一种基于深度神经网络的火电机组脱硫控制方法与流程

1.本发明涉及电力系统的自动控制领域，尤其是一种基于深度神经网络的火电机组脱硫控制方法。


背景技术：

2.随着国家对环保工作的日益重视,环境标准也日益提高,对于火电厂烟气脱硫装置的运行维护也提出了更高的要求。火电厂脱硫岛系统(fgd)投入使用后还需要大量的运行维护费用。在当前国内火电机组燃烧煤种多变、负荷峰谷差明显的运行环境下,也对fgd系统的控制性能提出了更高的要求。在满足环保考核要求的前提下,通过优化控制系统的调整，使整体fgd脱硫系统始终保持在最佳运行工况，是fgd优化控制系统的核心任务。
3.目前存在的主要问题是出口so2浓度的控制主要依靠人工完成，调节的稳定性较差，出现过度调节和污染物排放短时超限的情况。运行人员工作量较大，由于运行人员水平的差异造成系统运行风险较大，造成不必要的设备运行成本增加，急需要优化fgd系统的控制策略和方法，以实现fgd系统稳定和高效运行。随着净烟气出口so2浓度控制品质的提高，可以降低石灰石粉耗量，并减少超标排放的发生几率，对企业带来良好的经济效益和社会效益，应用前景十分广阔。


技术实现要素：

4.本发明的目的在于克服上述背景技术中提及的不足，提供一种基于深度神经网络的火电机组脱硫控制方法，具体由以下方案实现：
5.一种基于深度神经网络的火电机组脱硫控制方法，其特征在于，包括以下步骤：
6.步骤1：根据历史数据筛选得到深度神经网络训练数据；
7.步骤2：设置深度神经网络训练所需参数；
8.步骤3：训练完成后输入实时数据得到预测的净烟气so2；
9.步骤4：根据步骤3的结果控制石灰石浆液流量。
10.作为本发明的进一步改进，步骤1的训练数据包括机组负荷、烟气流量、原烟气so2浓度、定频浆液循环泵运行台数或变频浆液循环泵的电流、吸收塔ph值和石灰石浆液流量，训练输出为预测的净烟气so2浓度。所述训练数据选取时间间隔在5s以内。
11.作为本发明的进一步改进，深度神经网络类型为递归神经网络，结构为1层输入层、6层隐藏层和输出层，其中输入层节点数6个，隐藏层节点为18个，输出层节点为1个，激活函数为tanh、神经元输出范围为[-100,100]。
[0012]
作为本发明的进一步改进，步骤4中通过步骤3中得到的预测净烟气so2浓度和实际净烟气so2浓度加权，加权后净烟气so2浓度进入pid控制器进行控制，pid输出石灰石浆液流量，之后利用权利要求3中深度神经网络根据pid输出及其他数据实时预测净烟气so2浓度。其中加权值随总负荷增加逐渐减少，范围为0.5-0.8，具体加权方式如式(1)所示：
[0013]
加权后so2＝so2 max(1.3-ne/ne0,0.5)rso
2,pre
(1)。
[0014]
有益效果
[0015]
本发明所述的方法，分层计算可以获得更加合理的动态设定值，受限预测控制还具有较强的追踪能力和对不同控制速率的适应能力，可以克服当前火电机组协调控制的众多约束，预测控制算法还可以克服大惯性纯滞后环节，有效解决协调控制对象大滞后，多变量强耦合的问题。下层的改进受限广义预测控制的控制算法改进了约束限制，算法简单，在线计算量小，易于工程实践。
附图说明
[0016]
图1为火电机组协调系统建模示意图。
[0017]
图2优化前后脱硫系统净烟气so2变化对比，其中上图为优化后的，下图为优化前的。
具体实施方式
[0018]
下面结合附图和具体实施方案对本发明作进一步说明。
[0019]
图1为火电机组协调系统建模示意图，一种基于深度神经网络的火电机组脱硫控制方法，包括以下步骤：
[0020]
步骤1：根据历史数据筛选得到深度神经网络训练数据；
[0021]
步骤2：设置深度神经网络训练所需参数；
[0022]
步骤3：训练完成后输入实时数据得到预测的净烟气so2；
[0023]
步骤4：根据步骤3的结果调整石灰石浆液流量。
[0024]
在本实施例中，步骤1的训练数据包括机组负荷、烟气流量、原烟气so2浓度、定频浆液循环泵运行台数或变频浆液循环泵的电流、吸收塔ph值和石灰石浆液流量，训练输出为预测的净烟气so2浓度。所述训练数据选取时间间隔在5s以内。
[0025]
在本实施例中，深度神经网络类型为递归神经网络，结构为1层输入层、6层隐藏层和输出层，其中输入层节点数6个，隐藏层节点为18个，输出层节点为1个，激活函数为tanh、神经元输出范围为[-100,100]。
[0026]
在本实施例中，步骤4中通过步骤3中得到的预测净烟气so2浓度和实际净烟气so2浓度加权，加权后净烟气so2浓度进入pid控制器进行控制，pid输出石灰石浆液流量，之后利用权利要求3中深度神经网络根据pid输出及其他数据实时预测净烟气so2浓度。其中加权值随总负荷增加逐渐减少，范围为0.5-0.8。
[0027]
加权后so2＝so2 max(1.3-ne/ne0,0.5)
·
so
2,pre
。
[0028]
以某电厂为例，ne0＝1320机组共运行2台定频浆液循环泵，利用过去14天的历史数据进行训练，期间均为运行人员手动操作，隐藏层神经元输出范围为[-100,100]，神经网络学习率为0.00012。pid参数为kp＝0.06,ti＝800,kd＝0。优化后的效果如图2所示：
[0029]
优化后，在so2控制上，虽然变负荷过程中，同样存在so2浓度的波动，但是回调速度较快，90％以上的时间均保持在22～32mg/nm3的范围内运行，稳定且无超排风险，全天均值为26mg/nm3；在ph值控制上，机组平均运行ph范围为4.9～5.5，ph值下降明显，有利于机组的石膏品质提升。


技术特征：
1.一种基于深度神经网络的火电机组脱硫控制方法，其特征在于，包括以下步骤：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得到预测的净烟气so2；步骤4：根据步骤3的结果调整石灰石浆液流量。2.根据权利要求1所述的一种基于深度神经网络的火电机组脱硫控制方法，其特征在于：所述步骤1的训练数据包括机组负荷、烟气流量、原烟气so2浓度、定频浆液循环泵运行台数或变频浆液循环泵的电流、吸收塔ph值和石灰石浆液流量，训练输出为预测的净烟气so2浓度；所述训练数据选取时间间隔在5s以内。3.根据权利要求1所述的一种基于深度神经网络的火电机组脱硫控制方法，其特征在于：所述深度神经网络类型为递归神经网络，结构为1层输入层、6层隐藏层和输出层，其中输入层节点数6个，隐藏层节点为18个，输出层节点为1个。4.根据权利要求1所述的一种基于深度神经网络的火电机组脱硫控制方法，其特征在于：所述步骤4中通过步骤3中得到的预测净烟气so2浓度和实际净烟气so2浓度加权，加权后净烟气so2浓度进入pid控制器进行控制，pid输出石灰石浆液流量，之后利用深度神经网络根据pid输出及其他数据实时预测净烟气so2浓度；其中预测净烟气so2浓度加权值随总负荷增加逐渐减少，范围为0.5-0.8。

技术总结
本发明提供了一种基于深度神经网络的火电机组脱硫控制方法，属于热工自动控制领域，本发明根据火电机组脱硫的运行历史数据，利用深度神经网络建立烟气流量、原烟气SO2浓度、浆液PH值、石灰石浆液流量等对净烟气SO2浓度的模型，并依据模型输出调整石灰石浆液流量。本发明提供的控制方法所需调整参数少，实用性强，能够更加精准控制净烟气SO2浓度，减低浆液循环泵电耗和石灰石的使用量。循环泵电耗和石灰石的使用量。循环泵电耗和石灰石的使用量。


技术研发人员：凌晓定 吕剑虹 陈雨亭 于冲 秦文炜 吴锦 孙伟 周帆 乔侨 高峥 葛浩 姜川
受保护的技术使用者：南京英纳维特自动化科技有限公司
技术研发日：2022.08.18
技术公布日：2022/11/11