一种基于自编码的脱硝预测控制方法与流程

1.本发明涉及脱硝系统控制领域，具体涉及一种脱硝预测控制方法。


背景技术：

2.随着环保意识的提高,火电厂氮氧化物的排放问题引起了社会的关注。选择性催化还原方法(selective catalytic reduction,scr)普遍采用于火电厂的脱硝系统中,喷氨量的控制是脱硝系统的关键问题,若不能得到有效控制,不仅影响火电厂脱硝效率,而且氨逃逸有可能会造成二次污染。
3.现有针对喷氨量的控制大多根据系统参数对入口no
x
浓度进行预测，由此进行喷氨调控，此调控方式不够精确且存在一定的迟滞，对喷氨的调节不够精准。


技术实现要素：

4.本发明的目的是为了解决现有技术中存在的缺陷，提供一种能为喷氨装置提供精准前馈的控制方法。
5.为了达到上述目的，本发明提供了一种基于自编码的脱硝预测控制方法，包括以下步骤：
6.(1)对入口no
x
的历史数据进行工况识别，通过smoothed z-score algorithm算法，最终输出入口no
x
状态信息y；
7.(2)对输入特征变量进行标准化处理；所述输入特征变量包括各给煤机的给煤量、一次风量、二次风量、负荷指令、省煤器出口氧、炉膛出口烟温，用x表示，x＝{x1,x2,
···
xn}；
8.(3)利用滑动窗口相关法将标准化后的输入特征变量x和入口no
x
状态信息y的时间对齐，获得编码后的样本；
9.(4)利用随机森林对编码后的样本进行训练，获得入口no
x
趋势预测模型；
10.(5)脱硝系统投运时，根据输入特征变量的实时数据，结合入口no
x
趋势预测模型，获得入口no
x
状态信息，最终输出前馈氨量，加上反馈氨量之和，获得最终氨量，由此通过dcs中氨量转阀门模块，输出阀门的开度，进行喷氨量的控制。
11.本发明通过对输入特征变量和入口no
x
(浓度)状态信息进行标准化，获得编码后的样本，通过随机森林训练获得预测模型，提前预测脱硝装置入口no
x
变化趋势，从而为脱硝装置喷氨装置提供精准的前馈。
12.其中，步骤(1)中入口no
x
状态信息最终输出包括1、0、-1，分别表示入口no
x
突增、入口no
x
平稳、入口no
x
突降三种工况状态。步骤(1)中对入口no
x
的历史数据进行工况识别，首先采用z-score对入口no
x
进行标准化，y
*
＝y-μσ，其中y为入口no
x
，μ为入口nox均值，σ为入口nox的标准差，y
*
为标准化后的入口no
x
；选择时间窗口t为滑动窗口，设置相应的阈值k1、k2使其能够准确的判定入口no
x
中的状态信息，通过smoothed z-score algorithm算法，最终输出的是入口no
x
状态信息，用1，0，-1分别表示入口no
x
突增、入口no
x
平稳、入口no
x
突降
三种状态，可用符号y表示，y∈{-1,0,1}；所述阈值k1、k2分布为2、-2。
13.步骤(2)中对输入特征变量进行标准化处理，处理公式如下：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。
14.步骤(3)中滑动窗口相关法，相关性公式为：其中cov(x,y)为x与y的协方差，var[x]为x的方差，var[y]为y的方差；对于每个输入特征变量与输出特征变量的滑动窗口相关性法的评价函数为ji＝max(ρ(xi,y))，对每一个输入特征变量xi向后延迟ti个时间窗口，使得ji最大。
[0015]
步骤(4)的随机森林训练，在不纯度的衡量指标中，选择基尼系数作为衡量指标，其式：式中k为随机森林需要分的类数，pk为样本属于第k类的概率。
[0016]
步骤(5)中喷氨前馈量的计算公式为：式中：g为锅炉烟气量(m3/h)，n为scr入口no
x
，α为氨分子量，其值为17，β为no分子量，其值为30，τ为no2折算系数，其值为1.05，θ为脱硝效率，其值为90％；结合入口no
x
趋势预测模型的输出，最终输出前馈氨量为w
*
＝(k
×
y 1)w，其中k为预测系数，y为由入口nox趋势预测模型输出入口no
x
状态信息。
[0017]
步骤(5)中反馈氨量采用增量式pid模型，其公式式中δu(n)为下次需要变化的氨量，k
p
为比例系数，ti为积分系数，td为微分系数，e(n)，e(n-1)，e(n-2)为n，n-1，n-2时刻出口nox与出口nox设定值得偏差；其中优选的，k
p
为0.98，ti为0.02，td为0.001。
[0018]
在部分实施例中，作为优选的，入口no
x
趋势预测模型在运行过程中，定期进行样本的自编码及模型训练，进行动态模型参数的自动更新。
[0019]
本发明通过对历史数据进行样本自编码，并定期为预测模型进行自更新，从而克服脱硝系统中的大迟滞、非线性的问题。
[0020]
本发明相比现有技术具有以下优点：
[0021]
本发明可以对脱硝装置入口no
x
浓度进行趋势预测，同时通过历史数据进行样本自编码以及定期对模型进行在线更新，系统具有很强的稳定性，克服了脱硝系统控制的大惯性、大延迟性及强非线性；特别是在火电厂深度调峰的情况下，能够大幅度的提高脱硝装置的稳定性，降低脱硝系统下游氨逃逸，降低氨耗量，进而降低电厂的运行成本。
[0022]
在大范围变负荷工况下，本发明在保证出口no
x
浓度达标的情况下，能极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
[0023]
图1为本发明脱硝预测控制流程图；
[0024]
图2为样本自编码流程；
[0025]
图3为本发明预测控制方法前后效果对比。
具体实施方式
[0026]
下面结合附图对本发明进行详细说明。
[0027]
针对某1000mw负荷燃煤机组，对于基于自编码的脱硝预测控制系统实施流程图1所示，对历史数据进行样本自编码操作，获得原始样本。如图2所示，样本自编码操作步骤如下：
[0028]
1、入口no
x
工况识别
[0029]
对入口no
x
的历史数据(入口no
x
浓度数据)进行工况识别，将其分为入口no
x
平稳、入口no
x
突增、入口no
x
突降三种工况类型。对于入口no
x
的历史数据进行工况识别的采用smoothed z-score algorithm算法，主要思路是利用过去一段时间窗口的数据经过平滑后对下一个节点的状态进行识别，若超出阈值k1为突增状态，低于阈值k2为突降状态，介于k1和k2之间则为平稳状态。首先对入口no
x
进行标准化，使用z-score进行标准化，其公式为：y
*
＝y-μσ，其中y为入口no
x
，μ为入口no
x
均值，σ为入口no
x
的标准差，y
*
为标准化后的入口no
x
；选择时间窗口t为滑动窗口，设置相应的阈值k1、k2使其能够准确的判定入口no
x
中的状态信息，通过smoothed z-score algorithm算法，最终输出的是入口no
x
状态信息，用1，0，-1分别表示入口no
x
突增、入口no
x
平稳、入口no
x
突降三种状态，可用符号y表示，y∈{-1,0,1}。在本实例中，根据大量的历史工况数据，设定合适的阈值：k1、k2设置成2，-2。
[0030]
2、输入特征变量标准化处理
[0031]
从no
x
产生的机理分析炉膛运行状况，选取影响no
x
生成的参数作为模型的输入特征量，对输入特征进行标准化，标准化处理公式如下：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。作为优选，输入特征变量包括各给煤机的给煤量、一次风量、二次风量、负荷指令、省煤器出口氧、炉膛出口烟温，用负荷x表示，x＝{x1,x2,
···
xn}。
[0032]
3、输入特征变量x与输出变量y之间的时间对齐
[0033]
为了消除输入特征变量x与输出变量y之间的时间延迟，利用滑动窗口相关性法来确定其时间延迟窗口，相关性的公式为：其中cov(x,y)为x与y的协方差，var[x]为x的方差，var[y]为y的方差。由于输入特征变量x与输出变量y之间即有可能是正相关又有可能是负相关，因此对于滑动窗口相关性法中使用的是ρ(x,y)的绝对值，用|ρ(x,y)|表示，对于每个输入特征变量与输出特征变量的滑动窗口相关性法的评价函数为ji＝max(|ρ(xi,y)|)，对每一个输入特征变量xi向后延迟ti个时间窗口，使得ji最大。
[0034]
根据自编码样本进行no
x
趋势预测，如图1所示。入口样本的自编码完成后，利用随机森林训练出入口no
x
趋势预测模型的专家模型参数，因为输入变量是多维度的特征，为了使随机森林分类的更加准确，在不纯度的衡量指标中，选择基尼系数作为衡量指标，其式：式中k为随机森林需要分的类数，pk为样本属于第k类的
概率，本实例中，k为3。训练好的随机森林模型，通过实时输入特征变量x就能准确的输出入口no
x
的趋势状态信息。对于本发明控制方法首次部署时由自编码获得的样本为原始样本，因此其模型训练出来的样本为专家库模型参数。
[0035]
对于喷氨前馈量的计算采用经验法，其公式为式中：g为锅炉烟气量(m3/h)，n为scr入口no
x
，α为氨分子量，其值为17，β为no分子量，其值为30，τ为no2折算系数，其值为1.05，θ为脱硝效率，其值为90％。结合入口no
x
趋势预测控制器的输出，最终输出前馈氨量为w
*
＝(k
×
y 1)w，其中k为预测系数，y为由入口no
x
趋势预测模型输出的入口no
x
状态信息，在本案例中k为0.1。
[0036]
对于反馈的氨量采用pid控制，采用的是增量式pid模型，其公式式中δu(n)为下次需要变化的氨量，k
p
为比例系数，ti为积分系数，td为微分系数，e(n)，e(n-1)，e(n-2)为n，n-1，n-2时刻出口no
x
与出口no
x
设定值得偏差，在本实施案例中k
p
为0.98，ti为0.02，td为0.001。
[0037]
因此对于最终的氨量是前馈氨量和反馈氨量之和，wf＝w
*
δu(n)，最终通过dcs中氨量转阀门模块，输出阀门的开度。
[0038]
入口no
x
趋势预测模型定期进行自更新，即在运行过程中进行自动编码并且自动训练，并对模型进行自动选择效果好的模型。定期的进行样本的自编码并且进行模型的训练，所得到的模型参数即为图1所示动态更新模型参数，与之对应的有硝预测控制系统投运时的模型参数称为专家库模型参数，动态模型参数会根据设定周期进行动自动更新。在本案例中，模型的自更新系统时间周期为一周，即模型的自更新系统会将最新一周的历史进行自编码以及模型参数的训练，最终获得动态模型参数。由专家库模型参数会一直输出no
x
输出状态，但是模型会根据它与动态更新模型参数输出的no
x
输出状态的准确度的高低选择最终输出结果。
[0039]
效果实施例
[0040]
为验证本发明预测控制方法在1000mw负荷燃煤机组的投运效果，对比其投运前后的脱硝性能，分别从单位电量单位nox的尿素耗量(g/(kw
·h·
mg/m3))、氨逃逸浓度(ppm)、净烟气nox小时均值(mg/m3)三个维度进行比较。图3所示，在实施本发明后，单位电量单位nox的尿素耗量由投运前的0.0023下降到投运后的0.0019(g/(kw
·h·
mg/m3))，下降了17.4％；氨逃逸浓度由投运前的5.23下降到投运后的1.76(ppm)，下降了66.3％；净烟气nox小时均值由投运前的16.5下降到投运后的10.3(mg/m3)，下降了37.6％。