选择性催化还原脱硝模型建模方法、装置及设备制造方法及图纸

本发明专利技术涉及脱硝模型建模技术领域，提供了一种选择性催化还原脱硝模型建模方法、装置及设备。其中方法包括：构建反应速率预测模型，所述反应速率预测模型采用长短期记忆网络算法，输入参数包括入口反应物浓度、反应条件以及催化剂状态，输出参数包括NO的反应速率的预测值和NH3的反应速率的预测值；构建反应速率机理模型，所述反应速率机理模型包括NH3

【技术实现步骤摘要】
选择性催化还原脱硝模型建模方法、装置及设备


[0001]本专利技术涉及脱硝模型建模
，具体地涉及一种选择性催化还原脱硝模型建模方法、一种选择性催化还原脱硝模型建模装置、一种选择性催化还原脱硝模型建模设备以及对应的存储介质。

技术介绍

[0002]传统的低NOx燃烧控制很难满足排放标准，需配合尾部烟气脱硝装置，国内外已广泛采用SCR脱硝技术，其中最为重要的是对氨喷射系统控制。在工况稳定时，喷氨控制通常能取得较好的效果；但在机组运行条件变化时，如煤种更换、机组AGC负荷指令频繁波动、燃烧条件(如配风方式、过量空气系数等)的变化，都会使烟气NOx出现较大扰动，喷氨量很难保证最佳NH3/NOx比。当喷氨过少时，容易导致NOx排放增加甚至超标；而喷氨过量时，不仅影响脱硝效率，还致使过量氨气与烟气中SO3反应生成硫酸氢氨和硫酸氨降低催化剂活性，造成空预器积灰堵塞和腐蚀，影响锅炉安全运行，同时氨逃逸量增加也造成运行成本浪费和二次环境污染。由于SCR脱硝反应过程复杂，尤其在工况变化时具有非线性、大滞后性和强扰动的特点，难以建立准确的数学模型，使得SCR脱硝建模与优化成为当前研究的重点。
[0003]目前，SCR脱硝建模方法可分为基于催化化学反应机理的机理建模和只考虑数据的智能算法建模。其中，机理建模方法主要是通过SCR脱硝反应动力学方程来构建，由于SCR脱硝的反应机理十分复杂，采用传统的机理建模方法所建立的SCR脱硝模型需要参数多，或过于复杂导致精度不高，降低了此类模型的实用性。智能算法建模方法主要是利用统计方法或机器学习，如神经网络、支持向量机、深度学习等智能方法，采用大量运行数据进行模型训练，获得精度较高的模型，但是模型的泛化能力在变工况时仍难以保证。
[0004]SCR：(Selective Catalytic Reduction)选择性催化还原。

技术实现思路

[0005]本专利技术实施例的目的是提供一种选择性催化还原脱硝模型建模方法、装置及设备，以至少部分地解决上述问题。本专利技术实施例提供的方法实现了化学反应机理模型耦合智能算法模型建立SCR脱硝模型，通过简化化学反应机理模型使其具备了工程实用性，同时增强了模型变工况泛化能力，能够满足变工况工程应用精度要求。
[0006]为了实现上述目的，本专利技术第一方面提供了一种选择性催化还原脱硝模型建模方法，包括：
[0007]构建反应速率预测模型，所述反应速率预测模型采用长短期记忆网络算法，输入参数包括入口反应物浓度、反应条件以及催化剂状态，输出参数包括NO的反应速率的预测值和NH3的反应速率的预测值；构建反应速率机理模型，所述反应速率机理模型包括NH3
‑
Ox反应机理中多个阶段的反应物的反应速率的确定方式，所述确定方式用于将反应速率预测模型的输入参数映射为理论值，所述理论值用于确定或修正所述反应速率预测模型的训练样本中的目标值；将所述反应速率预测模型和所述反应速率机理模型组合后得到选择性催
化还原脱硝模型；所述选择性催化还原脱硝模型用于根据所述反应速率预测模型的输入参数，得到待计算的反应物的反应速度的预测值，并根据所述预测值输出所述待计算的反应物的出口浓度。
[0008]优选的，反应速率预测模型采用长短期记忆网络算法，包括：所述反应速率预测模型包括：遗忘门、输入门和输出门：
[0009]遗忘门：f
t
＝σ(W
f
·
[h
t
‑1,x
t
]+b
f
)；
[0010]输入门：i
t
＝σ(W
i
·
[h
t
‑1,x
t
]+b
i
)；
[0011]输出门：o
t
＝σ(W
o
·
[h
t
‑1,x
t
]+b
o
)；
[0012]输出值的表达式为：h
t
＝o
t
*tanh(C
t
)；
[0013]C
t
‑1更新为C
t
的表达式为：C
′
t
＝tanh(W
C
·
[h
t
‑1,x
t
]+b
C
)，C
t
＝f
t
*C
t
‑1+i
t
*C
′
t
；
[0014]其中，σ为sigmoid函数；W
f
、W
i
、W
C
及W
o
分别为遗忘门、输入门、tanh层及输出门权值；b
f
、b
i
、b
C
及b
o
分别为遗忘门、输入门、tanh层及输出门偏置；h
t
‑1为t
‑
1时刻输出值；x
t
为t时刻输入特征量；i
t
为输入层向量；C
′
t
单元状态候选向量；C
t
为t时刻单元状态向量；o
t
为输出层向量；h
t
为t时刻预测输出。
[0015]优选的，所述反应速率预测模型中的参数采用基于自适应动量估计梯度优化算法进行确定。
[0016]优选的，所述反应速率机理模型包括NH3
‑
Ox反应机理中多个阶段的反应物的反应速率的确定方式，其中：
[0017]将所述NH3
‑
Ox反应机理按下式分为两个反应阶段：
[0018]4NH3+5O2→
4NO+6H2O；
[0019]4NO+4NH3+O2→
4N2+6H2O；
[0020]根据所述两个反应阶段中的反应条件分别得到NO的反应速率r
NO
的理论值和NH3的反应速率r
NH3
的理论值。
[0021]优选的，所述NO的反应速率的理论值的通过以下步骤得到：
[0022][0023]其中；r
NO
为NO的反应速率，即单位体积催化剂单位时间内SCR
‑
DeNO反应和NH3‑
Ox反应消耗的NO的量，单位为mol/(s
·
m3)；k
NO
为NO氧化的反应速率常数；C
′
NO
为所述入口NO浓度；θ
NH3
为催化剂表面NH3覆盖率；
[0024]k
NO
通过以下方式确定：
[0025]其中，为NO氧化的反应速率常数的指前因子，单位为m3/(mol
·
s)；E
NO
为NO氧化的反应活化能，单位本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种选择性催化还原脱硝模型建模方法，其特征在于，所述方法包括：构建反应速率预测模型，所述反应速率预测模型采用长短期记忆网络算法，输入参数包括入口反应物浓度、反应条件以及催化剂状态，输出参数包括NO的反应速率的预测值和NH3的反应速率的预测值；构建反应速率机理模型，所述反应速率机理模型包括NH3
‑
Ox反应机理中的反应物的反应速率的确定方式，所述确定方式用于将反应速率预测模型的输入参数映射为理论值，所述理论值用于确定或修正所述反应速率预测模型的训练样本中的目标值；将所述反应速率预测模型和所述反应速率机理模型组合后得到选择性催化还原脱硝模型；所述选择性催化还原脱硝模型用于根据所述反应速率预测模型的输入参数，得到待计算的反应物的反应速度的预测值，并根据所述预测值输出所述待计算的反应物的出口浓度。2.根据权利要求1所述的方法，其特征在于，所述反应速率预测模型采用长短期记忆网络算法，其中：所述反应速率预测模型包括：遗忘门、输入门和输出门：遗忘门：f
t
＝σ(W
f
·
[h
t
‑1,x
t
]+b
f
)；输入门：i
t
＝σ(W
i
·
[h
t
‑1,x
t
]+b
i
)；输出门：o
t
＝σ(W
o
·
[h
t
‑1,x
t
]+b
o
)；输出值的表达式为：h
t
＝o
t
*tanh(C
t
)；C
t
‑1更新为C
t
的表达式为：C
′
t
＝tanh(W
C
·
[h
t
‑1,x
t
]+b
C
)，C
t
＝f
t
*C
t
‑1+i
t
*C
′
t
；其中，σ为sigmoid函数；W
f
、W
i
、W
C
及W
o
分别为遗忘门、输入门、tanh层及输出门权值；b
f
、b
i
、b
C
及b
o
分别为遗忘门、输入门、tanh层及输出门偏置；h
t
‑1为t
‑
1时刻输出值；x
t
为t时刻输入特征量；i
t
为输入层向量；C
′
t
单元状态候选向量；C
t
为t时刻单元状态向量；o
t
为输出层向量；h
t
为t时刻预测输出。3.根据权利要求2所述的方法，其特征在于，所述反应速率预测模型中的参数采用基于自适应动量估计梯度优化算法进行确定。4.根据权利要求1所述的方法，其特征在于，所述反应速率机理模型包括NH3
‑
Ox反应机理中多个阶段的反应物的反应速率的确定方式，其中：将所述NH3
‑
Ox反应机理按下式分为两个反应阶段：4NH3+5O2→
4NO+6H2O；4NO+4NH3+O2→
4N2+6H2O；根据所述两个反应阶段中的反应条件分别得到NO的反应速率的理论值和NH3的反应速率的理论值。5.根据权利要求4所述的方法，其特征在于，所述NO的反应速率的理论值的通过以下步
骤得到：其中，r
NO
为NO的反应速率的理论值，即单位体积催化剂单位时间内SCR
‑
DeNO反应所消耗的NO的量，单位为mol/(s
·
m3)；k
NO
为NO氧化的反应速率常数；C
′
NO
为所述入口NO浓度；θ

【专利技术属性】
技术研发人员：乔加飞，王传栋，梁占伟，胡晓花，刘秋生，甘泉，孙亚萍，柴晋，王家韬，杜金，
申请(专利权)人：国能徐州发电有限公司，
类型：发明
国别省市：