一种煤泥流化床锅炉脱硝系统氨逃逸的优化方法技术方案

本发明专利技术涉及燃煤电厂NOx污染物处理领域，针对现有技术的煤泥流化床锅炉脱硝系统氨逃逸量过大的问题，本发明专利技术公开了一种煤泥流化床锅炉脱硝系统氨逃逸的优化方法，主要包括四大步骤。该方法采用了神经网络学习和拉格朗日插值法的方式分别对喷氨前NOx生成量和喷氨后NOx生成量进行建模，在规定周期内，分别通过神经网络模型和SQP方法对喷氨前NOx、喷氨后NOx和氨逃逸进行优化，以及采用预测控制使一二次风与喷氨开度分别达到最优值并且不断循环，该方法弥补了现有的脱硝系统中氨逃逸量过大等不足，便于节省氨水费用，以及提高脱硝效率，为脱硝系统中氨逃逸的优化控制提供保障，对于实现电厂超低排放以及节省资源具有重要的意义。

【技术实现步骤摘要】
一种煤泥流化床锅炉脱硝系统氨逃逸的优化方法
本专利技术涉及燃煤电厂NOx污染物处理领域，尤其涉及一种煤泥流化床锅炉脱硝系统氨逃逸的优化方法。
技术介绍
煤泥流化床锅炉燃烧运行时会产生大量的的氮氧化物(NOx)，NOx对生态环境和人体健康的危害极大，且难以处理，成为我国重点控制排放的污染物之一。烟气脱硝技术是国内外减少NOx排放控制措施中最主要的处理技术。目前，应用比较广泛的烟气脱硝工艺主要有：选择性催化还原法(SCR)、选择性非催化还原法(SNCR)、SNCR-SCR组合法以及一些其他的干法脱硝技术。SNCR法脱硝由于以炉膛为反应器，不需要使用催化剂，改造容易，设备和运行费用少等优点被广泛应用。在电厂脱硝系统的实际过程中，采用喷氨的方式实现NOx的脱除，氨与NOx混合过程中大部分都反应掉，但是在合理的情况下也会有少量逃逸。为了确保NOx的高效脱除，一般会加入过量的氨，造成氨逃逸，带来新的污染。在脱硝过程中大量的氨逃逸不仅大大增加了整个脱硝过程的费用，还使得脱硝效率大大降低。
技术实现思路
本专利技术专利的目的是针对现有技术的煤泥流化床锅炉脱硝系统氨逃逸量过大等不足，本专利技术给出了一种煤泥流化床锅炉脱硝系统氨逃逸的优化方法，该方法采用神经网络、拉格朗日插值法以及SQP(序列二次规划算法)相结合的方式，为实现脱硝系统中氨逃逸的优化控制提供了有利的保障；提出了一种神经网络、拉格朗日插值法以及SQP相结合的控制方法，该方法采用神经网络学习和拉格朗日插值法的方式分别对对喷氨前NOx生成量和喷氨后NOx生成量进行建模，在规定周期内，分别通过神经网络模型和SQP方法对喷氨前NOx、喷氨后NOx和氨逃逸进行优化，不断循环。为了实现上述目的，本专利技术采用以下技术方案：一种煤泥流化床锅炉脱硝系统氨逃逸的优化方法，主要包括如下步骤：步骤1、运用神经网络学习的方法建立煤泥量、一二次风与喷氨前NOx生成量之间的关系建立模型，然后进入步骤2；步骤2、建立喷氨开度与喷氨后NOx生成量的模型，则进入步骤3；步骤3、设定一个时间周期T，对喷氨前NOx进行优化，得到一二次风使喷氨前NOx最小的最优值，通过预测控制使一二次风达到使喷氨前NOx最小的最优值；步骤4、对喷氨后NOx以及氨逃逸进行优化，优化完成后得到喷氨开度，使喷氨后NOx与氨逃逸最小的最优开度，通过预测控制使得喷氨开度达到使喷氨后NOx最小的最优开度，直到达到时间T，则重新进入步骤3。作为优选，所述的步骤1具体的实施步骤如下：(1.1)、基于历史测试数据，采用神经网络建立设计煤泥量、一二次风之间的神经网络模型，以此预测在煤泥量、一二次风的影响下，NOx生成量的预测值；(1.2)、提取不同影响因素下NOx生成量的历史数据，建立输入样本与输出样本集，输入样本包括煤泥量、一二次风，输出样本为NOx生成量，然后采用神经网络对历史数据进行训练，神经网络结构包括输入层、隐含层和输出层，所述隐含层介于输入层和输出层之间；训练过程中将煤泥量、一二次风作为输入，以NOx生成量作为输出，通过神经网络学习获得神经网络模型。作为优选，步骤(1.2)中所述隐含层和所述输出层的神经元个数范围分别为2～4和2～6。作为优选，所述步骤(1.2)中神经网络模型的学习过程如下：1.2.1)、初始化各层的连接权值和阈值，给每个连接权wij、vjt和输出阈值θj、yt赋予区间(-1,1)内的随机值；1.2.2)、选取输入样本和输出样本；1.2.3)、用输入样本、连接权、输入阈值和输出阈值计算隐含层和输出层各单元的输出：其中，sj表示隐含层单元的输入值、bj表示隐含层单元的输出值、lt表示输出层单元的输入值、ct表示输出层单元的输出值；1.2.4)、计算输出层各单元一般化误差然后利用隐含层到输出层的连接权vjt、隐含层的输出向量Bk＝(b1,b2,...,bp)、输出层各单元一般化误差计算隐含层各单元的一般化误差计算公式如下：1.2.5)、利用输出层各单元的一般化误差与隐含层各单元的输出值来修正隐含层到输出层的连接权vjt、输出阈值yt：同样利用隐含层各单元的一般化误差与输入层的输入来修正输入层到隐含层的连接权wij、输出阈值θj：vjt(N)表示当前的连接权vjt，vjt(N+1)表示修正后的连接权；yt(N)表示当前的输出阈值yt，yt(N+1)表示修正后的相应阈值；wij(N)表示当前的连接权wij，wij(N+1)表示修正后的连接权，θj(N)表示当前的阈值，θj(N+1)表示修正后的阈值，N＝1,2，…，N，，其中N，表示设定的学习迭代次数；1.2.6)、选取下一个输入样本和输出样本，返回到步骤c)，直到m个训练样本训练完毕；1.2.7)、计算所有样本的累计误差E，累计误差计算方式为其中，q表示输出层单元数，m表示样本数量，Ei表示样本之间的误差；如果样本累计误差E小于预先设定值ε，或者当前学习迭代次数大于设定的学习迭代次数，学习训练结束；否则再次选取样本输入和目标输出，然后返回到步骤1.2.3)；通过神经网络模型的学习过程，获得了描述煤泥量、一二次风与喷氨前NOx的关系的神经网络模型。作为优选，所述神经网络模型中的各参数定义如下：输入层单元输入向量为Pk＝(a1,a2,L,an)，目标向量Tk＝(d1,d2,L,dn)；隐含层单元输入向量Sk＝(s1,s2,L,sp)，输出向量Bk＝(b1,b2,...,bp)；输出层单元输入向量Lk＝(l1,l2,L,lq)，输出向量Ck＝(c1,c2,...,cq)，k＝1,2，…，m表示样本数据个数；输入层到隐含层的连接权wij，i＝1,2,….,n；j＝1,2,…p；隐含层到输出层的连接权vjt，t＝1,2,…q；隐含层各单元的输出阈值θj，输出层各单元的输出阈值yt。作为优选，所述的步骤2具体实施步骤如下：(2.1)、当喷氨开度为达到30％时，采集NOx浓度数据直到喷氨后NOx的浓度重新达到稳定状态，根据喷氨后NOx浓度变化情况确定喷氨后NOx与喷氨量之间的开环传递函数，记为G1；(2.2)、给喷氨开度一个阶跃，使得喷氨开度增加达到50％时，采集喷氨后NOx浓度数据直到喷氨后NOx的浓度重新达到稳定状态，根据喷氨后NOx浓度变化情况确定喷氨后NOx与喷氨量之间的开环传递函数，记为G2；(2.3)、给喷氨开度一个阶跃，使得喷氨开度增加达到70％左右时，采集喷氨后NOx浓度数据直到喷氨后NOx的浓度重新达到稳定状态，根据喷氨后NOx浓度变化情况确定喷氨后NOx与喷氨量之间的开环传递函数，记为G3；(2.4)、给喷氨开度一个阶跃，使得喷氨开度增加达到90％左右时，采集喷氨后NOx浓度数据直到喷氨后NOx的浓度重新达到稳定状态，根据喷氨后NOx浓度变化情况确定喷氨后NOx与喷氨量之间的开本文档来自技高网...

【技术保护点】
1.一种煤泥流化床锅炉脱硝系统氨逃逸的优化方法，其特征是，主要包括如下步骤：/n步骤1、运用神经网络学习的方法建立煤泥量、一二次风与喷氨前NO

【技术特征摘要】
1.一种煤泥流化床锅炉脱硝系统氨逃逸的优化方法，其特征是，主要包括如下步骤：
步骤1、运用神经网络学习的方法建立煤泥量、一二次风与喷氨前NOx生成量之间的关系建立模型，然后进入步骤2；
步骤2、建立喷氨开度与喷氨后NOx生成量的模型，则进入步骤3；
步骤3、设定一个时间周期T，对喷氨前NOx进行优化，得到一二次风使喷氨前NOx最小的最优值，通过预测控制使一二次风达到使喷氨前NOx最小的最优值；
步骤4、对喷氨后NOx以及氨逃逸进行优化，优化完成后得到喷氨开度，使喷氨后NOx与氨逃逸最小的最优开度，通过预测控制使得喷氨开度达到使喷氨后NOx最小的最优开度，直到达到时间T，则重新进入步骤3。


2.根据权利要求1所述的一种煤泥流化床锅炉脱硝系统氨逃逸的优化方法，其特征是，所述的步骤1具体的实施步骤如下：
(1.1)、基于历史测试数据，采用神经网络建立设计煤泥量、一二次风之间的神经网络模型，以此预测在煤泥量、一二次风的影响下，NOx生成量的预测值；
(1.2)、提取不同影响因素下NOx生成量的历史数据，建立输入样本与输出样本集，输入样本包括煤泥量、一二次风，输出样本为NOx生成量，然后采用神经网络对历史数据进行训练，神经网络结构包括输入层、隐含层和输出层，所述隐含层介于输入层和输出层之间；训练过程中将煤泥量、一二次风作为输入，以NOx生成量作为输出，通过神经网络学习获得神经网络模型。


3.根据权利要求2所述的一种煤泥流化床锅炉脱硝系统氨逃逸的优化方法，其特征是，步骤(1.2)中所述隐含层和所述输出层的神经元个数范围分别为2～4和2～6。


4.根据权利要求2所述的一种煤泥流化床锅炉脱硝系统氨逃逸的优化方法，其特征是，所述步骤(1.2)中神经网络模型的学习过程如下：
1.2.1)、初始化各层的连接权值和阈值，给每个连接权wij、vjt和输出阈值θj、yt赋予区间(-1,1)内的随机值；
1.2.2)、选取输入样本和输出样本；
1.2.3)、用输入样本、连接权、输入阈值和输出阈值计算隐含层和输出层各单元的输出：






其中，sj表示隐含层单元的输入值、bj表示隐含层单元的输出值、lt表示输出层单元的输入值、ct表示输出层单元的输出值；
1.2.4)、计算输出层各单元一般化误差然后利用隐含层到输出层的连接权vjt、隐含层的输出向量Bk＝(b1,b2,...,bp)、输出层各单元一般化误差计算隐含层各单元的一般化误差计算公式如下：






1.2.5)、利用输出层各单元的一般化误差与隐含层各单元的输出值来修正隐含层到输出层的连接权vjt、输出阈值yt：






同样利用隐含层各单元的一般化误差与输入层的输入来修正输入层到隐含层的连接权wij、输出阈值θj：



vjt(N)表示当前的连接权vjt，vjt(N+1)表示修正后的连接权；yt(N)表示当前的输出阈值yt，yt(N+1)表示修正后的相应阈值；
wij(N)表示当前的连接权wij，wij(N+1)表示修正后的连接权，θj(N)表示当前的阈值，θj(N+1)表示修正后的阈值，N＝1,2，…，N’，其中N’表示设定的学习迭代次数；
1.2.6)、选取下一个输入样本和输出样本，返回到步骤c)，直到m个训练样本训练完毕；
1.2.7)、计算所有样本的累计误差E，累计误差计算方式为其中，q表示输出层单元数，m表示样本数量，Ei表示样本之间的误差；如果样本累计误差E小于预先设定值ε，或者当前学习迭代次数大于设定的学习迭代次数，学习训练结束；否则再次选取样本输入和目标输出，然后返回到步骤1.2.3)；
通过神经网络模型的学习过程，获得了描述煤泥量、一二次风与喷氨前NOx的关系的神经网络模型。


5.根据权利要求2所述的一种煤泥流化床锅炉脱硝系统氨逃逸的优化方法，其特征是，所述神经网络模型中的各参数定义如下：
输入层单元输入向量为Pk＝(a1,a2,L,an)，目标向量Tk＝(d1,d2,L,dn)；隐含层单元输入向量Sk＝(s1,s2,L,sp)，输出向量Bk＝(b1,b2,...,bp)；输出层单元输入向量Lk＝(l1,l2,L,lq)，输出向量Ck＝(c1,c2,...,cq)，k＝1,2，…，m表示样本数据个数；输入层到隐含层的连接权wij，i＝1,2,….,n；j＝1,2,…p；隐含层到输出层的连接权vjt，t＝1,2,…q；隐含层各单元的输出阈值θj，输出层各单元的输出阈值yt。


6.根据权利要求1所述的一种煤泥流化床锅炉脱硝系统氨逃逸的优化方法，其特征是，所述的步骤2具体实施步骤如下：
(2.1)、当喷氨开度为达到30％时，采集NOx浓度数据直到喷氨后NOx的浓度重新达到稳定状态，根据喷氨后NOx浓度变化情况确定喷氨后NOx与喷氨量之间的开环传递函数，记为G1；
(2.2)、给喷氨开度一个阶跃，使得喷氨开度增加达到50％时，采集喷氨后NOx浓度数据直到喷氨后NOx的浓度重新达到稳定状态，根据喷氨后NO...

【专利技术属性】
技术研发人员：张涵羽，江爱朋，肖扬尖，姜家骥，刘志峰，景妮洁，
申请(专利权)人：杭州电子科技大学，
类型：发明
国别省市：浙江;33