一种基于BP神经网络算法的SCR催化剂寿命预测方法与流程

一种基于bp神经网络算法的scr催化剂寿命预测方法
技术领域
1.本发明涉及一种基于bp神经网络算法的scr催化剂寿命预测方法，属于电厂脱硝技术领域。


背景技术：

2.目前，我国90％以上的燃煤电厂采用选择性催化还原法(scr)进行烟气脱硝，scr脱硝技术工艺技术成熟且脱硝效率更高，达80～95％，此外脱硝产物是无毒害的水和氮气，不会对环境造成危害。scr脱硝原理为一定温度及催化剂催化作用下，氨气等还原剂将烟气中的nox还原为氮气。
3.催化剂作为scr脱硝系统的核心组件，其活性决定了脱硝系统的脱硝性能。在复杂多变的工况条件下，催化剂活性因机械磨损、硫酸氢氨堵塞、化学中毒、烧结等因素将随着运行时间的增加而逐渐下降，直至失效，对失效的催化剂应当及时更换，才能保证脱硝系统的正常运行。因此掌握催化剂的活性变化，对于催化剂的管理十分关键。目前燃煤电厂在测定催化剂活性之前，首先需要对脱硝系统停机处理，再利用实验装置测定催化剂的活性。然而脱硝系统的停机将带来大气污染及系统运行成本增加等问题。
4.而现有的专利(201811344030.9)中通过分析各层催化剂的烟气参数建立数学模型，来预测催化剂寿命。然而由于燃煤电厂工况条件例如烟气条件、流场分布等复杂多变，每层催化剂测得的烟气参数波动性较大，因此输入数学模型的数据噪声大且准确性偏低，最终预测得到的催化剂活性准确性偏低；
5.专利(201910138858.7)中建立elman神经网络模型来预测催化剂活性变化，输入的变量为单一的时间变量。但是催化剂活性还受到其他烟气条件的影响，例如催化剂的硫酸氢氨堵塞问题是由于低温(《250℃)氨气与二氧化硫作用的结果；催化剂的化学中毒是由烟气中碱金属、重金属等成分造成的；催化剂的烧结失活是因为烟气温度(》500℃)过高造成的。因此仅考虑时间变量而忽略其他烟气条件对催化剂活性的影响，考虑因素不全面，导致最终催化剂活性预测准确性偏低；
6.专利(201710816952.4)中建立了由催化剂化学中毒失活函数、孔道堵塞失活函数、飞灰磨灭失活函数构成的催化剂失活模型，接着利用该失活模型预测催化剂活性。该项技术中催化剂的三个失活函数均需要在实验室条件下才能测定的参数，例如化学中毒失活函数需要测定单位运行时间内的毒物的沉积速率，这在电厂scr脱硝系统正常运行的条件下是无法得到的数据，必须经过系统停机后将催化剂取出，拿到实验室进行相关参数的确定。
7.催化剂活性预测模型输入的参数部分需要在实验室条件下测定，这要求电厂脱硝系统停机下才能完成；预测催化剂活性的变量单一，未全面地结合烟气参数来探究对催化剂活性的影响，造成催化剂活性预测结果不准确。
8.有鉴于上述的缺陷，本发明以期创设一种基于bp神经网络算法的scr催化剂寿命预测方法，使其更具有产业上的利用价值。


技术实现要素：

9.为解决上述技术问题，本发明的目的是提供一种基于bp神经网络算法的scr催化剂寿命预测方法。在确保脱硝系统不停机的前提下，从脱硝系统dsc数据中分析出影响催化剂活性的关键指标，利用bp神经网络算法来预测复杂烟气条件下的催化剂活性变化趋势，作为scr催化剂更换与寿命管理的理论依据。
10.本发明的一种基于bp神经网络算法的scr催化剂寿命预测方法，具体步骤为：
11.(1)原始数据的清洗与筛选；
12.(2)催化剂活性及各指标计算；
13.(3)基于spearman相关分析法确定影响催化剂活性的关键指标；
14.(4)基于bp神经网络算法预测催化剂活性变化趋势；
15.(5)预测结果分析。
16.进一步的，所述步骤(1)原始数据的清洗与筛选的方法是：
17.①
根据选定的参数范围，对范围以外的数据赋空白值；
18.②
利用“临近点中间值”方法对所有空缺值进行填补。
19.进一步的，所述步骤(2)催化剂活性及各指标计算包括：
20.①
脱硝效率(η)；
21.②
氨氮摩尔比(mr)；
22.③
催化剂活性(k)；
23.④
scr反应器烟气压力损失δp
scr
计算；
24.⑤
空预器烟气压力损失δp
空预器
计算。
25.进一步的，所述脱硝效率(η)的计算方法是按下述公式进行：
[0026][0027]
式中：c
nox，in
，c
nox，out
—scr反应器入口、出口no浓度(标态，干基，g/nm3)。
[0028]
进一步的，所述氨氮摩尔比(mr)的计算方法是按下述公式进行：
[0029][0030]
式中：mno2、mnh3—no2、nh3的摩尔质量(g/mol)；
[0031]cslip,nh3
—氨逃逸浓度(g/nm3)；
[0032]cnox
，nh3—scr反应器入口nox浓度(g/nm3)。
[0033]
进一步的，所述催化剂活性(k)的计算方法是按下述公式进行：
[0034][0035]
式中：av—面速度(m/h)；
[0036]
mr—氨氮摩尔比；
[0037]
η—脱硝效率；
[0038][0039]
式中：v—催化剂进口烟气流量(m3/h)；
[0040]
a—催化剂表面积(m2)。
[0041]
进一步的，所述scr反应器烟气压力损失δp
scr
计算方法是按下述公式进行：
[0042]
δp
scr
＝p
scr,in-p
scr,out
[0043]
式中：p
scr,in
—scr反应器入口压力值(atm)；
[0044]
p
scr,out
—scr反应器出口压力值(atm)。
[0045]
进一步的，所述空预器烟气压力损失δp
空预器
计算方法是按下述公式进行：
[0046]
δp
空预器
＝p
空预器,in-p
空预器,out
[0047]
式中：p
空预器,in
—空预器入口压力值(atm)；
[0048]
p
空预器,out
—空预器出口压力值(atm)。
[0049]
进一步的，所述步骤(3)中基于spearman相关分析法确定影响催化剂活性的关键指标的方法为：
[0050]
①
通过文献资料查阅及理论分析，初步建立影响催化剂活性的指标体系，包括11个指标，即运行时间、机组负荷、scr反应器入口烟气温度、烟气中so2浓度、scr反应器加氨量、scr反应器入口nox、scr反应器脱硝效率、scr反应器压力损失、空预器压力损失、scr反应器入口烟气流量、氨氮摩尔比；
[0051]
②
利用spearman相关分析法，得到11个指标两两间的相关性及其与催化剂活性的相关性，将相关系数在0.1～0.3定义为一般相关，0.3～0.7定义为较强相关，高于0.7定义为强相关，根据该筛选标准，对11个指标进行降维，经过筛选得到运行时间、机组负荷、scr反应器加氨量、scr反应器脱硝效率、空预器压力损失、scr反应器入口烟气流量等6个指标，作为预测催化剂活性的关键参数。
[0052]
进一步的，所述步骤(4)中基于bp神经网络算法预测催化剂活性变化趋势的方法是：
[0053]
①
输入的神经网络参数；
[0054]
②
采用3层bp神经网络进行预测，6个关键指标作为输入神经元，隐含神经元8个，输出神经元有1个。参见图1，为建立的催化剂活性bp神经网络结构。
[0055]
借由上述方案，本发明至少具有以下优点：
[0056]
本发明基于bp神经网络算法的scr催化剂寿命预测方法对脱硝系统dcs数据进行数据挖掘，得到催化剂活性的关键指标，利用bp神经网络算法来更准确预测催化剂活性变化趋势，为脱硝系统的催化剂管理提供理论依据，预测结构准确，无需电厂脱硝系统停机操作，不影响电厂正常工作。
[0057]
上述说明仅是本发明技术方案的概述，为了能够更清楚了解本发明的技术手段，并可依照说明书的内容予以实施，以下以本发明的较佳实施例并配合附图详细说明如后。
附图说明
[0058]
为了更清楚地说明本发明实施例的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本发明的某个实施例，因此不应被看作是对
范围的限定，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他相关的附图。
[0059]
图1是本发明建立的催化剂活性bp神经网络结构示意图；
[0060]
图2是本发明预测结果分析折线图。
具体实施方式
[0061]
下面结合附图和实施例，对本发明的具体实施方式作进一步详细描述。以下实施例用于说明本发明，但不用来限制本发明的范围。
[0062]
本发明基于bp神经网络算法的scr催化剂寿命预测方法，包括：
[0063]
(1)原始数据的清洗与筛选
[0064]
①
根据选定的参数范围，对范围以外的数据赋空白值；
[0065]
②
利用“临近点中间值”方法对所有空缺值进行填补。
[0066]
(2)催化剂活性及各指标计算
[0067]
①
脱硝效率(η)
[0068][0069]
式中：c
nox，in
，c
nox，out
—scr反应器入口、出口no浓度(标态，干基，g/nm3)
[0070]
②
氨氮摩尔比(mr)
[0071][0072]
式中：mno2、mnh3—no2、nh3的摩尔质量(g/mol)；
[0073]cslip,nh3
—氨逃逸浓度(g/nm3)；
[0074]cnox
，nh3—scr反应器入口nox浓度(g/nm3)
[0075]
③
催化剂活性(k)
[0076][0077]
式中：av—面速度(m/h)；
[0078]
mr—氨氮摩尔比；
[0079]
η—脱硝效率.
[0080][0081]
式中：v—催化剂进口烟气流量(m3/h)；
[0082]
a—催化剂表面积(m2).
[0083]
④
scr反应器烟气压力损失δp
scr
计算
[0084]
δp
scr
＝p
scr,in-p
scr,out
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(5)
[0085]
式中：p
scr,in
—scr反应器入口压力值(atm)；
[0086]
p
scr,out
—scr反应器出口压力值(atm)。
[0087]
⑤
空预器烟气压力损失δp
空预器
计算
[0088]
δp
空预器
＝p
空预器,in-p
空预器,out
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(6)
[0089]
式中：p
空预器,in
—空预器入口压力值(atm)；
[0090]
p
空预器,out
—空预器出口压力值(atm)；
[0091]
(3)基于spearman相关分析法确定影响催化剂活性的关键指标
[0092]
①
通过文献资料查阅及理论分析，初步建立影响催化剂活性的指标体系，包括11个指标，即运行时间、机组负荷、scr反应器入口烟气温度、烟气中so2浓度、scr反应器加氨量、scr反应器入口nox、scr反应器脱硝效率、scr反应器压力损失、空预器压力损失、scr反应器入口烟气流量、氨氮摩尔比。
[0093]
②
利用spearman相关分析法，得到11个指标两两间的相关性及其与催化剂活性的相关性，将相关系数在0.1～0.3定义为一般相关，0.3～0.7定义为较强相关，高于0.7定义为强相关，根据该筛选标准，对11个指标进行降维，经过筛选得到运行时间、机组负荷、scr反应器加氨量、scr反应器脱硝效率、空预器压力损失、scr反应器入口烟气流量等6个指标，作为预测催化剂活性的关键参数。
[0094]
(4)基于bp神经网络算法预测催化剂活性变化趋势
[0095]
①
输入的神经网络参数
[0096][0097]
②
采用3层bp神经网络进行预测，6个关键指标作为输入神经元，隐含神经元8个，输出神经元有1个。参见图1，为建立的催化剂活性bp神经网络结构。
[0098]
(5)预测结果分析
[0099]
根据预测的催化剂活性随时间的变化趋势，参见图2，能够判断出催化剂活性整体上呈现下降趋势。
[0100]
以上所述仅是本发明的优选实施方式，并不用于限制本发明，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明技术原理的前提下，还可以做出若干改进和变型，这些改进和变型也应视为本发明的保护范围。