少任意一種污染物的濃度根據影響因子的變化而產生的變化的輸入,並且透過人工智慧學習演算法,例如在透過人工智慧學習演算法的機器學習方法中,學習影響因子與污染物濃度之間隨時間的相關性,從而從第一時間點預測在燃氣渦輪機10的操作期間從第一時間點經過的第二時間點的煙道氣中的至少任意一種污染物的濃度。濃度預測模組200更可以包含能夠執行這些計算的一個或複數個計算程式。
資料學習模組100及濃度預測模組200的人工智慧學習演算法包含例如如第4圖所繪示的人工神經網路(Artificial Neural Network,ANN)演算法,其在輸入層與輸出層之間形成由複數個計算節點H
n組成的至少一個隱藏層。具體地,濃度預測模組200的人工神經網路演算法可以包含遞迴神經網路演算法(Recurrent Neural Network,RNN),其用於輸出考量了輸入變量的時間相依性的運算結果。例如,在人工神經網路演算法中,各層的節點可以為加權函數,如圖所示,人工神經元是以網路形式組成的,並且可以根據演算法合成人工神經元以執行計算。相應地,輸入至輸入層的節點I
n的資料透過複數個節點進行處理,複數個節點形成於隱藏層中,並且傳播至輸出層的節點O
n,藉此可以執行計算。在這樣的過程中,可以透過反向傳播方法及其相似方法以更新節點的權重,並且可以進行組合以最佳化結果。根據這樣的計算的結果,例如,可以實現輸入資料之間諸如非線性相關性的各種相關性的模擬等,並且藉此可以識別在相關技術的大量輸入資料中難以輕易識別的資料之間的關聯等。例如,可以透過適當地調整或選擇用以合成節點或處理節點之結果的各個節點或函數,以配置出執行期望類型的計算的人工神經網路。因此,舉例來說,資料學習模組100可以配置為利用人工神經網路以學習資料,此人工神經網路能夠從預先收集的操作資料及煙道氣成分資料中推導出操作資料與煙道氣中的至少任意一種污染物的濃度之間的相關性,從而可以推導出影響煙道氣中的至少任意一種污染物的濃度的影響因子。
雖然未繪示出,可以形成有一個或複數個隱藏層,並且可以透過添加隱藏層以增加神經元的數量。在具有複數個隱藏層的情況下,例如各隱藏層可以配置為深度神經網路(Deep Neural Network,DNN),並藉此執行基於深度學習的機器學習,使得可以更適當地識別非線性相關性及其相似物。除了上述說明之外,舉例來說,在根據時間序列遞迴地計算處於隱藏狀態的節點的輸出的方法中,在隱藏層中更可以配置隱藏層為用以輸出考量了輸入變量之間的時間相依性的計算結果。例如,以這種方式,可以組成遞迴神經網路(Recurrent Neural Network,RNN),其配置為依計算的方向從輸入層至輸出層在隱藏層內循環。由於濃度預測模組200具有用於推導出即時測量的資料的時間相依關係的配置,因此這種遞迴神經網路演算法可能更為適合。透過應用遞迴神經網路演算法,可以從即時測量的影響因子的變化的測量值以及煙道氣中的至少一種污染物的濃度的總變化中更適當地推導出隨時間的相關性。如上所述,可以提供資料學習模組100及濃度預測模組200學習演算法,使其能夠透過人工神經網路演算法進行操作。
然而,本揭露並非限定於上述說明,當必要時,本揭露可以進一步選擇地/附加地應用盡可能多的其他人工智能學習算法。例如,濃度預測模組200可以考量能夠透過學習的方式以進行預測的其他學習方法,並且這樣的學習方法,例如,可以利用的演算法包含:強化學習演算法,其用於透過獎勵將強化概念應用於學習過程;監督學習演算法,其概念為訓練帶有答案的資料;以及無監督學習演算法,其概念為利用叢集(clustering)未答覆資料以進行分類訓練。這樣的演算法可以被應用為例如透過深度學習的人工智慧學習演算法,且因此,如上所述,濃度預測模組200的人工智慧學習演算法可以包含選自於人工神經網路演算法、強化學習演算法、監督學習演算法及無監督學習演算法中的至少一種演算法。資料學習模組100及濃度預測模組200中的每一個可以包含由這樣的人工智慧學習演算法實現的一個或複數個計算程式,並且在濃度預測模組200中,可以允許這些計算程式的學習及預測共同執行。或者,當必要時,透過人工智慧學習演算法以推導出資料之間的相關性的計算程式以及透過應用人工智慧學習演算法所推導出的結果以重複地執行預測的另一個計算程式兩者可以被包含在一起。在這樣的方法中,可以配置有資料學習模組100,其透過應用基於人工智慧的學習方法以推導出上述影響因子,並且可以配置有濃度預測模組200,其從第一時間點預測在燃氣渦輪機10的操作期間從第一時間點經過的第二時間點的污染物的濃度。
資料學習模組100所學習的操作資料及煙道氣成分資料可以包含下列更詳細的資料。參照第5圖,操作資料包含上述樣本燃氣渦輪機的燃燒條件、負載量及/或煙道氣量,並且可以進一步包含煙道氣溫度。燃燒條件可以包含內部燃燒條件及外部空氣條件。在本揭露的過程中所識別的這些操作資料與煙道氣中存在的污染物濃度密切相關,並且利用這些操作資料可以進行更準確的預測。更具體地,上述內燃條件可以包含,例如燃燒爐的數量(或者燃燒器的數量)、空氣燃料比、燃燒溫度、燃燒壓力、爐溫及爐壓,並且負載量可以包含樣本燃氣渦輪機的輸出。此外,外部空氣條件可以包含與燃燒環境相關的內容,例如在產生相應操作資料的時間點的溫度及濕度。在此情況下,燃燒爐的數量表示包含此數量的燃燒器,且空氣燃料比表示包含此比例的空氣量及燃料量。煙道氣成分資料包含根據產生相應操作資料的時間點運行的樣本燃氣渦輪機所產生的煙道氣中的物質成分及其濃度,並且這些物質包含所有的污染物及非污染物。污染物的示例包含氮氧化物、一氧化碳等。非污染物的示例包含氧氣、水蒸氣形式的水等。如上所述,樣本燃氣渦輪機可以包含選自於當前考量中的燃氣渦輪機(即,實際運行的燃氣渦輪機,在上述的學習預測步驟S200中說明的燃氣渦輪機)及其他燃氣渦輪機(例如,不同類型的相似燃氣渦輪機)。
透過如上所述的人工智慧學習演算法(例如,利用人工智慧學習演算法以透過機器學習方法進行學習)以學習這些操作資料及煙道氣成分資料,且因此,如第5圖所繪示的,推導出影響煙道氣中的至少任意一種污染物的濃度的影響因子。例如,可以根據煙道氣中的至少任意一種污染物的濃度變化的敏感性,以將影響因子(即,與上述煙道氣處理方法的影響因子實質上相同)作為操作資料的一部分推導出。各影響因子可以由構成操作資料的任意一個或複數個細節所構成,其具體內容視情況而定。例如,可以推導出內部燃燒條件中的負載量、燃燒爐的數量(或燃燒器的數量)、空氣燃料比、燃燒溫度、燃燒壓力、爐溫、爐壓中的至少任意一者以作為影響因子。然而,由於這僅是一個示例,因此可以根據情況而具有更多或更少的影響因子,並且可以根據這些影響因子的測量值而更準確地預測煙道氣中的至少一種污染物的濃度。在對上述煙道氣處理方法再次進行說明時,可以根據煙道氣中的至少任意一種污染物的濃度變化的變化敏感性,以將上述學習推導步驟S100中的影響因子作為操作資料的一部分推導出。在學習推導步驟S100中受這些影響因子而改變濃度的污染物可以包含一氧化氮及二氧化氮。也就是說,如第6圖所繪示,利用上述人工智慧學習演算法在機器學習方法中學習推導出的影響因子的即時變化與煙道氣中的至少任意一種污染物的濃度的總變化之間的相關性,從而可以推導出在未來時間點的污染物濃度的預測值。也就是說,舉例來說,推導出敏感地影響煙道氣中的污染物中一氧化氮及二氧化氮的濃度變化的影響因子,並且濃度預測模組200學習影響因子的變化與一氧化氮及二氧化氮的濃度變化之間隨時間的相關性,從而可以預測在燃氣渦輪機的操作期間從第一時間點經過的第二時間點的煙道氣中的一氧化氮及二氧化氮的濃度。然而,如上所述,本揭露並非限定於此,本揭露更可以透過盡可能地推導出與煙道氣中的其他污染物濃度相關的影響因子以預測及因應其他污染物的濃度。根據所預測的污染物濃度及其他資料以注入還原劑的具體因應過程將在下文中更詳細地說明。
同時,還原劑供應部可以配置如下。參照第3圖,還原劑供應部400可以包含:噴射噴嘴410,其端部位於燃氣渦輪機10與煙囪30之間的管道20內;以及還原劑傳遞部420,其配置為傳遞還原劑B至噴射噴嘴410。還原劑供應部400可以進一步包含:還原劑罐430,其儲存有還原劑B;及其相似物。噴射噴嘴410可以以能夠將還原劑B噴射至管道20中的各種形式設置,並且在此限制之外沒有特別的限制。還原劑B從還原劑罐430透過還原劑傳遞部420傳遞至噴射噴嘴410,並從噴射噴嘴410噴射至管道20中。因此,還原劑B可與在管道20內流動的煙道氣A混合,以還原並移除煙道氣A中的至少一種污染物。如圖所示,本揭露的煙道氣處理裝置1可以進一步包含如圖所示的佈置在管道20內的噴射噴嘴410後端的催化劑模組22,並且可以利用催化劑模組22以透過選擇性催化還原方法移除煙道氣中的污染物。例如,催化劑模組22可以佈置在管道20中彼此間隔開的複數個過熱器束(superheater bundles)21之間。然而,本揭露的還原劑B並非表示其必須僅與催化劑模組22共同使用,而是表示其與催化劑模組22彼此獨立地作用以移除污染物。也就是說,可以使用一種或多種不同類型的還原劑。儘管未繪示出,例如複數個噴射噴嘴410可以佈置在管道20內的不同位置,並且在此情況下,不同類型的還原劑可以配置為透過不同的噴射噴嘴410噴射。催化劑模組22可以為例如脫硝催化劑,但其不限定於此,其也可以包含用於處理各種其他污染物的各種催化劑。
還原劑傳遞部420可以配置有用於從還原劑罐430傳遞還原劑B至噴射噴嘴410的各種設施,且各種裝置包含導管、閥門、泵浦及其相似物的各種裝置可以安裝於這些設施中。可以形成一個或複數個導管,並且複數個管道可以彼此連接以形成相對複雜的傳遞路徑。此外,可以增設其他設施。有鑒於此,透過還原劑傳遞部420以傳遞還原劑B至噴射噴嘴410需要時間,此時間可以稱作還原劑傳遞過程的所需時間。根據裝置的實施形式,還原劑傳遞部420可以以各種方式形成,且因此傳遞過程的所需時間也可能不同。因此,在相關領域中,即使在向實際的還原劑供應部400提供還原劑噴射指令的情況下,直到根據給定的指令的量以實際注入還原劑B之前至少有一個與轉移過程的所需時間相同的時間差,且因此將難對污染物濃度發生變化的情況進行因應。如上所述,在本揭露中,濃度預測模組200可以從第一時間點預測在燃氣渦輪機10的操作期間從第一時間點經過的第二時間點的煙道氣中的至少任意一種污染物的濃度,因此,即使存在轉移過程的所需時間,也可以控制還原劑B的正確數量,以透過考量所需時間的控制,根據預測的時間(即,第二時間點)進行還原劑B的噴射。
過程控制模組300實質上配置為用於執行上述煙道氣處理方法的目標控制步驟(參照第1圖中的S300)。過程控制模組300計算與濃度預測模組200所預測的第二時間點的煙道氣中的至少一種污染物的濃度對應的還原劑注入量,且從第一時間點控制還原劑傳遞部420,並且控制還原劑傳遞部420以匹配透過噴射噴嘴410注入至煙道氣的還原劑注入量與在第二時間點計算的還原劑注入量。如第2圖所繪示,過程控制模組300可以連接至資料學習模組100及濃度預測模組200,且可以配置為與之執行資料交換。過程控制模組300可以透過傳輸控制訊號至還原劑供應部400以控制還原劑供應部400的操作,並且可以形成為能夠傳輸控制訊號至控制系統40,其中控制系統40連接至燃氣渦輪機10、管道20、煙囪30及其相似物,如下文中將說明的。與資料學習模組100或濃度預測模組200相似,過程控制模組300可以形成為包含一個或複數個計算程式,並且可以配置為獨立的電腦裝置。或者,過程控制模組300可以配置為與資料學習模組100及濃度預測模組200中的至少任意一者共同整合至同一個電腦裝置中。具體地,過程控制模組300的計算程式可以配備有計算對應於第二時間點的預測的污染物濃度的還原劑注入量的函數。此外,也可以共同配置用於執行與構成還原劑傳遞部420的各種設施的控制相關的各種其他計算程式。
這樣的過程控制模組300可以在還原劑的供應之前或之後進行控制以自動偵測包含燃氣渦輪機10及管道20在內的煙道氣流路的異常狀態,並且當偵測到異常狀態時,過程控制模組300可以透過操作火力發電廠的設施中的至任意一種可控制設施,其包含還原劑傳遞部420、燃氣渦輪機10及管道20,以自動解決異常狀態。具體地,異常狀態可以包含根據煙道氣流路中的還原劑濃度確定的超量還原劑狀態,且因此,透過檢查過程控制模組300的控制,可以自動解決由於超量還原劑而引起的爆炸等危險。此外,異常狀態更可以包含諸如脫硝性能等的煙道氣處理性能過度下降的狀態,或者煙道氣處理所產生的副產物濃度過度升高的狀態。透過操作火力發電廠的設施中的至任意一種可控制設施,也可以執行控制以自動解決這種異常狀態。例如,可以透過在煙道氣流路中佈置濃度感測器及其相似物以監測還原劑B的濃度。此外,可以透過結合佈置溫度感測器、壓力感測器及其相似物以監測煙道氣流路是否出現異常狀態。當檢測到異常狀態時,即使在還原劑傳遞過程中過程控制模組300也可以停止供應還原劑B,並且可以在還原劑B的供應之前或之後執行控制操作以立即消除異常狀態。例如,如第2圖所繪示,可以透過傳輸控制訊號至控制系統40以執行控制操作,其中控制系統40可以配置為用以操作連接至燃氣渦輪機10、管道20、煙囪30及其相似物的火力發電廠的設施,或者透過傳輸控制訊號至還原劑傳遞部420,特別是還原劑供應部400,以達到相同的目的。可以在還原劑濃度小於或等於適當狀態後透過控制操作以執行還原劑B的供應。此外,可以控制過程控制模組300透過各種感測器或者佈置在火力發電廠中的監視裝置以收集資訊,並且檢測由於諸如燃氣渦輪機10的問題、管道中的流體流動的問題及還原劑供應部400的問題等問題而引起的各種異常狀態,從而解決異常狀態。當必要時,可以啟動警報及其相似物以通知操作人員及其他人此問題,並且當問題未被立即解決時,可以暫時停止過程。用於解決異常狀態的控制將在後述的煙道氣處理方法中更詳細地說明。
在下文中,將以上述煙道氣處理裝置的配置為基礎,針對上述煙道氣處理方法的更具體的細節進行更詳細的說明。
第7圖為一併繪示出與污染物濃度的預測及還原劑的供應相關的隨時間的處理過程的時間表(參照第7圖中的a部分)以及例示性地示出還原劑的供應量的總變化的圖表(參照第7圖中的b部分)的示意圖。
將連同第7圖以參照第1圖至第3圖進行說明。雖然未在時間表中繪示出,可以透過資料分析模組(參照第2圖中的100)以執行上述學習推導步驟(參照第1圖中的S100),並且可以在燃氣渦輪機(參照第2圖及第3圖中的100)的操作開始時間點T
0之前提前執行。如上所述,電腦透過人工智慧學習演算法(例如,透過人工智慧學習演算法以在機器學習方法中學習)以學習預先收集的樣本燃氣渦輪機的操作資料以及與操作資料相關聯的煙道氣成分資料之間的相關性,從而(從操作資料中)推導出影響煙道氣中的至少一種污染物的濃度的影響因子。在此情況下,可以在電腦中的上述資料學習模組100中執行這樣的過程,並且所導出的影響因子的資訊可以傳輸至濃度預測模組(參照第2圖中的200)及過程控制模組(參照第2圖中的300)。
在燃氣渦輪機10開始操作之後,執行上述學習預測步驟(參照第1圖中的S200)。也就是說,學習預測步驟基於在燃氣渦輪機10的操作開始時間點T
0之後即時測量的資料以執行。即如上所述,電腦透過人工智慧學習演算法(例如,透過人工智慧學習演算法以在機器學習方法中學習)學習在燃氣渦輪機10的操作期間即時測量的影響因子的變化與煙道氣中的至少任意一種污染物的濃度總變化之間隨時間的相關性,從而預測在燃氣渦輪機的操作期間從第一時間點T
1經過的第二時間點T
2的煙道氣中的至少任意一種污染物的濃度。在此情況下,例如,可以在電腦中的上述濃度預測模組200中執行這樣的過程,並且可以將推導出的濃度預測值傳輸至過程控制模組300。
如上所述,影響因子以可以推導為操作資料的一部分,並且影響因子的類型或數量可以根據如上所述的情況而變化。此外,由於這些影響因子而改變其濃度的煙道氣中的至少一種污染物包含一氧化氮及二氧化氮,但也可以包含其他污染物。然而,在下文中將假設推導出了在影響因子中與一氧化氮及二氧化氮具有相關性的影響因子,並且透過學習預測步驟以預測一氧化氮及二氧化氮的濃度的情況,以提供關於還原劑供應過程的更詳細的說明。
學習預測步驟的學習過程可以隨著燃氣渦輪機10的操作而開始,並且只要提供了實際資料及適當的資料,學習過程就可以繼續。可以調整學習過程,且如上所述,當濃度預測模組200由複數個計算程式組成時,可以在學習過程的同時並行地執行預測煙道氣中的污染物濃度的過程。如上所述,由於影響因子是作為操作資料的一部分推導出的,因此影響因子的即時測量值及變化值可以透過能夠收集操作中的燃氣渦輪機10的操作資料的火力發電廠中的各種設施或感測器以提供。由於從燃氣渦輪機10的操作開始時間點T
0至操作結束終止時間點T
x連續產生煙道氣A,因此可以透過佈置在作為火力發電廠的主要煙道氣流路的管道(參照第3圖中的20)、煙囪(參照第3圖中的30)及其相似物中的濃度感測器,以提供煙道氣中的各種污染物濃度的即時測量值及變化值。也就是說,同時地,可以在接收即時提供的影響因子的測量值及煙道氣中的污染物濃度的測量值的同時,執行根據更新結果以預測未來時間點的污染物濃度的過程,並透過上述機器學習以進行學習。
雖然為了便於理解,在時間表上僅繪示出了一組第一時間點T
1及第二時間點T
2,但是根據濃度預測模組200的迭代預測,可以以時間差重複產生這樣的組合。因此,後述的過程控制模組300的控制動作也相應地重複執行,且其能夠根據未來時間點的污染物濃度繼續地執行控制。
可以根據需要調整作為執行預測的時間的第一時間點T
1與作為從第一時間點T
1經過的未來的預測時間點的第二時間點T
2之間的時間間隔,但較佳地,時間間隔可以為至少20秒,更佳地,可以是40秒至5分鐘,或者更佳地,40秒至3分鐘。根據預測的可預測性及處理效率方面,這樣的時間間隔為較佳的。除了上述步驟之外,在第二時間點T
2預測的污染物濃度可以與在對應時間點實際測得的實際值重複比較,藉此也可以確定濃度預測模組200所推導出的相關性的有效性。例如,濃度預測模組200所推導出的影響因子與污染物濃度之間的隨時間的相關性可以僅在預測值與實際值的一致性大於或等於至少80%時才確定為有效,且例如當一致性小於80%時,可以停止預測並且可以繼續進行執行學習。學習預測步驟並非形式上的,並且可以採用許多不同的形式以執行。第一時間點T
1與第二時間點T
2之間的時間間隔較佳地設置為大於上述還原劑傳遞部(參照第3圖中的420)中所繪示的傳遞過程的所需時間。當還原劑傳遞部420的操作根據過程控制模組300的控制進行調整,並且傳遞過程的所需時間改變時,可以允許根據此變更以改變第一時間點T
1與第二時間點T
2之間的時間間隔。
目標控制步驟可以從預測煙道氣中的污染物濃度的第一時間點T
1開始執行。如上所述,在目標控制步驟(參照第1圖中的S300)中,計算與在學習預測步驟中預測的在第二時間點T
2的煙道氣中的至少一種污染物的濃度相對應的還原劑注入量Q
e,並且從第一時間點T
1開始控制還原劑傳遞過程,使得根據傳遞過程噴射至煙道氣中的還原劑注入量與在第二時間點T
2計算的還原劑注入量Q
e相匹配。目標控制步驟可以透過例如形成在電腦上的過程控制模組300以執行,並且過程控制模組300考量了計算出的還原劑注入量Q
e及預測時間點T
2以控制還原劑供應部400的操作。
在此情況下,如上所述,在還原劑的供應之前或之後,任何自動偵測及解決異常狀態的過程都可以優先執行,也可以同時執行。也就是說,如上所述,目標控制步驟可以包含以下詳細步驟:透過電腦自動偵測包含燃氣渦輪機10在內的煙道氣流路在還原劑的供應之前或之後的異常狀態;以及,當檢測到異常狀態時,電腦透過控制控制系統及還原劑傳遞過程中的至少任意一者以自動解決異常狀態。在此情況下,自動解決異常狀態的步驟可以包含控制包含燃氣渦輪機10在內的煙道氣流路中的還原劑濃度的過程,以消除由於超量的還原劑而引起爆炸及火災的風險。這樣的操作可以在例如還原劑傳遞過程的控制開始時的第一時間點T
1的開始處執行。
例如,當還原劑傳遞路徑的溫度及壓力中的至少任意一者超過常溫常壓的20%時,可以透過控制還原劑傳遞過程的方式以執行消除由於超量的還原劑所引起的爆炸及火災風險的過程,並立即地減少或停止還原劑注入量的方式以排除爆炸及火災的危險,並且接續恢復還原劑的注入。在如上所述地排除爆炸及火災風險的過程中,例如可以忽略還原劑傳遞條件(例如,增加還原劑注入量等)及/或燃氣渦輪機10的操作條件(例如,為了控制諸如氨的副產物的濃度而改變操作條件等)。
此外,自動解決異常狀態的步驟可以包含,例如透過調整注入至煙道氣流路中的還原劑的流量及壓力中的至少一者以調整還原劑與煙道氣之間的接觸莫耳比的過程。例如,具體地,根據由設置在上述噴射噴嘴410一側的測量裝置(例如,可以包含流量感測器及/或壓力感測器)測量的還原劑流量及壓力中的至少任意一者的變化以及由設置在煙道氣流路中的測量裝置(例如,可以包含流量感測器及/或溫度感測器)測量的煙道氣量的變化(可以透過流量及/或溫度變化等的計算等而檢測到的變化),可以調整還原劑的流量及壓力中的至少一者以調整還原劑與煙道氣之間的接觸莫耳比,使得在整個注入區域具有適當的值。藉此,如上所述,也可以排除諸如脫硝性能等的煙道氣處理性能過度下降的狀態,或者煙道氣處理所產生的副產物濃度過度升高的狀態。
如上所述,過程控制模組300計算與在第二時間點T
2的預測濃度對應的還原劑注入量Q
e,並控制還原劑傳遞過程,使得注入至煙道氣中的還原劑注入量在第二時間點T
2相匹配。也就是說,過程控制模組300根據預測值進行準確地計算以控制還原劑的注入量,而非簡單且隨意地注入還原劑。根據第二時間點T
2的預測污染物濃度以計算還原劑注入量Q
e,且其計算為在預測時間點能夠處理對應的污染物的量。如上所述,假設所預測的污染物濃度為一氧化氮及二氧化氮的濃度,且下文中將對此進行更詳細的說明。
舉例來說,在學習預測步驟S200中預測其濃度的污染物包含一氧化氮及二氧化氮,並且在目標控制步驟S300中計算的還原劑注入量可以根據一氧化氮與二氧化氮之間的濃度比而改變。更具體地,可以透過指定還原劑與二氧化氮與一氧化氮的濃度比小於或等於1的氮氧化物的標準當量比(normalized stoichiometric ratio,NSR)為1,並且指定還原劑與二氧化氮與一氧化氮的濃度比大於1的二氧化氮的標準當量比(NSR)為大於1且小於或等於1.4,且較佳為1.4,的值,以計算還原劑注入量Q
e。藉此,可以計算出還原劑的更準確的用量,從而減少及移除使用此方法預測的第二時間點T
2的煙道氣中的一氧化氮及二氧化氮。根據此方法的還原劑注入量Q
e的計算將舉例如下。例如,對於二氧化氮與一氧化氮的濃度比小於或等於1的氮氧化物,可以透過方程式1或方程式1-1以計算還原劑注入量。方程式1-1為方程式1的修改,其反映了標準氧氣濃度校正。也就是說,方程式1表示用於計算不具有標準氧氣濃度校正的還原劑注入量的公式。透過應用如上所述的方程式1及方程式1-1,無論氧氣校正的有無皆可以計算還原劑注入量。在這種情況下,方程式1-1中的NO
xi、NO
xo及M表示反映了標準氧氣濃度校正的濃度是很自然的。換句話說,方程式1中的NO
xi、NO
xo及M表示基於未反映標準氧氣濃度校正的測量值的濃度,而方程式1-1中的NO
xi、NO
xo及M實際上表示基於實際測量值乘以標準氧氣濃度校正係數而實際獲得的值的濃度:M = (21 – 標準氧氣濃度) / (21 – 實際氧氣濃度)。為了避免方程式複雜化,方程式1-1中的NO
xi、NO
xo及M以如下方式簡要表示,但當必要時,其也可以分別以與NO
xi(std)、NO
xo(std)及M(std)相同的方式表示。
在上述公式中,Q
e1為氮氧化物處理還原劑的量(kg/hr),Q為煙道氣量(Nm
3/hr,乾),NO
xi為氮氧化物入口濃度(ppm),NO
xo為氮氧化物出口目標濃度(ppm),M為設計裕度(裕度,其為小於或等於20%的NO
xi的值),MW為還原劑分子量,P為還原劑純度(%),以及NSR為還原劑標準當量比(1)。
在上述公式中,Q
e1為氮氧化物處理還原劑的量(kg/hr),Q為煙道氣量(Nm
3/hr,乾),NO
xi為氮氧化物入口濃度(ppm),NO
xo為氮氧化物出口目標濃度(ppm),M為設計裕度(裕度,其為小於或等於20%的NO
xi的值),O
2A為實際氧氣濃度(%,乾),O
2R為標準氧氣濃度(%,乾),MW為還原劑分子量,P為還原劑純度(%),以及NSR為還原劑標準當量比(1)。
在此情況下,氮氧化物出口目標濃度表示小於氮氧化物入口濃度的值,並且可以考量氮氧化物處理率以確定。煙道氣量及實際氧氣濃度可以為在第一時間點的值或從第一時間點預測的第二時間點的值。由於煙道氣量及氧氣濃度隨時間的變化範圍與諸如氮氧化物的污染物相比並沒有太大的變化,因此可以使用第一時間點的值,也可以使用以與本揭露的污染物濃度預測相同的方式進行預測的預測值。例如,在學習推導步驟(a)及學習預測步驟(b)中,應用「影響煙道氣中的氧氣濃度的影響因子」以替代「影響煙道氣中的至少一種污染物的濃度的影響因子」,從而可以預測在第二時間點的煙道氣中的氧氣濃度。此外,在學習推導步驟(a)中,應用「除了煙道氣量之外的操作資料以及煙道氣量」以替代「操作資料及煙道氣成分資料」,且在學習推導步驟(a)及學習預測步驟(b)中,應用「影響煙道氣量的影響因子」以替代「影響煙道氣中的至少一種污染物的濃度的影響因子」,從而也可以預測在第二時間點的煙道氣量。
氮氧化物入口濃度表示二氧化氮與一氧化氮的濃度比小於或等於1的氮氧化物的濃度,當二氧化氮與一氧化氮的預測濃度比小於或等於1時,氮氧化物入口濃度對應於一氧化氮及二氧化氮的濃度的總和。
此外,標準氧氣濃度可以根據污染物及排放設施而採用不同的值,並且可以為根據大韓民國的清潔空氣保護法的執行命令規定的「空氣污染物允許排放水準」中說明的值。
此外,對於二氧化氮與一氧化氮的濃度比大於1的二氧化氮,還原劑注入量可以透過方程式2或方程式2-1以計算還原劑注入量。方程式2-1為方程式2的修改,其反映了標準氧氣濃度校正。也就是說,方程式2表示用於計算不具有標準氧氣濃度校正的還原劑注入量的公式,並且藉由此方式,透過應用如上所述的方程式2及方程式2-1,無論氧氣校正的有無皆可以計算還原劑注入量。在這種情況下,方程式2-1中的NO
2iex表示反映了標準氧氣濃度校正的濃度是很自然的。換句話說,方程式2中的NO
2iex表示基於未反映標準氧氣濃度校正的測量值的濃度,而方程式2-1中的NO
2iex實際上表示基於實際測量值乘以標準氧氣濃度校正係數而實際獲得的值的濃度: M= (21 – 標準氧氣濃度) / (21 – 實際氧氣濃度)。為了避免方程式複雜化,方程式2-1中的NO
2iex以如下方式表示,但當必要時,其也可以以與NO
2iex(std)相同的方式簡要表示。
在上述公式中,Q
e2為二氧化氮處理還原劑的量(kg/hr),Q為煙道氣量(Nm
3/hr,乾),NO
2iex為超量二氧化氮入口濃度(ppm),MW為還原劑的分子量,P為還原劑純度(%),以及NSR為還原劑標準當量比(大於1,且小於或等於1.4)。
在上述公式中,Q
e2為二氧化氮處理還原劑的量(kg/hr),Q為煙道氣量(Nm
3/hr,乾),NO
2iex為超量二氧化氮入口濃度(ppm),O
2A為實際氧氣濃度(%,乾),O
2R為標準氧氣濃度(%,乾),MW為還原劑的分子量,P為還原劑純度(%),以及NSR為還原劑標準當量比(大於1,且小於或等於1.4)。
在此情況下,煙道氣量、實際氧氣濃度及標準氧氣濃度與方程式1或方程式1-1中的相同。超量二氧化氮入口濃度表示二氧化氮與一氧化氮的濃度比大於1的二氧化氮的濃度,並且當二氧化氮與一氧化氮的預測濃度比大於1時,預測濃度比對應於超量二氧化氮濃度。
最後,還原劑注入量Q
e可以透過方程式3以計算。
在上述公式中,Q
e為還原劑注入量,Q
e1為氮氧化物處理還原劑的量(kg/hr),其由方程式1或方程式1-1計算而得,並且Q
e2為為二氧化氮處理還原劑的量(kg/hr),其由方程式2或方程式2-1計算而得。
當二氧化氮與一氧化氮的預測濃度比小於或等於1時,在方程式3中Q
e2為0,且Q
e變成Q
e1。當二氧化氮與一氧化氮的濃度比大於1時,Q
e變為方程式3中Q
e1及Q
e2的總和。透過應用這樣的方式以計算出的還原劑注入量,能夠更靈活地應對煙道氣中的氮氧化物的預測含量比的變化。關於這點,上述說明也從實驗示例中得到證實。
最後,在這樣的方法中,透過計算還原劑注入量並根據情況應用還原劑注入量,可以輕鬆地處理一氧化氮與二氧化氮的含量發生變化的煙道氣。
藉此,透過應用可根據預測的污染物濃度變化以確定還原劑注入量的公式,並在預測的第二時間點T
2注入更準確的還原劑量,可以移除煙道氣中的污染物。
由於在這樣的方法中計算出的還原劑注入量Q
e用於移除從執行預測的第一時間點經過的第二時間點T
2的污染物,並且考量到上述還原劑傳遞過程中的傳遞過程的所需時間或時間差,從第一時間點T
1預先控制還原劑傳遞過程。例如,過程控制模組300可以傳輸控制訊號至上述還原劑傳遞部420以改變管路的開口路徑或沿著管路移動的還原劑的傳遞路徑,藉此可以調整傳遞過程的所需時間。藉此,從上述噴射噴嘴(參照第3圖中的410)注入至煙道氣A流經的管道(參照第3圖中的20)的還原劑的量可以透過以下時間差進行調整,且透過控制以匹配目標時間點與第二時間點T
2,並且如第7圖所繪示,根據傳遞過程注入至煙道氣中的還原劑的量可以與在第二時間點T
2計算的還原劑注入量Q
e相匹配。因此,當僅知道第一時間點T
1的影響因子的實際測量值時,預測從第一時間點T
1經過的第二時間點T
2的污染物濃度,以準確地計算還原劑注入量Q
e,從而可以在還原劑傳遞過程的所需時間之後的時間點,即第二時間點T
2,執行適當的處理。污染物濃度可能會發生變化,但透過在上述人工智慧學習的基礎上推導出較敏感的影響因子以及更準確地確定影響因子與污染物的相關性,能夠更準確地從影響因子以預測濃度將如何變化,從而在即使污染物的濃度頻繁變化的情況下也可以執行適當的處理。此外,由於還原劑也根據預測濃度以精確計算的量進行注入,因此可以進一步將超量還原劑等風險因子減少至最低。因此,如上所述,透過使用本揭露的實施例,可以有效地處理火力發電廠的煙道氣。
實驗示例1,根據與NO
2/NO相互影響的還原劑注入量變化的氮氧化物處理實驗。
示例1-1,NO
2/NO比為1的煙道氣處理(應用NSR為1)。
對於以下條件下的煙道氣,將還原劑(即,氨),其具有透過應用方程式1至方程式3計算出的量,注入至配備有脫硝催化劑的選擇性催化還原裝置中,從而對氮氧化物進行處理。在此情況下,在方程式1-1中,目標濃度、設計裕度、標準氧氣濃度、還原劑分子量、還原劑純度及NSR分別應用3ppmvd、2ppmvd、15.0%(乾)、17、25wt%以及1之值。在方程式2-1中,標準氧氣濃度、還原劑分子量、還原劑純度及NSR分別應用15.0%(乾)、17、25wt %以及1.4之值。氮氧化物處理率為將處理之前及之後的氮氧化物含量之差除以處理前的氮氧化物含量,再乘以100以獲得。因此,氮氧化物處理率為92%。
煙道氣條件
煙道氣量:2112467 Nm
3/hr,乾
氮氧化物入口濃度:30ppmvd(基於標準氧氣濃度校正)
實際氧氣濃度:12.2%,乾
NO
2/NO比:1。
示例1-2,NO
2/NO比為1.5的煙道氣處理(應用NSR為1、1.1)。
對於以下條件下的煙道氣,將還原劑(即,氨),其具有透過應用方程式1至方程式3計算出的量,注入至與示例1-1相同的選擇性催化還原裝置中,從而對氮氧化物進行處理。在此情況下,在方程式1-1及方程式2-1中,標準氧氣濃度、還原劑分子量及還原劑純度分別應用15.0%(乾)、17、25wt%的值。在方程式1-1中,目標濃度、設計裕度及NSR分別應用3ppmvd、2ppmvd以及1之值,並且在方程式2-1中,NSR應用1.1之值。氮氧化物處理率為將處理之前及之後的氮氧化物含量之差除以處理前的氮氧化物含量,再乘以100以獲得。因此,氮氧化物處理率為89%。
煙道氣條件
煙道氣量:2112467 Nm
3/hr,乾
氮氧化物入口濃度:24ppmvd(基於標準氧氣濃度校正)
超量二氧化氮入口濃度:6ppmvd(基於標準氧氣濃度校正)
實際氧氣濃度:12.2%,乾
NO
2/NO比:1.5。
示例1-3,NO
2/NO比為1.5的煙道氣處理(應用NSR為1、1.4)。
在方程式2-1中,氮氧化物處理率透過與示例1-2相同的方式進行實驗而獲得,其不同之處在於應用NSR為1.4而非應用NSR為1.1。因此,氮氧化物處理率為91%。
示例1-4,NO
2/NO比為1.5的煙道氣處理(應用NSR為1、1.5)。
在方程式2-1中,氮氧化物處理率透過與示例1-2相同的方式進行實驗而獲得,其不同之處在於應用NSR為1.5而非應用NSR為1.1。因此,氮氧化物處理率為91%。
示例1-5,NO
2/NO比為1.5的煙道氣處理(應用NSR為1、1)。
在方程式2-1中,氮氧化物處理率透過與示例1-2相同的方式進行實驗而獲得,其不同之處在於應用NSR為1而非應用NSR為1.1。因此,氮氧化物處理率為83%。
透過上述實驗結果,可以看出示例1-2及示例1-3可以有效地處理氮氧化物。即使煙道氣中的NO
2/NO大於1,也將為1的NSR應用於NO
2/NO濃度比小於或等於1的氮氧化物,並且將大於1且小於等於1.4的NSR應用於NO
2/NO濃度比大於1的二氧化氮。具體地,可以看出,對於NO
2/NO濃度比大於1的二氧化氮,應用NSR為1.4的示例1-3可以更有效地處理氮氧化物。然而,可以確認的是,在對於NO
2/NO濃度比大於1的二氧化氮應用還原劑的NSR的值小於或等於1的示例1-5的情況下,氮氧化物處理率下降,並且在應用還原劑的NSR的值大於1.4的示例1-4的情況下,隨著還原劑的用量的增加,氮氧化物處理率沒有增加。相反地,此結果表示有可能產生未反應的還原劑。
因此,可以看出,對於NO
2/NO濃度比小於或等於1的氮氧化物應用還原劑的NSR為1,並且對於NO
2/NO濃度比大於1的氮氧化物應用還原劑的NSR為大於1且小於等於1.4,以確定還原劑注入量,從而可以更有效地處理煙道氣中的氮氧化物。
雖然已經參照附圖說明了本發明的例示性實施例,但是本領域具有通常知識者將理解的是,在不脫離例示性實施例的技術精神或本質特徵的情況下,本發明可以透過其他特定形式進行實施。因此,應當理解的是,上述例示性實施例在所有方面皆為例示性的,而非限制性的。
1:煙道氣處理裝置
10:燃氣渦輪機
20:管道
21:過熱器束
22:催化劑模組
30:煙囪
40:控制系統
100:資料學習模組
200:濃度預測模組
300:過程控制模組
400:還原劑供應部
410:噴射噴嘴
420:還原劑傳遞部
430:還原劑罐
A:煙道氣
B:還原劑
I
n,H
n,O
n:節點
T
0,T
1,T
2,T
x:時間點
S100,S200,S300:步驟
Q
e:根據所預測的在第二時間點時煙道氣中的污染物的濃度所計算的還原劑注入量
第1圖為繪示出根據本揭露的例示性實施例的利用人工智慧的火力發電廠之煙道氣處理方法的流程圖。
第2圖為利用人工智慧的火力發電廠之煙道氣處理裝置的方塊圖,此裝置係配置為根據本揭露的例示性實施例以執行第1圖中所示的處理方法。
第3圖為繪示出將第2圖所示的處理裝置應用於火力發電廠的設施的方式的概念圖。
第4圖為概念性地繪示出第1圖所示的處理方法中適用於影響因子的推導及污染物濃度的預測的人工智慧演算法的示例的示意圖。
第5圖及第6圖為繪示出透過第4圖所示的人工智慧學習演算法以推導影響因子並且預測污染物濃度的過程的示意圖。
第7圖為一併繪示出與污染物濃度的預測及還原劑的供應相關的隨時間的處理過程的時間表以及例示性地示出還原劑的供應量的總變化的圖表的示意圖。
S100,S200,S300:步驟
Claims (15)
- 一種利用人工智慧的火力發電廠之煙道氣處理方法,該方法包含: 一學習推導步驟,利用一電腦以利用一人工智慧學習演算法學習先前從一樣本燃氣渦輪機收集的一操作資料與一煙道氣成分資料之間的相關性,並且推導影響該煙道氣中的至少任意一污染物的濃度的一影響因子; 一學習預測步驟,利用該電腦以利用該人工智慧學習演算法學習在一燃氣渦輪機的操作期間即時測量的該影響因子的變化與該煙道氣中的該至少任意一污染物的濃度根據該影響因子的變化而產生的總變化之間的相關性,並且從一第一時間點預測在該燃氣渦輪機的操作期間從該第一時間點經過的一第二時間點的該煙道氣中的該至少任意一污染物的濃度;以及 一目標控制步驟,計算與在該學習預測步驟中預測的該第二時間點的該煙道氣中的該至少任意一污染物的濃度對應的還原劑注入量,從該第一時間點控制一還原劑傳遞過程,並且匹配根據該還原劑傳遞過程注入至該煙道氣的還原劑注入量與在該第二時間點計算的還原劑注入量, 其中,在該學習預測步驟中預測其濃度的任意污染物包含一氧化氮及二氧化氮, 在該目標控制步驟中計算的還原劑注入量係根據一氧化氮與二氧化氮之間的濃度比而改變, 對於二氧化氮與一氧化氮的濃度比小於或等於1的氮氧化物,係透過應用方程式1或方程式1-1以計算在該目標控制步驟中計算的還原劑注入量,並且 對於二氧化氮與一氧化氮的濃度比大於1的二氧化氮,係透過應用方程式2或方程式2-1以計算在該目標控制步驟中計算的還原劑注入量,並且 方程式1為: 其中,Q e1為氮氧化物處理還原劑的量(kg/hr),Q為煙道氣量(Nm 3/hr,乾),NO xi為氮氧化物入口濃度(ppm),NO xo為氮氧化物出口目標濃度(ppm),M為設計裕度(裕度,其為小於或等於20%的NO xi的值),MW為還原劑分子量,P為還原劑純度(%),以及NSR為還原劑標準當量比(1), 方程式1-1為: 其中,Q e1為氮氧化物處理還原劑的量(kg/hr),Q為煙道氣量(Nm 3/hr,乾),NO xi為氮氧化物入口濃度(ppm),NO xo為氮氧化物出口目標濃度(ppm),M為設計裕度(裕度,其為小於或等於20%的NO xi的值),O 2A為實際氧氣濃度(%,乾),O 2R為標準氧氣濃度(%,乾),MW為還原劑分子量,P為還原劑純度(%),以及NSR為還原劑標準當量比(1), 方程式2為: 其中,Q e2為二氧化氮處理還原劑的量(kg/hr),Q為煙道氣量(Nm 3/hr,乾),NO 2iex為超量二氧化氮入口濃度(ppm),MW為還原劑的分子量,P為還原劑純度(%),以及NSR為還原劑標準當量比(大於1,且小於或等於1.4), 方程式2-1為: 其中,Q e2為二氧化氮處理還原劑的量(kg/hr),Q為煙道氣量(Nm 3/hr,乾),NO 2iex為超量二氧化氮入口濃度(ppm),O 2A為實際氧氣濃度(%,乾),O 2R為標準氧氣濃度(%,乾),MW為還原劑的分子量,P為還原劑純度(%),以及NSR為還原劑標準當量比(大於1,且小於或等於1.4)。
- 如請求項1所述之方法,其中該學習推導步驟及該學習預測步驟的該人工智慧學習演算法包含一人工神經網路演算法,其在一輸入層與一輸出層之間形成由複數個計算節點組成的至少一隱藏層,並且 該學習預測步驟的該人工神經網路演算法包含一遞迴神經網路演算法,其用於輸出考量了輸入變量的時間相依性的運算結果。
- 如請求項1所述之方法,其中該學習預測步驟的該人工智慧學習演算法包含選自於一人工神經網路演算法、一強化學習演算法、一監督學習演算法及一無監督學習演算法中的至少任意一種。
- 如請求項1所述之方法,其中該操作資料包含選自於從該樣本燃氣渦輪機獲取的一燃燒條件、負載量及煙道氣量中的至少一者, 該燃燒條件包含選自於一內部燃燒條件及一外部空氣條件中的至少一者, 該內部燃燒條件包含選自於燃燒爐的數量或燃燒器的數量、空氣燃料比、燃燒溫度、燃燒壓力、爐溫及爐壓中的至少一者,並且 該樣本燃氣渦輪機包含選自於該燃氣渦輪機及其他不同的燃氣渦輪機中的至少任意一者。
- 如請求項4所述之方法,其中該學習推導步驟的該影響因子係根據該煙道氣中的該至少任意一污染物的濃度變化的變化敏感性以作為該操作資料的一部分而推導出的。
- 如請求項5所述之方法,其中由該學習推導步驟的該影響因子改變其濃度的該煙道氣中的至少任意一污染物包含一氧化氮及二氧化氮。
- 如請求項1所述之方法,其中該目標控制步驟包含詳細步驟,其包含: 在還原劑的供應之前或之後,利用該電腦自動偵測包含該燃氣渦輪機在內的一煙道氣流路的一異常狀態;以及 當偵測到該異常狀態時,利用該電腦以透過控制一控制系統及該還原劑傳遞過程中的至少任意一者以自動解決該異常狀態。
- 如請求項7所述之方法,其中該異常狀態的自動解決包含透過控制包含該燃氣渦輪機在內的該煙道氣流路中的還原劑的濃度以消除由於超量還原劑引起的爆炸及火災風險的過程。
- 一種利用人工智慧的火力發電廠之煙道氣處理裝置,該裝置包含: 一資料學習模組,係配置為接收先前從一樣本燃氣渦輪機收集的一操作資料與一煙道氣成分資料之間的相關性的輸入,透過一人工智慧學習演算法學習上述相關性,並且推導影響該煙道氣中的至少任意一污染物的濃度的一影響因子; 一濃度預測模組,係配置為接收在一燃氣渦輪機的操作期間即時測量的該影響因子的變化的測量值以及該煙道氣中的該至少任意一污染物的濃度的總變化的輸入,透過該人工智慧學習演算法學習該影響因子與該至少任意一污染物的濃度之間隨時間的相關性,並且從一第一時間點預測在該燃氣渦輪機的操作期間從該第一時間點經過的一第二時間點的該煙道氣中的該至少任意一污染物的濃度; 一還原劑供應部,係包含一噴射噴嘴,其配置為使其端部位於該燃氣渦輪機與一煙囪之間的一管道內, 一還原劑傳遞部,係配置為傳遞還原劑至該噴射噴嘴;以及 一過程控制模組,係配置為對應於在該第二時間點該煙道氣中的該至少任意一污染物的濃度以計算還原劑注入量,該至少任意一污染物的濃度由該濃度預測模組預測,從該第一時間點控制該還原劑傳遞部,並且匹配透過該噴射噴嘴注入至該煙道氣的還原劑注入量與該第二時間點計算出的還原劑注入量, 其中,由該濃度預測模組預測其濃度的任意污染物包含一氧化氮及二氧化氮, 還原劑注入量係根據一氧化氮與二氧化氮之間的濃度比而改變, 對於二氧化氮與一氧化氮的濃度比小於或等於1的氮氧化物,係透過應用方程式1或方程式1-1以計算還原劑注入量,並且 對於二氧化氮與一氧化氮的濃度比大於1的二氧化氮,係透過應用方程式2或方程式2-1以計算還原劑注入量,並且 方程式1為: 其中,Q e1為氮氧化物處理還原劑的量(kg/hr),Q為煙道氣量(Nm 3/hr,乾),NO xi為氮氧化物入口濃度(ppm),NO xo為氮氧化物出口目標濃度(ppm),M為設計裕度(裕度,其為小於或等於20%的NO xi的值),MW為還原劑分子量,P為還原劑純度(%),以及NSR為還原劑標準當量比(1), 方程式1-1為: 其中,Q e1為氮氧化物處理還原劑的量(kg/hr),Q為煙道氣量(Nm 3/hr,乾),NO xi為氮氧化物入口濃度(ppm),NO xo為氮氧化物出口目標濃度(ppm),M為設計裕度(裕度,其為小於或等於20%的NO xi的值),O 2A為實際氧氣濃度(%,乾),O 2R為標準氧氣濃度(%,乾),MW為還原劑分子量,P為還原劑純度(%),以及NSR為還原劑標準當量比(1), 方程式2為: 其中,Q e2為二氧化氮處理還原劑的量(kg/hr),Q為煙道氣量(Nm 3/hr,乾),NO 2iex為超量二氧化氮入口濃度(ppm),MW為還原劑的分子量,P為還原劑純度(%),以及NSR為還原劑標準當量比(大於1,且小於或等於1.4), 方程式2-1為: 其中,Q e2為二氧化氮處理還原劑的量(kg/hr),Q為煙道氣量(Nm 3/hr,乾),NO 2iex為超量二氧化氮入口濃度(ppm),O 2A為實際氧氣濃度(%,乾),O 2R為標準氧氣濃度(%,乾),MW為還原劑的分子量,P為還原劑純度(%),以及NSR為還原劑標準當量比(大於1,且小於或等於1.4)。
- 如請求項9所述之裝置,其中該資料學習模組及該濃度預測模組的該人工智慧學習演算法包含一人工神經網路演算法,其在一輸入層與一輸出層之間形成由複數個計算節點組成的至少一隱藏層,並且 該濃度預測模組的該人工神經網路演算法包含一遞迴神經網路演算法,其用於輸出考量了輸入變量的時間相依性的運算結果。
- 如請求項9所述之裝置,其中該濃度預測模組的該人工智慧學習演算法包含選自於一人工神經網路演算法、一強化學習演算法、一監督學習演算法及一無監督學習演算法中的至少任意一種。
- 如請求項9所述之裝置,其進一步包含: 一催化劑模組,係配置為佈置於該管道內的該噴射噴嘴的後端。
- 如請求項9所述之裝置,其中該操作資料包含選自於從該樣本燃氣渦輪機獲取的一燃燒條件、負載量及煙道氣量中的至少一者, 該燃燒條件包含選自於一內部燃燒條件及一外部空氣條件中的至少一者, 該內部燃燒條件包含選自於燃燒爐的數量或燃燒器的數量、空氣燃料比、燃燒溫度、燃燒壓力、爐溫及爐壓中的至少一者,並且 該樣本燃氣渦輪機包含選自於該燃氣渦輪機及其他不同的燃氣渦輪機中的至少任意一者。
- 如請求項9所述之裝置,其中該過程控制模組進行控制以在還原劑的供應之前或之後自動偵測包含該燃氣渦輪機及該管道在內的一煙道氣流路的一異常狀態,並且 當偵測到該異常狀態時,透過操作火力發電廠的設施中的至任意一種可控制設施,其包含該還原劑傳遞部、該燃氣渦輪機及該管道,以自動解決該異常狀態。
- 如請求項14所述之裝置,其中該異常狀態包含由該煙道氣流路中的還原劑的濃度確定的還原劑超量狀態。
Applications Claiming Priority (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
KR1020200188889A KR102283207B1 (ko) | 2020-12-31 | 2020-12-31 | 인공지능을 이용한 화력발전소의 배가스 처리방법 및 인공지능을 이용한 화력발전소의 배가스 처리장치 |
KR10-2020-0188889 | 2020-12-31 |
Publications (2)
Publication Number | Publication Date |
---|---|
TW202231337A true TW202231337A (zh) | 2022-08-16 |
TWI800154B TWI800154B (zh) | 2023-04-21 |
Family
ID=77148575
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
TW110146788A TWI800154B (zh) | 2020-12-31 | 2021-12-14 | 利用人工智慧的火力發電廠之煙道氣處理方法以及利用人工智慧的火力發電廠之煙道氣處理裝置 |
Country Status (3)
Country | Link |
---|---|
KR (1) | KR102283207B1 (zh) |
TW (1) | TWI800154B (zh) |
WO (1) | WO2022145812A1 (zh) |
Families Citing this family (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR102283207B1 (ko) * | 2020-12-31 | 2021-07-30 | 주식회사 이엠코 | 인공지능을 이용한 화력발전소의 배가스 처리방법 및 인공지능을 이용한 화력발전소의 배가스 처리장치 |
KR20230085536A (ko) * | 2021-12-07 | 2023-06-14 | 사빅 에스케이 넥슬렌 컴퍼니 피티이 엘티디 | 공정제어를 위한 인공지능 모델의 생성방법, 인공지능 모델 기반 공정제어 시스템 및 이를 포함하는 반응기 |
CN115561133B (zh) * | 2022-09-20 | 2023-08-29 | 生态环境部环境工程评估中心 | 火电行业cems校准期间异常数据的自动识别方法和系统 |
KR102552725B1 (ko) * | 2022-10-31 | 2023-07-06 | 주식회사 빈텍코리아 | 센서네트워크를 이용하여 iot 기반의 스마트관리가 가능한 석유화학 고체저장시설의 thc 처리공정 제어시스템 |
Family Cites Families (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH06277447A (ja) * | 1993-03-30 | 1994-10-04 | Mitsubishi Heavy Ind Ltd | 脱硝制御装置 |
JP4186422B2 (ja) * | 2001-02-23 | 2008-11-26 | いすゞ自動車株式会社 | ディーゼルエンジン用排ガス浄化装置 |
KR101451718B1 (ko) * | 2012-11-27 | 2014-10-16 | 주식회사 포스코 | 배기가스의 질소산화물 처리장치 및 처리방법 |
DE102016122315A1 (de) * | 2015-12-10 | 2017-06-14 | General Electric Company | System und Verfahren zur Fehlerdiagnose in einem Emissionssteuerungssystem |
KR20190043057A (ko) | 2017-10-17 | 2019-04-25 | 한국전력공사 | 화력발전 배가스 처리 설비용 황회수 장치 및 화력발전 배가스 처리 시스템 |
KR102025146B1 (ko) * | 2018-03-08 | 2019-09-25 | 두산중공업 주식회사 | 발전소 탈질 설비의 촉매 반응 상태 모니터링 시스템 및 그 방법 |
KR102101902B1 (ko) * | 2018-07-31 | 2020-04-20 | (주)휴엔릭스 | 인공지능 데이터 분석기반 오염물질처리방법 및 인공지능 데이터 분석기반 오염물질처리장치 |
KR102159082B1 (ko) * | 2020-01-08 | 2020-09-23 | 주식회사 이엠코 | 화력발전소 배가스 처리방법 |
KR102139358B1 (ko) * | 2020-04-22 | 2020-07-29 | 한국생산기술연구원 | 머신러닝 기반 플랫폼을 이용한 공정제어방법, 그를 수행하기 위한 컴퓨터 프로그램 매체 및 공정제어장치 |
CN111804146B (zh) * | 2020-06-29 | 2022-07-01 | 远光软件股份有限公司 | 一种智能喷氨控制方法以及智能喷氨控制装置 |
CN111931426B (zh) * | 2020-09-25 | 2021-01-26 | 大唐环境产业集团股份有限公司 | Scr反应器入口氮氧化物浓度影响因素的确定方法及设备 |
KR102283207B1 (ko) * | 2020-12-31 | 2021-07-30 | 주식회사 이엠코 | 인공지능을 이용한 화력발전소의 배가스 처리방법 및 인공지능을 이용한 화력발전소의 배가스 처리장치 |
-
2020
- 2020-12-31 KR KR1020200188889A patent/KR102283207B1/ko active IP Right Grant
-
2021
- 2021-12-14 WO PCT/KR2021/018974 patent/WO2022145812A1/ko active Application Filing
- 2021-12-14 TW TW110146788A patent/TWI800154B/zh active
Also Published As
Publication number | Publication date |
---|---|
WO2022145812A1 (ko) | 2022-07-07 |
KR102283207B1 (ko) | 2021-07-30 |
TWI800154B (zh) | 2023-04-21 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
TW202231337A (zh) | 利用人工智慧的火力發電廠之煙道氣處理方法以及利用人工智慧的火力發電廠之煙道氣處理裝置 | |
US20200040797A1 (en) | Systems and methods for scr feedgas diagnostics | |
US20180024508A1 (en) | System modeling, control and optimization | |
KR102337026B1 (ko) | 화력발전소의 질소산화물 함유 배가스 처리장치 및 화력발전소의 질소산화물 함유 배가스 처리방법 | |
CN113175678B (zh) | 垃圾焚烧的监控方法及装置 | |
US10612444B2 (en) | System and method for fault diagnosis in emission control system | |
JP2012128800A (ja) | プロセスの状態予測方法及びそれを用いたプロセス制御装置 | |
JP5769614B2 (ja) | 焼却設備における還元剤供給方法および還元剤供給装置 | |
Nemitallah et al. | Artificial intelligence for control and optimization of boilers’ performance and emissions: A review | |
US20060042525A1 (en) | Method and system for SCR Optimization | |
KR102337021B1 (ko) | 화력발전소의 배가스 처리장치 및 화력발전소의 배가스 처리방법 | |
Effendy et al. | The prediction of the oxygen content of the flue gas in a gas-fired boiler system using neural networks and random forest | |
Pital et al. | Computational intelligence and low cost sensors in biomass combustion process | |
Kurniawan et al. | Soft sensor for the prediction of oxygen content in boiler flue gas using neural networks and extreme gradient boosting | |
KR20210018292A (ko) | 연소 설비의 상태량 추정 방법, 연소 제어 방법 및 연소 제어 장치 | |
US11475186B2 (en) | Apparatus and method for deriving boiler combustion model | |
WO2024130992A1 (zh) | 一种mswi过程二噁英排放浓度在线软测量方法 | |
Li et al. | Neural networks and genetic algorithms can support human supervisory control to reduce fossil fuel power plant emissions | |
Qiu et al. | An energy‐efficiency evaluation method for high‐sulfur natural gas purification system using artificial neural networks and particle swarm optimization | |
Alnaimi et al. | Application of intelligent computational techniques in power plants: a review | |
JP2023081485A (ja) | 状態量予測装置、及び、状態量予測方法 | |
JP7249165B2 (ja) | 監視装置、監視方法およびプログラム | |
Okeleye et al. | Data-driven machine learning model of a Selective Catalytic Reduction on Filter (SCRF) in a heavy-duty diesel engine: A comparison of Artificial Neural Network with Tree-based algorithms | |
Pathmanathan et al. | CO 2 emission model development employing particle swarm optimized—Least squared SVR (PSO-LSSVR) hybrid algorithm | |
Gao et al. | Enhancement of SCR denitrification control strategy considering fluegas temperature fluctuation: Fundamental principle and performance evaluation |