一种基于滞后模型的烟气脱硫脱硝优化控制方法技术

本发明专利技术涉及一种基于滞后模型的烟气脱硫脱硝优化控制方法，其包括通过动态仿真软件依据模块化建模和控制策略，建立电厂脱硫脱硝系统仿真模型；对脱硫系统中测定吸收塔PH值存在的时延建立第一滞后时间预测模型、对脱硝系统入口通过烟气在线监测装置CEMS测定烟气氮氧化物浓度存在的时延建立第二滞后时间预测模型；采用支持向量机模型中对脱硫出口二氧化硫浓度和脱硝入口氮氧化物浓度进行预测；根据二氧化硫浓度预测值结合第一滞后时间预测模型对浆液喷淋量控制、根据氮氧化物浓度预测值结合第二滞后时间预测模型对喷氨量进行控制；将控制参数下发至脱硫脱硝系统仿真模型中进行智能诊断。智能诊断。智能诊断。

【技术实现步骤摘要】
一种基于滞后模型的烟气脱硫脱硝优化控制方法


[0001]本专利技术属于脱硫脱硝
，具体涉及一种基于滞后模型的烟气脱硫脱硝优化控制方法。

技术介绍

[0002]随着各项产业的快速发展，随之带来的大气污染也愈加严重，二氧化硫和氮氧化物的排放量一直居高不下，由此造成大气污染和酸雨的问题也十分严重，而火电厂是二氧化硫和氮氧化物排放的主要来源之一，因此控制电厂二氧化硫和氮氧化物的排放迫在眉睫。国务院也相应提出了加强污染物的减排和持续推进电力行业脱硫脱硝工作规划，要求新建燃煤机组全面实施脱硫脱硝，实现达标排放，尚未安装脱硫脱硝设施的现役燃煤机组要配套建设烟气脱硫脱硝设施，不能稳定达标排放的机组要实施改造。
[0003]脱硫系统常见的工艺是石灰石
‑
石膏湿法烟气脱硫，全流程主要包括吸收塔系统、石灰石浆液制备系统和石膏脱水处理系统，吸收塔设有两个出口，一个出口为石膏浆液出口，检测实时PH值，即检测石膏浆液出口的PH值；另一个出口为干净烟气出口，检测二氧化楼的浓度，即检测干净烟气出口二氧化硫的浓度；然而吸收塔烟气反应是一个大滞后、慢动态的过程，同时脱硫系统又是个复杂控制系统，常规PID控制策略根据经验对PH值进行设定或调节浆液喷淋量，难以准确化地控制石灰石浆液喷淋量，浆液PH值难以有效控制和保证数值在有效范围内。
[0004]脱硝系统常见的工艺是SCR脱硝，主要影响因素是氨水量，氨水量过少会导致反应不完全，引起出口氮氧化物浓度超标，氨水量过多，未反应的氨水会随着烟气排出系统，造成大气污染和下游设备堵塞；脱硝系统的高效稳定运行是实现电厂烟气氮氧化物排放浓度达标的关键，由于脱硝系统具有非线性、滞后特性等特征，传统PID控制技术难以维持脱硝系统出口氮氧化物浓度稳定，产生过大的出口氮氧化物浓度波动，一方面导致频繁出现出口氮氧化物浓度超标现象，另一方面为保证出口氮氧化物浓度达标率，需要增大喷氨量，脱硝系统喷氨量成本随之提高。
[0005]如何解决电厂脱硫脱硝系统滞后特性带来的控制难题，保证脱硫出口氮氧化物浓度有效控制，减小脱硝出口氮氧化物浓度波动，准确化控制浆液喷淋量，降低脱硝系统喷氨成本是电厂脱硫脱硝系统运行调控的重要方向。
[0006]基于上述技术问题，需要设计一种新的基于滞后模型的烟气脱硫脱硝优化控制方法。

技术实现思路

[0007]本专利技术所要解决的技术问题是提供一种基于滞后模型的烟气脱硫脱硝优化控制方法，能够真实模拟电厂脱硫脱硝的实际工作场景，且能直观展示和获知电厂脱硫脱硝的实际运转情况并进行系统参数的调节。
[0008]本专利技术所采用的技术方案是：
[0009]一种基于滞后模型的烟气脱硫脱硝优化控制方法，其包括如下步骤：步骤1：对电厂脱硫脱硝各部件进行模型构建，并依据现场控制策略搭建控制系统，建立完整的电厂脱硫脱硝系统仿真模型；步骤2：对电厂脱硫系统中测定吸收塔PH值存在的时延建立第一滞后时间预测模型，对电厂脱硝系统入口处通过烟气在线监测装置CEMS测定烟气氮氧化物浓度存在的时延建立第二滞后时间预测模型；步骤3：对电厂脱硫系统出口处烟气中的二氧化硫和脱硝系统入口处烟气氮氧化物浓度进行预测；步骤4：根据二氧化硫浓度预测值结合第一滞后时间预测模型对脱硫系统的浆液喷淋量进行控制，根据氮氧化物浓度预测值结合第二滞后时间预测模型对脱硝系统的喷氨量进行控制；步骤5：将浆液喷淋量和所述喷氨量的控制参数下发至电厂脱硫脱硝系统仿真模型中进行智能诊断。
[0010]进一步的，在步骤1中，通过动态仿真软件依据模块化建模方法对电厂脱硫脱硝各部件进行模型构建后，并依据现场控制策略搭建相应控制系统，建立完整的电厂脱硫脱硝系统仿真模型，具体包括：
[0011]所述电厂脱硫系统选取石灰石
‑
石膏湿法脱硫系统，其至少包括烟气系统、吸收塔系统、石灰石浆液制备系统、石膏浆液脱水系统、废水处理系统和电气系统；所述电厂脱硝系统选取SCR法烟气脱硝系统，其至少包括烟气系统、SCR反应器系统、声波吹灰系统、液氨的存储和供应系统；
[0012]动态仿真软件依据质量守恒、动量守恒和能量守恒方程，在建模过程中根据石灰石
‑
石膏湿法脱硫系统和SCR法烟气脱硝系统的工艺流程，从模型库中选取相应的组件模块并连接起来，输入初始数据，完成电厂脱硫脱硝系统的模型构建；
[0013]依据现场控制策略搭建模拟量控制系统、顺序控制系统和逻辑控制系统，并采用基本算法模块进行组态，实现与实际控制系统相同的功能，建立完整的电厂脱硫脱硝系统仿真模型。
[0014]进一步的，电厂脱硫脱硝系统仿真模型还包括：
[0015]在模型开发调试过程中，对实际电厂脱硫脱硝系统采集的物理数据和基于电厂脱硫脱硝仿真模型获取的虚拟数据进行比对，判断误差是否超过阈值，若超过，则通过聚类学习对误差较大的虚拟数据进行分类，结合对应的历史数据作为输入，通过神经网络进行误差学习，输出修正系数以修正虚拟数据的误差数据，以及将修正后的虚拟数据和物理数据进行虚实融合生成经过验证的电厂脱硫脱硝仿真模型。
[0016]进一步的，在步骤2中，采用变点检测、时间窗滑动、相关性分析和机器学习模型对电厂脱硫系统中测定吸收塔PH值存在的时延建立第一滞后时间预测模型包括：采用变点检测、时间窗滑动和相关性分析方法建立浆液PH值响应滞后时间辨识算法流程和采用机器学习模型建立第一滞后时间预测模型；
[0017]浆液PH值响应滞后时间辨识算法流程包括：
[0018]选取吸收塔浆液PH值调节后，吸收塔出口二氧化硫浓度值发生变化的工况为辨识对象；
[0019]将时间窗Δt等分为两个等间隔时间窗Δt
i1
和Δt
i2
，在时间轴上逐步向前滑动，计算两个时间窗口内的二氧化硫浓度平均差值，若超过设定阈值，则该时刻为工况变化点t
i
，若小于设定阈值，则继续向前滑动时间窗，直到检测到工况变化点或时间窗滑动到截止时间点；
[0020]基于工况变化点t
i
和时间窗口Δt，分别获取工况变化开始到时间窗结束的浆液PH值时间序列和二氧化硫浓度时间序列；
[0021]将二氧化硫浓度时间序列逐步前移，设置最大移动步数k，通过前移获得新的二氧化硫浓度序列并构建二氧化硫浓度时间滞后矩阵V；
[0022]计算浆液PH值时间序列和矩阵V中每一列的皮尔森相关系数r，最大相关系数对应的延迟时间为该工况下PH值响应滞后时间t1；
[0023]采用机器学习模型建立第一滞后时间预测模型包括：
[0024]采集电厂脱硫系统中的原始数据特征并进行预处理后，代入所述浆液PH值响应滞后时间辨识算法流程中进行PH值延迟辨识，获知延迟时间与不同运行数据特征的关系；所述原始数据特征至少包括：锅炉的负荷量、锅炉的送风量、石灰石浆液的流速，石灰石浆液投入量、二氧化硫含量、石灰石中碳酸钙含量以及吸收塔到PH测量点的距离数据特征；
[0025]将辨识获得的能本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于滞后模型的烟气脱硫脱硝优化控制方法，其特征在于其包括如下步骤：步骤1：对电厂脱硫脱硝各部件进行模型构建，并依据现场控制策略搭建控制系统，建立完整的电厂脱硫脱硝系统仿真模型；步骤2：对电厂脱硫系统中测定吸收塔PH值存在的时延建立第一滞后时间预测模型，对电厂脱硝系统入口处通过烟气在线监测装置CEMS测定烟气氮氧化物浓度存在的时延建立第二滞后时间预测模型；步骤3：对电厂脱硫系统出口处烟气中的二氧化硫和脱硝系统入口处烟气氮氧化物浓度进行预测；步骤4：根据二氧化硫浓度预测值结合第一滞后时间预测模型对脱硫系统的浆液喷淋量进行控制，根据氮氧化物浓度预测值结合第二滞后时间预测模型对脱硝系统的喷氨量进行控制；步骤5：将浆液喷淋量和喷氨量的控制参数下发至电厂脱硫脱硝系统仿真模型中进行智能诊断。2.根据权利要求1所述的一种基于滞后模型的烟气脱硫脱硝优化控制方法，其特征在于在步骤1中，通过动态仿真软件依据模块化建模方法对电厂脱硫脱硝各部件进行模型构建后，并依据现场控制策略搭建相应控制系统，建立完整的电厂脱硫脱硝系统仿真模型，具体包括：所述电厂脱硫系统选取石灰石
‑
石膏湿法脱硫系统，其至少包括烟气系统、吸收塔系统、石灰石浆液制备系统、石膏浆液脱水系统、废水处理系统和电气系统；所述电厂脱硝系统选取SCR法烟气脱硝系统，其至少包括烟气系统、SCR反应器系统、声波吹灰系统、液氨的存储和供应系统；动态仿真软件依据质量守恒、动量守恒和能量守恒方程，在建模过程中根据石灰石
‑
石膏湿法脱硫系统和SCR法烟气脱硝系统的工艺流程，从模型库中选取相应的组件模块并连接起来，输入初始数据，完成电厂脱硫脱硝系统的模型构建；依据现场控制策略搭建模拟量控制系统、顺序控制系统和逻辑控制系统，并采用基本算法模块进行组态，实现与实际控制系统相同的功能，建立完整的电厂脱硫脱硝系统仿真模型。3.根据权利要求2所述的一种基于滞后模型的烟气脱硫脱硝优化控制方法，其特征在于电厂脱硫脱硝系统仿真模型还包括：在模型开发调试过程中，对实际电厂脱硫脱硝系统采集的物理数据和基于电厂脱硫脱硝仿真模型获取的虚拟数据进行比对，判断误差是否超过阈值，若超过，则通过聚类学习对误差较大的虚拟数据进行分类，结合对应的历史数据作为输入，通过神经网络进行误差学习，输出修正系数以修正虚拟数据的误差数据，以及将修正后的虚拟数据和物理数据进行虚实融合生成经过验证的电厂脱硫脱硝仿真模型。4.根据权利要求1所述的一种基于滞后模型的烟气脱硫脱硝优化控制方法，其特征在于在步骤2中，采用变点检测、时间窗滑动、相关性分析和机器学习模型对电厂脱硫系统中测定吸收塔PH值存在的时延建立第一滞后时间预测模型包括：采用变点检测、时间窗滑动和相关性分析方法建立浆液PH值响应滞后时间辨识算法流程和采用机器学习模型建立第一滞后时间预测模型；浆液PH值响应滞后时间辨识算法流程包括：选取吸收塔浆液PH值调节后，吸收塔出口二氧化硫浓度值发生变化的工况为辨识对象；将时间窗Δt等分为两个等间隔时间窗Δt
i1
和Δt
i2
，在时间轴上逐步向前滑动，计算两
个时间窗口内的二氧化硫浓度平均差值，若超过设定阈值，则该时刻为工况变化点t
i
，若小于设定阈值，则继续向前滑动时间窗，直到检测到工况变化点或时间窗滑动到截止时间点；基于工况变化点t
i
和时间窗口Δt，分别获取工况变化开始到时间窗结束的浆液PH值时间序列和二氧化硫浓度时间序列；将二氧化硫浓度时间序列逐步前移，设置最大移动步数k，通过前移获得新的二氧化硫浓度序列并构建二氧化硫浓度时间滞后矩阵V；计算浆液PH值时间序列和矩阵V中每一列的皮尔森相关系数r，最大相关系数对应的延迟时间为该工况下PH值响应滞后时间t1；采用机器学习模型建立第一滞后时间预测模型包括：采集电厂脱硫系统中的原始数据特征并进行预处理后，代入所述浆液PH值响应滞后时间辨识算法流程中进行PH值延迟辨识，获知延迟时间与不同运行数据特征的关系；所述原始数据特征至少包括：锅炉的负荷量、锅炉的送风量、石灰石浆液的流速，石灰石浆液投入量、二氧化硫含量、石灰石中碳酸钙含量以及吸收塔到PH测量点的距离数据特征；将辨识获得的能够引起PH值变化的运行数据特征通过特征转化方式转化为更具工况特性的特征，减少数据特征之间的相关性，通过对转化后的数据特征进行归一化处理，消除量纲带来的影响；采用相关分析法对原始运行数据特征进行相关性分析，获得各个运行数据特征与PH值响应滞后时间的相关系数，所述相关系数越高表示数据特征和滞后时间最为相关；采用特征融合方法依据相关系数的高低对运行数据特征进行融合形成新的融合特征，将原始运行数据特征和新的融合特征作为样本数据，并按照预设比例将样本数据中的训练集输入至机器学习模型中建立不同运行数据变化工况下的第一滞后时间预测模型；通过所述第一滞后时间预测模型，即可根据不同运行数据特征计算得出PH值响应滞后时间。5.根据权利要求1所述的一种基于滞后模型的烟气脱硫脱硝优化控制方法，其特征在于在步骤2中，采用变点检测、时间窗滑动、相关性分析和机器学习模型对电厂脱硝系统入口处通过烟气在线监测装置CEMS测定烟气氮氧化物浓度存在的时延建立第二滞后时间预测模型包括：采用变点检测、时间窗滑动和相关性分析方法建立CEMS测定滞后时间辨识算法流程和采用机器学习模型建立第二滞后时间预测模型；CEMS测定滞后时间辨识算法流程包括：选取入口氮氧化物浓度变化后，CEMS测量值发生变化的工况为辨识对象；氮氧化物浓度的测量经过伴热导管及分析柜，烟气在伴热导管的流动以及分析柜内浓度测量，存在一定时间的滞后；将时间窗Δt
′
等分为两个等间隔时间窗Δt
i1
′
和Δt
i2
′
，在时间轴上逐步向前滑动，计算两个时间窗口内的CEMS测量值平均差值，若超过设定阈值，则该时刻为工况变化点t
i
′
，若小于设定阈值，则继续向前滑动时间窗，直到检测到工况变化点或时间窗滑动到截止时间点；基于工况变化点t
i
′
和时间窗口Δt
′
，分别获取工况变化开始到时间窗结束的氮氧化物浓度值时间序列和CEMS测量值时间序列；将CEMS测量值时间序列逐步前移，设置最大移动步数k，通过前移获得新的CEMS测量值序列并构建CEMS测量值时间滞后矩阵V
′
；
计算氮氧化物浓度值时间序列和矩阵V
′
中每一列的皮尔森相关系数r
′
，最大相关系数对应的延迟时间为该工况下氮氧化物浓度测量滞后时间t2；采用机器学习模型建立第二滞后时间预测模型包括：采集电厂脱硝系统中的原始数据特征并进行预处理后，代入CEMS测定滞后时间辨识算法流程中进行延迟辨识，获知延迟时间与不同运行数据特征的关系；原始数据特征至少包括：锅炉负荷、燃煤种类、给煤量、燃烧温度、风量和烟气量；将辨识获得的能够引起氮氧化物浓度变化的运行数据特征通过特征转化方式转化为更具工况特性的特征，减少数据特征之间的相关性，通过对转化后的数据特征进行归一化处理，消除量纲带来的影响；采用相关分析法对原始运行数据特征进行相关性分析，获得各个运行数据特征与氮氧化物浓度值测定滞后时间的相关系数，所述相关系数越高表示数据特征和滞后时间最为相关；采用特征融合方法依据相关系数的高低对运行数据特征进行融合形成新的融合特征，将原始运行数据特征和新的融合特征作为样本数据，并按照预设比例将样本数据中的训练集输入至机器学习模型中建立不同运行数据变化工况下的第二滞后时间预测模型；通过第二滞后时间预测模型，即可根据不同运行数据特...

【专利技术属性】
技术研发人员：殷喆，金飞，袁晓磊，杨春来，李剑锋，曹颖，赵志军，包建东，
申请(专利权)人：国家电网有限公司国网河北省电力有限公司电力科学研究院，
类型：发明
国别省市：