推荐一种基于物料衡算和深度学习的脱硫系统节能方法与流程

这里写的推荐一种基于物料衡算和深度学习的脱硫系统节能方法与流程,为您描述接下来的内容:

这里写的推荐一种基于物料衡算和深度学习的脱硫系统节能方法与流程,为您描述接下来的内容:


本发明属于节能环保技术领域,具体涉及一种基于物料衡算和深度学习的脱硫系统节能方法。



背景技术:

电厂脱硫系统是多因素耦合的系统,烟气成分、烟气量、烟温、浆液ph、氯离子浓度、液气比、钙硫比等参数对吸收塔的脱硫效果均存在影响。由于脱硫系统建模过于复杂,难以建立包含各影响因素的通用数学模型,这使得机组负荷变化过程中对脱硫系统的控制往往不够精细。为保证脱硫塔出口净烟气中二氧化硫浓度,部分参数设置裕度过大、且调节波动大,造成了设备的能耗普遍偏大。



技术实现要素:

本发明的目的在于针对现有技术中的不足,提供了一种基于物料衡算和深度学习的脱硫系统节能方法。

本发明采用如下技术方案来实现的:

一种基于物料衡算和深度学习的脱硫系统节能方法,包含以下步骤:

1)获取电厂sis中脱硫系统运行历史数据,包括:机组负荷、原烟气量、原烟气温度、进口so2浓度、入口尘浓度、浆液ph、净烟气量、出口so2浓度、浆液密度、浆液循环量、吸收剂量和氧化空气量,并对历史数据进行稳态清洗;

2)基于稳态清洗后的电厂sis中脱硫系统运行历史数据,将脱硫系统物料衡算关系融合到深度学习算法中,选择合适的训练参数,建立深度学习脱硫系统预测模型;

3)将已建立的深度学习脱硫系统预测模型应用于电厂sis中脱硫系统实时控制调节,在保证吸收塔出口so2浓度达标的前提下,进一步调整液气比、吸收剂量和氧化空气量,降低设备电耗。

本发明进一步的改进在于,步骤2)中,基于稳态清洗后的电厂sis中脱硫系统运行历史数据,利用tensorflow搭建深度学习脱硫系统预测模型,通过新产生脱硫系统运行数据,对深度学习脱硫系统预测模型进行不断优化。

本发明进一步的改进在于,深度学习脱硫系统预测模型的输出层为1个神经元,是出口so2浓度。

本发明进一步的改进在于,步骤3)中,液气比作为深度学习脱硫系统预测模型的输入层神经元,液气比=浆液循环量/吸收塔入口烟气量测量值,考虑浆液循环泵不设变频和备用,浆液循环量=浆液循环泵投入数量×浆液泵流量。

本发明进一步的改进在于,脱硫过程所需氧化空气量为:

其中,qy为吸收塔入口烟气量实测值;为吸收塔入口so2浓度实测值;吸收塔出口so2浓度设定值;α为so2自然氧化率,取0.1~0.2;β为so2强制氧化率,取0.3~0.4。

本发明进一步的改进在于,考虑机组负荷变化及调整过程存在延时,吸收剂量调节以浆液ph值和出口so2浓度为被控量;同时,已实测吸收塔入口烟气量和so2浓度计算吸收剂需求量作为超前预控;浆液供浆泵流量以浆液ph值、出口so2浓度和吸收剂计算值三者进行调控;吸收剂需求量计算公式:

其中,为so3脱除率,在30%~50%之间;chcl、chf分别为吸收塔入口so3、hcl、hf浓度,若无测量值,采用设计值带入计算;ca/s为钙硫比,取1.02~1.05。

本发明进一步的改进在于,在获取输入参数实时测量值后,结合氧化空气量、液气比和吸收剂量计算值,利用训练好的深度学习脱硫系统预测模型计算吸收塔出口so2浓度;若满足要求,则采用各参数进行控制调节;否则,调整液气比和吸收剂量,重新试算。

本发明具有如下有益的技术效果:

本发明将深度学习算法与传统脱硫系统相结合,基于脱硫系统物料衡算方法,利用海量运行历史数据对脱硫系统进行多因素下的建模。在建模分析的基础上,在线实时对脱硫系统运行参数进行预测、分析、优化,进而实现整个系统的节能优化。

附图说明

图1为本发明一种基于物料衡算和深度学习的脱硫系统节能方法的流程图。

具体实施方式

下面结合附图和具体实施方式对本发明进行详细说明。

本发明所述的一种基于物料衡算和深度学习的脱硫系统节能方法,包含以下步骤:

1)获取电厂sis中脱硫系统运行历史数据,包括:机组负荷、原烟气量、原烟气温度、进口so2浓度、入口尘浓度、浆液ph、净烟气量、出口so2浓度、浆液密度、浆液循环量、吸收剂量和氧化空气量,并对历史数据进行稳态清洗;

2)基于稳态清洗后的电厂sis中脱硫系统运行历史数据,将脱硫系统物料衡算关系融合到深度学习算法中,选择合适的训练参数,建立深度学习脱硫系统预测模型;

3)将已建立的预测模型应用于电厂脱硫系统实时控制调节,在保证吸收塔出口so2浓度达标的前提下,进一步调整液气比、吸收剂量和氧化空气量,降低设备电耗。

基于稳态清洗后的电厂sis中脱硫系统运行历史数据,利用tensorflow搭建深度学习脱硫系统预测模型,最开始利用离线数据训练产生预测模型。预测模型应用于在线控制调节后,模型并不是一成不变的,而是利用新产生的运行数据对模型进行调整,这样使得模型随着机组运行情况在不断优化,调节精度和效率降提升。

深度学习脱硫系统预测模型的输出层为1个神经元,是出口so2浓度。

液气比作为深度学习脱硫系统预测模型的输入层神经元,液气比是利用测量值计算得出的,液气比=浆液循环量/吸收塔入口烟气量测量值。吸收塔浆液循环泵不设备用,单台泵的流量也是固定的,没有变频调节,运行过程中通过调节泵的开启数量来调节浆液循环量,浆液循环量=浆液循环泵投入数量×浆液泵流量。

脱硫过程所需氧化空气量为:

其中,qy为吸收塔入口烟气量实测值;为吸收塔入口so2浓度实测值;吸收塔出口so2浓度设定值;α为so2自然氧化率,取0.1~0.2;β为so2强制氧化率,取0.3~0.4。

考虑机组负荷变化及调整过程存在延时,吸收剂量调节以浆液ph值和出口so2浓度为被控量。同时,已实测吸收塔入口烟气量和so2浓度计算吸收剂需求量作为超前预控。浆液供浆泵流量以浆液ph值、出口so2浓度和吸收剂计算值三者进行调控。吸收剂需求量计算公式:

其中,为so3脱除率,在30%~50%之间;chcl、chf分别为吸收塔入口so3、hcl、hf浓度,若无测量值,采用设计值带入计算;ca/s为钙硫比,取1.02~1.05。

在获取输入参数实时测量值后,计算氧化空气量、液气比、吸收剂量,并结合运行情况给出节能最佳值,再利用训练好的深度学习脱硫系统预测模型计算吸收塔出口so2浓度。若满足要求,则采用各参数进行控制调节;否则,调整液气比和吸收剂量,重新试算。

以上所述,仅是本发明的优选实施方式,并不用于限制本发明,应当指出,对于任何熟悉本技术领域的技术人员来说,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型,这些改进和变型也应视为本发明的保护范围。因此,本发明的保护范围应该以权力要求的保护范围为准。


技术特征:

1.一种基于物料衡算和深度学习的脱硫系统节能方法,其特征在于,包含以下步骤:

1)获取电厂sis中脱硫系统运行历史数据,包括:机组负荷、原烟气量、原烟气温度、进口so2浓度、入口尘浓度、浆液ph、净烟气量、出口so2浓度、浆液密度、浆液循环量、吸收剂量和氧化空气量,并对历史数据进行稳态清洗;

2)基于稳态清洗后的电厂sis中脱硫系统运行历史数据,将脱硫系统物料衡算关系融合到深度学习算法中,选择合适的训练参数,建立深度学习脱硫系统预测模型;

3)将已建立的深度学习脱硫系统预测模型应用于电厂sis中脱硫系统实时控制调节,在保证吸收塔出口so2浓度达标的前提下,进一步调整液气比、吸收剂量和氧化空气量,降低设备电耗。

2.根据权利要求1所述的一种基于物料衡算和深度学习的脱硫系统节能方法,其特征在于,步骤2)中,基于稳态清洗后的电厂sis中脱硫系统运行历史数据,利用tensorflow搭建深度学习脱硫系统预测模型,通过新产生脱硫系统运行数据,对深度学习脱硫系统预测模型进行不断优化。

3.根据权利要求2所述的一种基于物料衡算和深度学习的脱硫系统节能方法,其特征在于,深度学习脱硫系统预测模型的输出层为1个神经元,是出口so2浓度。

4.根据权利要求2所述的一种基于物料衡算和深度学习的脱硫系统节能方法,其特征在于,步骤3)中,液气比作为深度学习脱硫系统预测模型的输入层神经元,液气比=浆液循环量/吸收塔入口烟气量测量值,考虑浆液循环泵不设变频和备用,浆液循环量=浆液循环泵投入数量×浆液泵流量。

5.根据权利要求1所述的一种基于物料衡算和深度学习的脱硫系统节能方法,其特征在于,脱硫过程所需氧化空气量为:

其中,qy为吸收塔入口烟气量实测值;为吸收塔入口so2浓度实测值;吸收塔出口so2浓度设定值;α为so2自然氧化率,取0.1~0.2;β为so2强制氧化率,取0.3~0.4。

6.根据权利要求5所述的一种基于物料衡算和深度学习的脱硫系统节能方法,其特征在于,考虑机组负荷变化及调整过程存在延时,吸收剂量调节以浆液ph值和出口so2浓度为被控量;同时,已实测吸收塔入口烟气量和so2浓度计算吸收剂需求量作为超前预控;浆液供浆泵流量以浆液ph值、出口so2浓度和吸收剂计算值三者进行调控;吸收剂需求量计算公式:

其中,为so3脱除率,在30%~50%之间;chcl、chf分别为吸收塔入口so3、hcl、hf浓度,若无测量值,采用设计值带入计算;ca/s为钙硫比,取1.02~1.05。

7.根据权利要求1所述的一种基于物料衡算和深度学习的脱硫系统节能方法,其特征在于,在获取输入参数实时测量值后,结合氧化空气量、液气比和吸收剂量计算值,利用训练好的深度学习脱硫系统预测模型计算吸收塔出口so2浓度;若满足要求,则采用各参数进行控制调节;否则,调整液气比和吸收剂量,重新试算。

技术总结
本发明公开了一种基于物料衡算和深度学习的脱硫系统节能方法,属于节能环保领域。本发明的步骤为:步骤一:获取电厂SIS中脱硫系统运行历史数据,并对数据进行稳态清洗;步骤二:将脱硫系统物料衡算关系融合到深度学习算法中,选择合适的训练参数,建立深度学习脱硫系统预测模型;步骤三:将已建立的预测模型应用于电厂脱硫系统实时控制调节。本发明解决了吸收塔各物料过量供给造成的能耗浪费问题,能有效降低脱硫系统耗电量,达到系统节能的目的。

技术研发人员:李瑞华;董宝光;王东军;王帅;李庆;史元腾;赵泽盟;白延斌
受保护的技术使用者:中煤能源研究院有限责任公司
技术研发日:2020.03.26
技术公布日:2020.06.26

推荐一种基于物料衡算和深度学习的脱硫系统节能方法与流程的相关内容如下:

标题:推荐一种基于物料衡算和深度学习的脱硫系统节能方法与流程|http://www.wc10086.cn/327275.html

本文来自网络,不代表本站立场,转载请注明出处!