一种基于深度神经网络的火电机组脱硝控制方法技术

一种基于深度神经网络的火电机组脱硝控制方法，属于热工自动控制领域，本发明专利技术根据火电机组锅炉燃烧系统、尿素热解系统及SCR系统的运行历史数据，利用深度神经网络建立锅炉总煤量、煤质系数、尿素热解炉温度、SCR入口烟气温度、烟气流量等对净烟气NOx浓度的模型，并依据模型计算所需尿素流量，以此实现净烟气NOx浓度精准调节和提高脱硝过程经济性。本发明专利技术提供的建模方法所需调整参数少，实用性强，并提高了模型的精确性。高了模型的精确性。高了模型的精确性。

【技术实现步骤摘要】
一种基于深度神经网络的火电机组脱硝控制方法


[0001]本专利技术涉及电力系统的自动控制领域，特别涉及一种基于深度神经网络的火电机组脱硝控制方法。

技术介绍

[0002]随着燃煤电站烟气排放标准的提高，为了保证脱硝效率同时避免过量喷氨，需要对SCR脱硝系统的喷氨量进行精确控制，而建立准确的SCR系统模型是优化控制的前提。同时为减少氨站对电厂安全性的影响，电厂大多选择将液氨控制改为尿素控制，这也使得控制过程更加复杂。
[0003]火电机组中广泛采用选择性催化还原(SCR)烟气脱硝系统，但SCR烟气脱硝方式存在大延迟、大惯性的特点，传统的PID控制器难以实现机组工况发生较大变化时喷氨量的精确控制，导致喷氨不足NOx排放过量或喷氨过多造成二次污染。如何在脱硝系统特性的基础上建立准确动态喷氨量计算模型，是亟需解决的问题。因此本申请提出一种利用深度神经网络的脱硝系统建模和控制方法。

技术实现思路

[0004]为了解决以上问题，本申请提出一种基于深度神经网络的火电机组脱硝控制方法，在脱硝系统特性的基础上建立准确动态喷氨量计算模型。
[0005]为实现上述目的，本专利技术采取的技术方案是：
[0006]本专利技术提供一种基于深度神经网络的火电机组脱硝控制方法，包括以下步骤，其特征在于：
[0007]步骤1：根据历史数据筛选得到深度神经网络训练数据；
[0008]步骤2：设置深度神经网络训练所需参数；
[0009]步骤3：训练完成后输入实时数据并根据净烟气NOx浓度设定得到预测的尿素流量；
[0010]步骤4：根据步骤3的预测结果作为尿素流量阀门开度PID设定值，计算阀门开度。
[0011]作为本专利技术进一步改进，所述步骤1具体步骤如下：
[0012]训练输出为预测的尿素流量，所述训练数据选取时间间隔为1s，当单侧入口NOx浓度测点维护时，将另一侧变化增量叠加到维护的一侧以弥补测点维护带来的数据丢失。
[0013]作为本专利技术进一步改进，所述步骤1具体步骤如下：
[0014]所述训练数据包括机组负荷、锅炉总煤量、煤质矫正系数、尿素热解炉温度、烟气流量、 SCR入口烟气温度、左/右侧SCR入口NOx浓度、净烟气NOx浓度设定值和实际值。
[0015]作为本专利技术进一步改进，所述步骤2具体步骤如下：
[0016]所述建模过程使用的深度神经网络类型为递归神经网络。
[0017]作为本专利技术进一步改进，所述步骤2递归神经网络具体结构为，结构为1层输入层、3 层隐藏层和输出层。
[0018]作为本专利技术进一步改进，所述输入层节点数10个，隐藏层节点为20个，输出层节点为 1个。
[0019]作为本专利技术进一步改进，训练时设置神经网络的学习率α＝1
×
10
‑5。
[0020]作为本专利技术进一步改进，所述隐藏层神经元输出范围为[
‑
80,80]。
[0021]作为本专利技术进一步改进，所述步骤4具体步骤如下：
[0022]步骤4中通过步骤3的模型输入相关参数，将输出是尿素流量叠加净烟气NOx浓度偏差经过纯积分器校正的输出，得到尿素流量的设定值，经过尿素流量阀门PID控制器后得到尿素阀门开度指令。
[0023]作为本专利技术进一步改进，所述步骤3输入相关参数包括机组负荷、锅炉总煤量、煤质矫正系数、尿素热解炉温度、烟气流量、SCR入口烟气温度、SCR入口NOx浓度、净烟气NOx浓度设定值。
[0024]与现有技术相比，本专利技术的有益效果为：
[0025]本专利技术所述的方法，利用深度递归神经网络经过训练后建立准确的净烟气出口NOx浓度预测模型，可以克服当前火电机组尿素脱硝过程的众多干扰，在此基础上建立了净烟气NOx 浓度的控制策略。控制算法简单，在线计算量小，易于工程实践。
附图说明
[0026]图1是火电机组尿素脱硝系统控制示意图；
[0027]图2是深度神经网络训练结果；
[0028]图3是优化后脱硝系统净烟气NOx变化对比。
具体实施方式
[0029]下面结合附图与具体实施方式对本专利技术作进一步详细描述：
[0030]图1为火电机组尿素脱硝系统控制示意图，主要包括以下步骤：
[0031]一种基于深度神经网络的火电机组脱硝控制方法，包括以下步骤：
[0032]步骤1：根据历史数据筛选得到深度神经网络训练数据；训练数据包括机组负荷、锅炉总煤量、煤质矫正系数、尿素热解炉温度、烟气流量、SCR入口烟气温度、左/右侧SCR入口 NOx浓度、净烟气NOx浓度设定值和实际值，训练输出为预测的尿素流量。所述训练数据选取时间间隔为1s。当单侧入口NOx浓度测点维护时，将另一侧变化增量叠加到维护的一侧以弥补测点维护带来的数据丢失。
[0033]步骤2：设置深度神经网络训练所需参数；所述建模过程使用的深度神经网络类型为递归神经网络，结构为1层输入层、3层隐藏层和输出层，其中输入层节点数10个，隐藏层节点为20个，输出层节点为1个。训练时设置神经网络的学习率α＝1
×
10
‑5，激活函数为tanh 函数。
[0034]步骤3：训练完成后输入实时数据并根据净烟气NOx浓度设定得到预测的尿素流量；
[0035]步骤4：根据步骤3的预测结果作为尿素流量阀门开度PID设定值，计算阀门开度。步骤4中通过步骤3的模型输入机组负荷、锅炉总煤量、煤质矫正系数、尿素热解炉温度、烟气流量、SCR入口烟气温度、SCR入口NOx浓度、净烟气NOx浓度设定值，将输出是尿素流量叠
加净烟气NOx浓度偏差经过纯积分器校正的输出，得到尿素流量的设定值，经过尿素流量阀门PID控制器后得到尿素阀门开度指令。
[0036]以某电厂660MW机组为例，利用过去14天的历史数据进行训练，总负荷范围为 330MW
‑
660MW，期间均为运行人员手动操作，隐藏层神经元输出范围为[
‑
80,80]，神经网络学习率为0.00001。训练结果如图2所示。
[0037]纯积分器积分时间为1500s，PID参数为Kp＝0.02,Ti＝80,Kd＝0。优化后的效果如图3所示：
[0038]优化后，机组在330～660MW负荷区段运行，在NOx控制上，虽然变负荷过程中，同样存在NOx浓度的波动，但是回调速度较快，90％以上的时间均保持在40mg/Nm3设定值附近运行，稳定且无超排，全天均值为42.1mg/Nm3，氨逃逸下降明显，有利于机组节约尿素量并减少由于氨逃逸高引起的空预器堵塞的风险。
[0039]以上所述，仅是本专利技术的较佳实施例而已，并非是对本专利技术作任何其他形式的限制，而依据本专利技术的技术实质所作的任何修改或等同变化，仍属于本专利技术所要求保护的范围。
本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于深度神经网络的火电机组脱硝控制方法，包括以下步骤，其特征在于：步骤1：根据历史数据筛选得到深度神经网络训练数据；步骤2：设置深度神经网络训练所需参数；步骤3：训练完成后输入实时数据并根据净烟气NOx浓度设定得到预测的尿素流量；步骤4：根据步骤3的预测结果作为尿素流量阀门开度PID设定值，计算阀门开度。2.根据权利要求1所述一种基于深度神经网络的火电机组脱硝控制方法，其特征在于：所述步骤1具体步骤如下：训练输出为预测的尿素流量，所述训练数据选取时间间隔为1s，当单侧入口NOx浓度测点维护时，将另一侧变化增量叠加到维护的一侧以弥补测点维护带来的数据丢失。3.根据权利要求2所述一种基于深度神经网络的火电机组脱硝控制方法，其特征在于：所述步骤1具体步骤如下：所述训练数据包括机组负荷、锅炉总煤量、煤质矫正系数、尿素热解炉温度、烟气流量、SCR入口烟气温度、左/右侧SCR入口NOx浓度、净烟气NOx浓度设定值和实际值。4.根据权利要求1所述一种基于深度神经网络的火电机组脱硝控制方法，其特征在于：所述步骤2具体步骤如下：所述建模过程使用的深度神经网络类型为递归神经网络。5.根据权利要求4所述一种基于深度神经网络的火电机组脱硝控制方法，其特征在...

【专利技术属性】
技术研发人员：蒋荣，杨远忠，张磊，成丽波，邓继军，
申请(专利权)人：南京英纳维特自动化科技有限公司，
类型：发明
国别省市：