基于浓度精准预测的脱硝装置喷氨精准控制系统与方法与流程

响应模型的参数；在现场调试时，工况发生变化，模型中主要改变的量为比例环节k
pi
， 而响应环节t
pi
及滞后环节t
di
基本保持不变；
38.步骤7：多模型预测控制模块基于满负荷、高负荷、中负荷、低负荷等不同负荷工 况段建立多个子区间预测模型，以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控制效果的稳定性；
39.步骤8：多模型预测控制模块在控制过程中将当前风量、煤量及脱硝装置入口nox 浓度输出值作为前馈根据当前负荷工况输入到到对应的子区间预测模型中，然后与动态 矩阵控制模型中的反馈校正模块一起对喷氨量进行前馈
‑
反馈协同控制，计算下一次控 制的喷氨优化量du，然后传递给脱硝控制对象以计算脱硝装置喷氨装置阀门开度及喷 氨泵频率，最后将经过喷氨控制后的出口nox浓度通过反馈校正模块重新进行下一步 的喷氨量du的计算，实现喷氨装置的精准控制。
40.作为优选，多模型预测控制模块采用根据炉膛出口温度进行欧式距离聚类的方式进 行工况划分，建立不同工况下的子区间模型。
41.作为优选，在阶跃响应模型建立阶段，通过带纯滞后的一阶惯性系统模型表示：
[0042][0043]
式中，k
pi
代表比例环节，t
pi
代表响应环节，t
di
代表纯滞后环节，x
i
(s)代表系统输 入，y(s)代表系统输出，g
i
(s)代表系统传递函数；
[0044]
采用动态惯性权重的改进型粒子群寻优算法获取各子区间带纯滞后的一阶惯性系 统的最优参数，寻找在划定的典型工况子区间下的多模型预测控制模块，动态惯性权重 调整的公式为：
[0045][0046]
式中，w为惯性权重，r为当前迭代次数，r
max
为最大迭代次数。
[0047]
作为优选，在每一个工况子区间模型运行区间，根据出口nox浓度相对于喷氨量、 总风量以及给煤量输入参数的实际比例、惯性及延迟参数对模型进行整定；出口nox 的设定值选取在35～45mg/m3。
[0048]
本发明的有益效果在于：
[0049]
本发明可以对脱硝装置入口nox浓度进行精准预测，再以前馈的形式输入到以动 态响应矩阵为内核的多变负荷工况下多模型预测控制模块中，克服了脱硝系统控制的大 惯性、大延迟性及强非线性；在大范围变负荷工况下，本发明在保证出口nox浓度达 标的情况下，大幅提高了脱硝装置喷氨量控制的经济性与稳定性。
附图说明
[0050]
图1是本发明脱硝装置入口nox浓度预测模型建立的流程图；
[0051]
图2是本发明的原理图；
[0052]
图3是本发明应用在某cfb电厂升负荷工况下控制效果图；
[0053]
图4是本发明应用在某cfb电厂降负荷工况下控制效果图；
[0054]
图5是本发明应用在某cfb电厂稳定负荷工况下控制效果图；
值；
[0067]
根据评价公式筛选出关联性强的输入特征，删除互信息值低的输入特征，保留高互 信息值的输入特征变量；
[0068]
(3)数据标准化处理：由于部分输入特征之间存在数量级的差距，为避免影响模 型权重更新速度，还需要对输入特征进行标准化，标准化后的特征分布是以0为均值， 1为标准差的正态分布；标准化处理公式如下：
[0069][0070]
式中，x为输入特征变量，μ为输入特征变量的均值，σ为输入特征变量的标准差；
[0071]
(4)小波变换确定特征量延时：由于控制模型确定的输入特征对入口no
x
浓度影 响具有时序性，因此引入“信号的时间
‑
尺度(时间
‑
频率)分析方法”，即引入小波变 换方法来确定输入/输出特征之间的延迟，消除由于仪器自身波动而引起的信号波动， 将原始数据库的数据与不同输入/输出特征建立联系，确定不同特征之间的响应时间差， 最终确定历史、实时数据与不同输入/输出特征之间的响应时间差，小波变换公式为：
[0072][0073]
式中，a为尺度因子，b为平移因子，＜f(t)，ψ
a，b
(t)>表示两个函数的内积，*表 示取共轭；
[0074]
(5)分析数据工况：对所选特征量的历史数据进行工况辨识，筛选出稳定工况、 吹扫工况以及变负荷工况，并针对变负荷工况根据给煤量进行聚类分段，聚类方式选取 欧氏距离聚类；
[0075]
考虑到不同锅炉、运行工况、煤质条件对锅炉nox排放特性影响较大，通过欧式 聚类方法分析可以代表锅炉运行特征的瞬时总给煤量，找到系统运行的若干典型工况， 针对多个典型工况划分子区间模型，(变工况lstm模型一、变工况lstm模型二、变 工况lstm模型三)基于此子区间模型开发大范围变负荷工况下入口nox浓度预测模 型；
[0076]
(6)选取lstm算法为基础进行建模，基于lstm神经网络原理建立脱硝装置入 口nox浓度预测模型，并确定预测时间步长(prediction time step)、回溯时间步长(look
‑
back time step)、隐含层数目(hidden layers)和隐含层节点数(hidden neural) 四个超参数；其中，预测时间步长由实际预测需求与准确度共同确定，回溯时间步长是 在相同的网络结构下通过预训练获得的最优解，隐含层数目和隐含层节点数采用粒子群 优化算法对网络隐藏层结构寻优获得；四个超参数确定后，即可建立脱硝装置入口nox 浓度预测模型；
[0077]
(7)建立基于lstm的脱硝装置入口nox浓度预测模型后，进行超参数的调整， 再进行模型准确度的验证。
[0078]
由此建立的离线lstm脱硝装置入口nox浓度预测模型具有较好的预测效果，能 够在大范围变负荷工况下对脱硝装置入口nox浓度进行精准提前预测，降低甚至消除 了由于cems表计延迟造成的滞后性。
[0079]
本发明针对锅炉脱硝装置入口nox浓度表计测量不准、滞后性大等问题，对锅炉 总给煤量的历史典型运行工况进行数据聚类，建立了适应锅炉变工况下的全局lstm神 经
况段建立多个子区间预测模型，以加权切换的方式保证在大范围变负荷工况下脱硝系统 出口nox控制效果的稳定性；
[0091]
步骤8：多模型预测控制模块在控制过程中将当前风量、煤量及脱硝装置入口nox 浓度输出值作为前馈，根据当前负荷工况输入到对应的子区间预测模型中，然后与动态 矩阵控制模型中的反馈校正模块一起对喷氨量进行前馈
‑
反馈协同控制，计算下一次控 制的喷氨优化量，然后传递给脱硝控制对象以计算脱硝装置喷氨装置阀门开度及喷氨泵 频率，最后将经过喷氨控制后的出口nox浓度通过反馈校正模块重新进行下一步的喷 氨量du的计算，实现喷氨装置的精准控制。
[0092]
多模型预测控制模块以动态矩阵控制为内核，通过各个输入参数的阶跃响应进行叠 加，对脱硝系统喷氨装置喷氨量进行控制。
[0093]
多模型预测控制模块根据炉膛出口温度进行欧式距离聚类的方式进行工况划分，建 立不同工况下的子区间模型。值得注意的是，不同子区间预测模型的各个输入参数的阶 跃响应是不同的，需要通过粒子群算法或现场调试进行参数整定。
[0094]
作为优选，在阶跃响应模型建立阶段，通过带纯滞后的一阶惯性系统模型表示：
[0095][0096]
式中，k
pi
代表比例环节，t
pi
代表响应环节，t
di
代表纯滞后环节，x
i
(s)代表系统输 入，y(s)代表系统输出，g
i
(s)代表系统传递函数；
[0097]
采用动态惯性权重的改进型粒子群寻优算法获取各子区间带纯滞后的一阶惯性系 统的最优参数，寻找在划定的典型工况子区间下的多模型预测控制模块，动态惯性权重 调整的公式为：
[0098][0099]
式中，w为惯性权重，r为当前迭代次数，r
max
为最大迭代次数。
[0100]
进一步地，在投入多模型预测控制模块的电厂实际在线控制中，应在每一个工况子 模型运行区间根据出口no
x
浓度相对于喷氨量、总风量以及给煤量等输入参数的实际 比例、惯性及延迟参数对模型进行整定，以期达到大范围变负荷工况下的最优控制效果。
[0101]
进一步地，出口no
x
的设定值选取在35～45mg/m3，以保证在不超过50mg/m3的 no
x
排放浓度限值的情况下，最大程度上减少喷氨量，提升脱硝系统喷氨经济性。
[0102]
本发明采用数据与机理结合的方法，通过分析影响nox生成的重要影响因素，选 取关键特征，基于长短期记忆神经网络(lstm)算法建立了在线脱硝装置入口nox 浓度测量修正模型，通过锅炉数据提前预测nox浓度，减小甚至消除cems浓度测量 滞后误差，实现了脱硝装置入口no
x
浓度的精准预测。
[0103]
在电厂在线控制过程中，入口nox浓度预测模型输出的入口nox浓度输出值与一 次风量、给煤量等反映锅炉侧燃烧变化的参数一起作为前馈实时输入到多模型预测控制 模块中，与动态矩阵模型的反馈校正模块一起对脱硝装置喷氨量进行协同控制，实现脱 硝装置喷氨量的精准控制。
[0104]
实施例2
[0105]
以某220t/h循环流化床煤粉炉的实际控制流程及短期、长期控制效果为例，详细
叙 述本

技术实现要素：

[0106]
(1)选取4个给煤量、2个一次风量、2个二次风量、10个炉床温度、2个炉膛出 口烟温、1个主蒸汽流量、1个烟气o2体积百分比共22个输入特征变量，基于最近两 个月的运行给煤量数据进行聚类，确定聚类中心为12.1t/h、18.0t/h、26.0t/h；经过数据 与处理后输入lstm模型中，选取预测时间步长为14，回溯时间步长为30，2层隐藏 层，每层128个隐藏层节点；以此超参数配置建立lstm模型进行脱硝装置入口nox 浓度预测；
[0107]
(2)确定动态矩阵控制模型的m＝1，p＝80，r＝5000，q＝0.05，前馈反馈比例为 0.01，采用改进粒子群寻优方法辨识各子区间模型的阶跃响应参数；对多模型预测控制 模块进行升负荷、降负荷、稳定负荷以及长时间控制效果验证，效果如图3～6所示。
[0108]
如图3所示，升负荷工况下，随着负荷的上升，原有控制方法下喷氨量相对较高， 氨逃逸现象较为严重；不同于原有控制方法，多模型预测控制模块具有对nox浓度预 测的功能，能够精准判断浓度变化趋势，其喷氨量随着锅炉负荷提升缓慢提高，并保证 氨逃逸量稳定处于较低水平；此外，本发明出口nox浓度波动范围较小，标准差相对 原有控制方法降低79.3％。
[0109]
如图4所示，在降负荷工况下，系统要求喷氨量逐步下降以降低出口氨逃逸的大小， 避免造成过度喷氨；在原有控制方法下，经过多次喷氨量的下调，出口nox浓度呈现 上升趋势，并且出现超标状态；多模型预测控制模块相比于原有控制方法出口nox浓 度的平均值更高、喷氨量下降更平滑，说明了在负荷下降的过程中，多模型预测控制模 块能够更明确地调节喷氨量，使得出口nox浓度维持在一定范围内。
[0110]
常规波动负荷工况下，在原有控制和多模型预测控制两种控制方法下，喷氨量、出 口nox浓度和氨逃逸随时间变化如图5所示；与原有控制相比，多模型预测控制模块 下喷氨量变化相对更加稳定；智能控制出口nox平均值更接近于浓度设定值 (40mg/m3)，且其波动较小，相较原有控制方法标准差减小了90.49％；这是因为多模 型预测控制模块具有预测效果，能够对入口nox浓度变化提前做出反应。
[0111]
在220t/h燃煤热电机组中，分别使用原有控制和多模型预测控制模块对此机组的典 型工况进行控制，由于锅炉的负荷根据供蒸汽的需求呈现昼高夜低的周期性变化，每 24小时为一完整周期，为验证长时间下的工作状况，选用48小时(两个完整周期)进 行主要参数的分析。图6展现了两种控制方式下，蒸汽量、喷氨量、氨逃逸率和出口 nox浓度的变化趋势。由图可见，原有控制与多模型预测控制模块的入口蒸汽量浓度 基本相同，证明其工况负荷也基本相同；但原有控制的喷氨量相对较大、氨逃逸率相对 较高、出口nox浓度波动明显；而多模型预测控制模块的喷氨量稳定在150l/h以下， 降低了脱硝过程中的氨水消耗量；同时氨逃逸率接近于零，避免了氨逃逸所造成的设备 腐蚀问题；出口nox浓度稳定在40mg/m3附近，幅度波动较小，这证明了多模型预测 控制模块能在保证出口nox浓度稳定的前提下，降低氨水使用量以及氨逃逸率，有助 于降低脱硝过程中的物耗并避免设备腐蚀。
[0112]
以上结合实施例对本发明进行了详细说明，但所述内容仅为本发明的具体实施方 式，但并不能因此而理解为对本发明专利范围的限制。应当指出的是，对于本领域的普 通技术人员来说，在不脱离本发明构思的前提下，凡依本发明申请范围所做出的若干变 形与改进等，均应仍属于本发明的专利涵盖范围之内。