[發明專利]一種基于混合模型的電除塵系統優化控制方法

有效

• 申請號: 201810764514.2
• 申請日: 2018-07-12
• 公開（公告）號: CN108940596B
• 公開（公告）日: 2020-05-26
• 發明（設計）人: 鄭成航;高翔;郭一杉;劉少俊;張涌新;王毅;翁衛國;吳衛紅;徐甸;曲瑞陽;張悠
• 申請（專利權）人: 浙江大學
• 主分類號: B03C3/68
• 分類號: B03C3/68;G05B13/04
• 代理公司: 杭州君度專利代理事務所(特殊普通合伙) 33240
• 代理人: 鄭芳;王桂名

1.一種基于混合模型的電除塵系統優化控制方法，其特征在于：包括電除塵系統機理與數據混合的建模方法、電除塵系統變工況能耗評價方法、基于群智能算法的系統運行多參數優化方法，

電除塵系統機理與數據混合的建模方法：通過電除塵系統的顆粒物脫除機理與實際運行數據的有機結合，實現電除塵系統變工況下的出口濃度預測；

電除塵系統變工況能耗評價方法：獲得不同參數下系統能耗的變化規律；

基于群智能算法的系統多參數運行優化方法：將電除塵系統機理與數據混合的建模方法與電除塵系統變工況能耗評價方法結合，獲得在特定排放目標和多變運行工況下的最優能量注入策略，實現電除塵系統可靠達標的節能運行；

所述電除塵系統機理與數據混合的建模方法使用電除塵過程中放電、顆粒物荷電、顆粒物遷移脫除過程作為機理模型部分，并利用數據模型進一步消除機理模型的預測誤差；

放電過程使用修正的Townsend放電和Cooperman伏安特性模型描述；荷電過程使用擬合的Lawless模型描述；遷移脫除過程使用參數修正的Deutsch模型描述，修正參數包括比例、偏差和指數；數據模型使用深度學習算法，并使用關鍵影響參數作為模型輸入；

電除塵系統機理與數據混合的建模方法中機理模型和數據模型部分采用線性疊加的方法實現混合。

2.根據權利要求1所述的基于混合模型的電除塵系統優化控制方法，其特征在于：所述電除塵系統變工況能耗評價方法為：通過分析電除塵系統放電機理和運行數據，獲得變工況下電除塵系統電源一次側注入功率受二次側運行伏安特性的影響規律。

3.根據權利要求2所述的基于混合模型的電除塵系統優化控制方法，其特征在于：二次側伏安特性的多參數包括氣體溫度、濕度、壓力、密度、離子遷移率；根據電源形式、變壓器形式、變換器形式，獲得不同實際功率下能量轉化效率，以獲得二次側伏安特性與一次側功率的關系；根據線板式反應器電暈放電機理，獲得二次側伏安特性與二次側多參數之間關系，進而建立二次側多參數與一次側參數的相互關系，以描述多參數下不同二次側運行參數對一次側功率影響。

4.根據權利要求1所述的基于混合模型的電除塵系統優化控制方法，其特征在于：基于群智能算法的多參數優化方法以電除塵系統機理與數據混合的建模方法獲得的模型為尋優對象，以電除塵系統變工況能耗評價方法獲得的不同參數下系統運行能耗為優化目標，通過群智能算法實現不同入口濃度和擾動參數下特定排放目標的運行參數最優值。

5.根據權利要求4所述的基于混合模型的電除塵系統優化控制方法，其特征在于：基于群智能算法的系統運行多參數優化方法使用多變量非線性連續系統的算法，在尋優過程中結合電除塵系統運行的多個約束，群智能算法進行計算的初始化、并行計算、變異優化。

6.根據權利要求5所述的基于混合模型的電除塵系統優化控制方法，其特征在于：所述多變量非線性連續系統的算法包括改進的遺傳算法、蟻群算法、粒子群算法，所述約束包括起暈、擊穿、閃絡率。

7.根據權利要求1所述的基于混合模型的電除塵系統優化控制方法，其特征在于：所述電除塵系統機理與數據混合的建模方法為：

機理與數據混合的電除塵系統預測模型由電除塵系統機理模型和電除塵系統數據修正模型耦合而成；其中，電除塵系統機理模型按照電除塵各電場的極線形式、極線間距、線-板間距、板面積、煙氣參數建立電暈放電、顆粒荷電、遷移脫除過程模型，并進一步獲得各電場在不同工況下的分級粒徑脫除效率為：

η_dp＝f(u₂,dp,rough,A,d,Q,d_i,P,C_in,α,β,γ)

其中，η_dp為分級粒徑脫除效率；u₂為二次電壓；dp為顆粒粒徑；rough為極線等效粗糙度；A為收塵板面積；d為極線等效直徑；Q為煙氣流速；d_i為離子遷移率；P為煙氣壓強；C_in為進口顆粒物濃度；α,β,γ為比例、偏置和指數修正參數，由數學回歸方法獲得；

同時，對典型煤質和負荷的入口顆粒物進行采樣，獲得入口濃度與負荷的相互關系C_in(load)及粒徑分布C(dp)，以獲得分級粒徑脫除效率；

基于實施對象的在線運行參數包括煙氣、電氣和鍋爐負荷的歷史數據，利用電除塵系統機理模型，獲得機理模型的預測誤差，并以誤差為訓練樣本，以各電場二次電壓和負荷值為輸入量，以梯度下降的方式訓練結構為[10,15,25,15,10]的深度神經網絡；將數據模型與機理模型進行線性耦合，獲得電除塵系統機理與數據融合的預測模型；

所述電除塵系統變工況能耗評價方法為：

通過獲得極線形式、氣流參數和顆粒濃度對二次側放電特性的影響，獲得不同極線形式、氣流參數和顆粒濃度下的二次側伏安特性曲線：

γ＝9(U₂-U_c+s_y E₁)²-12(s_y E₁)²

其中，C₁，C₂為修正參數，I₂為二次電流，U₂為二次電壓，U_c為起暈電壓，ε₀為真空介電常數，s_x為極線間距，s_y為線板間距，C_p,m為顆粒濃度，q_p為顆粒荷電量，r_c為極線直徑，ρ為顆粒密度，γ為中間參數、E₁為平均場強、ρ_p,a為空間電荷密度、r_eff為極線有效半徑、d_p為顆粒粒徑；

通過分析開關頻率、整流器參數和變壓器參數對低壓側能量轉化效率影響，獲得電源在不同運行功率下的能量轉化率：

η_i＝η_s(f)η_rη_t

其中，η_i為電源i的總體效率；η_s(f)為開關器件轉換效率；η_r為整流器效率；η_t為變壓器效率；

將實時伏安特性與能量轉化效率結合，獲得系統的實際能耗：

其中，P為總能耗；n為電源數量；U_i為電源i的二次電壓；I_i為電源i的二次電流；

所述基于群智能算法的系統運行多參數優化方法為：

根據實時入口工況、出口濃度和出口目標，在尋優范圍內初始化n個運行電壓組合，并利用電除塵系統機理與數據混合模型獲得n個組合的排放，利用電除塵系統變工況能耗評價方法獲得n個組合的能耗，根據各個組合的排放和成本獲得當前最優工況及全局參數更新率，并進行迭代，直至收斂至最優工況，并將優化后的結果傳輸給電源控制器，實現各電場參數的優化調節。