[发明专利]基于神经网络的SCR智能喷氨优化方法及装置

说明书

本发明公开了一种基于神经网络的SCR智能喷氨优化方法及装置，涉及燃煤脱硝技术领域。其中方法包括：在系统负荷不变时，将喷氨管栅根据区域不同划分为n个模块，调整n个喷氨模块的阀门，采集一段时间内n个喷氨模块的喷氨量作为训练输入数据，脱硝效率和氨逃逸率作为训练输出数据；利用训练输入数据和训练输出数据进行BP神经网络训练；以各个喷氨模块的喷氨量作为测试输入数据，利用训练得到的BP神经网络模型预测脱硝效率和氨逃逸；利用遗传算法在多个测试输入数据中寻找到最优值，根据最优值调整各个喷氨模块的实际喷氨量。采用本方案，可以实现喷氨量的差异化控制，提高了脱硝效率，降低了氨逃逸率，并能够灵活根据电厂的不同目标调整各喷氨模块的喷氨量。

技术领域

本发明涉及燃煤脱硝技术领域，具体涉及一种基于神经网络的SCR智能喷氨优化方法及装置。

背景技术

选择性催化还原法(SCR)作为目前技术成熟、效果好的脱硝工艺被广泛应用于燃煤电厂脱硝工程。随着GB13223-2011《火力发电厂大气污染物排放标准》的实施，对NOx的排放有了更严格的限值要求，大多数燃煤电厂需加装SCR脱硝系统。

良好的NH₃/NOx混合和速度分布的均匀性是保证SCR脱硝效率、降低氨逃逸率、增加催化剂寿命的关键。在SCR系统设计过程中，通过计算流体力学(Computational FluidDynamics，CFD)方法进行反复模拟试验，优化导流装置等内构件保证烟气在反应器中流动和混合的均匀性，已经成为SCR系统设计和优化的重要手段。然而在实际过程中，由于模拟的假设偏差、施工带来的偏差以及运行工况的变化，往往导致SCR系统达不到设计的脱硝效率、氨逃逸率较高。长期运行后，还会引起空气预热器(下文简称空预器)的堵塞和腐蚀，影响机组稳定运行。

SCR脱硝系统的关键是控制喷入烟气中的喷氨量，喷氨量及其控制方式直接关系到燃煤电站锅炉脱硝效率、NOx排放浓度及氨逃逸率等指标。若喷氨量不足会导致脱硝效率低，出口NOx排放浓度不能满足国家规定允许的要求。若喷氨量过大，不仅会增加运行成本，过量的NH₃还会与烟气中的SO₃反应生成铵盐，由于铵盐具有很强的黏附性，容易黏附在催化剂表面，不仅会堵塞催化剂微孔使催化剂活性降低，还会造成后续设备空预器的腐蚀和堵塞。目前，SCR喷氨控制主要采用总量控制调节的模式，通过入口的NOx浓度、烟气流量、氨氮摩尔比以及催化剂转换效率等数据计算出总体喷氨量，设定总的喷氨值。

在实现本申请实施例的过程中，发明人发现现有技术中至少存在如下问题：在实际过程中，进入喷氨格栅前的烟气NOx分布不可能是完全均匀的，在催化剂表面的氨氮摩尔比也不可能是完全一致的，这就导致满足脱硝效率时氨逃逸率高，或是满足氨逃逸率低时脱硝效率不达标。通过手动调节各个支管的喷氨量，虽然能够解决此类问题，但是需要耗费大量的时间、精力、经验，效率极低。

发明内容

鉴于上述问题，提出了本发明以便提供一种克服上述问题或者至少部分地解决上述问题的一种基于神经网络的SCR智能喷氨优化方法及装置，能够有效的降低氨逃逸率，提高脱硝效率，切实有效的解决SCR对空预器造成的堵塞问题。

根据本发明的一个方面，提供了一种基于神经网络的SCR智能喷氨优化方法，包括：

在系统负荷不变时，将喷氨管栅根据区域不同划分为n个模块，调整n个喷氨模块的开度阀门，采集一段时间内n个喷氨模块的喷氨量作为训练输入数据，采集SCR脱硝系统的脱硝效率和氨逃逸率作为训练输出数据,其中n为自然数；

利用训练输入数据和所述训练输出数据，对BP神经网络模型进行训练；

构建各个喷氨模块的喷氨量作为测试输入数据，利用训练得到的BP神经网络模型预测得到脱硝效率和氨逃逸率作为测试输出数据；

将测试输入数据作为种群个体，利用遗传算法在多个测试输入数据中寻找到最优值，根据最优值调整各个喷氨模块的实际喷氨量。