基于深度学习的制造技术

本发明专利技术提出一种基于深度学习的

【技术实现步骤摘要】
基于深度学习的SCR脱硝系统低氨逃逸控制方法和系统


[0001]本专利技术涉及工业废气净化环保及能源领域，具体涉及一种基于深度学习的
SCR
脱硝系统低氨逃逸控制方法和系统
。

技术介绍

[0002]选择性催化还原
(SCR)
脱硝技术是目前火电机组应用最广
、
技术最成熟的烟气脱硝技术
。
由于能源结构转型，燃煤机组面临着灵活运行和超低排放的双重压力，机组快速深度变负荷更加频繁，而机组负荷的大幅变化会导致
SCR
脱硝系统入口烟气流场发生改变，同时会导致入口
NOx
质量浓度复杂多变和测量仪器响应滞后等问题，这无疑加大了机组实现
NOx
超低排放的难度
。
为保证
NOx
排放达标，只能过量喷氨，造成氨逃逸
。
氨逃逸除了增加脱硝成本外，逸出的氨气还会与烟气中的
SO3和
H2O
反应生成硫酸氢铵，造成空气预热的堵塞，给机组的安全运行带来负面影响
...

【技术保护点】

【技术特征摘要】
1.
一种基于深度学习的
SCR
脱硝系统低氨逃逸控制方法，其特征包括：步骤
1、
从分布式控制系统中获取
SCR
脱硝系统运行的历史数据，历史数据包括脱硝系统中传感器记录的装置运行状态
、
运行数据以及
NOx
浓度值，对
NOx
浓度记录值进行修正，确定
SCR
脱硝系统的延迟时间
m
，根据延迟时间
、
修正后的
NOx
浓度值
、
以及其他相关的运行数据构建训练数据，训练深度学习模型，实现出口
NOx
浓度的预测，预测步长是
m
；步骤
2、
利用出口
NOx
浓度预测模型实时预测
SCR
脱硝系统
t+m
时刻出口
NOx
的浓度预测值，并根据上一时刻浓度预测值与实际测量值的差值修正
t+m
时刻出口
NOx
的浓度预测值，实时对预测值进行修正；步骤
3、
根据修正的预测值，并结合电厂的经济效益构造多目标优化函数，利用差分进化算法求解多目标优化函数，得到
t+m
时刻的目标喷氨量，喷氨系统根据喷氨量完成脱硝
。2.
如权利要求1所述的基于深度学习的
SCR
脱硝系统低氨逃逸控制方法，其特征在于，修正分布式控制系统中记录的
NOx
浓度数据过程包括：判断历史数据中监测入口
NOx
浓度的
A
侧
CEMS
系统是否处于反吹状态，若是，则将
A
侧的记录值加上
B
侧
CEMS
系统监测的
NOx
浓度在
A
侧保持后的变化值，作为
A
侧反吹状态下的入口
NOx
浓度，否则
A
侧
CEMS
系统处于正常工作状态，直接选择
CEMS
系统监测的
NOx
浓度作为该
SCR
脱硝系统
A
侧的入口
NOx
浓度
。3.
如权利要求1所述的基于深度学习的
SCR
脱硝系统低氨逃逸控制方法，其特征在于，利用最大信息系数
MIC
确定该延迟时间
m
；；其中
I(X
；
Y)
为变量
X
和
Y
之间的互信息值，
p(X)、p(Y)
为边缘概率分布，
p(X,Y)
为联合概率分布，
B
要求设置为数据量的
0.6
次方；
X
为入口
NOx
浓度，
Y
为出口
NOx
浓度，依次递归的将
Y
值向上一时刻移动，每移动一次计算
X
与
Y
的
MIC
值，直至确定最大
MIC
值，其中最大的
MIC
值对应的移动次数即为该脱硝喷氨系统的延迟时间
m。4.
如权利要求1所述的基于深度学习的
SCR
脱硝系统低氨逃逸控制方法，其特征在于，该步骤2中修正该
t+m
时刻出口
NOx
浓度预测值的过程包括：
y
′
p(t+m)
＝
y
p(t+m)
+(y
(t)
‑
y
p(t)
)
式中
y
(t)
为当前时刻
t
的浓度实际测量值；
y
p(t)
为预测模型预测的当前时刻
t
的
NOx
浓度预测值；
y
p(t+m)
为预测模型预测的
t+m
时刻的
NOx
浓度预测值；
y
′
p(t+m)
为
t+m
时刻的
NOx
浓度的修正值；该步骤3中多目标优化函数为：
minJ
＝
W1(y
′
p(t+m)
‑
y
r
)2+W2(u
(t+m)
×
M1‑
N
×
M2)2式中：
y
r
为设定的出口
NOx
浓度值；
u
(t+m)
为
t+m
时刻的目标喷氨量；
M1为液氨价格；
N
为机组的发电量；
M2为电价补贴价格；
W1和
W2为权重系数；利用差分进化算法对多目标函数进行优化，确定
J
最小时对应的
u
(t+m)
。5.
一种基于深度学习的
SCR
脱硝系统低氨逃逸控制系统，其特征包括：初始模块，从分布式控制系统
DCS
中获取
SCR

【专利技术属性】
技术研发人员：徐莹莹，赵晓宏，徐海红，赵越，付云刚，
申请(专利权)人：生态环境部环境工程评估中心，
类型：发明
国别省市：