申请/专利权人：大唐环境产业集团股份有限公司

申请日：2018-10-17

公开（公告）日：2024-06-07

公开（公告）号：CN109190848B

主分类号：G16C20/10

分类号：G16C20/10

优先权：

专利状态码：有效-授权

法律状态：2024.06.07#授权;2019.02.12#实质审查的生效;2019.01.11#公开

摘要：本发明公开了一种基于时延预估的SCR系统NOx排放浓度预测方法，包括：对燃煤机组烟气产生和SCR系统机理分析，确定NOx排放浓度预测模型的输入变量；采集相关变量的运行数据并预处理，利用相关系数迭代法估计时延并对样本相空间重构；在重构后的样本上，采用核偏最小二乘法建立动态模型；将动态模型校正输出的NOx浓度值提前反馈至控制器，实现对现有喷氨控制系统改进。本发明的有益效果：预测模型综合学习与出口NOx浓度的相关信息；采用核偏最小二乘法提高预测能力；模型样本经过相空间重构，可提前预测出口NOx浓度，若与设定值相差较大，可及时进行喷氨调整，对于燃煤机组降低污染物排放和成本具有指导意义。

主权项：1.一种基于时延预估的SCR系统NOx排放浓度预测方法，其特征在于，包括：步骤1，对燃煤机组烟气产生和SCR系统机理分析，确定NOx排放浓度预测模型的输入变量X；步骤2，采集燃煤机组和SCR系统相关变量的运行数据并预处理，利用相关系数迭代法计算输入变量X与输出变量Y间的相关系数值，估计输入变量时延，并对样本进行相空间重构，其中，相关系数迭代法具体为：设空间Z＝X,Y，输入变量X和输出变量Y均为1列n个的样本，则输入变量X和输出变量Y间的相关系数为： 式中，EX、EY分别为输入变量X与输出Y的期望；DX、DY分别为输入变量X与输出Y的方差；如果变量X和Y相关性越小，则相关系数ρXY越小；如果变量X和Y相关性越大，则相关系数ρXY越大；每个输入变量x·jt与输出变量Yt之间的时延都是不同的，所以对每个输入变量x·jt进行相空间重构，嵌入不同时延τj∈[τmin,τmax]，得到嵌入不同时延的输入变量为：X＝[x·1t-τ1,x·2t-τ2,…,x·mt-τm]；根据上式分别迭代计算在嵌入不同时延时，各变量x·jt-τj与Y之间的相关系数，j为1至m，当相关系数值最大时，对应的τ即为该输入变量的时延；步骤3，在重构后的样本上，采用核偏最小二乘法建立NOx排放浓度预测的动态模型，并对动态模型的参数寻优和动态更新，其中核偏最小二乘法针对训练集的方法具体如下：步骤S1，对重构后的样本训练集z-score标准化，得到标准化后的和其中，Xtr为重构后训练样本中输入变量，Ytr为重构后训练样本中输出变量，为Xtr的初始化变量，为Ytr的初始化变量；步骤S2，计算的核矩阵其中，K为核函数；k*为最优尺度个数，xtr为Xtr中的样本；步骤S3，对上式进行核矩阵中心化，得到其中，I为单位矩阵，1n为元素1是1、维数是n的矩阵；步骤S4，令L为主成分个数，i从1至L迭代，随机初始化的得分向量vi；步骤S5，计算的得分向量ti，并归一化得到步骤S6，计算的权重向量ci，得到步骤S7，计算的得分向量ui，得到其中，为Ytr中的每个输出变量；步骤S8，重复步骤4-7直至ti收敛；步骤S9，缩减矩阵和直至提取出L个得分向量ti和得分向量ui，缩减矩阵如下； 步骤S10，计算回归系数B，得到训练集的回归方程： 其中，Ktr为构成的矩阵，Ytr为构成的矩阵，T和U为得分向量ti和ui构成的矩阵；步骤4，将动态模型得到的NOx浓度值提前反馈至控制器，并在运行过程中，利用滞后的即k+1时刻的出口NOx浓度测量值对动态模型的输出进行反馈校正，将校正后的输出作为NOx浓度预测值。

全文数据：一种基于时延预估的SCR系统NOx排放浓度预测方法技术领域本发明涉及燃煤机组烟气脱硝技术领域，具体而言，涉及一种基于时延预估的SCR系统NOx排放浓度预测方法。背景技术随着大气污染问题的日益凸出，我国火电机组的大气污染物排放已纳入严格监管。传统的低NOx燃烧控制很难满足排放标准，需配合尾部烟气脱硝装置，国内外已广泛采用SCR烟气脱硝技术，其中最为重要的是对喷氨系统控制。喷氨量在稳定工况时通过控制通常能取得较好的效果，但在机组运行条件变化时，如煤种更换、机组AGCAutomaticGenerationControl，自动发电控制负荷指令频繁波动等情况下控制效果不理想。其原因主要有：第一，由于SCR脱硝反应过程复杂，工况变化时系统呈现非线性、大滞后性和强扰动的特点，难以建立准确的数学模型；第二，由于NOxNitricOxide，氮氧化物浓度测量具有滞后性；第三，SCR反应器进出口NOx浓度测量装置分别间隔50min左右会进行一次持续5min反吹，反吹期间NOx测量值在逻辑上自保持，尤其出口NOx含量在自保持瞬间处于NOx含量较高或者较低时，在接下来的5min中，出口NOx浓度在PID控制的积分作用下使调门大幅调节，造成喷氨量的失调，在反吹结束后，反应器出口NOx浓度出现突增或突减；第四，当机组处于变工况时，出口NOx浓度波动很大，通常由于喷氨不均导致出口断面NOx浓度分布不均匀，但实际现场中SCR反应器出口每个烟道烟气测量取样点只有一个，其采样值不具有代表性，与烟气NOx浓度平均值偏差大，而且采样探头的位置和插入深度不同测量值不同。总之，由于系统无法及时获取SCR反应器入口和出口NOx浓度值，导致系统喷氨量控制时很难保证最佳氨氮比。当喷氨过少时，容易导致NOx排放增加甚至超标；而喷氨过量时，不仅影响脱硝效率，还使过量氨气与烟气中SO3反应生成硫酸氢氨和硫酸氨降低催化剂活性，造成空预器积灰堵塞和腐蚀，影响锅炉安全运行，同时氨逃逸量增加也造成运行成本浪费和二次环境污染。由上可见，由于目前SCR烟气脱硝系统存在反应过程复杂，以及NOx浓度测量存在滞后和不准确的情况，使现有系统的喷氨控制存在难以建立准确的模型，导致系统控制效果差的问题，影响机组安全运行和脱硝效率。发明内容本发明的目的在于提供一种基于时延预估的SCR系统NOx排放浓度预测方法，解决目前SCR烟气脱硝系统普遍存在反应过程复杂，以及NOx浓度测量存在滞后和不准确的情况，提高喷氨控制效果。本发明提供了一种基于时延预估的SCR系统NOx排放浓度预测方法，包括：步骤1，对燃煤机组烟气产生和SCR系统机理分析，确定NOx排放浓度预测模型的输入变量X；步骤2，采集燃煤机组和SCR系统相关变量的运行数据并预处理，利用相关系数迭代法计算输入变量X与输出变量Y间的相关系数值，估计输入变量时延，并对样本进行相空间重构；步骤3，在重构后的样本上，采用核偏最小二乘法建立NOx排放浓度预测的动态模型，并对动态模型的参数寻优和动态更新；步骤4，将动态模型得到的NOx浓度值提前反馈至控制器，并在运行过程中，利用滞后的即k+1时刻的出口NOx浓度测量值对动态模型的输出进行反馈校正，将校正后的输出作为NOx浓度预测值。作为本发明进一步的改进，步骤1中，确定NOx排放浓度预测的输入变量为：机组负荷、总燃料量、喷氨开度、入口NOx浓度、入口O2含量、入口烟气温度和入口烟气流量。作为本发明进一步的改进，步骤2中相关系数迭代法具体为：设空间Z＝X,Y，输入变量X和输出变量Y均为1列n个的样本，则输入变量X和输出变量Y间的相关系数为：式中，EX、EY分别为输入变量X与输出Y的期望；DX、DY分别为输入变量X与输出Y的方差；如果变量X和Y相关性越小，则相关系数ρXY越小；如果变量X和Y相关性越大，则相关系数ρXY越大；每个输入变量x·jt与输出变量Yt之间的时延都是不同的，所以对每个输入变量x·jt进行相空间重构，嵌入不同时延τj∈[τmin,τmax]，时延最小值τmin和时延最大值τmax值由现场经验确定，得到嵌入不同时延的输入变量为：X＝[x·1t-τ1,x·2t-τ2,…,x·mt-τm]；根据上式分别迭代计算在嵌入不同时延时，各变量x·jt-τj与Y之间的相关系数，j为1至m，当相关系数值最大时，对应的τ即为该输入变量的时延。作为本发明进一步的改进，步骤3中，核偏最小二乘法针对训练集的方法具体如下：步骤S1，对重构后的样本训练集z-score标准化，得到标准化后的和其中，Xtr为重构后训练样本中输入变量，Ytr为重构后训练样本中输出变量，为的初始化变量，为Ytr的初始化变量；步骤S2，计算的核矩阵其中，K为核函数；k*为最优尺度个数，xtr为Xtr中的样本；步骤S3，对上式进行核矩阵中心化，得到其中，I为单位矩阵，1n为元素1是1、维数是n的矩阵；步骤S4，令L为主成分个数，i从1至L迭代，随机初始化的得分向量vi；步骤S5，计算的得分向量ti，并归一化得到步骤S6，计算的权重向量ci，得到步骤S7，计算的得分向量ui，得到其中，为Ytr中的每个输出变量；步骤S8，重复步骤4-7直至ti收敛；步骤S9，缩减矩阵和直至提取出L个得分向量ti和得分向量ui，缩减矩阵如下；步骤S10，计算回归系数B，得到训练集的回归方程：其中，Ktr为构成的矩阵，Ytr为构成的矩阵，T和U为得分向量ti和ui构成的矩阵。作为本发明进一步的改进，步骤3中，核偏最小二乘法针对测试集描述与对训练集描述区别在于，核矩阵和对核矩阵中心化不同：核矩阵为：核矩阵中心化为：其中，xte为Xte中的样本，Xte为重构后测试样本中输入变量，为的核矩阵，为对中心化。作为本发明进一步的改进，步骤S2中，核函数为高斯核函数：作为本发明进一步的改进，步骤3中，核偏最小二乘法对动态模型参数寻优方法如下：主成分个数L确定方法：通过留一法交叉验证方法确定；最优高斯核宽度确定方法：高斯核宽度采用10折交叉验证方法，通过粒子群优化算法寻优计算训练集的均方根误差，当其均值最小时，得到高斯核宽度。作为本发明进一步的改进，L不大于5。作为本发明进一步的改进，步骤3中，动态模型的更新采用滑动窗口更新策略，窗口长度为160。作为本发明进一步的改进，步骤4中，反馈校正公式如下：校正后的预测值：校正量其中：表示校正后的值，表示模型的输出值，Y表示实际值。本发明的有益效果为：利用燃煤机组和SCR脱硝系统的实际运行数据，综合学习了与出口NOx浓度相关的信息。采用核偏最小二乘法建立NOx排放浓度预测模型，提高预测能力。建模时考虑SCR系统时延和NOx测量滞后的影响，且模型样本经过相空间重构，可实现提前对SCR脱硝反应器出口NOx浓度进行预测，如果预测值与设定值相差较大，可以及时进行喷氨调整，对于燃煤机组降低污染物排放和降低成本具有指导意义。附图说明图1为本发明实施例所述的一种基于时延预估的SCR系统NOx排放浓度预测方法的流程示意图；图2为图1的具体流程示意图；图3为采用本发明预测方法对现有SCR系统DCS逻辑改进的示意图。具体实施方式下面通过具体的实施例并结合附图对本发明做进一步的详细描述。如图1-2所示，本发明实施例所述的一种基于时延预估的SCR系统NOx排放浓度预测方法，通过对燃煤机组烟气产生和SCR系统机理分析，确定NOx排放浓度预测模型的输入变量；为了减少系统滞后和NOx测量时延的影响，采集相关变量的运行数据，利用相关系数迭代法估计输入变量时延，并对样本进行相空间重构；在重构后的样本基础上，利用核偏最小二乘法建立NOx排放浓度预测模型，提高预估模型的精度；将预估模型得到的NOx浓度值代替现场出口NOx浓度采样值，对现有喷氨控制系统进行改进，达到精确超前控制。包括以下步骤：步骤1，对燃煤机组烟气产生和SCR系统机理分析，确定NOx排放浓度预测模型的输入变量X。由于机组运行条件变化时，如煤种更换、机组AGC负荷指令频繁波动、燃烧条件如配风方式、过量空气系数等的变化，都会使烟气NOx出现较大扰动。另外，SCR脱硝效率与喷氨量、稀释空气量、反应温度、催化剂活性等因素有关。当负荷变动使烟气流量发生变化，导致锅炉换热表面与烟气的热交换，引起烟气温度的变化；烟气温度的变化影响SCR反应速度以及催化剂活性；入口NOx浓度和喷氨流量直接反应氨氮摩尔比大小，影响脱硝效率和氨逃逸率。进一步的，确定NOx排放浓度预测的输入变量为：机组负荷、总燃料量、喷氨开度、入口NOx浓度、入口O2含量、入口烟气温度和入口烟气流量，但不限于此，在实际应用中，本领域技术人员可以根据实际情况调整变量。步骤2，设定采样周期为10s，采集燃煤机组和SCR系统相关变量的运行数据，并进行粗大值剔除和滤波预处理，利用相关系数迭代法计算输入变量X与输出变量Y间的相关系数值，估计输入变量时延，并对样本进行相空间重构。其中，相关系数迭代法具体为：设空间Z＝X,Y，输入变量X和输出变量Y均为1列n个的样本，则输入变量X和输出变量Y间的相关系数为：式中，EX、EY分别为输入变量X与输出Y的期望；DX、DY分别为输入变量X与输出Y的方差；如果变量X和Y相关性越小，则相关系数ρXY越小；如果变量X和Y相关性越大，则相关系数ρXY越大；每个输入变量x·jt与输出变量Yt之间的时延都是不同的，所以对每个输入变量x·jt进行相空间重构，嵌入不同时延τj∈[τmin,τmax]，时延最小值τmin和时延最大值τmax值由现场经验确定，得到嵌入不同时延的输入变量为：x＝[x·1t-τ1，x·2t-τ2，…，x·mt-τm]；根据上式分别计算在嵌入不同时延时，各变量x·jt-τj与Y之间的相关系数，j为1至m，当相关系数值最大时，对应的τ即为该输入变量的时延。本发明中，动态模型的建模样本为经过相空间重构的样本，重构后样本的X和Y形式如下：其中，x·1，…，x·m为m个输入变量，y为输出变量，τ1，…，τm为相关系数迭代法估计时延结果。步骤3，在重构后的样本上，采用多尺度小波核偏最小二乘法建立NOx排放浓度预测的动态模型，并对动态模型的参数寻优和动态更新。本发明利用核偏最小二乘法建立预测模型，解决变量众多且存在严重相关的工业建模的问题，提高模型的泛化能力，实现估计系统出口NOx浓度。核偏最小二乘法针对训练集描述如下：步骤S1，对重构后的样本训练集z-score标准化，得到标准化后的和其中，Xtr为重构后训练样本中输入变量，Ytr为重构后训练样本中输出变量，为Xtr的初始化变量，为Ytr的初始化变量。z-score标准化正态标准化是基于原始数据的均值和标准差进行数据的标准化，将数据按其属性按列进行减去其均值，并除以其方差，得到的结果是，对于每个属性每列来说所有数据都聚集在0附近，方差为1。步骤S2，计算的核矩阵其中，K为核函数；xtr为Xtr中的样本。本发明中，核函数为高斯核函数：Kxi,xj＝exp{-||xi-xj||22σ2}。步骤S3，对上式进行核矩阵中心化，得到其中，I为单位矩阵，1n为元素1是1、维数是n的矩阵；步骤S4，令L为主成分个数，i从1至L迭代，随机初始化的得分向量vi；步骤S5，计算的得分向量ti，并归一化得到步骤S6，计算的权重向量ci，得到步骤S7，计算的得分向量ui，得到其中，为Ytr中的每个输出变量；步骤S8，重复步骤4-7直至ti收敛；步骤S9，缩减矩阵和直至提取出L个得分向量ti和得分向量ui，缩减矩阵如下；步骤S10，计算回归系数B，得到训练集的回归方程：其中，Ktr为构成的矩阵，Ytr为构成的矩阵，T和U为得分向量ti和ui构成的矩阵。核偏最小二乘法针对测试集描述与对训练集描述类似，区别在于，核矩阵和对核矩阵中心化不同：核矩阵为：核矩阵中心化为：其中，xte为Xte中的样本，Xte为重构后测试样本中输入变量，为的核矩阵，为对中心化。在本发明中，核偏最小二乘法中的参数寻优方法如下：主成分个数L确定方法：通过留一法交叉验证方法确定，通常不大于5。最优高斯核宽度确定方法：高斯核宽度采用10折交叉验证方法，通过粒子群优化算法寻优计算训练集的均方根误差，当其均值最小时，得到最优高斯核宽度。进一步的，本发明步骤3中，动态模型的更新采用滑动窗口更新策略，窗口长度为160。在实际应用中，本领域技术人员可以根据实际情况调整滑动窗口长度。步骤4，将动态模型得到的NOx浓度值提前反馈至控制器，并在运行过程中，利用滞后的即k+1时刻的出口NOx浓度测量值对动态模型的输出进行反馈校正，将校正后的输出作为NOx浓度预测值。反馈校正公式如下：校正后的预测值：校正量其中：表示校正后的值，表示模型的输出值，Y表示实际值。本发明由于模型的训练集和测试集划分在重构后的模型样本基础上，从X和Y的形式可以看出，如果预测当前的输出变量值，对应的测试集的输入变量均为当前时刻之前的历史数据，所以在未获得当前时刻的输入变量值时，便可以通过模型预测得到当前时刻的输出变量值，从而能够实现提前预测。通过反馈校正，使模型的预测结果一直保持在可接受的误差范围内，通常在±5％内。现有喷氨控制系统通常采用固定出口NOx定值控制方式，本发明对原有系统的DCSDistributedControlSystem,分布式控制系统逻辑改进，将动态模型的校正输出至控制器，达到超前控制。改进后如图3所示，其中实线为现有喷氨控制系统部分，虚线框内为本发明所述部分，作为现有喷氨控制系统的外挂部分，同时采用切换开关可实现手动切换。从图中也可看出，本发明将预估模型得到的NOx浓度值代替现场出口NOx浓度采样值，实现对现有喷氨控制系统进行改进，达到精确超前控制。以上所述仅为本发明的优选实施例而已，并不用于限制本发明，对于本领域的技术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

权利要求：1.一种基于时延预估的SCR系统NOx排放浓度预测方法，其特征在于，包括：步骤1，对燃煤机组烟气产生和SCR系统机理分析，确定NOx排放浓度预测模型的输入变量X；步骤2，采集燃煤机组和SCR系统相关变量的运行数据并预处理，利用相关系数迭代法计算输入变量X与输出变量Y间的相关系数值，估计输入变量时延，并对样本进行相空间重构；步骤3，在重构后的样本上，采用核偏最小二乘法建立NOx排放浓度预测的动态模型，并对动态模型的参数寻优和动态更新；步骤4，将动态模型得到的NOx浓度值提前反馈至控制器，并在运行过程中，利用滞后的即k+1时刻的出口NOx浓度测量值对动态模型的输出进行反馈校正，将校正后的输出作为NOx浓度预测值。2.根据权利要求1所述的SCR系统NOx排放浓度预测方法，其特征在于，步骤1中，确定NOx排放浓度预测的输入变量为：机组负荷、总燃料量、喷氨开度、入口NOx浓度、入口O2含量、入口烟气温度和入口烟气流量。3.根据权利要求1所述的SCR系统NOx排放浓度预测方法，其特征在于，步骤2中，相关系数迭代法具体为：设空间Z＝X,Y，输入变量X和输出变量Y均为1列n个的样本，则输入变量X和输出变量Y间的相关系数为：式中，EX、EY分别为输入变量X与输出Y的期望；DX、DY分别为输入变量X与输出Y的方差；如果变量X和Y相关性越小，则相关系数ρXY越小；如果变量X和Y相关性越大，则相关系数ρXY越大；每个输入变量xjt与输出变量Yt之间的时延都是不同的，所以对每个输入变量xjt进行相空间重构，嵌入不同时延τj∈[τmin,τmax]，得到嵌入不同时延的输入变量为：X＝[x1t-τ1,x.2t-τ2,…,x.mt-τm]；根据上式分别迭代计算在嵌入不同时延时，各变量x.jt-τj与Y之间的相关系数，j为1至m，当相关系数值最大时，对应的τ即为该输入变量的时延。4.根据权利要求1所述的SCR系统NOx排放浓度预测方法，其特征在于，步骤3中，核偏最小二乘法针对训练集的方法具体如下：步骤S1，对重构后的样本训练集z-score标准化，得到标准化后的和其中，Xtr为重构后训练样本中输入变量，Ytr为重构后训练样本中输出变量，为Xtr的初始化变量，为Ytr的初始化变量；步骤S2，计算的核矩阵其中，K为核函数；k*为最优尺度个数，xtr为Xtr中的样本；步骤S3，对上式进行核矩阵中心化，得到其中，I为单位矩阵，1n为元素1是1、维数是n的矩阵；步骤S4，令L为主成分个数，i从1至L迭代，随机初始化的得分向量vi；步骤S5，计算的得分向量ti，并归一化得到步骤S6，计算的权重向量ci，得到步骤S7，计算的得分向量ui，得到其中，为Ytr中的每个输出变量；步骤S8，重复步骤4-7直至ti收敛；步骤S9，缩减矩阵和直至提取出L个得分向量ti和得分向量ui，缩减矩阵如下；步骤S10，计算回归系数B，得到训练集的回归方程：其中，Ktr为构成的矩阵，Ytr为构成的矩阵，T和U为得分向量ti和ui构成的矩阵。5.根据权利要求4所述的SCR系统NOx排放浓度预测方法，其特征在于，步骤3中，核偏最小二乘法针对测试集描述与对训练集描述区别在于，核矩阵和对核矩阵中心化不同：核矩阵为：核矩阵中心化为：其中，xte为Xte中的样本，Xte为重构后测试样本中输入变量，为的核矩阵，为对中心化。6.根据权利要求4所述的SCR系统NOx排放浓度预测方法，其特征在于，步骤S2中，核函数为高斯核函数：Kxi,xj＝exp{-||xi-xj||22σ2}。7.根据权利要求4所述的SCR系统NOx排放浓度预测方法，其特征在于，步骤3中，核偏最小二乘法对动态模型参数寻优方法如下：主成分个数L确定方法：通过留一法交叉验证方法确定；最优高斯核宽度确定方法：高斯核宽度采用10折交叉验证方法，通过粒子群优化算法寻优计算训练集的均方根误差，当其均值最小时，得到高斯核宽度。8.根据权利要求7所述的SCR系统NOx排放浓度预测方法，其特征在于，L不大于5。9.根据权利要求1所述的SCR系统NOx排放浓度预测方法，其特征在于，步骤3中，动态模型的更新采用滑动窗口更新策略，窗口长度为160。10.根据权利要求1所述的SCR系统NOx排放浓度预测方法，其特征在于，步骤4中，反馈校正公式如下：校正后的预测值：校正量其中：表示校正后的值，表示模型的输出值，Y表示实际值。

百度查询： 大唐环境产业集团股份有限公司 一种基于时延预估的SCR系统NO_x排放浓度预测方法

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息，力求客观、公正，但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解，仅供参考使用，不能作为本公司承担任何法律责任的依据或者凭证。

阅读全文 双屏查看 官方信息 专利公告 收藏专利 下载PDF 下载WORD