[發明專利]一種基于大數據自學習預測控制的脫硫系統控制方法

有效

• 申請號: 202110360599.X
• 申請日: 2021-04-02
• 公開（公告）號: CN113110046B
• 公開（公告）日: 2022-06-07
• 發明（設計）人: 崔曉波;程茵
• 申請（專利權）人: 玖禾智控（北京）科技有限公司
• 主分類號: G05B13/04
• 分類號: G05B13/04
• 代理公司: 南京縱橫知識產權代理有限公司 32224
• 代理人: 孫永生

本發明公開了一種基于大數據自學習預測控制的脫硫系統控制方法，旨在解決現有技術中脫硫系統控制的自動化水平差、關鍵參數波動大、能耗物耗偏高的技術問題。其包括：獲取脫硫系統當前時刻的運行參數，運行參數包括測量參數和控制參數；基于預先構建的成本模型和當前時刻的測量參數，利用粒子群優化算法獲得當前時刻的最優控制參數；根據當前時刻的運行參數和最優控制參數，利用脫硫系統的離散狀態空間模型輸出控制指令，實現脫硫系統控制。本發明能夠同時實現脫硫系統整體最優經濟運行與關鍵參數精準控制，提高了火電機濕法脫硫系統運行的安全性與經濟性。

技術領域

本發明涉及一種基于大數據自學習預測控制的脫硫系統控制方法，屬于熱能動力工程和自動控制技術領域。

背景技術

石灰石—石膏濕法煙氣脫硫系統工藝復雜，存在環保超排隱患、運行能耗高、運行調整難度大的難題，必須對脫硫系統進行控制。傳統的脫硫系統控制策略存在以下問題：(1)由于脫硫系統被控對象普遍存在大滯后、大慣性問題，為了保證整個系統的穩定性，在控制系統的控制器參數整定過程中將調節器作用整定較弱，導致控制系統的整體抗擾動能力較差，進而導致大多火電機組的脫硫系統無法投入自動運行；(2)由于反饋回路采用單位反饋，存在大慣性、大滯后對象反饋不及時的情況，導致脫硫系統關鍵參數調節存在滯后，尤其是對脫硫系統影響最為關鍵的pH值的調節性能較差；(3)脫硫系統的關鍵參數(如pH值、吸收塔液位以及漿液密度)的設定值采用一成不變的固定值，在關鍵參數的自動調節性能差的影響下會導致脫硫系統能耗、物耗均較大，運行經濟性差。

面對上述問題，如何通過先進控制技術及基于大數據分析研究優化脫硫系統的運行，提高脫硫系統的智能自動運行水平、降低脫硫能耗，成為濕法脫硫系統的研究重點。

發明內容

為了解決現有技術中脫硫系統控制的自動化水平差、關鍵參數波動大、能耗物耗偏高的問題，本發明提出了一種基于大數據自學習預測控制的脫硫系統控制方法，根據脫硫系統當前時刻的運行參數計算最優控制參數，并根據最優控制參數對脫硫系統的運行進行精準控制，提高脫硫系統的安全性和經濟性。

為解決上述技術問題，本發明采用了如下技術手段：

本發明提出了一種基于大數據自學習預測控制的脫硫系統控制方法，其特征在于，包括如下步驟：

獲取脫硫系統當前時刻的運行參數，所述運行參數包括測量參數和控制參數；

基于預先構建的成本模型和當前時刻的測量參數，利用粒子群優化算法獲得當前時刻的最優控制參數；

根據當前時刻的運行參數和最優控制參數，利用脫硫系統的離散狀態空間模型輸出控制指令，實現脫硫系統控制。

進一步的，所述測量參數包括脫硫系統入口煙氣流量、SO2濃度、溫度和壓力，所述控制參數包括漿液pH值、漿液密度、漿液液位和漿液循環泵的組合方式、石灰石供漿量和石膏排出泵排出量。

進一步的，所述成本模型采用自學習在線極限學習機模型，成本模型的輸入為脫硫系統的運行參數，成本模型的輸出為脫硫系統的綜合運行成本；所述成本模型的構建過程包括模型初始化和模型自學習。

進一步的，所述模型初始化的過程包括：

獲取脫硫系統的歷史運行數據，并對歷史運行數據進行大數據篩選，獲得模型訓練樣本集合；

獲取包括輸入層、隱含層和輸出層的初始成本模型，并初始化模型參數，模型參數包括：隱含層節點數l₀、隱含層的輸入權重W、偏差為b、輸出權重β；

對初始成本模型的隱含層進行節點增加處理，令l₀＝l₀+l_a，其中，l_a表示增加的隱含層節點數，l_a為正整數；

根據增加的隱含層節點更新隱含層的輸入權重和偏差：