一种锅炉燃烧与脱硝过程协同优化控制的方法技术

本发明专利技术涉及一种锅炉燃烧

【技术实现步骤摘要】
一种锅炉燃烧与脱硝过程协同优化控制的方法


[0001]本专利技术属于能源环境工程控制
，具体地说是涉及一种锅炉燃烧与脱硝过程协同优化控制的方法。

技术介绍

[0002]我国每年消费煤炭约36亿吨(占全球50％以上)，煤燃烧排放的污染物是造成我国大气污染的重要原因，也是碳排放的主要构成部分。碳排放的增加会导致温室效应，导致极端恶劣天气影响人类的生产生活，而NOx的大量排放会给人类的健康、带来严重危害。新能源电力规模化接入电网对燃煤机组负荷灵活调峰能力提出更高的要求。有关数据表明，锅炉效率每提高1％，机组的效率可提高0.3％，供电煤耗可降低约0.7％，然而机组负荷短时间内频繁且大范围的变化会造成锅炉燃烧效率降低、烟气中氮氧化物(NOx)浓度的大幅度波动，导致机组碳排放增加的同时NOx排放控制难度增加、NOx排放增加。
[0003]在实际运行中，大部分锅炉通过监测烟气中氧量体积分数的变化情况以判断锅炉内燃烧效率，基于氧量体积分数控制锅炉内风量以优化锅炉燃烧过程，从而实现稳定锅炉燃烧效率的目的。然而，该方法存在氧量的监测数据波动相对较大，无法提供较好的反馈数据导致锅炉控制品质较低的问题。同时，由于脱硝系统存在的大滞后特征，若是能有效利用来自锅炉燃烧侧的数据提前预报部分重要参数变化情况，就能够提高控制精度。
[0004]锅炉燃烧过程中会产生一氧化碳(CO)，而研究表明CO浓度可以反映锅炉的燃烧效率。因此，通过监测锅炉CO浓度判断锅炉燃烧效率实时调整风量，从而实现基于CO浓度的锅炉燃烧效率优化控制。除此之外，风量作为影响锅炉内 NOx生成量的重要参数，对脱硝控制也有具有重要作用，可以为脱硝控制提供前馈预报，克服脱硝系统控制的存在的大滞后问题。
[0005]基于以上原因，有必要对CO浓度进行在线监测，对锅炉燃烧过程进行优化，提升锅炉效率的同时，利用风量参数作为前馈预报，进一步配合还原剂总量控制与分区喷入控制方法以提高脱硝控制精度，减少NOx排放，实现机组的燃烧效率与脱硝过程协同优化、低碳高效运行。

技术实现思路

[0006]为了克服现有技术的缺点和不足，本专利技术提供一种锅炉燃烧与脱硝过程协同优化控制的方法，该系统旨在通过预测各操控和影响变量对锅炉燃烧效率和出口 NOx浓度控制的影响，基于粒子群算法等进化算法、神经网络模型、模糊控制、模型预测控制以及协同优化方法，通过不断监测、反馈、模拟计算与寻优精确调控风量、还原剂喷入量以及烟道内还原剂分布情况等参数，保障锅炉燃烧效率的同时实现脱硝系统运行经济性最优，实现锅炉与脱硝装置的安全、稳定、高效、经济运行。
[0007]为实现上述目的，本专利技术采取的技术方案为：
[0008]一种锅炉燃烧
‑
脱硝过程协同优化控制方法，包括基于CO监测的燃烧优化控制模
块、基于包括风量在内的参数预报的还原剂总量控制模块和基于分区喷入量分布表的分区喷入控制模块；
[0009]所述基于CO监测的燃烧优化控制模块，用于监测CO浓度变化并调控风量从而提高锅炉燃烧效率；
[0010]所述基于风量在内的参数预报的还原剂总量控制模块，用于监测影响出口 NOx浓度的关键参数并预测脱硝装置所需的还原剂总量，控制脱硝还原剂母管泵频率，实现出口NOx浓度达标条件下还原剂消耗量最小的控制目标；
[0011]所述基于分区喷入量分布表的分区喷入控制模块，根据不同工况下烟道内 NOx流速与浓度分布情况建立的分区喷入量分布表，实时控制烟道内各个喷入阀门的开度；使还原剂与烟气的均匀混合从而提高脱硝效率、减少还原剂浪费；
[0012]所述控制方法包括下述步骤：
[0013](1)基于历史数据采用长短期记忆(Long Short
‑
Term Memory,LSTM)神经网络算法，建立燃烧效率与CO浓度之间的神经网络模型；
[0014](2)基于历史数据分析、现场试验以及粒子群参数寻优方法，得到锅炉不同工况下煤量Coal、还原剂喷入总量L、风量X与出口NOx浓度的预测模型，以及风量X与CO浓度的预测模型；
[0015]G
Nox
＝f(Coal,L,X)
[0016]G
co
＝f(X)
[0017]式中，G
Nox
为出口NOx浓度预测模型，与煤量、还原剂喷入总量、风量有关，G
co
为CO浓度预测模型，与风量有关；
[0018](3)根据脱硝装置分区喷入口的分布，将烟道截面划分为多个分区，通过现场试验的方法，确定多工况下烟道内处烟气中NOx浓度和烟气流速的分布情况，分析得到多工况下分区喷入量分布表；
[0019](4)燃烧优化控制模块基于实时CO浓度控制风量优化炉内燃烧效率，并把风量控制指令作为前馈预报输入还原剂总量控制模块；
[0020](5)根据实时工况数据，，智能算法服务器通过模糊规则库判断实时的锅炉工况，并确定应采用的多工况预测模型以及各个预测模型所占权重，计算并调整还原剂母管泵频率或氨水调节总阀开度控制还原剂喷入总量；
[0021](6)根据实时工况数据，选择对应分区还原剂喷入量分布表，最终确定每个阀门的实时开度，实时调节各个分区还原剂喷入阀门的开度。
[0022]特别地，基于CO监测的燃烧优化控制模块，针对CO浓度变化与燃烧效率之间的关系，结合风量等参数对锅炉燃烧生成CO的影响机理，采用机器学习的方法利用锅炉实际运行过程中的数据，建立CO浓度与燃烧效率之间的神经网络模型，进一步建立风量与CO浓度、出口NOx浓度之间的预测模型，采用NSGA
‑ꢀⅡ
算法实时求解优化问题计算最优风量，将风量控制指令输入DCS系统以优化锅炉燃烧效率，同时将风量控制指令作为预报输入后续模块。
[0023]特别地，基于风量等参数预报的还原剂总量控制模块，根据历史数据探究不同工况下各关键影响参数对出口NOx浓度的影响机制建立预测模型，结合风量预报以减少系统延迟带来的不利影响，并根据实时数据基于模糊规则判断当前工况下需要使用的预测模型，在不同的负荷工况下以隶属度加权切换的方式保证在大范围变负荷工况下脱硝装置出
口NOx浓度控制的稳定性。
[0024]特别地，分区喷入量分布表基于实验和数据分析方法共同得到各个喷入阀门对其对应烟道区域的影响情况，根据不同负荷条件下烟道内NOx浓度和流速的特征得到各个区域所需的还原剂喷入量，总结成一组对应不同工况条件下的分区喷入量分布值，用于控制策略实时控制各个分区喷入阀门。
[0025]本专利技术步骤(1)和步骤(4)阐述基于CO监测的燃烧优化控制模块的建模过程与实施方式，步骤(2)和步骤(5)阐述基于风量等参数预报的还原剂总量控制模块的建模过程与实施方式，步骤(3)和步骤(6)阐述分区喷入控制模块中分区喷入量分布表的建模和分区喷入控制的具体实施。
[0026]作为优选，基于上述方法所构建的系统包括锅炉、脱硝装置及其辅助设施、在线监测设备、智能本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种锅炉燃烧
‑
脱硝过程协同优化控制方法，其特征在于包括基于CO监测的燃烧优化控制模块、基于包括风量在内的参数预报的还原剂总量控制模块和基于分区喷入量分布表的分区喷入控制模块；所述基于CO监测的燃烧优化控制模块，用于监测CO浓度变化并调控风量；所述基于风量在内的参数预报的还原剂总量控制模块，用于监测影响出口NOx浓度的关键参数并预测脱硝装置所需的还原剂总量，控制脱硝还原剂母管泵频率，实现出口NOx浓度达标条件下还原剂消耗量最小的控制目标；所述基于分区喷入量分布表的分区喷入控制模块，根据不同工况下烟道内NOx流速与浓度分布情况建立的分区喷入量分布表，实时控制烟道内各个喷入阀门的开度；所述控制方法包括下述步骤：(1)基于历史数据采用长短期记忆神经网络算法，建立燃烧效率与CO浓度之间的神经网络模型；(2)基于历史数据分析、现场试验以及粒子群参数寻优方法，得到锅炉不同工况下煤量Coal、还原剂喷入总量L、风量X与出口NOx浓度的预测模型，以及风量X与CO浓度的预测模型；G
Nox
＝f(Coal,L,X)G
co
＝f(X)式中，G
Nox
为出口NOx浓度预测模型，与煤量、还原剂喷入总量、风量有关，G
co
为CO浓度预测模型，与风量有关；(3)根据脱硝装置分区喷入口的分布，将烟道截面划分为多个分区，通过现场试验的方法，确定多工况下烟道内处烟气中NOx浓度和烟气流速的分布情况，分析得到多工况下分区喷入量分布表；(4)燃烧优化控制模块基于实时CO浓度控制风量优化炉内燃烧效率，并把风量控制指令作为前馈预报输入还原剂总量控制模块；(5)根据实时工况数据，智能算法服务器通过模糊规则库判断实时的锅炉工况，并确定应采用的多工况预测模型以及各个预测模型所占权重，计算并调整还原剂母管泵频率或氨水调节总阀开度控制还原剂喷入总量；(6)根据实时工况数据，选择对应分区还原剂喷入量分布表，最终确定每个阀门的实时开度，实时调节各个分区还原剂喷入阀门的开度。2.根据权利要求1所述的锅炉燃烧
‑
脱硝过程协同优化控制方法，其特征在于：基于上述方法所构建的系统包括锅炉、脱硝装置及其辅助设施、在线监测设备、智能算法服务器和控制设备，所述智能算法服务器通过对象链接和嵌入过程控制服务与在线监测设备实现实时通讯，所述控制设备与智能算法服务器连接，根据智能算法服务器指令实施控制；所述在线监测设备的监测指标包括烟气出口温度、NOx浓度、CO浓度、一次风量、二次风量、烟气含氧量、煤量、还原剂母管流量泵频率、还原剂母管流量和各区域喷入阀门开度；在线监测设备具有历史数据和实时数据输入输出功能，并与智能算法服务器实现信息互通，实时反馈；所述还原剂包括不同浓度的氨水、尿素溶液和液氨；所述脱硝装置包括SCR和SNCR；
脱硝装置控制对象包括各个分区还原剂喷入阀门开度及还原剂母管泵频率。3.根据权利要求1所述锅炉燃烧
‑
脱硝过程协同优化控制方法，其特征在于步骤(1)具体包括以下步骤：步骤A1：采集锅炉不同负荷工况下的CO浓度，并采用反平衡方法计算燃烧效率，对数据进行预处理，输入长短期记忆神经网络模型进行训练，建立燃烧效率与CO浓度之间的长短期记忆神经网络模型；步骤A2：根据得到的燃烧效率与CO浓度之间的长短期记忆神经网络模型，确定燃烧效率高于均值时的CO浓度范围，设定上述CO浓度范围作为控制目标。4.根据权利要求3所述锅炉燃烧
‑
脱硝过程协同优化控制方法，其特征在于：步骤A1中，采用计算燃烧效率的公式如下：式中，η为燃烧效率，Q1为输出热量，Q
r
为输出热量，Q2为排烟热量，Q3为烟气带走一部分可燃气体所损失热量，Q4为煤粉与飞灰掺杂从而未参加燃烧所损失热量，Q5为炉墙、管道向四周环境热量，Q6为灰渣和冷却带走的热量；步骤A1中，对数据进行预处理的方法包括异常值剔除、CEMS吹扫时段剔除、平滑数据和标准化处理四个步骤；异常值剔除采用数据清洗的方式，将异常值删除，用相邻数据平均值代替；CEMS吹扫时段剔除采用数据清洗的方式，将CEMS吹扫信号接入后半小时的数据清除，以避免无效数据对模型训练的影响；平滑数据采取二维高斯滤波方法，具体公式如下：式中，G(x,y)为经过高斯滤波后的值，x,y为需要滤波的数据，σ为一个常数，决定高斯滤波函数的宽度；标准化处理采用min
‑
max标准化方法对预处理过的数据进行标准化；建立燃烧效率与CO浓度之间的长短期记忆神经网络模型的方法包括构建验证集与训练集和利用训练集训练神经网络模型，具体过程为：将处理过的数据随机分为验证集与训练集，利用训练集对长短期记忆神经网络模型进行训练，每次向长短期记忆神经网络模型的长短期记忆层输入训练集数据段，输出数据经过全连接层处理后继续输出至注意力层，再次经过另一个全连接层进行处理，得到根据CO浓度计算出的锅炉燃烧效率值；随后，将该值与锅炉实际燃烧效率值进行对比，反向传播误差，修正各全连接层的参数，重复该过程，得到所需的长短期记忆神经网络模型。5.根据权利要求4所述的锅炉燃烧
‑
脱硝过程协同优化控制方法，其特征在于步骤(2)具体包括以下步骤：步骤B1：对机组历史运行数据进行分析，根据锅炉负荷状态和负荷升降速率进行聚类分析，确定高、略高、中、略低、低负荷时锅炉的升、平、降负荷工况特征，用以下一步进行试验；其中，负荷状态为90～100％时为高负荷，70～90％时为略高负荷，50～70％时为中负荷...

【专利技术属性】
技术研发人员：郑成航，高翔，陈竹，张悠，谭畅，周灿，张涌新，吴卫红，姚龙超，杨洋，赵中阳，张霄，
申请(专利权)人：浙江大学嘉兴研究院，
类型：发明
国别省市：