一种多炉并联运行的污染物控制量分配调控系统及方法技术方案

本发明专利技术涉及一种多炉并联运行的污染物控制量分配调控系统及方法，系统包括：数据采集模块，用于采集烟气温度、含氧量以及污染物入口浓度；污染物浓度预测模型建立模块，用于建立各台炉出口污染物浓度预测模型；污染物浓度预测模块，用于对污染物浓度进行预测，得到污染物浓度预测值；各污染物浓度的变化值引起的总控制量计算模块，用于基于污染物的浓度预测值、污染物浓度目标值以及污染物浓度实时反馈值采用遗传

【技术实现步骤摘要】
一种多炉并联运行的污染物控制量分配调控系统及方法


[0001]本专利技术涉及锅炉控制领域，特别是涉及一种多炉并联运行的污染物控制量分配调控系统及方法。

技术介绍

[0002]由于生产需要，往往会建造多台炉(电厂锅炉、石灰窑炉等)，在烟气治理时，为了降低治理成本往往将多台炉烟气进行汇流统一进入烟气治理系统，待烟气治理后从烟囱排出，因为监控平台设置在烟囱和治理系统之间，往往采集的是汇总烟气的总排。当其中一台或多台炉工况发生变化时，此时，很难通过监控数据对各个炉污染物的控制量进行精准分配。

技术实现思路

[0003]本专利技术的目的是提供一种多炉并联运行的污染物控制量分配调控系统及方法，对各个炉污染物的控制量进行精准分配。
[0004]为实现上述目的，本专利技术提供了如下方案：
[0005]一种多炉并联运行的污染物控制量分配调控系统，所述调控系统包括：
[0006]数据采集模块，用于采集历史烟气温度、含氧量以及污染物入口浓度；
[0007]污染物浓度预测模型建立模块，用于建立各台炉出口污染物浓度预测模型；所述污染物浓度预测模型为神经网络模型；
[0008]污染物浓度预测模块，用于采用所述污染物预测模型对污染物浓度进行预测，得到污染物浓度预测值；
[0009]各污染物浓度的变化值引起的总控制量计算模块，用于基于所述污染物的浓度预测值、污染物浓度目标值以及污染物浓度实时反馈值采用遗传
‑
神经网络算法确定每台炉的各污染物浓度的变化值引起的总控制量；所述污染物目标值为目标值为用户要求的污染物排放限值，所述实时反馈值为在线实测值；
[0010]每台炉的分配控制量计算模块，用于基于所述各污染物浓度的变化值引起的总控制量确定每台炉的分配控制量。
[0011]可选的，所述系统还包括：
[0012]校正模块，用于对所述污染物浓度预测值进行校正。
[0013]可选的，所述校正模块具体包括：
[0014]污染物浓度实际值获取单元，用于获取k时刻污染物浓度实际值；
[0015]污染物浓度预测值获取单元，用于获取k
‑
1时刻污染物浓度预测值；
[0016]偏差计算单元，用于计算所述k时刻污染物浓度实际值和所述k
‑
1时刻污染物浓度预测值的偏差；
[0017]校正单元，用于将所述偏差作为k时刻预测误差的估计值，并将所述估计值作为反馈校正信号补偿到k时刻的污染物浓度预测模型中，得到校正后的污染物浓度。
[0018]可选的，所述每台炉的分配控制量计算模块具体采用以下公式：
[0019]其中，i＝1,2,3....n，U
i
分表示第i台锅炉分配的控制量，Q
i
表示第i台炉的烟气量，单位为m3/h，ΔC
i
表示第i台炉的污染物的变化量，单位为mg/m3，ΔM表示污染物变化引起的总控制量。
[0020]基于本专利技术中的上述系统，本专利技术另外提供一种多炉并联运行的污染物控制量分配调控方法，所述调控方法包括以下步骤：
[0021]采集历史烟气温度、含氧量以及污染物入口浓度；
[0022]建立各台炉出口污染物浓度预测模型；所述污染物浓度预测模型为神经网络模型；
[0023]采用所述污染物预测模型对污染物浓度进行预测，得到污染物浓度预测值；
[0024]基于所述污染物的浓度预测值、污染物浓度目标值以及污染物浓度实时反馈值采用遗传
‑
神经网络算法确定每台炉的各污染物浓度的变化值引起的总控制量；所述污染物目标值为目标值为用户要求的污染物排放限值，所述实时反馈值为在线实测值；
[0025]基于所述各污染物浓度的变化值引起的总控制量确定每台炉的分配控制量。
[0026]可选的，所述方法在采用所述污染物预测模型对污染物浓度进行预测，得到污染物浓度预测值之前还包括：
[0027]对所述污染物浓度预测值进行校正。
[0028]可选的，对所述污染物浓度预测值进行校正具体包括以下步骤：
[0029]获取k时刻污染物浓度实际值；
[0030]获取k
‑
1时刻污染物浓度预测值；
[0031]计算所述k时刻污染物浓度实际值和所述k
‑
1时刻污染物浓度预测值的偏差；
[0032]将所述偏差作为k时刻预测误差的估计值，并将所述估计值作为反馈校正信号补偿到k时刻的污染物浓度预测模型中，得到校正后的污染物浓度。
[0033]可选的，基于所述各污染物浓度的变化值引起的总控制量确定每台炉的分配控制量具体采用以下公式：
[0034]其中，i＝1,2,3....n，U
i
分表示第i台锅炉分配的控制量，Q
i
表示第i台炉的烟气量，单位为m3/h，ΔC
i
表示第i台炉的污染物的变化量，单位为mg/m3，ΔM表示污染物变化引起的总控制量。
[0035]根据本专利技术提供的具体实施例，本专利技术公开了以下技术效果：
[0036]本专利技术中的上述系统及方法，通过设置数据采集模块，采集烟气温度、含氧量以及污染物入口浓度；通过设置污染物浓度预测模型建立模块建立各台炉出口污染物浓度预测模型；通过设置污染物浓度预测模块采用所述污染物预测模型对污染物浓度进行预测，得到污染物浓度预测值；通过设置各污染物浓度的变化值引起的总控制量计算模块，用于基于所述污染物的浓度预测值、污染物浓度目标值以及污染物浓度实时反馈值采用遗传
‑
神经网络算法确定每台炉的各污染物浓度的变化值引起的总控制量；通过设置每台炉的分配控制量计算模块，用于基于所述各污染物浓度的变化值引起的总控制量确定每台炉的分配控制量，采用上述方法及系统可定量的计算各炉因工况波动带来的控制量的变化，自主的
分配的各个炉的控制量，采用遗传
‑
神经网络联用模型更精准的分析测算炉因负荷变化所带来的总控制量变化，当各炉工况进行变化时，能够精准分配控制量，大大节约了控制量的耗量，从而降低运行和投入成本；采用本专利技术能够解决多炉污染物共用污染物监测设备，导致难以有效单独控制调节的问题。
附图说明
[0037]为了更清楚地说明本专利技术实施例或现有技术中的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本专利技术的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
[0038]图1为本专利技术实施例多台炉智能分配流程图；
[0039]图2为本专利技术实施例污染物及控制量预测图；
[0040]图3为本专利技术实施例出口污染物实测值；
[0041]图4为本专利技术实施例遗传
‑
神经网络算法流程图；
[0042]图5为本专利技术实施例污染物浓度预测模型结构示意图。
具体实施方式...

【技术保护点】

【技术特征摘要】
1.一种多炉并联运行的污染物控制量分配调控系统，其特征在于，所述调控系统包括：数据采集模块，用于采集历史烟气温度、含氧量以及污染物入口浓度；污染物浓度预测模型建立模块，用于建立各台炉出口污染物浓度预测模型；所述污染物浓度预测模型为神经网络模型；污染物浓度预测模块，用于采用所述污染物预测模型对污染物浓度进行预测，得到污染物浓度预测值；各污染物浓度的变化值引起的总控制量计算模块，用于基于所述污染物的浓度预测值、污染物浓度目标值以及污染物浓度实时反馈值采用遗传
‑
神经网络算法确定每台炉的各污染物浓度的变化值引起的总控制量；所述污染物目标值为目标值为用户要求的污染物排放限值，所述实时反馈值为在线实测值；每台炉的分配控制量计算模块，用于基于所述各污染物浓度的变化值引起的总控制量确定每台炉的分配控制量。2.根据权利要求1所述的多炉并联运行的污染物控制量分配调控系统，其特征在于，所述系统还包括：校正模块，用于对所述污染物浓度预测值进行校正。3.根据权利要求2所述的多炉并联运行的污染物控制量分配调控系统，其特征在于，所述校正模块具体包括：污染物浓度实际值获取单元，用于获取k时刻污染物浓度实际值；污染物浓度预测值获取单元，用于获取k
‑
1时刻污染物浓度预测值；偏差计算单元，用于计算所述k时刻污染物浓度实际值和所述k
‑
1时刻污染物浓度预测值的偏差；校正单元，用于将所述偏差作为k时刻预测误差的估计值，并将所述估计值作为反馈校正信号补偿到k时刻的污染物浓度预测模型中，得到校正后的污染物浓度。4.根据权利要求1所述的多炉并联运行的污染物控制量分配调控系统，其特征在于，所述每台炉的分配控制量计算模块具体采用以下公式：其中，i＝1,2,3....n，U
i
分表示第i台锅炉分配的控制量，Q
i
表示第i台炉的烟气量，单位为m3/h，ΔC
i
表示第i台炉的污染物的变化量，单位为...

【专利技术属性】
技术研发人员：李钦武，郑政杰，练海军，朱张强，许彦，蒋善行，
申请(专利权)人：浙江浩普智能科技有限公司，
类型：发明
国别省市：