CN112364562B - 一种烟气环保岛协同控制方法及系统 - Google Patents
一种烟气环保岛协同控制方法及系统 Download PDFInfo
- Publication number
- CN112364562B CN112364562B CN202011253573.7A CN202011253573A CN112364562B CN 112364562 B CN112364562 B CN 112364562B CN 202011253573 A CN202011253573 A CN 202011253573A CN 112364562 B CN112364562 B CN 112364562B
- Authority
- CN
- China
- Prior art keywords
- model
- cooperative
- denitration
- desulfurization
- dedusting
- 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 85
- UGFAIRIUMAVXCW-UHFFFAOYSA-N Carbon monoxide Chemical compound [O+]#[C-] UGFAIRIUMAVXCW-UHFFFAOYSA-N 0.000 title claims description 31
- 239000003546 flue gas Substances 0.000 title claims description 31
- 238000006477 desulfuration reaction Methods 0.000 claims abstract description 171
- 230000023556 desulfurization Effects 0.000 claims abstract description 171
- 238000005457 optimization Methods 0.000 claims abstract description 117
- 230000007613 environmental effect Effects 0.000 claims abstract description 86
- 239000000779 smoke Substances 0.000 claims abstract description 27
- 238000011144 upstream manufacturing Methods 0.000 claims abstract description 9
- 239000000428 dust Substances 0.000 claims description 183
- MWUXSHHQAYIFBG-UHFFFAOYSA-N Nitric oxide Chemical compound O=[N] MWUXSHHQAYIFBG-UHFFFAOYSA-N 0.000 claims description 81
- QGZKDVFQNNGYKY-UHFFFAOYSA-N Ammonia Chemical compound N QGZKDVFQNNGYKY-UHFFFAOYSA-N 0.000 claims description 74
- 230000008569 process Effects 0.000 claims description 39
- RAHZWNYVWXNFOC-UHFFFAOYSA-N Sulphur dioxide Chemical compound O=S=O RAHZWNYVWXNFOC-UHFFFAOYSA-N 0.000 claims description 38
- 229910021529 ammonia Inorganic materials 0.000 claims description 37
- 238000010801 machine learning Methods 0.000 claims description 37
- 239000002002 slurry Substances 0.000 claims description 35
- 238000004422 calculation algorithm Methods 0.000 claims description 32
- 230000005684 electric field Effects 0.000 claims description 20
- 238000002347 injection Methods 0.000 claims description 14
- 239000007924 injection Substances 0.000 claims description 14
- 238000013145 classification model Methods 0.000 claims description 13
- 238000006243 chemical reaction Methods 0.000 claims description 12
- 238000007635 classification algorithm Methods 0.000 claims description 12
- 238000005507 spraying Methods 0.000 claims description 12
- 239000007788 liquid Substances 0.000 claims description 11
- 238000011010 flushing procedure Methods 0.000 claims description 10
- 238000010521 absorption reaction Methods 0.000 claims description 9
- 238000011217 control strategy Methods 0.000 claims description 7
- 230000001788 irregular Effects 0.000 claims description 7
- 238000005406 washing Methods 0.000 claims description 7
- 238000012216 screening Methods 0.000 claims description 6
- 239000000463 material Substances 0.000 abstract description 7
- 230000008901 benefit Effects 0.000 abstract description 6
- 238000005265 energy consumption Methods 0.000 abstract description 6
- 230000000694 effects Effects 0.000 description 6
- 238000010586 diagram Methods 0.000 description 5
- 230000006870 function Effects 0.000 description 5
- 238000012549 training Methods 0.000 description 5
- 239000003344 environmental pollutant Substances 0.000 description 4
- 231100000719 pollutant Toxicity 0.000 description 4
- 239000006096 absorbing agent Substances 0.000 description 3
- 230000009471 action Effects 0.000 description 3
- QVGXLLKOCUKJST-UHFFFAOYSA-N atomic oxygen Chemical compound [O] QVGXLLKOCUKJST-UHFFFAOYSA-N 0.000 description 3
- 239000001301 oxygen Substances 0.000 description 3
- 229910052760 oxygen Inorganic materials 0.000 description 3
- 230000002411 adverse Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000005314 correlation function Methods 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 238000013459 approach Methods 0.000 description 1
- 238000009412 basement excavation Methods 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000004590 computer program Methods 0.000 description 1
- 230000005611 electricity Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 239000003595 mist Substances 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 231100000572 poisoning Toxicity 0.000 description 1
- 230000000607 poisoning effect Effects 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 239000000243 solution Substances 0.000 description 1
- 230000002195 synergetic effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2111/00—Details relating to CAD techniques
- G06F2111/06—Multi-objective optimisation, e.g. Pareto optimisation using simulated annealing [SA], ant colony algorithms or genetic algorithms [GA]
Landscapes
- Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Mathematical Physics (AREA)
- Pure & Applied Mathematics (AREA)
- Computational Mathematics (AREA)
- Software Systems (AREA)
- Mathematical Optimization (AREA)
- Mathematical Analysis (AREA)
- Computer Hardware Design (AREA)
- Operations Research (AREA)
- Probability & Statistics with Applications (AREA)
- Geometry (AREA)
- Algebra (AREA)
- Medical Informatics (AREA)
- Databases & Information Systems (AREA)
- Feedback Control In General (AREA)
- Treating Waste Gases (AREA)
Abstract
本发明公开了一种烟气环保岛协同控制方法及系统，打破原环保设备独立运行的数据孤岛模式，集成锅炉负荷、烟气工况数据及环保岛上下游系统数据，建立脱硝优化模型、除尘优化模型、脱硫优化模型、脱硝协同模型、除尘协同模型和脱硫协同模型，基于脱硝优化模型、除尘优化模型和脱硫优化模型，确定环保岛烟气的最优化策略，并应用脱硝协同模型、除尘协同模型和脱硫协同模型实现对整个环保岛的协同控制，从而充分发挥了环保岛设备协同治理的优势，有效提升了环保岛综合控制运行水平，使环保岛系统的技术经济性得到最大程度的优化，降低了环保岛运行的能耗、物耗和治理成本。
Description
技术领域
本发明涉及烟气治理技术领域，更具体的说，涉及一种烟气环保岛协同控制方法及系统。
背景技术
由于技术、管理和运营等多方面的原因，目前国内燃煤电厂污染物仍处于单一治理的阶段。燃煤机组超低排放环保岛系统中各个污染物治理子系统都仅仅考虑单一污染物的治理，比如，脱硫治理子系统负责脱除二氧化硫，电除尘治理子系统负责脱除粉尘，脱硝治理子系统负责脱除氮氧化物，等等，每一个子系统相当于一个数据孤岛，相互之间不存在数据关联。
然而，实际上各个子系统之间在运行时是相互关联和相互影响的，一个子系统在治理某个指标的同时，还会对相邻或不相邻子系统的治理指标产生一些有利影响或不利影响。其中，不利影响可能增加被影响的子系统对相应污染物的治理难度，从而增加环保岛系统的治理成本；而有利影响可能带来的增效节能作用也没有得到充分利用，使得环保岛系统的技术经济性无法得到最大程度的优化。
发明内容
有鉴于此，本发明公开一种烟气环保岛协同控制方法及系统，以实现实现对整个环保岛的协同控制，从而充分发挥环保岛设备协同治理的优势，有效提升环保岛综合控制运行水平，使环保岛系统的技术经济性得到最大程度的优化，降低环保岛运行的能耗、物耗和治理成本。
一种烟气环保岛协同控制方法，包括：
基于锅炉负荷、烟气工况数据及环保岛上下游系统数据，建立脱硝优化模型、除尘优化模型、脱硫优化模型、脱硝协同模型、除尘协同模型和脱硫协同模型，其中，所述脱硝优化模型用于预测最优化喷氨量，所述除尘优化模型用于为电除尘设备提供相应的节能提效策略，所述脱硫优化模型用于根据实际脱硫工况数据和烟囱排放口二氧化硫目标浓度值，得到最优化浆液量和循环泵组合，所述脱硝协同模型用于对脱硝系统和除尘系统进行协同控制，所述除尘协同模型用于对所述除尘系统和输灰系统进行协同控制，所述脱硫协同模型用于对脱硫系统和除尘系统进行协同控制；
基于所述脱硝优化模型、所述除尘优化模型和所述脱硫优化模型，确定环保岛烟气的最优化策略；
基于所述脱硝协同模型、所述除尘协同模型和所述脱硫协同模型，对整个环保岛进行协同控制。
可选的，所述脱硝优化模型的建立过程包括：
获取脱硝工艺的历史脱硝工况数据；
对所述历史脱硝工况数据应用机器学习回归算法，建立各类工况下喷氨量与烟囱排放口氮氧化物浓度的非线性关联模型，记为第一非线性关联模型；
对所述第一非线性关联模型通过目标转换得到所述脱硝优化模型。
可选的，所述除尘优化模型的建立过程包括：
获取锅炉工况数据和除尘电场运行参数；
对所述锅炉工况数据和所述除尘电场运行参数应用机器学习分类算法，建立各类工况下除尘电场运行参数烟囱排放口粉尘浓度和除尘功率的非线性关联模型；
将所述非线性关联模型作为除尘优化模型，对所述除尘优化模型采用智能择优算法为电除尘设备提供相应的节能提效策略，实现除尘优化输出。
可选的，所述脱硫优化模型的建立过程包括：
获取脱硫工艺的历史脱硫工况数据；
对所述历史脱硫工况数据应用机器学习回归算法，建立各类工况下浆液量、浆液循环泵组合与烟囱排放口二氧化硫浓度的非线性关联模型，记为第二非线性关联模型；
对所述第二非线性关联模型通过目标转换得到所述脱硫优化模型。
可选的，所述脱硝协同模型的建立过程包括：
获取脱硝协同输入因子的历史数据；
对所述历史数据应用机器学习聚类算法，构建各个脱硝协同输入因子之间的正向聚类分布群模型；
将所述正向聚类分布群模型作为脱硝协同模型，对所述脱硝协同输入因子中一个或多个数据发生的非常规变化进行筛查，输出工艺干扰预警，并在烟囱的排放口氮氧化物浓度达标的情况下，通过脱硝优化模型优化喷氨量，以及使后端的除尘系统进行相应除尘处理。
可选的，所述除尘协同模型的建立过程包括：
获取除尘协同输入因子的时序历史数据；
对所述时序历史数据应用机器学习推荐算法，结合专家系统，建立振打力度与振打周期的非线性关联模型，记为第三非线性关联模型；
将所述第三非线性关联模型作为除尘协同模型，基于所述除尘协同模型，根据所述除尘出口粉尘浓度和所述排放口粉尘浓度的差值，计算脱硫系统通过浆液洗涤的除尘效率，并以烟囱排放口粉尘浓度达标为控制目标，计算除尘出口粉尘最低浓度，并根据输灰系统运行参数与除尘运行参数确定关联控制策略，对除尘系统和输灰系统进行协同控制。
可选的，所述脱硫协同模型的建立过程包括：
获取脱硫协同输入因子的历史数据；
对所述历史数据应用机器学习分类算法，建立不同除尘出口粉尘浓度下，排放口粉尘浓度与除雾器冲洗的非线性分类模型；
将所述非线性分类模型作为脱硫协同模型，通过所述脱硫协同模型，在脱硫入口粉尘浓度高的情况下，根据吸收塔液位，启动除雾器冲洗，降低排放口粉尘浓度，对脱硫系统和除尘系统进行协同控制。
一种烟气环保岛协同控制系统，包括：
模型建立单元，用于基于锅炉负荷、烟气工况数据及环保岛上下游系统数据，建立脱硝优化模型、除尘优化模型、脱硫优化模型、脱硝协同模型、除尘协同模型和脱硫协同模型，其中，所述脱硝优化模型用于预测最优化喷氨量，所述除尘优化模型用于为电除尘设备提供相应的节能提效策略，所述脱硫优化模型用于根据实际脱硫工况数据和烟囱排放口二氧化硫目标浓度值，得到最优化浆液量和循环泵组合，所述脱硝协同模型用于对脱硝系统和除尘系统进行协同控制，所述除尘协同模型用于对所述除尘系统和输灰系统进行协同控制，所述脱硫协同模型用于对脱硫系统和除尘系统进行协同控制；
策略确定单元，用于基于所述脱硝优化模型、所述除尘优化模型和所述脱硫优化模型，确定环保岛烟气的最优化策略；
协同控制单元，用于基于所述脱硝协同模型、所述除尘协同模型和所述脱硫协同模型，对整个环保岛进行协同控制。
可选的，还包括：脱硝优化模型建立单元；
所述脱硝优化模型建立单元具体用于：
获取脱硝工艺的历史脱硝工况数据；
对所述历史脱硝工况数据应用机器学习回归算法，建立各类工况下喷氨量与烟囱排放口氮氧化物浓度的非线性关联模型，记为第一非线性关联模型；
对所述第一非线性关联模型通过目标转换得到所述脱硝优化模型。
可选的，还包括：除尘优化模型建立单元；
所述除尘优化模型建立单元具体用于：
获取锅炉工况数据和除尘电场运行参数；
对所述锅炉工况数据和所述除尘电场运行参数应用机器学习分类算法，建立各类工况下除尘电场运行参数烟囱排放口粉尘浓度和除尘功率的非线性关联模型；
将所述非线性关联模型作为除尘优化模型，对所述除尘优化模型采用智能择优算法为电除尘设备提供相应的节能提效策略，实现除尘优化输出。
可选的，还包括：脱硫优化模型建立单元；
所述脱硫优化模型建立单元具体用于：
获取脱硫工艺的历史脱硫工况数据；
对所述历史脱硫工况数据应用机器学习回归算法，建立各类工况下浆液量、浆液循环泵组合与烟囱排放口二氧化硫浓度的非线性关联模型，记为第二非线性关联模型；
对所述第二非线性关联模型通过目标转换得到所述脱硫优化模型。
可选的，还包括：脱硝协同模型建立单元；
所述脱硝协同模型建立单元具体用于：
获取脱硝协同输入因子的历史数据；
对所述历史数据应用机器学习聚类算法，构建各个脱硝协同输入因子之间的正向聚类分布群模型；
将所述正向聚类分布群模型作为脱硝协同模型，对所述脱硝协同输入因子中一个或多个数据发生的非常规变化进行筛查，输出工艺干扰预警，并在烟囱的排放口氮氧化物浓度达标的情况下，通过脱硝优化模型优化喷氨量，以及使后端的除尘系统进行相应除尘处理。
可选的，还包括：除尘协同模型建立单元；
所述除尘协同模型建立单元具体用于：
获取除尘协同输入因子的时序历史数据；
对所述时序历史数据应用机器学习推荐算法，结合专家系统，建立振打力度与振打周期的非线性关联模型，记为第三非线性关联模型；
将所述第三非线性关联模型作为除尘协同模型，基于所述除尘协同模型，根据所述除尘出口粉尘浓度和所述排放口粉尘浓度的差值，计算脱硫系统通过浆液洗涤的除尘效率，并以烟囱排放口粉尘浓度达标为控制目标，计算除尘出口粉尘最低浓度，并根据输灰系统运行参数与除尘运行参数确定关联控制策略，对除尘系统和输灰系统进行协同控制。
可选的，还包括：脱硫协同模型建立单元；
所述脱硫协同模型建立单元具体用于：
获取脱硫协同输入因子的历史数据；
对所述历史数据应用机器学习分类算法，建立不同除尘出口粉尘浓度下，排放口粉尘浓度与除雾器冲洗的非线性分类模型；
将所述非线性分类模型作为脱硫协同模型，通过所述脱硫协同模型，在脱硫入口粉尘浓度高的情况下，根据吸收塔液位，启动除雾器冲洗，降低排放口粉尘浓度，对脱硫系统和除尘系统进行协同控制。
从上述的技术方案可知，本发明公开了一种烟气环保岛协同控制方法及系统，打破原环保设备独立运行的数据孤岛模式，集成锅炉负荷、烟气工况数据及环保岛上下游系统数据，建立脱硝优化模型、除尘优化模型、脱硫优化模型、脱硝协同模型、除尘协同模型和脱硫协同模型，基于脱硝优化模型、除尘优化模型和脱硫优化模型，确定环保岛烟气的最优化策略，并应用脱硝协同模型、除尘协同模型和脱硫协同模型实现对整个环保岛的协同控制，从而充分发挥了环保岛设备协同治理的优势，有效提升了环保岛综合控制运行水平，使环保岛系统的技术经济性得到最大程度的优化，降低了环保岛运行的能耗、物耗和治理成本。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的实施例，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，还可以根据公开的附图获得其他的附图。
图1为本发明实施例公开的一种烟气环保岛协同控制方法流程图；
图2为本发明实施例公开的一种脱硝优化模型的建立方法流程图；
图3为本发明实施例公开的一种除尘优化模型的建立方法流程图；
图4为本发明实施例公开的一种脱硫优化模型的建立方法流程图；
图5为本发明实施例公开的一种脱硝协同模型的建立方法流程图；
图6为本发明实施例公开的一种除尘协同模型的建立方法流程图；
图7为本发明实施例公开的一种脱硫协同模型的建立方法流程图；
图8为本发明实施例公开的一种烟气环保岛协同控制时的智慧环保云平台示意图；
图9为本发明实施例公开的一种烟气环保岛的硬件连接示意图；
图10为本发明实施例公开的一种烟气环保岛协同控制系统的结构示意图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
本发明实施例公开了一种烟气环保岛协同控制方法及系统，打破原环保设备独立运行的数据孤岛模式，集成锅炉负荷、烟气工况数据及环保岛上下游系统数据，建立脱硝优化模型、除尘优化模型、脱硫优化模型、脱硝协同模型、除尘协同模型和脱硫协同模型，基于脱硝优化模型、除尘优化模型和脱硫优化模型，确定环保岛烟气的最优化策略，并应用脱硝协同模型、除尘协同模型和脱硫协同模型实现对整个环保岛的协同控制，从而充分发挥了环保岛设备协同治理的优势，有效提升了环保岛综合控制运行水平，使环保岛系统的技术经济性得到最大程度的优化，降低了环保岛运行的能耗、物耗和治理成本。
参见图1，本发明实施例公开的一种烟气环保岛协同控制方法流程图，该方法包括：
步骤S101、基于锅炉负荷、烟气工况数据及环保岛上下游系统数据，建立脱硝优化模型、除尘优化模型、脱硫优化模型、脱硝协同模型、除尘协同模型和脱硫协同模型；
步骤S102、基于所述脱硝优化模型、所述除尘优化模型和所述脱硫优化模型，确定环保岛烟气的最优化策略；
其中，所述脱硝优化模型用于预测最优化喷氨量，所述除尘优化模型用于为电除尘设备提供相应的节能提效策略，所述脱硫优化模型用于根据实际脱硫工况数据和烟囱排放口二氧化硫目标浓度值，得到最优化浆液量和循环泵组合。
步骤S103、基于所述脱硝协同模型、所述除尘协同模型和所述脱硫协同模型，对整个环保岛进行协同控制。
其中，所述脱硝协同模型用于对脱硝系统和除尘系统进行协同控制，所述除尘协同模型用于对所述除尘系统和输灰系统进行协同控制，所述脱硫协同模型用于对脱硫系统和除尘系统进行协同控制。
综上可知，本发明公开的烟气环保岛协同控制方法，打破原环保设备独立运行的数据孤岛模式，集成锅炉负荷、烟气工况数据及环保岛上下游系统数据，建立脱硝优化模型、除尘优化模型、脱硫优化模型、脱硝协同模型、除尘协同模型和脱硫协同模型，基于脱硝优化模型、除尘优化模型和脱硫优化模型，确定环保岛烟气的最优化策略，并应用脱硝协同模型、除尘协同模型和脱硫协同模型实现对整个环保岛的协同控制，从而充分发挥了环保岛设备协同治理的优势，有效提升了环保岛综合控制运行水平，使环保岛系统的技术经济性得到最大程度的优化，降低了环保岛运行的能耗、物耗和治理成本。
为进一步优化上述实施例，参见图2，本发明实施例公开了一种脱硝优化模型的建立方法流程图，该方法包括步骤：
步骤S201、获取脱硝工艺的历史脱硝工况数据；
其中，所述历史脱硝工况数据可以包括：获取锅炉负荷(x1)、脱硝入口工况烟气量(x2)、脱硝入口氧量(x3)、脱硝入口温度(x4)、脱硝入口氮氧化物浓度(x5)、脱硝出口氮氧化物浓度(x6)、喷氨量(u1)和氨逃逸量(x7)。
步骤S202、对所述历史脱硝工况数据应用机器学习回归算法，建立各类工况下喷氨量(u1)与烟囱排放口氮氧化物浓度(y1)的非线性关联模型，记为第一非线性关联模型；
步骤S203、对所述第一非线性关联模型通过目标转换得到脱硝优化模型。
其中，所述脱硝优化模型能够根据实际脱硝工况数据和烟囱排放口氮氧化物目标浓度值，预测最优化喷氨量，也即可以得到脱硝优化输出。
脱硝优化模型的数学方程式如下：
f1(x1，x2，x3，x4，x5，x6，x7，y1)＝u1。
f1为上述变量的关联函数，鉴于复杂工况通常无法求得具体表达式，但是可以通过一系列方法逼近该关联函数，比如利用数据驱动的方式训练出可以媲美f1效果的AI模型。
本发明通过预测最优化喷氨量，实现在保证环保达标的情况下，尽可能降低氨逃逸率。
具体的，在实际应用中，通过对历史脱硝工况数据进行预处理及特征工程分析，确定脱硝优化模型输入所需的工况特征，在进行模型训练时，通过综合评估选择集成学习中的XGboost作为训练模型，训练模型的表达式如下：
式中，K为树的棵数，f(x)为函数空间中的一个函数，fk(xi)为第i个样本在第k棵树下的预测结果，xi表示第i个样本，为表示样本xi的预测结果，F表示所有可能的树。
式中，F为全部的回归树集合,而f就是其中一个回归树,q(x)表示将样本x分到了某个叶子节点上,w是叶子节点的分数,RT为实数空间,Rd为树的取值范围,wq(x)表示回归树对样本的预测值。
目标函数为:
式中，为样本xi的训练误差，Ω(fk)表示第k棵树的正则项，T为叶子节点的个数，||w||为叶子节点向量的模；γ，λ均为模型超参数，其中γ控制叶子节点个数，λ为L2正则化系数。
通过选择合适的优化算法，求解上述目标函数。然后利用训练好的模型根据实际脱硝工况数据和烟囱排放口氮氧化物目标浓度值，通过反复求解优化目标函数来不断迭代优化模型以逼近理想效果,预测出最优化喷氨量(基于历史行为分析，满足排放达标和最低的氨逃逸量)。
为进一步优化上述实施例，参见图3，本发明实施例公开的一种除尘优化模型的建立方法流程图，该方法包括步骤：
步骤S301、获取锅炉工况数据和除尘电场运行参数；
其中，锅炉工况数据包括：锅炉负荷(x1)、除尘入口工况烟气量(g1)、除尘入口氧量(g2)、除尘入口温度(g3)等。
除尘电场运行参数用(s1，s2，…，sn)表示。
步骤S302、对所述锅炉工况数据和所述除尘电场运行参数应用机器学习分类算法，建立各类工况下除尘电场运行参数烟囱排放口粉尘浓度(y2)和除尘功率(y3)的非线性关联模型；
其中，非线性关联模型的数学方程式如下：
g1(x1，g1，g2，g3，s1，s2，…，sn)＝y2、y3；
步骤S303、将所述非线性关联模型作为除尘优化模型，对所述除尘优化模型采用智能择优算法为电除尘设备提供相应的节能提效策略，实现除尘优化输出。
其中，本发明提供的节能提效策略为在保证环保达标的情况下，尽可能降低除尘设备电耗。
为进一步优化上述实施例，参见图4，本发明实施例公开的一种脱硫优化模型的建立方法流程图，该方法包括步骤：
步骤S401、获取脱硫工艺的历史脱硫工况数据；
其中，所述历史脱硫工况数据可以包括：锅炉负荷(x1)、脱硫入口工况烟气量(h2)、脱硫入口氧量(h3)、脱硫入口温度(h4)、浆液循环泵组合(t1，t2，…，tn)、除雾器冲洗(u3)、吸收塔液位(a2)和吸收塔入口二氧化硫(h6)。
步骤S402、对所述历史脱硫工况数据应用机器学习回归算法，建立各类工况下浆液量(u2)、浆液循环泵组合(t1，t2，…，tn)与烟囱排放口二氧化硫浓度(y4)的非线性关联模型，记为第二非线性关联模型；
步骤S403、对所述第二非线性关联模型通过目标转换得到脱硫优化模型。
其中，所述脱硫优化模型能够根据实际脱硫工况数据和烟囱排放口二氧化硫目标浓度值，得到最优化浆液量和循环泵组合，也即得到脱硫优化输出。
脱硫优化模型的数学方程式如下：
q1(x1，h2，h3，h4，h6，y4，u3，a2)＝u2、t1、t2、…、tn。
本发明通过得到最优化浆液量和循环泵组合，实现在保证环保达标的情况下，尽可能节省浆液量的物耗和电耗。
为进一步优化上述实施例，参见图5，本发明实施例公开的一种脱硝协同模型的建立方法流程图，该方法包括步骤：
步骤S501、获取脱硝协同输入因子的历史数据；
在脱硝过程中，过量的氨逃逸将使除尘极线积灰，抑制电场能力，最终引发除尘效率的下降。基于这一关联特性，本发明将常规运行过程中的脱硝入口氮氧化物浓度(x5)、脱硝出口氮氧化物浓度(x6)、喷氨量(u1)、氨逃逸量(x7)、烟囱的排放口氮氧化物浓度(y1)和除尘运行参数(s1，s2，…，sn)的历史数据作为脱硝协同输入因子。
步骤S502、对所述历史数据应用机器学习聚类算法，构建各个脱硝协同输入因子之间的正向聚类分布群模型；
其中，正向聚类分布群模型的数学方程式如下：
f2(x5，x6，x7，y1，s1，s2，…，sn，)＝0/1；
步骤S503、将所述正向聚类分布群模型作为脱硝协同模型，对所述脱硝协同输入因子中一个或多个数据发生的非常规变化进行筛查，输出工艺干扰预警，并在烟囱的排放口氮氧化物浓度达标的情况下，通过脱硝优化模型优化喷氨量，以及使后端的除尘系统进行相应除尘处理。
其中，脱硝协同模型用于对脱硝系统和除尘系统进行协同控制。
本发明中，当脱硝协同输入因子中一个或多个数据发生非常规变化时，脱硝协同模型可以快速筛查出工艺干扰现象，并在烟囱的排放口氮氧化物浓度达标的情况下，通过脱硝优化模型优化喷氨量，达到脱硝和除尘协同控制目的，并通知后端的除尘系统进行相应的除尘处理。
为进一步优化上述实施例，参见图6，本发明实施例公开的一种除尘协同模型的建立方法流程图，该方法包括步骤：
步骤S601、获取除尘协同输入因子的时序历史数据；
其中，时序历史数据包括：除尘运行参数(s1，s2，…，sn)、除尘出口粉尘浓度(c1)、烟囱的排放口粉尘浓度(y2)、输灰系统运行参数(v1，v2..,vn)和脱硝协同模型输出氨逃逸量(m1)。
步骤S602、对所述时序历史数据应用机器学习推荐算法，结合专家系统，建立振打力度(y5)与振打周期(y6)的非线性关联模型，记为第三非线性关联模型；
其中，专家系统是一个智能计算机程序系统，其内部含有大量的某个领域专家水平的知识与经验，能够利用人类专家的知识和解决问题的方法来处理该领域问题。
本发明对所述时序历史数据应用机器学习推荐算法，结合专家系统可以优化除尘振打输出参数，包括振打力度(y5)与振打周期(y6)，减少氨逃逸对除尘工艺的影响。
振打力度(y5)与振打周期(y6)的非线性关联模型的数学方程式如下：
g2(s1，s2，…，sn，v1，v2，..，vn，m1，c1，y2)＝y5、y6。
步骤S603、将所述第三非线性关联模型作为除尘协同模型，基于所述除尘协同模型，根据所述除尘出口粉尘浓度(c1)和所述排放口粉尘浓度(y2)的差值，计算脱硫系统通过浆液洗涤的除尘效率，并以烟囱排放口粉尘浓度达标为控制目标，计算除尘出口粉尘最低浓度，并根据输灰系统运行参数与除尘运行参数确定关联控制策略，对除尘系统和输灰系统进行协同控制。
本发明通过除尘出口粉尘浓度与排放口粉尘浓度的差值，计算脱硫系统通过浆液洗涤的除尘效率，定量分析脱硫系统的除尘效率，并以烟囱排放口达标为控制目标，计算除尘出口要达到的最低浓度，适当减低除尘输出功率，达到节能的效果。并根据输灰系统运行参数与除尘运行参数的深度挖掘，输出关联控制策略，减少输灰系统故障对电除尘电场短路的影响，完成除尘系统与输灰系统的协同控制。
为进一步优化上述实施例，参见图7，本发明实施例公开的一种脱硫协同模型的建立方法流程图，该方法包括：
步骤S701、获取脱硫协同输入因子的历史数据；
除尘出口的粉尘干扰脱硫浆液品质，过量会引起浆液中毒，最终降低脱硫效率。
其中，脱硫协同输入因子包括：除尘出口粉尘浓度(c1)、排放口粉尘浓度(y2)、排放口二氧化硫浓度(y4)、浆液循环泵组合(t1，t2，…，tn)、除雾器冲洗(u3)和吸收塔液位(a2)。
步骤S702、对所述历史数据应用机器学习分类算法，建立不同除尘出口粉尘浓度下，排放口粉尘浓度(y2)与除雾器冲洗(u3)的非线性分类模型；
其中，排放口粉尘浓度(y2)与除雾器冲洗(u3)的非线性分类模型的数学方程式如下：
p2(c1，y2，y4，t1，t2，…，tn)＝u3；
式中，c1为除尘出口粉尘浓度，y2为烟囱的排放口粉尘浓度，y4为烟囱排放口二氧化硫浓度，(t1，t2，…，tn)为浆液循环泵组合。
步骤S703、将所述非线性分类模型作为脱硫协同模型，通过所述脱硫协同模型，在脱硫入口粉尘浓度高的情况下，根据吸收塔液位，启动除雾器冲洗，降低排放口粉尘浓度，对脱硫系统和除尘系统进行协同控制。
本发明通过脱硫协同模型，在脱硫入口粉尘浓度高的情况下，根据吸收塔液位，启动除雾器冲洗，降低排放口粉尘浓度，提高脱硫效率，从而实现脱硫系统和除尘系统的协同控制。
需要说明的是，脱硝优化模型、除尘优化模型、脱硫优化模型、脱硝协同模型、除尘协同模型和脱硫协同模型几个模型之间的关联关系可参见图8所示的烟气环保岛协同控制时的智慧环保云平台示意图。
需要说明的是，本发明在实现烟气环保岛协同控制时，采用的硬件配置如图9所示，硬件配置包括：智慧环保云平台、前置数采机1、前置数采机2、电厂现场环保岛监控中心、单向网闸、静电除尘IPC(智能控制系统)、SIS(厂级监控信息系统)PI数据库、DCS分散控制系统和GPS(Global Positioning System，全球定位系统)网络时间服务器。
其中，智慧环保云平台与前置数采机1、前置数采机2和电厂现场环保岛监控中心通过专网连接。
前置数采机1用于采集电除尘数据。
前置数采机2用于通过SIS系统，采集锅炉工况数据以及脱硫、脱硝、输灰系统数据；
单向网闸是网络安全设备，数据只允许读取，不允许写入；
智慧环保云平台用于输出最优化策略，下发到电厂现场环保岛监控中心。
电厂现场环保岛监控中心用于环保岛运行参数监控与最优化策略的参数发布。
GPS时钟同步静电除尘IPC，SIS PI数据库时间统一，使数据的时间簇对齐。
与上述方法实施例相对应，本发明还公开了一种烟气环保岛协同控制系统。
参见图10，本发明实施例公开的一种烟气环保岛协同控制系统的结构示意图，该系统包括：
模型建立单元801，用于基于锅炉负荷、烟气工况数据及环保岛上下游系统数据，建立脱硝优化模型、除尘优化模型、脱硫优化模型、脱硝协同模型、除尘协同模型和脱硫协同模型；
其中，所述脱硝优化模型用于预测最优化喷氨量，所述除尘优化模型用于为电除尘设备提供相应的节能提效策略，所述脱硫优化模型用于根据实际脱硫工况数据和烟囱排放口二氧化硫目标浓度值，得到最优化浆液量和循环泵组合，所述脱硝协同模型用于对脱硝系统和除尘系统进行协同控制，所述除尘协同模型用于对所述除尘系统和输灰系统进行协同控制，所述脱硫协同模型用于对脱硫系统和除尘系统进行协同控制。
策略确定单元802，用于基于所述脱硝优化模型、所述除尘优化模型和所述脱硫优化模型，确定环保岛烟气的最优化策略；
协同控制单元803，用于基于所述脱硝协同模型、所述除尘协同模型和所述脱硫协同模型，对整个环保岛进行协同控制。
综上可知，本发明公开的烟气环保岛协同控制系统，打破原环保设备独立运行的数据孤岛模式，集成锅炉负荷、烟气工况数据及环保岛上下游系统数据，建立脱硝优化模型、除尘优化模型、脱硫优化模型、脱硝协同模型、除尘协同模型和脱硫协同模型，基于脱硝优化模型、除尘优化模型和脱硫优化模型，确定环保岛烟气的最优化策略，并应用脱硝协同模型、除尘协同模型和脱硫协同模型实现对整个环保岛的协同控制，从而充分发挥了环保岛设备协同治理的优势，有效提升了环保岛综合控制运行水平，使环保岛系统的技术经济性得到最大程度的优化，降低了环保岛运行的能耗、物耗和治理成本。
为进一步优化上述实施例，烟气环保岛协同控制系统还可以包括：脱硝优化模型建立单元；
所述脱硝优化模型建立单元具体用于：
获取脱硝工艺的历史脱硝工况数据；
对所述历史脱硝工况数据应用机器学习回归算法，建立各类工况下喷氨量与烟囱排放口氮氧化物浓度的非线性关联模型，记为第一非线性关联模型；
对所述第一非线性关联模型通过目标转换得到所述脱硝优化模型。
其中，脱硝优化模型建立单元的具体工作原理，请参见图2所示实施例对应部分，此处不再赘述。
为进一步优化上述实施例，烟气环保岛协同控制系统还可以包括：除尘优化模型建立单元；
所述除尘优化模型建立单元具体用于：
获取锅炉工况数据和除尘电场运行参数；
对所述锅炉工况数据和所述除尘电场运行参数应用机器学习分类算法，建立各类工况下除尘电场运行参数烟囱排放口粉尘浓度和除尘功率的非线性关联模型；
将所述非线性关联模型作为除尘优化模型，对所述除尘优化模型采用智能择优算法为电除尘设备提供相应的节能提效策略，实现除尘优化输出。
其中，除尘优化模型建立单元的具体工作原理，请参见图3所示实施例对应部分，此处不再赘述。
为进一步优化上述实施例，烟气环保岛协同控制系统还可以包括：脱硫优化模型建立单元；
所述脱硫优化模型建立单元具体用于：
获取脱硫工艺的历史脱硫工况数据；
对所述历史脱硫工况数据应用机器学习回归算法，建立各类工况下浆液量、浆液循环泵组合与烟囱排放口二氧化硫浓度的非线性关联模型，记为第二非线性关联模型；
对所述第二非线性关联模型通过目标转换得到所述脱硫优化模型。
其中，脱硫优化模型建立单元的具体工作原理，请参见图4所示实施例对应部分，此处不再赘述。
为进一步优化上述实施例，烟气环保岛协同控制系统还可以包括：脱硝协同模型建立单元；
所述脱硝协同模型建立单元具体用于：
获取脱硝协同输入因子的历史数据；
对所述历史数据应用机器学习聚类算法，构建各个脱硝协同输入因子之间的正向聚类分布群模型；
将所述正向聚类分布群模型作为脱硝协同模型，对所述脱硝协同输入因子中一个或多个数据发生的非常规变化进行筛查，输出工艺干扰预警，并在烟囱的排放口氮氧化物浓度达标的情况下，通过脱硝优化模型优化喷氨量，以及使后端的除尘系统进行相应除尘处理。
其中，脱硝协同模型建立单元的具体工作原理，请参见图5所示实施例对应部分，此处不再赘述。
为进一步优化上述实施例，烟气环保岛协同控制系统还可以包括：除尘协同模型建立单元；
所述除尘协同模型建立单元具体用于：
获取除尘协同输入因子的时序历史数据；
对所述时序历史数据应用机器学习推荐算法，结合专家系统，建立振打力度与振打周期的非线性关联模型，记为第三非线性关联模型；
将所述第三非线性关联模型作为除尘协同模型，基于所述除尘协同模型，根据所述除尘出口粉尘浓度和所述排放口粉尘浓度的差值，计算脱硫系统通过浆液洗涤的除尘效率，并以烟囱排放口粉尘浓度达标为控制目标，计算除尘出口粉尘最低浓度，并根据输灰系统运行参数与除尘运行参数确定关联控制策略，对除尘系统和输灰系统进行协同控制。
其中，除尘协同模型建立单元的具体工作原理，请参见图6所示实施例对应部分，此处不再赘述。
为进一步优化上述实施例，烟气环保岛协同控制系统还可以包括：脱硫协同模型建立单元；
所述脱硫协同模型建立单元具体用于：
获取脱硫协同输入因子的历史数据；
对所述历史数据应用机器学习分类算法，建立不同除尘出口粉尘浓度下，排放口粉尘浓度与除雾器冲洗的非线性分类模型；
将所述非线性分类模型作为脱硫协同模型，通过所述脱硫协同模型，在脱硫入口粉尘浓度高的情况下，根据吸收塔液位，启动除雾器冲洗，降低排放口粉尘浓度，对脱硫系统和除尘系统进行协同控制。
其中，脱硫协同模型建立单元的具体工作原理，请参见图7所示实施例对应部分，此处不再赘述。
最后，还需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。
对所公开的实施例的上述说明，使本领域专业技术人员能够实现或使用本发明。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的，本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下，在其它实施例中实现。因此，本发明将不会被限制于本文所示的这些实施例，而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。
Claims (8)
1.一种烟气环保岛协同控制方法，其特征在于，包括：
基于锅炉负荷、烟气工况数据及环保岛上下游系统数据，建立脱硝优化模型、除尘优化模型、脱硫优化模型、脱硝协同模型、除尘协同模型和脱硫协同模型，其中，所述脱硝优化模型用于预测最优化喷氨量，所述除尘优化模型用于为电除尘设备提供相应的节能提效策略，所述脱硫优化模型用于根据实际脱硫工况数据和烟囱排放口二氧化硫目标浓度值，得到最优化浆液量和循环泵组合，所述脱硝协同模型用于对脱硝系统和除尘系统进行协同控制，所述除尘协同模型用于对所述除尘系统和输灰系统进行协同控制，所述脱硫协同模型用于对脱硫系统和除尘系统进行协同控制；
基于所述脱硝优化模型、所述除尘优化模型和所述脱硫优化模型，确定环保岛烟气的最优化策略；
基于所述脱硝协同模型、所述除尘协同模型和所述脱硫协同模型，对整个环保岛进行协同控制；
其中，所述脱硝协同模型的建立过程包括：
获取脱硝协同输入因子的历史数据，所述脱硝协同输入因子的历史数据包括脱硝入口氮氧化物浓度、脱硝出口氮氧化物浓度、喷氨量、氨逃逸量、烟囱的排放口氮氧化物浓度和除尘运行参数；
对所述历史数据应用机器学习聚类算法，构建各个脱硝协同输入因子之间的正向聚类分布群模型；
将所述正向聚类分布群模型作为脱硝协同模型，对所述脱硝协同输入因子中一个或多个数据发生的非常规变化进行筛查，输出工艺干扰预警，并在烟囱的排放口氮氧化物浓度达标的情况下，通过脱硝优化模型优化喷氨量，以及使后端的除尘系统进行相应除尘处理；
其中，所述除尘协同模型的建立过程包括：
获取除尘协同输入因子的时序历史数据，所述时序历史数据包括除尘运行参数、除尘出口粉尘浓度、烟囱的排放口粉尘浓度、输灰系统运行参数和脱硝协同模型输出氨逃逸量；
对所述时序历史数据应用机器学习推荐算法，结合专家系统，建立振打力度与振打周期的非线性关联模型，记为第三非线性关联模型；
将所述第三非线性关联模型作为除尘协同模型，基于所述除尘协同模型，根据除尘出口粉尘浓度和所述烟囱排放口粉尘浓度的差值，计算脱硫系统通过浆液洗涤的除尘效率，并以烟囱排放口粉尘浓度达标为控制目标，计算除尘出口粉尘最低浓度，并根据输灰系统运行参数与除尘运行参数确定关联控制策略，对除尘系统和输灰系统进行协同控制；
其中，所述脱硫协同模型的建立过程包括：
获取脱硫协同输入因子的历史数据，所述脱硫协同输入因子的历史数据包括除尘出口粉尘浓度、排放口粉尘浓度、排放口二氧化硫浓度、浆液循环泵组合、除雾器冲洗和吸收塔液位；
对所述历史数据应用机器学习分类算法，建立不同除尘出口粉尘浓度下，排放口粉尘浓度与除雾器冲洗的非线性分类模型；
将所述非线性分类模型作为脱硫协同模型，通过所述脱硫协同模型，在脱硫入口粉尘浓度高的情况下，根据吸收塔液位，启动除雾器冲洗，降低排放口粉尘浓度，对脱硫系统和除尘系统进行协同控制。
2.根据权利要求1所述的烟气环保岛协同控制方法，其特征在于，所述脱硝优化模型的建立过程包括：
获取脱硝工艺的历史脱硝工况数据；
对所述历史脱硝工况数据应用机器学习回归算法，建立各类工况下喷氨量与烟囱排放口氮氧化物浓度的非线性关联模型，记为第一非线性关联模型；
对所述第一非线性关联模型通过目标转换得到所述脱硝优化模型。
3.根据权利要求1所述的烟气环保岛协同控制方法，其特征在于，所述除尘优化模型的建立过程包括：
获取锅炉工况数据和除尘电场运行参数；
对所述锅炉工况数据和所述除尘电场运行参数应用机器学习分类算法，建立各类工况下除尘电场运行参数烟囱排放口粉尘浓度和除尘功率的非线性关联模型；
将所述非线性关联模型作为除尘优化模型，对所述除尘优化模型采用智能择优算法为电除尘设备提供相应的节能提效策略，实现除尘优化输出。
4.根据权利要求1所述的烟气环保岛协同控制方法，其特征在于，所述脱硫优化模型的建立过程包括：
获取脱硫工艺的历史脱硫工况数据；
对所述历史脱硫工况数据应用机器学习回归算法，建立各类工况下浆液量、浆液循环泵组合与烟囱排放口二氧化硫浓度的非线性关联模型，记为第二非线性关联模型；
对所述第二非线性关联模型通过目标转换得到所述脱硫优化模型。
5.一种烟气环保岛协同控制系统，其特征在于，包括：
模型建立单元，用于基于锅炉负荷、烟气工况数据及环保岛上下游系统数据，建立脱硝优化模型、除尘优化模型、脱硫优化模型、脱硝协同模型、除尘协同模型和脱硫协同模型，其中，所述脱硝优化模型用于预测最优化喷氨量，所述除尘优化模型用于为电除尘设备提供相应的节能提效策略，所述脱硫优化模型用于根据实际脱硫工况数据和烟囱排放口二氧化硫目标浓度值，得到最优化浆液量和循环泵组合，所述脱硝协同模型用于对脱硝系统和除尘系统进行协同控制，所述除尘协同模型用于对所述除尘系统和输灰系统进行协同控制，所述脱硫协同模型用于对脱硫系统和除尘系统进行协同控制；
策略确定单元，用于基于所述脱硝优化模型、所述除尘优化模型和所述脱硫优化模型，确定环保岛烟气的最优化策略；
协同控制单元，用于基于所述脱硝协同模型、所述除尘协同模型和所述脱硫协同模型，对整个环保岛进行协同控制；
其中，所述系统还包括：脱硝协同模型建立单元；
所述脱硝协同模型建立单元具体用于：
获取脱硝协同输入因子的历史数据，所述脱硝协同输入因子的历史数据包括脱硝入口氮氧化物浓度、脱硝出口氮氧化物浓度、喷氨量、氨逃逸量、烟囱的排放口氮氧化物浓度和除尘运行参数；
对所述历史数据应用机器学习聚类算法，构建各个脱硝协同输入因子之间的正向聚类分布群模型；
将所述正向聚类分布群模型作为脱硝协同模型，对所述脱硝协同输入因子中一个或多个数据发生的非常规变化进行筛查，输出工艺干扰预警，并在烟囱的排放口氮氧化物浓度达标的情况下，通过脱硝优化模型优化喷氨量，以及使后端的除尘系统进行相应除尘处理；
其中，所述系统还包括：除尘协同模型建立单元；
所述除尘协同模型建立单元具体用于：
获取除尘协同输入因子的时序历史数据，所述时序历史数据包括除尘运行参数、除尘出口粉尘浓度、烟囱的排放口粉尘浓度、输灰系统运行参数和脱硝协同模型输出氨逃逸量；
对所述时序历史数据应用机器学习推荐算法，结合专家系统，建立振打力度与振打周期的非线性关联模型，记为第三非线性关联模型；
将所述第三非线性关联模型作为除尘协同模型，基于所述除尘协同模型，根据除尘出口粉尘浓度和所述烟囱排放口粉尘浓度的差值，计算脱硫系统通过浆液洗涤的除尘效率，并以烟囱排放口粉尘浓度达标为控制目标，计算除尘出口粉尘最低浓度，并根据输灰系统运行参数与除尘运行参数确定关联控制策略，对除尘系统和输灰系统进行协同控制；
其中，所述系统还包括：脱硫协同模型建立单元；
所述脱硫协同模型建立单元具体用于：
获取脱硫协同输入因子的历史数据，所述脱硫协同输入因子的历史数据包括除尘出口粉尘浓度、排放口粉尘浓度、排放口二氧化硫浓度、浆液循环泵组合、除雾器冲洗和吸收塔液位；
对所述历史数据应用机器学习分类算法，建立不同除尘出口粉尘浓度下，排放口粉尘浓度与除雾器冲洗的非线性分类模型；
将所述非线性分类模型作为脱硫协同模型，通过所述脱硫协同模型，在脱硫入口粉尘浓度高的情况下，根据吸收塔液位，启动除雾器冲洗，降低排放口粉尘浓度，对脱硫系统和除尘系统进行协同控制。
6.根据权利要求5所述的烟气环保岛协同控制系统，其特征在于，还包括：脱硝优化模型建立单元；
所述脱硝优化模型建立单元具体用于：
获取脱硝工艺的历史脱硝工况数据；
对所述历史脱硝工况数据应用机器学习回归算法，建立各类工况下喷氨量与烟囱排放口氮氧化物浓度的非线性关联模型，记为第一非线性关联模型；
对所述第一非线性关联模型通过目标转换得到所述脱硝优化模型。
7.根据权利要求5所述的烟气环保岛协同控制系统，其特征在于，还包括：除尘优化模型建立单元；
所述除尘优化模型建立单元具体用于：
获取锅炉工况数据和除尘电场运行参数；
对所述锅炉工况数据和所述除尘电场运行参数应用机器学习分类算法，建立各类工况下除尘电场运行参数烟囱排放口粉尘浓度和除尘功率的非线性关联模型；
将所述非线性关联模型作为除尘优化模型，对所述除尘优化模型采用智能择优算法为电除尘设备提供相应的节能提效策略，实现除尘优化输出。
8.根据权利要求5所述的烟气环保岛协同控制系统，其特征在于，还包括：脱硫优化模型建立单元；
所述脱硫优化模型建立单元具体用于：
获取脱硫工艺的历史脱硫工况数据；
对所述历史脱硫工况数据应用机器学习回归算法，建立各类工况下浆液量、浆液循环泵组合与烟囱排放口二氧化硫浓度的非线性关联模型，记为第二非线性关联模型；
对所述第二非线性关联模型通过目标转换得到所述脱硫优化模型。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011253573.7A CN112364562B (zh) | 2020-11-11 | 2020-11-11 | 一种烟气环保岛协同控制方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011253573.7A CN112364562B (zh) | 2020-11-11 | 2020-11-11 | 一种烟气环保岛协同控制方法及系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN112364562A CN112364562A (zh) | 2021-02-12 |
| CN112364562B true CN112364562B (zh) | 2024-05-31 |
Family
ID=74514311
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202011253573.7A Active CN112364562B (zh) | 2020-11-11 | 2020-11-11 | 一种烟气环保岛协同控制方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112364562B (zh) |
Families Citing this family (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113031552B (zh) * | 2021-03-09 | 2022-10-25 | 浙江菲达环保科技股份有限公司 | 炉后环保设备协同控制方法及系统 |
| CN113245060B (zh) * | 2021-05-08 | 2023-05-16 | 西安热工研究院有限公司 | 除尘、脱硫系统协同节能运行优化方法、系统、设备及存储介质 |
| CN113426264A (zh) * | 2021-07-15 | 2021-09-24 | 国电环境保护研究院有限公司 | 一种烟气净化岛智慧运行管控方法及管控平台 |
| CN114034613A (zh) * | 2021-10-29 | 2022-02-11 | 昆岳互联环境技术(江苏)有限公司 | 一种烟气环保岛健康评估系统 |
Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105629738A (zh) * | 2016-03-24 | 2016-06-01 | 内蒙古瑞特优化科技股份有限公司 | Scr烟气脱硝系统控制方法及设备 |
| CN107831651A (zh) * | 2017-10-12 | 2018-03-23 | 国网河北能源技术服务有限公司 | 煤粉电站锅炉scr与sncr脱硝系统协同控制方法 |
| CN108940596A (zh) * | 2018-07-12 | 2018-12-07 | 浙江大学 | 一种基于混合模型的电除尘系统优化控制方法 |
| CN109034457A (zh) * | 2018-06-28 | 2018-12-18 | 杭州电子科技大学 | 一种燃煤电厂污染物低成本协同脱除建模及优化方法 |
| CN109656204A (zh) * | 2018-12-10 | 2019-04-19 | 浙江浩普环保工程有限公司 | 一种燃煤电厂超低排放智能环保岛系统 |
| CN109711589A (zh) * | 2019-02-01 | 2019-05-03 | 江苏方天电力技术有限公司 | 一种基于大数据的scr脱硝系统运行优化方法和系统 |
| CN111611691A (zh) * | 2020-04-21 | 2020-09-01 | 大唐环境产业集团股份有限公司 | 基于多模态模型预测控制脱硫系统多目标优化控制方法 |
| CN111624876A (zh) * | 2020-04-23 | 2020-09-04 | 大唐环境产业集团股份有限公司 | 一种智能的喷氨优化控制系统 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US7599750B2 (en) * | 2005-12-21 | 2009-10-06 | Pegasus Technologies, Inc. | Model based sequential optimization of a single or multiple power generating units |
-
2020
- 2020-11-11 CN CN202011253573.7A patent/CN112364562B/zh active Active
Patent Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105629738A (zh) * | 2016-03-24 | 2016-06-01 | 内蒙古瑞特优化科技股份有限公司 | Scr烟气脱硝系统控制方法及设备 |
| CN107831651A (zh) * | 2017-10-12 | 2018-03-23 | 国网河北能源技术服务有限公司 | 煤粉电站锅炉scr与sncr脱硝系统协同控制方法 |
| CN109034457A (zh) * | 2018-06-28 | 2018-12-18 | 杭州电子科技大学 | 一种燃煤电厂污染物低成本协同脱除建模及优化方法 |
| CN108940596A (zh) * | 2018-07-12 | 2018-12-07 | 浙江大学 | 一种基于混合模型的电除尘系统优化控制方法 |
| CN109656204A (zh) * | 2018-12-10 | 2019-04-19 | 浙江浩普环保工程有限公司 | 一种燃煤电厂超低排放智能环保岛系统 |
| CN109711589A (zh) * | 2019-02-01 | 2019-05-03 | 江苏方天电力技术有限公司 | 一种基于大数据的scr脱硝系统运行优化方法和系统 |
| CN111611691A (zh) * | 2020-04-21 | 2020-09-01 | 大唐环境产业集团股份有限公司 | 基于多模态模型预测控制脱硫系统多目标优化控制方法 |
| CN111624876A (zh) * | 2020-04-23 | 2020-09-04 | 大唐环境产业集团股份有限公司 | 一种智能的喷氨优化控制系统 |
Non-Patent Citations (4)
| Title |
|---|
| 中国环境保护产业协会电除尘委员会编.《中国环境保护产业协会第十八届学术会议论文集》.2019,第715-720页. * |
| 燃煤机组超低排放环保岛协同运行优化研究;徐哲炜;《燃煤机组超低排放环保岛协同运行优化研究》;第11-27，32-35，45，49-51页 * |
| 燃煤电厂低成本超低排放与高端制造应用研究;廖增安等;中国环保产业(第5期);第24-28页 * |
| 论燃煤烟气多污染物协同治理新模式-兼谈龙净环保"烟气治理岛"模式;郭俊等;电力科技与环保;第28卷(第3期);全文 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN112364562A (zh) | 2021-02-12 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN112364562B (zh) | 一种烟气环保岛协同控制方法及系统 | |
| CN111260107B (zh) | 锅炉燃烧优化系统及方法 | |
| CN107694337A (zh) | 基于神经网络预测控制的燃煤机组scr烟气脱硝控制方法 | |
| CN110716512A (zh) | 一种基于燃煤电站运行数据的环保装备性能预测方法 | |
| KR102094288B1 (ko) | 보일러의 연소 최적화 연산을 위한 시스템 및 방법 | |
| CN111624876B (zh) | 一种智能的喷氨优化控制系统 | |
| CN111522290A (zh) | 一种基于深度学习方法的脱硝控制方法和系统 | |
| CN110263395A (zh) | 基于数值模拟和数据分析的电厂脱硝运行优化方法及系统 | |
| CN114225662B (zh) | 一种基于滞后模型的烟气脱硫脱硝优化控制方法 | |
| CN113175678B (zh) | 垃圾焚烧的监控方法及装置 | |
| CN112801422B (zh) | 数值模型和线性规划模型相结合的大气污染协同控制方法 | |
| CN107194026A (zh) | 基于贝叶斯网络的吸收塔脱硫过程建模方法 | |
| CN112742187A (zh) | 一种脱硫系统中pH值的控制方法及装置 | |
| CN116688754A (zh) | 船舶烟气脱硫自动控制系统及其方法 | |
| CN113440990A (zh) | 基于emd-lstm的出口so2浓度预测方法 | |
| CN117150677A (zh) | 一种电除尘器选型参数的确定方法及装置 | |
| DE102019127154A1 (de) | Vorrichtung zur Verbrennungsoptimierung und Verfahren dafür | |
| KR20230130831A (ko) | 딥러닝 기반 실시간 공기질 예측장치 및 예측방법 | |
| CN117744704B (zh) | 一种烟气污染源采集监测系统、方法及可读存储介质 | |
| CN117764332A (zh) | 一种环保高效的纺织印染废水处理系统 | |
| CN115527630A (zh) | 一种预测模型的训练方法、装置及相关设备 | |
| CN116312869A (zh) | 催化裂化再生烟气氮氧化物预测方法、装置及系统 | |
| Dunea et al. | Comparing statistical and neural network approaches for urban air pollution time series analysis | |
| JP2644941B2 (ja) | プロセス制御方法および装置 | |
| Zhou et al. | Applications of three data analysis techniques for modeling the carbon dioxide capture process |
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 |