一种智能的SCR脱硝控制系统及其控制方法与流程

本发明涉及脱硝控制技术领域，具体来说，涉及一种智能的SCR脱硝控制系统及其控制方法。

背景技术：

随着中国经济的发展，人民生活水平的不断提高，火电机组的总装机量不断增加，导致排放的氮氧化物和硫氧化物越来越多，近几年来华北地区出现的大面积雾霾有很大一部分原因就是电厂尾气的排放，“十二五”期间我国首次提出对氮氧化物的约束标准，这给火电厂的烟气处理提出了更高的要求，所以烟气脱硝是必不可少的一个环节。

一般的脱硝控制系统采用的是串级控制，需要知道被控对象确切的数学模型，然后进行控制。近些年来，随着智能控制理论的发展，越来越多的系统都在向智能方向发展，如专利申请号为201410527517.6、201320134939.8或201610608270.X公开的智能脱硝系统所示。智能控制方法用到的建模方法是实验建模法，就是通常说的“黑盒法”，黑盒法不需要知道被控对象内部的原理，只需要知道输入和输出信号，只观察系统的输入和输出之间的关系，想象有一个复杂的模型可以满足这个关系，通过大量的实验数据得到的，这种方法适应于任何复杂的系统，实验建模的数据应该有全面的试验数据，否则达不到想要的输出结果。

技术实现要素：

本发明的目的在于提出一种智能的SCR脱硝控制系统及其控制方法，以解决现有技术中存在的上述不足。

为实现上述发明目的，本发明的技术方案是这样实现的：

一种智能的SCR脱硝控制系统，包括数据采集模块、运算处理模块和控制模块；

所述数据采集模块包括分别与运算处理模块相连的SCR脱硝系统入口氮氧化物采集模块、机组负荷采集模块、总风媒比采集模块、一次风媒比采集模块、SCR脱硝系统入口温度采集模块、SCR脱硝系统出口氮氧化物设定值采集模块；

所述运算处理模块包括模糊神经网络辨识模块和SCR脱硝系统控制模块，所述模糊神经网络辨识模块和SCR脱硝系统控制模块对所述数据采集模块采集的数据进行计算，得到当前时刻的SCR脱硝系统出口氮氧化物值和喷氨量，并将计算得到的SCR脱硝系统出口氮氧化物值和喷氨量发送给控制模块；

所述控制模块为DCS系统，用于控制SCR脱硝系统。

进一步的，还包括PLC通信系统，所述PLC通信系统包括壳体和设于所述壳体上的SCR脱硝系统入口氮氧化物信号端、机组负荷信号端、总风媒比信号端、一次风媒比信号端、喷氨量信号端、SCR脱硝系统入口温度信号端和SCR脱硝系统出口氮氧化物设定值信号端，所述信号端通过设于所述壳体内的CPU依次与模糊神经网络辨识模块和SCR脱硝系统控制模块相连。

进一步的，所述DCS系统也设于所述壳体内。

进一步的，还包括计算机，所述模糊神经网络辨识模块和SCR脱硝系统控制模块均设于所述计算机内。

进一步的，所述PLC通信系统设有通信系统开关。

一种如上所述的智能的SCR脱硝控制系统的控制方法，包括如下步骤：

1)所述数据采集模块将采集的数据发送给运算处理模块；

2)所述运算处理模块依次通过模糊神经网络辨识模块、SCR脱硝系统控制模块对输入的数据进行计算，得到当前时刻的SCR脱硝系统出口氮氧化物设定值和喷氨量，并将所述SCR脱硝系统出口氮氧化物设定值和喷氨量发送给DCS系统；

3)所述DCS系统根据所述SCR脱硝系统出口氮氧化物设定值和喷氨量实现对脱硝系统的控制。

进一步的，步骤1)中将所述数据采集模块连接于一PLC通信系统，所述PLC通信系统包括壳体和设于所述壳体上的SCR脱硝系统入口氮氧化物信号端、机组负荷信号端、总风媒比信号端、一次风媒比信号端、喷氨量信号端、SCR脱硝系统入口温度信号端和SCR脱硝系统出口氮氧化物设定值信号端。

进一步的，所述壳体内还设有CPU，所述CPU用于将所述数据采集模块采集的模拟量转换成数字量，并发送给运算处理模块。

进一步的，所述DCS系统也设于所述壳体内。

本发明的有益效果：本发明克服了现有的神经网络建模准确性不高和速度慢的不足，并在此基础上运用模糊神经网络代替了原来的控制方法，可以快速有效的进行控制，是一种高度自动化的控制系统，大大减少工作人员的操作，计算的准确性和实时性也能满足实际的需要，并且可以适应不同的工况。

附图说明

图1是本发明所述的智能的SCR脱硝控制系统的功能模块图；

图2是本发明所述的智能的SCR脱硝控制系统的结构示意图；

图3是本发明所述的智能的SCR脱硝控制系统的控制方法的流程图。

图中所示：

1-SCR脱硝系统入口氮氧化物采集模块；2-机组负荷采集模块；3-总风媒比采集模块；4-一次风媒比采集模块；5-SCR脱硝系统入口温度采集模块；6-SCR脱硝系统出口氮氧化物设定值采集模块；7-SCR脱硝系统出口氮氧化物设定值信号端；8-SCR脱硝系统入口温度信号端；9-一次风媒比信号端；10-总风媒比信号端；11-机组负荷信号端；12-SCR脱硝系统入口氮氧化物信号端；13-通信系统开关；14-输出端；15-壳体；16-显示器；17-键盘；18-主机；19-PLC通信系统；20-数据采集模块；21-运算处理模块；22-模糊神经网络辨识模块；23-SCR脱硝系统控制模块；24-DCS系统；25-计算机。

具体实施方式

下面结合本发明的附图，对本发明的技术方案进行清楚、完整地描述。

首先需要说明的是：

SCR脱硝系统是一个复杂的控制系统，反应受到催化剂活性、反应温度、烟气流速等因素的影响，根据机理法建立的数学模型在工况不变时还可以，但是工况发生变化时数学模型会发生较大的变化。

SCR的英文全称是Selective Catalytic Reduction，SCR中文名称是：选择性催化还原技术。SCR催化还原技术是把烟气中的NOx通过催化剂转换成对人体没有危害的N₂和H₂O，通常电厂中催化剂选用TiO₂作为载体的V₂O₂或MoO₂，温度通常在300℃到420℃之间，因为催化剂所需的温度，所以反应器放在省煤器和空预器之间，选用液氨为还原剂，液氨蒸发以后与通过稀释风机后的空气混合，而后经分配格栅送到反应器中与NOx进行混合。

DCS的英文全称是Distributed Control System，DCS中文名称是分布式控制系统。由过程控制级和过程监控级组成的以通信网络为纽带的多级计算机系统，综合了计算机，通信、显示和控制等技术，其核心思想是分散控制、集中操作、分级管理、配置灵活以及组态方便。

基于上述原理，如图1所示，本发明实施例所述的一种智能的SCR脱硝控制系统，包括数据采集模块20、运算处理模块21和控制模块；

所述数据采集模块20包括分别与运算处理模块21相连的SCR脱硝系统入口氮氧化物采集模块1、机组负荷采集模块2、总风媒比采集模块3、一次风媒比采集模块4、SCR脱硝系统入口温度采集模块5、SCR脱硝系统出口氮氧化物设定值采集模块6；

所述运算处理模块21包括模糊神经网络辨识模块22和SCR脱硝系统控制模块23，所述模糊神经网络辨识模块22和SCR脱硝系统控制模块23对所述数据采集模块20采集的数据进行计算，得到当前时刻的SCR脱硝系统出口氮氧化物值和喷氨量，并将计算得到的SCR脱硝系统出口氮氧化物值和喷氨量发送给控制模块；

所述控制模块为DCS系统24，用于控制SCR脱硝系统。

如图2所示，为一种能够实现如图1所示的智能的SCR脱硝控制系统功能的智能的SCR脱硝控制系统的结构示意图，包括PLC通信系统19，所述PLC通信系统19包括壳体15和设于所述壳体15上的与SCR脱硝系统入口氮氧化物采集模块1相连的SCR脱硝系统入口氮氧化物信号端12、与机组负荷采集模块2相连的机组负荷信号端11、与总风媒比采集模块3相连的总风媒比信号端10、与一次风媒比采集模块4相连的一次风媒比信号端9、喷氨量信号端(图中未示)、与SCR脱硝系统入口温度采集模块5相连的SCR脱硝系统入口温度信号端8和与SCR脱硝系统出口氮氧化物设定值采集模块6相连的SCR脱硝系统出口氮氧化物设定值信号端7，所述信号端通过设于所述壳体15内的CPU(图中未示)依次与模糊神经网络辨识模块22和SCR脱硝系统控制模块23相连。

在本实施例中，所述DCS系统24也设于所述壳体15内。

在本实施例中，所述模糊神经网络辨识模块22和SCR脱硝系统控制模块23均设于所述计算机25内，所述计算机25由显示器16、键盘17和主机18构成。

在本实施例中，所述PLC通信系统19设有通信系统开关13。

本发明还公开了一种如上所述的智能的SCR脱硝控制系统的控制方法，如图3所示，包括如下步骤：

1)开启PLC通信系统19、计算机25和DCS系统24；

2)将数据采集模块20采集到的需要的SCR脱硝系统入口氮氧化物值、机组负荷、总风煤比、一次风煤比、SCR脱硝系统出口氮氧化物设定值和SCR脱硝系统入口温度传到PLC通信系统19的输入端；

3)在PLC通信系统19中把输入进来的模拟量通过CPU转换成数字量；

4)得到的数字量经过输出端14进入到计算机25，在计算机运算系统中通过模糊神经网络辨识模块22、SCR脱硝系统控制模块23对输入的数据进行计算，得到当前时刻的SCR脱硝系统出口氮氧化物值和喷氨量，并返回到PLC通信系统19，由PLC通信系统19把数值返回到DCS系统24中，实现脱硝系统的控制。

下面对模糊神经网络辨识块的原理进行简要的介绍：

设r是输入变量个数，y是系统的输出，并且每个输入变量x_i(i＝1,2...，r)有u个隶属度函数A_ij(j＝1,2...,u)，每个隶属度函数都是如下所示的高斯函数：

其中：u_ij是x_i的第j个隶属度函数，c_ij和σ_ij分别为x_i的第j个高斯隶属度函数的中心和宽度，每个规则之间用乘法来计算，则有

其中：R_j是第j条规则的输出，

最后系统的输出结果为：

其中w_j是第j条规则对应的权值，

w_j＝a_0j+a_1jx₁+...+a_rjx_r,j＝1,2,...,u

其中a_ij为x_ij所对应的系数，

设第i个观测数据(X_i,t_i)，其中X_i是输入向量，t_i是期望的输出，根据模糊神经网络计算出输出y_i，如果

|t_i-y_i|＞k_e

则增加一条模糊规则，其中k_e根据系统期望精度来预先选定的。C_j是神经网络单元的中心，

d_i(j)＝||X_i-C_j||,j＝1,2,...,u

u是现有的模糊规则数，d_i(j)是C_j和X_j之间的距离，||·||是欧式距离，欧氏距离是指m维空间上两个点之间的真实距离，两个点A＝(a[1]，a[2]，…，a[n])和B＝(b[1]，b[2]，…，b[n])之间的距离ρ(A，B)定义为下面的公式：

d_min＝min(d_i(j))，当产生新规则以后，由以下公式确定初始的参数，

C_i＝X_i

σ_i＝k×d_min

其中C_i是第i个输入高斯函数的中心，σ_i为第i个输入高斯函数的宽度，k为预先设定的常数。

以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，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。