一种SCR系统NOx生成与氨需求预测方法、系统及存储介质

一种scr系统nox生成与氨需求预测方法、系统及存储介质
技术领域
1.本发明涉及一种scr系统nox生成与氨需求预测方法、系统及存储介质，属于热能动力工程火力发电厂烟气脱硝技术领域。


背景技术：

2.选择性催化还原(scr)烟气脱硝技术以其技术可靠、脱硝效率高等优势被广泛应用于国内火电厂氮氧化物(nox)的有效脱除，scr脱硝还原剂nh3的制备方法可大致分为液氨法和尿素分解法。液氨法系统相对成熟，但根据险化学品重大危险源辨识标准gb18218
‑
2009的有关要求，对于超过10吨的液氨储罐已属于重大危险源，存在较大的安全风险；尿素分解法制氨工艺包括热解和水解两种，其中尿素水解法在运行中采用低品质蒸汽作为加热源，在前期设备投资及运行维护等方法均优于尿素热解技术，具备更强的市场竞争力。自2014年我国首套尿素催化水解制氨脱硝系统投入试运行以来，尿素水解工艺在scr脱硝还原剂制备方面具有的优势日益凸显，对此国内各大发电集团及各地方单位纷纷颁布相关标准规范，液氨改尿素水解的改造工程正在加速发展。
3.然而，尿素水解系统组成复杂，尿素水解工艺中自尿素溶液泵入水解反应器到产品气的生成存在较大的时间迟滞，无论是尿素一般水解工艺还是尿素催化水解工艺，响应时间迟滞时间均在“分钟”这个级别，不利于在非稳定工况下的运行调整；在常规控制方式下，若需氨量急剧增加时，当前时刻调整制氨参数会有时间迟滞，容易导致短时间内出口nox浓度排放超标；若需氨量急剧减少时，当前时刻调整制氨参数同样会有时间迟滞，容易导致短时间内氨逃逸增加。由此可见保证尿素水解系统产气侧较好的变工况跟随特性不仅有助于出口nox浓度定值控制，而且可以降低尿素使用量，降低系统氨逃逸。此外，scr系统在实际运行时会受仪表测量特性、煤质、锅炉负荷和燃烧条件等因素的影响，呈现出非线性、大迟滞、多参数耦合作用等特点，尤其是scr系统入口nox浓度呈现出了很强的大迟滞性。因此，配备尿素水解系统的燃煤电站scr系统普遍存在着尿素水解系统的变工况跟随性差、喷氨自动投运不稳定，系统氨耗量大等一系列运行问题，亟需优化解决。


技术实现要素：

4.本发明的目的在于克服现有技术中的不足，提供一种scr系统nox生成与氨需求预测方法、系统及存储介质，实现燃煤电站scr系统的精准喷氨。
5.为达到上述目的，本发明所采用的技术方案是：
6.第一方面，本发明提供一种scr系统nox生成与氨需求预测方法，包括如下步骤：
7.根据scr系统历史运行数据训练得到用于scr系统入口nox浓度预测的三类机器学习模型，获得相应的入口nox浓度预测结果；
8.基于三类机器学习模型的入口nox浓度预测结果，运用数学统计方法分析，在约定决策规则下，获得拟采用的入口nox浓度预测输出结果；
9.根据入口nox浓度预测输出结果及相关实时在线监测运行数据，获得尿素水解系
统氨需求预测量q
′
；
10.实时对入口nox浓度预测输出结果进行精度判定，并根据精度判定结果更新所述三类机器学习模型的参数。
11.结合第一方面，进一步的，所述scr系统历史运行数据包括：取用机组负荷、总风量、总煤量、ofa风量/风门开度、二次风量/风门开度及炉膛出口o2浓度，所述scr系统历史运行数据与入口nox浓度预测结果进行归一化处理；
12.所述相关实时在线监测运行数据包括烟气流量、氨质量流量、入口nox浓度测量结果、出口nox浓度测量结果、出口nox浓度预期设定值。
13.进一步的，所述三类机器学习模型包括：随机森林模型rf、支持向量机模型svm、人工神经网络模型ann；所述三类机器学习模型的scr系统历史运行数据输入与入口nox浓度预测结果输出一致。
14.进一步的，所述的数学统计方法，首先计算三种机器学习模型预测结果相对标准偏差c
v
，具体为：
[0015][0016]
式中：p
i
为基于各机器学习模型获得的入口nox浓度预测结果，单位为mg
·
nm
‑3；为三类机器学习模型所得入口nox浓度预测结果的平均值，单位为mg
·
nm
‑3；
[0017]
所述约定决策规则表示如下：
[0018][0019]
式中：k为预设阈值，15％≥k≤25％；p为拟采用的入口nox浓度预测输出结果，单位为mg
·
nm
‑3；ω
t
为t时刻预测结果可靠性标识值。
[0020]
进一步的，所述尿素水解系统氨需求预测量q
′
计算如下：
[0021][0022]
式中：q
′
单位为kg/h；a为入口nox浓度测量结果，单位为mg
·
nm
‑3；f为烟气流量，nm3/h；m
nh3
、m
nox
分别为nh3、nox的相对分子质量，单位为g/mol；r为理论的氨氮摩尔比，取1～1.05；q为常规计算所得有迟滞的氨需求量，单位为kg/h。
[0023]
进一步的，所述精度判定包括对预测结果可靠性标识值ω
t
进行累加计数，若满足在线自更新规则启动条件，则对三种机器学习模型分别进行在线自更新；反之，保持机器学习模型的运行。
[0024]
进一步的，所述在线自更新规则启动条件表示为：
[0025][0026]
式中：τ为样本时间段总长，τ≥24h；0～τ时间段的时间间隔均等，γ为预设的三类机器学习模型在线自更新启动许可偏差，50％≥γ≤80％。
[0027]
第二方面，本发明提供一种scr系统nox生成与氨需求预测系统，所述系统包括：
[0028]
nox浓度预测单元：根据scr系统历史运行数据训练得到用于scr系统入口nox浓度
预测的三类机器学习模型，获得相应的入口nox浓度预测结果；
[0029]
nox浓度预测输出单元：基于三类机器学习模型的入口nox浓度预测结果，运用数学统计方法分析，约定决策规则，获得拟采用的入口nox浓度预测输出结果；
[0030]
氨需求预测单元：根据入口nox浓度预测输出结果及其他实时在线监测运行数据，获得尿素水解系统氨需求预测量q
′
；
[0031]
判断更新单元：实时对入口nox浓度预测输出结果进行精度判定，制定三类机器学习模型的在线自更新规则。
[0032]
第三方面，本发明提供一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现任一项所述方法的步骤。
[0033]
第四方面，本发明提供一种scr系统nox生成与氨需求预测方法的应用，其特征在于，应用在尿素水解系统或尿素催化水解系统的燃煤电站scr系统。
[0034]
与现有技术相比，本发明所达到的有益效果：
[0035]
本发明方法可以解决尿素水解制氨工艺因较大反应迟滞时间导致变工况跟随特性差的运行问题，有助于实现尿素水解供氨体系下scr系统的精准喷氨；
[0036]
根据scr系统历史运行数据训练得到用于scr系统入口nox浓度预测的三类机器学习模型，获得相应的入口nox浓度预测结果，再运用数学统计方法分析，约定决策规则，获得拟采用的入口nox浓度预测输出结果；
[0037]
结合其他实时在线监测运行数据，获得尿素水解系统氨需求预测量q
′
；
[0038]
实时对入口nox浓度预测输出结果进行精度判定，制定三类机器学习模型的在线自更新规则。
附图说明
[0039]
图1是本发明实施例一种scr系统nox生成与氨需求预测方法的流程图；
[0040]
图2为本发明实施例中nox浓度预测曲线图；
[0041]
图3为实施案例中尿素水解系统氨需求预测量特性。
具体实施方式
[0042]
在燃煤电站scr系统液氨改尿素工程大力推进、燃煤电站大幅调峰等变工况运行日益频繁的背景下，本发明提供一种scr系统nox生成与氨需求预测方法、系统及存储介质，能够提升尿素水解系统的变工况跟随性特性、实现燃煤电站scr系统的精准喷氨。下面结合附图对本发明作进一步描述。
[0043]
以下实施例仅用于更加清楚地说明本发明的技术方案，而不能以此来限制本发明的保护范围。本领域内的技术人员应明白，本申请的实施例可提供为方法、系统、或计算机程序产品。因此，本申请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，本申请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。
[0044]
本申请是参照根据本申请实施例的方法、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。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
[0045]
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
[0046]
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
[0047]
本专利提出了一种燃煤电站scr系统nox生成预测与超前制氨方法。具体地，根据燃煤电站历史运行数据训练得到用于scr系统入口nox浓度预测的三类机器学习模型，进而获得相应的入口nox浓度预测输出结果；运用数学统计方法分析基于三类机器学习模型的入口nox浓度预测输出结果，在约定的决策规则下，获得拟采用的入口nox浓度预测输出结果；根据入口nox浓度预测输出结果及燃煤电站的其他实时在线监测运行数据，计算获得尿素水解系统氨需求预测量，以此作为超前调整尿素水解系统工艺参数的依据；实时对入口nox浓度预测输出决策单元开展精度判定，据此制定三类机器学习模型的在线自更新规则。
[0048]
本发明提供了一种scr系统nox生成与氨需求预测方法，步骤如下：
[0049]
1)根据燃煤电站历史运行数据训练得到用于scr系统入口nox浓度预测的三类机器学习模型，进而获得相应的入口nox浓度预测结果；该部分构成入口nox浓度预测单元；
[0050]
2)运用数学统计方法分析基于三类机器学习模型的入口nox浓度预测输出结果，在约定的决策规则下，获得拟采用的入口nox浓度预测输出结果；该部分构成预测输出单元；
[0051]
3)根据入口nox浓度预测输出结果及燃煤电站的其他实时在线监测运行数据，计算获得尿素水解系统氨需求预测量，以此作为超前调整尿素水解系统工艺参数的依据；该部分构成尿素水解超前制氨单元；
[0052]
4)实时对入口nox浓度预测输出决策单元开展精度判定，据此制定三类机器学习模型的在线自更新规则；该部分构成预测模型判断更新单元。
[0053]
该方法适用对象为配套尿素水解系统或尿素催化水解系统的燃煤电站scr系统。
[0054]
其中燃煤电站历史运行数据，取用机组负荷、总风量、总煤量、ofa风量/风门开度、二次风量/风门开度、炉膛出口o2浓度历史运行数据作为机器学习模型的输入变量，取用scr系统入口nox浓度作为机器学习模型的输出变量，输入变量与输出变量应进行归一化处理。
[0055]
三类机器学习模型分别是随机森林(rf)模型、支持向量机(svm)模型、人工神经网络(ann)模型；除模型本身存在核心差异外，上述三类机器学习模型的输入变量与输出变量完全一致。
[0056]
根据燃煤电站历史运行数据训练得到用于scr系统入口nox浓度预测的三类机器
学习模型，其特征在于，机器学习模型训练所需要的历史运行数据为等时间间隔(5秒或10秒)，涵盖的连续运行总时长不低于168h。
[0057]
数学统计方法，首先计算三种机器学习模型预测结果相对标准偏差c
v
，具体为：
[0058][0059]
式中：p
i
为通过随机森林(rf)模型，或支持向量机(svm)模型，或人工神经网络(ann)模型获得的入口nox浓度预测结果，mg
·
nm
‑3；为三类机器学习模型所得入口nox浓度预测结果的平均值，mg
·
nm
‑3。
[0060]
约定的决策规则，其特征在于，比较三种机器学习模型预测结果相对标准偏差c
v
与预设阈值k；若存在c
v
≤k，则预测输出决策单元的决策结论为入口nox浓度预测结果可靠，并向下一单元输出预测结果；若存在c
v
＞k，则测输出决策单元的决策结论为入口nox浓度预测结果失效，并向下一单元输出预测结果0；该规则可表示如下：
[0061][0062]
式中：预设阈值k取值与燃煤电站的锅炉炉型相关；对于前后墙对冲锅炉或单墙锅炉，k取25％；对于四角切圆锅炉，k取15％；对于其他种类锅炉，k取20％；p为拟采用的入口nox浓度预测输出结果，mg
·
nm
‑3；ω
t
为t时刻预测结果可靠性标识值。
[0063]
其他实时在线监测运行数据包括了烟气流量、氨质量流量、入口nox浓度测量结果、出口nox浓度测量结果、出口nox浓度预期设定值。
[0064]
计算获得尿素水解系统氨需求预测量，其特征在于，遵循如下计算公式：
[0065][0066]
式中：q
′
为尿素水解系统氨需求预测量，kg/h；a为入口nox浓度测量结果，mg
·
nm
‑3；f为烟气流量，nm3/h；m
nh3
、m
nox
分别为nh3、nox的相对分子质量，g/mol；r为理论的氨氮摩尔比，取1～1.05；q为常规计算所得有迟滞的氨需求量，kg/h。
[0067]
尿素水解系统工艺参数包括蒸汽流量、尿素溶液浓度、水解反应器液位高度、水解反应器温度及压力。
[0068]
实时对入口nox浓度预测输出决策单元开展精度判定，据此制定三类机器学习模型的在线自更新规则，对样本0～τ时间段范围内的预测结果可靠性标识值ω
t
进行累加计数，若预测结果可靠比例低于预设γ，则对三种机器学习模型分别进行在线自更新，反之，则保持原来训练所得机器学习模型参与优化运行；三类机器学习模型在线自更新规则的启动条件可表示为：
[0069][0070]
式中：τ为样本时间段总长(不低于24小时)，0～τ时间段的时间间隔均等，且均为1秒；γ为预设的三类机器学习模型在线自更新启动许可偏差，取50％～80％。
[0071]
本发明实施案例针对660mw燃煤电站(配备尿素催化水解scr系统、四角切圆锅炉)进行入口nox浓度预测及氨需求预测，具体实施过程包括如下步骤：
[0072]
首先，根据燃煤电站历史运行数据训练得到用于scr系统入口nox浓度预测的三类机器学习模型，进而获得相应的入口nox浓度预测输出结果。
[0073]
选取2020年7月2日00:00:00至2020年7月11日23:59:55时间范围内该燃煤电站的历史运行数据，时间间隔均等，为5s或10秒进行三类机器学习模型(rf模型、svm模型、ann模型)的训练，上述历史运行数据中的机组负荷、总风量、总煤量、ofa风量/风门开度、二次风量/风门开度、炉膛出口o2浓度作为机器学习模型的输入变量，scr系统入口nox浓度作为机器学习模型的输出变量，上述输入变量与输出变量在使用前进行归一化处理。
[0074]
训练得到三类机器学习模型后，在预测时间范围内，计算三种机器学习模型预测结果相对标准偏差c
v
，具体为：
[0075][0076]
式中：p
i
为通过随机森林(rf)模型，或支持向量机(svm)模型，或人工神经网络(ann)模型获得的入口nox浓度预测结果，mg
·
nm
‑3；为三类机器学习模型所得入口nox浓度预测结果的平均值，单位为mg
·
nm
‑3。
[0077]
比较三种机器学习模型预测结果相对标准偏差c
v
与预设阈值k，按照如下规则决策入口nox浓度预测结果可靠性：
[0078][0079]
式中：p为拟采用的入口nox浓度预测输出结果，单位为mg
·
nm
‑3；ω
t
为t时刻预测结果可靠性标识值，预设阈值k取值与燃煤电站的锅炉炉型相关；对于前后墙对冲锅炉或单墙锅炉，k取25％；对于四角切圆锅炉，k取15％；对于其他种类锅炉，k取20％。
[0080]
如图2所示，为本发明实施例中nox浓度预测曲线图，给出了本实施案例中连续300s时间范围内的nox浓度预测特性。
[0081]
随后，根据入口nox浓度预测输出结果及燃煤电站的其他实时在线监测运行数据，具体涉及烟气流量、氨质量流量、入口nox浓度测量结果、出口nox浓度测量结果、出口nox浓度预期设定值，按照如下公式计算尿素水解系统氨需求预测量：
[0082][0083]
式中：q
′
为尿素水解系统氨需求预测量，单位为kg/h；a为入口nox浓度测量结果，单位为mg
·
nm
‑3；f为烟气流量，单位为nm3/h；m
nh3
、m
mox
分别为nh3、nox的相对分子质量，单位为g/mol；r为理论的氨氮摩尔比，取1～1.05；q为常规计算所得有迟滞的氨需求量，单位为kg/h。
[0084]
如图3所示，为本发明实施案例中尿素水解系统氨需求预测量特性，给出了本实施案例中连续300s时间范围内的尿素水解系统氨需求预测量特性。
[0085]
上述所得尿素水解系统氨需求预测量可以作为超前调整尿素水解系统工艺参数的依据，这些工艺参数涉及蒸汽流量、尿素溶液浓度、水解反应器液位高度、水解反应器温
度及压力。
[0086]
最后，实时对入口nox浓度预测输出决策单元开展精度判定，对样本0～τ时间段范围内的预测结果可靠性标识值ω
t
进行累加计数，若预测结果可靠比例低于预设γ，则对三种机器学习模型分别进行在线自更新，反之，则保持原来训练所得机器学习模型参与优化运行；三类机器学习模型在线自更新规则的启动条件可表示为：
[0087][0088]
式中：τ为样本时间段总长，0～τ时间段的时间间隔均等，本实施例均为1秒；γ为预设的三类机器学习模型在线自更新启动许可偏差，取50％～80％。
[0089]
本发明实施案例中，τ取86400，γ取80％。
[0090]
通过本实施案例可以说明，本发明所公开的一种scr系统nox生成与氨需求预测方法、系统及存储介质，能够实现scr系统入口nox浓度的预测，获得尿素水解系统氨需求预测量，能够解决尿素水解制氨工艺因较大反应迟滞时间导致变工况跟随特性差的运行问题，有助于实现尿素水解供氨体系下scr系统的精准喷氨。
[0091]
以上所述仅是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明技术原理的前提下，还可以做出若干改进和变形，这些改进和变形也应视为本发明的保护范围。