基于神经网络的SCR智能喷氨优化方法及装置制造方法及图纸

本发明专利技术公开了一种基于神经网络的SCR智能喷氨优化方法及装置，涉及燃煤脱硝技术领域。其中方法包括：在系统负荷不变时，将喷氨管栅根据区域不同划分为n个模块，调整n个喷氨模块的阀门，采集一段时间内n个喷氨模块的喷氨量作为训练输入数据，脱硝效率和氨逃逸率作为训练输出数据；利用训练输入数据和训练输出数据进行BP神经网络训练；以各个喷氨模块的喷氨量作为测试输入数据，利用训练得到的BP神经网络模型预测脱硝效率和氨逃逸；利用遗传算法在多个测试输入数据中寻找到最优值，根据最优值调整各个喷氨模块的实际喷氨量。采用本方案，可以实现喷氨量的差异化控制，提高了脱硝效率，降低了氨逃逸率，并能够灵活根据电厂的不同目标调整各喷氨模块的喷氨量。

【技术实现步骤摘要】

本专利技术涉及燃煤脱硝
，具体涉及一种基于神经网络的SCR智能喷氨优化方法及装置。
技术介绍
选择性催化还原法(SCR)作为目前技术成熟、效果好的脱硝工艺被广泛应用于燃煤电厂脱硝工程。随着GB13223-2011《火力发电厂大气污染物排放标准》的实施，对NOx的排放有了更严格的限值要求，大多数燃煤电厂需加装SCR脱硝系统。良好的NH3/NOx混合和速度分布的均匀性是保证SCR脱硝效率、降低氨逃逸率、增加催化剂寿命的关键。在SCR系统设计过程中，通过计算流体力学(ComputationalFluidDynamics，CFD)方法进行反复模拟试验，优化导流装置等内构件保证烟气在反应器中流动和混合的均匀性，已经成为SCR系统设计和优化的重要手段。然而在实际过程中，由于模拟的假设偏差、施工带来的偏差以及运行工况的变化，往往导致SCR系统达不到设计的脱硝效率、氨逃逸率较高。长期运行后，还会引起空气预热器(下文简称空预器)的堵塞和腐蚀，影响机组稳定运行。SCR脱硝系统的关键是控制喷入烟气中的喷氨量，喷氨量及其控制方式直接关系到燃煤电站锅炉脱硝效率、NOx排放浓度及氨逃逸率等指标。若喷氨量不足会导致脱硝效率低，出口NOx排放浓度不能满足国家规定允许的要求。若喷氨量过大，不仅会增加运行成本，过量的NH3还会与烟气中的SO3反应生成铵盐，由于铵盐具有很强的黏附性，容易黏附在催化剂表面，不仅会堵塞催化剂微孔使催化剂活性降低，还会造成后续设备空预器的腐蚀和堵塞。目前，SCR喷氨控制主要采用总量控制调节的模式，通过入口的NOx浓度、烟气流量、氨氮摩尔比以及催化剂转换效率等数据计算出总体喷氨量，设定总的喷氨值。在实现本申请实施例的过程中，专利技术人发现现有技术中至少存在如下问题：在实际过程中，进入喷氨格栅前的烟气NOx分布不可能是完全均匀的，在催化剂表面的氨氮摩尔比也不可能是完全一致的，这就导致满足脱硝效率时氨逃逸率高，或是满足氨逃逸率低时脱硝效率不达标。通过手动调节各个支管的喷氨量，虽然能够解决此类问题，但是需要耗费大量的时间、精力、经验，效率极低。
技术实现思路
鉴于上述问题，提出了本专利技术以便提供一种克服上述问题或者至少部分地解决上述问题的一种基于神经网络的SCR智能喷氨优化方法及装置，能够有效的降低氨逃逸率，提高脱硝效率，切实有效的解决SCR对空预器造成的堵塞问题。根据本专利技术的一个方面，提供了一种基于神经网络的SCR智能喷氨优化方法，包括：在系统负荷不变时，将喷氨管栅根据区域不同划分为n个模块，调整n个喷氨模块的开度阀门，采集一段时间内n个喷氨模块的喷氨量作为训练输入数据，采集SCR脱硝系统的脱硝效率和氨逃逸率作为训练输出数据,其中n为自然数；利用训练输入数据和所述训练输出数据，对BP神经网络模型进行训练；构建各个喷氨模块的喷氨量作为测试输入数据，利用训练得到的BP神经网络模型预测得到脱硝效率和氨逃逸率作为测试输出数据；将测试输入数据作为种群个体，利用遗传算法在多个测试输入数据中寻找到最优值，根据最优值调整各个喷氨模块的实际喷氨量。根据本专利技术的另一方面，提供了一种基于神经网络的SCR智能喷氨优化装置，包括：采集模块，在系统负荷不变时，将喷氨管栅根据区域不同划分为n个模块，调整n个喷氨模块的开度阀门，采集一段时间内n个喷氨模块的喷氨量作为训练输入数据，采集SCR脱硝系统的脱硝效率和氨逃逸率作为训练输出数据；其中，n为自然数；训练模块，用于利用所述训练输入数据和所述训练输出数据，对BP神经网络模型进行训练；预测模块，用于构建各个喷氨模块的喷氨量作为测试输入数据，利用训练得到的BP神经网络模型预测得到脱硝效率和氨逃逸率作为测试输出数据；优化模块，用于将测试输入数据作为种群个体，利用遗传算法在多个测试输入数据中寻找到最优值，根据最优值调整各个喷氨模块的实际喷氨量。利用本专利技术提供的基于神经网络的SCR智能喷氨优化方法及装置可以实现：1、通过喷氨的差异化控制，引入神经网络进行大数据离线分析，得到能够准确预测氨逃逸率和脱硝效率的网络模型，再利用遗传算法进行喷氨量优化，根据最优值实际调整各个模块的喷氨量，因此极大的提高了催化剂表面的氨氮浓度分布的均匀性，提高了氨气的利用率，降低了氨气的消耗量，直接降低SCR装置的运行成本；2、降低氨逃逸的排放，减少过量NH3与烟气中的SO3反应生成铵盐，由于铵盐具有很强的黏附性，容易黏附在催化剂表面，堵塞催化剂微孔使催化剂活性降低，而且容易造成后续设备空预器的腐蚀和堵塞，因此本专利技术有效的解决了因氨逃逸较大带来的催化剂堵塞和空预器堵塞问题；3、提高SCR系统的脱硝效率，降低出口NOx排放浓度，进一步提高催化剂的使用寿命；4、根据电厂的不同目标，灵活的调整各个喷氨模块的实际喷氨量。上述说明仅是本专利技术技术方案的概述，为了能够更清楚了解本专利技术的技术手段，而可依照说明书的内容予以实施，并且为了让本专利技术的上述和其它目的、特征和优点能够更明显易懂，以下特举本专利技术的具体实施方式。附图说明通过阅读下文优选实施方式的详细描述，各种其他的优点和益处对于本领域普通技术人员将变得清楚明了。附图仅用于示出优选实施方式的目的，而并不认为是对本专利技术的限制。而且在整个附图中，用相同的参考符号表示相同的部件。在附图中：图1示出了本专利技术实施例一基于神经网络的SCR智能喷氨优化方法的流程图；图2示出了本专利技术实施例一的喷氨格栅区域和催化剂区域分区模块示意图；图3示出了本专利技术实施例二基于神经网络的SCR智能喷氨优化方法的流程图；图4示出了本专利技术实施例二的BP神经网络模型的拓扑结构图；图5示出了本专利技术实施例三基于神经网络的SCR智能喷氨优化装置的功能框图。具体实施方式下面将参照附图更详细地描述本公开的示例性实施例。虽然附图中显示了本公开的示例性实施例，然而应当理解，可以以各种形式实现本公开而不应被这里阐述的实施例所限制。相反，提供这些实施例是为了能够更透彻地理解本公开，并且能够将本公开的范围完整的传达给本领域的技术人员。实施例一图1示出了本专利技术实施例一基于神经网络的SCR智能喷氨优化方法的流程图。如图1所示，本实施例提供的基于神经网络的SCR智能喷氨优化方法具体包括如下步骤：步骤S101，在系统负荷不变时，将喷氨管栅根据区域不同划分为n个模块，调整n个喷氨模块的开度阀门，采集一段时间内n个喷氨模块的喷氨量作为训练输入数据，采集SCR脱硝系统的脱硝效率和氨逃逸率作为训练输出数据，其中，n为自然数。如图2所示的喷氨格栅区域和催化剂区域分区模块示意图，将喷氨格栅管路根据区域和支管路阀门分成若干个模块，每个模块区域大小相同、喷嘴数量相同，由单独的阀门控制该模块的喷氨量，利用电厂现有的CEMS采集在固定负荷下调节每个模块喷氨量后SCR的运行数据，作为神经网络模型的原始数据。对电厂平均分成的10个喷嘴模块进行编号为1到10(假设分为10个模块)，保持系统负荷不变，不断调整各个模块的开度阀门，采集一段时间内这10个喷嘴分别的喷氨量，设t时刻10个模块的喷氨量分别为{x1(t),x2(t),x3(t)......x10(t)本文档来自技高网...

【技术保护点】
一种基于神经网络的SCR智能喷氨优化方法，其特征在于，包括：在系统负荷不变时，将喷氨管栅根据区域不同划分为n个模块，调整n个喷氨模块的开度阀门，采集一段时间内n个喷氨模块的喷氨量作为训练输入数据，采集SCR脱硝系统的脱硝效率和氨逃逸率作为训练输出数据；其中，n为自然数；利用所述训练输入数据和所述训练输出数据，对BP神经网络模型进行训练；构建各个喷氨模块的喷氨量作为测试输入数据，利用训练得到的BP神经网络模型预测得到脱硝效率和氨逃逸率作为测试输出数据；将测试输入数据作为种群个体，利用遗传算法在多个测试输入数据中寻找到最优值，根据最优值调整各个喷氨模块的实际喷氨量。

【技术特征摘要】
1.一种基于神经网络的SCR智能喷氨优化方法，其特征在于，包括：在系统负荷不变时，将喷氨管栅根据区域不同划分为n个模块，调整n个喷氨模块的开度阀门，采集一段时间内n个喷氨模块的喷氨量作为训练输入数据，采集SCR脱硝系统的脱硝效率和氨逃逸率作为训练输出数据；其中，n为自然数；利用所述训练输入数据和所述训练输出数据，对BP神经网络模型进行训练；...

【专利技术属性】
技术研发人员：王德俊，江浩，单选户，白云峰，初炜，马志刚，纳宏波，
申请(专利权)人：北京国能中电节能环保技术股份有限公司，
类型：发明
国别省市：北京;11