CN115167321A - 一种电厂静电除尘优化控制方法及系统 - Google Patents
一种电厂静电除尘优化控制方法及系统 Download PDFInfo
- Publication number
- CN115167321A CN115167321A CN202210952460.9A CN202210952460A CN115167321A CN 115167321 A CN115167321 A CN 115167321A CN 202210952460 A CN202210952460 A CN 202210952460A CN 115167321 A CN115167321 A CN 115167321A
- Authority
- CN
- China
- Prior art keywords
- dust
- signal data
- dust content
- preset
- smoke
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 239000000428 dust Substances 0.000 title claims abstract description 270
- 238000000034 method Methods 0.000 title claims abstract description 27
- 238000005457 optimization Methods 0.000 title claims abstract description 23
- 239000000779 smoke Substances 0.000 claims abstract description 86
- UGFAIRIUMAVXCW-UHFFFAOYSA-N Carbon monoxide Chemical compound [O+]#[C-] UGFAIRIUMAVXCW-UHFFFAOYSA-N 0.000 claims abstract description 77
- 239000003546 flue gas Substances 0.000 claims abstract description 77
- 238000012216 screening Methods 0.000 claims abstract description 18
- 238000007781 pre-processing Methods 0.000 claims abstract description 10
- 239000011159 matrix material Substances 0.000 claims description 66
- 238000013528 artificial neural network Methods 0.000 claims description 19
- QVGXLLKOCUKJST-UHFFFAOYSA-N atomic oxygen Chemical compound [O] QVGXLLKOCUKJST-UHFFFAOYSA-N 0.000 claims description 12
- 238000004891 communication Methods 0.000 claims description 12
- 239000007789 gas Substances 0.000 claims description 12
- 239000001301 oxygen Substances 0.000 claims description 12
- 229910052760 oxygen Inorganic materials 0.000 claims description 12
- 238000005367 electrostatic precipitation Methods 0.000 claims description 8
- 230000008859 change Effects 0.000 claims description 6
- 238000012546 transfer Methods 0.000 claims description 6
- 239000012716 precipitator Substances 0.000 claims description 5
- 238000001914 filtration Methods 0.000 claims description 4
- 238000012545 processing Methods 0.000 claims description 3
- 238000007599 discharging Methods 0.000 claims description 2
- 230000000379 polymerizing effect Effects 0.000 claims description 2
- 238000010586 diagram Methods 0.000 description 7
- 239000002184 metal Substances 0.000 description 5
- 238000012986 modification Methods 0.000 description 5
- 230000004048 modification Effects 0.000 description 5
- 238000004590 computer program Methods 0.000 description 4
- 238000003860 storage Methods 0.000 description 3
- 238000002485 combustion reaction Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000005265 energy consumption Methods 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 238000001556 precipitation Methods 0.000 description 2
- 230000004931 aggregating effect Effects 0.000 description 1
- 238000004220 aggregation Methods 0.000 description 1
- 230000002776 aggregation Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000010219 correlation analysis Methods 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 230000005611 electricity Effects 0.000 description 1
- 239000012717 electrostatic precipitator Substances 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- -1 load capacity Chemical compound 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000005453 pelletization Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B19/00—Programme-control systems
- G05B19/02—Programme-control systems electric
- G05B19/418—Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS] or computer integrated manufacturing [CIM]
- G05B19/41865—Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS] or computer integrated manufacturing [CIM] characterised by job scheduling, process planning, material flow
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B2219/00—Program-control systems
- G05B2219/30—Nc systems
- G05B2219/32—Operator till task planning
- G05B2219/32252—Scheduling production, machining, job shop
Landscapes
- Engineering & Computer Science (AREA)
- General Engineering & Computer Science (AREA)
- Manufacturing & Machinery (AREA)
- Quality & Reliability (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Automation & Control Theory (AREA)
- Electrostatic Separation (AREA)
Abstract
本发明涉及一种电厂静电除尘优化控制方法及系统，包括：在预先设定第一时间段内按照预设频率所采集电厂中除尘系统的信号数据；对信号数据预处理获取预处理后的信号数据；针对预处理后的信号数据，按照预先设定的筛选策略，筛选出影响除尘器入口的烟气含尘量的主要信号数据；采集除尘系统当前时间的影响响除尘器入口的烟气含尘量的主要信号数据，并将当前时间的影响除尘器入口的烟气含尘量的主要信号数据输入至训练的烟气含尘量预测模型，获取当前时间之后的预设第二时间段的烟气含尘量的预测数据；基于当前时间之后的预设第二时间段的除尘器入口的烟气含尘量的预测数据，通过控制除尘系统中的控制器，以控制除尘器出口的烟气含尘量。
Description
技术领域
本发明涉及静电除尘能效提升技术领域，尤其涉及一种电厂静电除尘优化控制方法及系统。
背景技术
火电厂是我国电力生产的主力，占比达70％。随着人们生活水平的不断提高，对火电厂粉尘排放浓度提出了更高要求，我国要求电除尘出口粉尘浓度≤5mg/m3。
目前，电厂中除尘系统自动化程度低、控制较为粗放，虽然能达到除尘排放要求，但能耗较高。电厂负荷量和燃烧工况是影响烟气含尘量的重要因素，而锅炉燃烧过程存在较大时滞，导致除尘系统自动运行较为困难。如何在保证除尘控制效果的前提下降低除尘器能耗，目前尚未提出有效的解决方案。
发明内容
(一)要解决的技术问题
鉴于现有技术的上述缺点、不足，本发明提供一种电厂静电除尘优化控制方法及系统。
(二)技术方案
为了达到上述目的，本发明采用的主要技术方案包括：
第一方面，本发明实施例提供一种电厂静电除尘优化控制方法，包括：
S1、在预先设定第一时间段内按照预设频率所采集电厂中除尘系统的信号数据；
所述除尘系统包括：除尘器、用于控制所述除尘器的控制器；
S2、针对所采集的信号数据进行预处理获取预处理后的信号数据；
S3、针对预处理后的信号数据，按照预先设定的筛选策略，在信号数据中筛选出影响除尘器入口的烟气含尘量的主要信号数据；
S4、采集除尘系统当前时间的影响响除尘器入口的烟气含尘量的主要信号数据，并将当前时间的影响除尘器入口的烟气含尘量的主要信号数据输入至训练的烟气含尘量预测模型，获取当前时间之后的预设第二时间段的烟气含尘量的预测数据；
S5、基于所述当前时间之后的预设第二时间段的除尘器入口的烟气含尘量的预测数据，通过控制除尘系统中的控制器，以控制除尘器出口的烟气含尘量。
优选地，
所述预设频率为每隔5秒采集一次；
所述第二时间段为3分钟。
优选地，
所述除尘系统的信号数据包括：烟气含氧量、负荷量、烟气量和排烟温度、烟气含尘量。
优选地，
所述预处理为采用一阶滤波器对所述所采集的信号数据进行滤波处理。
优选地，所述S3具体包括：
S31、针对预处理后的信号数据，按照公式(1)构造输入信号矩阵Din；
所述公式(1)为：
S32、针对预处理后的信号数据，按照公式(2)构造输出信号矩阵Dout；
所述公式(2)为：
其中，M＝预设第二时间段/预设频率；
S33、基于所述输入信号矩阵Din中的第一行的信号数据和所述输出信号矩阵Dout，采用公式(3)获取烟气含氧量与烟气含尘量的相关度；
所述公式(3)为：
其中，r1为烟气含氧量与烟气含尘量的相关度；
a1为输入信号矩阵Din中的第一行的信号数据；
a1x为输入信号矩阵Din中的第一行的信号数据中的第x个数据；
b1为输出信号矩阵Dout；
b1x为输出信号矩阵Dout中的第x个数据；
基于所述输入信号矩阵Din中的第二行的信号数据和所述输出信号矩阵Dout，采用公式(4)获取负荷量与烟气含尘量的相关度；
所述公式(4)为：
其中，r2为负荷量与烟气含尘量的相关度；
a2为输入信号矩阵Din中的第二行的信号数据；
a2x为输入信号矩阵Din中的第二行的信号数据中的第x个数据；
基于所述输入信号矩阵Din中的第三行的信号数据和所述输出信号矩阵Dout，采用公式(5)获取烟气量与烟气含尘量的相关度；
所述公式(5)为：
其中，r3为烟气量与烟气含尘量的相关度；
a3为输入信号矩阵Din中的第三行的信号数据；
a3x为输入信号矩阵Din中的第三行的信号数据中的第x个数据；
基于所述输入信号矩阵Din中的第一行的信号数据和所述输出信号矩阵Dout，采用公式(6)获取排烟温度与烟气含尘量的相关度；
所述公式(6)为：
其中，r4为排烟温度与烟气含尘量的相关度；
a4为输入信号矩阵Din中的第四行的信号数据；
a4x为输入信号矩阵Din中的第四行的信号数据中的第x个数据；
S34、在r1、r2、r3、r4筛选出绝对值最大的前h个相关度，并将绝对值最大的前h个相关度中与烟气含尘量分别所对应的信号数据作为影响除尘器入口的烟气含尘量的主要信号数据；
其中，1≤h≤4。
优选地，
所述烟气含尘量预测模型为由BP神经网络的烟气含尘量预测模型、RBF神经网络的烟气含尘量预测模型和LSTM神经网络的烟气含尘量预测模型按照公式(7)进行聚合得到的模型；
所述公式(7)为：
NNout＝ω1NNBP+ω2NNLSTM+ω3NNRBF；
NNout表示训练的烟气含尘量预测模型的输出值；
NNBP表示BP神经网络的烟气含尘量预测模型的输出值；
NNLSTM表示LSTM神经网络的烟气含尘量预测模型的输出值；
NNRBF表示RBF神经网络的烟气含尘量预测模型的输出值；
ω1、ω2、ω3分别表示预先设定的权值；
优选地，所述S5具体包括：
基于所述当前时间之后的预设第二时间段的除尘器入口的烟气含尘量的预测数据，通过预先设定的优化模型控制除尘系统中的控制器，以进一步控制除尘器出口的烟气含尘量。
优选地，
所述预先设定的优化模型包括：
yout＝G1(s)·u+G2(s)·ΔDout+err；
err＝y-yout,t；
umin≤u≤umax；
Δumin≤Δu≤Δumax；
其中，G1(s)表示控制器输出的控制量与除尘器出口的含尘量间的传递函数；
G2(s)表示除尘器入口的含尘量与除尘器出口的含尘量间的传递函数；
M为预先设定的预测时域长度；
j1,t为预先设定的误差加权矩阵；
j2,t为预先设定的控制加权矩阵；
Δut为在预先设定的预测时域长度中第t个预测时刻的控制器输出的控制量的变化量；
ΔDout表示除尘器入口含尘量变化量的预测数据；
y表示当前时间除尘器出口的含尘量测量值；
umin表示控制器输出的控制量允许的最小值；
umax表示控制器输出的控制量允许的最大值；
Δumin表示控制器输出的控制量的变化量的最小值；
Δumax表示控制器输出的控制量的变化量的最大值。
另一方面，本发明实施例还提供了一种电厂静电除尘优化控制系统，所述系统执行如上述任一所述的电厂静电除尘优化控制方法，所述系统包括：
与电厂中除尘系统连接的通信装置，用于将在预先设定第一时间段内按照预设频率所采集的除尘系统的信号数据传输至大数据平台；
与所述通信装置连接的大数据平台，用于针对所采集的信号数据进行预处理获取预处理后的信号数据；针对预处理后的信号数据，按照预先设定的筛选策略，在信号数据中筛选出影响除尘器入口的烟气含尘量的主要信号数据；
分别与所述通信装置和大数据平台连接的预测优化平台，用于采集除尘系统当前时间的影响响除尘器入口的烟气含尘量的主要信号数据，并将当前时间的影响除尘器入口的烟气含尘量的主要信号数据输入至训练的烟气含尘量预测模型，获取当前时间之后的预设第二时间段的烟气含尘量的预测数据；并基于所述当前时间之后的预设第二时间段的除尘器入口的烟气含尘量的预测数据，通过控制除尘系统中的控制器，以控制除尘器出口的烟气含尘量。
优选地，
所述系统还包括人机操作接口，所述人机操作接口分别与所述大数据平台和预测优化平台连接。
(三)有益效果
本发明的有益效果是：本发明的一种电厂静电除尘优化控制方法及系统，由于针对预处理后的信号数据，按照预先设定的筛选策略，在信号数据中筛选出影响除尘系统中除尘器入口的烟气含尘量的主要信号数据，减少了电厂随机的干扰因素影响。另外，本发明采集除尘系统当前时间的影响除尘器入口的烟气含尘量的主要信号数据，并将当前时间的影响除尘器入口的烟气含尘量的主要信号数据输入至训练的烟气含尘量预测模型，获取当前时间之后的预设第二时间段的烟气含尘量的预测数据，基于所述当前时间之后的预设第二时间段的烟气含尘量的预测数据，通过控制电厂中除尘系统中控制器控制除尘系统中除尘器出口的烟气含尘量。相对于现有技术而言，其可以实现除尘系统优化，提高其运行经济性和安全性。
附图说明
图1为本发明的一种电厂静电除尘优化控制方法流程图；
图2为本发明烟气含尘量预测模型示意；
图3为本发明的一种电厂静电除尘优化控制系统与电厂中除尘系统连接的结构示意图。
具体实施方式
为了更好的解释本发明，以便于理解，下面结合附图，通过具体实施方式，对本发明作详细描述。
为了更好的理解上述技术方案，下面将参照附图更详细地描述本发明的示例性实施例。虽然附图中显示了本发明的示例性实施例，然而应当理解，可以以各种形式实现本发明而不应被这里阐述的实施例所限制。相反，提供这些实施例是为了能够更清楚、透彻地理解本发明，并且能够将本发明的范围完整的传达给本领域的技术人员。
参见图1，本实施例提供一种电厂静电除尘优化控制方法，包括：
S1、在预先设定第一时间段内按照预设频率所采集电厂中除尘系统的信号数据。
本实施例中除尘系统包括：除尘器、用于控制所述除尘器的控制器。
在本实施例的实际应用中，所述预设频率为每隔5秒采集一次。
所述除尘系统的信号数据包括：烟气含氧量、负荷量、烟气量和排烟温度、烟气含尘量。
S2、针对所采集的信号数据进行预处理获取预处理后的信号数据。
在本实施例的实际应用中，所述预处理为采用一阶滤波器对所述所采集的信号数据进行滤波处理。
S3、针对预处理后的信号数据，按照预先设定的筛选策略，在信号数据中筛选出影响除尘器入口的烟气含尘量的主要信号数据。
在本实施例的实际应用中，所述S3具体包括：
S31、针对预处理后的信号数据，按照公式(1)构造输入信号矩阵Din；
所述公式(1)为：
S32、针对预处理后的信号数据，按照公式(2)构造输出信号矩阵Dout。
所述公式(2)为：
其中，M＝预设第二时间段/预设频率。
S33、基于所述输入信号矩阵Din中的第一行的信号数据和所述输出信号矩阵Dout，采用公式(3)获取烟气含氧量与烟气含尘量的相关度。
所述公式(3)为：
其中，r1为烟气含氧量与烟气含尘量的相关度。
a1为输入信号矩阵Din中的第一行的信号数据。
a1x为输入信号矩阵Din中的第一行的信号数据中的第x个数据。
b1为输出信号矩阵Dout。
b1x为输出信号矩阵Dout中的第x个数据。
基于所述输入信号矩阵Din中的第二行的信号数据和所述输出信号矩阵Dout，采用公式(4)获取负荷量与烟气含尘量的相关度。
所述公式(4)为：
其中，r2为负荷量与烟气含尘量的相关度。
a2为输入信号矩阵Din中的第二行的信号数据。
a2x为输入信号矩阵Din中的第二行的信号数据中的第x个数据。
基于所述输入信号矩阵Din中的第三行的信号数据和所述输出信号矩阵Dout，采用公式(5)获取烟气量与烟气含尘量的相关度。
所述公式(5)为：
其中，r3为烟气量与烟气含尘量的相关度。
a3为输入信号矩阵Din中的第三行的信号数据。
a3x为输入信号矩阵Din中的第三行的信号数据中的第x个数据。
基于所述输入信号矩阵Din中的第一行的信号数据和所述输出信号矩阵Dout，采用公式(6)获取排烟温度与烟气含尘量的相关度。
所述公式(6)为：
其中，r4为排烟温度与烟气含尘量的相关度。
a4为输入信号矩阵Din中的第四行的信号数据。
a4x为输入信号矩阵Din中的第四行的信号数据中的第x个数据。
S34、在r1、r2、r3、r4筛选出绝对值最大的前h个相关度，并将绝对值最大的前h个相关度中与烟气含尘量分别所对应的信号数据作为影响除尘器入口的烟气含尘量的主要信号数据。
其中，1≤h≤4。
本实施例中，通过S2中的滤波环节和S3中相关性分析，通过数据分析的方法获得影响除尘器入口的烟气含尘量的主要信号数据，减小了现场随机干扰因素影响。
S4、采集除尘系统当前时间的影响除尘器入口的烟气含尘量的主要信号数据，并将当前时间的影响除尘器入口的烟气含尘量的主要信号数据输入至训练的烟气含尘量预测模型，获取当前时间之后的预设第二时间段的烟气含尘量的预测数据。
参见图2，在本实施例的实际应用中，所述烟气含尘量预测模型为由BP神经网络的烟气含尘量预测模型、RBF神经网络的烟气含尘量预测模型和LSTM神经网络的烟气含尘量预测模型按照公式(7)进行聚合得到的模型。
所述公式(7)为：
NNout＝ω1NNBP+ω2NNLSTM+ω3NNRBF；
NNout表示训练的烟气含尘量预测模型的输出值。
NNBP表示BP神经网络的烟气含尘量预测模型的输出值。
NNLSTM表示LSTM神经网络的烟气含尘量预测模型的输出值。
NNRBF表示RBF神经网络的烟气含尘量预测模型的输出值。
ω1、ω2、ω3分别表示预先设定的权值。
本实施例中的烟气含尘量预测模型是由多种类型神经网络聚合方法建立的，预测精度高。
S5、基于所述当前时间之后的预设第二时间段的除尘器入口的烟气含尘量的预测数据，通过控制除尘系统中的控制器，以控制除尘器出口的烟气含尘量。
所述第二时间段为3分钟。
在本实施例的实际应用中，所述S5具体包括：
基于所述当前时间之后的预设第二时间段的除尘器入口的烟气含尘量的预测数据，通过预先设定的优化模型控制除尘系统中的控制器，以进一步控制除尘器出口的烟气含尘量。
在本实施例的实际应用中，所述预先设定的优化模型包括：
yout＝G1(s)·u+G2(s)·ΔDout+err。
err＝y-yout,t。
umin≤u≤umax。
Δumin≤Δu≤Δumax。
其中，G1(s)表示控制器输出的控制量与除尘器出口的含尘量间的传递函数。
G2(s)表示除尘器入口的含尘量与除尘器出口的含尘量间的传递函数。
M为预先设定的预测时域长度。
j1,t为预先设定的误差加权矩阵。
j2,t为预先设定的控制加权矩阵。
Δut为在预先设定的预测时域长度中第t个预测时刻的控制器输出的控制量的变化量。
ΔDout表示除尘器入口含尘量变化量的预测数据。
y表示当前时间除尘器出口的含尘量测量值。
umin表示控制器输出的控制量允许的最小值。
umax表示控制器输出的控制量允许的最大值。
Δumin表示控制器输出的控制量的变化量的最小值。
Δumax表示控制器输出的控制量的变化量的最大值。
实施例二
参见图3，本实施例还提供一种电厂静电除尘优化控制系统，所述系统执行如上述任一所述的电厂静电除尘优化控制方法，所述系统包括：
与电厂中除尘系统连接的通信装置，用于将在预先设定第一时间段内按照预设频率所采集的除尘系统的信号数据传输至大数据平台。
本实施例中通讯模块支持MODBUS 485协议，可方便实现与原除尘系统通讯，设计了心跳程序，实时监测网络通讯状态，保证系统可靠运行。
与所述通信装置连接的大数据平台，用于针对所采集的信号数据进行预处理获取预处理后的信号数据；针对预处理后的信号数据，按照预先设定的筛选策略，在信号数据中筛选出影响除尘器入口的烟气含尘量的主要信号数据。
分别与所述通信装置和大数据平台连接的预测优化平台，用于采集除尘系统当前时间的影响响除尘器入口的烟气含尘量的主要信号数据，并将当前时间的影响除尘器入口的烟气含尘量的主要信号数据输入至训练的烟气含尘量预测模型，获取当前时间之后的预设第二时间段的烟气含尘量的预测数据；并基于所述当前时间之后的预设第二时间段的除尘器入口的烟气含尘量的预测数据，通过控制除尘系统中的控制器，以控制除尘器出口的烟气含尘量。
所述系统还包括人机操作接口，所述人机操作接口分别与所述大数据平台和预测优化平台连接。
在本实施例的实际应用中，所述系统还包括人机操作接口，所述人机操作接口分别与所述大数据平台和预测优化平台连接。
本领域内的技术人员应明白，本发明的实施例可提供为方法、系统或计算机程序产品。因此，本发明可采用完全硬件实施例、完全软件实施例，或结合软件和硬件方面的实施例的形式。而且，本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本发明是参照根据本发明实施例的方法、设备(系统)和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。
应当注意的是，在权利要求中，不应将位于括号之间的任何附图标记理解成对权利要求的限制。词语“包含”不排除存在未列在权利要求中的部件或步骤。位于部件之前的词语“一”或“一个”不排除存在多个这样的部件。本发明可以借助于包括有若干不同部件的硬件以及借助于适当编程的计算机来实现。在列举了若干装置的权利要求中，这些装置中的若干个可以是通过同一个硬件来具体体现。词语第一、第二、第三等的使用，仅是为了表述方便，而不表示任何顺序。可将这些词语理解为部件名称的一部分。
此外，需要说明的是，在本说明书的描述中，术语“一个实施例”、“一些实施例”、“实施例”、“示例”、“具体示例”或“一些示例”等的描述，是指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不必须针对的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任一个或多个实施例或示例中以合适的方式结合。此外，在不相互矛盾的情况下，本领域的技术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结合和组合。
尽管已描述了本发明的优选实施例，但本领域的技术人员在得知了基本创造性概念后，则可对这些实施例作出另外的变更和修改。所以，权利要求应该解释为包括优选实施例以及落入本发明范围的所有变更和修改。
显然，本领域的技术人员可以对本发明进行各种修改和变型而不脱离本发明的精神和范围。这样，倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内，则本发明也应该包含这些修改和变型在内。
Claims (10)
1.一种电厂静电除尘优化控制方法，其特征在于，包括：
S1、在预先设定第一时间段内按照预设频率所采集电厂中除尘系统的信号数据；
所述除尘系统包括：除尘器、用于控制所述除尘器的控制器；
S2、针对所采集的信号数据进行预处理获取预处理后的信号数据；
S3、针对预处理后的信号数据，按照预先设定的筛选策略，在信号数据中筛选出影响除尘器入口的烟气含尘量的主要信号数据；
S4、采集除尘系统当前时间的影响响除尘器入口的烟气含尘量的主要信号数据，并将当前时间的影响除尘器入口的烟气含尘量的主要信号数据输入至训练的烟气含尘量预测模型，获取当前时间之后的预设第二时间段的烟气含尘量的预测数据；
S5、基于所述当前时间之后的预设第二时间段的除尘器入口的烟气含尘量的预测数据，通过控制除尘系统中的控制器，以控制除尘器出口的烟气含尘量。
2.根据权利要求1所述的方法，其特征在于，
所述预设频率为每隔5秒采集一次；
所述第二时间段为3分钟。
3.根据权利要求2所述的方法，其特征在于，
所述除尘系统的信号数据包括：烟气含氧量、负荷量、烟气量和排烟温度、烟气含尘量。
4.根据权利要求3所述的方法，其特征在于，
所述预处理为采用一阶滤波器对所述所采集的信号数据进行滤波处理。
5.根据权利要求4所述的方法，其特征在于，所述S3具体包括：
S31、针对预处理后的信号数据，按照公式(1)构造输入信号矩阵Din；
所述公式(1)为：
S32、针对预处理后的信号数据，按照公式(2)构造输出信号矩阵Dout；
所述公式(2)为：
其中，M＝预设第二时间段/预设频率；
S33、基于所述输入信号矩阵Din中的第一行的信号数据和所述输出信号矩阵Dout，采用公式(3)获取烟气含氧量与烟气含尘量的相关度；
所述公式(3)为：
其中，r1为烟气含氧量与烟气含尘量的相关度；
a1为输入信号矩阵Din中的第一行的信号数据；
a1x为输入信号矩阵Din中的第一行的信号数据中的第x个数据；
b1为输出信号矩阵Dout；
b1x为输出信号矩阵Dout中的第x个数据；
基于所述输入信号矩阵Din中的第二行的信号数据和所述输出信号矩阵Dout，采用公式(4)获取负荷量与烟气含尘量的相关度；
所述公式(4)为：
其中，r2为负荷量与烟气含尘量的相关度；
a2为输入信号矩阵Din中的第二行的信号数据；
a2x为输入信号矩阵Din中的第二行的信号数据中的第x个数据；
基于所述输入信号矩阵Din中的第三行的信号数据和所述输出信号矩阵Dout，采用公式(5)获取烟气量与烟气含尘量的相关度；
所述公式(5)为：
其中，r3为烟气量与烟气含尘量的相关度；
a3为输入信号矩阵Din中的第三行的信号数据；
a3x为输入信号矩阵Din中的第三行的信号数据中的第x个数据；
基于所述输入信号矩阵Din中的第一行的信号数据和所述输出信号矩阵Dout，采用公式(6)获取排烟温度与烟气含尘量的相关度；
所述公式(6)为：
其中，r4为排烟温度与烟气含尘量的相关度；
a4为输入信号矩阵Din中的第四行的信号数据；
a4x为输入信号矩阵Din中的第四行的信号数据中的第x个数据；
S34、在r1、r2、r3、r4筛选出绝对值最大的前h个相关度，并将绝对值最大的前h个相关度中与烟气含尘量分别所对应的信号数据作为影响除尘器入口的烟气含尘量的主要信号数据；
其中，1≤h≤4。
6.根据权利要求5所述的方法，其特征在于，
所述烟气含尘量预测模型为由BP神经网络的烟气含尘量预测模型、RBF神经网络的烟气含尘量预测模型和LSTM神经网络的烟气含尘量预测模型按照公式(7)进行聚合得到的模型；
所述公式(7)为：
NNout＝ω1NNBP+ω2NNLSTM+ω3NNRBF；
NNout表示训练的烟气含尘量预测模型的输出值；
NNBP表示BP神经网络的烟气含尘量预测模型的输出值；
NNLSTM表示LSTM神经网络的烟气含尘量预测模型的输出值；
NNRBF表示RBF神经网络的烟气含尘量预测模型的输出值；
ω1、ω2、ω3分别表示预先设定的权值。
7.根据权利要求6所述的方法，其特征在于，所述S5具体包括：
基于所述当前时间之后的预设第二时间段的除尘器入口的烟气含尘量的预测数据，通过预先设定的优化模型控制除尘系统中的控制器，以进一步控制除尘器出口的烟气含尘量。
8.根据权利要求7所述的方法，其特征在于，
所述预先设定的优化模型包括：
yout＝G1(s)·u+G2(s)·ΔDout+err；
err＝y-yout,t；
umin≤u≤umax；
Δumin≤Δu≤Δumax；
其中，G1(s)表示控制器输出的控制量与除尘器出口的含尘量间的传递函数；
G2(s)表示除尘器入口的含尘量与除尘器出口的含尘量间的传递函数；
M为预先设定的预测时域长度；
j1,t为预先设定的误差加权矩阵；
j2,t为预先设定的控制加权矩阵；
Δut为在预先设定的预测时域长度中第t个预测时刻的控制器输出的控制量的变化量；
ΔDout表示除尘器入口含尘量变化量的预测数据；
y表示当前时间除尘器出口的含尘量测量值；
umin表示控制器输出的控制量允许的最小值；
umax表示控制器输出的控制量允许的最大值；
Δumin表示控制器输出的控制量的变化量的最小值；
Δumax表示控制器输出的控制量的变化量的最大值。
9.一种电厂静电除尘优化控制系统，其特征在于，所述系统执行如上述权利要求1-8中任一所述的电厂静电除尘优化控制方法，所述系统包括：
与电厂中除尘系统连接的通信装置，用于将在预先设定第一时间段内按照预设频率所采集的除尘系统的信号数据传输至大数据平台；
与所述通信装置连接的大数据平台，用于针对所采集的信号数据进行预处理获取预处理后的信号数据；针对预处理后的信号数据，按照预先设定的筛选策略，在信号数据中筛选出影响除尘器入口的烟气含尘量的主要信号数据；
分别与所述通信装置和大数据平台连接的预测优化平台，用于采集除尘系统当前时间的影响响除尘器入口的烟气含尘量的主要信号数据，并将当前时间的影响除尘器入口的烟气含尘量的主要信号数据输入至训练的烟气含尘量预测模型，获取当前时间之后的预设第二时间段的烟气含尘量的预测数据；并基于所述当前时间之后的预设第二时间段的除尘器入口的烟气含尘量的预测数据，通过控制除尘系统中的控制器，以控制除尘器出口的烟气含尘量。
10.根据权利要求9所述的系统，其特征在于，
所述系统还包括人机操作接口，所述人机操作接口分别与所述大数据平台和预测优化平台连接。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210952460.9A CN115167321B (zh) | 2022-08-09 | 2022-08-09 | 一种电厂静电除尘优化控制方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210952460.9A CN115167321B (zh) | 2022-08-09 | 2022-08-09 | 一种电厂静电除尘优化控制方法及系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN115167321A true CN115167321A (zh) | 2022-10-11 |
| CN115167321B CN115167321B (zh) | 2023-11-21 |
Family
ID=83479570
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210952460.9A Active CN115167321B (zh) | 2022-08-09 | 2022-08-09 | 一种电厂静电除尘优化控制方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115167321B (zh) |
Citations (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20100009749A (ko) * | 2008-07-21 | 2010-01-29 | 에스케이에너지 주식회사 | 배기가스 저감장치의 제어방법 |
| JP2014009877A (ja) * | 2012-06-29 | 2014-01-20 | Babcock-Hitachi Co Ltd | 排煙処理装置と方法 |
| JP2019178982A (ja) * | 2018-03-30 | 2019-10-17 | 日本製鉄株式会社 | 降下煤塵量推定方法 |
| CN111077869A (zh) * | 2019-12-31 | 2020-04-28 | 国电九江发电有限公司 | 一种大数据智能控制布袋除尘器优化控制方法及系统 |
| WO2021010506A1 (ko) * | 2019-07-12 | 2021-01-21 | 엘지전자 주식회사 | 지능형 공기 청정기를 이용한 실내 공기질 제어방법 및 제어 장치 |
| CN113065765A (zh) * | 2021-04-01 | 2021-07-02 | 瀚蓝绿电固废处理(佛山)有限公司 | 一种垃圾焚烧炉烟气中co排放量预测模型构建方法及应用 |
| US20220040633A1 (en) * | 2020-08-05 | 2022-02-10 | Shang'an Power Plant Of Huaneng Power International Inc. | Automatic control system for emission indexes of desulfurization device of thermal power unit and method thereof |
| CN114191953A (zh) * | 2021-12-07 | 2022-03-18 | 国网河北能源技术服务有限公司 | 一种基于卷积神经网络和XGBoost的烟气脱硫脱硝控制方法 |
| CN114492727A (zh) * | 2021-12-13 | 2022-05-13 | 中国大唐集团科学技术研究院有限公司西北电力试验研究院 | 一种除尘系统入口烟尘浓度智能预测与控制方法 |
| CN114632624A (zh) * | 2021-12-06 | 2022-06-17 | 国电环境保护研究院有限公司 | 一种电除尘运行优化系统及优化方法 |
-
2022
- 2022-08-09 CN CN202210952460.9A patent/CN115167321B/zh active Active
Patent Citations (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20100009749A (ko) * | 2008-07-21 | 2010-01-29 | 에스케이에너지 주식회사 | 배기가스 저감장치의 제어방법 |
| JP2014009877A (ja) * | 2012-06-29 | 2014-01-20 | Babcock-Hitachi Co Ltd | 排煙処理装置と方法 |
| JP2019178982A (ja) * | 2018-03-30 | 2019-10-17 | 日本製鉄株式会社 | 降下煤塵量推定方法 |
| WO2021010506A1 (ko) * | 2019-07-12 | 2021-01-21 | 엘지전자 주식회사 | 지능형 공기 청정기를 이용한 실내 공기질 제어방법 및 제어 장치 |
| CN111077869A (zh) * | 2019-12-31 | 2020-04-28 | 国电九江发电有限公司 | 一种大数据智能控制布袋除尘器优化控制方法及系统 |
| US20220040633A1 (en) * | 2020-08-05 | 2022-02-10 | Shang'an Power Plant Of Huaneng Power International Inc. | Automatic control system for emission indexes of desulfurization device of thermal power unit and method thereof |
| CN113065765A (zh) * | 2021-04-01 | 2021-07-02 | 瀚蓝绿电固废处理(佛山)有限公司 | 一种垃圾焚烧炉烟气中co排放量预测模型构建方法及应用 |
| CN114632624A (zh) * | 2021-12-06 | 2022-06-17 | 国电环境保护研究院有限公司 | 一种电除尘运行优化系统及优化方法 |
| CN114191953A (zh) * | 2021-12-07 | 2022-03-18 | 国网河北能源技术服务有限公司 | 一种基于卷积神经网络和XGBoost的烟气脱硫脱硝控制方法 |
| CN114492727A (zh) * | 2021-12-13 | 2022-05-13 | 中国大唐集团科学技术研究院有限公司西北电力试验研究院 | 一种除尘系统入口烟尘浓度智能预测与控制方法 |
Non-Patent Citations (1)
| Title |
|---|
| 李志军 等: "静电除尘高压电源的优化控制系统", 《电气传动》, vol. 42, no. 2, pages 65 - 68 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN115167321B (zh) | 2023-11-21 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN102997222B (zh) | 一种锅炉汽包水位自适应pid控制方法 | |
| CN106614273B (zh) | 基于物联网大数据分析的宠物喂养方法及系统 | |
| CN106845767A (zh) | 一种行业科技发展力量化评估方法与评估系统 | |
| CN118192378B (zh) | 一种基于物联网的热能设备运行控制系统 | |
| CN116805065B (zh) | 一种煤粉加热炉燃烧器监测数据智能管理方法 | |
| CN101364277B (zh) | 基于区间ⅱ型模糊集的t-s模糊模型的建模系统 | |
| CN115167321A (zh) | 一种电厂静电除尘优化控制方法及系统 | |
| CN101598927A (zh) | 一种基于神经网络的纯碱碳化工艺控制系统及其控制方法 | |
| CN115101171A (zh) | 一种血液透析用患者信息分析管理系统 | |
| CN110287256A (zh) | 一种基于云计算的电网数据并行处理系统及其处理方法 | |
| CN113759702A (zh) | 一种垃圾厌氧处理的物联网-自动化控制系统及方法 | |
| CN109150603A (zh) | 云服务端自动扩容方法及装置 | |
| CN114239387A (zh) | 一种有机生化反应菌种投放指导方法及系统 | |
| CN116863403B (zh) | 一种农作物大数据环境监测方法、装置及电子设备 | |
| CN101981207B (zh) | 一种控制发酵过程的方法和装置 | |
| CN117828277A (zh) | 电力系统数据全链路稳定性监测方法及系统 | |
| WO2024016556A1 (zh) | 一种适用于流程工业预测控制的模型自主学习方法 | |
| CN102508972B (zh) | 一种氢能反应堆的建模方法 | |
| CN2641472Y (zh) | 基于计算智能的锅炉燃烧在线优化控制装置 | |
| CN115859028A (zh) | 基于集对势的诱导三参数区间灰数加权平均集结算子方法 | |
| CN115430230A (zh) | 一种布袋除尘器进出口控制方法 | |
| CN113935230A (zh) | 基于注意力机制LSTM模型实现NOx排放量预测方法 | |
| CN118519409B (zh) | 一种数据协同处理方法及系统 | |
| CN118781476B (zh) | 一种基于变步长学习率寻优策略的鱼类智能分选方法 | |
| CN118646015B (zh) | 基于大数据的电网负荷平衡调控方法及系统 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |