一种静电除尘器火花跟踪控制方法与流程

本发明属于静电除尘器技术领域，特别涉及了一种静电除尘器火花跟踪控制方法。

背景技术：

静电除尘器(Electrostatic Precipitators,ESPs)通过高压电下气体的电场力和电晕放电现象将粉尘从废气中分离出来，进而达到粉尘过滤的效果。被广泛运用于火电厂、冶金厂、化工厂的烟气排放除尘，是治理雾霾、净化空气的重要环保设备。

通常说来，静电除尘器除尘效率极大地取决于电场电压输出，电场电压值越高，除尘效率也越高。然而，当电压值过大时，除尘器内部极板间会产生放电通道，形成火花放电，即发生闪络故障，不仅浪费大量能源，同时也会极大降低设备的除尘效率，并对电气设备造成损坏。

ESPs的控制思路在于将电场电压控制在临界闪络电压附近。静电除尘器通常采用最佳火花率法进行控制，其思路是让电场在具有适当火花放电频率的条件下运行。电场稳定运行并偶尔发生闪络，意味着电场电压必然处于介质击穿的临界点附近。其控制关键在于当电场发生闪络故障后如何进行电压恢复。

经典的闪络故障恢复方法有三线法(阿尔斯通为代表)、二线法(国电环保为代表)。前者通过设定电场的可靠运行时间实现火花频率的控制，电压恢复过程中，电压提升速率缓慢，多数时间处于低电压区间运行，平均电场电压过低；后者通过设置电场电压的运行上限值实现火花率的控制，其平均电场电压较前者有显著提升，但后者对电场特性的变化缺乏足够的适应能力。

技术实现要素：

为了解决上述背景技术提出的技术问题，本发明旨在提供一种静电除尘器火花跟踪控制方法，克服现有三线法、二线法的缺陷，提高电场平均电压，同时提升自适应能力。

为了实现上述技术目的，本发明的技术方案为：

一种静电除尘器火花跟踪控制方法，包括以下步骤：

(1)设静电除尘器电场能够承受的最高电压为U_max，以U_start＝kU_max作为起始电压，并每秒提升电压ΔU＝0.05U_max，直至检测到发生闪络故障，重复前述操作n次，记录每次闪络时的故障电压值，形成数据集Y_f＝{U_f1,U_f2,...,U_fn}；其中，k∈[0.4,0.6]，n∈[6,10]；

(2)采用广义回归神经网络GRNN对样本进行学习，令样本输入集为X＝[x₁,x₂,...,x_n]，其中x_i＝i，i＝1,2,...,n，x_i表示Y_f中n个元素的序号，样本目标集为Y_f，则广义回归神经网络GRNN拟合出输入输出间满足的关系式：

其中，Y′_f为Y_f的函数逼近值，w_i为权重矢量，b为偏置；

(3)计算电压恢复起始值U′_start：

其中，min(*)表示最小值函数，std(*)表示标准差函数；

并利用步骤(2)得到的关系式，计算下一次发生闪络时的故障电压预测值U_predict：

U_predict＝G(x_n+1)＝G(n+1)；

(4)根据步骤(3)计算的参数，对闪络发生后电压做如下处理：

当发生闪络时，立刻停止向静电除尘器输送电压，给予静电除尘器电场一定时间熄灭电火花，当电场介质重新恢复后，恢复电压输送，进入第一阶段：

从起始电压U′_start开始，令电压由U′_start提升至βU_predict，设每秒提升电压50次，则每次提升电压其中，β∈[0.65,0.75]，t1为第一阶段所需时间；

之后进入第二阶段，将电压由βU_predict提升至U_predict，设每秒提升电压50次，则每次提升电压其中，t2为第二阶段所需时间；若在第二阶段发生闪络故障，直接进入步骤(5)；

之后进入第三阶段，继续提升电压，每秒提升电压50次，并加大每次提升电压的幅度，每次提升电压直至再次发生闪络故障；

(5)记录当前闪络的故障电压U_fnew，对数据集Y_f进行更新，更新方法如下：将Y_f中第1个元素删除，在将U_fnew作为新的第n个元素补充进Y_f；

(6)将新的Y_f作为样本目标集，返回步骤(2)。

基于上述技术方案的优选方案，在步骤(1)中，k的取值为0.4。

基于上述技术方案的优选方案，在步骤(1)中，n的取值为10。

基于上述技术方案的优选方案，在步骤(4)中，β的取值为0.7。

基于上述技术方案的优选方案，在步骤(4)中，第一阶段时间t1＝9s，第二阶段时间t2＝1.5s。

采用上述技术方案带来的有益效果：

本发明根据临近时间点上的闪络故障电压值推测当前的电场特性，进而设置火花故障后，电场电压恢复的起始电压、恢复步骤及终止条件。本发明所提故障恢复策略不仅能有效提高电场的平均电压，更对电场特性具备环境自我适应能力，当电场特性发生变化时，电压恢复的步骤会自动进行调整，适用于工程运用。

附图说明

图1是本发明的基本流程图。

图2是本发明中闪络发生后电压恢复示意图。

具体实施方式

以下将结合附图，对本发明的技术方案进行详细说明。

如图1所示，一种静电除尘器火花跟踪控制方法，包括以下步骤：

步骤1：设静电除尘器电场能够承受的最高电压为U_max，以U_start＝kU_max作为起始电压，并每秒提升电压ΔU＝0.05U_max，直至检测到发生闪络故障，重复前述操作n次，记录每次闪络时的故障电压值，形成数据集Y_f＝{U_f1,U_f2,...,U_fn}；其中，k∈[0.4,0.6]，n∈[6,10]。

步骤2：采用广义回归神经网络GRNN对样本进行学习，令样本输入集为X＝[x₁,x₂,...,x_n]，其中x_i＝i，i＝1,2,...,n，x_i表示Y_f中n个元素的序号，样本目标集为Y_f，则广义回归神经网络GRNN拟合出输入输出间满足的关系式：

其中，Y′_f为Y_f的函数逼近值，w_i为权重矢量，b为偏置。

步骤3：计算电压恢复起始值U′_start：

其中，min(*)表示最小值函数，std(*)表示标准差函数；

并利用步骤2得到的关系式，计算下一次发生闪络时的故障电压预测值U_predict：U_predict＝G(x_n+1)＝G(n+1)。

步骤4：根据步骤3计算的参数，对闪络发生后电压做如图2所示的处理：

当发生闪络时，立刻停止向静电除尘器输送电压，给予静电除尘器电场一定时间熄灭电火花，当电场介质重新恢复后，恢复电压输送，进入第一阶段：

从起始电压U′_start开始，令电压由U′_start提升至βU_predict，设每秒提升电压50次，则每次提升电压其中，β∈[0.65,0.75]，t1为第一阶段所需时间；

之后进入第二阶段，将电压由βU_predict提升至U_predict，设每秒提升电压50次，则每次提升电压其中，t2为第二阶段所需时间；若在第二阶段发生闪络故障，直接进入步骤(5)；

之后进入第三阶段，继续提升电压，每秒提升电压50次，并加大每次提升电压的幅度，每次提升电压直至再次发生闪络故障

步骤5：记录当前闪络的故障电压U_fnew，对数据集Y_f进行更新，更新方法如下：将Y_f中第1个元素删除，在将U_fnew作为新的第n个元素补充进Y_f。举例说明，在起始化时，目标集Y_f＝{U_f1,U_f2,...,U_f10}，而进行第一次火花故障恢复后，目标集则更新为Y_f＝{U_f2,...,U_f10，U_fnew}。

步骤6：将新的Y_f作为样本目标集，返回步骤2。

在本实施例中，对上述步骤中的参数进行进一步优化限定，k＝0.4，n＝10，β＝0.7，t1＝9s，t2＝1.5s。

本发明提出一种基于广义回归神经网络的故障预测方法，通过对临近闪络故障电压的分析，预测出当前电场可能的故障电压，并以此为基础，对三线法进行改进，给出更合理的故障起始电压值设定策略及电压提升速率计算方法，不仅保留了三线法对环境的自我适应能力，更显著提升了电场的平均运行电压，提高除尘效率。

以上实施例仅为说明本发明的技术思想，不能以此限定本发明的保护范围，凡是按照本发明提出的技术思想，在技术方案基础上所做的任何改动，均落入本发明保护范围之内。