CN109933884B - 一种面向燃煤机组scr脱硝系统神经网络逆控制的方法 - Google Patents
一种面向燃煤机组scr脱硝系统神经网络逆控制的方法 Download PDFInfo
- Publication number
- CN109933884B CN109933884B CN201910175910.6A CN201910175910A CN109933884B CN 109933884 B CN109933884 B CN 109933884B CN 201910175910 A CN201910175910 A CN 201910175910A CN 109933884 B CN109933884 B CN 109933884B
- Authority
- CN
- China
- Prior art keywords
- model
- scr denitration
- inverse
- denitration system
- neural network
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 24
- 238000013528 artificial neural network Methods 0.000 title claims abstract description 18
- 230000007246 mechanism Effects 0.000 claims abstract description 29
- 238000012549 training Methods 0.000 claims abstract description 12
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 5
- 238000004088 simulation Methods 0.000 claims abstract description 5
- 239000002245 particle Substances 0.000 claims abstract description 4
- 230000002068 genetic effect Effects 0.000 claims abstract description 3
- QGZKDVFQNNGYKY-UHFFFAOYSA-N Ammonia Chemical compound N QGZKDVFQNNGYKY-UHFFFAOYSA-N 0.000 claims description 35
- 229910021529 ammonia Inorganic materials 0.000 claims description 14
- 238000002347 injection Methods 0.000 claims description 13
- 239000007924 injection Substances 0.000 claims description 13
- 229910000069 nitrogen hydride Inorganic materials 0.000 claims description 5
- 238000012546 transfer Methods 0.000 claims description 4
- 238000005070 sampling Methods 0.000 claims description 3
- 238000011160 research Methods 0.000 claims description 2
- 235000015429 Mirabilis expansa Nutrition 0.000 claims 2
- 244000294411 Mirabilis expansa Species 0.000 claims 2
- 235000013536 miso Nutrition 0.000 claims 2
- 230000004069 differentiation Effects 0.000 claims 1
- 230000010354 integration Effects 0.000 claims 1
- 230000001105 regulatory effect Effects 0.000 claims 1
- 238000005507 spraying Methods 0.000 claims 1
- MWUXSHHQAYIFBG-UHFFFAOYSA-N nitrogen oxide Inorganic materials O=[N] MWUXSHHQAYIFBG-UHFFFAOYSA-N 0.000 description 40
- 230000000694 effects Effects 0.000 description 11
- UGFAIRIUMAVXCW-UHFFFAOYSA-N Carbon monoxide Chemical compound [O+]#[C-] UGFAIRIUMAVXCW-UHFFFAOYSA-N 0.000 description 8
- 238000006243 chemical reaction Methods 0.000 description 8
- 239000003546 flue gas Substances 0.000 description 8
- 230000008569 process Effects 0.000 description 7
- 238000001179 sorption measurement Methods 0.000 description 6
- 239000003054 catalyst Substances 0.000 description 4
- 230000004913 activation Effects 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 238000005457 optimization Methods 0.000 description 3
- 230000003647 oxidation Effects 0.000 description 3
- 238000007254 oxidation reaction Methods 0.000 description 3
- 238000010531 catalytic reduction reaction Methods 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000003795 desorption Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 241001481710 Cerambycidae Species 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000006555 catalytic reaction Methods 0.000 description 1
- 238000002485 combustion reaction Methods 0.000 description 1
- 238000011217 control strategy Methods 0.000 description 1
- 230000008878 coupling Effects 0.000 description 1
- 238000010168 coupling process Methods 0.000 description 1
- 238000005859 coupling reaction Methods 0.000 description 1
- 238000013499 data model Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 230000008020 evaporation Effects 0.000 description 1
- 238000001704 evaporation Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 239000010881 fly ash Substances 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000010845 search algorithm Methods 0.000 description 1
- 238000003860 storage Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
Classifications
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/02—Total factory control, e.g. smart factories, flexible manufacturing systems [FMS] or integrated manufacturing systems [IMS]
Landscapes
- Treating Waste Gases (AREA)
- Feedback Control In General (AREA)
Abstract
本发明公开了一种面向燃煤机组SCR脱硝系统神经网络逆控制的方法，包括SCR脱硝系统机理模型的建立、逆模型的训练以及基于逆模型的前馈控制器的应用；SCR脱硝系统机理模型的建立包括：基于Langmuir‑Hinshelwood机理和Eley‑Rideal机理，建立了SCR脱硝系统的模型；通过分析现场真实数据，运用粒子群或遗传算法寻优获取机理模型的最佳参数，此模型基本可以代表真实系统；逆模型的训练包括：基于已经构造的准确的SCR脱硝系统的机理模型，给予输入端一组随机数，设置尽可能长的仿真时间，产生模型的随机输出；利用产生的随机数据，运用NARX神经网络进行逆模型的训练；基于逆模型的前馈控制器的应用包括：利用已经产生的逆模型，结合燃煤机组原本的串级PID控制系统，构成SCR脱硝逆控制系统。
Description
技术领域
本发明属于SCR脱硝控制技术领域，具体涉及一种面向燃煤机组SCR脱硝系统神经网络逆控制的方法。
背景技术
随着国家和人民环保意识的提高，火电厂燃煤机组氮氧化物(NOx)排放问题引起了越来越多的关注。燃煤电站氮氧化物(NOx)排放量的控制主要采用选择性催化还原法(Selective Catalytic Reduction，SCR)实施烟气脱硝，由于SCR脱硝系统存在非线性、强耦合、大延迟、大惯性等特征，同时烟气中的NOx浓度具有变化剧烈和测量滞后的特点，使得SCR脱硝系统的控制变得十分棘手。
基于智能控制理论是燃煤机组机组进行SCR脱硝控制的重要措施之一。由于采用先进的控制算法实现降低污氮氧化物排放，具有风险小、效果明显、不需要就地改造的优点，因此成为很多电厂首选的SCR脱硝控制技术。
目前SCR系统控制技术常用的方法有下面两种：
1.脱硝系统多模型自适应的控制方法
多模型自适应的脱硝系统控制方法，为有效克服SCR入口NOx浓度和烟气流量等外部扰动的影响，目前普遍采用了基于固定摩尔比计算出喷氨量需求值作为喷氨量前馈信号的方法，以有效抑制外部扰动的影响。
2.脱硝系统预测控制的方法
随着近几年国内数据库技术的成熟，使得许多有效数据模型的建立成为现实，脱硝系统预测控制是指预测SCR脱硝系统的出口NOx浓度，进而进行超前控制的一种方法，该方法实用性强，可有效克服外部扰动的影响，提高控制品质。
发明内容
为解决现有技术存在的上述问题，本文提出了一种基于神经网络逆模型的脱硝系统控制策略，基于建立的SCR脱硝系统逆模型，将SCR出口设定值作为逆模型的输入，从而得到了动态所需的喷氨量信号，保证了脱硝系统出口氮氧化物能够维持在设定值附近。
为实现本发明的目的，本发明具体采用以下技术方案:
1.SCR脱硝系统机理模型的建立
(1)基于Langmuir-Hinshelwood机理和Eley-Rideal机理，建立了SCR脱硝系统的模型。
(2)通过分析现场真实数据，运用粒子群或遗传算法寻优获取机理模型的最佳参数，此模型基本可以代表真实系统。
2.逆模型的训练
(1)基于已经构造的准确的SCR脱硝系统的机理模型，给予输入端一组随机数，设置尽可能长的仿真时间，产生模型的随机输出。
(2)利用产生的随机数据，运用NARX神经网络进行逆模型的训练。
3.基于逆模型的前馈控制器的应用
利用已经产生的逆模型，结合燃煤机组原本的串级PID控制系统，构成SCR脱硝逆控制系统。
本发明的有益效果在于：
附图说明：
图1为燃煤机组脱硝系统示意图；
图2为真实系统输出与模型输出的对比；
图3为SCR脱硝系统NARX神经网络逆模型的结构；
图4为NARX神经网络逆模型训练结果；
图5为逆模型与串级PID构成的前馈反馈控制原理图；
图6为串级PID控制与逆控制在扰动变化时控制效果比较；
图7为利用本发明方案与原电厂控制方案的SCR脱硝系统出口NOx排放量的对比。
具体实施方式
下面结合说明书附图，结合优选实施例对本发明的技术方案做进一步的详细说明。
实现SCR脱硝系统逆控制主要有三个方面，一个是SCR脱硝系统机理模型的建立，二是脱硝系统逆模型的建立，三是逆模型与串级PID控制构建逆控制系统。
(1)SCR脱硝系统机理模型
本文以某600MW机组为例，SCR脱硝系统工艺流程图如图1所示。SCR脱硝系统是由液氨存储系统，液氨蒸发系统和SCR脱硝反应系统组成。SCR脱硝反应系统普遍采用高温高飞灰布置，即SCR脱硝反应器安装在省煤器和空气预热器之间。锅炉燃烧产生的烟气经过省煤器后进入脱硝系统，到达喷氨栅格部位时与稀释后的氨气混合。然后进入脱硝反应器，烟气中的NOx与吸附在催化剂表面的NH3发生催化反应，生成H2O和N2。最后烟气经过空气预热器及下游的烟气处理装置，通过烟囱排入大气。
脱硝过程中，发生的主要反应有：
4NH3+4NO+O2＝4N2+6H2O
4NH3+2NO2+O2＝3N2+6H2O
一般情况下，烟气中NO与NO2的比例可近似认为是95：5，所以主要考虑(1)式。
从整个反应过程来看，气态的NH3吸附率、活化速度，与NO的反应速度，V4+的氧化速度是影响脱硝反应速度的关键。因此可以把SCR脱硝过程看成NH3在催化剂表面的吸附和解吸附过程，以及NH3与NOx的反应过程。
脱硝反应的过程遵循两种动力学定理：
Langmuir-Hinshelwood机理和Eley-Rideal机理。
机理建模的难点在于机理模型参数的确定，SCR脱硝系统机理过程参数主要有8个：- 初始吸附活化能，/>-催化剂的吸附能力，/>-吸附速率指前系，/>-解吸附速率指前系数，kNO-NH3氧化速率常数，kox-NH3的氧化速率常数，r-催化剂表面覆盖率系数，Ea-NH3 吸附活化能。也就是说需要对着八个参数进行寻优，常用的寻优方法例如粒子群算法(PSO)。
SCR脱硝系统需要检测的主要输出为出口NOX浓度，所以本文建立模型的输出与实际输出之间的最小误差为目标，误差评估指标为均方根误差(root mean square error,RMSE)，其计算公式为：
其中，n为样本数，o(k)和y(k)分别为实际输出与预测输出。
基于的机理过程以及所选定的目标函数PSO算法对SCR脱硝机理模型进行参数辨识。共选取了6000组数据作为样本，数据采样间隔为1s，其中前4000组作为训练样本，后2000组作为测试样本，训练次数为2000次，由于参数较多在这里本文采用了天牛须搜索算法进行寻优(BAS)，建模效果如附图2所示。
(2)SCR脱硝系统逆模型
在运用神经网络建立一个工业过程的模型或其逆模型的过程中，最重要的一点是数据要尽量可以体现出这个工业过程完整的动态特性，但是在实际建模工作中往往不能获得可以包含全部工况的数据，使得建模工作效果不佳。为充分激励机理模型的动态特性，根据模型输入变量的变化范围，分别采用随机信号作为模型的输入信号，三个输入端分别输入一个每 50s变化一次的随机值(NH3端输入0～200kg/h的喷氨量随机值，NOx端输入130～500m3/h 的NOx量随机值，风量端输入1000～1700m3/h的风量随机值)，设置仿真运行时间为10000s，采样周期为1s，得到模型的输出，即得到了10000组随机运行数据，可以尽可能完整的体现系统的动态特性。
对于一般的多入单出(MISO)系统，其离散差分方程为：
y(k)＝f[y(k-1),L,y(k-ny),u1(k),
L,u1(k-n1),L,un(k),L un(k-nn)]
其中，y(k)为系统的输出，u1(k)L un(k)为系统的输入，ny为系统的输出的阶次，n1L nn为系统输入的阶次。
则MISO系统的逆模型可描述为：
u1(k)＝f-1[y(k),y(k-1),L,y(k-ny),
u1(k-1)L,u1(k-n1),L,un(k),L un(k-nn)]
对于SCR脱硝系统，研究中输入输出变量的阶次均选择为2阶，则得到如下的逆模型结构：
ua(k)＝f-1[Y(k),Y(k-1),Y(k-2),
ua(k-1),ua(k-2),
ui(k),ui(k-1)ui(k-2),
uw(k),uw(k-1),uw(k-2)]
其中，Y(k)为脱硝出口NOx的浓度，ua(k)为喷氨量，ui(k)为入口NOX的浓度，uw(k)为风量，SCR脱硝系统神经网络逆模型的结构如附图3所示，神经网络训练效果如附图4所示。
(2)SCR脱硝系统逆控制
本文利用神经网络逆模型的输出作为串级PID的前馈，共同构成前馈-反馈控制系统，串级回路中的喷氨调门开度和喷氨量之间的动态特性，可以用下式所示的传递函数代替。
其中，为喷氨调门的传递函数。
基于逆控制的SCR脱硝系统原理如附图5所示。
为了验证神经网络控制器的有效性，本文利用已经搭建好的SCR机理模型作为被控对象，分别采用传统的串级PID控制和神经网络逆控制，然后做以下试验，系统的设定值为 35，入口风量为1500m3/h并且保持不变，入口NOx含量为200mg/m3，在系统稳定时，在运行至200秒时入口NOx突然变化为300mg/m3，两种控制器的控制效果如附图6所示，从图中可以看出逆控制器的控制效果明显优于串级PID控制
为进一步体现控制效果，本文运用实际运行数据作为模型的输入，比较实际系统运行效果与逆控制器的控制效果，如附图7所示，实际系统的输出与设定值之间的均方差(RMSE) 5.6121，最大偏差27.6835，逆控制系统的输出与设定值之间的均方差为(RMSE)1.1795，最大偏差7.1642，可见逆控制比起实际运行系统的控制效果有明显提升。
以上描述了本发明的基本原理和主要特征，本行业的技术人员应该了解，本发明不受上述实施例的限制，上述实施例和说明书中描述的只是说明本发明的原理，在不脱离本发明精神和范围的前提下，本发明还会有各种变化和改进，这些变化和改进都落入要求保护的本发明范围内，发明要求保护范围由所附的权利要求书及其等效物界定。
Claims (1)
1.一种面向燃煤机组SCR脱硝系统神经网络逆控制的方法，其特征在于，
包括SCR脱硝系统机理模型的建立、逆模型的训练以及基于逆模型的前馈控制器的应用；
所述SCR脱硝系统机理模型的建立包括：
(1)基于Langmuir-Hinshelwood机理和Eley-Rideal机理，建立了SCR脱硝系统的模型；
(2)通过分析现场真实数据，运用粒子群或遗传算法寻优获取机理模型的最佳参数，此模型基本可以代表真实系统；
所述逆模型的训练包括：
(1)基于已经构造的准确的SCR脱硝系统的机理模型，给予输入端一组随机数，设置尽可能长的仿真时间，产生模型的随机输出；
(2)利用产生的随机数据，运用NARX神经网络进行逆模型的训练；
所述基于逆模型的前馈控制器的应用包括：
利用已经产生的逆模型，结合燃煤机组原本的串级PID控制系统，构成SCR脱硝逆控制系统；
为充分激励机理模型的动态特性，根据模型输入变量的变化范围，分别采用随机信号作为模型的输入信号，三个输入端分别输入一个每50s变化一次的随机值，NH3端输入0～200kg/h的喷氨量随机值，NOx端输入130～500m3/h的NOx量随机值，风量端输入1000～1700m3/h的风量随机值，设置仿真运行时间为10000s，采样周期为1s，得到模型的输出，即得到了10000组随机运行数据，可以尽可能完整的体现系统的动态特性；
对于一般的多入单出MISO系统，其离散差分方程为：
y(k)＝f[y(k-1),…,y(k-ny),u1(k),…,u1(k-n1),…,un(k),…un(k-nn)]
其中，y(k)为系统的输出，u1(k)…un(k)为系统的输入，ny为系统的输出的阶次，n1…nn为系统输入的阶次。
则MISO系统的逆模型可描述为：
u1(k)＝f-1[y(k),y(k-1),…,y(k-ny),
u1(k-1)…,u1(k-n1),…,un(k),…un(k-nn)]
对于SCR脱硝系统，研究中输入输出变量的阶次均选择为2阶，则得到如下的逆模型结构：
ua(k)＝f-1[Y(k),Y(k-1),Y(k-2),ua(k-1),ua(k-2),ui(k),ui(k-1)ui(k-2),uw(k),uw(k-1),uw(k-2)]
其中，Y(k)为脱硝出口NOx的浓度，ua(k)为喷氨量，ui(k)为入口NOX的浓度，uw(k)为风量，
SCR脱硝系统逆控制利用神经网络逆模型的输出作为串级PID的前馈，共同构成前馈-反馈控制系统，串级回路中的喷氨调门开度和喷氨量之间的动态特性，可以用下式所示的传递函数代替；
其中，为喷氨调门的传递函数。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910175910.6A CN109933884B (zh) | 2019-03-08 | 2019-03-08 | 一种面向燃煤机组scr脱硝系统神经网络逆控制的方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910175910.6A CN109933884B (zh) | 2019-03-08 | 2019-03-08 | 一种面向燃煤机组scr脱硝系统神经网络逆控制的方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN109933884A CN109933884A (zh) | 2019-06-25 |
| CN109933884B true CN109933884B (zh) | 2023-08-29 |
Family
ID=66986468
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910175910.6A Active CN109933884B (zh) | 2019-03-08 | 2019-03-08 | 一种面向燃煤机组scr脱硝系统神经网络逆控制的方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN109933884B (zh) |
Families Citing this family (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111921377B (zh) * | 2020-09-25 | 2021-01-26 | 大唐环境产业集团股份有限公司 | 基于机理与数据驱动的scr脱硝喷氨控制方法及系统 |
| CN112420133B (zh) * | 2020-11-19 | 2024-01-26 | 华北电力大学 | 一种火电机组scr脱硝系统的建模方法及系统 |
| CN114779648A (zh) * | 2022-05-18 | 2022-07-22 | 华北电力大学（保定） | 一种基于神经网络逆模型的前馈跟踪控制方法 |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104317195A (zh) * | 2014-09-28 | 2015-01-28 | 重庆邮电大学 | 一种基于改进极限学习机的非线性逆模型控制方法 |
| CN106681381A (zh) * | 2017-01-03 | 2017-05-17 | 华北电力大学 | 一种基于智能前馈信号的scr脱硝系统喷氨量优化控制系统及方法 |
| CN107168065A (zh) * | 2017-06-20 | 2017-09-15 | 上海海事大学 | 一种用于选择性催化还原脱硝装置的控制方法及系统 |
| CN107450311A (zh) * | 2017-04-19 | 2017-12-08 | 吉林大学 | 逆模型建模方法及装置、以及自适应逆控制方法及装置 |
| CN107561941A (zh) * | 2017-09-01 | 2018-01-09 | 华北电力大学（保定） | 一种火电机组脱硝系统的全工况达标排放控制方法 |
| CN107694337A (zh) * | 2017-11-03 | 2018-02-16 | 吉林省电力科学研究院有限公司 | 基于神经网络预测控制的燃煤机组scr烟气脱硝控制方法 |
| CN108628177A (zh) * | 2018-07-02 | 2018-10-09 | 大唐环境产业集团股份有限公司 | 一种基于模型自适应pid的scr脱硝智能喷氨优化方法及系统 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20110264353A1 (en) * | 2010-04-22 | 2011-10-27 | Atkinson Christopher M | Model-based optimized engine control |
-
2019
- 2019-03-08 CN CN201910175910.6A patent/CN109933884B/zh active Active
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104317195A (zh) * | 2014-09-28 | 2015-01-28 | 重庆邮电大学 | 一种基于改进极限学习机的非线性逆模型控制方法 |
| CN106681381A (zh) * | 2017-01-03 | 2017-05-17 | 华北电力大学 | 一种基于智能前馈信号的scr脱硝系统喷氨量优化控制系统及方法 |
| CN107450311A (zh) * | 2017-04-19 | 2017-12-08 | 吉林大学 | 逆模型建模方法及装置、以及自适应逆控制方法及装置 |
| CN107168065A (zh) * | 2017-06-20 | 2017-09-15 | 上海海事大学 | 一种用于选择性催化还原脱硝装置的控制方法及系统 |
| CN107561941A (zh) * | 2017-09-01 | 2018-01-09 | 华北电力大学（保定） | 一种火电机组脱硝系统的全工况达标排放控制方法 |
| CN107694337A (zh) * | 2017-11-03 | 2018-02-16 | 吉林省电力科学研究院有限公司 | 基于神经网络预测控制的燃煤机组scr烟气脱硝控制方法 |
| CN108628177A (zh) * | 2018-07-02 | 2018-10-09 | 大唐环境产业集团股份有限公司 | 一种基于模型自适应pid的scr脱硝智能喷氨优化方法及系统 |
Non-Patent Citations (1)
| Title |
|---|
| 戴先中.多变量非线性系统的神经网络逆控制方法.科学出版社,第8-13页. * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN109933884A (zh) | 2019-06-25 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN107243257B (zh) | 适合全负荷的智能喷氨控制系统 | |
| CN112580250A (zh) | 基于深度学习的火电机组脱硝系统及优化控制方法 | |
| CN109343349B (zh) | 一种基于喷氨量补偿器的scr烟气脱硝优化控制系统和方法 | |
| CN104826492B (zh) | 一种选择性催化还原法烟气脱硝喷氨控制系统的改进方法 | |
| CN105629736B (zh) | 数据驱动的火电机组scr脱硝扰动抑制预测控制方法 | |
| CN105404145B (zh) | 基于指数预测和时滞预估补偿的脱硝新型串级控制方法 | |
| CN109933884B (zh) | 一种面向燃煤机组scr脱硝系统神经网络逆控制的方法 | |
| CN107168065A (zh) | 一种用于选择性催化还原脱硝装置的控制方法及系统 | |
| CN104226110A (zh) | 一种燃煤锅炉scr脱硝控制方法与控制系统 | |
| CN110188383B (zh) | 一种基于选择性集成模型的电站scr脱硝建模方法 | |
| CN110263452A (zh) | 一种烟道内烟气时间分布特性分析方法、系统及脱硝系统 | |
| CN105498497A (zh) | 多变量控制的烟气脱硫脱硝一体化设备及其控制方法 | |
| CN105786035A (zh) | 基于试探式预测控制技术的火电机组scr脱硝优化控制系统 | |
| CN114225662B (zh) | 一种基于滞后模型的烟气脱硫脱硝优化控制方法 | |
| CN113094986B (zh) | 垃圾焚烧炉烟气中污染物排放量预测模型构建方法及应用 | |
| Zhang et al. | MPC case study on a selective catalytic reduction in a power plant | |
| CN111968708B (zh) | 一种基于随机森林和lstm神经网络的scr脱硝喷氨量预测方法 | |
| CN106621738A (zh) | 一种降低脱硝逃逸氨控制方法 | |
| CN107561944A (zh) | 一种基于拉盖尔模型的脱硝系统自适应预测控制方法 | |
| CN205323522U (zh) | 多变量控制的烟气脱硫脱硝一体化设备 | |
| Gao et al. | Research on Optimal Control of Fractional Order PI λ D μ Parameters of SCR Denitrification System | |
| CN116712856A (zh) | 一种scr脱硝系统智能喷氨控制方法及系统 | |
| Hu et al. | Multiple model switching DMC-PID cascade predictive control for SCR denitration systems | |
| Tingting et al. | Modeling on SCR process of a coal-fired boiler using LSSVM method | |
| CN113435584A (zh) | 一种基于lstm的scr出口氮氧化物浓度预测方法 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |