一种SCR系统NOx生成与氨需求预测方法、系统及存储介质技术方案

本发明专利技术公开了一种SCR系统NOx生成与氨需求预测方法、系统及存储介质，根据SCR系统历史运行数据训练得到用于SCR系统入口NOx浓度预测的三类机器学习模型，获得相应的入口NOx浓度预测结果，再运用数学统计方法分析，约定决策规则，获得拟采用的入口NOx浓度预测输出结果；结合其他实时在线监测运行数据，获得尿素水解系统氨需求预测量Q

【技术实现步骤摘要】
一种SCR系统NOx生成与氨需求预测方法、系统及存储介质


[0001]本专利技术涉及一种SCR系统NOx生成与氨需求预测方法、系统及存储介质，属于热能动力工程火力发电厂烟气脱硝


技术介绍

[0002]选择性催化还原(SCR)烟气脱硝技术以其技术可靠、脱硝效率高等优势被广泛应用于国内火电厂氮氧化物(NOx)的有效脱除，SCR脱硝还原剂NH3的制备方法可大致分为液氨法和尿素分解法。液氨法系统相对成熟，但根据险化学品重大危险源辨识标准GB18218
‑
2009的有关要求，对于超过10吨的液氨储罐已属于重大危险源，存在较大的安全风险；尿素分解法制氨工艺包括热解和水解两种，其中尿素水解法在运行中采用低品质蒸汽作为加热源，在前期设备投资及运行维护等方法均优于尿素热解技术，具备更强的市场竞争力。自2014年我国首套尿素催化水解制氨脱硝系统投入试运行以来，尿素水解工艺在SCR脱硝还原剂制备方面具有的优势日益凸显，对此国内各大发电集团及各地方单位纷纷颁布相关标准规范，液氨改尿素水解的改造工程正在加速发展。
[0003]然而，尿素水解系统组成复杂，尿素水解工艺中自尿素溶液泵入水解反应器到产品气的生成存在较大的时间迟滞，无论是尿素一般水解工艺还是尿素催化水解工艺，响应时间迟滞时间均在“分钟”这个级别，不利于在非稳定工况下的运行调整；在常规控制方式下，若需氨量急剧增加时，当前时刻调整制氨参数会有时间迟滞，容易导致短时间内出口NOx浓度排放超标；若需氨量急剧减少时，当前时刻调整制氨参数同样会有时间迟滞，容易导致短时间内氨逃逸增加。由此可见保证尿素水解系统产气侧较好的变工况跟随特性不仅有助于出口NOx浓度定值控制，而且可以降低尿素使用量，降低系统氨逃逸。此外，SCR系统在实际运行时会受仪表测量特性、煤质、锅炉负荷和燃烧条件等因素的影响，呈现出非线性、大迟滞、多参数耦合作用等特点，尤其是SCR系统入口NOx浓度呈现出了很强的大迟滞性。因此，配备尿素水解系统的燃煤电站SCR系统普遍存在着尿素水解系统的变工况跟随性差、喷氨自动投运不稳定，系统氨耗量大等一系列运行问题，亟需优化解决。

技术实现思路

[0004]本专利技术的目的在于克服现有技术中的不足，提供一种SCR系统NOx生成与氨需求预测方法、系统及存储介质，实现燃煤电站SCR系统的精准喷氨。
[0005]为达到上述目的，本专利技术所采用的技术方案是：
[0006]第一方面，本专利技术提供一种SCR系统NOx生成与氨需求预测方法，包括如下步骤：
[0007]根据SCR系统历史运行数据训练得到用于SCR系统入口NOx浓度预测的三类机器学习模型，获得相应的入口NOx浓度预测结果；
[0008]基于三类机器学习模型的入口NOx浓度预测结果，运用数学统计方法分析，在约定决策规则下，获得拟采用的入口NOx浓度预测输出结果；
[0009]根据入口NOx浓度预测输出结果及相关实时在线监测运行数据，获得尿素水解系
统氨需求预测量Q
′
；
[0010]实时对入口NOx浓度预测输出结果进行精度判定，并根据精度判定结果更新所述三类机器学习模型的参数。
[0011]结合第一方面，进一步的，所述SCR系统历史运行数据包括：取用机组负荷、总风量、总煤量、OFA风量/风门开度、二次风量/风门开度及炉膛出口O2浓度，所述SCR系统历史运行数据与入口NOx浓度预测结果进行归一化处理；
[0012]所述相关实时在线监测运行数据包括烟气流量、氨质量流量、入口NOx浓度测量结果、出口NOx浓度测量结果、出口NOx浓度预期设定值。
[0013]进一步的，所述三类机器学习模型包括：随机森林模型RF、支持向量机模型SVM、人工神经网络模型ANN；所述三类机器学习模型的SCR系统历史运行数据输入与入口NOx浓度预测结果输出一致。
[0014]进一步的，所述的数学统计方法，首先计算三种机器学习模型预测结果相对标准偏差c
v
，具体为：
[0015][0016]式中：P
i
为基于各机器学习模型获得的入口NOx浓度预测结果，单位为mg
·
Nm
‑3；为三类机器学习模型所得入口NOx浓度预测结果的平均值，单位为mg
·
Nm
‑3；
[0017]所述约定决策规则表示如下：
[0018][0019]式中：K为预设阈值，15％≥K≤25％；P为拟采用的入口NOx浓度预测输出结果，单位为mg
·
Nm
‑3；ω
t
为t时刻预测结果可靠性标识值。
[0020]进一步的，所述尿素水解系统氨需求预测量Q
′
计算如下：
[0021][0022]式中：Q
′
单位为kg/h；A为入口NOx浓度测量结果，单位为mg
·
Nm
‑3；F为烟气流量，Nm3/h；M
NH3
、M
NOx
分别为NH3、NOx的相对分子质量，单位为g/mol；r为理论的氨氮摩尔比，取1～1.05；Q为常规计算所得有迟滞的氨需求量，单位为kg/h。
[0023]进一步的，所述精度判定包括对预测结果可靠性标识值ω
t
进行累加计数，若满足在线自更新规则启动条件，则对三种机器学习模型分别进行在线自更新；反之，保持机器学习模型的运行。
[0024]进一步的，所述在线自更新规则启动条件表示为：
[0025][0026]式中：τ为样本时间段总长，τ≥24h；0～τ时间段的时间间隔均等，Γ为预设的三类机器学习模型在线自更新启动许可偏差，50％≥Γ≤80％。
[0027]第二方面，本专利技术提供一种SCR系统NOx生成与氨需求预测系统，所述系统包括：
[0028]NOx浓度预测单元：根据SCR系统历史运行数据训练得到用于SCR系统入口NOx浓度
预测的三类机器学习模型，获得相应的入口NOx浓度预测结果；
[0029]NOx浓度预测输出单元：基于三类机器学习模型的入口NOx浓度预测结果，运用数学统计方法分析，约定决策规则，获得拟采用的入口NOx浓度预测输出结果；
[0030]氨需求预测单元：根据入口NOx浓度预测输出结果及其他实时在线监测运行数据，获得尿素水解系统氨需求预测量Q
′
；
[0031]判断更新单元：实时对入口NOx浓度预测输出结果进行精度判定，制定三类机器学习模型的在线自更新规则。
[0032]第三方面，本专利技术提供一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现任一项所述方法的步骤。
[0033]第四方面，本专利技术提供一种SCR系统NOx生成与氨需求预测方法的应用，其特征在于，应用在尿素水解系统或尿素催化水解系统的燃煤电站SCR系统。
[0034]与现有技术相比，本专利技术所达到的有益效果：
[本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种SCR系统NOx生成与氨需求预测方法，其特征在于，包括如下步骤：根据SCR系统历史运行数据训练得到用于SCR系统入口NOx浓度预测的三类机器学习模型，获得相应的入口NOx浓度预测结果；基于三类机器学习模型的入口NOx浓度预测结果，运用数学统计方法分析，在约定决策规则下，获得拟采用的入口NOx浓度预测输出结果；根据入口NOx浓度预测输出结果及相关实时在线监测运行数据，获得尿素水解系统氨需求预测量Q
′
；实时对入口NOx浓度预测输出结果进行精度判定，并根据精度判定结果更新所述三类机器学习模型的参数。2.根据权利要求1所述的一种SCR系统NOx生成与氨需求预测方法，其特征在于，所述SCR系统历史运行数据包括：取用机组负荷、总风量、总煤量、OFA风量/风门开度、二次风量/风门开度及炉膛出口O2浓度，所述SCR系统历史运行数据与入口NOx浓度预测结果进行归一化处理；所述相关实时在线监测运行数据包括烟气流量、氨质量流量、入口NOx浓度测量结果、出口NOx浓度测量结果、出口NOx浓度预期设定值。3.根据权利要求1所述的一种SCR系统NOx生成与氨需求预测方法，其特征在于，所述三类机器学习模型包括：随机森林模型RF、支持向量机模型SVM、人工神经网络模型ANN；所述三类机器学习模型的SCR系统历史运行数据输入与入口NOx浓度预测结果输出一致。4.根据权利要求3所述的一种SCR系统NOx生成与氨需求预测方法，其特征在于，所述的数学统计方法，首先计算三种机器学习模型预测结果相对标准偏差C
v
，具体为：式中：P
i
为基于各机器学习模型获得的入口NOx浓度预测结果，单位为mg
·
Nm
‑3；为三类机器学习模型所得入口NOx浓度预测结果的平均值，单位为mg
·
Nm
‑3；所述约定决策规则表示如下：式中：K为预设阈值，15％≥K≤25％；P为拟采用的入口NOx浓度预测输出结果，单位为mg
·
Nm
‑3；ω
t
为t时刻预测结果可靠性标识值。5.根...

【专利技术属性】
技术研发人员：李睿，袁兵，沈德魁，刘国富，宋坤林，吴斌，肖军，孙宇，
申请(专利权)人：东南大学齐鲁工业大学，
类型：发明
国别省市：